JPH04123191A - 検銭装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〈産業上の利用分野〉 本発明は、硬貨を鑑別するための検銭装置に関する。

〈従来の技術〉 例えば、自動販売機等において１０円、５０円、１００
円、５００円等の硬貨を鑑別するために組み込まれる検
銭装置における従来の硬貨鑑別方式としては、各種硬貨
の特徴点として外径、厚み９重量及び材質等に着目して
、例えば、各種硬貨について基準として定めた正規硬貨
により前記特徴点の判定範囲を設定すると共に、想定し
た偽硬貨から前記特徴点に関する判定範囲を設定し、鑑
別する硬貨が正規硬貨の判定範囲に入っているか否か、
且つ、偽硬貨の判定範囲に入っていないか否かの、両方
の判定を機械的に行って硬貨の種類及び真偽の鑑別を行
うようにしている。

〈発明が解決しようとする課題〉 しかしなから、従来の方式では、上述したように硬貨の
種類を鑑別するための判定範囲及び硬貨の真偽を鑑別す
るための判定範囲を設定する必要があり、そして、再判
定範囲を的確に設定することが難しかった。

即ち、正規硬貨であっても、外径、厚さ２重量等にばら
つきかあり、新しいものと古いものとては、経年変化に
より更にそのばらつきか大きくなり、これを考慮する必
要かある。また、鑑別装置側においても、部品のばらつ
き及び経年変化等を考慮する必要かある。このため、上
述のばらつき要因を考慮せずにあまり厳格に判定範囲を
設定すると、正規の硬貨でも偽硬貨と判定する頻度が高
くなる一方、前記要因を考慮して判定範囲を大まかに設
定すると逆に偽硬貨を真の硬貨と判定する頻度か高くな
る。従って、前記判定範囲を的確に設定することは難し
く、鑑別精度には限界かあった。

本発明は上記の事情に鑑みなされたもので、難しい硬貨
の特徴点の判定範囲を設定する必要かなく、しかも判定
精度の優れた検銭装置を提供することを目的とする。

〈課題を解決するための手段〉 このため本発明は、硬貨を投入した時に発生する衝撃音
響を電気信号に変換する変換手段と、該変換手段から出
力される電気信号から所定の音響特性を抽出する音響特
性抽出手段と、該音響特性抽出手段から出力された音響
特性信号をニューラルネットの入力パターンに変換処理
する入力処理手段と、鑑別対象となる複数種の硬貨に関
する前記所定の音響特性の特徴か予め学習されており、
前記入力処理手段の出力を入力し、当該入力され音響特
性か予め学習された前記複数種の鑑別対象硬貨のとれに
該当するか及び硬貨の真偽を示す判定信号を出力するニ
ューラルネットとを備えて構成した。

〈作用〉 かかる構成において、鑑別する硬貨を投入した時の衝撃
音響を変換手段によって電気信号に変換し、次いで、変
換手段から出力される衝撃音響に対応する電気信号から
音響特性抽出手段により、予め定めた音響特性を抽出す
る。抽出した音響特性信号を入力処理手段に入力してニ
ューラルネットの入力パターンに変換処理した後、ニュ
ーラルネットに入力する。ニューラルネットには、鑑別
対象となる複数種の硬貨の前記音響特性について予め学
習させてあり、入力信号をその学習に従って処理するこ
とにより、鑑別する硬貨の音響特性か、学習されている
複数種の硬貨のうちのどれに該当するか及び真の硬貨か
偽硬貨かを示す判定信号を出力する。

即ち、鑑別する硬貨の音響特性に対応する処理信号を入
力した時に硬貨の種類及び真偽を判別できるように、予
めニューラルネットに鑑別対象硬貨のそれぞれの音響特
性を学習させておくことにより、難しい鑑別対象硬貨の
それぞれの判定範囲を設定することなくニューラルネッ
トに、投入された硬貨の音響特性信号を入力するだけて
硬貨の種類及び真偽が判別できる。

〈実施例〉 以下、本発明の一実施例を図面に基づいて説明する。

第１図において、硬貨１は投入口２から投入されガイド
３を介して金属板４上に落下するように構成される。該
金属板４の近傍には、硬貨１か金属板４上に落下した際
に発生する衝撃音を集音して電気信号に変換する変換手
段としてのマイクロフォン５を配置しである。

マイクロフォン５の出力は、増幅回路６により増幅され
た後、第３図に示すような音響特性の１っである音圧レ
ベル波形として直接に、また、それぞれ異なる所定の周
波数帯域の信号のみ通過させる周波数帯域フィルタ７を
介して第４図に示すもう１つの音響特性である周波数分
布波形として、それぞれ対応するＡ／Ｄ変換回路８，９
に入力されてデジタル値に変換される。ここで、前記周
波数帯域フィルタ７の各周波数帯域は、予め実験により
鑑別対象の各種硬貨に関して、金属板４に落下した際に
発生する衝撃音の周波数分布特性を調へておき、硬貨に
よって最も顕著な違いか現れる高調波成分の周波数帯域
を選択する。ここで、前記増幅回路６及び周波数帯域フ
ィルタフにより音響特性抽出手段を構成している。

Ａ／Ｄ変換回路８．９１０からのデジタル値は、後述す
るニューラルネット１２への入力をパラレルに入力させ
るため、−旦それぞれのメモリ１０．１１に記憶する。

この場合、第５図及び第６図に示すように、増幅された
アナログ出力を所定間隔のサンプリング時間ｔ１てサン
プリングし、そのサンプリング値ｖ１をＡ／Ｄ変換し、
そのデジタル値す、をそれぞれのメモリ１０．１１の各
アドレスａに順次格納する。そして、メモリ１０．１１
の各アドレスａ１に格納されたデジタル値す、を、ニュ
ーラルネット１２の入力層の各ユニットに対応させる。

従って、前記Ａ／Ｄ変換回路８．９及びメモＩＪＩ０゜
１１により人力処理手段を構成している。

Ａ／Ｄ変換後、メモ１月０，１１に格納された硬貨１の
音圧レベル信号及び周波数分布信号は、ニューラルネッ
ト１２に入力され、該ニューラルネット１２による演算
によって予め特定された複数の鑑別対象硬貨のうちのど
れに該当するか又は硬貨の真偽を示す判定信号か出力さ
れて硬貨ｌが鑑別される。

ここで、ニューラルネットについて簡単に説明する。

ニューラルネットとは、人間の脳を真似たネットワーク
で、脳のニューロン（神経細胞）に対応したユニットか
複数個、複雑に接続し合ったもので、各ユニットの動作
及びユニット間の接続形態をうまく決めること（学習）
で、パターン認識機能や知識処理機能を埋め込むことか
でき、例えば「日経エレクトロニクスＪ　１９８７年８
月１０日号（Ｎα４２７）のＰ１１５〜Ｐ１２４等に紹
介されている。

まず、ニューロンをモデル化したユニットの構造を第７
図に示す。ユニットにューロンモデル）Ｕｉは、他のユ
ニットからの入力○ｊの総和を一定の規則で変換し、出
力Ｏｉとするか、他のユニットとの結合部にはそれぞれ
可変の重みＷｉｊ（シナプスウェイト）か付いている。

この重みＷＩＪは、各ユニット間の結合の強さを表すた
めのもので、この値を変えると接続状態を変えなくても
実質的にニューラルネットの構造か変わることになる。

ニューラルネットの学習とは、この値を変えることてあ
って、重みＷＩＪは正、七ロ、負の値をとる。

あるユニットＵｉか他の複数のユニットから入力を受け
た場合、その入力の総和をＮＥＴで表すとすると、ユニ
ットＵｉの入力の総和は、ＮＥＴｉ＝ΣＷｉｊ・Ｏｊ となる。

各ユニットＵｉは、この入力の総和ＮＥＴを関数ｆに適
用し、次式に示すように出力Ｏｉに変換する。

０ｉ＝ｆ　　（ＮＥＴｉ） ＝ｆ（ΣＷｌｊ・Ｏｊ） この間数ｆは各ユニットＵｉ毎に違って良いか、一般に
は第８図に示したｓｉｇｍｏｉｄ関数を使う。

このｓｉｇｍｏｉｄ関数は、微分可能な疑似線型関数で
、 て表せる。値域は０〜ｌで、入力値が大きくなるにつれ
１に、小さくなるにつれ０に近づく。入力か０のときは
０．５となる。しきい値θ（バイアス）を加えて、 とする場合もある。

第９図はネットワークの構造の一例を示す図で、入力層
、中間層、出力層からなる階層構造のものを示しである
。各ユニットは、入力層から出力層に向けて接続される
か、各層内のユニット同士は接続しない。また、入カニ
ニットと出カニニットは独立している。

このようなニューラルネットにおいて、入力層の各ユニ
ットに入力データを与えると、この信号は各ユニットで
変換され、中間層に伝わり、最後に出力層から出てくる
か、望ましい出力を得るためには各ユニット間の結合の
強弱、即ち重みを適切な値に設定する必要かある。この
重みの設定は、ニューラルネットを次のように学習させ
ることによって行う。

まず、最初は、すべての重みをランダムに設定しておき
、入力層の各ユニットに学習用の入力データ（予め望ま
しい出力が分かっているデータ）を与える。そして、こ
のとき出力層の各ユニットから出てきた出力値と望まし
い出力値とを比べ、その差（誤差）を減らすように各重
みの値を、出力層側から順次修正する。そして、これを
多数の学習データを用いて誤差か収束するまで繰り返す
ものである。

本実施例のニューラルネット１２は、第２図に示すよう
に、入力層、中間層、出力層によって構成され、入力層
は、第３図及び第４図に示す時間軸及び周波数軸に対し
サンプリングした回数と同じ数のユニットＵ、、Ｕ２　
・・・Ｕ８からなっており、各ユニットＵ、、Ｕ２　・
・・Ｕ、に対して対応する信号値がそれぞれメモ１月０
，１１から切り換え入力されるようになっている。

中間層の各ユニットＵ、、Ｕ２　・・・Ｕｙは、入力層
の各ユニットＵ、、Ｕ、　　・・・Ｕ、の全てと結合し
ている。尚、中間層のユニット数は経験的に決定される
。また、本実施例のように、１層構造の他、２層、３層
等複数層構造にしてもよい。

出力層の各ユニットＵ　１．　Ｕ　２　　・・・Ｕ、は
、中間層の各ユニットＵ、、Ｕ、　　・・・Ｕ、と全て
結合している。出力層のユニット数は、鑑別対象硬貨の
数に硬貨の真偽判定のため１つのユニットを加えた数と
なっている。

そして、投入された硬貨ｌの音響特性パターン（本実施
例では、音圧レベルパターンと周波数分布パターン）か
、ニューラルネット１２に入力したときにその硬貨を鑑
別させるため、予め鑑別対象となる各種硬貨の前記音圧
レベルパターンと周波数分布パターンをそれぞれ学習さ
せておく。即ち、各種硬貨の予め分かっている音圧レベ
ルパターンをニューラルネット１２に入力し、硬貨の種
類とニューラルネット１２の判定信号とか一致するよう
に、入力データを変えなからニューラルネット１２に入
力して、ユニット間の重みを出力層側から順次修正して
判定の正解率を徐々に高めていく。また、周波数分布パ
ターンに関しても同様にして学習させておく。かかる学
習によって、ある硬貨の音圧レベルパターンを人力した
時にその硬貨に対応する出力層のユニットの出力のみ力
用となり、次にニューラルネット１２の入力を切り換え
て、同一硬貨の周波数分布パターンを入力した時に出力
層の同じユニットの出力のみか１となるようにする。

このように予め学習させたニューラルネット１２に対し
て、第３図及び第４図に示すように、投入された硬貨１
の音圧レベルと周波数分布のアナログ電気信号波形を変
換処理して得られた波形画像信号を入力すれば、硬貨の
種類の鑑別及び硬貨の真偽の鑑別が高い精度て行うこと
かてきる。また、硬貨鑑別のための難しい判定範囲を設
定する必要かない、更に、鑑別対象か変化した場合でも
、それに応じた学習を行うことにより容易に対応できる
。

即ち、ニューラルネットＩ２を用いた硬貨の鑑別におい
ては、予め鑑別対象の硬貨の音響特性パターンを定め、
かかる音響特性パターンで必要とされる鑑別能力を設定
すれば、あとはニューラルネット１２のニーニット構成
を決定し、サンプルとなる音響特性パターンデータをニ
ューラルネット１２に入力させて所望の答えか出てくる
ように学習させることにより、高精度に硬貨を鑑別させ
ることかできるものである。

尚、本実施例では、硬貨鑑別のため入力する音響特性デ
ータとして、音圧レベル特性と周波数分布特性の両方を
使用するようにしたか、硬貨間の相違か顕著に現れるな
らば、どちらか１つの音響特性データを使用すればよい
。

〈発明の効果〉 以上説明したように本発明によれば、硬貨の特徴的な音
響特性を電気信号波形に変換し、これをニューラルネッ
トの入力パターンに変換処理してニューラルネットに入
力して鑑別させるようにしたので、硬貨を鑑別するため
の難しい判定範囲の設定をする必要かなくなり、また、
複雑な機械的機構も不要となり容易に高精度な硬貨鑑別
システムを得ることかできる。また、鑑別対象か変化し
た場合でも、学習を追加実行するたけて容易に対応がで
きる。

【図面の簡単な説明】

第１図は本発明の一実施例を示すシステム構成図、第２
図は同上実施例のニューラルネットの構成を示す概略図
、第３図及び第４図は各音響特性のアナログ波形を変換
処理した場合の状態を示す図、第５図はアナログ電気信
号波形のデンタル変換動作を説明する図、第６図はデジ
タル値のメモリ格納状態を示す図、第７図〜第９図はニ
ューラルネットを説明するための図で、第７図はユニッ
トの構成図、第８図はユニットの人出力特性の一例を示
す図、第９図は一般的なニューラルネットの構造を示す
図である。 １・・・硬貨　　４・・金属板　　５・・・マイクロフ
ォン　　６・・・増幅回路　　７・・・フィルタ　　８
，９・・Ａ／Ｄ変換回路　　１０．１１・・・メモリ　
　１２・・・ニューラルネット

Claims (1)

【特許請求の範囲】
1. 硬貨を投入した時に発生する衝撃音響を電気信号に変換
   する変換手段と、該変換手段から出力される電気信号か
   ら所定の音響特性を抽出する音響特性抽出手段と、該音
   響特性抽出手段から出力された音響特性信号をニューラ
   ルネットの入力パターンに変換処理する入力処理手段と
   、鑑別対象となる複数種の硬貨に関する前記所定の音響
   特性の特徴が予め学習されており、前記入力処理手段の
   出力を入力し、当該入力され音響特性が予め学習された
   前記複数種の鑑別対象硬貨のどれに該当するか及び硬貨
   の真偽を示す判定信号を出力するニューラルネットとを
   備えて構成したことを特徴とする検銭装置。