JPH08106564A

JPH08106564A - 金属片識別装置

Info

Publication number: JPH08106564A
Application number: JP23980294A
Authority: JP
Inventors: Mitsuhiro Nakamura; 光宏中村
Original assignee: Fuji Electric Co Ltd
Current assignee: Fuji Electric Co Ltd
Priority date: 1994-10-04
Filing date: 1994-10-04
Publication date: 1996-04-23

Abstract

(57)【要約】【目的】金属片（硬貨）が３方向に通過する通路２を挟
み対向配置された、金属表面との距離によって出力が変
化するセンサ４Ａ，４Ｂの出力波形４０Ａ，４０Ｂより
検出回路５Ａ，５Ｂ、Ａ／Ｄコンバータ６Ａ，６Ｂを介
して得たサンプリングデータ列から金属片の種類を判別
する本来複雑な処理を安価なＣＰＵで行えるようにす
る。【構成】ＣＰＵ７にニューラルネットワーク１２を組込
み、ネットワーク１２に予め既知の種類の金属片１をそ
の種類ごとに多数回、通路２に通過させてそのセンサ出
力波形データを学習させる。次に学習済のニューラルネ
ットワーク１２に未知の種類の金属片１についてのセン
サ出力波形データ列を入力し、このネットワーク１２か
らその金属片の種類を示す金属片種別信号１２Ｂを出力
させる。必要に応じＡ／Ｄ変換出力をデータ加工部１１
に入力し、センサ出力波形４０の頂上の凹凸部を拡大し
正規化してＣＰＵ７に与える。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は自動販売機などで使用さ
れる硬貨選別装置のように、コイルセンサを使用して金
属片の形状を識別する装置に関する。なお、以下各図に
おいて同一の符号は同一もしくは相当部分を示す。

【０００２】

【従来の技術】本発明に最も近い従来技術としては、本
出願人の先願になる特願平６−１１３２７６号「金属片
識別装置」がある。次にこの先願の内容を簡単に説明す
る。図７は前記先願における４センサ型の硬貨選別装置
の構成例を示す。なお、同図（Ａ）は装置全体の構成
図、同図（Ｂ）は硬貨通路のセンサ部分の横断面図であ
る。

【０００３】同図において１は硬貨（以下では一般化し
て金属片ともいう）、２は硬貨通路、３は硬貨の通過方
向である。次に４（４Ａ〜４Ｄ）は硬貨通路２の硬貨表
面と対向する壁面２ａ，２ｂに設けられたコイルセンサ
とも呼ばれるセンサで、硬貨１より径が小さいいわゆる
壺形のフェライトコアにコイルを入れたものとして構成
されている。このセンサ４Ａ〜４Ｄは交番磁界を発生し
ている。この硬貨選別装置は硬貨１の特徴、例えば材質
・大きさ・厚さ・表面の模様などを抽出する。このため
センサはこのそれぞれの特徴に対して配置され、夫々別
々の検出回路５（５Ａ〜５Ｄ）に接続されている。一般
にはこれらのセンサ４は金属片（硬貨）１の片面や両面
側に配置され、その接続方式（同相，逆相）や検出回路
方式が異なるものが使用されている。

【０００４】図７の例では、センサ４Ａ，４Ｂは夫々硬
貨通路壁面２ａ，２ｂ上に（つまり硬貨１の両面側に）
互に対向して配置され、センサ４Ｃ，４Ｄは壁面２ａ上
に（つまり硬貨１の片面側に）配置されている。６（６
Ａ〜６Ｄ）は夫々検出回路５Ａ〜５Ｄで検出された波形
をサンプリングするＡ／Ｄコンバータ、７は夫々このＡ
／Ｄコンバータ６Ａ〜６Ｄがサンプリングした波形デー
タを取込み、硬貨の凹凸などを表す特徴量等を計算し、
硬貨１の識別結果を出力するＣＰＵである。また、８は
ＣＰＵ７のこの計算のためのデータベース等を記憶する
メモリである。

【０００５】ところで前記先願の装置では金属片の表面
の特徴を検出できるように、金属片の距離と金属片の凹
凸を検出できるセンサとして、前記のように硬貨より径
が小さい壺形のフェライトコアにコイルを入れたセンサ
を用いる。しかしこのようなセンサの出力波形は、金属
片表面のセンサがセンシングする通過ルート，金属片と
センサのギャップの大きさのばらつきによって、同じ金
属片の波形でも異なって検出される。また、金属片の摩
耗，変形などの影響も受け易い。このような問題を防ぐ
ため、図６においては特にＣＰＵ７内にその機能を分担
する主要手段としての特徴量計算手段７Ａと共に重み付
け計算手段７Ｂが設けられ、またメモリ８内には重み付
け関数８Ａが格納されている。

【０００６】図６の装置を用いて、ある金属片識別する
場合の手順は以下の通りである。ここで、（２）項以下
が現実に未知の金属片を識別する際のＣＰＵ７の動作手
順となる。（１）予め前記のセンサ出力から既知の各種の金属片の
通過ルートのばらつきの影響を含む複数の特徴量を計算
するが、特に金属片とセンサのギャップａ₁，ａ₂，ａ
₃，・・・ａ_mごとに、各特徴量の大きさと、その検出
頻度との関係を求め、この実測データを基に特徴量を変
数とし、その出現頻度を図８に示すような特徴量の関数
としての重みで表す重み付け関数８Ａを作成し、前記の
ようにメモリ８に格納しておく。なお、この重み付け関
数８Ａは金属片の種類，特徴量の種類，センサの数，ギ
ャップの種類の夫々ごとに存在する。なお、各特徴量は
金属片の通過速度の変動要因に左右され難いもので構成
されている。また、金属片の摩耗，変形が起こってもそ
の影響を吸収できるように重み付け関数８Ａの重みの頻
度分布を図９に示すように広げて作成しておく。また、
各ギャップ時のサンプリング信号レベルも予めメモリ８
に記憶しておく。これは波形の正規化に利用する。

【０００７】（２）識別したい金属片を金属片通路に通
過させたときのセンサ波形から上記特徴量を計算する。（３）この特徴量の１部からギャップの情報を抽出し、
このときの金属片のギャップを予め用意した複数のギャ
ップの中から金属片の推定ギャップに最も近いａ_nとみ
なす。

【０００８】（４）実測のセンサ波形の信号レベルは、
（３）項で求めたギャップａ_nの場合のサンプリング信
号レベルと少し異なるので、センサ実測波形の信号レベ
ルを該信号レベルと一致させるように実測波形を増幅又
は減衰して正規化する。（５）上記の正規化した波形から各特徴量を抽出し、こ
の各特徴量と夫々の特徴量に対応する既知の種類の金属
片（例えば５０円）についての、ギャップａ_nの重み付
け関数を用いて実際に金属片がギャップａ_nを取ったか
のように特徴量ごとの重み付けを行う（つまり重みを求
める）。

【０００９】（６）（５）項のように重み付けを行った
各特徴量ごとの重みの総和を既知の金属片の種類ごとに
求め、重みの総和がスレショルドレベルを越えた場合
に、識別対象の金属片はその重み付け関数に対応する種
類の金属片と同種類であると識別する。（７）また、（６）項のように重みの総和があるスレシ
ョルドレベルを越えた金属片の種類が複数個あった場合
には、重みの総和が最大の場合の重み付けを行った金属
片の種類と同種類であるとする。

【００１０】

【発明が解決しようとする課題】前述のように先願の装
置では、金属片の推定ギャップに最も近い予め用意した
ギャップａ_nの信号レベルに一致するように正規化した
センサ波形から各特徴量を抽出し、この各特徴量と夫々
の特徴量に対応する既知の種類の金属片（例えば５０
円）についての、ギャップａ_nの重み付け関数を用いて
実際に金属片がギャップａ_nを取ったかのように特徴量
ごとの重み付けを行い、この重み付けを行った各特徴量
ごとの重みの総和を既知の金属片の種類ごとに求め、重
みの総和がスレショルドレベルを越えた場合に、識別対
象の金属片はその重み付け関数に対応する種類の金属片
と同種類であると識別している。

【００１１】しかしながらこのような識別処理は多量で
複雑であるため、高速なＣＰＵあるいはＤＳＰ（デジタ
ルシグナルプロセッサ）等を用いて高速演算すれば可能
ではあるが、例えば自動販売機の硬貨識別装置などの量
産装置ではコストアップにつながるため実際の製品化に
は利用し難いという問題がある。そこで本発明は、表面
形状の特徴量を用いる金属片の識別を汎用の安価なＣＰ
Ｕ等で実現できる金属片識別装置を提供することを課題
とする。

【００１２】

【課題を解決するための手段】前記の課題を解決するた
めに、請求項１の金属片識別装置は、種類を識別すべき
平板状の金属片（１など）が通過する金属片通路（２な
ど）と、前記通路の壁面（２ａ，２ｂなど）にこの通路
を挟んで前記金属片の夫々表裏の面に対向するように配
置され、通過中の金属片の表面の凹凸までの距離に応じ
て出力が変化する２つのセンサ（４Ａ，４Ｂなど）と、
金属片の前記の通過に基づいて前記の各センサから得ら
れる信号波形（４０Ａ，４０Ｂなど）を夫々一定時間ご
とにサンプリングする回路（Ａ／Ｄコンバータ６Ａ，６
Ｂなど）と、前記信号波形のこのサンプリングに基づく
データ列、又はこのデータ列を所定間隔で間引いたデー
タ列の前記２つのセンサ分を合わせてなるデータ列（１
２Ａなど）（以下第１のデータ列という）を入力層（１
２１など）に入力し、所定の複数種類の金属片を夫々示
す信号（金属片種別信号１２Ｂなど）を出力し得る出力
層（１２３など）から、識別対象の当該の金属片の種類
を示す信号を出力する学習済のニューラルネットワーク
（１２など）とを備えたものとする。

【００１３】また、請求項２の金属片識別装置は、請求
項１に記載の金属片識別装置において、前記ニューラル
ネットワークの入力層に入力する第１のデータ列に関わ
るセンサの信号波形領域を、前記金属片通路の通過の際
の当該金属片の前端から後端までの特徴を表す微小な凹
凸を含む平板面に対応する領域（〜間など）に限定
し、且つこの領域の信号波形の最大値と最小値が前記第
１のデータ列の夫々正規化された最大値（１．０）と最
小値（０．０）となるように、前記サンプリング回路の
出力データに加工を行う手段（データ加工部１１など）
を備えたものとする。

【００１４】また、請求項３の金属片識別装置は、請求
項１又は２に記載の金属片識別装置において、前記サン
プリング回路の出力データから前記２つのセンサの信号
波形の差に相当する第２のデータ列を求め、前記第１の
データ列と第２のデータ列とを合わせ、前記ニューラル
ネットワークの入力層への入力とするようにする。

【００１５】また、請求項４の金属片識別装置は、請求
項１又は２に記載の金属片識別装置において、前記サン
プリング回路の出力データから前記２つのセンサの信号
波形の和に相当する第３のデータ列を求め、前記第１の
データ列と第３のデータ列とを合わせ、前記ニューラル
ネットワークの入力層への入力とするようにする。

【００１６】また、請求項５の金属片識別装置は、請求
項３に記載の金属片識別装置において、さらに前記サン
プリング回路の出力データから前記２つのセンサの信号
波形の和に相当する第３のデータ列を求め、前記第１の
データ列と第２のデータ列と第３のデータ列とを合わ
せ、前記ニューラルネットワークの入力層への入力とす
るようにする。

【００１７】

【作用】金属片までの距離と金属片の凹凸を検出できる
センサを用い、センサ波形から金属片を識別する計算は
ニューラルネットワークを用いて行う。このニューラル
ネットワークの構造は、サンプリングされたセンサ波形
データの内、識別に用いる範囲を決め、その範囲をＮ分
割して入力層に与える。出力層の数は、識別する金属片
の種類の数（表裏を含めて識別する場合にはその倍）と
する。中間層は試行錯誤で最適値を求める。そしてニュ
ーラルネットワークに学習を行わせるには、識別する目
標となる既知の金属片の複数枚、また摩耗状況の違うも
の、キズの有るものと無いものを用意し、実際に通路を
数多く通過させ、その波形信号をデータとして蓄え、こ
の波形信号データをニューラルネットワークに学習させ
る。

【００１８】学習の完了したニーラルネットワークに対
し、識別すべき未知の金属片について得られたセンサ信
号波形のデータ又はこのデータを加工したデータを入力
すると、ニューラルネットワークの出力のうち、その金
属片の種類を表す出力のみが大きな値を示すことにより
識別を行う。

【００１９】

【実施例】図１は本発明の一実施例としての硬貨選別装
置の要部の構成図で、この図は図６に対応している。図
１の上部は金属片（硬貨）通路２を上から見た断面図で
あり、図１の下部は金属片識別装置の機能ブロック図で
ある。本発明に関わるセンサは硬貨通路２を挟んで対向
する４Ａ，４Ｂの２つのセンサである。なお、センサ４
Ａをセンサ＃１、センサ４Ｂをセンサ＃２とも夫々呼
ぶ。このセンサは前述のように金属片の径より小さい壺
形コアを用い、金属片の表面の凹凸によって出力が変化
するような磁気コイルセンサである。センサ４Ａ，４Ｂ
は夫々検出回路５Ａ，５Ｂに接続され、検出された波形
は夫々Ａ／Ｄコンバータ６Ａ，６Ｂでサンプリングさ
れ、データ加工部１１を経由し、又は直接ＣＰＵ７に取
り込まれる。ＣＰＵ７には予め学習を完了したニューラ
ルネットワーク１２が組み込まれており、加工された、
又は直接の入力データはニューラルネットワーク１２へ
入力される。

【００２０】図２はニューラルネットワーク１２の入，
出力信号の説明図である。同図において、制御回路１０
は図１のＡ／Ｄコンバータ６，データ加工部１１，ＣＰ
Ｕ７を含み、またＣＰＵ７はメモリを含んでいる。ニュ
ーラルネットワーク１２への入力信号１２Ａは、Ａ／Ｄ
コンバータ６Ａのサンプリングデータ又はこのデータを
所定間隔で間引いたデータからなる、センサ（＃１）４
Ａの出力波形４０Ａを時系列的にＮ分割したデータ列
と、Ａ／Ｄコンバータ６Ｂのサンプリングデータ又はこ
のデータを所定間隔で間引いたデータからなる、センサ
（＃２）４Ｂの出力波形４０Ｂを時系列的にＮ分割した
データ列とを合わせたものである。つまり入力点数は２
Ｎである。

【００２１】また、ニューラルネットワーク１２からの
出力信号としての金属片種別信号１２Ｂは、所定の複数
の金属片の種類（さらに必要に応じてその表裏がどちら
側の壁面に対向するか）を夫々特定する信号からなる。
この例では図４で述べる入力層，中間層，出力層の各ニ
ューロン数が夫々２２，２２，１１であるような構造の
ニューラルネットワークが示されている。この入力層の
ニューロン数が入力信号１２Ａの前記入力点数に対応
し、出力層のニューロン数が前記金属片種別信号１２Ｂ
の種別数に対応する。

【００２２】なお、図２ではデータ加工部１１により、
センサ出力波形４０Ａ，４０Ｂの頂上部分の山と谷の間
の波形のみを取出して正規化した波形のデータをニュー
ラルネットワーク１２に入力する場合を示している。学
習が完了しているニューラルネットワーク１２は、入力
された上述の波形データ列を使って出力を計算する。出
力信号１２Ｂは金属片の種類を示すものであり、ある特
定の出力だけが１となり、他の出力が０となる。（実際
には１，０にはならず、１に近い値，０に近い値とな
る。）以下にこのニューラルネットワーク１２の構成とその特
徴について発明の順に説明する。

【００２３】１）請求項１に関わる発明（第１発明とい
う）について：図３は金属片１の通過時のセンサ検出波
形の説明図である。この例では便宜上センサ４Ｂが示さ
れており、同図（Ｂ）は金属片１が金属片通路２上を矢
印３の方向に、センサ４Ｂの前を通過して行く際の前後
方向の位置を示し、同図（Ａ）はこのときセンサ４Ｂが
出力する検出波形を示す。そして、同図（Ｂ）の〜
の位置と同図（Ａ）の波形上の位置〜は夫々対応し
ている。

【００２４】なお、この図３（Ｂ）では金属片１とセン
サ４Ｂとの図の上下方向の距離が変って行くように見え
るが、これは金属片１の重なりで位置の変化が判り難く
なることを防ぐ為にわざと上下方向の位置をずらして画
いたもので、実際の上下方向の距離はほぼ一定である。
この図３に示すように金属片１がセンサ４Ｂの前を通過
すると、金属片１の表面の凹凸により検出波形４０Ｂは
その凹凸に近い波形となる。この波形４０ＢはＡ／Ｄコ
ンバータ６Ｂにより周期ｔでサンプリングされ、サンプ
リング時刻ごとのデジタル値としてメモリ上に記憶され
る。

【００２５】この検出波形４０Ｂは金属片１とセンサ４
Ｂとの位置関係によって変化する。位置から増加を始
め、位置で最大となり、〜までは金属表面の距離
の変化により凹凸波形を検出する。位置〜はと
の逆となる。第１発明ではニューラルネットワーク１２
へ入力する波形のサンプリングデータとしては図３
（Ａ）に示すように、この波形の増加を開始する位置
から波形の減少を終了する位置までの値とする。

【００２６】なお必要に応じて、入力点数を減らす場合
にはサンプリング時刻を間引いて（例えば２つおきに取
り出す）入力とする。そして金属片１のセンサ通過速度
がばらつく場合を考慮して位置〜位置の間をＮ個に
均等分割し、この波形データ列をさらにセンサ４Ａ，４
Ｂについて合わせたものをニューラルネットワーク１２
への入力１２Ａとする。

【００２７】次にニューラルネットワーク１２について
説明する。ニューラルネットワーク１２は図４（Ａ）に
示すように一般に、入力層１２１，中間層１２２，出力
層１２３の多段に構成されている。夫々の層１２１〜１
２３はニューロン１２４と呼ばれる人間の脳細胞を模し
た素子で構成され、各層間のニューロン１２４は全て結
合されている。そのニューロン間の結合度は同図（Ｂ）
に示すように、重みＷ _i（ｉ＝１，２，３，・・・）と
呼ばれる結合の強さを表すパラメータ（電気回路での抵
抗に相当する）を持つ。

【００２８】また、ニューロン１２４自身は出力を出す
ためのしきい値を持つ、例えば中間層１２２のニューロ
ン１２４に着目した場合、前層（この場合入力層１２
１）の各ニューロンの出力をＸ₁，Ｘ₂，・・・また、
前層の各ニューロンと着目ニューロン間の結合度として
の重みを前記出力Ｘ₁，Ｘ₂，・・・に夫々対応してＷ
₁，Ｗ₂，・・・とすると、着目ニューロンに対する入
力の総和（積和演算）Ｙは下記（１）式で表され、着目
ニューロンのしきい値をθとすると、着目ニューロンの
出力Ｚは、例えば下記（２）式のようなシグモイド関数
を用いて表される。

【００２９】

【数１】Ｙ＝Σ（Ｗ_i・Ｘ_i）・・・（１）Ｚ＝１／（１＋ＥＸＰ（−Ｙ＋θ））・・・（２）シグモイド関数（２）式の出力Ｚは、入力の総和Ｙがし
きい値θより充分大きいと１．０、充分小さいと０．
０、Ｙとθの両者が等しいときには０．５となる。従っ
て、入力の総和Ｙがしきい値θを越えると出力Ｚが有意
な値を持つ。

【００３０】従って、入力層１２１にある入力１２Ａを
入れると、ニューラルネットワーク１２はその重みとし
きい値に基づいた計算を行い、最終的には出力層１２３
からある値１２Ｂが出力される。ニューラルネットワー
ク１２の学習とは、入力層１２１に学習させたいデータ
（以下学習データという、本実施例の場合には既知の金
属片についての前記Ａ／Ｄデータ変換されたＮ個の波形
データ列１２Ａ）を入力し、その時の出力層１２３の出
力１２Ｂが希望する値（以下教師データという、本実施
例の場合には出力層１２３の夫々の出力１２Ｂは、その
金属片の種類を示しているため希望する種類の出力のみ
が１で他は０）１２Ｃになるように各ニューロン間の重
み及び各ニューロンのしきい値を調整することである。
この学習のため学習データ１２Ａと教師データ１２Ｃの
組を数多く用意し、すべてのデータの組でニューラルネ
ットワーク１２の出力１２Ｂと教師データ１２Ｃの差１
２Ｄが或る一定値以下になることを学習が完了したとし
ている。

【００３１】ここで、学習データ１２Ａと教師データ１
２Ｃは識別する既知の種類の金属片１を実際に金属片通
路２のセンサ４Ａ，４Ｂの部分に通過させて得る。セン
サ部を通過する時には金属片１は回転するため、ランダ
ムに数多くのデータを学習に用いる。また、金属片の摩
耗状況の違いやキズの有無などの影響を取り除くため
に、様々な摩耗やキズの状態の現実に使用され得る同一
種類の金属片を数多く用意してデータを得る。

【００３２】以上のように学習を行ったニューラルネッ
トワークを使うことにより、センサ波形から金属片を識
別する。２）請求項２に関わる発明（第２発明という）につい
て：この第２発明では図３のセンサ波形４０Ｂにおいて
位置〜まで、及び〜までの波形データは使わ
ず、位置〜までの波形データを使用する。そして図
１のデータ加工部１１により、図５に示すように位置
〜の波形データの中で最小値と最大値を求め、それが
ニューラルネットワーク１２の入力１２Ａの最大値
（１．０）と最小値（０．０）になるように正規化して
ニューラルネットワーク１２へ入力する。

【００３３】このように、金属片表面の凹凸部分のセン
サ波形を拡大することにより、その凹凸の特徴を強調し
て識別することが可能になる。３）請求項３，４，５に関わる発明について：図６は金
属片通路２上を通過する金属片１の位置関係を示す。こ
こで、金属片通路２の幅をＤ，金属片１の表面を平均し
た厚さをｄとする。また、センサ４の検出する信号はセ
ンサ４と金属片１との距離に対してリニアに変化する範
囲で使用するものとする。

【００３４】また、金属片通路２の両側に配置されたセ
ンサ４Ａ，４Ｂに対する金属片の通過方向（図の左右方
向）の位置がｘで、金属片通路壁面２ａ，２ｂから金属
片１までの金属片の厚み方向（図の上下方向）の距離が
ｙのときの検出信号波形４０Ａ，４０Ｂの値を夫々Ｖａ
（ｘ，ｙ），Ｖｂ（ｘ，ｙ）とし、また金属表面はｘ方
向に対して表面の凹凸の形状により変化するが、金属片
１の厚さをｘの関数ｄ（ｘ）とする。

【００３５】いま仮に、金属片１が通路２の中心を通過
したとすると、位置ｘにおける各センサ４Ａ，４Ｂの検
出信号波形の値Ｖａ，Ｖｂは次式（３）で表される。

【００３６】

【数２】Ｖａ（ｘ，ｙ）＝Ｖｂ（ｘ，ｙ）＝Ｖａ（（Ｄ−ｄ（ｘ））／２）・・・（３）また、金属片１の中心が通路２の中心からＬｃだけずれ
て通過したとすると、各センサ４Ａ，４Ｂ夫々の検出信
号波形の値Ｖａ，Ｖｂは次式（４），（５）で表され
る。

【００３７】

【数３】Ｖａ（ｘ，ｙ）＝Ｖａ（（Ｄ−ｄ（ｘ））／２−Ｌｃ）・・・（４）Ｖｂ（ｘ，ｙ）＝Ｖａ（（Ｄ−ｄ（ｘ））／２＋Ｌｃ）・・・（５）ここで、センサ４Ａ，４Ｂは距離ｙに対してリニアな範
囲で利用することから、式（４），（５）は夫々次式
（６），（７）のように書換えることができる。

【００３８】

【数４】Ｖａ（ｘ，ｙ）＝Ｖａ（（Ｄ−ｄ（ｘ））／２）−Ｖａ（Ｌｃ）・・・（６）Ｖｂ（ｘ，ｙ）＝Ｖａ（（Ｄ−ｄ（ｘ））／２）＋Ｖａ（Ｌｃ）・・・（７）従って、式（６）と式（７）の和及び差をとると、次式
（８），（９）が得られる。

【００３９】

【数５】｜Ｖａ＋Ｖｂ｜＝２Ｖａ（（Ｄ−ｄ（ｘ））／２）・・・（８）｜Ｖａ−Ｖｂ｜＝２Ｖａ（Ｌｃ）・・・（９）ここで、差の（９）式は金属片の厚み方向の通路中心か
らの位置ずれＬｃのみ関数であり、和の（８）式はＤが
既知であるから厚さｄのみの関数となる。

【００４０】従って、第１発明又は第２発明でニューラ
ルネットワーク１２に入力した信号波形にさらにセンサ
４Ａ，４Ｂの波形信号の差を追加して学習させることに
より、金属片が通過する位置がその厚み方向にばらつい
てもニューラルネットワークがその位置ずれＬｃを判別
して補正することが可能となる。この学習を行わせるに
は、前記の学習に加え識別対象の金属片の通路中心から
の位置ずれＬｃを様々に変化させて行う。

【００４１】また、第１発明又は第２発明でニューラル
ネットワーク１２に入力した信号波形にさらにセンサ４
Ａ，４Ｂの波形信号の和を追加して学習させることによ
り、ニューラルネットワークによる金属片の厚みの判別
が容易又は可能となり、特に第２発明の場合、センサ波
形を正規化したことによる厚さの識別ができなくなる問
題点を解決することができる。この学習を行わせるに
は、前記の学習に加え特に識別対象の金属片の厚みのば
らつきの様々なものを選んで行う。

【００４２】また、さらに第１発明又は第２発明でニュ
ーラルネットワークに入力した信号波形にセンサ４Ａ，
４Ｂの波形信号の差及び和を追加して学習させることに
より、ニューラルネットワークの金属片に対する識別能
力をより高めることができる。

【００４３】

【発明の効果】本発明によれば金属片の表面の凹凸を検
出できるセンサを金属片通路を挟んで対向させ、この通
路に金属片を通過させたときの波形データと金属片の種
別との関係を予め既知種別の金属片を用いてニューラル
ネットワークに学習させ、この学習済のニューラルネッ
トワークを用いて未知の種別の金属片の波形データから
その金属片の種別を識別させるようにしたので、センサ
波形データから特徴量を計算するに要する膨大な時間を
大幅に短縮できる。また、対向するセンサ出力の差や和
もニューラルネットワークに学習させるようにしたの
で、金属片の通過位置のばらつきや厚さの違いも識別で
きる。

【図面の簡単な説明】

【図１】本発明の一実施例としての金属片識別装置の要
部構成を示す図

【図２】同じくニューラルネットワークの入出力信号の
説明図

【図３】同じく金属片の位置とセンサ検出波形との関係
の説明図

【図４】同じくニューラルネットワークの構造の説明図

【図５】同じくセンサ検出波形の加工の説明図

【図６】同じくセンサ出力の解析表現の為の変数の説明
図

【図７】従来の金属片識別装置の要部構成例を示す図

【図８】図７の重み付け関数の一例を示す図

【図９】同じく重み付け関数の他の例を示す図

【符号の説明】

１金属片（硬貨）２金属片通路（硬貨通路）２ａ，２ｂ壁面３通過方向４（４Ａ，４Ｂ）センサ４Ａセンサ＃１４Ｂセンサ＃２５（５Ａ，５Ｂ）検出回路６（６Ａ，６Ｂ）Ａ／Ｄコンバータ７ＣＰＵ１０制御回路１１データ加工部１２ニューラルネットワーク１２Ａニューラルネットワークの入力信号１２Ｂニューラルネットワークの出力信号（金属片種
別信号）４０（４０Ａ，４０Ｂ）センサ出力波形１２１入力層１２２中間層１２３出力層１２４ニューロン

Claims

【特許請求の範囲】

【請求項１】種類を識別すべき平板状の金属片が通過す
る金属片通路と、前記通路の壁面にこの通路を挟んで前記金属片の夫々表
裏の面に対向するように配置され、通過中の金属片の表
面の凹凸までの距離に応じて出力が変化する２つのセン
サと、金属片の前記の通過に基づいて前記の各センサから得ら
れる信号波形を夫々一定時間ごとにサンプリングする回
路と、前記信号波形のこのサンプリングに基づくデータ列、又
はこのデータ列を所定間隔で間引いたデータ列の前記２
つのセンサ分を合わせてなるデータ列（以下第１のデー
タ列という）を入力層に入力し、所定の複数種類の金属
片を夫々示す信号を出力し得る出力層から、識別対象の
当該の金属片の種類を示す信号を出力する学習済のニュ
ーラルネットワークとを備えたことを特徴とする金属片
識別装置。
【請求項２】請求項１に記載の金属片識別装置におい
て、前記ニューラルネットワークの入力層に入力する第１の
データ列に関わるセンサの信号波形領域を、前記金属片
通路の通過の際の当該金属片の前端から後端までの特徴
を表す微小な凹凸を含む平板面に対応する領域に限定
し、且つこの領域の信号波形の最大値と最小値が前記第
１のデータ列の夫々正規化された最大値と最小値となる
ように、前記サンプリング回路の出力データに加工を行
う手段を備えたことを特徴とする金属片識別装置。
【請求項３】請求項１又は２に記載の金属片識別装置に
おいて、前記サンプリング回路の出力データから前記２つのセン
サの信号波形の差に相当する第２のデータ列を求め、前
記第１のデータ列と第２のデータ列とを合わせ、前記ニ
ューラルネットワークの入力層への入力とするようにし
たことを特徴とする金属片識別装置。
【請求項４】請求項１又は２に記載の金属片識別装置に
おいて、前記サンプリング回路の出力データから前記２つのセン
サの信号波形の和に相当する第３のデータ列を求め、前
記第１のデータ列と第３のデータ列とを合わせ、前記ニ
ューラルネットワークの入力層への入力とするようにし
たことを特徴とする金属片識別装置。
【請求項５】請求項３に記載の金属片識別装置におい
て、さらに前記サンプリング回路の出力データから前記２つ
のセンサの信号波形の和に相当する第３のデータ列を求
め、前記第１のデータ列と第２のデータ列と第３のデー
タ列とを合わせ、前記ニューラルネットワークの入力層
への入力とするようにしたことを特徴とする金属片識別
装置。