[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

权利要求书

1.一种基于深度学习卷积神经网络的硬币识别方法，其特征在于：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，硬币图像为硬币使用过程中的运动图像；

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，包括如下子步骤：

步骤3-1：获取背景图像和硬币图像；

步骤3-2：将硬币图像和背景图像均转换成为灰度图像，分别得到灰度硬币图像和灰度背景图像；

步骤3-3：将灰度硬币图像减去灰度背景图像，得到过滤后的灰度硬币图像；

步骤3-4：将过滤后的灰度硬币图像采用腐蚀和膨胀处理，进一步消除噪声，然后分割出过滤后的灰度硬币图像中的联通区域，采用图像坐标系方法将位于过滤后的灰度硬币图像边缘位置的联通区域剔除，将剩余联通区域采用最小外接矩形截取处理，得到包含硬币的待分类图像；

根据待分类图像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；

其中，所述采用图像坐标系方法将位于灰度硬币图像边缘位置的联通区域剔除，具体过程如下：

设C_i是第i个联通区域，i＝1,2,...,M，其中M表示联通区域的总个数，CP(x,y)表示联通区域C_i中坐标为(x,y)的点，CP_x表示联通区域C_i内部x轴的坐标值，CP_y表示联通区域C_i内部y轴的坐标值，W表示灰度硬币图像的宽度，H表示灰度硬币图像的高度，采用公式②将位于灰度硬币图像边缘位置的联通区域剔除掉：

2.根据权利要求1所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：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。

3.根据权利要求2所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：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。

4.根据权利要求1所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：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softmax函数依次连接。

5.根据权利要求4所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：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。