基于深度神經網絡的金屬幣識別方法和裝置的制造方法
【技術領域】
[0001] 本發(fā)明的實施方式設及神經網絡領域，更具體地，本發(fā)明的實施方式設及一種基 于深度神經網絡的金屬幣識別方法和裝置。
【背景技術】
[0002] 本部分旨在為權利要求書中陳述的本發(fā)明的實施方式提供背景或上下文。此處的 描述不因為包括在本部分中就承認是現(xiàn)有技術。
[0003] 隨著智能技術的發(fā)展，圖像識別的使用和需求也在迅速發(fā)展。所謂的圖像識別主 要有；從圖像中識別出目標對象，或者是識別出圖像中的某個對象所屬的類別等等?？蒞將 其理解為近似于人面對一副圖像或者一個場景時，通過肉眼和大腦實現(xiàn)對圖像或者場景中 所出現(xiàn)的物品進行區(qū)分和辨別。
[0004] 目前，常用的圖像識別（該里主要指識別圖像中的某個對象所屬的類別）方法主 要有W下幾種；1)基于神經網絡；2)基于化不變距特征捜索；3)基于SIFT特征點匹配捜 索。
[0005] 然而，如果通過上述幾種方式對金屬幣進行識別，往往都存在不同程度的問題，具 體的：
[0006] 1)基于神經網絡，一般是采用人工設計的圖像特征算子作為輸入，然而，目前人工 設計的特征算子在金屬幣識別領域并不適用，而且神經網絡多為淺層結構，難W學習到有 效的高層抽象的金屬幣特征；
[0007] 2)基于化不變距特征捜索，一般是利用物體的形狀特征。然而，在金屬幣識別領 域，由于不同類別的金屬幣之間區(qū)別可能會很小，而且金屬幣的磨損情況可能會比較嚴重， 因此化不變特征捜索的方式難W有效地捕獲金屬幣的形狀特征。
[000引如基于SIFT特征點匹配捜索，由于金屬幣相似性紋理較多，且字體性位置的邊緣 特征反光可能較嚴重，而且可能會有不同程度的磨損，因此容易出現(xiàn)提取出的有效SIFT特 征點較少的問題，從而使得錯誤匹配現(xiàn)象嚴重。

【發(fā)明內容】

[0009] 出于金屬幣存在磨損程度可能比較嚴重、反光現(xiàn)象也經常出現(xiàn)的原因，現(xiàn)有技術 的圖像識別技術難W有效實現(xiàn)對金屬幣的識別。
[0010] 為此，非常需要一種改進的金屬幣識別方法，W實現(xiàn)對金屬幣準確有效地識別。
[0011] 在本發(fā)明實施方式的第一方面中，提供了一種基于深度神經網絡的金屬幣識別方 法，例如，可W包括；基于金屬幣的特征設計第一深度神經網絡模型，其中，所述第一深度神 經網絡模型包括隨機噪聲網絡層和光噪聲處理層；利用金屬幣樣本圖像，對所述第一深度 神經網絡模型進行訓練；將經訓練的所述第一深度神經網絡模型去除所述隨機噪聲網絡 層，獲得第二深度神經網絡模型；利用所述第二深度神經網絡模型，對待識別的金屬幣進行 識別。
[0012] 在本發(fā)明實施方式的第二方面中，提供了一種基于深度神經網絡的金屬幣識別裝 置，例如，可W包括；模型設計模塊，用于基于金屬幣的特征設計第一深度神經網絡模型，其 中，所述第一深度神經網絡模型包括隨機噪聲網絡層和光噪聲處理層；模型訓練模塊，用于 利用金屬幣樣本圖像，對所述第一深度神經網絡模型進行訓練；識別模型獲取模塊，用于將 經訓練的所述第一深度神經網絡模型去除所述隨機噪聲網絡層，獲得第二深度神經網絡模 型；金屬幣識別模塊，用于利用所述第二深度神經網絡模型，對待識別的金屬幣進行識別。
[0013] 通過本發(fā)明的基于深度神經網絡的金屬幣識別方法和裝置，可W得到一個能夠有 效去除金屬幣的隨機噪聲和光噪聲的影響的深度神經網絡模型，通過該模型進行金屬幣識 別可W有效避免因金屬幣磨損或光照影響而導致的金屬幣識別容易出錯的問題，有效提高 了金屬幣識別的準確性。
【附圖說明】
[0014] 通過參考附圖閱讀下文的詳細描述，本發(fā)明示例性實施方式的上述W及其他目 的、特征和優(yōu)點將變得易于理解。在附圖中，W示例性而非限制性的方式示出了本發(fā)明的若 干實施方式，其中：
[0015] 圖1示意性地示出了根據本發(fā)明實施方式的應用場景示意圖；
[0016] 圖2示意性地示出了根據本發(fā)明實施例的訓練階段的方法流程圖；
[0017] 圖3示意性地示出了根據本發(fā)明實施例的深度神經網絡模型示意圖；
[001引圖4示意性地示出了根據本發(fā)明實施例的光噪聲處理的基本流程圖；
[0019] 圖5示意性地示出了根據本發(fā)明實施例的深度神經網絡模型另一示意圖；
[0020] 圖6示意性地示出了根據本發(fā)明一實施例的卷積操作模型；
[0021] 圖7示意性地示出了根據本發(fā)明一實施例的池化操作模型；
[0022] 圖8示意性地示出了根據本發(fā)明實施例的深度神經網絡模型又一示意圖；
[0023] 圖9示意性地示出了根據本發(fā)明實施例的金屬幣識別階段的方法流程圖；
[0024] 圖10示意性地示出了根據本發(fā)明實施例的深度神經網絡模型再一示意圖；
[0025] 圖11示意性地示出了根據本發(fā)明實施例的基于深度神經網絡的金屬幣識別裝置 的結構框圖；
[0026] 在附圖中，相同或對應的標號表示相同或對應的部分。
【具體實施方式】
[0027] 下面將參考若干示例性實施方式來描述本發(fā)明的原理和精神。應當理解，給出該 些實施方式僅僅是為了使本領域技術人員能夠更好地理解進而實現(xiàn)本發(fā)明，而并非W任何 方式限制本發(fā)明的范圍。相反，提供該些實施方式是為了使本公開更加透徹和完整，并且能 夠將本公開的范圍完整地傳達給本領域的技術人員。
[002引本領域技術技術人員知道，本發(fā)明的實施方式可W實現(xiàn)為一種系統(tǒng)、裝置、設備、 方法或計算機程序產品。因此，本公開可W具體實現(xiàn)為W下形式，即；完全的硬件、完全的軟 件（包括固件、駐留軟件、微代碼等），或者硬件和軟件結合的形式。
[0029]根據本發(fā)明的實施方式，提出了一種基于深度神經網絡的金屬幣識別方法和裝 置。
[0030] 值得注意的是，附圖中的任何元素數(shù)量均用于示例而非限制，W及任何命名都僅 用于區(qū)分，而不具有任何限制含義。
[0031] 下面參考本發(fā)明的若干代表性實施方式，詳細闡釋本發(fā)明的原理和精神。
[00扣]發(fā)巧概巧
[0033] 本發(fā)明人發(fā)現(xiàn)，現(xiàn)有的圖像識別方法之所W無法有效地實現(xiàn)對金屬幣的識別，主 要是因為金屬幣存在磨損嚴重和受光照影響的因素，即，該些影響的原因綜合起來而言就 是金屬幣自身會存在一些隨機噪聲和光噪聲。如果可W有效去除光噪聲和隨機噪聲的影 響，從一定程度上可W有效提高金屬幣識別的準確性。
[0034] 進一步的，發(fā)明人考慮到可W通過深度學習的方式為識別模型增加對隨機噪聲和 光噪聲的處理，其中，所謂的深度學習值eepLearning)是一種建立、模擬人腦進行分析學 習的神經網絡，通過模仿人腦的機制來解釋數(shù)據，從本質上來說，深度學習是基于W前的人 工神經網絡模型發(fā)展而來的，一般可W采用計算機科學中的圖模型來直觀的表達深度學習 的網絡模型，其中，深度學習中的"深度"指的便是圖模型的層數(shù)化及每一層的節(jié)點數(shù)量，相 對于之前的神經網絡模型而言，深度學習的網絡模型的智能性更高一些。
[0035]為此，本發(fā)明提供了一種金屬幣識別方法，通過該方法進行金屬幣識別的過程可W包括；基于金屬幣的特征設計深度神經網絡模型，其中，該深度神經網絡模型包括：隨機 噪聲網絡層和光噪聲處理層；利用金屬幣樣本圖像，對所述深度神經網絡模型進行訓練。 該樣得到的深度神經網絡模型就是能夠進行隨機噪聲和光噪聲處理的網絡模型，也就使得 訓練得到的模型是已經考慮了隨機噪聲和光噪聲的，該樣通過該訓練后的神經網絡模型進 行金屬幣識別的時候，就可W有效避免因為磨損和光照對金屬幣識別結果準確度的不利影 響。
[0036] 在本例中，金屬幣可W是一種具有流通價值、紀念價值或收藏價值的幣種，具體 的，按照類型可W分可W包括；金屬材質的貨幣、紀念幣等，按照使用年代分可W包括；古 幣、現(xiàn)代幣等，按照材質分可W包括；銅幣、金幣等。然而上述對類型、使用年代和材質等的 舉例，僅是為了更好的說明本申請，并不構成對本申請的不當限定。
[0037] 在介紹了本發(fā)明的基本原理之后，下面具體介紹本發(fā)明的各種非限制性實施方 式。
[00%]麻用場景總哈
[0039] 首先參考圖1，處理設備100可W是一臺計算機、一組計算機集群、或者是一臺單 一的處理器等，只要是