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】

本文主要是介绍计算机毕业设计 神经网络学习在线纸币识别系统【源码+论文】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

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。
在这里插入图片描述
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。
在这里插入图片描述

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
在这里插入图片描述

距离拉远后结果图
在这里插入图片描述

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

这篇关于计算机毕业设计 神经网络学习在线纸币识别系统【源码+论文】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/375460

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

水位雨量在线监测系统概述及应用介绍

在当今社会,随着科技的飞速发展,各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中,水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术,其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成,形成了一个完整的闭环系统。 数据采集单元:这是系统的“眼睛”,

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

电力系统中的A类在线监测装置—APView400

随着电力系统的日益复杂和人们对电能质量要求的提高,电能质量在线监测装置在电力系统中得到广泛应用。目前,市场上的在线监测装置主要分为A类和B类两种类型,A类和B类在线监测装置主要区别在于应用场景、技术参数、通讯协议和扩展性。选择时应根据实际需求和应用场景综合考虑,并定期维护和校准。电能质量在线监测装置是用于实时监测电力系统中的电能质量参数的设备。 APView400电能质量A类在线监测装置以其多核

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟&nbsp;开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚&nbsp;第一站:海量资源,应有尽有 走进“智听

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}