一种硬币隐形图文检测方法及装置

技术领域

本发明涉及一种硬币隐形图文检测方法，同时也涉及一种相应的硬币隐形图文检测装置，属于硬币质量检测技术领域。

背景技术

随着经济的高速发展，市场上需要大量的货币流通，其中硬币在日常消费中的流通量越来越大，但是硬币不同于纸币，其防伪功能相对较少，假币以假乱真的现象不断出现，成为必须解决的一大难题。

为了有效防止假币流入市场流通环节，提高真币的防伪功能刻不容缓。其中增加硬币隐形图案和文字(简称图文)作为防伪的一项技术已经开始应用，其主要特点是利用特殊技术研制的模具，将特殊的图文符号隐藏在硬币的表面，这些隐藏的图文通常肉眼正视难以发现，需要在某个特定的角度斜视才可以看到这些隐藏的图文，由于其做工精细，假币很难到达真币的效果，因此能够非常有效地将假币区别出来。

硬币的隐形图文难度高，在生产工艺环节需要对硬币隐形图文的制造精度进行检测，确保出厂硬币隐形图文的正确性和一致性。而在硬币流通领域，也需要对硬币的隐形图文进行检测以判断硬币的真伪。

现有硬币隐形图文检测方法通常采用如下几种方式：第一种，采用不同角度的光源进行多次拍摄成像；第二种，设置多个工位采用几组不同角度的光源加相机的方式进行成像，第三种，设置单一工位控制光源的照明角度并配合相机多次曝光的方式进行成像。采用第一种方式进行成像会增加设备的尺寸；采用第二和第三种方式成像则需要对光源设置和相机帧率等参数提出更高要求。

发明内容

本发明所要解决的首要技术问题在于提供一种硬币隐形图文检测方法。

本发明所要解决的另一技术问题在于提供一种硬币隐形图文检测装置。

为了实现上述目的，本发明采用下述技术方案：

根据本发明实施例的第一方面，提供一种硬币隐形图文检测方法，包括如下步骤：

获取单张待测硬币隐形图文所在面的图像，并进行预处理；

将预处理后的图像输入到训练好的硬币隐形图文缺陷检测模型中，得到该图像中各个像素位置属于预设缺陷的概率，并将大于预设缺陷概率的缺陷类型保留，生成缺陷类别图；

对所述缺陷类别图进行预处理后，进行Blob分析，得出所述待测硬币隐形图文是否合格。

其中较优地，获取所述待测硬币隐形图文所在面的图像时，采用面阵相机实现，所述面阵相机的拍照面与所述待测硬币隐形图文所在面平行，在所述面阵相机与所述待测硬币隐形图文所在面之间设置有用于对硬币表面进行照明的光源，所述光源发出的光线与所述面阵相机垂直。

其中较优地，所述硬币隐形图文缺陷检测模型通过如下步骤得到：

建立硬币隐形图文所在面的图像数据集，从中选取预设比例的图像作为训练集数据，余下图像作为测试集数据；

采用所述训练集数据对多个卷积神经网络联合训练，得到硬币隐形图文缺陷检测模型；

采用所述测试集数据测试所述硬币隐形图文缺陷检测模型的精度。

其中较优地，采用所述训练集数据对多个卷积神经网络联合训练时，具体包括第一卷积神经网络、第二卷积神经网络和第三卷积神经网络；

所述第一卷积神经网络，用于从输入的硬币隐形图文所在面的图像中提取出预设数量的浅层、中层、和高层信息，并分别以四维特征向量进行表示；

所述第二卷积神经网络，用于对预设数量的表示不同层次信息的四维特征向量在不同尺度下进一步提取各个层次信息，并将各个层次信息统一成高层信息对应的四维特征向量进行输出；

所述第三卷积神经网络，用于对所述第二卷积神经网络输出的四维特征向量进行特征融合后，对输入到所述第一卷积神经网络的硬币隐形图文图像中每一个像素位置进行属于预设缺陷类别的严重程度的标签标注，并计算每一个像素位置属于预设缺陷类别的概率后，将大于预设缺陷概率的缺陷类型保留，形成缺陷类别图。

其中较优地，对所述第二卷积神经网络输出的四维特征向量进行特征融合时，采用将所有四维特征向量中对应坐标位置的浮点数分别取平均或最大值实现。

其中较优地，对所述缺陷类别图进行预处理时，先将所述缺陷类别图转换为二值化图，再根据不同缺陷类别，将所述二值化图转换为对应的灰度图；其中，所述灰度图呈现的不同缺陷类别对应的灰度值为20、40……20n，n表示第n种缺陷类别。

其中较优地，对所述灰度图进行Blob分析，包括如下步骤：

将所述灰度图小区域内的缺陷像素中，像素之间间隔小于第一距离阈值的像素划分到同一个缺陷区域内，并统计各个缺陷区域内缺陷像素的数量；

计算各个缺陷区域内所有缺陷像素的能量之和，作为相应缺陷区域的能量值；

按照各个缺陷区域之间间隔第二距离阈值，对各个缺陷区域进行聚类；

对聚类后的缺陷区域进行判废。

其中较优地，对聚类后的缺陷区域进行判废时，确定聚类后的缺陷区域位置落入标准样品模板中预先设置的多个区域中的具体区域后，若所述缺陷区域的能量值与面积值均大于标准样品模板中对应区域的能量值与面积值，则认为待测硬币隐形图文不合格。

其中较优地，对聚类后的缺陷区域进行判废时，确定聚类后的缺陷区域位置落入标准样品模板中预先设置的多个区域中的具体区域后，分别计算所述缺陷区域的能量值与面积值对应与标准样品模板中区域的能量值与面积值之间的欧氏距离，若均大于标准欧氏距离，则认为待测硬币隐形图文不合格。

根据本发明实施例的第二方面，提供一种硬币隐形图文检测装置，其特征在于包括处理器和存储器，所述处理器读取所述存储器中的计算机程序或指令，用于执行以下操作：

获取单张待测硬币隐形图文所在面的图像，并进行预处理；

将预处理后的图像输入到训练好的硬币隐形图文缺陷检测模型中，得到该图像中各个像素位置属于预设缺陷的概率，并将大于预设缺陷概率的缺陷类型保留，生成缺陷类别图；

对所述缺陷类别图进行预处理后，进行Blob分析，得出所述待测硬币隐形图文是否合格。

本发明所提供的硬币隐形图文检测方法及装置首先通过获取单张待测硬币隐形图文所在面的图像，并进行预处理；然后将预处理后的图像输入到训练好的硬币隐形图文缺陷检测模型中，得到该图像中各个像素位置属于预设缺陷的概率，并将大于预设缺陷概率的缺陷类型保留，生成缺陷类别图；最后对缺陷类别图进行预处理后，进行Blob分析，得出待测硬币隐形图文是否合格。该方法中获取的图像不受环境明暗程度变化的影响，检测结果稳定，实现硬币隐形图文特征单次成像检测，并且满足多种角度呈现不同隐形图文的检测需求。

附图说明

图1为本发明实施例提供的硬币隐形图文检测方法的流程图；

图2为本发明实施例提供的硬币隐形图文检测方法的一个检测示意图；

图3为本发明实施例提供的硬币隐形图文检测方法中，获取单张待测硬币隐形图文所在面的图像的示意图；

图4为本发明实施例提供的硬币隐形图文检测方法中，硬币隐形图文缺陷检测模型的缺陷检测流程图；

图5为本发明实施例提供的硬币隐形图文检测方法中，对经过预处理后得到的灰度图进行Blob分析时，划分小缺陷区域的示意图；

图6A和6B为本发明实施例提供的硬币隐形图文检测方法中，对划分的各个小缺陷区域进行聚类的一个示例图；

图7为本发明实施例提供的硬币隐形图文检测装置的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明的技术内容做进一步的详细说明。

如图1所示，本发明实施例提供的硬币隐形图文检测方法，包括如下步骤：

步骤S1、获取单张待测硬币隐形图文所在面图像，并进行预处理。

将面阵相机的拍照面与待测硬币隐形图文所在面平行，并且在面阵相机与待测硬币隐形图文所在面之间设置有用于对硬币表面进行照明的光源，该光源发出的光线与面阵相机垂直(如同轴光，无需频闪控制或调整照明角度)；通过面阵相机对待测硬币隐形图文所在面进行高分辨率的单张图像采集，避免了因行采集出现的图像畸变问题。如图2所示，以待测硬币平放于传送带进行传输为例，在硬币正反面均有隐形图文，将两个面阵相机的拍照面对应与待测硬币隐形图文所在面平行，配合面阵相机采集单张图像的光源发出的光线与该面阵相机垂直，利用相应光源对硬币表面进行照明后，再通过这两个面阵相机逐个硬币采集单张其隐形图文所在面的图像，即采集每个待测硬币的正反面图像，如图3示出的一张英镑硬币的隐形图文图像。

通过面阵相机采集的图像不可避免的会出现噪声、光线不均匀等问题，因此需要对采集的单张待测硬币隐形图文所在面的图像进行预处理，使得图像规范化；图像预处理主要包括图像的降噪和校正处理。其中，使用图像滤波函数降低噪声对后续硬币隐形图文检测的影响；图像校正时，把图像旋转校正到统一角度；使用光线校正算法，使处理图像光线尽可能统一。

步骤S2、将预处理后的图像输入到训练好的硬币隐形图文缺陷检测模型中，得到该图像中各个像素位置属于预设缺陷的概率，并将大于预设缺陷概率的缺陷类型保留，生成缺陷类别图。

硬币隐形图文缺陷检测模型通过如下步骤得到：

步骤S21、建立硬币隐形图文所在面的图像数据集，从中选取预设比例的图像作为训练集数据，余下图像作为测试集数据。

通过面阵相机采集数张硬币隐形图文所在面的图像，并采用步骤S1中的图像预处理方法进行预处理后，得到硬币隐形图文所在面的图像数据集；从该数据集中选取预设比例的图像作为训练集数据，余下图像作为测试集数据。例如，硬币的正反面均有隐形图文，通过面阵相机采集硬币的正反面图各500张；将这1000张硬币的正反面图进行预处理后，得到硬币隐形图文所在面的图像数据集，从中选取800张图像作为训练集数据，余下200张作为测试集数据。

步骤S22、采用训练集数据对多个卷积神经网络联合训练，得到硬币隐形图文缺陷检测模型。

在本发明中，采用训练集数据对3个卷积神经网络联合训练，得到硬币隐形图文缺陷检测模型。其中，3个卷积神经网络分别为第一卷积神经网络、第二卷积神经网络和第三卷积神经网络。

第一卷积神经网络和第二卷积神经网络包括相同数量的网络块；其中，第一卷积神经网络中的各个网络块由一个固定卷积核大小的卷积层，一个批标准化层和一个激活函数层组成。第二卷积神经网中的各个网络块由多个卷积核大小的卷积层，一个批标准化层和一个激活函数层组成，并且每个网络块对应连接第一卷积神经网络中的相应网络块。第三卷积神经网络采用全卷积神经网络实现。

将训练集数据中的图像随机分成多组，并且设置第一卷积神经网络、第二卷积神经网络和第三卷积神经网络同步联合训练的迭代次数(如迭代500次)、学习率(如10

为了便于理解各个卷积神经网络联合训练的过程，下面以从训练集数据中随机选取一张图像为例，对各个卷积神经网络联合训练一次的过程进行详细说明。

从训练集数据中随机选取一张图像输入到第一卷积神经网络中，通过该卷积神经网络从输入的图像中提取出预设数量的浅层、中层、和高层信息。浅层信息更偏重于图像纹理特征，高层信息更偏重于图像形状类别特征。其中，第一卷积神经网络提取的浅层、中层、和高层信息分别以四维特征向量进行表示，并作为第二卷积神经网络的输入向量。四维特征向量具体表示为输入图像批次(一次性输入到网络中的图像数量)×输入图像的宽×高×图像的通道数(图像维度)。例如，如图4所示，通过第一卷积神经网络从输入的图像中提取出浅层、中层、和高层信息各1个，其中输入的图像尺寸为480×480，对应于浅层、中层、和高层信息的图像维度分别为16、128和512，那么该卷积神经网络提取并输出的浅层信息表示为1×480×480×16维度，中层信息表示为1×480×480×128维度，高层信息表示为1×480×480×512维度。

如图4所示，将第一卷积神经网络输出的用于表示不同层次信息的四维特征向量输入到第二卷积神经网络中，利用第二卷积神经网络中对应的网络块的多个卷积核大小的卷积层，实现在不同尺度下进一步提取图像纹理和形状类别特征，以满足更全面、准确地提取出图像中占用不同面积像素的图像纹理和形状类别特征，从而达到适应性更好的目的。其中，第二卷积神经网络根据第一卷积神经网络输出的用于表示不同层次信息的四维特征向量，在不同尺度下进一步提取图像纹理和形状类别特征后，保证浅层、中层、和高层信息以提取特征后高层信息对应的四维特征向量进行表示。如图4所示，第二卷积神经网络输出3个提取特征后高层信息对应的四维特征向量表示浅层、中层、和高层信息的相应图像纹理和形状类别特征。例如，经过第二卷积神经网络在不同尺度下进一步提取图像纹理和形状类别特征后，浅层、中层、和高层信息以提取特征后高层信息对应的四维特征向量1×480×480×2048维度表示。

需要强调的是，为了保证经过第二卷积神经网络在不同尺度下进一步提取图像纹理和形状类别特征后，浅层和中层信息以提取特征后高层信息对应的四维特征向量进行表示，可以采用调整第一卷积神经网络中用于提取浅层和中层信息的网络块的数量实现，或者采用调整第二卷积神经网络中对应于进一步提取浅层和中层信息的网络块中卷积核的大小与数量实现。其中，提取特征后高层信息对应的四维特征向量为各个卷积核输出的四维特征向量沿着通道方向拼接成的一个四维特征向量。

将第二卷积神经网络输出的对应于浅层、中层、和高层信息的多个相同四维特征向量输入到第三卷积神经网络中，首先进行特征融合，提取出用于识别图像中隐形图文缺陷的关键信息，即将第二卷积神经网络输出的对应于浅层、中层、和高层信息的多个相同四维特征向量融合成一个新的四维特征向量。在对第二卷积神经网络输出的对应于浅层、中层、和高层信息的多个相同四维特征向量进行特征融合时，可以采用将所有四维特征向量中对应坐标位置的浮点数分别取平均或最大值实现。以3个四维特征向量中的维度坐标为例，在进行特征融合时，可以将3个四维特征向量中的维度坐标对应的浮点数相加后除以3，得到新的四维特征向量中维度坐标的浮点数。或者，可以将3个四维特征向量中的维度坐标对应的浮点数中的最大浮点数作为新的四维特征向量中维度坐标的浮点数。

第三卷积神经网络将融合后的新的四维特征向量转换为中间特征向量后，根据预设硬币隐形图文缺陷严重程度标准，对输入到第一卷积神经网络的硬币隐形图文图像中每一个像素位置进行属于预设缺陷类别的严重程度的标签标注，并计算输入到第一卷积神经网络的硬币隐形图文图像中每一个像素位置属于预设缺陷类别的概率后，将大于预设缺陷概率的缺陷类型保留，形成缺陷类别图。例如，需要采用硬币隐形图文缺陷检测模型检测硬币隐形图文是否有划伤缺陷时，以对硬币隐形图文图像中某一个像素位置进行属于划伤缺陷的严重程度的标签标注为例，如果第三卷积神经网络识别出该像素位置的划伤长度为1-2mm，而根据划伤严重程度标准中设置的划伤长度大于5mm，则认为划伤严重这一原则，可以将该像素位置标注标签为严重，并计算出该像素位置属于划伤缺陷的概率为1。

以预设缺陷概率为0.5为例，从计算的输入到第一卷积神经网络的硬币隐形图文图像中每一个像素位置属于预设缺陷类别的概率中，保留缺陷概率大于0.5的缺陷类别，并生成相应的缺陷类别图。

步骤S23、采用测试集数据测试硬币隐形图文缺陷检测模型的精度。

将测试集数据中的图像输入到训练后得到的硬币隐形图文缺陷检测模型中，验证该硬币隐形图文缺陷检测模型的精度。采用测试集数据测试硬币隐形图文缺陷检测模型的精度未现有成熟技术，在此不再赘述。

步骤S3、对缺陷类别图进行预处理后，进行Blob分析，得出待测硬币隐形图文是否合格。

对缺陷类别图进行预处理时，先将该缺陷类别图转换为二值化图，再根据不同缺陷类别，将该二值化图转换为对应的灰度图。其中，灰度图呈现的不同缺陷类别对应的灰度值为20、40……20n，n表示第n种缺陷类别。

计算机视觉中的Blob是指图像中的一块连通区域，Blob分析就是对前景/背景分离后的二值图像，进行连通域提取和标记。标记完成的每一个Blob都代表一个前景目标，然后就可以计算Blob的一些相关特征，如：面积、质心、外接矩形等几何特征，还可以计算Blob的颜色、纹理特征，这些特征都可以作为跟踪的依据。

对经过预处理后得到的灰度图进行Blob分析，包括如下步骤：

步骤S31、将灰度图小区域内的缺陷像素中，像素之间间隔小于第一距离阈值的像素划分到同一个缺陷区域内，并统计各个缺陷区域内缺陷像素的数量。

如图5所示，在本发明的一个实施例中，将灰度图小区域内的6个缺陷像素中，像素之间间隔小于1个像素的划分到同一个缺陷区域内，可以得到两个缺陷区域，第一个缺陷区域内包含5个像素之间间隔小于1个像素的缺陷像素，第二个缺陷区域包含1个缺陷像素。

步骤S32、计算各个缺陷区域内所有缺陷像素的能量之和，作为相应缺陷区域的能量值。

每个缺陷像素的能量等于该缺陷像素的灰度值依次减去实际图像模板中对应位置上的像素的灰度值和基础参数值，结果取绝对值后乘以相应的尺度值。需要强调的时，获取每个缺陷像素的能量包括但不限于上述方法。

步骤S33、按照各个缺陷区域之间间隔的第二距离阈值，对各个缺陷区域进行聚类。

聚类是指利用位置相邻区域是否具有相似性或在某种条件下有相关性，将小区域具有较大缺陷像素数，或具有与相邻区域内整体强度强，或具有与相邻区域相近缺陷像素的密度等可以进行聚类，使弱区域缺陷像素通过聚类成强区域缺陷像素。如图6A和6B所示，图6A中为进行聚类前的各个缺陷区域，图6B中为进行聚类后得到的一个较大缺陷区域。

步骤S34、对聚类后的缺陷区域进行判废。

Blob判废方法决定了图像检测系统的灵敏性和检测性能。在图像检测中，被检测标签产品与图像模型间的对比差异可通过两个层面进行评价。第一个层面是对比差异像素数量：当对比差异以簇群形式出现时，表明这些差异有意义，因此具有小作废值的大量作废簇群可判为作废，将其称为区域废；第二个层面是对比差异值大小，如果一个或某几个相邻像素的对比差异值(作废值)很高，则可根据这个原因判断该产品作废，将其称为奇异废。

在本发明中，模仿人眼检测的原则：小块内差异和整体差异相结合的残差检测方法。对整体差异主要是通过与多张平均所得标准样品公差范围比较来判定。具体的说，对聚类后的缺陷区域进行判废可以采用如下两种方法实现，根据实际需求采用合适的判废方法判断待测硬币隐形图文是否合格。待测硬币隐形图文的判废结果会存储到数据库中，以便工作人员随时调取判废结果进行分析。并且，在生产工艺环节，可以根据待测硬币隐形图文的判废结果，对其进行分仓处理。

具体的说，第一种判废方法，确定聚类后的缺陷区域位置落入标准样品模板中预先设置的多个区域中的具体区域后，将该缺陷区域的能量值与面积值与标准样品模板中对应区域的能量值与面积值进行比较，若缺陷区域的能量值与面积值均大于标准样品模板中对应区域的能量值与面积值，则认为待测硬币隐形图文不合格。第二种判废方法，确定聚类后的缺陷区域位置落入标准样品模板中预先设置的多个区域中的具体区域后，分别计算该缺陷区域的能量值与面积值对应与标准样品模板中区域的能量值与面积值之间的欧氏距离，并与标准欧氏距离进行比较，若均大于标准欧氏距离，则认为待测硬币隐形图文不合格。

此外，如图7所示，本发明实施例还提供一种硬币隐形图文检测装置，包括处理器32和存储器31，还可以根据实际需要进一步包括通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口。其中，存储器、通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口均与该处理器32连接。前已述及，存储器31可以是静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器等；处理器32可以是中央处理器(CPU)、图形处理器(GPU)、现场可编程逻辑门阵列(FPGA)、专用集成电路(ASIC)、数字信号处理(DSP)芯片等。其它通信组件、传感器组件、电源组件、多媒体组件等均可以采用现有智能手机中的通用部件实现，在此就不具体说明了。

另外，本发明实施例提供的硬币隐形图文检测装置，包括处理器32和存储器31，处理器32读取所述存储器31中的计算机程序或指令，用于执行以下操作：

获取单张待测硬币隐形图文所在面的图像，并进行预处理。

将预处理后的图像输入到训练好的硬币隐形图文缺陷检测模型中，得到该图像中各个像素位置属于预设缺陷的概率，并将大于预设缺陷概率的缺陷类型保留，形成缺陷类别图。

对缺陷类别图进行预处理后，进行Blob分析，得出待测硬币隐形图文是否合格。

另外，本发明实施例还提供一种计算机可读存储介质，所述可读存储介质上存储有指令，当其在计算机上运行时，使得所述计算机执行如上述图1所述的硬币隐形图文检测方法，此处不再赘述其具体实现方式。

另外，本发明实施例还提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行如上述图1所述的硬币隐形图文检测方法，此处不再赘述其具体实现方式。

本发明所提供的硬币隐形图文检测方法及装置首先通过获取待测硬币隐形图文所在面的图像，并进行预处理；然后将预处理后的图像输入到训练好的硬币隐形图文缺陷检测模型中，得到该图像中各个像素位置属于预设缺陷的概率，并将大于预设缺陷概率的缺陷类型保留，生成缺陷类别图；最后对缺陷类别图进行预处理后，进行Blob分析，得出待测硬币隐形图文是否合格。该方法中获取的图像不受环境明暗程度变化的影响，检测结果稳定，实现硬币隐形图文特征单次成像检测，并且满足多种角度呈现不同隐形图文的检测需求。

以上对本发明所提供的硬币隐形图文检测方法及装置进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将属于本发明专利权的保护范围。