JP2001005968A

JP2001005968A - 紙葉類の真偽鑑別装置

Info

Publication number: JP2001005968A
Application number: JP11176634A
Authority: JP
Inventors: Katsuhiko Kawahito; 勝彦川人
Original assignee: Oki Electric Industry Co Ltd
Current assignee: Oki Electric Industry Co Ltd
Priority date: 1999-06-23
Filing date: 1999-06-23
Publication date: 2001-01-12
Anticipated expiration: 2019-06-23
Also published as: JP4306027B2

Abstract

(57)【要約】【課題】センサデータにばらつきが生じても鑑別の精度
を高くすることができるようにする。【解決手段】紙葉類のパターンを検出し、センサデータ
を発生させるパターン検出手段と、前記センサデータを
積分して積分値を算出する積分演算手段３２と、前記積
分値を２値データの組から成る特徴パターンに変換する
特徴パターン変換手段３４と、前記特徴パターンを入力
値とし、該入力値に従ってニューラルネット処理を行っ
て出力値を出力するニューラルネット処理手段３５ａと
を有する。この場合、積分値が２値データの組から成る
特徴パターンに変換され、該特徴パターンがニューラル
ネット処理手段３５ａの入力値となるので、紙葉類の特
徴が欠落することなくニューラルネット処理が行われ
る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、紙葉類の真偽鑑別
装置に関するものである。

【０００２】

【従来の技術】従来、紙幣を扱う自動販売機、両替機、
自動振込・預金・引出機等の自動機、又は有価証券、信
用証券、チケット、書類、印刷物等を扱う自動機におい
ては、紙幣、有価証券、信用証券、チケット、書類、印
刷物等の紙葉類の真偽を鑑別するために真偽鑑別装置が
提供されている。

【０００３】該真偽鑑別装置においては、統計的手法に
よる真偽鑑別方法が用いられ、紙葉類、例えば、紙幣に
印刷された模様、図形等の画像の特徴をパターン化し、
パターンを構成する各画素データとあらかじめ設定され
た基準値とを比較することによって、紙幣の真偽を鑑別
するようにしている。

【０００４】この場合、紙幣を所定の位置ｈ（ｈ＝１〜
ｎ）で走査したときの光学センサ、磁気センサ等のセン
サの出力信号、すなわち、センサデータをｄ（ｈ）と
し、あらかじめ設定された下限値をｄ_minとし、上限値
をｄ_maxとしたとき、以下の式（１）が満たされるかど
うかを判断することによって紙幣の真偽が鑑別される。

【０００５】ｄ_min≦ｄ（ｈ）≦ｄ_max ……（１）そして、各位置ｈにおいて式（１）が満たされる場合、
紙幣は真券であると鑑別され、一つ以上の位置ｈにおい
て式（１）が満たされない場合、紙幣は偽券（リジェク
ト券）であると鑑別される。

【０００６】

【発明が解決しようとする課題】しかしながら、前記従
来の真偽鑑別装置においては、紙幣とセンサとが離れす
ぎていたり、近付きすぎていたりする場合、紙幣の搬送
速度が一定でない場合、紙幣に折れ、汚れ、破れ、しわ
等がある場合等においては、センサデータｄ（ｈ）にば
らつきが生じてしまう。そこで、ばらつきを考慮して、
下限値ｄ_minを小さく、上限値ｄ_maxを大きく設定する
必要が生じるので、鑑別の精度がその分低くなってしま
う。

【０００７】また、センサデータｄ（ｈ）のばらつきを
少なくするために、真偽鑑別装置を厳密に調整する必要
があるので、調整時間が長くなるだけでなく、真偽鑑別
装置のコストが高くなってしまう。

【０００８】そこで、人間の脳を模倣したニューラルネ
ットを真偽鑑別方法に適用することが考えられる。

【０００９】次に、３層の階層型のニューラルネットに
ついて説明する。

【００１０】図２は従来のニューラルネットの概念図で
ある。

【００１１】図において、１１は積分演算手段、１２は
入力層、１３は中間層、１４は出力層、１８は最大値検
出手段である。前記積分演算手段１１は、センサデータ
ｄ（ｈ）を受けると、該センサデータｄ（ｈ）を積分し
てＭ×Ｎ個の積分値を算出し、算出された積分値を所定
の閾（しきい）値で２値化して、２値データを直接入力
層１２の各ユニット１５に対してそれぞれ出力する。

【００１２】そして、該各ユニット１５は、前記２値デ
ータをそのまま出力値Ｏ_iとして中間層１３の各ユニッ
ト１６に対して出力する。続いて、該各ユニット１６
は、以下の式（２）〜（４）に従って積和演算及びニュ
ーラルネット入出力関数の演算を行い、出力値Ｏ_jを出
力層１４の各ユニット１７に対して出力する。なお、ｉ
は前記ユニット１５の番号、ｊは前記ユニット１６の番
号である。

【００１３】そして、シグモイド関数をｆ（ｘ）で表し
たとき、

【００１４】

【数１】

【００１５】Ｏ_j＝ｆ（Ｉ_j） ……（３）ｆ（ｘ）＝１／（１＋ｅ^-x） ……（４）Ｉ_j：ユニット１６の入力値Ｗ_ij：ユニット１５とユニット１６間の荷重値Ｎ：ユニット１５の数 θ_j：ユニット１６の閾値同様に、前記各ユニット１７は、以下の式（５）〜
（７）に従って積和演算及びニューラルネット入出力関
数の演算を行い、出力値Ｏ２_jを最大値検出手段１８に
対して出力する。

【００１６】

【数２】

【００１７】Ｏ２_j＝ｆ（Ｉ２_j） ……（６）ｆ（ｘ）＝１／（１＋ｅ^-x） ……（７）Ｉ２_j：ユニット１７の入力値Ｗ２_ij：ユニット１６とユニット１７間の荷重値Ｎ２：ユニット１６の数Ｏ２_iユニット１６の出力値 θ２_j：ユニット１７の閾値そして、最大値検出手段１８によって出力値Ｏ２_jのう
ちの最大値が検出される。ここで、前記各ユニット１７
は判別カテゴリと１対１に対応していて、出力値Ｏ２_j
のうちの最大値を採るユニット１７が図示されない表示
部に表示される。

【００１８】したがって、各ユニット１７と真券、偽券
等の判別カテゴリとを対応させることによって、出力値
Ｏ２_jのうちの最大値を採るユニット１７の判別カテゴ
リを鑑別結果にすることができる。

【００１９】ところが、前記ニューラルネットにおいて
は、積分演算手段１１によって算出された積分値が２値
化されて入力層１２に送られ、前記積分値と各ユニット
１５とが１対１に対応していて、しかも、ニューラルネ
ットの入出力特性がステップ関数に近いので、前記積分
値は多値であっても、出力層１４の出力値Ｏ２_jはある
閾値を基準とした０又は１の２値になってしまう。した
がって、折れ、汚れ、破れ、しわ等の非線型なパターン
をノイズとして有する紙幣について真偽を鑑別しようと
すると、紙幣に印刷された画像の特徴を十分に捕捉する
ことができず、鑑別の精度がその分低くなってしまう。

【００２０】本発明は、前記従来の紙葉類の真偽鑑別装
置の問題点を解決して、センサデータにばらつきが生じ
ても鑑別の精度を高くすることができる紙葉類の真偽鑑
別装置を提供することを目的とする。

【００２１】

【課題を解決するための手段】そのために、本発明の紙
葉類の真偽鑑別装置においては、紙葉類のパターンを検
出し、センサデータを発生させるパターン検出手段と、
前記センサデータを積分して積分値を算出する積分演算
手段と、前記積分値を２値データの組から成る特徴パタ
ーンに変換する特徴パターン変換手段と、前記特徴パタ
ーンを入力値とし、該入力値に従ってニューラルネット
処理を行って出力値を出力するニューラルネット処理手
段とを有する。

【００２２】

【発明の実施の形態】以下、本発明の実施の形態につい
て図面を参照しながら詳細に説明する。

【００２３】図１は本発明の第１の実施の形態における
真偽鑑別装置のブロック図である。

【００２４】図に示されるように、真偽鑑別装置は、第
１のセンサ２１、タイミング・スキュー値検出手段２
２、第２のセンサ２３、横位置検出手段２４、トラック
値検出手段２５、フォト積分演算手段２６、カテゴリ値
検出手段２７、パターン検出手段としての第３のセンサ
２８、アンプ２９、Ａ／Ｄ変換手段３０、取込位置検出
手段３１、積分演算手段３２、圧縮変換手段３３、特徴
パターン変換手段３４、真偽鑑別手段３５及び表示手段
３６を備える。そして、前記真偽鑑別手段３５は、ニュ
ーラルネット処理手段３５ａ、荷重リファレンス記憶手
段３５ｂ、入出力関数テーブル３５ｃ及び判定手段３５
ｄを備える。なお、スキュー値及びトラック値は紙葉
類、例えば、紙幣の搬送条件であり、スキュー値は図示
されない搬送路に対する紙幣の傾きを示し、トラック値
は搬送路上の紙幣の搬送位置を示す。また、タイミング
・スキュー値検出手段２２及びトラック値検出手段２５
によって搬送条件検出手段が構成される。

【００２５】前記第１のセンサ２１は、例えば、フォト
ダイオード等のトリガセンサであり、紙幣が真偽鑑別装
置に到達するとセンサデータを発生させ、該センサデー
タをタイミング・スキュー値検出手段２２に送る。前記
第１のセンサ２１は、紙幣の搬送路又は図示されない認
識装置内に左右１対配設される。そして、タイミング・
スキュー値検出手段２２は、左右１対の第１のセンサ２
１のセンサデータに基づいて、紙幣が到達したことを検
出するとともに、各センサデータのタイミングの差に基
づいてスキュー値を検出する。

【００２６】また、第２のセンサ２３は、例えば、フォ
トセンサであり、紙幣を透過した光及び紙幣によって反
射された光に基づいて、紙幣に印刷された画像を検出す
るとセンサデータを発生させ、該センサデータを、横位
置検出手段２４を介してトラック値検出手段２５に送る
とともに、フォト積分演算手段２６を介してカテゴリ値
検出手段２７に送る。そして、前記トラック値検出手段
２５は前記第２のセンサ２３のセンサデータに基づいて
トラック値を検出する。また、前記カテゴリ値検出手段
２７は、前記第２のセンサ２３のセンサデータに基づい
て紙幣のカテゴリ値を検出する。

【００２７】前記タイミング・スキュー値検出手段２
２、トラック値検出手段２５及びカテゴリ値検出手段２
７の各センサデータは、真偽鑑別手段３５内の荷重リフ
ァレンス記憶手段３５ｂに送られ、該荷重リファレンス
記憶手段３５ｂ内にあらかじめ格納された、スキュー
値、トラック値及びカテゴリ値のうちの少なくとも一つ
に対応する荷重情報としての荷重データがニューラルネ
ット処理手段３５ａによって参照される。

【００２８】また、前記第３のセンサ２８は、磁電変換
素子（磁気ヘッド等）から成り、紙幣に印刷された画像
のパターン、例えば、磁気パターンを検出し、該磁気パ
ターンを電気に変換する。なお、本実施の形態において
は、第３のセンサ２８として磁気センサが使用される
が、磁気センサに代えて反射センサ、透過センサ等のフ
ォトセンサを使用することもできる。そして、前記第３
のセンサ２８は、磁気パターンを検出するとセンサデー
タを発生させ、該センサデータをアンプ２９に送る。そ
して、該アンプ２９は、第３のセンサ２８のセンサデー
タを増幅する。

【００２９】次に、前記構成の真偽鑑別装置の動作につ
いて説明する。

【００３０】図３は本発明の第１の実施の形態における
トラック値の第１の説明図、図４は本発明の第１の実施
の形態におけるトラック値の第２の説明図、図５は本発
明の第１の実施の形態におけるトラック値の第３の説明
図、図６は本発明の第１の実施の形態における荷重テー
ブルの説明図、図７は本発明の第１の実施の形態におけ
るセンサデータのブロック化の説明図である。

【００３１】まず、タイミング・スキュー値検出手段２
２（図１）は、第１のセンサ２１のセンサデータに基づ
いてスキュー値を検出し、トラック値検出手段２５は、
第２のセンサ２３のセンサデータに基づいてトラック値
を検出する。該トラック値は紙幣の搬送位置によって異
なる。すなわち、図３に示されるように、紙幣が搬送路
Ｔの左端を矢印方向に搬送される場合、トラック値は１
０になり、図４に示されるように、紙幣が搬送路Ｔの中
央を矢印方向に搬送される場合、トラック値は４０にな
り、図５に示されるように、紙幣が搬送路Ｔの右端を矢
印方向に搬送される場合、トラック値は７０になる。

【００３２】そして、カテゴリ値検出手段２７は、第２
のセンサ２３のセンサデータに基づいてカテゴリ値を検
出する。なお、カテゴリ値を検出するために、例えば、
印刷パターンと基準パターンとの類似度を算出する方
法、個々の画素と基準値とを比較するエンベロープ法等
が用いられる。

【００３３】続いて、ニューラルネット処理手段３５ａ
内の図示されない荷重情報設定手段は、荷重リファレン
ス記憶手段３５ｂ内の図６に示されるような荷重テーブ
ルを参照して、スキュー値、トラック値及びカテゴリ値
の各条件に対応するアドレスをアクセスし、各条件に合
った荷重データを読み込む。

【００３４】例えば、スキュー値が２度であり、トラッ
ク値が３０であり、カテゴリ値が「千券、表、正立」で
あるとすると、荷重テーブルのアドレス０００００１ｂ
０がアクセスされ、該アドレス０００００１ｂ０に格納
された荷重データが読み込まれることになる。

【００３５】次に、前記第３のセンサ２８の動作につい
て説明する。

【００３６】まず、第１のセンサ２１によって紙幣が所
定の位置に到達したことが検出されると、第３のセンサ
２８は、作動状態に入る。そして、図示されないタイミ
ング検出回路によってタイミング信号が発生させられ、
紙幣が一定の距離を搬送されるごとに、又は一定の時間
が経過するごとに前記タイミング信号にパルスが出力さ
れ、前記第３のセンサ２８は、前記タイミング信号に同
期させて磁気パターンを検出する。前記第３のセンサ２
８は、図示されない認識装置内に複数個配設され、磁気
パターンを所定の領域のポイントパターンとして検出す
る。例えば、搬送路Ｔにおいて、第３のセンサ２８がセ
ンタ基準で左右に二つ配設されている場合、図７に示さ
れるように、磁気パターンが領域ＡＲ１、ＡＲ２に分割
されてポイントパターンとして検出され、第３のセンサ
２８のセンサデータとして二つの磁気信号ＣＨ１、ＣＨ
２が発生させられる。そして、紙幣が搬送路Ｔを搬送さ
れると、搬送方向のライン状パターンが検出される。

【００３７】続いて、各磁気信号ＣＨ１、ＣＨ２はアン
プ２９に送られて増幅され、増幅された磁気信号ＣＨ
１、ＣＨ２は、Ａ／Ｄ変換手段３０に送られてディジタ
ル値に変換され、該ディジタル値に変換された後の磁気
信号ＣＨ１、ＣＨ２はサンプルデータとして前記タイミ
ング信号に同期させて取込位置検出手段３１に送られ
る。該取込位置検出手段３１は、前記磁気信号ＣＨ１、
ＣＨ２ごとにサンプルデータを取り込み、積分演算手段
３２に送る。該積分演算手段３２は、スキュー値、トラ
ック値、印刷ずれ等の要因による磁気信号ＣＨ１、ＣＨ
２の変動を吸収するために、磁気信号ＣＨ１、ＣＨ２ご
と、及び適当な大きさのブロックごとに前記サンプルデ
ータを積分し、積分値（ブロックデータ）を算出する。
なお、図７においては、積分演算手段３２によって各領
域ＡＲ１、ＡＲ２のサンプルデータが５個のブロックに
分けられて積分される。

【００３８】そして、積分演算手段３２において得られ
た積分値は、圧縮変換手段３３に送られ、該圧縮変換手
段３３によって圧縮され、有効桁（けた）数が小さくさ
れて圧縮値になり、該圧縮値は、特徴パターン変換手段
３４に送られ、所定の変換閾値に基づいて変換されて２
進数にされる。該２進数は、２値データの組から成り、
紙幣の画像の特徴を表す特徴パターンを構成する。な
お、圧縮変換手段３３において、積分値は、紙幣の画像
の特徴を表すのに十分な圧縮値に圧縮される。したがっ
て、ニューラルネット処理手段３５ａに加わる負荷を小
さくすることができる。

【００３９】図８は本発明の第１の実施の形態における
積分演算手段及び圧縮変換手段の機能を説明する図であ
る。

【００４０】例えば、積分演算手段３２によって算出さ
れた、図７におけるブロック１の積分値が１２８である
とすると、該積分値は圧縮変換手段３３によって圧縮さ
れて有効桁数が小さくされる。なお、本実施の形態にお
いては、１／３２倍されて圧縮値は４になる。そして、
特徴パターン変換手段３４によって、前記圧縮値４が２
進数に変換され、２値データの組（１、０、０）が形成
される。

【００４１】本実施の形態において、特徴パターン変換
手段３４は、圧縮値４を変換することによって２値デー
タの組（１、０、０）を得るようになっているが、圧縮
値と２値データの組とを対応させたテーブルをあらかじ
め作成しておき、該テーブルを参照することによって２
値データの組を得るようにすることもできる。

【００４２】また、本実施の形態においては、積分値を
圧縮変換手段３３によって圧縮して圧縮値にした後、該
圧縮値を特徴パターン変換手段３４に送るようにしてい
るが、積分値を特徴パターン変換手段３４に直接送るこ
ともできる。

【００４３】このようにして、特徴パターン変換手段３
４によって得られた２値データの組（１、０、０）は、
真偽鑑別手段３５（図１）内のニューラルネット処理手
段３５ａに送られる。

【００４４】次に、該ニューラルネット処理手段３５ａ
によって行われるニューラルネット処理について説明す
る。

【００４５】図９は本発明の第１の実施の形態における
ニューラルネットの概念図、図１０は本発明の第１の実
施の形態におけるニューラルネットの入出力特性を示す
図である。なお、図１０において、横軸に入力値を、縦
軸に出力値を採ってある。

【００４６】図１０において、シグモイド関数ｆ（ｘ）
が１／（１＋ｅ^-x )であるときの入力値と出力値との関
係が示される。

【００４７】この場合、本実施の形態においては、ニュ
ーラルネット処理手段３５ａとして３層の階層型のニュ
ーラルネットが利用される。そして、特徴パターン変換
手段３４において得られた２値データの組（１、０、
０）は、入力層３５ａ₁に送られ、前記入力層３５ａ₁
の各ユニット１５に対してそれぞれ出力される。

【００４８】そして、該各ユニット１５は、前記２値デ
ータの組（１、０、０）をそのまま中間層３５ａ₂の各
ユニット１６に対して出力する。続いて、該各ユニット
１６は、以下の式（８）〜（１０）に従って積和演算及
びニューラルネット入出力関数の演算を行い、出力値Ｏ
_jを出力層３５ａ₃の各ユニット１７に対して出力す
る。なお、ｉは前記各ユニット１５の番号、ｊは前記各
ユニット１６の番号であり、前記ニューラルネット入出
力関数において、図１０に示されるようなシグモイド関
数ｆ（ｘ）が使用される。該シグモイド関数ｆ（ｘ）の
値は、入出力関数テーブル３５ｃ（図１）に格納されて
いて、ニューラルネット処理手段３５ａによる処理が行
われるときに必要に応じて参照される。

【００４９】

【数３】

【００５０】Ｏ_j＝ｆ（Ｉ_j） ……（９）ｆ（ｘ）＝１／（１＋ｅ^-x） ……（１０）Ｉ_j：ユニット１６の入力値Ｗ_ij：ユニット１５とユニット１６間の荷重値Ｎ：ユニット１５の数Ｏ_i：ユニット１５の出力値 θ_j：ユニット１６の閾値同様に、前記各ユニット１７は、以下の式（１１）〜
（１３）に従って積和演算及びニューラルネット入出力
関数の演算を行い、出力値Ｏ２_jを判定手段３５ｄに対
して出力する。

【００５１】

【数４】

【００５２】Ｏ２_j＝ｆ（Ｉ２_j） ……（１２）ｆ（ｘ）＝１／（１＋ｅ^-x） ……（１３）Ｉ２_j：ユニット１７の入力値Ｗ２_ij：ユニット１６とユニット１７間の荷重値Ｎ２：ユニット１６の数Ｏ２_i：ユニット１６の出力値 θ２_j：ユニット１７の閾値そして、前記判定手段３５ｄにおいて出力値Ｏ２_jと、
あらかじめ設定され判定手段３５ｄ内に格納されていた
スライス値とが比較される。そして、例えば、該スライ
ス値を０．７とし、真券の教師データを１とし、偽券の
教師データを０としてニューラルネットの学習を行った
とき、前記出力値Ｏ２_jが０．７以上である場合、紙幣
は真券であり、前記出力値Ｏ２_jが０．７より小さい場
合は偽券であると鑑別する。そして、鑑別結果は表示手
段３６に表示される。

【００５３】ところで、前記ニューラルネットの学習に
おいては、誤差逆伝播アルゴリズム（ＢＰ）法が使用さ
れ、出力値Ｏ２_jが正しくなるまで、すなわち、出力値
Ｏ２ _jとあらかじめ設定された教師データとの累積二乗
誤差がほぼ０になるまで繰り返し学習が実行される。

【００５４】ここで、誤差逆伝播アルゴリズム法につい
て説明する。

【００５５】前記学習において、入力パターンｐを入力
したときのｋ−１層（ｋ＝２、３、…、ｎ−１）のユニ
ット（番号ｉ＝１、２、…）とｋ層のユニット（番号ｊ
＝１、２、…）との間の荷重修正量ΔｐＷ_ij ^k-1（ｍ）
は次の式（１４）によって算出される。なお、この場
合、図１０に示されるシグモイド関数ｆ（ｘ）として、
ｆ（ｘ）＝１／（１＋ｅ^-x）が使用される。また、ｍは
学習回数を示す自定数である。

【００５６】前記荷重修正量ΔｐＷ_ij ^k-1（ｍ）は、 ΔｐＷ_ij ^k-1（ｍ）＝ηδ_pj ^kＯ_i ^k-1＋αΔｐＷ_ij ^k-1（ｍ−１） ……（１４） η：学習効率 α：荷重定数 δ_pj ^k：入力パターンｐを入力したときのｋ層における
ユニットｊの誤差Ｏ_i ^k-1：ｋ−１層におけるユニットｉの出力値になる。なお、式（１４）におけるηδ_pj ^kＯ_i ^k-1は
誤差項、αΔＷ_ij ^k-1（ｍ−１）は慣性項であり、該慣
性項αΔＷ_ij ^k-1（ｍ−１）は、前回の荷重修正量Δｐ
Ｗ_ij ^k-1（ｍ）に荷重定数αを乗算することによって算
出することができる。前記慣性項αΔＷ_ij ^k-1（ｍ−
１）が加算される分だけ、学習速度を高くすることがで
きる。

【００５７】そして、出力層（ｎ層）における誤差δ_pj
ⁿは、 δ_pj ⁿ＝（ｔ_pj ⁿ−Ｏ_pj ⁿ）・Ｏ_pj ⁿ・（１−Ｏ_pj ⁿ） ……（１５）ｔ_pj ⁿ：入力パターンｐを入力したときの出力層におけ
るユニットｊの教師データＯ_pj ⁿ・（１−Ｏ_pj ⁿ）：入力パターンｐを入力したと
きの出力層におけるシグモイド関数ｆ（ｘ）の出力値の
微分値になる。

【００５８】また、中間層の誤差δ_pj ^kは次の式（１
６）によって算出される。

【００５９】

【数５】

【００６０】Ｗ_js ^k.k+1：ｋ層のユニットｊとｋ＋１層
のユニットｓとの間の荷重値Ｏ_pj ^k・（１−Ｏ_pj ^k）：入力パターンｐを入力したと
きの中間層におけるシグモイド関数ｆ（ｘ）の出力値の
微分値このように、誤差逆伝播アルゴリズム法を使用す
ることによって、出力層の各ユニットの誤差δ_pj ⁿを入
力層に向けて順番にフィードバックすることができ、こ
れらの操作を繰り返し実行することによって、最終的に
はすべての入力パターンｐについて誤差δ_pj ⁿを限りな
く０に近づけることができる。

【００６１】そして、積分演算手段３２によってサンプ
ルデータが積分され、積分値、又は圧縮変換手段３３に
よって前記積分値の有効桁数が小さくされた後の圧縮値
が、所定の変換閾値に基づいて２進数に変換されるの
で、紙幣の画像の特徴が欠落することなくニューラルネ
ット処理手段３５ａに入力される。

【００６２】したがって、紙幣と第３のセンサ２８とが
離れすぎていたり、近付きすぎていたりする場合、紙幣
の搬送速度が一定でない場合、紙幣に折れ、汚れ、破
れ、しわ等がある場合等にセンサデータにばらつきが生
じても、鑑別の精度を高くすることができる。

【００６３】次に、本発明の第２の実施の形態について
説明する。なお、第１の実施の形態と同じ構造を有する
ものについては、同じ符号を付与することによってその
説明を省略する。

【００６４】図１１は本発明の第２の実施の形態におけ
る真偽鑑別装置のブロック図、図１２は本発明の第２の
実施の形態におけるニューラルネットの概念図、図１３
は本発明の第２の実施の形態における荷重テーブルの説
明図である。

【００６５】この場合、４５は真偽鑑別手段であり、該
真偽鑑別手段４５は、ニューラルネット処理手段４５
ａ、荷重リファレンス記憶手段４５ｂ、入出力関数テー
ブル４５ｃ及び判定手段４５ｄを備え、前記ニューラル
ネット処理手段４５ａは入力層４５ａ₁、中間層４５ａ
₂及び出力層４５ａ₃を備える。

【００６６】前記タイミング・スキュー値検出手段２２
によって検出されたスキュー値、トラック値検出手段２
５によって検出されたトラック値及びカテゴリ値検出手
段２７によって検出されたカテゴリ値は、第１の実施の
形態のように荷重リファレンス記憶手段３５ｂに送られ
ることはない。

【００６７】スキュー値は圧縮変換手段６１によって圧
縮されて圧縮値になり、該圧縮値は、特徴パターン変換
手段６４によって変換されて２値データの組になってニ
ューラルネット処理手段４５ａに送られる。また、トラ
ック値は圧縮変換手段６２によって圧縮されて圧縮値に
なり、該圧縮値は、特徴パターン変換手段６５によって
変換されて２値データの組になって前記ニューラルネッ
ト処理手段４５ａに送られる。そして、カテゴリ値は圧
縮変換手段６３によって圧縮されて圧縮値になり、該圧
縮値は、特徴パターン変換手段６６によって変換されて
２値データの組になって前記ニューラルネット処理手段
４５ａに送られる。

【００６８】したがって、図１３に示されるように、荷
重テーブルにおいては、すべてのスキュー値、トラック
値及びカテゴリ値に対して不変な一つだけの荷重データ
が一つのアドレス００００００００に格納されるので、
テーブル容量を小さくすることができる。例えば、前記
第１の実施の形態における図６に示される荷重テーブル
と比較すると、テーブル容量を１／１９２にすることが
できる。したがって、テーブル容量を小さくすることが
できる分だけメモリ容量を小さくすることができる。

【００６９】また、第１の実施の形態においては、スキ
ュー値、トラック値及びカテゴリ値に対応させて複数の
荷重データが設定されるので、各荷重データごとに誤差
逆伝播アルゴリズム法の学習を行う必要があるが、本実
施の形態においては、一回のニューラルネット処理です
べてのスキュー値、トラック値及びカテゴリ値について
の学習を行うことができる。したがって、学習時間を短
くすることができる。

【００７０】なお、本実施の形態においては、スキュー
値、トラック値及びカテゴリ値のすベてがニューラルネ
ット処理手段４５ａに送られるようになっているが、ス
キュー値、トラック値及びカテゴリ値のうちの一つまた
は二つをニューラルネット処理手段４５ａに送るだけで
もよい。

【００７１】ところで、前記第１、第２の実施の形態に
おいては、紙幣が偽券であると鑑別された場合、紙幣の
どの部分が原因で偽券であると鑑別されたかを知ること
ができない。

【００７２】そこで、紙幣のどの部分が原因で偽券であ
ると鑑別されたかを知ることができるようにした第３の
実施の形態について説明する。なお、第１の実施の形態
と同じ構造を有するものについては、同じ符号を付与す
ることによってその説明を省略する。

【００７３】図１４は本発明の第３の実施の形態におけ
るニューラルネットの概念図、図１５は本発明の第３の
実施の形態における特徴パターンと教師データとの関係
を示す図、図１６は本発明の第３の実施の形態における
出力値と鑑別結果との関係図である。

【００７４】この場合、パターン検出手段としての第３
のセンサ２８（図１１）は紙幣の搬送路又は図示されな
い認識装置内に左右１対配設される。そして、磁気信号
ＣＨ１側（図１４では、単に「ＣＨ１側」と表す。）の
サンプルデータは、積分演算手段３２ａによって積分さ
れて積分値になり、該積分値は圧縮変換手段３３ａによ
って圧縮されて圧縮値になり、該圧縮値は、特徴パター
ン変換手段３４ａによって所定の変換閾値に基づいて変
換され、２値データの組になってニューラルネット処理
手段３５ａに送られる。また、磁気信号ＣＨ２側（図１
４では、単に「ＣＨ２側」と表す。）のサンプルデータ
は、積分演算手段３２ｂによって積分されて積分値にな
り、該積分値は圧縮変換手段３３ｂによって圧縮されて
圧縮値になり、該圧縮値は、特徴パターン変換手段３４
ｂによって所定の変換閾値に基づいて変換され、２値デ
ータの組になってニューラルネット処理手段３５ａに送
られる。

【００７５】該ニューラルネット処理手段３５ａにおい
ては、ケース１〜４について、図１５に示されるような
学習パターンに従って学習が行われ、図１６に示される
ような鑑別結果が得られるように荷重データが設定され
る。

【００７６】例えば、入力層３５ａ₁の磁気信号ＣＨ１
側の特徴パターンが正常であるとき、出力層３５ａ₃の
磁気信号ＣＨ１側のユニット１７の教師データは１（又
は１に相当する値）であり、入力層３５ａ₁の磁気信号
ＣＨ１側の特徴パターンが異常であるとき、出力層３５
ａ₃の磁気信号ＣＨ１側のユニット１７の教師データは
０（又は０に相当する値）である。また、入力層３５ａ
₁の磁気信号ＣＨ２側の特徴パターンが正常であると
き、出力層３５ａ₃の磁気信号ＣＨ２側のユニット１７
の教師データは１（又は１に相当する値）であり、入力
層３５ａ₁の磁気信号ＣＨ２側の特徴パターンが異常で
あるとき、出力層３５ａ₃の磁気信号ＣＨ２側のユニッ
ト１７の教師データは０（又は０に相当する値）であ
る。

【００７７】そして、前記各ユニット１７の出力値によ
って、紙幣の真偽を鑑別することができる。例えば、図
１６に示されるような出力値が得られると、ケース１に
ついては真券であると鑑別され、ケース２については偽
券であり、かつ、領域ＡＲ１（図７）の特徴パターンに
異常があると判断される。また、ケース３については偽
券であり、かつ、領域ＡＲ２の特徴パターンに異常があ
ると判断される。そして、ケース４については偽券であ
り、かつ、領域ＡＲ１、ＡＲ２の特徴パターンに異常が
あると判断される。なお、本実施の形態においては、鑑
別のスライス値は０．７に設定される。

【００７８】このように、前記ユニット１７が２個以上
配設され、各ユニット１７と各第３のセンサ２８とが対
応させられるので、各ユニット１７が興奮状態（１）に
あるか抑制状態（０）にあるかを判断することによっ
て、各第３のセンサ２８ごとに特徴パターンが正常であ
るか異常であるかを鑑別することができる。したがっ
て、紙幣が偽券であると鑑別された場合、紙幣のどの部
分が原因で偽券であると鑑別されたかを知ることができ
る。

【００７９】なお、本実施の形態においては、各第３の
センサ２８ごとに特徴パターンが正常であるか異常であ
るかを鑑別するようになっているが、磁気信号ＣＨ１、
ＣＨ２を更に細かく分割し、分割された磁気信号ごとに
特徴パターンが正常であるか異常であるかを鑑別するこ
とができる。

【００８０】ところで、前記各実施の形態において、特
徴パターン変換手段３４、３４ａ、３４ｂは、積分演算
手段３２、３２ａ、３２ｂにおいて演算された積分値、
又は該積分値を圧縮することによって得られた圧縮値
を、所定の変換閾値に基づいて変換して２値データの組
から成る２進数にするが、前記積分値は、スキュー値、
トラック値、カテゴリ値等の鑑別条件が変動するのに伴
って変動するので、前記積分値又は圧縮値を前記変換閾
値に基づいて一律に変換すると、鑑別条件によっては出
力値が飽和して、鑑別の精度が低くなることがある。

【００８１】そこで、出力値が飽和することがなく、鑑
別の精度を高くすることができるようにした本発明の第
４の実施の形態について説明する。なお、第２の実施の
形態と同じ構造を有するものについては、同じ符号を付
与することによってその説明を省略する。

【００８２】図１７は本発明の第４の実施の形態におけ
る真偽鑑別装置のブロック図、図１８は本発明の第４の
実施の形態における積分値の変動を示す図である。な
お、図１８において、横軸にブロック番号を、縦軸に各
ブロックの最大の積分値を採ってある。

【００８３】図１８において、実線は、スキュー値が−
４度であり、トラック値が２０であり、カテゴリ値が
「万券、表、正立」である第１の鑑別条件における各ブ
ロックの最大の積分値を、破線は、スキュー値が４度で
あり、トラック値が４０であり、カテゴリ値が「千券、
裏、倒立」である第２の鑑別条件における各ブロックの
最大の積分値を示す。

【００８４】図１７に示されるように、積分演算手段３
２において演算された積分値は、スキュー値、トラック
値、カテゴリ値等の鑑別条件が変動するのに伴って変動
する。

【００８５】そこで、変換閾値設定手段４１は、スキュ
ー値、トラック値及びカテゴリ値を読み込み、図示され
ない変換閾値テーブルを参照して、前記スキュー値、ト
ラック値及びカテゴリ値に対応する変換閾値を算出して
設定し、特徴パターン変換手段３４に送る。

【００８６】そして、各鑑別条件ごとの最大の積分値を
算出し、該最大の積分値を前記特徴パターン変換手段３
４における特徴パターンのレンジ幅の最大値にする。例
えば、前記レンジ幅を０〜７としたとき、第１の鑑別条
件における最大の積分値２０００が特徴パターンのレン
ジ７に、第２の鑑別条件における最大の積分値５００が
特徴パターンのレンジ７になるように変換閾値が設定さ
れる。

【００８７】このように、鑑別条件に対応させて変換閾
値が設定されるので、出力値が飽和することがなく、鑑
別の精度を高くすることができる。

【００８８】なお、本実施の形態において、変換閾値
は、スキュー値、トラック値及びカテゴリ値のすべてに
対応させて設定されるが、スキュー値、トラック値及び
カテゴリ値のうちの一つ又は二つに対応させて設定する
だけでもよい。

【００８９】次に、本発明の第５の実施の形態について
説明する。なお、第１の実施の形態と同じ構造を有する
ものについては、同じ符号を付与することによってその
説明を省略する。

【００９０】図１９は本発明の第５の実施の形態におけ
る積分値の分布を示す図、図２０は本発明の第５の実施
の形態における学習パターンと教師データとの関係を示
す図である。なお、図１９において、横軸に積分値を、
縦軸に度数を採ってある。

【００９１】図１９において、紙幣が真券であるときの
所定のブロックにおける積分値の分布が示される。そし
て、真偽鑑別手段３５（図１）内の図示されない学習手
段は、積分値の平均値Ｍを中心にして、左右に所定距離
離れた点の積分値を上限境界値＋２σ及び下限境界値−
２σとして設定し、上限境界値＋２σ及び下限境界値−
２σを偽券の教師データとして学習させる。なお、σは
標準偏差である。そして、前記学習手段は、図２０に示
されるような関係を各鑑別条件ごとに設定し、必要な学
習パターンの数を決定して、各学習パターンを学習す
る。

【００９２】このように、真券の積分値の分布を利用し
て偽券の学習が行われるので、荷重データは統計的な確
率に基づいたものになる。したがって、必要最小限の学
習パターンで精度が高く、効率の良い学習を行うことが
できる。

【００９３】また、磁気信号ＣＨ１、ＣＨ２ごとに学習
を行うことができるので、例えば、定数ｎを変化させる
ことによって、鑑別精度の評価基準を明確に設定するこ
とができる。

【００９４】そして、真券の学習においては、データ収
集等によって多くのサンプルデータを収集し、該サンプ
ルデータを学習パターンにする。この場合の出力層３５
ａ₃（図９）の出力値の教師データは、磁気信号ＣＨ１
側及び磁気信号ＣＨ２側のいずれも１にされる。

【００９５】なお、本発明は前記実施の形態に限定され
るものではなく、本発明の趣旨に基づいて種々変形させ
ることが可能であり、それらを本発明の範囲から排除す
るものではない。

【００９６】

【発明の効果】以上詳細に説明したように、本発明によ
れば、紙葉類の真偽鑑別装置においては、紙葉類のパタ
ーンを検出し、センサデータを発生させるパターン検出
手段と、前記センサデータを積分して積分値を算出する
積分演算手段と、前記積分値を２値データの組から成る
特徴パターンに変換する特徴パターン変換手段と、前記
特徴パターンを入力値とし、該入力値に従ってニューラ
ルネット処理を行って出力値を出力するニューラルネッ
ト処理手段とを有する。

【００９７】この場合、積分値が２値データの組から成
る特徴パターンに変換され、該特徴パターンがニューラ
ルネット処理手段の入力値となるので、紙葉類の特徴が
欠落することなくニューラルネット処理が行われる。

【００９８】したがって、紙葉類とパターン検出手段と
が離れすぎていたり、近付きすぎていたりする場合、紙
葉類の搬送速度が一定でない場合、紙葉類に折れ、汚
れ、破れ、しわ等がある場合等にセンサデータにばらつ
きが生じても、鑑別の精度を高くすることができる。

【図面の簡単な説明】

【図１】本発明の第１の実施の形態における真偽鑑別装
置のブロック図である。

【図２】従来のニューラルネットの概念図である。

【図３】本発明の第１の実施の形態におけるトラック値
の第１の説明図である。

【図４】本発明の第１の実施の形態におけるトラック値
の第２の説明図である。

【図５】本発明の第１の実施の形態におけるトラック値
の第３の説明図である。

【図６】本発明の第１の実施の形態における荷重テーブ
ルの説明図である。

【図７】本発明の第１の実施の形態におけるセンサデー
タのブロック化の説明図である。

【図８】本発明の第１の実施の形態における積分演算手
段及び圧縮変換手段の機能を説明する図である。

【図９】本発明の第１の実施の形態におけるニューラル
ネットの概念図である。

【図１０】本発明の第１の実施の形態におけるニューラ
ルネットの入出力特性を示す図である。

【図１１】本発明の第２の実施の形態における真偽鑑別
装置のブロック図である。

【図１２】本発明の第２の実施の形態におけるニューラ
ルネットの概念図である。

【図１３】本発明の第２の実施の形態における荷重テー
ブルの説明図である。

【図１４】本発明の第３の実施の形態におけるニューラ
ルネットの概念図である。

【図１５】本発明の第３の実施の形態における特徴パタ
ーンと教師データとの関係を示す図である。

【図１６】本発明の第３の実施の形態における出力値と
鑑別結果との関係図である。

【図１７】本発明の第４の実施の形態における真偽鑑別
装置のブロック図である。

【図１８】本発明の第４の実施の形態における積分値の
変動を示す図である。

【図１９】本発明の第５の実施の形態における積分値の
分布を示す図である。

【図２０】本発明の第５の実施の形態における学習パタ
ーンと教師データとの関係を示す図である。

【符号の説明】

２１第１のセンサ２２タイミング・スキュー値検出手段２３第２のセンサ２４横位置検出手段２５トラック値検出手段２６フォト積分演算手段２７カテゴリ値検出手段２８第３のセンサ２９アンプ３０Ａ／Ｄ変換手段３１取込位置検出手段３２、３２ａ、３２ｂ積分演算手段３３圧縮変換手段３４、３４ａ、３４ｂ、６４〜６６特徴パターン変
換手段３５真偽鑑別手段３５ａ、４５ａニューラルネット処理手段３５ａ₁、４５ａ₁ 入力層３５ａ₃、４５ａ₃ 出力層３６表示手段ＡＲ１、ＡＲ２領域ＣＨ１、ＣＨ２磁気信号Ｍ平均値＋２σ 上限境界値 −２σ 下限境界値

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号ＦＩテーマコート゛(参考）Ｇ０７Ｄ 7/20 Ｇ０７Ｄ 7/20 Ｇ０６Ｆ 15/62 ４１０ＺＦターム(参考） 3E041 AA01 AA02 AA03 BA11 BB01 BB07 CA01 CA04 CB02 CB03 CB06 5B057 AA11 BA02 BA06 CH08 CH09 DA12 DB02 DB09 DC05 DC36 DC40 5L096 BA20 EA43 FA09 FA32 GA09 GA17 HA09 HA11 KA04

Claims

【特許請求の範囲】

【請求項１】（ａ）紙葉類のパターンを検出し、セン
サデータを発生させるパターン検出手段と、（ｂ）前記
センサデータを積分して積分値を算出する積分演算手段
と、（ｃ）前記積分値を２値データの組から成る特徴パ
ターンに変換する特徴パターン変換手段と、（ｄ）前記
特徴パターンを入力値とし、該入力値に従ってニューラ
ルネット処理を行って出力値を出力するニューラルネッ
ト処理手段とを有することを特徴とする紙葉類の真偽鑑
別装置。
【請求項２】（ａ）前記紙葉類のカテゴリ値を検出す
るカテゴリ値検出手段と、（ｂ）前記紙葉類の搬送条件
を検出する搬送条件検出手段と、（ｃ）前記カテゴリ値
及び搬送条件のうちの少なくとも一方によって荷重情報
を設定する荷重情報設定手段とを有する請求項１に記載
の紙葉類の真偽鑑別装置。
【請求項３】前記ニューラルネット処理手段の入力層
には、特徴パターンのほかに、カテゴリ値及び搬送条件
のうちの少なくとも一方が入力される請求項１に記載の
紙葉類の真偽鑑別装置。
【請求項４】（ａ）前記紙葉類のパターンは複数の領
域に分割され、（ｂ）前記ニューラルネット処理手段の
出力層から、領域ごとの出力値が出力される請求項１に
記載の紙葉類の真偽鑑別装置。
【請求項５】（ａ）前記特徴パターン変換手段は、変
換閾値に基づいて積分値を特徴パターンに変換し、
（ｂ）前記変換閾値は、前記カテゴリ値及び搬送条件の
うちの少なくとも一方に対応させて設定される請求項１
に記載の紙葉類の真偽鑑別装置。
【請求項６】前記積分値の分布の平均値を中心として
所定距離離れた点の積分値を上限境界値及び下限境界値
として設定し、前記上限境界値及び下限境界値を偽券の
教師データとして学習させる学習手段を有する請求項１
に記載の紙葉類の真偽鑑別装置。