计算机毕业设计神经网络学习在线纸币识别系统【源码+论文】

文章目录

0 项目说明
1 项目说明
2 系统设计
- 2.1 设计要求
- 2.2 设计方案
3 效果展示
4 论文目录

0 项目说明

基于神经网络学习的在线纸币识别

提示：适合用于课程设计或毕业设计，工作量达标，源码开放

项目分享：

https://gitee.com/asoonis/feed-neo

1 项目说明

本系统旨在实时快速识别纸币面值，帮助视障朋友更方便的进行交易活动。硬件简单，只需 RGB 相机、处理器、语音模块；操作简便，只需拿着纸币对着相机；软件算法快，且能适应不同光照、背景；在一定的距离范围内，倾斜、破损、折旧的纸币都能被快速识别。此套算法流程是针对现在发行的中华人民共和国第五套、第六套人民币。

2 系统设计

2.1 设计要求

在线纸币识别系统，需满足下列场景下的识别：

1）纸币距离导致场景中的大小不同以及无法保证完全水平放置出现的小角度旋转；
2）手持纸币不同位置时导致的不同程度、面积的遮挡；
3）场景中光线的明暗造成纸币可能出现过曝与欠曝的情况；
4）观察纸币时视场的变化、色温的变化；
5）纸币所处的复杂背景以及不存在纸币时输出无结果等。

同时，还需要满足以下要求：实时性、1s 内实现输出 2 次结果，正确率达95%以上。

2.2 设计方案

该系统基于 RGB 相机，通过模式识别，结合神经网络学习方法，实现自动识别使用者手中钱币币值。利用机器学习确定图像中是否有毛像及其位置。根据毛像相对大小、位置角度，确定纸币中数字部分所在区域，并框出。通过 Canny边缘提取算法及 Graphcut 算法将数字分割出来。设计矢量模板匹配算法，将数字区域图像与特征数字 2,5 的曲线模板进行匹配，判断是否有币值 2,5；设计卷积滤波远近寻找法判断是否有数值 0，确定 0 的个数。根据 Haar 特征、Adaboost分类器识别数字 1。通过神经网络学习判断是否有英文字母 YU，判断是否是纸币背面对着相机。综上可确定纸币的面值实时反馈，并给予语音提示。

系统基本硬件包括普通 RGB 相机、处理器芯片、语音模块。用户拿着纸币对着相机，相机接收图像信息，交给处理器芯片进行图像处理，得到面值，通过语音反馈处理结果，告知面值或给出相应的指令。PC、Realsense、手机有所需的基本硬件系统。本系统基于 PC 端开发算法，并移植到 Realsense 中。

3 效果展示

正确识别时，纸币位置距离相机的水平距离在 6-23cm 左右。最近距离 6cm 情况是毛像与数字部分恰好在相机所成图像中。最远距离，对于纸币 1、10、100 是毛像部分不能被识别出来，距离在 25cm 左右，对于纸币 2、5、50 是特征数字 2、5 的识别不正确，距离在 22cm。同时可行距离范围与相机的视场角、分辨率有关，本系统采用 PC 端 HD Webcam，分辨率 1280 x 720，水平视场角度约 70 度。

最近距离 6cm 情况结果图

距离拉远后结果图

4 论文目录

1 引言…1
1.1 研究背景及意义…1
1.2 国内外研究现状…2
1.2.1 概述…2
1.2.2 神经网络算法研究现状…3
1.2.3 图像处理算法在纸币识别中的应用…10
1.3 本文主要内容…11
2 系统设计方案与可行性分析…12
2.1 设计要求与指标…12
2.2 总体设计方案…13
2.3 可行性分析…15
2.3.1 算法精度保证…15
2.3.2 算法速度保证…16
2.3.3 系统鲁棒性分析…17
2.4 技术难点…17
2.4.1 特征提取方式确定…18
2.4.2 如何排除旋转、倾斜因素…18
2.4.3 如何排除环境光照的影响…18
2.4.4 神经网络模型选取…18
3 实施方案与技术路线 …19
3.1 模块实施方案…19
3.1.1 提取纸币特征区域…19
3.1.2 识别纸币面值…19
3.1.3 排除环境干扰…20
3.1.4 信息接收与反馈…21
3.2 具体技术路线与实现方法…21
3.2.1 机器学习识别毛像、数字 1、字母 YU …21
3.2.2 Graphcut 图割算法分割数字…25
3.2.3 矢量模板匹配法检测数字 2,5…28
3.2.4 卷积滤波远近寻找法判断数字 0 及其个数…31
3.2.5 语音模块…32
3.2.6 系统整合…32
4 系统测试与结果分析…34
4.1 测试方法…34
4.2 测试结果与分析…35
4.2.1 特征提取算法结果…35
4.2.2 光照影响因素…36
4.2.3 纸币位置影响因素…37
4.2.4 用时…41
5 成果与展望…42
5.1 成果…42
5.2 总结…45
5.3 展望…46
6 参考文献…47

项目分享：

https://gitee.com/asoonis/feed-neo