بخشی از مقاله
چکیده
در سالهای اخیر تلاشهای زیادی در زمینه ساخت دستگاههای تشخیص اسکناس شده است؟ در این تحقیق به ارائه الگوریتمهایی خواهیم پرداخت که بر روی اسکناسهای مخدوش ایرانی پیادهسازی شده است؟ منظور از مخدوش بودن وجود برخی تغییرات ناخواسته مانند قلمخوردگی، تا خوردگی، وجود چسب و کهنگی میباشد. سیستم پیشنهادی از دو الگوریتم اصلی تبدیل موجک و شبکه عصبی تشکیل شده است؟ هدف از اعمال تبدیل موجک استخراج ویژگیهای بافت تصویر است.
در کنار ویژگیهای استخراج شده از تبدیل موجک ویژگیهای رنگ نیز درنظر گرفته شده است. در مرحله دوم از شبکه عصبی برای یادگیری ویژگیهای هر یک از دستهها استفاده شده است که در آن با دریافت ویژگیهای هر یک از اسکناسها به عنوان ورودی توانایی تشخیص دسته-ی مربوطه را دارد؟ یکی از کارهای مهم صورت گرفته توسط پژوهشگران این تحقیق، ایجاد دادگانی با استفاده از اسکناسهای ایرانی میباشد؟ ازاینرو، از 6 نوع اسکناس موجود در بازار استفاده شده است و تصاویری در شرایط یکسان از هر یک از اسکناسها در دو وجه و به تعداد 25 تصویر از هر یک از آنها تهیه شده است.
با در دست داشتن این دادگان سیستم پیشنهادی با دو مجموعه ویژگی مورد ارزیابی قرار گرفته است. در حالت اول از هر تصویر ویژگی بافت استخراج شده است و این ٌٍ ویژگی به شبکه عصبی پرسپترونی داده میشود. در این حالت کارایی سیستم دارای دقت بازشناسی %94 است. مشاهده شده است که برخی تغییرات در بافت باعث وجود خطا در کارایی سیستم شده است از اینرو ویژگی رنگ نیز به سیستم پیشنهادی اضافه شده است. تحت این شرایط کارایی سیستم با دقت بازشناسی همراه بوده است
-1 مقدمه
اسکناس جایگاه ویژهای در دادوستد بین افراد دارد. با وجود اینکه در سالهای اخیر روشهایی همچون استفاده از کارتهای اعتباری و اینترنت بانک در ایران بسیار فراگیر شده است، اما این امر از اهمیت و لزوم استفاده از اسکناس در دادوستدها نمیکاهد. با توجه به اهمیت جایگاه پول در جامعه، تجهیزات فراونی مانند ماشینهای فروش، مرتب کنندههای اسکناس، دستگاههای خودپرداز، دستگاه تشخیص صحت اسکناس و دستگاه تشخیص اسکناس برای نابینایان ساخته شده و روز به روز گستردهتر و با قابلیت بیشتر عرضه میگردند، که بالطبع نیاز به روشهای تشخیص اسکناس به صورتی کارآمد، سریع، دقیق، و قابل اطمینان دارند.
با توجه به اینکه اسکناس به عنوان یک سند با ارزش و بهادار میباشد و اشتباه در تشخیص، باعث زیانهای مالی جبران ناپذیری شده، دقت و صحت تشخیص اسکناس اهمیت فراوانی دارد. در طراحیهای تصویر اسکناس همواره سعی بر این بوده که از عناصر بصری مانند طرح و نقش و رنگهای تمایزی برای هر اسکناس استفاده گردد. به همین دلیل برای تشخیص صحیح باید از مشخصات ساختاری بیشتری استفاده کرد.
همچنین باید از روشهایی استفاده کرد که در برابر خرابیهایی که در اسکناسها روی میدهد مقاوم باشند و بتوانند با تقریب مناسبی در این حالت نیز کاربرد قابل قبولی از خود نشان دهند. تاکنون تحقیقات زیادی در زمینه تشخیص ارزش اسکناس انجام شده است، که نشان دهنده نیاز به سیستمی است که بتواند با حداقل خطا به تشخیص ارزش اسکناس بپردازد.
-2 کارهای گذشته
کارهایی که بر روی اسکناسهای ایرانی صورت گرفته بسیار محدود بوده وعموماً بر روی اسکاسهای نو و اصطلاحاً تانخورده کارآمد هستند. از جمله آنها میتوان به سیستم پیشنهادی در مقاله [1] اشاره کرد. در این مقاله بازشناسی اسکناسهای ایرانی 50، 100، 200، 500، 1000، 2000، 5000 و 10000 تومانی صورت گرفته است. این سیستم مبتنی بر تبدیل موجک و شبکه عصبی بوده و شامل دو جزء اصلی است. بخش اول استخراج ویژگی و بخش دوم دستهبندی میباشد. ابتدا تصویر پیشپردازش میشود که در آن تصویر رنگی به اندازه 300 100 تبدیل شده و از فضای RGB به فضای خاکستری منتقل میشود.
برای استخراج ویژگی از هشت مرحله تبدیل موجک استفاده شده، و از این اطلاعات بدست آمده به عنوان ورودی برای شبکه عصبی استفاده شده است. در مرحله دسته بندی از یک شبکه پرسپترون سه لایه با 75 نرون ورودی، 3 نرون میانی و 4 نرون خروجی استفاده شده است. شبکه مورد نظر با 138 تصویر آموزش دیده است که در بهترین حالت به %97/1 صحت بازشناسی رسیده است. در مقاله [2] به معرفی روشی برای تشخیص اسکناس با استفاده از موبایل پرداخته شده است.
همواره فرض بر این است که تصویر موردنظر اسکناس شامل عددی است که مقدار اسکناس را نشان میدهد. به همین دلیل برای اینکه تایید شود که تصویر گرفته شده شامل عدد است سعی شده تا ابتدا به بازشناسی چهره در اسکناس پرداخته شود تا با بررسی وجود چهره تایید شود که تصویر دارای عدد است. استخراج ویژگی در این کار باید به گونهای باشد که در برابر تغییرات موجود در تصویر مقاوم باشد که این تغییرات شامل چرخش، تغییراندازه، رنگ پسزمینه، سایه و کیفیت دوربین است.
این الگوریتم شامل دو گام اساسی میباشد. ابتدا شناسایی محل قرار گیری عدد در تصویر و گام دوم تشخیص عدد موردنظر و شناسایی اسکناس است. برای این مرحله از یک شبکه عصبی استفاده شده است تا عدد غیر صفر مورد نظر را شناسایی نماید. این عدد 1 یا 2 یا 5 میباشد. در بخش دستهبندی از یک شبکه پرسپترونی با یک لایه مخفی استفاده شده است. بهترین نتیجه بدست آمده زمانی بود که از 20 نرون مخفی استفاده شده است. میانگین درصد بازشناسی برای 7 اسکناس برابر %94/43 گزارش شده است.
در مقاله [3] که یکی دیگر از مقالاتی است که بر روی اسکناس ایرانی کار کرده است، روشی برای تشخیص اسکناس ارائه شده است که در آن مشخصات مهم اسکناس مانند رنگ، بافت و اندازه اسکناس بهره بردهاند، و در یک جمع بندی اسکناس مورد نظر را تشخیص میدهد. در واقع این کار نتیجه ترکیب چندین ویژگی برای بازشناسی را مورد بررسی قرار داده است. بدین صورت که ویژگیهای بافت و رنگ را به یک شبکه عصبی وارد کرده و در انتها از اندازه اسکناس استفاد کرده تا این تشخیص را تایید و یا رد کنند. در تشخیص بافت به تشخیص طرحها و اشکال موجود در اسکناس پرداخته میشود. اطلاعات رنگ تصویر نیز مورد توجه بوده است. در واقع هر اسکناس یک رنگ زمینهی مخصوص به خود دارد که فارغ از طرحها و نقشهای جزئی میباشد. برای این کار بخشهایی از تصویر که در آن رنگها تغییر چندانی ندارند را انتخاب میکنند. به این ترتیب از هر تصویر 200 ویژگی رنگ استخراج میشود.
یکی دیگر از ویژگیهای مورد بررسی اندازه اسکناس است. در واقع این کار بر روی تصاویر اسکن شده صورت میگیرد. بدلیل تغییر سایز اسکناس به مرور زمان بر اثر پارگی و تاخوردگی برای هر اسکناس یک محدوده از تغییرات درنظر گرفته شده است. پس از استخراج این اطلاعات از تصاویر، این اطلاعات به صورت یک بردار ویژگی در میآید. این بردار به عنوان ورودی به یک شبکه عصبی با لایه های ورودی، مخفی و خروجی با اندازه های 134، 150، 137 اعمال میگردد، و در انتها به درصد بازشناسی %85 دست یافتهاند.
در کار دیگری که روی اسکناسهای ایرانی در سال 2014 صورت گرفته است [4]، با جمع آوری مجموعهی کاملی از دادگان اسکناسهای فارسی در حدود 4000 اسکناس دورو و با استفاده از ویژگیهای رنگ اسکناس، اندازه اسکناس و ویژگیهای ساختاری به درصد صحت %99/06 دست یافتند. در این کار سیستم مورد نظر به پیادهسازی سازی سخت افزاری رسیده است. در ادامه تعدادی از مقالات که بر روی اسکناسهای خارجی کار کرهاند نیز آورده شده است.
در مقاله [5]، از برخی روشها برای تشخیص اسکناس تقلبی استفاده شده است. در واقع با استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان برخی ویژگیها از اسکناس اصلی و تقلبی از جمله نهان نگاری اسکناس و نوشتههای میکرو کار شده بر روی آن را به سیستم معرفی میکنند و در نهایت به درصد بازشناسی بازشناسی %74/6 توسط شبکه عصبی و %93/8 توسط ماشین بردار پشتیبان دست یافتهاند. کاری دیگر بر روی دادگانی متشکل از 61240 اسکناس از دلار آمریکا صورت گرفته و با ارائه یک روش مبتنی بر سنسور یک بعدی و ویژگیهای استخراج شده از تبدیل موجک به میزان خطای بازشناسی%0/114 دست یافتهاند.
همانگونه که بیان شد معمولا کارهای صورت گرفته در این حوزه بر روی اسکناسهای سالم انجام شده است. از اینرو در این کار به ارائه الگوریتمی میپردازیم که با استخراج ویژگیهای کمبُعد بتواند کارایی خوبی روی اسکناسهای موجود در بازار داشته باشد که عموما دارای قلم خوردگی، تاخوردگی، کثیفی و چسب زدگی هستند. با این هدف، مطالب بیان شده در ادامهی کار بدین شرح است که با معرفی سیستم پیشنهادی، ابتدا مختصری درمورد تئوری هر یک از الگوریتمهای مورد استفاده در این کار صحبت خواهد شد. پس از معرفی سیستم پیشنهادی، نتایج بدست آمده را در حالتهای مختلف گزارش داده و در انتها نیز به بحث بر روی نتایج و جمعبندی کار پرداخته میشود.
-3 روش پیشنهادی
در این مقاله روشی برای تشخیص اسکناسهای مخدوش شدهی موجود در بازار ایران ارائه شده است. منظور از مخدوش بودن، وجود تغییراتی مانند پارگی، تاخوردگی، قلم خوردگی و.... است. طراحی چنین سیستمی با درنظر گرفتن این واقعیت که اسکناسهای موجود در بازارمعمولاً دارای یکی از عیبهای ذکر شده است باعث میشود تا بتوان از این سیستم در دنیای واقعی با دقت قابل قبولی استفاده کرد. در شکل - 1 - بلوک دیاگرام سیستم پیشنهادی مشخص شده است.
در این مقاله دو روش استخراج ویژگی پیشنهاد شده است که در سیستم اول فقط ویژگیهای بافت با استفاده از تبدیل موجک استخراج میشود. در سیستم دوم علاوه بر تبدیل موجک ویژگیهای رنگ نیز به سیستم اضافه شده است. اولین گام که در هر یک از دو روش وجود دارد این است که همه تصاویر ورودی به اندازه ثابت1024 512 تبدیل میشوند. تحت این شرایط همهی تصاویر اندازه ثابت داشته و همچنین بار محاسباتی آن نیز کم میشود. در ادامه هر یک از بخشها را شرح خواهیم داد.
