本技术涉及计算机,特别涉及一种人民币面额的识别方法、相关装置及计算机存储介质。
背景技术:
1、目前,人工对人民币的面额进行计算识别的过程中,十分容易出错,且需要大量的人力,例如:有一沓人民币,这一沓人民币中有多张100元、有多张50元、多张1元等,人工对这一沓人民币的总数进行求和时,十分容易出错,且需要多人、多次验证,以免出错。
技术实现思路
1、有鉴于此,本技术提供了一种人民币面额的识别方法、相关装置及计算机存储介质,针对不同人民币的面额进行快速识别,解决人工计算复杂及出错问题。
2、本技术第一方面提供了一种人民币面额的识别方法,包括:
3、获取待识别人民币的图像;
4、将所述待识别人民币的图像输入至识别模型中,输出得到所述待识别人民币的面额;其中,所述识别模型由样本数据集对卷积神经网络模型进行训练得到;所述卷积神经网络包括4个卷积层、4个池化层以及2个全连接层组成。
5、可选的,所述识别模型的构建方法,包括:
6、构建样本数据集;其中,所述样本数据集包括训练样本集和测试样本集;所述训练样本集中包括训练样本人民币图像以及所述训练样本人民币图像对应的真实面额;所述测试样本集中包括测试样本人民币图像以及所述测试样本人民币图像对应的真实面额;
7、将所述训练样本人民币图像输入至卷积神经网络模型中,提取得到所述训练样本人民币图像的特征,将所述训练样本人民币图形的特征与所述测试样本人民币图像对应的真实面额的标签进行组合,得到组合结果;
8、根据所有所述组合结果生成所述标签对应图像的分类器;
9、将测试样本人民币图像输入至卷积神经网络模型中,输出得到所述测试样本人民币图像的标签;
10、根据所述测试样本人民币图像的标签所代表的面额与所述测试样本人民币图像的对应的真实面额之间的误差对卷积神经网络模型中的参数进行调整,直至所述测试样本人民币图像的标签所代表的面额与所述测试样本人民币图像的对应的真实面额之间的误差满足预设的收敛条件,将所述卷积神经网络模型作为识别模型。
11、可选的,所述构建样本数据集,包括:
12、对人民币纸币的图片进行分类,得到初始数据集;其中,所述初始数据集中的图片分为9类;每种分类里面有同种类人民币对应的图片;
13、对所述初始数据集进行数据增强,得到样本数据集;其中,所述数据增强的方式包括旋转、变形和归一化;并将样本数据集进行分割,得到训练样本集和测试样本集。
14、可选的,所述卷积层的滤波器窗口设置为3*3大小,卷积的个数为32,能够提取图像的32种特征,激活函数采用的是relu函数,选择1为卷积核的移动步长,padding设置为0。
15、可选的,所述池化层的池化窗口为2*2的大小,其中核函数的数量为32,卷积核在移动时的stride为2,padding值设置为0。
16、可选的,所述全连接层分为第一全连接层和第二全连接层,所述第一全连接层将得到的所有特征图转化为1维向量,将所述1维向量重新映射输出512个1维向量。
17、可选的,所述全连接层分为第一全连接层和第二全连接层,所述第二全连接层用softmax分类将得到的1维向量分为9类,每一类对应人民币的一种面额的纸币;所述第二全连接层将输出向量中的最大值作为人民币的面额识别结果。
18、本技术第二方面提供了一种人民币面额的识别装置,包括:
19、获取单元,用于获取待识别人民币的图像;
20、第一输入单元,用于将所述待识别人民币的图像输入至识别模型中,输出得到所述待识别人民币的面额;其中,所述识别模型由样本数据集对卷积神经网络模型进行训练得到;所述卷积神经网络包括4个卷积层、4个池化层以及2个全连接层组成。
21、可选的,所述识别模型的构建单元,包括:
22、样本数据集构建单元,用于构建样本数据集;其中,所述样本数据集包括训练样本集和测试样本集;所述训练样本集中包括训练样本人民币图像以及所述训练样本人民币图像对应的真实面额;所述测试样本集中包括测试样本人民币图像以及所述测试样本人民币图像对应的真实面额;
23、第二输入单元,用于将所述训练样本人民币图像输入至卷积神经网络模型中,提取得到所述训练样本人民币图像的特征,将所述训练样本人民币图形的特征与所述测试样本人民币图像对应的真实面额的标签进行组合,得到组合结果;
24、生成单元,用于根据所有所述组合结果生成所述标签对应图像的分类器;
25、第三输入单元,用于将测试样本人民币图像输入至卷积神经网络模型中,输出得到所述测试样本人民币图像的标签;
26、调整单元,用于根据所述测试样本人民币图像的标签所代表的面额与所述测试样本人民币图像的对应的真实面额之间的误差对卷积神经网络模型中的参数进行调整,直至所述测试样本人民币图像的标签所代表的面额与所述测试样本人民币图像的对应的真实面额之间的误差满足预设的收敛条件,将所述卷积神经网络模型作为识别模型。
27、可选的,所述样本数据集构建单元,包括:
28、分类单元,用于对人民币纸币的图片进行分类,得到初始数据集;其中,所述初始数据集中的图片分为9类;每种分类里面有同种类人民币对应的图片;
29、数据增强单元,用于对所述初始数据集进行数据增强,得到样本数据集;其中,所述数据增强的方式包括旋转、变形和归一化;并将样本数据集进行分割,得到训练样本集和测试样本集。
30、可选的,所述卷积层的滤波器窗口设置为3*3大小,卷积的个数为32,能够提取图像的32种特征,激活函数采用的是relu函数,选择1为卷积核的移动步长,padding设置为0。
31、可选的,所述池化层的池化窗口为2*2的大小,其中核函数的数量为32,卷积核在移动时的stride为2,padding值设置为0。
32、可选的,所述全连接层分为第一全连接层和第二全连接层,所述第一全连接层将得到的所有特征图转化为1维向量,将所述1维向量重新映射输出512个1维向量。
33、可选的,所述全连接层分为第一全连接层和第二全连接层,所述第二全连接层用softmax分类将得到的1维向量分为9类,每一类对应人民币的一种面额的纸币;所述第二全连接层将输出向量中的最大值作为人民币的面额识别结果。
34、本技术第三方面提供了一种电子设备,包括:
35、一个或多个处理器;
36、存储装置,其上存储有一个或多个程序;
37、当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如第一方面任意一项所述的人民币面额的识别方法。
38、本技术第四方面提供了一种计算机存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如第一方面任意一项所述的人民币面额的识别方法。
39、由以上方案可知,本技术提供一种人民币面额的识别方法、相关装置及计算机存储介质,该方法在获取待识别人民币的图像后;将所述待识别人民币的图像输入至识别模型中,输出得到所述待识别人民币的面额;其中,所述识别模型由样本数据集对卷积神经网络模型进行训练得到;所述卷积神经网络包括4个卷积层、4个池化层以及2个全连接层组成。从而针对不同人民币的面额进行快速识别的目的,后续可通过计算机对识别得到的面额进行计算,解决人工计算复杂及出错问题。