[发明专利]一种基于卷积神经网络的纸币图像缺陷的识别模型构建以及识别方法

说明书

本发明涉及一种基于卷积神经网络的纸币图像缺陷的识别模型构建以及识别方法，包括：1将训练样本与C1中的所有卷积核进行卷积求和，并通过设在C1后的函数激活得到多个第一卷积层的特征映射图；2将C1的特征映射图在S1中进行下采样，得到高分辨率特征图；3将特定的所述高分辨率特征图组合后输入C2，得到第二卷积层C2的特征映射图；4将C2的特征映射图在S2中下采样，得到S2特征映射图；将S2的特征映射图与C3中，得到C3的特征映射图；将C3的特征映射图在S3中进行下采样，得到S3的特征映射图；5将S3的特征映射图输入全连接层，输出特征图O，将输出特征图O与期望标签T比较，生成误差项E；本发明的纸币图像缺陷识别准确率高。

技术领域

本发明属于纸币图像缺陷识别方法领域，具体涉及一种基于卷积神经 网络的纸币图像缺陷的识别模型构建以及识别方法。

背景技术

由于纸币印制过程中印钞机械和印钞材料的不完善以及一些不可避 免的随机因素的影响，在印制过程中经常会出现纸币颜色深浅失真、油 墨污点、文字模糊、起皱、漏印、刮伤、套印不准等各种缺陷。用机器 视觉进行纸币图像的缺陷识别检测是当前研究的热点，其关键技术和最 终目的在于缺陷图像的识别。国内外学者对此作了较多研究，但所用方 法多属于传统的机器浅层学习结构，仅将原始输入信号变换到特定问题 空间，形成一种简单的特征结。对缺陷目标采用分割提取后再进行人工 缺陷特征选取，人工特征描述计算，统计方法或浅层网络识别的方式。 因为纸币图像本身背景复杂而不均匀、缺陷目标类型较多、缺陷目标非 常微小等特点，纸币图像缺陷的准确分割、人工特征的有效描述和准确 选取比较困难，需要非常专业的知识，并受具体条件的限制，而且依赖 准确缺陷分割的统计模型或浅层网络模型，对象针对性很强。适应性较 差。

卷积神经网络是深度学习中一种高效的方法，已经成为众多科学领 域的研究热点之一，特别是在机器学习领域。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种+主题名称。 本发明要解决的技术问题通过以下技术方案实现：

一种基于卷积神经网络的纸币图像缺陷的识别模型构建方法，包括以 下步骤；

步骤1：获得训练样本，以卷积方式将训练样本与第一卷积层C1中的 所有卷积核进行卷积求和，并通过设置在第一卷积层C1后的sigmoid函数 激活，得到多个第一卷积层的特征映射图；

步骤2：将第一卷积层的特征映射图在第一下采样层S1中进行下采样， 降低分辨率并得到多个高分辨率特征图；

步骤3：将特定的所述高分辨率特征图组合后输入第二卷积层C2，并 与第二卷积层C2中相应的卷积核进行卷积求和，得到多个第二卷积层C2 的特征映射图；

步骤4：将第二卷积层C2的特征映射图在第二下采样层S2中进行下 采样，降低分辨率并得到多个第二采样层S2的特征映射图；然后将第二采 样层S2的特征映射图与第三卷积层C3中的所有卷积核进行卷积求和，得 到第三卷积层C3的特征映射图；将第三卷积层C3的特征映射图在第三采 样层S3中进行下采样，降低分辨率并得到第三采样层S3的特征映射图；

步骤5:将第三采样层S3的特征映射图输入全连接层，并由全连接层输 出特征图O，将输出特征图O与期望标签T比较，生成误差项E＝O:T；

通过所述误差项E遍历卷积神经网络模型的反向路径，更新相应卷积 核的权值w_ij，直至误差项E收敛于一个稳定的权值集合，从而得到基于卷 积神经网络的纸币图像缺陷识别模型；

上述步骤1～步骤5中卷积层的计算过程采用公式(1)表示：

其中：l代表层数，k代表卷积核，M_j输入层的感受野，b代表偏置 项。