KR20230119999A - Yolo 알고리즘 기반의 은행권 식별 시스템 및 그 방법 - Google Patents

Yolo 알고리즘 기반의 은행권 식별 시스템 및 그 방법 Download PDF

Info

Publication number
KR20230119999A
KR20230119999A KR1020220016459A KR20220016459A KR20230119999A KR 20230119999 A KR20230119999 A KR 20230119999A KR 1020220016459 A KR1020220016459 A KR 1020220016459A KR 20220016459 A KR20220016459 A KR 20220016459A KR 20230119999 A KR20230119999 A KR 20230119999A
Authority
KR
South Korea
Prior art keywords
banknote
image
identification information
identification
learning
Prior art date
Application number
KR1020220016459A
Other languages
English (en)
Inventor
표영빈
이영수
이가영
Original Assignee
대한민국(관리부서: 행정안전부 국립과학수사연구원장)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 대한민국(관리부서: 행정안전부 국립과학수사연구원장) filed Critical 대한민국(관리부서: 행정안전부 국립과학수사연구원장)
Priority to KR1020220016459A priority Critical patent/KR20230119999A/ko
Priority to PCT/KR2023/001684 priority patent/WO2023153747A1/ko
Publication of KR20230119999A publication Critical patent/KR20230119999A/ko

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
    • G07D11/00—Devices accepting coins; Devices accepting, dispensing, sorting or counting valuable papers
    • G07D11/50—Sorting or counting valuable papers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
    • G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 YOLO 알고리즘 기반의 은행권 식별 시스템 및 그 방법에 관한 것이다.
본 발명에 따르면, 은행권 식별 시스템은 조도, 촬영각도 및 객체와의 거리를 각각 상이하게 설정한 상태에서 촬영된 은행권 영상과 상기 은행권에 대한 정보를 입력받는 입력부, 상기 입력된 은행권 영상 및 상기 은행권에 대한 정보를 권종별로 분류하여 저장하고, 저장된 은행권 영상으로부터 은행권에 대한 영역을 추출한 다음, 추출된 영역에 대한 데이터를 증폭시키는 전처리부, 상기 증폭된 데이터를 학습데이터로 하여 학습모델을 학습시키는 학습부, 그리고 식별하고자 하는 은행권을 촬영한 식별 대상 영상을 입력받고, 상기 식별 대상 영상을 학습이 완료된 학습모델에 입력하여 상기 식별정보를 획득하고, 상기 획득한 식별 정보를 이용하여 은행권 판단 결과를 도출하는 제어부를 포함한다.

Description

YOLO 알고리즘 기반의 은행권 식별 시스템 및 그 방법{System for banknote identifying based on YOLO algorithm and method thereof}
본 발명은 YOLO 알고리즘 기반의 은행권 식별 시스템 및 그 방법에 관한 것으로서, 더욱 상세하게 설명하면 스마트폰을 통해 지폐를 촬영하여 획득한 영상을 학습이 완료된 학습모델에 입력하여 상기 지폐를 권종별로 식별하는 은행권 식별 시스템 및 그 방법에 관한 것이다.
신용카드 사용이 대중화 보편화되면서 많은 사람들이 현금 대신 카드 사용을 선호하고 있지만 아직도 우리 실생활에서는 현금사용처도 많은 실정이다.
종래에는 현금을 식별하기 위하여 지폐를 불빛에 비추어보거나 기울인 각도에 따라 숨어있는 홀로그램을 찾아내는 방법을 통해 위변조지폐를 판별하였다.
그러나, 요즘 위변조지폐는 육안으로 구별하기 힘들 정도로 정교해지고 있다. 최근에는 스마트폰과 스마트폰에 부착되는 렌즈를 이용하여 위폐여부를 간편하게 확인할 수 있는 시스템이 개발되었다.
종래에는 위폐 실물 감정을 위해 감정의뢰에서 감정서 회보까지 약 한 달 정도 소요되었지만, 스마트폰을 이용한 원격 감정 시스템을 이용하면 의뢰부터 감정서 회보까지 1일 이내로 대폭 줄일 수 있다.　또한 수사관이 현장에서도 확인할 수 있는 장점이 있었다.
그러나, 스마트폰을 이용한 원격 감정 시스템은 일반광과 자외선으로 촬영할 수 있는 특수 렌즈를 설치되어야 하고, 스마트폰 화면의 규격에 따라 지폐를 정확하게 위치시킨 상태에서 촬영해야 되는 번거로움이 존재하였다.
한국등록특허 제 10-1707218 호(2017.02.15. 공고)
이와 같이 본 발명에 따르면, 스마트폰을 통해 지폐를 촬영하여 획득한 영상을 학습이 완료된 학습모델에 입력하여 상기 지폐를 권종별로 식별하는 은행권 식별 시스템 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면 은행권 식별 시스템은 조도, 촬영각도 및 객체와의 거리를 각각 상이하게 설정한 상태에서 촬영된 은행권 영상과 상기 은행권에 대한 정보를 입력받는 입력부, 상기 입력된 은행권 영상 및 상기 은행권에 대한 정보를 권종별로 분류하여 저장하고, 저장된 은행권 영상으로부터 은행권에 대한 영역을 추출한 다음, 추출된 영역에 대한 데이터를 증폭시키는 전처리부, 상기 증폭된 데이터를 학습데이터로 하여 학습모델을 학습시키는 학습부, 그리고 식별하고자 하는 은행권을 촬영한 식별 대상 영상을 입력받고, 상기 식별 대상 영상을 학습이 완료된 학습모델에 입력하여 상기 식별정보를 획득하고, 상기 획득한 식별 정보를 이용하여 은행권 판단 결과를 도출하는 제어부를 포함한다.
상기 전처리부는, 상기 은행권 영상으로부터 은행권에 해당하는 영역을 추출하되, 상기 영역은, 은행권과 맞닿은 지점이 1개소 이상이며, x축과 y축이 평행한 변으로 이루어진 직사각형으로 형성될 수 있다.
상기 전처리부는, 상기 추출된 영역에 대해 외곽 영역 제거, 회전, 수평이동 및 배율 조절 중에서 적어도 하나의 방법을 수행하여 은행권 영상을 증폭시킬 수 있다.
상기 학습부는, 상기 증폭된 은행권 영상을 YOLO(You Only Look Once) 알고리즘 기반의 학습모델에 입력하고, 상기 학습모델은, 상기 증폭된 은행권 영상을 학습하여 은행권에 해당하는 영역을 추출하고, 추출된 영역에 대한 은행권 식별 정보를 출력할 수 있다.
상기 은행권 식별 정보는, 상기 영역의 좌표값, 은행권의 종류, 은행권의 점유율, 검출 결과의 신뢰도 중에서 적어도 하나를 포함할 수 있다.
상기 제어부는, 상기 기본 문턱치를 설정하고, 상기 은행권 식별 정보에 포함된 검출 결과의 신뢰도와 상기 기본 문턱치를 비교하여 은행권 영상 내에 포함된 은행권 식별 결과를 출력할 수 있다.
상기 제어부는, 상기 검출 결과의 신뢰도가 상기 기본 문턱치 보다 크면, 상기 은행권 식별 정보에 포함된 은행권의 종류를 최종 결과로 출력할 수 있다.
상기 제어부는, 상기 검출 결과의 신뢰도가 상기 기본 문턱치 보다 작으면, 상기 은행권 식별 정보에 포함된 은행권의 점유율이 임계치 이상인지 여부를 판단하고, 상기 은행권 점유율이 임계치 이상이면 상기 기본 문턱치를 이용하여 가변 문턱치를 산출할 수 있다.
상기 가변 문턱치는, 하기의 수학식을 이용하여 산출될 수 있다.
가변 문턱치 = 기본 문턱치 + ((1- (점유율과 0.7중 큰 수치)) x 10)^4 * 0.006
상기 제어부는, 상기 산출된 가변 문턱치와 상기 검출 결과의 신뢰도를 비교하고, 비교한 결과 상기 가변 문턱치가 신뢰도보다 크면, 상기 은행권 식별 정보에 포함된 은행권의 종류를 최종 결과로 출력할 수 있다.
또한, 본 발명의 실시예에 따르면 은행권 식별 시스템을 이용한 은행권 식별 방법은 조도, 촬영각도 및 객체와의 거리를 각각 상이하게 설정한 상태에서 촬영된 은행권 영상과 상기 은행권에 대한 정보를 입력받는 단계, 상기 입력된 은행권 영상 및 상기 은행권에 대한 정보를 권종별로 분류하여 저장하고, 저장된 은행권 영상으로부터 은행권에 대한 영역을 추출한 다음, 추출된 영역에 대한 데이터를 증폭시키는 단계, 상기 증폭된 데이터를 학습데이터로 하여 학습모델을 학습시키는 단계, 그리고 식별하고자 하는 은행권을 촬영한 식별 대상 영상을 입력받고, 상기 식별 대상 영상을 학습이 완료된 학습모델에 입력하여 상기 식별정보를 획득하고, 상기 획득한 식별 정보를 이용하여 은행권 판단 결과를 도출하는 단계를 포함한다.
이와 같이 본 발명에 따르면, 스마트폰에 설치된 카메라를 이용하여 촬영된 은행권 영상을 이용하여 은행권으로 권종별로 식별할 수 있고, 은행권 영상으로부터 추출된 영역에 전처리 과정을 수행하여 데이터를 증폭시킴으로써, 소량의 데이터로도 학습모델을 학습시킨 수 있다.
도 1은 본 발명의 실시예에 따른 은행권 식별 시스템을 설명하기 위한 구성도이다.
도 2는 본 발명의 실시예에 따른 은행권 식별 시스템을 이용한 은행권 식별 방법을 설명하기 위한 순서도이다.
도 3은 도 2에 도시된 S220단계를 설명하기 위한 예시도이다.
도 4는 도 2에 도시된 S220단계를 설명하기 위한 예시도이다.
도 5는 도 2에 도시된 S280단계를 설명하기 위한 예시도이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하에서는 도 1을 이용하여 본 발명의 실시예에 따른 은행권 식별 시스템에 대하여 더욱 상세하게 설명한다.
도 1은 본 발명의 실시예에 따른 은행권 식별 시스템을 설명하기 위한 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 은행권 식별 시스템(100)은 입력부(110), 전처리부(120), 학습부(130) 및 제어부(140)를 포함한다.
먼저, 입력부(110)는 스마트폰에 설치된 카메라를 이용하여 촬영된 은행권 영상을 입력받는다, 또한, 입력부(110)는 촬영된 은행권에 대한 정보를 입력받는다.
전처리부(120)는 입력된 은행권 영상 및 은행권에 대한 정보를 권종별로 분류하여 저장한다. 그리고, 전처리부(120)는 저장된 은행권 영상으로부터 은행권에 대한 영역을 추출하고, 추출된 영역을 변조하여 은행권 영상을 증폭시킨다.
그 다음, 학습부(130)는 증폭된 은행권 영상을 이용하여 생성된 학습데이터를 이용하여 기 구축된 학습모델을 학습시킨다. 부연하자면, 학습부(130)는 YOLO(You Only Look Once) 알고리즘 기반의 학습모델을 구축하고, 은행권 영상을 입력데이터로 하여 학습모델을 학습시킨다.
그러면, 학습모델은 은행권 영상으로부터 영역을 추출하고, 추출된 영역에 대한 은행권 식별 정보를 출력한다.
마지막으로 제어부(140)는 식별하고자 하는 은행권 영상을 촬영한 식별 대상 영상을 입력받는다. 제어부(140)는 입력된 식별 대상 영상을 학습이 완료된 학습모델에 입력하여 학습모델로부터 은행권 식별 정보를 획득한다. 그 다음, 제어부(140)는 획득한 은행권 식별 정보를 이용하여 은행권에 대한 판단 결과를 도출하고, 도출된 판단 결과를 사용자의 스마트폰에 전달한다.
이하에서는 도 2 내지 도 5를 이용하여 은행권 식별 시스템(100)을 이용한 은행권 식별 방법에 대해 더욱 상세하게 설명한다.
도 2는 본 발명의 실시예에 따른 은행권 식별 시스템을 이용한 은행권 식별 방법을 설명하기 위한 순서도이다.
도2에 도시된 바와 같이, 본 발명의 실시예에 따른 은행권 식별 시스템 이용한 은행권 식별 방법은 학습 모델을 학습시키는 단계와, 학습이 완료된 학습 모델을 이용하여 은행권을 식별하는 단계로 나뉘어진다.
학습 모델을 학습시키는 단계에 있어서, 먼저 은행권 식별 시스템(100)은 은행권 영상 및 은행권에 대한 정보를 입력받는다(S210).
부연하자면, 입력부(110)는 스마트폰에 설치된 카메라를 이용하여 촬영한 은행권 영상을 입력받는다. 은행권 영상은 은행권에 대한 식별인 완료된 영상이며, 조도, 촬영각도 및 객체와의 거리를 각각 상이하게 설정한 상태에서 촬영된 영상이다. 그리고, 입력부(110)는 은행권 영상에 포함된 은행권에 대한 정보를 입력받는다. 여기서, 은행권에 대한 정보는 은행권에 대한 종류, 은행권을 식별할 수 있는 특징 등을 포함한다.
그 다음, 전처리부(120)는 입력된 은행권 영상으로부터 은행권에 대한 영역을 추출하고, 추출한 영역을 변형하여 입력된 은행권 영상을 증폭시킨다(S220).
도 3은 도 2에 도시된 S220단계를 설명하기 위한 예시도이다.
도 3에 도시된 바와 같이, 전처리부(120)는 은행권 영상으로부터 은행권에 해당하는 영역을 추출한다. 여기서 은행권에 해당하는 영역은 은행권과 맞닿은 지점이 1개소 이상이며, x축과 y축이 평행한 변으로 이루어진 직사각형으로 형성된다.
전처리부(120)는 추출된 영역에 대해 전처리 과정을 수행하여 입력된 은행권 영상을 증폭시킨다. 부연하자면, 전처리부(120)는 추출된 영역에 대해 외곽 영역 제거, 회전, 수평이동 및 배율 조절 중에서 적어도 하나의 방법을 수행하여 은행권 영상을 증폭시킨다.
먼저, 외곽 영역 제거 방법은 은행권 영역의 외곽을 제거하되 은행권 영상에 포함된 전체 픽셀 대비 0%에서 10%에 해당하는 만큼 제거한다.
그리고 회전 방법은 90°, 180°, 270°중에서 선택된 방향각을 이용하여 은행권 영상을 회전시킨다.
도 4는 도 2에 도시된 S220단계를 설명하기 위한 예시도이다.
도 4에 도시된 바와 같이, 전처리부(120)는 입력된 은행권 영상을 90° 회전시켜 원본의 은행권 영상으로부터 새로운 은행권 영상을 생성한다.
수평 이동 방법은 은행권 영역을 x축 또는 y축으로 이동시키되, 은행권 영상에 포함된 전체 픽셀 대비 10%정도만 좌우상하로 이동시킨다.
마지막으로 배율 조절 방법은 은행권 영역의 배율을 80%에서 120%로 확대 또는 축소하여 배율을 조절한다.
상기와 같은 4가지 방법 중에서 적어도 하나의 방법을 이용하여 원본의 은행권 영상으로부터 새로운 은행권 영상을 생성하여 은행권 영상을 증폭시킨다.
S220단계가 완료되면, 학습부(130)는 증폭된 은행권 영상을 이용하여 구축된 학습모델을 학습시킨다(S230).
먼저, 학습부(130)는 CSPDarknet53 backbone 기반의 YOLO(You Once Look Once) 알고리즘의 학습모델을 구축한다. 학습모델은 스마트폰 단말기에서 원활한 작업 수행을 하도록 convolutional 레이어와 yolo 레이어를 적게 구성하여 요구되는 연산량을 줄여 속도를 향상시키는 것이 바람직하다.
그 다음, 학습부(130)는 은행권 영상으로부터 무작위로 추출되어 형성된 학습데이터를 학습모델에 입력한다. 그러면, 학습모델은 입력된 학습데이터를 이용하여 은행권 영역을 검출하고, 검출된 영역에 대한 은행권 식별 정보를 출력한다. 여기서, 은행권 식별 정보는 영역의 좌표값, 은행권의 종류, 은행권의 점유율, 검출 결과의 신뢰도 중에서 적어도 하나를 포함한다.
S210 단계 및 S230단계를 통해 학습 모델에 대한 학습이 완료되면, 본 발명의 실시예에 따른 은행권 식별 시스템(100)은 학습된 학습 모델을 이용하여 은행권을 식별한다.
은행권 식별 시스템(100)은 식별하고자 하는 은행권을 촬영한 식별 대상 영상을 입력받는다(S240).
입력부(110)는 사용자의 스마트폰으로부터 식별 대상 영상을 입력받는다.
그 다음, 제어부(140)는 입력된 식별 대상 영상을 학습이 완료된 학습모델에 입력하여 은행권 식별 정보를 획득한다(S250).
부연하자면, 제어부(140)는 식별 대상 영상을 학습모델에 입력한다. 그러면, 학습모델은 식별 대상 영상에 포함된 은행권 영역을 검출하고, 검출된 은행권 영역에 대한 식별 정보를 출력한다. 여기서 식별 정보는 영역의 좌표값, 은행권의 종류, 은행권의 점유율, 검출 결과의 신뢰도 중에서 적어도 하나를 포함한다.
한편, 검출되는 은행권 영역은 한 개일 수도 있고 복 수개일 수도 있다. 그러면, 제어부(140)는 은행권 영역마다 각각의 신뢰도를 추출하고, 상호 비교하여 신뢰도가 가장 높은 은행권 영역만을 추출한다.
그 다음, 제어부(140)는 획득한 식별 정보에 포함된 신뢰도와 기본 문턱치를 비교한다(S260).
먼저, 제어부(140)는 기본 문턱치를 설정한다. 여기서 기본 문턱치는 임의로 지정된 값으로, 정답을 알고 있는 학습데이터를 이용해 어느 정도 문턱치일 때 식별 결과의 오류가 가장 적은지 테스트 후 결정된다. 예를 들어, 100장의 학습데이터에서 검출된 결과가 50%의 신뢰도를 문턱치로 설정했을 때 100장 모두 식별 결과가 참인 경우 기본 문턱치는 50%로 지정된다.
그 다음, 제어부(140)는 획득한 식별 정보에 포함된 신뢰도와 기본 문턱치를 비교한다.
비교한 결과 검출 결과의 신뢰도가 기본 문턱치 보다 크면, 제어부(140)는 은행권 식별 정보에 포함된 은행권의 종류를 최종 결과로 출력한다(S270).
예를 들어, 기본 문턱치가 70%이고, 신뢰도가 80%이며, 식별 정보에 포함된 은행권의 종류가 만원권이면, 제어부(140)는 은행권 영역에 포함된 은행권을 만원권으로 식별한다.
검출 결과의 신뢰도가 상기 기본 문턱치 보다 작으면, 상기 은행권 식별 정보에 포함된 은행권의 점유율이 임계치 이상인지 여부를 판단한다(S280).
도 5는 도 2에 도시된 S280단계를 설명하기 위한 예시도이다.
도 5에 도시된 바와 같이, 스마트폰으로 은행권을 촬영했을 때 근접 촬영 시 은행권이 극히 일부 영역만 나타나기 때문에 전반적인 신뢰도 값이 낮게 분포된다.
따라서, 제어부(140)는 은행권 점유율에 대한 임계치를 설정한다. 그리고, 획득한 은행권의 점유율이 임계치 이상이면, 제어부(140)는 가변 문턱치를 산출하여 은행권을 식별한다.
먼저 제어부(140)는 임계치를 설정하고, 설정된 임계치와 은행권 영역에 대한 점유율과 설정된 임계치를 비교한다.
그리고, 은행권 영역의 점율이 임계치 이상이면, 제어부(140)는 기본 문턱치를 이용하여 가변 문턱치를 산출한다.
가변 문턱치는 하기의 수학식 1을 통해 산출된다.
그 다음, 제어부(140)는 산출된 가변 문턱치와 검출결과의 신뢰도를 비교한다. 그리고 비교한 결과 가변 문턱치가 신뢰도보다 크면, 제어부(140)는 은행권 식별 정보에 포함된 은행권의 종류를 최종 결과로 출력한다.
한편, 비교한 결과 가변 문턱치가 신뢰도보다 작으면, 제어부(140)는 해당되는 은행권에 대해 위변조 지폐 또는 인식불가로 출력한다.
이와 같이 본 발명에 따른 은행권 식별 시스템은 스마트폰에 설치된 카메라를 이용하여 촬영된 은행권 영상을 이용하여 은행권으로 권종별로 식별할 수 있고, 은행권 영상으로부터 추출된 영역에 전처리 과정을 수행하여 데이터를 증폭시킴으로써, 소량의 데이터로도 학습모델을 학습시킬 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 은행권 식별 시스템
110 : 입력부
120 : 전처리부
130 : 학습부
140 : 제어부

Claims (20)

  1. 조도, 촬영각도 및 객체와의 거리를 각각 상이하게 설정한 상태에서 촬영된 은행권 영상과 상기 은행권에 대한 정보를 입력받는 입력부,
    상기 입력된 은행권 영상 및 상기 은행권에 대한 정보를 권종별로 분류하여 저장하고, 저장된 은행권 영상으로부터 은행권에 대한 영역을 추출한 다음, 추출된 영역에 대한 데이터를 증폭시키는 전처리부,
    상기 증폭된 데이터를 학습데이터로 하여 학습모델을 학습시키는 학습부, 그리고
    식별하고자 하는 은행권을 촬영한 식별 대상 영상을 입력받고, 상기 식별 대상 영상을 학습이 완료된 학습모델에 입력하여 상기 식별정보를 획득하고, 상기 획득한 식별 정보를 이용하여 은행권 판단 결과를 도출하는 제어부를 포함하는 은행권 식별 시스템.
  2. 제1항에 있어서,
    상기 전처리부는,
    상기 은행권 영상으로부터 은행권에 해당하는 영역을 추출하되,
    상기 영역은,
    은행권과 맞닿은 지점이 1개소 이상이며, x축과 y축이 평행한 변으로 이루어진 직사각형으로 형성되는 은행권 식별 시스템.
  3. 제2항에 있어서,
    상기 전처리부는,
    상기 추출된 영역에 대해 외곽 영역 제거, 회전, 수평이동 및 배율 조절 중에서 적어도 하나의 방법을 수행하여 은행권 영상을 증폭시키는 은행권 식별 시스템.
  4. 제3항에 있어서,
    상기 학습부는,
    상기 증폭된 은행권 영상을 YOLO(You Only Look Once) 알고리즘 기반의 학습모델에 입력하고,
    상기 학습모델은,
    상기 증폭된 은행권 영상을 학습하여 은행권에 해당하는 영역을 추출하고, 추출된 영역에 대한 은행권 식별 정보를 출력하는 은행권 식별 시스템.
  5. 제4항에 있어서,
    상기 은행권 식별 정보는,
    상기 영역의 좌표값, 은행권의 종류, 은행권의 점유율, 검출 결과의 신뢰도 중에서 적어도 하나를 포함하는 은행권 식별 시스템.
  6. 제5항에 있어서,
    상기 제어부는,
    상기 기본 문턱치를 설정하고, 상기 은행권 식별 정보에 포함된 검출 결과의 신뢰도와 상기 기본 문턱치를 비교하여 은행권 영상 내에 포함된 은행권 식별 결과를 출력하는 은행권 식별 시스템.
  7. 제6항에 있어서,
    상기 제어부는,
    상기 검출 결과의 신뢰도가 상기 기본 문턱치 보다 크면, 상기 은행권 식별 정보에 포함된 은행권의 종류를 최종 결과로 출력하는 은행권 식별 시스템.
  8. 제6항에 있어서,
    상기 제어부는,
    상기 검출 결과의 신뢰도가 상기 기본 문턱치 보다 작으면, 상기 은행권 식별 정보에 포함된 은행권의 점유율이 임계치 이상인지 여부를 판단하고,
    상기 은행권 점유율이 임계치 이상이면 상기 기본 문턱치를 이용하여 가변 문턱치를 산출하는 은행권 식별 시스템.
  9. 제8항에 있어서,
    상기 가변 문턱치는,
    하기의 수학식을 이용하여 산출되는 은행권 식별 시스템:
    가변 문턱치 = 기본 문턱치 + ((1- (점유율과 0.7중 큰 수치)) x 10)^4 * 0.006
  10. 제9항에 있어서,
    상기 제어부는,
    상기 산출된 가변 문턱치와 상기 검출 결과의 신뢰도를 비교하고, 비교한 결과 상기 가변 문턱치가 신뢰도보다 크면, 상기 은행권 식별 정보에 포함된 은행권의 종류를 최종 결과로 출력하는 은행권 식별 시스템.
  11. 은행권 식별 시스템을 이용한 은행권 식별 방법에 있어서,
    조도, 촬영각도 및 객체와의 거리를 각각 상이하게 설정한 상태에서 촬영된 은행권 영상과 상기 은행권에 대한 정보를 입력받는 단계,
    상기 입력된 은행권 영상 및 상기 은행권에 대한 정보를 권종별로 분류하여 저장하고, 저장된 은행권 영상으로부터 은행권에 대한 영역을 추출한 다음, 추출된 영역에 대한 데이터를 증폭시키는 단계,
    상기 증폭된 데이터를 학습데이터로 하여 학습모델을 학습시키는 단계, 그리고
    식별하고자 하는 은행권을 촬영한 식별 대상 영상을 입력받고, 상기 식별 대상 영상을 학습이 완료된 학습모델에 입력하여 상기 식별정보를 획득하고, 상기 획득한 식별 정보를 이용하여 은행권 판단 결과를 도출하는 단계를 포함하는 은행권 식별 방법.
  12. 제11항에 있어서,
    상기 데이터를 증폭시키는 단계는,
    상기 은행권 영상으로부터 은행권에 해당하는 영역을 추출하되,
    상기 영역은,
    은행권과 맞닿은 지점이 1개소 이상이며, x축과 y축이 평행한 변으로 이루어진 직사각형으로 형성되는 은행권 식별 방법.
  13. 제12항에 있어서,
    상기 데이터를 증폭시키는 단계는,
    상기 추출된 영역에 대해 외곽 영역 제거, 회전, 수평이동 및 배율 조절 중에서 적어도 하나의 방법을 수행하여 은행권 영상을 증폭시키는 은행권 식별 방법.
  14. 제13항에 있어서,
    상기 학습모델을 학습시키는 단계는,
    상기 증폭된 은행권 영상을 YOLO(You Only Look Once) 알고리즘 기반의 학습모델에 입력하고,
    상기 학습모델은,
    상기 증폭된 은행권 영상을 학습하여 은행권에 해당하는 영역을 추출하고, 추출된 영역에 대한 은행권 식별 정보를 출력하는 은행권 식별 방법
  15. 제14항에 있어서,
    상기 은행권 식별 정보는,
    상기 영역의 좌표값, 은행권의 종류, 은행권의 점유율, 검출 결과의 신뢰도 중에서 적어도 하나를 포함하는 은행권 식별 방법.
  16. 제15항에 있어서,
    상기 은행권 판단 결과를 도출하는 단계는,
    상기 기본 문턱치를 설정하고, 상기 은행권 식별 정보에 포함된 검출 결과의 신뢰도와 상기 기본 문턱치를 비교하여 은행권 영상 내에 포함된 은행권 식별 결과를 출력하는 은행권 식별 방법
  17. 제16항에 있어서,
    상기 은행권 판단 결과를 도출하는 단계는,
    상기 검출 결과의 신뢰도가 상기 기본 문턱치 보다 크면, 상기 은행권 식별 정보에 포함된 은행권의 종류를 최종 결과로 출력하는 은행권 식별 방법.
  18. 제16항에 있어서,
    상기 은행권 판단 결과를 도출하는 단계는,
    상기 검출 결과의 신뢰도가 상기 기본 문턱치 보다 작으면, 상기 은행권 식별 정보에 포함된 은행권의 점유율이 임계치 이상인지 여부를 판단하고,
    상기 은행권 점유율이 임계치 이상이면 상기 기본 문턱치를 이용하여 가변 문턱치를 산출하는 은행권 식별 방법.
  19. 제18항에 있어서,
    상기 가변 문턱치는,
    하기의 수학식을 이용하여 산출되는 은행권 식별 방법:
    가변 문턱치 = 기본 문턱치 + ((1- (점유율과 0.7중 큰 수치)) x 10)^4 * 0.006
  20. 제19항에 있어서,
    상기 은행권 판단 결과를 도출하는 단계는,
    상기 산출된 가변 문턱치와 상기 검출 결과의 신뢰도를 비교하고, 비교한 결과 상기 가변 문턱치가 신뢰도보다 크면, 상기 은행권 식별 정보에 포함된 은행권의 종류를 최종 결과로 출력하는 은행권 식별 방법.
KR1020220016459A 2022-02-08 2022-02-08 Yolo 알고리즘 기반의 은행권 식별 시스템 및 그 방법 KR20230119999A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220016459A KR20230119999A (ko) 2022-02-08 2022-02-08 Yolo 알고리즘 기반의 은행권 식별 시스템 및 그 방법
PCT/KR2023/001684 WO2023153747A1 (ko) 2022-02-08 2023-02-07 Yolo 알고리즘 기반의 은행권 식별 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220016459A KR20230119999A (ko) 2022-02-08 2022-02-08 Yolo 알고리즘 기반의 은행권 식별 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR20230119999A true KR20230119999A (ko) 2023-08-16

Family

ID=87564719

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220016459A KR20230119999A (ko) 2022-02-08 2022-02-08 Yolo 알고리즘 기반의 은행권 식별 시스템 및 그 방법

Country Status (2)

Country Link
KR (1) KR20230119999A (ko)
WO (1) WO2023153747A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101707218B1 (ko) 2015-03-06 2017-02-15 (주)아이엔에이치 스마트폰 연동형 위조지폐감별장치 및 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100718728B1 (ko) * 2005-07-21 2007-05-16 주식회사 씨텍 지폐 권종 인식 방법 및 장치
KR101883425B1 (ko) * 2011-08-01 2018-07-31 삼성전자주식회사 휴대 단말기를 이용하는 위폐 감별법
KR102058157B1 (ko) * 2013-12-27 2019-12-23 한국조폐공사 모바일 단말을 이용한 보안매체 판독방법
KR102273720B1 (ko) * 2019-12-10 2021-07-07 주식회사 에이텍에이피 지폐 감별 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101707218B1 (ko) 2015-03-06 2017-02-15 (주)아이엔에이치 스마트폰 연동형 위조지폐감별장치 및 방법

Also Published As

Publication number Publication date
WO2023153747A1 (ko) 2023-08-17

Similar Documents

Publication Publication Date Title
US20230009392A1 (en) Tamper detection for identification documents
Scherhag et al. Detection of face morphing attacks based on PRNU analysis
CN106599772B (zh) 活体验证方法和装置及身份认证方法和装置
Doush et al. Currency recognition using a smartphone: Comparison between color SIFT and gray scale SIFT algorithms
JP5344668B2 (ja) 証券媒体アイテムの自動確認方法及び証券媒体アイテムの自動確認のためのテンプレートの生成方法
CN109389153B (zh) 一种全息防伪码校验方法及装置
JP2020525947A (ja) 操作された画像の検出
KR20190089387A (ko) 라이브니스 검사 방법 및 장치
JP4932177B2 (ja) 硬貨分類装置および硬貨分類方法
Laavanya et al. Real time fake currency note detection using deep learning
US20230086552A1 (en) Image processing method and apparatus, device, storage medium, and computer program product
CN110838119A (zh) 人脸图像质量评估方法、计算机装置及计算机可读存储介质
CN113642639B (zh) 活体检测方法、装置、设备和存储介质
Bharkad Survey of Currency Recognition System Using Image Processing‖
Jadhav et al. Currency identification and forged banknote detection using deep learning
CN107527423B (zh) 纸币防伪识别方法及纸币识别装置
CN113920434A (zh) 一种基于目标的图像翻拍检测方法、装置及介质
KR20230119999A (ko) Yolo 알고리즘 기반의 은행권 식별 시스템 및 그 방법
KR101812206B1 (ko) 위폐 감별 및 추적 시스템 및 이의 실행 방법
KR102394894B1 (ko) 딥러닝 기반 화폐 인식 장치 및 방법
KR102410588B1 (ko) 신분증 위조 여부 판단 장치 및 방법
CN112840383A (zh) 纸币检查装置、纸币检查方法及纸币检查程序
CN107170109B (zh) 一种纸币水印鉴伪方法与装置
Pokala et al. Indian currency recognition for blind people
Yusuf et al. Authenticity and nominal detection of Indonesian banknotes using ROI and CNN