買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉江蘇國光信息產業股份有限公司申請的專利基于深度學習的多幣種紙幣冠字號識別方法和裝置獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114202759B 。

龍圖騰網通過國家知識產權局官網在2025-09-12發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111503246.7，技術領域涉及：G06V30/19；該發明授權基于深度學習的多幣種紙幣冠字號識別方法和裝置是由孔飛;張文強;趙炎君;徐明;巢新;王曉磊設計研發完成，并于2021-12-10向國家知識產權局提交的專利申請。

本基于深度學習的多幣種紙幣冠字號識別方法和裝置在說明書摘要公布了：本發明公開了一種基于深度學習的多幣種紙幣冠字號識別方法和裝置，屬于紙幣識別領域，所述方法包括：獲取第一圖像；所述第一圖像為通過掃描設備掃描出的紙幣圖像；對所述第一圖像進行預處理，并獲得第一特征；所述第一特征包括紙幣的幣種、面額和面向；根據第一特征確定冠字號區域的位置，并截取、獲得所述第二圖像；所述第二圖像為冠字號圖像；預設第一模型；所述第一模型的構建基于深度學習的網絡模型結構，利用冠字號樣本數據對網絡模型結構進行訓練；通過第一模型識別所述第二圖像，解碼獲得第二特征；所述第二特征為紙幣的冠字號字符。本發明采用基于深度學習的冠字號識別方法，該方法識別速度快，準確率高，對多種紙幣兼容性強。

本發明授權基于深度學習的多幣種紙幣冠字號識別方法和裝置在權利要求書中公布了：1.一種基于深度學習的多幣種紙幣冠字號識別方法，其特征在于，所述方法包括： 獲取第一圖像；所述第一圖像為通過掃描設備掃描出的紙幣圖像； 將第一圖像輸入預處理模型中，對所述第一圖像進行預處理，并獲得第一特征；所述第一特征包括紙幣的幣種、面額和面向；預處理模型采用輕量化網絡結構mobilenet-V2，模型迭代優化的batchsize設為32，損失函數采用交叉熵損失函數； 根據第一特征確定冠字號區域的位置，并截取、獲得第二圖像；所述第二圖像的獲取方法包括：預先獲取每種紙幣的模板特征相對于第二特征之間的坐標關系；所述第二特征為紙幣的冠字號字符；所述模板特征包括：預先對不同幣種、不同面額的紙幣掃描圖片，并選取具有標志性的要素；根據所述第一特征匹配該種紙幣所對應的模板特征；根據所述第一圖像獲取所述模板特征的位置；基于所述模板特征相對于第二特征之間的坐標關系定位冠字號區域在紙幣圖像中位置，并截取； 預設第一模型；所述第一模型的構建基于深度學習的網絡模型結構，利用冠字號樣本數據對網絡模型結構進行訓練；所述第一模型包括7個卷積模塊和兩層全連接層，按順序連接；其中，第一模型輸入數據尺寸為寬，高，通道數150,32,3的圖片數據；第一卷積模塊由一個卷積核為5,5的卷積層和一個relu層組成；第二卷積模塊、第四卷積模塊和第六卷積模塊均相同，由一個卷積核為3,3的卷積層，一個Relu層，一個卷積核為1,1的卷積層和一個Relu層組成；第三卷積模塊、第五卷積模塊和第七卷積模塊均相同，由一個卷積核為3,3的卷積層，一個relu層，一個BN層，一個卷積核為1,1的卷積層，一個BN層和一個relu層構成；第二卷積模塊、第四卷積模塊和第六卷積后各有一層池化層；兩層全連接層接在7個卷積模塊后，對卷積模塊提取后的特征進行全連接提取；第一層全連接層輸入維度為7個卷積模塊提取后的數據特征維度，輸出維度為數據特征維度的一半；第二層全連接層輸入維度為數據特征維度的一半，輸出維度為需要識別字符的種類數； 通過第一模型識別所述第二圖像，解碼獲得第二特征。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人江蘇國光信息產業股份有限公司，其通訊地址為：213000 江蘇省常州市鐘樓經濟開發區松濤路52號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。