JPH09204522A - 紙幣識別方法 - Google Patents

Abstract

(57)【要約】 【課題】 汚れ、歪み等の影響を受けることなく、精度
良く紙幣の識別を行うことの従来の方法とは全く識別に
用いる紙幣の特徴量の異なる方法を提供する。 【解決手段】 入力されたセンサ信号から汚れや歪み等
の変動成分を抽出し、この変動成分から変動成分の推定
モデルを推定し、入力された変動成分を推定モデルと比
較することによって、変動成分のパターンから紙幣の真
偽を判定する方法である。このため事前に新券のデータ
から汚れ、歪み等の変動成分を抽出し、学習により変動
成分の推定モデルを作成する。取り込まれた被検査紙幣
の汚れ等の変動成分は前記推定モデルと位置的あるいは
時系列的に比較され、紙幣の真偽がなされる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は紙幣識別方法に係
り、特に識別される紙幣の各種汚れ等による識別精度へ
の影響を抑制する紙幣識別方法に関する。

【０００２】

【従来の技術】本発明に先行する技術として特開昭６０
−２１５２９３号公報がある。当該公報には紙幣を複数
のゾーンに分け、各ゾーンごとの検出データを前記各ゾ
ーンに対して予め求められている基準データと比較し、
前記各ゾーンにおける比較結果に基づいて前記紙幣を識
別する紙幣識別方法において、前記基準データを前記紙
幣の表裏、向き及び識別時の位置ずれに対応して複数個
設定すると共に、紙幣１枚に対して前記各ゾーンのデー
タを総計し、その総計値に対する比率値で基準パターン
データとして記憶しておき、前記検出データの総和値を
求めると共に、この総和値に対する比率値を検出パター
ンデータとして計算し、前記検出パターンデータが前記
基準パターンデータの許容値範囲内にある否かを判断
し、前記各ゾーン毎に前記基準パターンデータと前記検
出パターンデータとの差の絶対値を距離計算して総計
し、この距離計算の総計値が許容値よりも小さいか否か
を判断して紙幣識別を行うことを特徴とする紙幣識別方
法が開示されている。

【０００３】

【発明が解決しようとする課題】上記従来の汚れ、歪
み、その他の理由による紙幣の識別のバラツキを閾値を
用いて吸収する方法では、ある程度の識別のバラツキを
許容してしまうため、偽券を真券と誤認してしまうとい
う問題点があり、識別精度の低下の原因となっていた。

【０００４】そこで本発明では、汚れ、歪み等の影響を
受けることなく、精度良く紙幣の識別を行うことの従来
の方法とは全く識別に用いる紙幣の特徴量の異なる方法
を提供することを目的とする。

【０００５】

【課題を解決するための手段】本発明では、従来の被検
査紙幣のセンサ信号を基準信号とパターン比較する方法
に代えて、入力されたセンサ信号から汚れや歪み等のデ
ータの変動成分を抽出し、このデータの変動成分と、デ
ータの変動成分の推定モデルとを比較することによっ
て、紙幣の真偽を判定する方法である。

【０００６】このため事前に新券のデータから汚れ、歪
み等のデータの変動成分を抽出し、学習によりデータの
変動成分の推定モデルを作成する。取り込まれた被検査
紙幣のデータは前記推定モデルと位置的あるいは時系列
的に比較され、紙幣の真偽がなされる。

【０００７】被検査紙幣の所定位置のデータの変動成分
は自己回帰モデル、またはニューラルネットワークを用
いて推定される。このようにデータの変動成分から紙幣
の真偽の識別を行うため、識別精度は汚れの影響を殆ど
受けない。

【０００８】

【発明の実施の形態】以下本発明の紙幣識別方法の自己
（ＡＲ）回帰モデルを用いた一実施形態について図面に
基づき詳細に説明する。

【０００９】本方法は事前処理と紙幣投入時処理とに大
きく分けられ、夫々図２、図３にそのフローチャートを
示し、図１に全体の動作概念図を示す。事前処理は紙幣
のセンサ入力データの変動成分推定モデルを学習により
作成する処理であり、図２に開示されているように、ま
ず、ステップＳ１にて複数枚の真券（新札）をセンサし
て紙幣上のイメージや文字等の輝度や濃度のセンサ信号
を得、各センサ信号から基準データとしての基準波形
（例えば平均値データ波形）を得る。

【００１０】次にステップＳ２で前記基準波形を用いて
前記真券のデータから汚れや、歪み等の変動成分を各真
券毎に抽出する。そしてステップＳ３にて抽出された変
動成分のデータを用いて学習データを作成する。

【００１１】ここで言う学習に際しては、例えば図１に
示すように得られた変動成分のデータを周期的時系列信
号とみなして、自己回帰モデルとしての式を使い、

【００１２】

【数１】

【００１３】で表わされるある時間での汚れの式の係数
ａ１、ａ２、・・・、ａｐを求めることを言う。この場
合の学習データは、紙幣を何枚か並べて入力したときの
汚れ成分の時系列信号データに匹敵する。

【００１４】こうして作成された汚れ成分の周期的時系
列信号はステップＳ４において自己回帰分析の手法によ
り学習され、学習の結果紙幣１枚分の汚れの変動成分の
推定モデルが作成される。

【００１５】このようにして事前処理を行った後、実際
に紙幣が投入された際の真偽判定を行う投入時処理に移
る。紙幣投入時処理では、まず、ステップＳ１１で投入
された紙幣からのセンサ信号を入力する。

【００１６】次にステップＳ１２で入力された信号と前
記基準波形との差分を取って変動成分としての汚れ、歪
み成分の抽出を行う。ステップＳ１３では前記ステップ
Ｓ１２で得られた汚れ、歪み成分のデータに基づき、前
記推定モデルを用いた汚れの推定を自己回帰モデルの手
法で行ない、予測値を算出する。ここで、推定の方法に
ついて説明すると、前記事前処理により、推定モデルが
得られているので、前記数1と入力された紙幣の汚れ成
分データにより自己回帰分析の推定モデルから予測され
る汚れ成分を算出する（ステップＳ１３）。

【００１７】こうして得られた入力紙幣の変動成分とし
ての汚れの波形と、推定モデルの変動成分波形から、そ
の予測誤差をステップＳ１４にて算出し、この結果から
入力紙幣が予め定めておいた予測誤差の範囲に入ってい
る場合には、真と判定し、それ以外は偽と判定する（ス
テップＳ１５）。

【００１８】尚、前記事前処理あるいは投入後処理で
は、自己回帰モデルのみならず、重回帰モデルやニュー
ラルネットワークモデルを用いた推定モデルも利用でき
る。例えば重回帰モデルを用いた場合のデータの変動成
分の推定モデルの推定方法について説明すると、他変量
の対象となる要因データとして図４に示す如く対象とな
るデータの位置、データのばらつき、インクの濃さ、紙
の劣化度等が挙げられ、これらは前記数２に示したよう
に汚れの式の変数となる。

【００１９】

【数２】

【００２０】この場合対象となるデータの位置は紙幣を
取り込む際のエンコーダ等から入力すればよい。そして
データのばらつきは、入力されたセンサ信号と前記基準
波形の差分値の分散として次式により得ればよい。

【００２１】

【数３】

【００２２】また紙幣に印刷されているインクの濃さは
やはりそのばらつきとして要因データを構成し、前記数
３と同じような式

【００２３】

【数４】

【００２４】によって求められる。更に紙の劣化度につ
いては紙幣の白地の部分の透過率（入力データが透過セ
ンサから得られたものであればそのセンサ信号を併用で
きる）を用いて次式より算出した差分値の平均を用いる
ことができる。

【００２５】

【数５】

【００２６】以上の処理を図５のフローチャートにまと
めている。即ちステップＳ２１でデータの位置の測定を
行い、ステップＳ２２で位置データのばらつき度合の算
出を行い、ステップＳ２３でインクの濃さの算出を行
い、ステップＳ２４で紙の劣化度の算出を行い、最後に
これらの算出値と、事前処理にて得られた学習結果の係
数の値とを用いて変動成分としての汚れの推定モデルの
算出を行う処理である。

【００２７】もちろん前記算出値を用いて図６に示すよ
うにニューラルネットワークの入力値として使い、出力
で汚れ成分の推定モデル値を得るということもできる。
また重回帰モデルに代えて自己回帰モデルを用いて予測
を行う場合には、図７に示すように過去の汚れデータを
時系列的に並べて、これを基にして現在の汚れを前記数
２を用いて算出し、これを汚れの推定モデルとすること
になる。

【００２８】もちろん自己回帰モデルをニューラルネッ
トワークの入力として用いることにより前記図６と同様
に汚れの推定モデルを得ることも可能である（図８参
照）。以上のようにして重回帰モデル、ニューラルネッ
トワークモデルを用いた場合でも、入力紙幣から変動成
分としての汚れ、歪み成分の抽出が行われ、事前処理に
おける学習結果から変動成分としての汚れ成分の推定モ
デルの作成が行われると、これらの２つの変動成分が比
較されて、予測誤差が算出される。

【００２９】そして前記予測誤差は、自己回帰モデルの
場合と同様に、予め定められた閾値と比較され、その結
果をもって入力された紙幣の真偽の判定がなされる。
尚、前記ステップＳ１５の真偽の判定は次のようにして
行われる。即ち、入力された紙幣から抽出された変動成
分としての汚れの成分と、推定により求めた推定モデル
の変動成分との差分をとり、これを推定できなかった予
測誤差成分として抽出する。

【００３０】そして、得られた予測誤差成分が大きいほ
ど偽券である可能性が高いと判断するため、所定の閾値
を設定して、この閾値より大きいか否かで判定を行うと
いうことになる。

【００３１】

【発明の効果】本発明は以上の説明のように従来の入力
された紙幣のパターンそれ自身を標準のパターンと比較
し、その差の幅が一定以上のときをもって偽券と判断す
る方法に代えて、入力紙幣のパターンから汚れ成分等の
変動成分を抽出し、これを推定された推定モデルによる
汚れ成分等の変動成分の予測値と比較して、その差が所
定値以上のときをもって偽券と判断するものであるか
ら、識別に用いる閾値の幅を減少し、識別精度を向上さ
せる効果がある。

【００３２】もちろん変動成分同士の比較になるのでデ
ータ量が少なくなり、識別時間の短縮化が図れることは
言うまでもない。

【図面の簡単な説明】

【図１】本発明の紙幣識別方法の手順およびデータの特
徴を示す概念図である。

【図２】事前処理のフローチャートである。

【図３】紙幣投入時処理を示す図である。

【図４】重回帰モデルを用いた変動成分の予測方法を示
す概念図である。

【図５】重回帰モデルを用いた変動成分の予測手順を示
すフローチャートである。

【図６】重回帰モデルのニューラルネットワークへの適
用を示す概念図である。

【図７】自己回帰モデルを用いた変動成分の予測方法を
示す概念図である。

【図８】自己回帰モデルのニューラルネットワークへの
適用を示す概念図である。

Claims (4)

【特許請求の範囲】
1. 【請求項１】 紙幣の真偽を磁気または光を利用したセ
   ンサによって識別する方法であって、前記センサより入
   力された被検査紙幣のデータの変動成分を予め作成して
   おいたデータ変動成分推定モデルにより推定し、その合
   致度合により紙幣の真偽を判定する紙幣識別方法。
2. 【請求項２】 上記センサによる複数の真券のデータを
   予め記憶しておいた基準データと比較して該真券のデー
   タの変動成分を抽出し、抽出された変動成分のデータに
   よりデータ変動成分の推定モデルを学習により得ること
   を特徴とする上記請求項１記載の紙幣識別方法。
3. 【請求項３】 対象となる被検査紙幣の前記センサによ
   り入力されるデータの位置、該データのばらつき、イン
   クの濃度、紙の劣化度等の情報から、上記変動成分推測
   モデルによってその位置あるいは時刻での変動成分を予
   測し、入力紙幣の変動成分と予測された変動成分との比
   較により紙幣の真偽を判定する上記請求項１又は２記載
   の紙幣識別方法。
4. 【請求項４】 上記任意の位置におけるデータの変動成
   分の予測は、重回帰モデル、自己回帰モデルあるいはニ
   ューラルネットワークの何れか一つを用いて行われるこ
   とを特徴とする上記請求項３記載の紙幣識別方法。