بخشی از مقاله
چکیده-
در این مقاله با ترکیب روشهاي پردازش تصویر و شبکه عصبی- فازي سیستمی جهت تشخیص و دستهبندي اسکناسهاي ایرانی طراحی و ارزیابیشده است.
به منظور بهینه سازي فرایند آموزش شبکه عصبی- فازي از الگوریتمهاي ژنتیک و الگوریتم بهینهسازي ازدحام ذرات استفادهشده است که درواقع نوآوري این پژوهش است. براي شبیهسازي سیستم طراحیشده نرمافزار MATLAB
بکار گرفته شد. ابتدا با استفاده از روشهاي پردازش تصویر10 ویژگی از هر اسکناس استخراجشده است سپس با دسته دادههاي مختلف شبکه عصبی- فازي مورد آموزش و آزمون قرارگرفته است. معیار ارزیابی سیستم پیشنهادي دقت بوده است که در بهترین حالت با الگوریتم ژنتیک معادل عدد 0/9358 و با الگوریتم بهینهسازي ازدحام ذرات معادل عدد 1 به دست آمده است.
١- مقدمه
امروزه استفاده از هوش مصنوعی در تمام جنبههاي زندگی به کمک بشر آمده است. با توجه به گسترش تجارت الکترونیک نیاز به سیستمهاي هوشمند در این حوزه احساس میشود. از نمونههاي سیستم هوشمند در بانکداري کارتهاي اعتباري و خدمات مربوط به آن و سیستمهاي خودپرداز است. یکی از مهمترین و پرکاربردترین سیستمها، سیستمی است که توانایی عملیات نقلوانتقال اسکناس بهصورت خودکار را داشته باشد.
هوشمندي این سیستم با تشخیص صحیح اسکناس تعریف میشود. بدیهی است که تشخیص نادرست اسکناس موجب آسیب به سیستم مالی بانکداري میشود. تاکنون روشهاي مختلفی براي تشخیص اسکناس ایرانی پیشنهادشده است. براي نمونه در [1] یک سیستم تشخیص اسکناس مبتنی بر شبکه عصبی با استفاده از مشخصههاي بافت و رنگ تصویر طراحیشده است که اطلاعات بافت و رنگ تشکیل یک بردار ویژگی داده که m مؤلفه آن مربوط به اطلاعات بافت بوده و سایر مؤلفههاي بردار مربوط به اطلاعات رنگ است.
در[2] از قوانین بیز و درخت تصمیم براي تشخیص اسکناس استفادهشده است. در این مقاله با بهکارگیري روشهاي پردازش تصویر، زاویه تصویر با سطح افق و همچنین اندازه آن مهم نبوده و روش پیشنهادي قابلیت تشخیص پشتورو بودن تصویر ورودي را ندارد.
در پژوهشی دیگر [3] از ترکیب روشهاي پردازش تصویر و شناسایی الگو براي استخراج عدد اسکناس و شبکه عصبی براي دستهبندي آن استفادهشده است. در [4] یک سیستم فازي با انتخاب ویژگی توسط الگوریتم ژنتیک براي تشخیص اسکناس طراحیشده است.
در [5] استخراج ویژگی توسط روشهاي پردازش تصویر و دستهبندي با شبکه عصبی پرسپترون انجامشده است. روشهاي دیگري نیز بر مبناي روشهاي پردازش تصاویر مانند روشهاي تشخیص لبه، استفاده از تبدیل موجک در حوزه فرکانس، تشخیص بافت تصویر به روش PCA و مدل مخفی مارکوف در تشخیص اسکناس بهکاررفته است
هدف از این مقاله طراحی و ارزیابی یک سیستم هوشمند در تشخیص اسکناسهاي 5000، 10000، 20000، 50000 و 100000 ریالی ایرانی است. نوآوري این پژوهش ارائه یک دستهبند جدید در تشخیص اسکناسهاي ایرانی با ترکیب شبکه عصبی-فازي و الگوریتم بهینهسازي ازدحام ذرات و الگوریتم ژنتیک است که تاکنون در این موضوع به کار نرفته است.
٢- مواد و روشها
١-٢- مجموعه دادهها
ازآنجاکه مجموعه داده معیاري از اسکناسهاي ایرانی در دسترس نیست در این پژوهش از مجموعه داده مورداستفاده در[2] که توسط نویسندگان آن تهیهشده بود استفاده گردید. این مجموعه داده شامل هزار اسکناس است که از هر دسته اسکناس5000 ریالی، 10000 ریالی، 20000 ریالی، 50000 ریالی و100000 ریالی، 200 نمونه موجود است. این تعداد شامل اسکناسهاي تمیز، پاره، مخدوش و برچسب دار است. لازم به ذکر است که در تهیه این مجموعه داده فقط از رویه فارسی اسکناس استفادهشده است و فرض شده تصویربرداري بهصورت مستقیم انجامشده است بنابراین اسکناسها داراي چرخش نمیباشند.
شکل 1 چند نمونه از اسکناسهاي رایج یکصد هزار ریالی موجود در مجموعه داده را نشان میدهد.
شکل :1 نمونه اسکناس یکصد هزار ریالی موجود در مجموعه داده
٢-٢- سیستم استنتاج عصبی-فازي
معماري ANFIS، معماري یک شبکه تطبیقی است که از الگوریتم یادگیري با نظارت استفاده میکند که داراي یک تابع، مشابه سیستم فازي تاکاگی- سوگنو است. معماري ANFIS داراي 5 لایه است.
اولین و چهارمین لایه شامل گرههاي تطبیقی است. درحالیکه دیگر لایهها شامل گرههاي ثابت هستند. هر لایه بهصورت زیر توصیف میشود :
لایه اول: هر گره در این لایه با یک پارامتر تابع مطابقت دارد.
خروجی هر گره یک درجه از مقدار تابع عضویت است که بهوسیله ورودي توابع عضویت داده میشود.
لایه دو: گرهها در این لایه ثابت یا غیر تطبیقی هستند که با دایره و برچسب مشخص شده است. گره خروجی نتیجه ضرب سیگنالهاي ورودي به آن گره است و به گره بعدي تحویل داده میشود. هر گره در این لایه نشاندهنده قدرت شلیک براي هر قانون است.
لایه سه: گرهها در این لایه نیز ثابت یا غیر تطبیقی هستند که با دایره و برچسب N نشان دادهشده است. هر گره در این لایه بهصورت نسبت قدرت شلیک قانون -iام به مجموع قدرت شلیک تمام قوانین محاسبه میشود. این نتیجه بهعنوان قدرت شلیک نرمال شناختهشده است.
لایه چهار: هر گره در این لایه، یک گره انطباقی است با یک خروجی که بهصورت زیر تعریف میشود:
که قدرت شلیک نرمال شده از لایه قبلی - لایه سوم - است و یک پارامتر در گره است. پارامترها در این
لایه به پارامترهاي نتیجه اشاره دارند.
لایه پنج: گره تنها در این لایه که با دایره و برچسب ∑ مشخصشده است، یک گره ثابت یا غیر تطبیقی است که مجموع تمام سیگنالهاي دریافتی از لایه قبل است و با فرمول 4 نمایش دادهشده است.
شکل :2 معماري [10] ANFIS
٣-٢- الگوریتم بهینهسازي ازدحام ذرات
الگوریتم بهینهسازي ازدحام ذرات - PSO - 1 یک الگوریتم جستجوي مبتنی بر جمعیت است که رفتار اجتماعی دسته پرندگان را شبیهسازي میکند و اولین بار توسط کندي - Kennedy - و ابرهات - Eberhart - در سال 1995 ارائهشده است
در PSOموجودات ذره نامیده میشوند که در فضاي چندبعدي جستجو حرکت میکنند. تغییرات یکذره در ازدحام تحت تأثیر تجربیات خود و یا دانش همسایگانش است.
٤-٢- الگوریتم ژنتیک
الگوریتم ژنتیک - GA - روشی براي حل مسائل بهینهسازي است که از طبیعت الهام گرفتهشده است و فرایندهاي آن بر اساس تکامل زیستی انجام میشود. این الگوریتم اولین مدل براي شبیهسازي سیستمهاي مبتنی بر ژن بوده است که اولین بار توسط فریزر ارائه شده است
در الگوریتم ژنتیک هر کروموزوم یک راهحل ممکن است.
بهطورکلی راهحل اول بهصورت تصادفی ایجاد میشود. مجموع کروموزومها، تولید یک جمعیت میکنند و یک تابع شایستگی وجود دارد که کیفیت راهحل تولیدشده را ارزیابی میکند. براي تولید یک راهحل جدید، GA از عملگرهاي انتخاب، تلفیق و جهش استفاده میکند.
٥-٢- روش پیشنهادي
در روش پیشنهادي این پژوهش از اطلاعات رنگ و اعداد درجشده در گوشه اسکناس بهعنوان ویژگیهاي تصویر و از شبکه عصبی- فازي براي دستهبندي اسکناسها به 5 کلاس از اسکناسهاي موجود استفاده میشود. براي شبیهسازي روش پیشنهادي در این پژوهش از نرمافزار MATLAB استفادهشده است. مراحل کار به شرح زیر است:
ابتدا تصویر RGB به مدل رنگی HSV تبدیل میشود. سپس میانگین و واریانس قسمتهاي Hue، Saturation و Intensity بهعنوان شش ویژگی تصویر - ویژگی 1 تا - 6 در نظر گرفته میشوند.
جهت استخراج مکان اعداد بر روي اسکناس یکچهارم ابتدایی طول و عرض تصویر اسکناس - تصویر گوشه اسکناس - از طریق عمل crop استخراج میشود. شکل 3 تصویر حاصل از استخراج گوشه اسکناس را نشان میدهد.
شکل :3 استخراج تصویر گوشه اسکناس
سپس سه کانال قرمز، آبی و سبز براي تصاویر تفکیک میشود و میانگین هرکدام از این کانالها بهعنوان سه ویژگی دیگر - ویژگی7 و 8 و - 9 در نظر گرفته میشود.
جهت حذف نقاط خارج از موقعیت اعداد موجود در تصویري که از طریق عمل crop استخراجشده است، از فیلتر میانه استفاده میشود. تصویر حاصل داراي لبههاي عمودي و افقی است که از این ویژگی براي یافتن محل اعداد در تصویر استفاده میشود.
عملگر سوبل به دلیل سرعتبالا و حجم پردازشی کم در مقایسه با سایر روشها، جهت استخراج لبههاي تصویر بکار میرود. بدین ترتیب لبهها مشخص میشود و قسمتی از نواحی ناخواسته داخل تصویر از بین میرود. شکل 4 تصویر حاصل از این مرحله را نشان میدهد.
شکل :4 تشخیص لبههاي تصویر
در مرحله بعد مطابق با - 5 - نویزهاي موجود در تصویر با استفاده از عملگرهاي مورفولوژي حذف میشود. عملگرهاي مورفولوژي مورداستفاده عملگر انبساط جهت گسترش و عملگر سایش جهت از بین بردن نویزهاي درون تصویر است. یکی از عنصرهاي مورداستفاده در این عملیات دیسک است که با استفاده از آن نواحی ناخواسته در تصویر تحت عنوان نویز حذف میشود.
درنهایت مساحتهاي کوچکتر و بزرگتر از مساحت تخمینی این اعداد حذف میشوند و از تصویر خروجی این مرحله میانگین گرفته میشود و بهعنوان ویژگی دهم در نظر گرفته میشود. شکل 5 خروجی حاصل را نشان میدهد.
شکل :5 تصویر حاصل از حذف مساحتهاي غیر اعداد موجود در تصویر
با توجه به مراحل انجامشده درمجموع 10 ویژگی از تصویر جهت تشکیل بردار ورودي شبکه عصبی- فازي به دست میآید. پنج سري اسکناس متفاوت وجود دارد که هرکدام به یک کلاس تخصیص داده میشوند که درمجموع 5 کلاس ایجاد میشود.
