JP2020106891A - 紙片取扱装置 - Google Patents

Abstract

【課題】紙片投入の際における紙片取扱の不具合検証と不具合の抑制を可能にする紙片取扱装置を提供する。【解決手段】紙片取扱装置１に、紙片の投入口と搬送経路を含み、利用者が前記投入口から投入した前記紙片を搬送する搬送機構部１０と、前記投入口を少なくとも撮影し、前記投入口から投入された利用者に起因する前記紙片の状態が表れた画像を取得する第１のカメラ部２０-１と、前記紙片を取り扱う毎に前記第１のカメラ部で撮影された画像群から前記投入口に投入された利用者に起因する利用者側因子情報を抽出し、該利用者側因子情報から、前記紙片の状態を学習済みデータとして機械学習する学習部３０と、前記学習部で生成された前記学習済みデータと利用者投入時の前記利用者側因子情報とを比較して特徴が一致した場合に、前記投入口から投入された前記紙片の状態と標準状態との差分情報を該当画像に関連付けて記憶手段に蓄積する制御部４０を設ける。【選択図】図１

Description

本発明は、紙幣等の紙片を投入される紙片取扱装置およびその制御方法に関する。

近年、様々な場面で利用者が紙片を装置に入れる紙片取扱装置が利用されている。紙片取扱装置は、例えばＡＴＭ（Automatic Teller Machine）や現金自動支払機、現金出納装置、プリンター、マルチコピー機などが挙げられる。

昨今のＡＴＭやマルチコピー機は、旧来の銀行店舗や専門店に設置して問題発生時に管理者が直ぐに対処できる運用形態と異なり、専門知識が少ない管理者の店舗や管理者が全くいない店舗に設置する割合が多くなってきている。この様なＡＴＭ等の多くは、１店舗に１台設置されることが多く一度故障すると代替装置が無い。代替装置が無い店舗を訪れた利用者は、装置を使用できず、所望な処理を行えない。また、コンビニＡＴＭように昨今の設置状況の多くは、２４時間営業や、専用保守エリアが無い、人通りが多いなど、故障時にメンテナンス作業の時間や場所の確保が難しい問題も有している。

関連する技術としては、特許文献１が挙げられる。特許文献１には、装置内部で生じる貨幣のジャムの発生を、装置内部を撮影して画像解析により検出する貨幣入出金装置が記載されている。この貨幣入出金装置は、紙幣や硬貨が通る搬送経路を少なくとも撮影する撮像手段が設けられ、ジャム発生時の映像を保存している。

特開２０１３−１１７７５９号公報

利用者が紙片を装置に投入する紙片取扱装置は、持ち込みの紙片や不確定な紙片を取扱いまた利用者自身が装置に入れる行為を実行するため、障害や故障、エラー発生の要因となる要素についての不確定性が非常に大きい特徴を持っている。

例えば、ＡＴＭの場合、利用者が現金を“投入”する行為を行う為、異物の混入やセット方法の不良の他、劣化現金の投入、外貨の投入など多くの障害や故障、エラー発生の要因となる可能性が無くならない。ＡＴＭ装置の構成要素も複雑であることもあり、例示した要因の幾つかは現実のＡＴＭの障害率の上位である。この障害等の対策や確実な対処手法の確立が望まれる。

また、ＡＴＭなどの各機構部品は、部品形状や組成のバラツキの他、環境、経年劣化、汚れ等の性能に関する変動因子が多数あり、装置毎の挙動にも差異がある。また、同じ装置であっても、時間帯や経年劣化により挙動に差異が生じることもある。

また、前述の不確定要素を加味し障害を減らす為には、前記のあらゆる変動因子の組み合わせを網羅的に考慮した設計や膨大な組み合わせの評価検証が必要となる。しかし、多くの場合、非常に高価な部品を使用することになったり、全てのバラツキを考慮した組み合わせ検証は実質的に不可能であったり、この方法で障害率を極めてゼロに近づける事は困難と考えられる。

また、別の側面からの課題もある。現在の紙片取扱装置の不具合時の検証方法についても、不確実性が高い問題がある。例えば、ＡＴＭの場合、現金媒体の状態把握を光学センサのＯＮ／ＯＦＦ情報などによる断片的な履歴やエラー、障害発生時の状態が示された取扱データと、利用者の記憶に基づく曖昧なヒアリング内容とを用いて、障害原因を想定し対処している。しかし、障害原因が、媒体セット時の影響なのか、劣化媒体の影響なのか、装置単体に起因するのか、設置環境の影響なのか、それぞれの組み合わせなのかの明確な判断が難しい。同様に、再現検証も不確実な情報を基に実態とは異なる環境や評価機で検証するなど、不確実かつ非効率な対処に成りがちな問題もある。

特許文献１は主に貨幣、紙幣等を入出金するＰＯＳ(Point Of Sales)等の入出金装置を開示している。特許文献１は、入出金口から収納部までの貨幣及び紙幣の搬送経路上に複数のカメラを設置しておき、これらカメラによって、貨幣及び紙幣のジャムの発生を監視している。

しかしながら、引用文献１は、紙幣投入の際における利用者の紙幣セット状態及び紙幣自身の折れ癖等の状態によってもジャムが発生することについて何等記載していない。即ち、引用文献１は利用者による紙片投入の際等に発生する特有の課題について記載していない。

本発明は、上記課題に鑑みて成されたものであり、紙片投入の際における紙片取扱の不具合の検証と紙片取扱の不具合の抑制を可能にする紙片取扱装置を提供することを目的とする。

本発明の一実施形態に係る紙片取扱装置は、紙片の投入口と搬送経路を含み、利用者が前記投入口から投入した紙片を搬送する搬送機構部と、前記投入口を少なくとも撮影し、前記投入口から投入された前記利用者に起因する前記紙片の状態が表れた画像を取得する第１のカメラ部と、紙片を取り扱う毎に前記第１のカメラ部で撮影された画像群から、前記投入口から投入された前記利用者に起因する利用者側因子情報を抽出し、該利用者側因子情報から、前記紙片の状態を学習済みデータとして機械学習する学習部と、前記学習部で生成された学習済みデータと利用者投入時の利用者側因子情報とを比較して特徴が一致した場合に、前記投入口から投入された紙片の状態と標準状態との差分情報を該当画像に関連付けて記憶手段に蓄積する制御部と、を具備する。

本発明の一実施形態に係る紙片取扱装置の制御方法は、利用者が紙片を入れる投入口を少なくとも撮影する第１のカメラ部で紙片を取り扱う毎に撮影して収集された画像群から前記利用者に起因する利用者側因子情報を抽出し、該利用者側因子情報から、前記紙片の状態を学習済みデータとして予め機械学習し、紙片を取り扱う際に、機械学習で生成された前記学習済みデータと今回搬送経路を通過した紙片の状態とを比較して特徴一致を検出する処理を実行し、前記学習済みデータと利用者投入時からの利用者側因子情報とを比較して特徴が一致した場合に、前記投入口から投入された紙片の状態と標準状態との差分情報を該当画像に関連付けて記憶手段に蓄積することを特徴とする。

本発明の一実施形態に係る紙片取扱装置用プログラムは、紙片の投入口と搬送経路を含み、利用者が前記投入口から投入した紙片を搬送する搬送機構部と、前記投入口を少なくとも撮影し、前記投入口から投入された前記利用者に起因する前記紙片の状態が表れた画像を取得する第１のカメラ部を具備する紙片取扱装置の制御用コンピュータを、紙片を取り扱う毎に前記第１のカメラ部で撮影された画像群から、前記投入口から投入された前記利用者に起因する利用者側因子情報を抽出し、該利用者側因子情報から、前記紙片の状態を学習済みデータとして機械学習する学習部と、前記学習部で生成された学習済みデータと利用者投入時からの利用者側因子情報とを比較して特徴が一致した場合に、前記投入口から投入された紙片の状態と標準状態との差分情報を該当画像に関連付けて記憶手段に蓄積する制御部として動作させることを特徴とする。

本発明によれば、機械学習を介して紙片取扱の不具合の検証及び／又は抑制を実現する紙片取扱装置を提供できる。

第１の実施形態の紙片取扱装置１を示す機能ブロック図である。 第１の実施形態の紙片取扱装置１の処理動作例を示すフローチャートである。 第１の実施形態の紙片取扱装置１のための機械学習の処理例を示すフローチャートである。 第１の実施形態の紙片取扱装置１の処理動作例を示すフローチャートである。 第１の実施形態の紙片取扱装置１のための機械学習の処理例を示すフローチャートである。 第２の実施形態のＡＴＭ１００を含む保守システムを例示した機能ブロック図である。 第２の実施形態の現金処理装置２の搬送機構部１０で各ユニット内の紙幣の状態を画像データとして情報収集する様子を概略的に示している説明図である。 第２の実施形態の現金処理装置２の搬送機構部１０で各ユニット内の紙幣の状態に合わせて搬送を補整する動作を概略的に示している説明図である。 第２の実施形態の現金処理装置２の紙幣に特化した繰り返し学習に関係する各種情報と処理を示した説明図である。

本発明の実施形態を図面に基づいて説明する。

［第１の実施形態］
図１は、本発明の実施形態に係る紙片取扱装置１を示す機能ブロック図である。紙片取扱装置１は、搬送機構部１０と、カメラ部２０と、学習部３０と、制御部４０と、を備える。

搬送機構部１０は、紙片の投入口と搬送経路を含み、利用者が紙片の投入口に入れた紙片を装置内の所定位置に搬送するように構成される。例えば、搬送機構部１０は、紙片を利用者が投入する投入口と、投入された紙片を集積する紙片集積部と、その間の搬送経路を備え、当該搬送経路は幾つかのメカニカル機構によって構成することができる。また、搬送機構部１０は、投入された紙片を、必要に応じて利用者にそのまま返却したり、加工して返却するように構成されてもよい。また、搬送機構部１０は、紙片の搬送を受け持つ可動部を内在する。この可動部はモータなどにより制御部４０等からの制御に応じて紙片を所定位置に搬送する際に稼働する。

また、搬送機構部１０は、可動部を制御する機器制御部を含んでいてもよい。この機器制御部は、制御部４０等からの制御に応じて紙片を所定位置に搬送する際に可動部を稼働する。更に、機器制御部は、投入された紙片の搬送を行う際の各可動部の速度や回転数、可動長、角度などを微調整するための補整値に基づいて各可動部を制御するように構成してもよい。

カメラ部２０（２０−１，．．．２０−ｎ）は、装置内の搬送経路と利用者が紙片を入れる投入口とを撮影し、所要の記憶手段にその画像を記録する。この投入口を撮影するカメラが第１のカメラ部となる。この第１のカメラ部では、投入口に投入された利用者に起因する紙片の状態が表れた画像が撮影できる。また、搬送経路を撮影するカメラが第２のカメラ部となる。この第１のカメラ部では、装置に起因する紙片の状態が表れた画像が撮影できる。撮影は、動画であっても静止画であってもよいし、その複合であってもよい。カメラ部２０は、先の一例では、投入口と搬送経路と紙片集積部をそれぞれ撮影し、所要の記憶手段にそれぞれの画像を記録すればよい。この記憶手段は、例えばカメラ部２０内に設けられた半導体ストレージや装置内に設けられたストレージ、又はネットワークストレージの何れか若しくは組み合わせて適宜用いればよい。カメラ部２０は、紙片の移動経路を網羅的にカバーするように適宜撮影範囲が設定される。また、カメラ部２０は、搬送機構部１０内の機械学習に用いる撮影ポイントを強化するように、ミラー機能を奏する反射材や塗料で反射面を設けることとしてもよい。同様に、カメラ部２０は、搬送機構部１０内の機械学習に用いる撮影ポイントを強化するように、魚眼レンズを用いて可視範囲を増強させることとしてもよい。

学習部３０は、紙片を取り扱う度に収集されたカメラ部２０で撮影された少なくとも投入口と搬送経路等を通過する紙片の状態の画像を取扱データと共に機械学習する。機械学習では、エラーを起こす紙片の状態，条件，尤度、エラーを起こさない紙片の状態，条件，尤度、などを、学習済みデータとして収集する。この実施形態は、利用者に起因して発生する紙片の状態を示す利用者側因子情報と、装置自体に起因する紙片の状態を示す装置側因子情報とを収集して学習に使用する。

また、学習部３０は、紙片の状態を画像のみから得ずとも、既存のセンサ値・フラグ・状態信号などから得られる場合、この紙片の状態を学習結果に反映させることとしてもよい。なお、各画像から得る紙片の状態は、例えば搬送の標準状態（紙片搬送の理想状態、設計初期状態）との差分をデータ化して取り込めばよい。

また、学習部３０には、機械学習する標準状態との差分に関する紙片の搬送の際の因子情報をレベル分けして学習させることが望ましい。このことで、例えば、エラーとなる状態や、エラーに至る前の状態のパターンの尤度を、各部の制御や情報解析、情報共有に反映させ易くなる。

また、後述するように、学習部３０は、可動部用の搬送を標準状態に近づける補整値を学習して学習済みデータに含めるように構成されてもよい。学習による補整値の最適化には、紙片のより上手の状態がより影響するものと考えられる。このため、投入口に紙片が投入された状態（画像）を取扱データと共に学習情報に取り込むことで、投入口以降で発生する異常状態の発生を抑制するための学習結果が得られ易くなるものと考えられる。

この学習結果を用いて、紙片取扱装置１は、紙片取扱の不具合時のより検証性が高い情報を収集可能になる。また、この学習結果を用いて、紙片取扱装置１は、搬送中の異常因子を導出し、また、搬送中の異常因子の発生を抑制可能にする。

また、紙片集積部が設けられ且つ撮影される場合、紙片取扱装置１は、紙片集積部を撮影して得た集積された紙片画像を加えて機械学習するようにしてもよい。また、紙片取扱装置１は、紙片を取り扱う毎に再学習するようにしてもよい。

取扱データは、ＡＴＭの一取引毎やプリンターの印刷のように、紙片が投入口に入れられることを含む一連のフロー中に装置側で取得可能とした各種センサの値やフラグ、動作状態などの必要に応じた時系列を伴う各種情報である。また、この取扱データには、装置自体の固有ナンバーや接続されているユニットナンバーなどの装置情報を含めることが望ましい。また、装置内や装置外の温度や湿度などの環境情報を取扱データとして取り込むことが望ましい。

制御部４０は、紙片を取り扱った際に、カメラ部２０で撮影された画像等から搬送機構部１０の各部を通過する紙片の状態をデータ化して記憶手段に蓄積する。紙片の状態は、例えば搬送の標準状態との差分をデータ化すればよい。この差分を学習や解析に使用することで、情報量の圧縮と解析速度の向上が図り得る。

また、制御部４０は、紙片を取り扱った際にエラーが発生した際に、その前後の紙片を取り扱った際の取扱データと共に、カメラ部２０で撮影された画像を、関連付けて記憶手段に蓄積する。また、上記処理と同時並行的に、制御部４０は、学習部３０で生成された学習済みデータと今回搬送経路を通過した紙片の状態とを比較して特徴が一致した際に、その前後の紙片を取り扱った際の取扱データと共に、カメラ部２０で撮影された各画像を蓄積する。また、制御部４０は、上記画像を保存する際に、搬送機構部１０を通過する紙片の状態と標準状態との差分（差分情報）を、記憶手段に合わせて蓄積する。

画像（静止画、動画、または組み合わせ）は、搬送中の紙片の状態と標準状態との差分が抽出された差分情報を生成する際に用いられる。差分情報は、例えば、それぞれの画像情報から画像解析で得られる特徴点や特徴線、特徴面の集合とするパターンを識別し、標準状態のパターンと比較してその差分を因子毎に抽出すればよい。因子を例示すれば、紙片の形状やサイズなどの紙片状態、利用者による投入口への紙片のセット状態、投入口からの繰り出し状態、紙片の搬送状態、紙片の集積状態が挙げられる。

また、制御部４０は、機械学習する標準状態との差分として、投入口に投入された紙片の、外形、折れ癖、厚み方向長さ、セットずれ、異物混入、異物付着等を学習させる構成を採用しても良い。更に、搬送時における紙片のもたつき、紙片間距離、斜行、及び集積時における集積状態、集積空きエリア、発生した折れ、繰り出し時間、媒体斜行率、変形形状を、紙片の搬送に関する各重要因子として学習部３０で学習させてもよい。

また、制御部４０は、機械学習に供する標準状態との差分に関する紙片の搬送に関する重要因子として、エラーとなる状態、及び、エラーに至る前の状態の差分をレベル分けして抽出し、所要の記憶手段に適時記録し、学習部３０で学習させてもよい。同様に、抽出された各差分は、それぞれの差分情報として画像情報と関連付けられて所要の記憶手段に適時記録される。

問題ない紙片の搬送であった画像情報や差分情報は、適宜削除することとしても良いものの、紙片のより正常な搬送を導く学習結果を得るために機械学習に供することとしてもよい。

また、一つ以上の因子が特徴的な差異を表した場合や、エラー発生、また、エラーに繋がる差分を認識した場合、その紙片の取扱いに係る各画像と各差分、その前後の一定数の同データを、解析や機械学習に反映させるために任意の記憶手段に保管するように構成させることとしてもよい。

この蓄積された画像と取扱データは、保守や改善に適宜使用するために管理者がアクセス可能に蓄積する。例えば、エラー発生時、または特徴的な差異の情報とその画像群は、ネットワークを経由して、即時、関係する保守員や、技術者に適時情報展開することを可能にするように構成すればよい。

次に、本実施形態の紙片取扱装置１の制御部４０の動作例について説明する。

図２は、本実施形態の情報収集に絡む動作を示すフローチャート例である。

紙片取扱装置１（制御部４０）は、紙片を取扱う毎に、紙片の投入口と移動経路等のカメラ画像を取得（収集）する（Ｓ１０１）。

次に、紙片取扱装置１（制御部４０）は、センサ値などによるエラー検出と共に、今回の取り扱いのカメラ画像と学習済みデータとの比較により異常（問題を惹き起こす紙片の状態）を検出する（Ｓ１０２）。

次に、紙片取扱装置１（制御部４０）は、エラー時・異常時の画像と差分情報を取扱データと共に取得収集する（Ｓ１０３）。

次に、紙片取扱装置１（制御部４０）は、エラー時・異常時の画像を管理者に提供する（Ｓ１０４）。

また、図３は、本実施形態の情報収集に絡む機械学習の処理例を示すフローチャートである。

紙片取扱装置１（制御部４０）は、装置毎の過去の紙片の取り扱い時毎の画像群と各種センサ値等と紙片の状態と標準状態との差分とをそれぞれ逐次収集する（Ｓ２０１）。

紙片取扱装置１（制御部４０）は、収集済みの各データから特徴（パラメータ）を抽出して逐次保存する（Ｓ２０２）。

紙片取扱装置１（学習部３０）は、因子毎に紙片の搬送時の問題に繋がる特徴（パラメータ）群の関係を機械学習する（Ｓ２０３）。

紙片取扱装置１（学習部３０）は、機械学習結果を学習済みデータとして因子毎に蓄積する（Ｓ２０４）。

図２、図３のように動作させることで、本実施形態の紙片取扱装置１は、機械学習を介して紙片取扱の不具合の情報量が凝縮されたデータを収集できる。

図４は、本実施形態の異常抑制に絡む動作を示すフローチャート例である。

紙片取扱装置１（制御部４０）は、センサ値などによるエラー検出と共に、今回の取り扱いのカメラ画像と学習済みデータとの比較により紙片の状態を検出する（Ｓ３０１）。

次に、紙片取扱装置１（制御部４０）は、紙片の取り扱いに伴う投入口等の紙片の状態に応じて搬送経路の可動部の各パラメータをリアルタイムに調整する（Ｓ３０２）。

また、図５は、本実施形態の異常抑制に絡む機械学習の処理例を示すフローチャートである。

紙片取扱装置１（制御部４０）は、装置毎の過去の紙片の取り扱い時毎の画像群と各種センサ値等と紙片の状態と標準状態との差分とをそれぞれ逐次収集する（Ｓ４０１）。

紙片取扱装置１（制御部４０）は、収集済みの各データから特徴（パラメータ）を抽出して逐次保存する（Ｓ４０２）。

紙片取扱装置１（学習部３０）は、紙片の搬送時の問題に繋がる因子を標準状態に近づける搬送機構部１０用の各補整値を導出する（Ｓ４０３）。

紙片取扱装置１（学習部３０）は、機械学習結果を学習済みデータとして因子毎に蓄積する（Ｓ４０４）。

図４、図５のように動作させることで、本実施形態の紙片取扱装置１は、機械学習を介して紙片取扱時の不具合発生を抑制させ得る動作をさせられる。

次に、本発明のより具体的な一実施形態を説明する。

［第２の実施形態］
本実施形態は、紙片として紙幣を取り扱うＡＴＭ１００を想定している。

図６は、本実施形態のＡＴＭ１００を含む保守管理システムを例示した機能ブロック図である。

本実施形態のＡＴＭ１００は、現金処理装置２を含み、また通信ネットワークに接続している。現金処理装置２の装置構成は、第１の実施形態の紙片取扱装置１と同様であり、搬送機構部１０と、カメラ部２０と、学習部３０と、制御部４０と、を具備する。また、現金処理装置２は、学習済みデータや各部の画像を含む各種データを記憶する記憶手段を具備している。また、現金処理装置２には、搬送機構部１０に当たる、利用者が直接紙幣を出し入れする投入口、投入口から紙幣を一枚ずつ取り出す繰出し部、搬送経路、紙片集積部を、撮影するカメラ部２０が設けられている。

本実施形態の搬送機構部１０は、紙幣ユニット内の個々の機構で紙幣の挙動を補整可能とする可動部１１と可動部１１の補整を制御する機器制御部１２を有する。

機器制御部１２は、繰り出しギャップ、媒体押し付け力、搬送速度、ガードタイム、集積エリアの可動機構をそれぞれ学習済みデータに合わせてリアルタイムに最適化する。

また、カメラ部２０は、複数台のカメラ部（２０−１〜２０−ｎ）で構成されており、紙幣の利用者によるセット状態、紙幣の投入口からの繰り出し状態、紙幣の搬送状態、紙幣の集積状態等の各画像を撮像する。このように、各ユニット内の紙幣の状態について監視可能なカメラ部２０を各主要部に配する事で、各主要部の紙幣の状態について全ての取引に対して情報収集することが可能となる。

制御部４０は、プロセッサー４１、画像データ取得部４２、パターン認識部４３を含み構成される。プロセッサー４１は、装置全体の制御を行うと共に、本発明に係る統括的制御を行う。画像データ取得部４２は、カメラ部２０で撮影された画像を記憶手段に収集する。パターン認識部４３は、カメラ部２０で撮影された画像（紙幣の状態）を参照して、因子毎のそれぞれの動作時の標準状態との差分をパターン認識してパターン情報を生成し、生成したパターン情報を記憶手段に収集する。

また、制御部４０は、全体として、それぞれの動作時の標準状態との差分情報をパターン認識し、取引毎に個々の要素のパターン認識データとして分類管理する。ここでの差分情報には、利用者側因子情報として、外形、折れ癖、厚み方向長さ、セットずれ、異物混入、異物付着を因子として含み、装置側因子情報として、もたつき、媒体間距離、斜行、集積状態、集積空きエリア、発生した折れ、繰り出し時間、媒体斜行率、変形形状を因子として含ませても良い。

また、制御部４０は、後述する補整値を参照して前記機器制御部を介してそれぞれの可動部をリアルタイムに前記紙片の搬送の状態に合わせて最適化する。

学習部３０は、投入口への利用者による紙幣のセット状態、紙幣の劣化状態を利用者側因子情報として、紙幣の投入口からの繰り出し状態、紙幣の搬送状態、紙幣の集積状態を装置側因子情報として、繰り返し機械学習に使用する。この機械学習では、標準状態との差分として抽出された、紙片の、外形、折れ癖、厚み方向長さ、セットずれ、異物混入、異物付着、もたつき、媒体間距離、斜行、集積状態、集積空きエリア、発生した折れ、繰り出し時間、媒体斜行率、変形形状を、抽出因子として、関係性、関連性が学習されて、学習結果が生成される。

また、学習部３０は、取扱データと共に異常を検出しなかった紙片の状態（例えば搬送に係る標準状態との差分パターン）について、標準状態との差分を最小化する補整値を学習済みデータとして学習する。この補整値は、機器制御部１２が調整可能な可動部１１に合わせて導出される。例えば、繰り出しギャップ、媒体押し付け力、搬送速度、ガードタイム、集積エリアの可動機構をそれぞれ調整する補整値を学習済みデータとして導出する。

学習部３０はさらに、機器制御部１２で機構の変動パラメータを補整した情報と補整前後の紙幣パターンデータの標準状態からの差分を学習部３０での繰り返し学習し、この学習結果を補整値に反映させて学習済みデータを更新するようにしても良い。

以上の構成をもって、現金処理装置２は、取引毎に紙幣の状態をカメラ部２０で画像データに変換し、制御部４０で、画像データ取得部４２とパターン認識部４３を介して画像データがパターンデータにデータ加工され、画像データとパターン情報がそれぞれ記憶手段に保管収集される。

また、この実施形態では記憶手段に収集した画像データやパターンデータは、ネットワークを介して、データサーバー１１０に送信可能に構成されている。画像データやパターンデータはネットワークに接続された保守部門１２１や、技術部門１２２、データ分析部門１２３等を含む管理部門１２０に必要に応じて提供される。管理部門１２０では、必要に応じて多数のＡＴＭ（例えばＡＴＭ１０１〜１０３）から同種の情報を収集し、様々な問題へのフィードバックや後発装置の開発に役立てる。

ここで、紙幣の投入口等、搬送機構部１０のそれぞれの主要ユニット内の紙幣の状態を画像データとして情報収集する様子と、搬送を補整する動作の一例について図７及び図８により具体的に説明する。

図７は、現金処理装置２の搬送機構部１０で各ユニット内の紙幣の状態を画像データとして情報収集する様子を概略的に示している説明図である。

また、図８は、現金処理装置２の搬送機構部１０で各ユニット内の紙幣の状態に合わせて搬送を補整する動作を概略的に示している説明図である。

図７及び図８は、現金処理装置２内の投入口を構成するユニット、集積部を構成するユニット、及び搬送経路を構成するユニットにカメラ部２０をそれぞれ設けている。

図７（ａ）は、投入口の撮影と投入口からの繰り出し開始時の紙幣束の状態を図示している。図示するように、投入口近傍にカメラ部２０−１が配置されている。カメラ部２０−１は、反射板や透明ガイドで撮影範囲を増強している。反射板の反射面は、ミラー機能を有する。なお、投入口内面には、ミラーガラスと同様に装置内面が見えないよう、ミラー加工を施すこととしてもよい。また、カメラ部２０−１はギャップローラや剥離ローラをも撮影するように配置するようにしてもよい。図７（ｂ）は、紙幣集積部の撮影と紙幣集積部への集積開始時の紙幣束の状態を図示している。図示するように、紙幣集積部近傍にカメラ部２０−２が配置されている。カメラ部２０−２は、反射板や透明ガイドで撮影範囲を増強している。図７（ｃ），（ｄ）は、搬送経路の撮影と搬送時の紙幣の状態を図示している。図示するように、搬送経路にカメラ部２０−ｎが配置されている。カメラ部２０−ｎは、反射板や透明ガイドで撮影範囲を増強している。なお、カメラ部２０は、各図に１台ずつ図示しているが必ずしも１台である必要はない。同ユニットを複数台のカメラ部２０で撮像してもよいし、複数のユニットを１台のカメラ部２０で撮像してもよい。

図８（ａ）は、投入口の撮影と紙幣の状態と補整する搬送要素を図示している。図示するように、投入口近傍に配置されたカメラ部２０−１によって投入口にセットされた紙幣（紙幣束）の状態が撮影され、カメラ部２０で紙幣状態を監視し、紙幣（紙幣束）の状態（折れ癖や変形などの画像パターン情報）から、機器制御部１２を介して、透明変動ガイドの押圧や、位置の補整、またギャップローラによる繰り出しギャップの位置補整、剥離ローラの回転速度補整を可能にする。また、異物が混入していることも紙幣（紙幣束）の状態として識別すればよい。

図８（ｂ）は、集積部の撮影と紙幣の状態と補整する搬送要素を図示している。図示するように、集積部近傍に配置されたカメラ部２０−２によって集積部にセットされた紙幣（紙幣束）の状態が撮影され、カメラ部２０で紙幣状態を監視し、紙幣（紙幣束）の状態（折れ癖や変形などの画像パターン情報）から、機器制御部１２を介して、透明変動ガイドの押圧や、位置の補整、また集積ローラの回転速度補整を可能にする。また、集積部においても異物が混入していることも紙幣（紙幣束）の状態として識別すればよい。図８（ｃ）、（ｄ）は、搬送経路の撮影と紙幣の状態と補整する搬送要素を図示している。図示するように、搬送経路近傍に配置されたカメラ部２０−ｎによって搬送経路を通過している紙幣（紙幣束）の状態が撮影され、カメラ部２０で紙幣状態を監視し、紙幣（紙幣束）の状態（折れ癖や変形などの画像パターン情報）から、機器制御部１２を介して、搬送ローラの押圧補整や回転速度補整を可能にする。また、搬送経路においても異物が混入していることも紙幣（紙幣束）の状態として識別すればよい。

利用者が投入口内に紙幣を投入する際、紙幣のセット状態は、金種、枚数、汚れ、傷み、折れ、異物混入など、紙幣を１枚ずつ均一に分離し搬送する事に対して、多くの不確定因子が必ず存在する。

またユニット側でも個々の製品毎に、機構形状やローラ径、材質、経年変化や、環境変化など同性能に関係する不確定因子が多数存在する為、前記の各不確定因子要因どうしが複雑に関係しあい、紙幣の挙動は都度異なる。

まず利用者が投入口にセットした紙幣（紙幣束）の状態をカメラ部２０で監視し、更に紙幣（紙幣束）の状態を後工程でも監視し、紙幣（紙幣束）の状態（画像パターン情報）に応じて、機器制御部１２を介して、押圧変動ガイドの押圧や、位置の補整、またギャップ変動ローラによる繰り出しギャップの位置補整、速度変動ローラによる剥離部ローラの速度補整を可能にする。このため、それぞれのＡＴＭ装置毎に、自装置のセット状態に合致させた最適な紙幣の搬送に関する補整が可能となる。

機器制御部１２の補整値の決定については、前述したとおりであり、学習部３０にて、予め収集された、投入口の搬送動作開始時のインプット画像情報とその後の搬送工程、集積工程の画像情報の関係を予め機械学習し、この学習結果を基に今回入力された紙幣の繰り出しが最適化する補整を即時実行する。また、図７（ｂ）〜（ｄ）に示す紙幣集積部、紙幣搬送経路についても投入口と同様に、可動部１１、機器制御部１２、学習部３０を介して、最適な補整を行う。機械学習を繰り返し運用することで、可動部１１のより最適な補整値を都度学習する。このことによって、自律的に継時的変化にも追随しながら常時的改善を実現可能になる。

さらに本実施形態では、仮に不具合が発生した場合、発生時の詳細な画像データやその加工データを、ネットワークを介してデータサーバー１１０で吸い上げ、店舗外などに居る関係者にリアルタイムで情報共有できるようになる。このため、交換部品や対処の道具、不具合の原因究明や暫定対策の間違い発生が少なく迅速に保守を実施しやすくできる。

尚図示されているように、紙幣の状態を詳細な画像情報として収集する為に、投入口や透明変動ガイド、透明ガイド、紙幣集積部等の紙幣とカメラ部２０の間に位置する部材は、透明色を用いたり、穴形状の付加や隙間を多く設けて、視認性を増強した構造を有している。また、紙幣の状態をより広範囲で収集する為に図７、図８に例示したような反射板を各所に配して、紙幣の状態がより識別可能な形状にする事が望ましい。さらにカメラ部２０に魚眼レンズを用いて、紙幣の状態の識別範囲を拡張してもよい。

次に、紙幣に特化した繰り返し学習に関係する各種情報と処理を説明する。

図９は、紙幣に特化した繰り返し学習に関係する各種情報と現金処理装置２における処理を示した説明図である。

現金処理装置２は、取扱日時や号機などの取扱データと、利用者側因子情報（原因情報）である利用者が紙幣を投入口にセットした画像情報（紙幣のセット状態）と経路上の紙幣毎の画像情報（紙幣の劣化状態）とを少なくともインプット情報とし、装置側因子情報である紙幣の繰り出し状態、紙幣の搬送状態、紙幣の集積状態等を加え、各因子の標準状態との差分をアウトプット情報として収集し、繰り返し学習を実施する。

本実施形態のＡＴＭ１００（現金処理装置２）は、これまでＡＴＭとして詳細把握できなかった紙幣のセット状態、及び、紙幣劣化状態である利用者側因子情報の２要素と、紙幣をユニットに取り込み後の繰り出し状態、搬送状態、及び、集積状態である装置側因子情報の３要素の５要素を、それぞれユニットに配したカメラ部２０で画像情報（静止画、動画、または組み合わせ）として収集する。そして、現金処理装置２は、学習済みデータを用いて、重要因子の抽出や、重大不具合が発生する前に保守による改善に使用する（不具合抑制ステップ１）。

さらに現金処理装置２は、繰り返し学習済みデータを用いて、重要因子のパラメータ制御を行い自律的な改善を実現する（不具合抑制ステップ２）。具体的には、紙幣の搬送性能に影響を与える、繰り出しギャップ、媒体押し付け力、搬送速度、ガードタイム、集積エリアの可動機構を制御可能因子として可変で制御可能とし、該当するパターン情報に対応させて最適化制御する。上記該当するパターン情報と紙幣の搬送性能に影響を与える制御可能因子は、エラーとなる取引の他、エラーに至る前の状態のパターンをレベル分けして管理し、より理想のパターンレベルとなる様にインプット情報とアウトプット情報を繰り返し学習し、標準状態と同様に動作させる理想状態に自律的に変化させる。

なお、制御可能因子を繰り出しギャップ、媒体押し付け力、搬送速度、ガードタイム、集積エリアの可動機構としているが、これに限定しなくてもよい。

説明した通り、現金処理装置２の紙幣のセット状態、及び、紙幣の劣化状態である利用者側因子情報の２要素と、紙幣をユニットに取り込み後の繰り出し状態、搬送状態、及び、集積状態の装置側因子情報である３要素の５要素に関係する各動作を、標準状態からの差分パターン情報として加工し、その差分パターン情報をインプット情報として紙片の状態の画像情報の収集が可能になる。また、その差分パターン情報をインプット情報として各搬送機構を最適化制御が可能になる。このことで、多くの変動要因を機械学習によって加味して、どのような条件であっても標準状態に近づける搬送制御を実現できる。

更に、異常に繋がる状態の画像情報の収集、搬送機構の最適化制御と共に、実際に異常が生じていない画像群を使用して、その画像群の標準状態との差分を最小化する補整値を繰り返し学習によって生成する。この補整値によって搬送機構部１０（可動部１１）を補整する事で、それぞれの装置毎に自律的且つリアルタイムに搬送の最適化が可能となる。この搬送の最適化は、利用者の紙幣セット方法のバラツキの他、装置毎バラツキ、気温・湿度変化、経年劣化、地域特性に常時対応できる。

個々の装置の学習済みデータは、管理部門で情報収集管理する。このことで、エラーによらず、装置の搬送機構周りの問題を把握し易くでき、全体最適化の設計変更もタイムリーに実施し易くなる。

繰り返し学習機能ではディープラーニングに代表されるＡＩ（Artificial Intelligence）機能を組み込み、入力情報に対して、多様な機構の補整値を事前学習させる。このことで、これまで制御対象として意図しなかった想定外の最適化を自律的に導くことも可能となる。

以上説明したように、本発明を適用した紙片取扱装置は、機械学習を介して紙片取扱の不具合の検証及び／又は抑制を実現できる。

尚、紙片取扱装置の制御用コンピュータは、コンピュータシステムのハードウェアとソフトウェアの組み合わせを用いて実現すればよい。このコンピュータシステムは、所望形態に合わせた、１ないし複数のプロセッサーとメモリーを含む。また、このコンピュータシステムの形態では、各部は、上記メモリーに紙片取扱装置の制御用プログラムが展開され、このプログラムに基づいて１ないし複数のプロセッサー等のハードウェアを実行命令群やコード群で動作させることによって、実現すればよい。この際、必要に応じて、このプログラムは、オペーレティングシステムや、マイクロプログラム、ドライバなどのソフトウェアが提供する機能と協働して、各部を実現することとしてもよい。

メモリーに展開されるプログラムデータは、プロセッサーを１ないし複数の上述した各部として動作させる実行命令群やコード群、テーブルファイル、コンテンツデータなどを適宜含む。

また、このコンピュータシステムは、必ずしも一つの装置として構築される必要はなく、複数のサーバ／コンピュータ／仮想マシンなどが組み合わさって、所謂、シンクライアントや、分散コンピューティング、クラウドコンピューティングで構築されてもよい。また、コンピュータシステムの一部／全ての各部をハードウェアやファームウェア（例えば、一ないし複数のLSI：Large-Scale Integration，FPGA：Field Programmable Gate Array，電子素子の組み合わせ）で置換することとしてもよい。同様に、各部の一部のみをハードウェアやファームウェアで置換することとしてもよい。

また、このプログラムは、記録媒体に非一時的に記録されて頒布されても良い。当該記録媒体に記録されたプログラムは、有線、無線、又は記録媒体そのものを介してメモリーに読込まれ、プロセッサー等を動作させる。

尚、本明細書では、記録媒体には、類似するタームの記憶媒体やメモリー装置、ストレージ装置なども含むこととする。この記録媒体を例示すれば、オプティカルディスクや磁気ディスク、半導体メモリー装置、ハードディスク装置、テープメディアなどが挙げられる。また、記録媒体は、不揮発性であることが望ましい。また、記録媒体は、揮発性モジュール（例えばRAM：Random Access Memory）と不揮発性モジュール（例えばROM：Read Only Memory）の組み合わせを用いることとしてもよい。

なお、実施形態を例示して本発明を説明した。しかし、本発明の具体的な構成は前述の実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の変更があってもこの発明に含まれる。例えば、上述した実施形態のブロック構成の分離併合、手順の入れ替えなどの変更は本発明の趣旨および説明される機能を満たせば自由であり、上記説明が本発明を限定するものではない。

また、本実施形態では、紙幣を扱う紙幣ユニットとしているが、硬貨を扱う硬貨ユニットやプリンター等の用紙取り扱い端末として広く適用してもよい。硬貨を扱う場合は、硬貨の変形、汚れ等を標準状態との差分として抽出すればよい。

また、上記の実施形態の一部又は全部は、以下のようにも記載されうる。尚、以下の付記は本発明をなんら限定するものではない。

［付記１］
紙片の投入部と搬送経路を有して、利用者が入れた紙片を搬送する搬送機構部と、
装置内の前記搬送経路と利用者が紙片を入れる前記投入部とを少なくとも撮影するカメラ部と、
前記カメラ部で紙片を取り扱う毎に撮影して収集された前記搬送機構部を通過する紙片の状態と取扱データとからエラーを起こす紙片の状態を学習済みデータとして機械学習する学習部と、
紙片を取り扱った際にエラーが発生した際、及び、前記学習部で生成された学習済みデータと今回搬送機構部を通過した紙片の状態とを比較して特徴が一致した際に、その前後の紙片を取り扱った際の取扱データと共に前記カメラ部で撮影された画像と、前記搬送機構部を通過する紙片の状態と標準状態との差分情報を、記憶手段に蓄積する制御部と、
を具備することを特徴とする紙片取扱装置。

［付記２］
前記搬送機構部は、紙片の搬送を受け持つ可動部と該可動部を制御する機器制御部を具備し、
前記学習部は、学習済みデータとして投入された紙片の状態に応じて搬送を標準状態に近づける補整値を機械学習により導出し、
前記機器制御部は、機械学習結果に基づいた 投入された紙片の搬送を標準状態に近づける前記補整値に基づいて前記可動部を制御する
ことを特徴とする付記１に記載の紙片取扱装置。

［付記３］
前記制御部は、前記搬送経路を通過する紙片の状態と標準状態との差分を因子毎にパターン認識で抽出し、
前記学習部は、取扱データと共に異常を検出しなかった紙片の搬送に係る画像パターンについて、標準状態との差分を最小化する補整値を学習済みデータとして学習し、
前記搬送機構部は、繰り出しギャップ、媒体押し付け力、搬送速度、ガードタイム、集積エリアの可動機構をそれぞれ制御可能とし、それぞれの可動部を前記学習済みデータに合わせてリアルタイムに紙片の搬送の状態に合わせて前記制御部によって最適化される
ことを特徴とする付記２に記載の紙片取扱装置。

［付記４］
前記搬送機構部は、紙片を利用者が投入する投入口と、投入された紙片を集積する紙片集積部を含み、
前記カメラ部は、前記投入部と、前記搬送経路と、前記紙片集積部を、紙片を取り扱う毎に撮影し、
前記学習部は、前記カメラ部で撮影された、前記投入口に投入された紙片の状態と、前記搬送経路を通過する紙片の状態と、前記紙片集積部に集積される紙片の状態と、それぞれの標準状態との差分情報とを取扱データと共に機械学習する
ことを特徴とする付記１から３の何れか一項に記載の紙片取扱装置。

［付記５］
前記学習部は、標準状態との差分として抽出された、紙片の、外形、折れ癖、厚み方向長さ、セットずれ、異物混入、異物付着、もたつき、媒体間距離、斜行、集積状態、集積空きエリア、発生した折れ、繰り出し時間、媒体斜行率、変形形状を、因子として学習することを特徴とする付記１から４の何れか一項に記載の紙片取扱装置。

［付記６］
前記紙片は、紙幣であり、
前記カメラ部では、前記紙幣の投入口への利用者によるセット状態、紙幣の劣化状態、紙幣の投入口からの繰り出し状態、紙幣の搬送状態、紙幣の集積状態を、紙幣を取り扱う毎に撮影し、
前記機械学習は、前記紙幣の投入口への利用者によるセット状態、紙幣の劣化状態を顧客側因子情報として、紙幣の投入口からの繰り出し状態、紙幣の搬送状態、紙幣の集積状態を装置側因子情報として、繰り返し機械学習する
ことを特徴とする付記１から５の何れか一項に記載の紙片取扱装置。

［付記７］
前記学習部は、機械学習する標準状態との差分に関する紙片の搬送に関する因子として、エラーとなる状態、及び、エラーに至る前の状態のパターンをレベル分けして抽出し、
前記搬送機構部は、抽出されて保持された学習済みデータに従って紙片の搬送を理想状態に変化させ、紙片の搬送を最適化する
ことを特徴とする付記１から６の何れか一項に記載の紙片取扱装置。

［付記８］
前記カメラ部は、前記搬送機構部内の機械学習に用いる撮影ポイントを、ミラー機能を有する反射面、及び／又は、魚眼レンズを用いて増加させることを特徴とする付記１から７の何れか一項に記載の紙片取扱装置。

［付記９］
装置内の利用者が入れた紙片の搬送経路と利用者が紙片を入れる投入部とを少なくとも撮影するカメラ部で紙片を取り扱う毎に撮影して収集された搬送機構部を通過する紙片の状態と取扱データとからエラーを起こす紙片の状態を学習済みデータとして予め学習部により機械学習し、
紙片を取り扱う際に、機械学習で生成された前記学習済みデータと今回搬送経路を通過した紙片の状態とを比較して特徴一致を検出する処理を実行し、
紙片を取り扱った際にエラーが発生した際、及び、前記学習部で生成された学習済みデータと今回搬送機構部を通過した紙片の状態とを比較して特徴が一致した際に、その前後の紙片を取り扱った際の取扱データと共に前記カメラ部で撮影された画像と、装置内を通過する紙片の状態と標準状態との差分情報を、記憶手段に蓄積する、
ことを特徴とする紙片取扱装置の制御方法。

［付記１０］
紙片の投入部と搬送経路を有して、利用者が入れた紙片を搬送する搬送機構部と、装置内の前記搬送経路と利用者が紙片を入れる前記投入部とを少なくとも撮影するカメラ部とを具備する紙片取扱装置の制御用コンピュータを、
前記カメラ部で紙片を取り扱う毎に撮影して収集された前記搬送機構部を通過する紙片の状態と取扱データとからエラーを起こす紙片の状態を学習済みデータとして機械学習する学習部と、
紙片を取り扱った際にエラーが発生した際、及び、前記学習部で生成された学習済みデータと今回搬送機構部を通過した紙片の状態とを比較して特徴が一致した際に、その前後の紙片を取り扱った際の取扱データと共に前記カメラ部で撮影された画像と、前記搬送機構部を通過する紙片の状態と標準状態との差分情報を、記憶手段に蓄積する制御部と、
として動作させることを特徴とするプログラム。

１ 紙片取扱装置
２ 現金処理装置
１０ 搬送機構部
１１ 可動部
１２ 機器制御部
２０（２０−１〜２０−ｎ） カメラ部
３０ 学習部
４０ 制御部
４１ プロセッサー
４２ 画像データ取得部
４３ パターン認識部
１００ ＡＴＭ
１０１〜１０３ 他のＡＴＭ
１１０ データサーバー
１２０ 管理部門
１２１ 保守部門
１２２ 技術部門
１２３ データ分析部門

Claims (10)

1. 紙片の投入口と搬送経路を含み、利用者が前記投入口に投入した紙片を搬送する搬送機構部と、
   前記投入口を少なくとも撮影し、前記投入口から投入された前記利用者に起因する前記紙片の状態が表れた画像を取得する第１のカメラ部と、
   前記紙片を取り扱う毎に前記第１のカメラ部で撮影された画像群から前記投入口から投入された前記利用者に起因する利用者側因子情報を抽出し、該利用者側因子情報から、前記紙片の状態を学習済みデータとして機械学習する学習部と、
   前記学習部で生成された学習済みデータと利用者投入時の前記利用者側因子情報とを比較して特徴が一致した場合に、前記投入口から投入された紙片の状態と標準状態との差分情報を該当画像に関連付けて記憶手段に蓄積する制御部と、
   を具備することを特徴とする紙片取扱装置。
2. 前記利用者側因子情報は前記搬送機構部に対する前記紙片のセット状態及び前記紙片の劣化状態をあらわす情報を含んでいることを特徴とする請求項１に記載の紙片取扱装置。
3. 前記搬送経路を撮影し、装置に起因する前記紙片の搬送状態が表れた画像を取得する第２のカメラ部を有することを特徴とする請求項１又は２に記載の紙片取扱装置。
4. 前記学習部は、前記紙片を取り扱う毎に前記第２のカメラ部で撮影された画像群から装置状態に起因する装置側因子情報を抽出し、前記利用者側因子情報及び前記装置側因子情報から、エラーを起こす前記紙片の状態を学習済データとして機械学習することを特徴とする請求項３に記載の紙片取扱装置。
5. 前記搬送機構部は、前記紙片の搬送を受け持つ可動部と該可動部を制御する機器制御部を具備し、
   前記制御部は、前記搬送経路を通過する前記紙片の状態と標準状態との差分を因子毎にパターン認識で抽出し、
   前記学習部は、取扱データと共に異常を検出しなかった前記紙片の搬送に係る画像パターンについて、標準状態との差分を最小化する補整値を学習済みデータとして学習し、
   前記機器制御部は、繰り出しギャップ、媒体押し付け力、搬送速度、ガードタイム、集積エリアの前記可動部の可動機構をそれぞれ制御可能とし、
   前記制御部は、前記補整値を参照して前記機器制御部を介してそれぞれの前記可動部をリアルタイムに前記紙片の搬送の状態に合わせて最適化する
   ことを特徴とする請求項１から４の何れか一項に記載の紙片取扱装置。
6. 前記搬送機構部は、前記紙片を利用者が投入する投入口と、投入された前記紙片を集積する紙片集積部を含み、
   前記投入口と、前記搬送経路と、前記紙片集積部を、前記紙片を取り扱う毎に撮影するカメラ部を備え、
   前記学習部は、前記カメラ部で撮影された、前記投入口に投入された前記紙片の状態と、前記搬送経路を通過する前記紙片の状態と、前記紙片集積部に集積される前記紙片の状態と、それぞれの標準状態との差分情報とを取扱データと共に機械学習し、
   前記学習部は、標準状態との差分として抽出された、紙片の、外形、折れ癖、厚み方向長さ、セットずれ、異物混入、異物付着、もたつき、媒体間距離、斜行、集積状態、集積空きエリア、発生した折れ、繰り出し時間、媒体斜行率、変形形状を、因子として学習する
   ことを特徴とする請求項１から５の何れか一項に記載の紙片取扱装置。
7. 前記紙片は、紙幣であり、
   前記カメラ部では、前記投入口への利用者による前記紙幣のセット状態、前記紙幣の劣化状態、投入口からの前記紙幣の繰り出し状態、前記紙幣の搬送状態、前記紙幣の集積状態を、前記紙幣を取り扱う毎に撮影し、
   前記機械学習は、前記投入口への利用者による前記紙幣のセット状態、前記紙幣の劣化状態を利用者側因子情報として、前記投入口からの前記紙幣の繰り出し状態、前記紙幣の搬送状態、前記紙幣の集積状態を装置側因子情報として、繰り返し機械学習する
   ことを特徴とする請求項１から６の何れか一項に記載の紙片取扱装置。
8. 前記カメラ部は、前記搬送機構部内の機械学習に用いる撮影ポイントを、ミラー機能を有する反射面、及び／又は、魚眼レンズを用いて増加させることを特徴とする請求項１から７の何れか一項に記載の紙片取扱装置。
9. 利用者が紙片を入れる投入口を少なくとも撮影する第１のカメラ部で前記紙片を取り扱う毎に撮影して収集された画像群から前記利用者に起因する利用者側因子情報を抽出し、該利用者側因子情報から前記紙片の状態を学習済みデータとして予め機械学習し、
   前記紙片を取り扱う際に、前記機械学習で生成された前記学習済みデータと今回搬送経路を通過した前記紙片の状態とを比較して特徴一致を検出する処理を実行し、
   前記学習済みデータと利用者投入時の前記利用者側因子情報とを比較して特徴が一致した場合に、前記投入口に投入された前記紙片の状態と標準状態との差分情報を該当画像に関連付けて記憶手段に蓄積する
   ことを特徴とする紙片取扱装置の制御方法。
10. 紙片の投入口と搬送経路を含み、利用者が前記投入口に投入した紙片を搬送する搬送機構部と、前記投入口を少なくとも撮影し、前記投入口に投入された前記利用者に起因する前記紙片の状態が表れた画像を取得する第１のカメラ部を具備する紙片取扱装置の制御用コンピュータを、
    前記紙片を取り扱う毎に前記第１のカメラ部で撮影された画像群から前記投入口に投入された前記利用者に起因する利用者側因子情報を抽出し、該利用者側因子情報から、前記紙片の状態を学習済みデータとして機械学習する学習部と、
    前記学習部で生成された学習済みデータと利用者投入時の前記利用者側因子情報とを比較して特徴が一致した場合に、前記投入口に投入された前記紙片の状態と標準状態との差分情報を該当画像に関連付けて記憶手段に蓄積する制御部と、
    として動作させることを特徴とするプログラム。

Images