基于卷积神经网络的印钞图像二次核查系统

发布时间：2022-01-20 19:08

　　人民币印刷质量要求远高于其他印刷品。在印钞企业中,现有人民币检测系统是基于模板匹配技术对产品进行印刷缺陷检测。实际生产环境中,现有系统存在一定的技术局限性,如针对特定缺陷检测能力差（细道子,金属线上的缺印与墨脏等）,误检率过高（误检数与实际废品数的比例达到10:1）。本文所设计的基于卷积神经网络的印钞图像二次核查系统对现有检测系统进行二次核查。首先,在特定缺陷类型训练样本图像不足的情况下,模拟出印刷缺陷,用以实现数据增强。实验中,在HSV颜色空间中将已有检测结果分为红外光源图像与白光光源图像,随后针对不同光源下产生的样本图像进行网络模型的设计与训练。实验结果表明,现有生产环境中的检测弱项通过本文所设计的系统得到较好的解决。本文主要贡献:利用卷积神经网络对人民币图像进行检测在印钞行业中首次提出,同时在行业中并无类似的检测方法。本文创新之处有三点:1、针对特定类型的人民币缺陷存在训练样本不足的情况,借助opencv,通过随机变量设定椭圆的长轴与短轴,模拟出缺印与墨脏的印刷缺陷;通过随机变量设定垂直直线的长度与宽度模拟出“细道子”的印刷缺陷,以实现适用于人民币检测的数据增强方法。2、根据印钞... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

文【1】中AlexNet网络结构图

图 2-2 人民币 L 层图像Fig.2-2 RMB Image in Llayer算法对各印刷工序（不同印刷工艺所印刷的图文）刷工艺组成，不同印刷工艺之间的相对位置并不的套印允许有一定的偏差范围。因此，需要选择分的图像进行不同的定位，随后与相应模板匹配配，得出残点图像。被检测的图像转化为 LAB 色序的 LAB 图像进行匹配。这一步是现有检测系统也是现有检测系统产生误检最为主要的原因。例示。在这种情况下误检率极高。

图 2-2 人民币 L 层图像Fig.2-2 RMB Image in Llayer定位与匹配1.运用定位算法对各印刷工序（不同印刷工艺所印刷的图文）进行定位，刷由不同印刷工艺组成，不同印刷工艺之间的相对位置并不固定，换言刷工艺之间的套印允许有一定的偏差范围。因此，需要选择不同的定位印刷工艺部分的图像进行不同的定位，随后与相应模板匹配计算。2.与模板匹配，得出残点图像。被检测的图像转化为 LAB 色彩空间后，各个印刷工序的 LAB 图像进行匹配。这一步是现有检测系统中对检测结大的方面，也是现有检测系统产生误检最为主要的原因。例如纸张边角如图 2-3 所示。在这种情况下误检率极高。

【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[2]基于卷积神经网络的目标检测研究综述[J]. 李旭冬,叶茂,李涛.  计算机应用研究. 2017(10)
[3]一种基于图像识别的第五版人民币成色检测方法[J]. 江艳飞,李欣,董静薇.  哈尔滨理工大学学报. 2008(03)



本文编号：3599362