CN113936374A - 一种基于双注意力机制的纸币鉴别方法 - Google Patents
一种基于双注意力机制的纸币鉴别方法 Download PDFInfo
- Publication number
- CN113936374A CN113936374A CN202111129307.8A CN202111129307A CN113936374A CN 113936374 A CN113936374 A CN 113936374A CN 202111129307 A CN202111129307 A CN 202111129307A CN 113936374 A CN113936374 A CN 113936374A
- Authority
- CN
- China
- Prior art keywords
- mask
- paper money
- attention
- model
- inputting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000428 dust Substances 0.000 abstract description 5
- 230000037303 wrinkles Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/20—Testing patterns thereon
- G07D7/2008—Testing patterns thereon using pre-processing, e.g. de-blurring, averaging, normalisation or rotation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/003—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency using security elements
- G07D7/0034—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency using security elements using watermarks
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/20—Testing patterns thereon
- G07D7/2016—Testing patterns thereon using feature extraction, e.g. segmentation, edge detection or Hough-transformation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Inspection Of Paper Currency And Valuable Securities (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于双注意力机制的纸币鉴别方法，包括如下步骤：建立纸币图片数据库；采集纸币图片的正反面，建立图片数据集；将这些数据集内的图片做数据增强；将增强后的数据集进行标注处理；将生成带标注的图片数据集划分为训练集、验证集和测试集；将训练集输入到分割模型中并优化分割模型；再将验证集送入模型中预测mask’,衡量模型的学习能力；最后将测试集输入到最优模型中，得到预测的水印mask’，并将测试集与mask’相乘，得到了纸币上的水印信息。本发明在一些纸币存在太旧且有灰尘、污渍遮挡和褶皱的情况下，能够将它的水印部分完整的分割出来，解决了纸币因遮挡等不能直接鉴别的问题，以此配合来鉴别纸币的真伪。
Description
技术领域
本发明涉及纸币鉴别技术领域，尤其涉及一种基于双注意力机制的纸币鉴别方法。
背景技术
当今社会，银行现金流通规模庞大，银行出纳柜台现金处理工作非常繁重。现金业务对柜员要求高，务必做到在短时间内能准确无误地清点完成。目前现有鉴别纸币方法，包括人工鉴别和点钞机鉴别。人工鉴别是通过观察纸币的表面，闻纸币的墨香，听纸币弹动的声音以及摸纸币凹凸的印刷部位。目前银行网点都采用点钞机来鉴别真假钞票代替曾经的人工验钞。点钞机的原理是用一定波长的红外激光来照射纸币上的荧光字，使荧光字产生一定波长的激光，通过对此激光的检验可辨别钞票的真假。然而，由于一些真币在太旧且有灰尘、污渍遮挡和褶皱的情况下使用点钞机鉴别，可能会鉴别不出。
专利(申请号为CN201710825929.1)公开一种纸币识别方法及装置，该方法包括：获取待识别纸币的纸币图像并对所述纸币图像进行几何校正得到第一纸币图像；按照设定划分规则，将所述第一纸币图像划分为第一设定数量的区域，获取各个所述区域的特征向量；将所述特征向量输入训练后的BP神经网络模型进行识别，获得识别结果。该发明实现了对不同币值版本的纸币面向的识别，只要对不同币值版本的纸币面向各进行一次训练得到网络参数，便可以通用的识别各个币值版本的面向，采用BP神经网络进行识别的方式提高了纸币面向的识别效率。但该专利所提供的纸币识别方法对表面有污渍的钱币识别能力有限，不能解决纸币因遮挡等不能直接鉴别的问题，即该专利方法存在局限性，不能准确鉴别纸币的真伪。
而专利(申请号为CN201710106799.6)公开了一种污损纸币识别方法及系统。该发明通过根据待测纸币图像的第一像素值和待测纸币图像对应的标准图的第二像素值，获取待测纸币图像的目标图的像素值，若目标图的像素值大于预设阈值，则将待测纸币识别为污损纸币，并继续获取该污损纸币的污损区域的分布特征，判断该分布特征是否满足预设规则，若该分布特征满足预设规则，则最终判定该污损纸币具有污损字迹，从而有效识别出具有污损字迹的纸币，使后续自动存取款设备能对这类污损字迹的纸币进行处理。该专利可以对纸币表面污渍进行识别，但对于纸币真假鉴别能力不够。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于双注意力机制的纸币鉴别方法，在一些纸币存在太旧且有灰尘、污渍遮挡和褶皱的情况下，能够将它的水印部分完整的分割出来，解决了纸币因遮挡等不能直接鉴别的问题，以此配合来鉴别纸币的真伪。
本发明的目的是通过以下技术方案来实现的：一种基于双注意力机制的纸币鉴别方法，包括以下具体步骤：
S1：建立纸币图片数据库；
S2：采集M张标准的纸币图片和有遮挡的纸币图片的正反面，建立图片数据集；
S3：将图片数据集内的图片进行数据增强处理；
S4：将增强后的数据集进行标注处理，一张纸币上标注N个不同的标注区域mask；
S5：将生成带标注的图片数据集按比例划分为训练集、验证集和测试集；
S6：将训练集输入到分割模型中，得到预测区域mask’，通过目标函数将得到的mask’与mask做约束，迭代更新参数，优化模型；
S7：将验证集集输入已经训练好的模型中，将预测区域mask’与标注区域mask做Dice指标计算，根据指标值挑选最优模型；
S8：将测试集纸币图像送入挑选好的最优模型中预测分割的mask’，将mask’与纸币图像按元素相乘去除掉其它信息并提取出纸币中N个不同的水印。
所述步骤S3具体包括将M张纸币图像依次通过翻转、旋转、变形和加高斯噪声处理。
所述步骤S5中比例为8:1:1。
所述步骤S6中训练过程具体为：
S601：设置学习率ε和迭代次数epoch，初始化参数θ，将训练图片输入到模型中；
S602：将图片输入到卷积层和反卷积层中，其中卷积核大小为3*3，步长设置为1；
S603：将提取的特征输入到空间注意力网络中，经过上采样操作来提取高层特征，使特征映射出来的大小与原始输入的大小相同，然后与主干支输出的特征映射进行初步乘法，得到一个加权注意力图；
S604：将纸币特征输入到通道注意力网络中，通过通道注意力机制为每个通道自动加上权重，获得筛选之后的特征图；
S605：将空间注意力机制和通道注意力机制获得的特征图做拼接得到输出结果；
S606：将输出结果送入N个不同的分支网络同时训练，并和N个对应的mask按元素位乘；
S607：使用交叉熵作为分割的损失函数，调整参数，学习到最优的分割模型。
所述步骤S7中Dice指标计算方法具体为：
其中，mask和mask’是标注区域和预测区域，∩表示mask与mask’取交集，Diceloss越小，mask与mask’的重叠区域越大，则网络分割定位越准确。
所述步骤S607中交叉熵计算公式为：
H(y,y')＝-∑y*log(y')，
其中，H表示的是损失值，y’表示预测的概率，y表示真实的概率，n表示样本数量。
概率y’为mask’中每一个位置的像素点属于水印的预测概率值，y’具体计算公式为：
其中，H为mask’的高度，W为mask’的宽度。
本发明的有益效果：
本发明采用双注意力神经网络机制(Attention)，分别从空间和通道上增强水印特征信息，印制其它冗余信息，达到充分突出有用的分割特征，同时抑制无用的分割特征的目的。实现端到端无拘束分割特征区域，解决了纸币因遮挡等不能直接鉴别的问题。
附图说明
图1是本发明的流程框图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于一些真币在太旧且有灰尘、污渍遮挡和褶皱的情况下使用点钞机鉴别，可能会鉴别不出。本发明提供一种基于双注意力机制的纸币鉴别方法，在一些纸币存在太旧且有灰尘、污渍遮挡和褶皱的情况下，能够将它的水印部分完整的分割出来，解决了纸币因遮挡等不能直接鉴别的问题，以此配合来鉴别纸币的真伪。
如图1所示，一种基于双注意力机制的纸币鉴别方法，包括以下具体步骤：
S1：建立纸币图片数据库；
S2：采集M张标准的纸币图片和有遮挡的纸币图片的正反面，建立图片数据集；
S3：将M个图像做数据增强操作，通过翻转、旋转、变形、加高斯噪声以后变为1000张图片；
S4：将增强后的数据集进行标注处理，1000张图片进行标注处理形成对应的mask，一张图片上标注N个不同的mask(N代表了纸币上国徽等N个不同的特征)；
将每张图片不同区域裁剪成128*128的大小；
将每张图片归一化为[0-1]；
S5：将生成带标注的图片数据集按8:1:1比例划分为训练集、验证集和测试集；
S6：将训练集输入到分割模型中进行训练，学习一个多标签的分割模型，训练过程如下：
S601：设置学习率ε和迭代次数epoch，初始化参数θ，将训练图片输入到模型中；
S602：将图片输入到卷积层和反卷积层中，其中卷积核大小为3*3，步长设置为1；
S603：将提取的特征输入到空间注意力网络中，经过上采样操作来提取高层特征，使特征映射出来的大小与原始输入的大小相同，然后与主干支输出的特征映射进行初步乘法，得到一个加权注意力图；
θ＝conv1*1*1(x)，
φ＝conv1*1*1(x)，
g＝conv1*1*1(x)，
其中，θ,φ和g分别为Key、query和value,attention返回出各个特征向量的相关性，在空间上提高对水印区域的关注，降低其它冗余信息的关注；
S604：将纸币特征输入到通道注意力网络中，使用通道注意力机制来筛选通道信息，不同的通道捕捉到的信息不同，通过通道注意力机制为每个通道自动加上权重，可以从不同于空间注意力机制的维度上达到筛选水印信息的作用，具体如下：
map＝Globalpooling(x)，
linear_1＝FC1*1*(c/r)(map)，
linear_2＝FC1*1*c(linear_1)，
attention＝Sigmoid(linear_2)，
c_result＝x*attention，
把提取到的纸币特征图x做全局平均池化，然后通过两层全链接FC，再通过激活函数sigmoid函数获得所有通道的关联权重值attention，通过x与attention相乘，剔除冗余信息，对水印特征做增强获得筛选之后的特征图；
S605：将空间注意力机制和通道注意力机制获得的特征图做拼接得到输出结果；
result＝concatention(s_result,c_result)；
S606：将result送入N个不同的分支网络同时训练，并和N个对应的mask按元素位乘；
S607：使用交叉熵作为分割的损失函数，调整参数，学习到最优的分割模型；
交叉熵可表示如下：
H(y,y')＝-∑y*log(y')
其中，H表示的是损失值，y’表示预测的概率，y表示真实的概率，n表示样本数量；
概率y’为mask’中每一个位置的像素点属于水印的预测概率值，y’具体计算公式为：
其中，H为mask’的高度，W为mask’的宽度，根据上述公式可以得到值在0～1之间的每一个位置像素的概率预测信息图y’。
交叉熵来判断y’每一个位置的概率预测是否正确。例如，对于(i,j)位置的信息是水印，那么给定的值为1，y’的值越接近1，预测为水印信息的置信度越高，H(y,y’)越小。
S7：将验证集集输入已经训练好的模型中，将预测区域mask’与标注区域mask做Dice指标计算，根据指标值挑选最优模型；
使用Dice计算预测分割区域和标注mask的差异，Dice损失如下定义：
其中，mask和mask’是标注区域和预测区域，∩是mask与mask’取交集的意思，Diceloss越小，mask与mask’的重叠区域越大，说明网络分割定位越准确；
S8：将测试集纸币图像送入挑选好的最优模型中预测分割的mask’，将mask’与纸币图像按元素相乘去除掉其它信息并提取出纸币中N个不同的水印，具体为：
S801:将测试图片输入到训练好的模型中；
S802:通过多个卷积核为3*3，步长为1的卷积层和反卷积层提取图片中的特征；
S803:送入到空间注意力网络和通道注意力网络中，达到从空间和通道两个维度上增强水印特征信息的目的，并抑制冗余信息，达到很好的分割效果。
S804:分别进入N个分支网络，并和对应的mask按元素位相乘获得水印；
S805:将网络预测的概率设置一个阈值(一般为0.5)，大于0.5置为1，小于0.5置为0，得到最终的分割图mask’；
S806:将分割二值图mask’与原图相乘获得最终的水印部分。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于双注意力机制的纸币鉴别方法，其特征在于，包括以下具体步骤：
S1：建立纸币图片数据库；
S2：采集M张标准的纸币图片和有遮挡的纸币图片的正反面，建立图片数据集；
S3：将图片数据集内的图片进行数据增强处理；
S4：将增强后的数据集进行标注处理，一张纸币上标注N个不同的标注区域mask；
S5：将生成带标注的图片数据集按比例划分为训练集、验证集和测试集；
S6：将训练集输入到分割模型中，得到预测区域mask’，通过目标函数将得到的mask’与mask做约束，迭代更新参数，优化模型；
S7：将验证集集输入已经训练好的模型中，将预测区域mask’与标注区域mask做Dice指标计算，根据指标值挑选最优模型；
S8：将测试集纸币图像送入挑选好的最优模型中预测分割的mask’，将mask’与纸币图像按元素相乘去除掉其它信息并提取出纸币中N个不同的水印。
2.根据权利要求1所述的一种基于双注意力机制的纸币鉴别方法，其特征在于，所述步骤S3具体包括将M张纸币图像依次通过翻转、旋转、变形和加高斯噪声处理。
3.根据权利要求1所述的一种基于双注意力机制的纸币鉴别方法，其特征在于，所述步骤S5中比例为8:1:1。
4.根据权利要求1所述的一种基于双注意力机制的纸币鉴别方法，其特征在于，所述步骤S6中训练过程具体为：
S601：设置学习率ε和迭代次数epoch，初始化参数θ，将训练图片输入到模型中；
S602：将图片输入到卷积层和反卷积层中，其中卷积核大小为3*3，步长设置为1；
S603：将提取的特征输入到空间注意力网络中，经过上采样操作来提取高层特征，使特征映射出来的大小与原始输入的大小相同，然后与主干支输出的特征映射进行初步乘法，得到一个加权注意力图；
S604：将纸币特征输入到通道注意力网络中，通过通道注意力机制为每个通道自动加上权重，获得筛选之后的特征图；
S605：将空间注意力机制和通道注意力机制获得的特征图做拼接得到输出结果；
S606：将输出结果送入N个不同的分支网络同时训练，并和N个对应的mask按元素位乘；
S607：使用交叉熵作为分割的损失函数，调整参数，学习到最优的分割模型。
5.根据权利要求1所述的一种基于双注意力机制的纸币鉴别方法，其特征在于，所述步骤S7中Dice指标计算方法具体为：
其中，mask和mask’是标注区域和预测区域，∩表示mask与mask’取交集，Dice loss越小，mask与mask’的重叠区域越大，则网络分割定位越准确。
6.根据权利要求4所述的一种基于双注意力机制的纸币鉴别方法，其特征在于，所述步骤S607中交叉熵计算公式为：
H(y,y')＝-∑y*log(y')，
其中，H表示的是损失值，y’表示预测的概率，y表示真实的概率，n表示样本数量。
7.根据权利要求6所述的一种基于双注意力机制的纸币鉴别方法，其特征在于，所述概率y’为mask’中每一个位置的像素点属于水印的预测概率值，y’具体计算公式为：
其中，H为mask’的高度，W为mask’的宽度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111129307.8A CN113936374B (zh) | 2021-09-26 | 2021-09-26 | 一种基于双注意力机制的纸币鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111129307.8A CN113936374B (zh) | 2021-09-26 | 2021-09-26 | 一种基于双注意力机制的纸币鉴别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113936374A true CN113936374A (zh) | 2022-01-14 |
| CN113936374B CN113936374B (zh) | 2024-03-15 |
Family
ID=79277004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111129307.8A Active CN113936374B (zh) | 2021-09-26 | 2021-09-26 | 一种基于双注意力机制的纸币鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113936374B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07121719A (ja) * | 1993-10-21 | 1995-05-12 | Glory Ltd | パターン認識における遺伝アルゴリズムを用いたマスクの最適化方法 |
| JP2006309378A (ja) * | 2005-04-27 | 2006-11-09 | Toyo Network Systems Co Ltd | 紙幣真偽確認器 |
| JP2008122139A (ja) * | 2006-11-09 | 2008-05-29 | National Printing Bureau | 用紙品質検査装置 |
| CN101906739A (zh) * | 2009-06-04 | 2010-12-08 | 孙显林 | 一种钞票防伪纸 |
| CN102136166A (zh) * | 2011-01-14 | 2011-07-27 | 哈尔滨工业大学 | 多模态信息融合的纸币成像鉴伪方法及其装置 |
| CN104851183A (zh) * | 2015-05-15 | 2015-08-19 | 深圳怡化电脑股份有限公司 | 纸币面向识别方法及装置 |
| CN105046807A (zh) * | 2015-07-09 | 2015-11-11 | 中山大学 | 一种基于智能手机的伪钞识别方法及系统 |
| CN105209688A (zh) * | 2013-05-10 | 2015-12-30 | 德国捷德有限公司 | 具有水印和防伪线的有价和防伪元件 |
| CN107170109A (zh) * | 2017-05-25 | 2017-09-15 | 深圳怡化电脑股份有限公司 | 一种纸币水印鉴伪方法与装置 |
| CN111160311A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
| CN111445474A (zh) * | 2020-05-25 | 2020-07-24 | 南京信息工程大学 | 基于双向复注意力深度网络的肾脏ct图像分割方法 |
-
2021
- 2021-09-26 CN CN202111129307.8A patent/CN113936374B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07121719A (ja) * | 1993-10-21 | 1995-05-12 | Glory Ltd | パターン認識における遺伝アルゴリズムを用いたマスクの最適化方法 |
| JP2006309378A (ja) * | 2005-04-27 | 2006-11-09 | Toyo Network Systems Co Ltd | 紙幣真偽確認器 |
| JP2008122139A (ja) * | 2006-11-09 | 2008-05-29 | National Printing Bureau | 用紙品質検査装置 |
| CN101906739A (zh) * | 2009-06-04 | 2010-12-08 | 孙显林 | 一种钞票防伪纸 |
| CN102136166A (zh) * | 2011-01-14 | 2011-07-27 | 哈尔滨工业大学 | 多模态信息融合的纸币成像鉴伪方法及其装置 |
| CN105209688A (zh) * | 2013-05-10 | 2015-12-30 | 德国捷德有限公司 | 具有水印和防伪线的有价和防伪元件 |
| CN104851183A (zh) * | 2015-05-15 | 2015-08-19 | 深圳怡化电脑股份有限公司 | 纸币面向识别方法及装置 |
| CN105046807A (zh) * | 2015-07-09 | 2015-11-11 | 中山大学 | 一种基于智能手机的伪钞识别方法及系统 |
| CN107170109A (zh) * | 2017-05-25 | 2017-09-15 | 深圳怡化电脑股份有限公司 | 一种纸币水印鉴伪方法与装置 |
| CN111160311A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
| CN111445474A (zh) * | 2020-05-25 | 2020-07-24 | 南京信息工程大学 | 基于双向复注意力深度网络的肾脏ct图像分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113936374B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| García-Lamont et al. | Recognition of Mexican banknotes via their color and texture features | |
| JP5344668B2 (ja) | 証券媒体アイテムの自動確認方法及び証券媒体アイテムの自動確認のためのテンプレートの生成方法 | |
| CN111310628B (zh) | 一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法 | |
| US8611665B2 (en) | Method of recognizing a media item | |
| EP1964075A1 (en) | Detecting improved quality counterfeit media | |
| WO2012016484A1 (zh) | 有价文件识别方法及其识别系统、装置 | |
| CN106952393B (zh) | 纸币识别方法和装置、电子设备和存储介质 | |
| Zeggeye et al. | Automatic recognition and counterfeit detection of Ethiopian paper currency | |
| Pawade et al. | Comparative study of different paper currency and coin currency recognition method | |
| Dhar et al. | Paper currency detection system based on combined SURF and LBP features | |
| Alnowaini et al. | Yemeni paper currency detection system | |
| Rajan et al. | An extensive study on currency recognition system using image processing | |
| Ansari et al. | A robust method for identification of paper currency using otsu’s thresholding | |
| CN113936374B (zh) | 一种基于双注意力机制的纸币鉴别方法 | |
| Kumar et al. | Study of shadow and reflection based image forgery detection | |
| Gebremeskel et al. | Developing a Model for Detection of Ethiopian Fake Banknote Using Deep Learning | |
| Rashid et al. | On the design of embedded solutions to banknote recognition | |
| Zhong et al. | A novel steganalysis method with deep learning for different texture complexity images | |
| Sumalatha et al. | Identification of Fake Indian Currency using Convolutional Neural Network | |
| Sun et al. | The recognition of new and old banknotes based on SVM | |
| CN112308141A (zh) | 一种扫描票据分类方法、系统及可读存储介质 | |
| Jadhav et al. | GM,“Forged Multinational Currency Identification and Detection System using Deep Learning Algorithm,” | |
| KR20120084946A (ko) | 베이시안 접근법을 이용한 지폐 진위 감별 방법 | |
| Chandrappa et al. | Machine Learning Algorithms for Identifying Fake Currencies | |
| Vishnu et al. | Currency detection using similarity indices method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |