[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

摘要

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。

主权项

1.一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，其特征在于，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。