JP4306027B2 - 紙葉類の真偽鑑別装置 - Google Patents

Description

【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、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、前記紙葉類の搬送条件を検出する搬送条件検出手段と、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。
【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２２、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３５ｄ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２１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２２、トラック値検出手段２５及びカテゴリ値検出手段２７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２２（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１０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０００００１ｂ０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２８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、ＣＨ２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ＣＨ１、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、ＣＨ２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３４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 ^k Ｏ_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 ^k Ｏ_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ΔｐＷ_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（１６）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４５ａ、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４５ａ₂ 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２５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１４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３４ｂ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３５ａ₃ 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３５ａ₁ 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３２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３４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３５ａ₃ （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、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、前記紙葉類の搬送条件を検出する搬送条件検出手段と、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。
【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
３０ Ａ／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

Claims (5)

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、
   （ｅ）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、
   （ｆ）前記紙葉類の搬送条件を検出する搬送条件検出手段と、
   （ｇ）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ことを特徴とする紙葉類の真偽鑑別装置。
2. （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とともに、
   （ｅ）該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ことを特徴とする紙葉類の真偽鑑別装置。
3. （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とともに、
   （ｅ）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、
   （ｆ）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ことを特徴とする紙葉類の真偽鑑別装置。
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１〜３のいずれか１項に記載の紙葉類の真偽鑑別装置。
5. 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１〜３のいずれか１項に記載の紙葉類の真偽鑑別装置。

Images