毕业论文网
本文是一篇关于神经网络论文范文，可作为相关选题参考,和写作参考文献。
基于卷积神经网络的印钞二次核查系统
【摘 要】 人民币作为国家的民片,其印刷质量的要求远高于其他印刷品,如何提高人民币票面的检测能力是至关重要的工作.现印钞企业依赖于模式识别技术的检测系统,其误检数量较于实际作废数量为比为10：1.即平均每检测出10 张缺陷图中仅有一张图达到作废程度.本文主要研究内容为：1、比较现有基于模式识别的检测系统与基于卷积神经网络检测系统,利用卷积神经网络对现有系统检出图像进行二次检测.以减少人工删图数量,同时完成不依赖人工经验的高精度分类.2、阐述卷积神经网络（CNN）针对人民币检测的实现细节.包括训练样本图像的选择,如何初始化参数,设计自定义网络模型以及超参数的设置.
【关键词】 卷积神经网络 印钞图像检测 深度学习网络结构
现印钞企业所采用的检测系统基于模式识别实现.其基本步骤为：1、图像采集.模拟图像转为数字图像,完成采样.2、预处理.包括：边框定位,位置微调,有效图像提取,去高频噪声,亮度调整等.3、定位.根据模板的定位核,定位不同印次的图像.4、分析.对误差像素进行统计分析,与模板阈值进行比较,得出结果
在实际生产环境中,现有检测系统可以较好的完成检测任务,但也存在一定的不足.如：对于检测时的硬件环境依赖过强,包括光源亮度的变化,印刷时纸张运行的稳定性甚至纸张湿度的不同导致的纸张尺寸细微的变化都会对检测结果产生影响,使缺陷报出数大幅度增加.故,本文提出对已经报出的缺陷图像进行二次核查,以减少后工序人工删图的工作量.本文提出的二次核查系统是基于卷积神经网络实现,依靠其抗干扰能力强的特性,将产品正确分类.卷积神经网络是一种多层神经网络,擅长处理图像,其通过一系列方法将数据量庞大的图像识别问题不断降维,使其达到可以训练的目的.一个典型的卷积神经网络由多个隐藏层组成：
卷积层：核心思想是达到参数共享与局部感知.主要作用为1.“不变性”,包括平移,旋转,尺度等.2. 保留主要的特征同时减少参数.
池化层：其具体操作与卷基础类似,只取卷积核中最大值或者平均值.达到降维的目的.
激活层：给卷积结果做非线性变化.
全连接层：连接所有的特征,将输出值送入分类器.CNN 除了这四层之外,还包括避免过拟合技术（L1,L2规范化,Dropout,Batch Normalization）, 不同的优化算法（SGD,Momentu,RMSProp,Adam） 以及不同的网络结构（AlexNet,GoogleNet,ResNet）等.
针对印钞图像的二次核查系统设计,笔者比较各网络结构后,最终选择自己设计的网络结构——将RESNET 进行改进.该网络结构减少了RESNET 的层数,就训练结果而言更符合印钞图像的检测.训练样本共计4164 张图,测试样本共计456 张图.
笔者选定batch_size 的大小为32,采用batch_norm 与Adam 优化算法.经过约2000 次迭代后,测试样本准确率趋于平稳 如图1 所示.
针对现有系统的检测弱项以及实际印刷生产中较多发生的缺陷问题,将样本集分为四类.1：正常品（图2） 2：白点（图3） 3：黑点（图4） 4：细道子（图5）.其中白点与黑点在印刷过程中最常遇到的缺陷.虽然现有系统针对这种缺陷的检测能力较强,但也最容易产生误检情况.而现有系统对于细刀子的检测能力相对薄弱.而笔者设计所使用的CNN 系统针对该缺陷有较好的检测能力.
其中,图2 为误检产品,明显的看出是由于纸张平整度不佳导致的误检.在现有系统中,针对该问题无法通过软件系统解决,更多的是依赖硬件来获得更好的纸张展平效果.图3 的白点通过肉眼可以很明显的判断,而在印钞图像检测中却是不小的挑战.因为产品的特殊性,同时也由于所采用算法的局限性,在人民币金属性附近的白点是检测弱项.图5 的细刀子是现有系统无法克服的技术难题.究其原因在于该种缺陷与模板做比对时,所产生误差像素的点数较为分散,不利于之后的统计分析.
相较于基于CNN 的系统,模式识别同样拥有较强的优势.例如检测时间可以达到实际生产要求.而现有的fasterrcnn,YOLO 或者是SSD 算法均无法达到实时检测的效果,因此现阶段只能作为二次核查系统使用.另,由于笔者只是挑选特定缺陷进行训练,尚未覆盖实际生产中的全部缺陷类型,故基于卷积神经网络的系统离实现工业化尚有不小的距离.
卷积神经网络是深度学习中的一小部分,近年来深度学习的大热也给了我们印钞从业者新的启迪.找到原有技术存在的问题,分析这个问题并且解决他,不正是我们学习的根本目的吗？
神经网络论文范文结:
关于神经网络方面的论文题目、论文提纲、神经网络论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文。
2、网络安全论文
3、网络营销论文
5、网络营销相关论文
6、网络论文