CN108335402B - 一种基于深度学习的验钞机红外对管鉴伪方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的验钞机红外对管鉴伪方法，属于红外鉴伪技术领域。该方法包括：根据多路红外对管波形进行信号正确性验证；对多路红外对管波形进行预处理；生成二维数组并转换为图像进行处理；利用红外对管波形，采用深度学习中的CNN卷积神经网络训练和检测过程进行钞票鉴伪。本发明公开的该方法可以在较快处理速度下实现良好的鉴伪功能，准确率高。

Description

一种基于深度学习的验钞机红外对管鉴伪方法

技术领域

本发明属于红外鉴伪技术领域，具体涉及一种基于深度学习的验钞机红外对管鉴伪方法。

背景技术

目前，以假乱真的伪钞制造技术，让人们防不胜防，尤其是纸币中人为的防伪标记大部分已被造假者仿造。所以，仅靠识别一些常规的防伪特征，如：紫外荧光反应、磁性油墨和安全线来鉴伪，其准确率大打折扣。由于真币印刷所用的光变油墨属于高度机密，造假者很难仿造真钞油墨区域的光变特征。通过对真假币在光变油墨等红外鉴伪区域的红外透射特征的差别进行综合分析判断，可以提高纸币鉴伪的准确度。

红外对管一般安放在验钞机喂钞台部分，包括红外发射管和红外接收管，其中红外发射管在上电后就会持续发射红外线。红外接收管在反向电压作用之下工作。红外接收管没有接收到红外线光照时，反向电流很小。当红外接收管接收到红外线光照时，反向电流明显变大。接收到的红外线光照强度越大，反向电流也越大。待测钞票进入验钞机之前以及离开验钞机之后的时间段，红外发射管与红外接收管之间的光路未被阻挡，反向电流最大；待测钞票进入验钞机后，钞票会阻挡光路，引起反向电流减小。在走钞的过程中，光线会扫描到钞票不同的红外鉴伪区域，引起反向电流大小的不断变化。如果在外电路上接上负载，负载上就获得了不断变化的电压信号，从而形成不同的波形数据。

现今已有一些利用纸币红外透射特征来进行鉴伪的相关技术和专利。董静在文献《纸币鉴伪系统设计与磁图像特征识别方法研究》中，设计了红外透射信号采集电路。在该电路中，检测红外透射信号的采集通道有6路，红外接收管在接收到红外光时产生电流，光电流在采样电阻上转换成电压，并可通过调节电位器将导通电压调整在5V以内。由于纸币的遮挡，减小了发射极电流，检测采样电阻上的电压可以精确计算出红外透射率，用于区分假币与真币。但该方法是针对采集到的各路模拟信号与真钞标准阈值进行简单比较来鉴伪，系统稳定性差，准确率较低。

发明内容

根据现有技术存在的问题，本发明的目的在于提供一种基于深度学习的红外对管鉴伪方法，不仅鉴伪准确度高，而且速度更快。

本发明的目的通过以下技术方案实现：

一种基于深度学习的验钞机红外对管鉴伪方法，包括以下四大步骤：

步骤1根据多路红外对管波形进行信号正确性验证：

步骤1.1判断钞票面额、版本和币种；

步骤1.2判断钞票幅宽是否正常，若幅宽正常，则执行步骤1.3；否则，报幅宽异常错误；

步骤1.3判断是否各路红外对管都有波形。若各路红外对管都有波形，则执行步骤2；否则，报数据异常错误；

步骤2对多路红外对管波形进行预处理：

步骤2.1修正红外对管波形数据的起始位置和结束位置，具体为：

各路所述红外对管波形数据的起始位置和结束位置由前端主控模块给出。分别计算各路红外对管波形数据起始位置和结束位置之间的波形均值，并以此为依据来修正各路红外对管波形数据的起始位置和结束位置。

步骤2.2将各路红外对管电压值在电压方向上平移至一个基准；

所述将各路红外对管电压值在电压方向上平移至一个基准，具体为：

重新计算经步骤2.1调整后各路红外对管波形的均值和方差，并以此为依据将各路红外对管电压值在电压方向上平移至一个基准，使各路红外对管波形均值保持一致。

步骤2.3将经步骤2.2处理后的各路红外对管波形分别映射为0-255之间的灰度值。

步骤3生成二维数组并进行处理：

步骤3.1根据入钞的倾斜角度，对各路红外对管波形进行人为补值；

所述对各路红外对管波形进行人为补值，具体为：

由于钞票走钞倾斜，导致某些红外对管波形宽度较短，因此，首先根据入钞倾斜角度对这些红外对管进行补值，补值的大小为经步骤2.1调整后各路红外对管波形的均值，补值后的红外对管数据长度为M路红外对管中的最大长度。

步骤3.2对各路红外对管波形进行线性插值，假设红外对管数量为M，每路红外对管波形都插值到N个点，则使得每张钞票生成M×N的二维数组；

步骤3.3根据各红外对管波形的方差大小，替换波形波动大的红外对管对应的二维数组的行；

步骤3.4将二维数组上下左右翻转至同一个方向；

步骤4 CNN网络训练和检测过程：

步骤4.1对红外对管CNN结构体进行初始化；

步骤4.2对二维数组归一化，使灰度值在[0,1]范围内，并对二维数组幅度拉伸，以方便后续处理；

步骤4.3对经步骤4.2处理后的二维图像训练样本通过CNN算法自动提取图像特征：

将每一个红外对管二维图像应用一级卷积操作与非线性sigmoid操作，对卷积后的特征层按2×2的间隔进行均匀池化，此时特征层大小变为原图大小的四分之一。

步骤4.4以训练样本原本的输出和经过CNN结构体的输出之间的均方误差作为网络的误差进行反向误差传播，迭代训练直至网络收敛，从而获得CNN结构与网络参数，均方误差通过

获得，其中是第n个样本对应的标签的第k维，是第n个样本对应的网络输出的第k个输出，N是样本数，c是类别数；

步骤4.5将实际待测钞票产生的红外对管波形转换为二维图像，待测样本作为输入端，带入CNN进行计算，得到含有表示钞票真伪的一组得分，并对该得分经过比较和阈值分析判定该张钞票的真伪。

所述将待测样本输入到CNN结构体，经计算得到一组得分，并对其进行比较和分析，具体为：

对该组得分进行判断：若真钞对应数据位在该组的值最大，则判为真钞；否则，则判为假钞。

与现有技术相比，本发明具有以下优点和有益效果：

本发明的基于深度学习的红外对管鉴伪方法，通过对各路红外对管波形进行一系列预处理，规范了训练网络样本。将红外对管一维波形转为二维图像，利用CNN进行训练，并利用训练得到的网络参数进行CNN检测，可以在较快处理速度下实现良好的鉴伪功能，准确率高。

附图说明

图1为根据红外对管波形进行信号正确性验证的流程图。

图2为6对红外对管的安装示例图。

图3为对6路红外对管波形预处理的流程图。

图4为生成二维图像并处理的流程图。

图5为钞票四种方向的示意图。

图6为CNN训练过程的流程图。具体实施方式

下面结合具体实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

本实施例的基于深度学习的红外对管鉴伪方法，包括以下步骤：

见图1, 步骤1根据红外对管波形进行信号正确性验证，本实施例中以检测100元人民币，并且验钞机中安装了6对红外对管为例。该过程中，通过判断钞票面额、版本和币种，钞票幅宽以及红外对管波形的有无，来进行信号正确性验证。具体过程如下：

步骤1.1判断钞票面额是否为100元，版本是否为1999版或2005版或2015版，币种是否为人民币。若钞票面额为100元，版本为1999版或2005版或2015版，以及币种为人民币三种条件同时满足，则执行步骤1.2。否则，数据异常，检测是否为其他钞票类型；

步骤1.2判断钞票幅宽是否正常。若幅宽正常，则执行步骤1.3。否则，报幅宽异常错误；

步骤1.3判断是否6路红外对管都有波形。若6路红外对管都有波形，则执行步骤2，否则，报数据异常。

见图3 ,步骤2对6路红外对管波形进行预处理，具体过程如下：

步骤2.1 6路红外对管的起始位置和结束位置由前端主控模块给出。分别计算6路红外对管起始位置和结束位置之间的波形均值，并以此为依据来修正6路红外对管波形的起始位置和结束位置；

步骤2.2不同机器不同红外对管采集的波形样本基准不一样。重新计算经步骤2.1修正后6路红外对管波形的均值和方差，并以此为依据将6路红外对管电压值在电压方向上平移至一个基准，使各路红外对管波形均值保持一致；

步骤2.3将经步骤2.2处理后的6路红外对管波形分别映射为0-255之间的灰度值。

见图4,步骤3生成二维数组并转换为图像进行处理，具体过程如下：

步骤3.1由于钞票走钞倾斜，导致某些红外对管波形宽度较短，因此，首先根据入钞的倾斜角度对这些红外对管进行人为补值，补值的大小为经步骤2.1调整后各路红外对管波形的均值，补值后的红外对管数据长度为6路红外对管中的最大长度；

步骤3.2将经以上步骤处理后的6路红外对管波形进行线性插值，每路红外对管波形都插值到220个点，使得每张钞票6个红外对管生成6×220的二维数组；

步骤3.3根据6路红外对管波形的方差大小，用事先准备好的正常波形替换波形波动大的红外对管对应的二维数组的行。本实施例中准备了1999版、2005版和2015版的真钞和假钞共六种正常的波形以供替换；

步骤3.4将二维数组上下左右翻转至同一个方向，如方向1。本实施例中规定了钞票的四种放置方向，以人民币为例，见图5。

见图6,步骤4 CNN网络训练和检测过程。对样本库中所有样本进行以上步骤处理后，进行深度学习网络训练，从而可利用训练获得的网络参数，对钞票红外对管信号实现鉴伪，具体过程如下：

步骤4.1对红外对管CNN结构体进行初始化；

步骤4.2对红外对管二维数组归一化，使灰度值在[0,1]范围内，并对二维数组进行幅度拉伸，以方便后续处理；

步骤4.3将每一个二维数组应用一级卷积操作与非线性sigmoid操作，对卷积后的特征层按2×2的间隔进行均匀池化，此时特征层大小变为原图大小的四分之一。

步骤4.4以训练样本原本的输出和经过CNN结构体的输出之间的均方误差作为网络的误差进行反向误差传播，迭代训练直至网络收敛，从而获得CNN结构与网络参数，均方误差通过

获得，其中是第n个样本对应的标签的第k维，是第n个样本对应的网络输出的第k个输出，N是样本数，c是类别数；

步骤4.5将实际待测钞票产生的红外对管波形转换为二维图像，待测样本作为输入端，带入CNN结构体进行计算，得到含有表示钞票真伪的一组得分，并对该得分经过比较和阈值分析判定该张钞票的真伪。若真钞对应数据位在该组的值最大，则判为真钞；否则，则判为假钞。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.一种基于深度学习的验钞机红外对管鉴伪方法，其特征在于，包括以下四个步骤：

步骤1根据多路红外对管波形进行信号正确性验证：

步骤1.1 判断钞票面额、版本和币种；

步骤1.2 判断钞票幅宽是否正常，若幅宽正常，则执行步骤1.3；否则，报幅宽异常错误；

步骤1.3 判断是否各路红外对管都有波形，若各路红外对管都有波形，则执行步骤2；否则，报数据异常错误；

步骤2对多路红外对管波形进行预处理：

步骤2.1 修正红外对管波形数据的起始位置和结束位置：

各路红外对管波形数据的起始位置和结束位置由前端主控模块给出,分别计算各路红外对管波形数据起始位置和结束位置之间的波形均值，并以此为依据来修正各路红外对管波形数据的起始位置和结束位置；

步骤2.2 将各路红外对管电压值在电压方向上平移至一个基准；

步骤2.3 将经所述步骤2.2处理后的各路红外对管波形分别映射为0-255之间的灰度值；

步骤3生成二维数组并转换为图像进行处理：

步骤3.1根据入钞的倾斜角度，对各路红外对管波形进行人为补值；

步骤3.2对各路红外对管波形进行线性插值，对红外对管数量设值为M，每路红外对管波形都插值到N个点，则使得每张钞票生成M×N的二维数组；

步骤3.3根据各路红外对管波形的方差大小，替换波形波动大的红外对管对应的二维数组的行；

步骤3.4将二维数组上下左右翻转至同一个方向；

步骤4 CNN网络训练和检测过程：

步骤4.1 对红外对管CNN结构体进行初始化；

步骤4.2对二维数组归一化，使灰度值在[0,1]范围内，并对二维数组幅度拉伸，以方便后续处理；

步骤4.3对经所述步骤4.2处理后的二维图像训练样本通过CNN算法自动提取图像特征：

将每一个红外对管二维图像应用一级卷积操作与非线性sigmoid操作，对卷积后的特征层按2×2的间隔进行均匀池化，此时特征层大小变为原图大小的四分之一；

步骤4.4 以训练样本原本的输出和经过CNN结构体的输出之间的均方误差作为网络的误差进行反向误差传播，迭代训练直至网络收敛，从而获得CNN结构与网络参数，均方误差通过如下公式计算获得：

其中是第n个样本对应的标签的第k维，是第n个样本对应的网络输出的第k个输出，N是样本数，c是类别数；

步骤4.5 将实际待测钞票产生的红外对管波形转换为二维图像，待测样本作为输入端，带入CNN进行计算，得到含有表示钞票真伪的一组得分，并对该得分经过比较和阈值分析判定该张钞票的真伪；

对该组得分进行判断：若真钞对应数据位在该组的值最大，则判为真钞；否则，则判为假钞。

2.根据权利要求1所述的基于深度学习的验钞机红外对管鉴伪方法，其特征在于：所述步骤2.2将各路红外对管电压值在电压方向上平移至一个基准，具体为：

重新计算经所述步骤2.1修正后各路红外对管波形的均值和方差，并以此为依据将各路红外对管电压值在电压方向上平移至一个基准，使各路红外对管波形均值保持一致。

3.根据权利要求1所述的基于深度学习的验钞机红外对管鉴伪方法，其特征在于：所述步骤3.1对各路红外对管波形进行人为补值，具体为：

由于钞票走钞倾斜，导致某些红外对管波形宽度较短，因此，首先根据入钞的倾斜角度对这些红外对管进行人为补值，补值的大小为经所述步骤2.1调整后各路红外对管波形的均值，补值后的红外对管数据长度为M路红外对管中的最大长度。