[发明专利]基于深度学习卷积神经网络的硬币识别方法及处理终端

说明书

本发明涉及一种基于深度学习卷积神经网络的硬币识别方法及处理终端，所述方法包括如下步骤：步骤1：获取包括真币和假币的若干张硬币图像的训练集和若干张真硬币图像的验证集；步骤2：将训练集和验证集输入至预设的卷积神经网络，对卷积神经网络进行训练，获得训练后的卷积神经网络；步骤3：对待识别的硬币图像进行预处理，获得最清晰的硬币图像；步骤4：将最清晰的硬币图像输入至步骤2获得的训练后的神经网络，从而识别出与所述最清晰的硬币图像对应的硬币的真假。本发明能够有效识别硬币的真假，识别率高，适用范围更广。

技术领域

本发明涉及硬币识别技术领域，具体是一种基于深度学习卷积神经网络的硬币识别方法及处理终端。

背景技术

在许多场合，都需要使用到硬币，特别是自助式投币购物消费场合，比如商场的自助售货机，通过投放硬币进行自助购物，又比如在地铁的地铁投币机器中，投放硬币购买地铁车票，像这些场合每天都会面对大量的硬币投放。在如此大量的硬币投放过程中，很重要的一个问题是确保能够识别出投放硬币的真假，将假币识别出来，从而避免损失。而传统对硬币真假的识别，通常是根据硬币的重量、直径等物理表征来识别，这样的识别方法识别率低，且识别过程时间长，识别效率低下。

发明内容

针对现有技术的不足，本发明的目的之一提供一种基于深度学习卷积神经网络的硬币识别方法，其能够解决硬币真假的识别问题；

本发明的目的之二提供一种处理终端，能够解决硬币真假的识别问题。

实现本发明的目的之一的技术方案为：一种基于深度学习卷积神经网络的硬币识别方法，包括如下步骤：

步骤1：获取包括真币和假币的若干张硬币图像的训练集和若干张真硬币图像的验证集；

步骤2：将训练集和验证集输入至预设的卷积神经网络，对卷积神经网络进行训练，获得训练后的卷积神经网络；

步骤3：对待识别的硬币图像进行预处理，获得最清晰的硬币图像；

步骤4：将最清晰的硬币图像输入至步骤2获得的训练后的神经网络，从而识别出与所述最清晰的硬币图像对应的硬币的真假。

进一步地，所述对卷积神经网络进行训练为采用SGD算法对卷积神经网络进行最优化求解。

进一步地，所述SGD算法，初始学习率为0.001、最大迭代次数为20000、训练集和验证集的批量大小batchsize分别为128和64、惯性量momentum和权重衰减weight_decay分别为0.9和0.0005。

进一步地，所述卷积神经网络包括1个数据层data、3个卷积层、4个Relu层、2个池化层、2个全连接层、1个dropout层和1个softmax函数；3个卷积层分别为第一卷积层、第二卷积层和第三卷积层，4个Relu层分别为第一Relu层、第二Relu层、第三Relu层和第四Relu层，2个池化层分别为第一池化层和第二池化层，2个全连接层分别为第一全连接层和第二全连接层；

数据层data、第一卷积层、第一Relu层、第一池化层、第二卷积层、第二Relu层、第二池化层、第三卷积层、第三Relu层、第一全连接层、第四Relu层、第一dropout层、第二全连接层和sofatmax函数依次连接。

进一步地，所述第一卷积层由num_output＝64、pad＝1、kernel_size＝3和stride＝2组成，其中，num_output表示卷积核个数，pad表示扩展尺寸、kernel_size表示卷积核尺寸，stride表示卷积核滑动步长；第二卷积层由num_output＝128、pad＝1、kernel_size＝3和stride＝2组成；第三卷积层由num_output＝256、pad＝1、kernel_size＝3和stride＝2组成。