[发明专利]假币分类的方法及装置、电子设备及计算机可读存储介质

权利要求书

1.一种假币分类的方法，其特征在于，包括：

获取假币的特征信息，所述特征信息至少包括所述假币的图像信息、所述假币预设局部的元素信息、以及所述假币的纸质成分信息；

将所述特征信息转换为特征向量，并将所述特征向量输入预先训练好的分类模型，得到针对所述假币的分类结果，所述分类结果包括第一类假币和第二类假币，所述第一类假币为需上缴的假币，所述第二类假币为无需上缴的假币，所述分类模型为GA-BP神经网络模型，所述GA-BP神经网络模型基于BP神经网络模型预先建立得到，基于BP神经网络预先建立所述GA-BP神经网络模型的过程，包括：获取所述第一类假币和所述第二类假币的假币训练样本；获取所述假币训练样本的特征信息；确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，所述初始BP神经网络模型的输入层节点个数依据所述训练样本的特性信息确定，所述初始BP神经网络模型的输出层节点个数依据假币预设的分类结果确定，所述初始BP神经网络模型的隐层节点个数基于试凑法确定；依据预设的样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型；将所述优化后的BP神经网络模型作为所述GA-BP神经网络模型。

2.根据权利要求1所述的方法，其特征在于，还包括，

统计第一目标假币的数量，任意两个所述第一目标假币的分类结果属于所述第一类假币，且所述特征信息中至少所述局部的元素信息相同；

在第一目标假币的数量达到第一阈值的情况下，发出第一提示信息，所述第一提示信息中包括所述第一目标假币的所述图像信息，所述第一提示信息用于提示用户将所述第一目标假币作为所述分类模型的训练样本，且将所述训练样本的所述分类结果标记为所述第二类假币，用于训练所述分类模型。

3.根据权利要求1所述的方法，其特征在于，还包括：

统计第二目标假币的数量，所述第二目标假币为所述分类结果属于所述第一类假币的所述假币；

在所述第二目标假币的数量达到第二阈值的情况下，发出第二提示信息，所述第二提示信息用于提示用户属于所述第一类假币的假币数量已到达上缴的数量。

4.根据权利要求1所述的方法，其特征在于，还包括，为每个属于所述第一类假币的所述假币设置电子标签，所述电子标签中携带所述假币的假币信息，假币信息至少包括所述假币的面值信息。

5.一种假币分类的装置，其特征在于，包括：

获取单元，用于获取假币的特征信息，所述特征信息至少包括所述假币的图像信息、所述假币预设局部的元素信息、以及所述假币的纸质成分信息；

输入单元，用于将所述特征信息转换为特征向量，并将所述特征向量输入预先训练好的分类模型，得到针对所述假币的分类结果，所述分类结果包括第一类假币和第二类假币，所述第一类假币为需上缴的假币，所述第二类假币为无需上缴的假币，所述分类模型为GA-BP神经网络模型，所述GA-BP神经网络模型基于BP神经网络模型预先建立得到，基于BP神经网络预先建立所述GA-BP神经网络模型的过程，包括：获取所述第一类假币和所述第二类假币的假币训练样本；获取所述假币训练样本的特征信息；确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，所述初始BP神经网络模型的输入层节点个数依据所述训练样本的特性信息确定，所述初始BP神经网络模型的输出层节点个数依据假币预设的分类结果确定，所述初始BP神经网络模型的隐层节点个数基于试凑法确定；依据预设的样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型；将所述优化后的BP神经网络模型作为所述GA-BP神经网络模型。