JPH10171993A - 媒体の真偽鑑別装置 - Google Patents

Abstract

(57)【要約】 【解決手段】 媒体１０のイメージを読み取って特徴パ
ターンを取得すると、特徴パターンを構成する各データ
をニューラルネット処理部７に供給する。ニューラルネ
ット処理部７は、予め学習によって得た最適のネットワ
ーク結合荷重やバイアス荷重等を利用して所定の演算を
実行し、鑑定のための出力を得る。 【効果】 ニューラルネットワークによる学習効果に基
づいて真偽鑑定用の出力を得るから、高い精度で媒体の
種類と真偽を鑑別することができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、紙幣や有価証券等
の各種の媒体について、そのイメージを読み取って真偽
を鑑別する媒体の真偽鑑別装置に関する。

【０００２】

【従来の技術】証券や商品券、紙幣等の流通有価証券を
自動的に収容したり処理するための装置は、銀行や金融
機関等で広く採用されている。これらの装置は有価証券
を収容する際に、あるいはその他の適当なタイミングで
その真偽を判別する。なお、以下、こうした有価証券の
ことを媒体と呼ぶ。具体的な処理は、例えば媒体の光学
的な反射や透過パターン、あるいは磁気的な特性を持つ
パターンを電気信号化して取り込む。こうして読み取っ
たイメージには、媒体の種類に応じた特徴パターンが含
まれる。これを予め登録した真券の登録パターンと比較
する。更に、具体的には、特徴パターンを構成する媒体
各部の濃度値が登録パターンの対応する部分の濃度値を
中心とする一定の範囲に含まれるかどうかを判断する。
この比較の結果、特徴パターンを構成する全ての濃度値
のうち、一定以上の信号がその範囲に含まれていれば真
券、そうでなければリジェクトするべき券と判断する。

【０００３】

【発明が解決しようとする課題】ところで、上記のよう
な従来の媒体の真偽鑑別装置には次のような解決すべき
課題があった。紙幣等の媒体は、一般に流通過程におい
て、汚れや破れ、角折れといった損傷を受ける。また、
真偽鑑定のために媒体をセンサやその他の装置へ搬送す
る際に、媒体が振動によってばたつくことがある。更
に、使い古された媒体はそのイメージの濃度が低くなっ
たものがある。こうした非線形要因によって、特徴パタ
ーンを構成する各信号が一定の濃度範囲に含まれるかど
うかという判断だけでは、認識率やリジェクト率が高ま
るという問題があった。なお、リジェクトには、たとえ
真券であってもそれを真券と判定できない場合も含まれ
る。

【０００４】また、媒体のイメージ読み取りセンサ関連
部分に製造上のばらつきがあったり、温度等の周囲環境
の変化によるばらつきが原因で、取得される特徴パター
ンの内容が変化し、認識率が悪くなるといった問題もあ
った。更に、装置の各部のバージョンアップ等によって
特性上の変化が生じた場合には、登録パターンの内容も
変更する必要がある。しかしながら、これでは、多数の
媒体を持参して、実際にデータを収集し更新する必要が
あった。更に、登録パターンの変更は、例えばここの装
置のＲＯＭ（リード・オンリ・メモリ）等を交換しなけ
ればならないことがあり、メンテナンスのために、繁雑
な作業を要求されるという問題があった。

【０００５】

【課題を解決するための手段】本発明は以上の点を解決
するため次の構成を採用する。 〈構成１〉媒体のイメージを読み取るイメージセンサ
と、媒体のイメージ中に含まれる特徴パターンを構成す
る媒体各部の濃度値を受け入れて、所定の演算処理を実
行し、媒体の種類に応じた出力を得るニューラルネット
処理部と、ニューラルネット処理部の出力から媒体の真
偽鑑別を行い、その結果を出力する鑑別結果出力部を備
え、上記ニューラルネット処理部は、予め鑑別対象とな
る複数種類の媒体の特徴パターンを読み取って学習し、
修正を加えた、ネットワーク結合荷重とバイアス荷重と
を含むネットワークパラメータを使用して上記所定の演
算処理を実行し、上記鑑別結果出力部は、上記ニューラ
ルネット処理部による各媒体の種類に応じた演算処理に
基づいて媒体の真偽鑑別結果を出力することを特徴とす
る媒体の真偽鑑別装置。

【０００６】〈構成２〉構成１において、新たな学習用
の特徴パターンを格納する学習パターンのデータベース
と、媒体の真偽鑑別を行っていないとき、この特徴パタ
ーンを使用してニューラルネット処理部を動作させて学
習し、ネットワークパラメータを修正する登録データ修
正部を備えたことを特徴とする媒体の真偽鑑別装置。

【０００７】〈構成３〉構成１または２において、ニュ
ーラルネット処理部の出力の誤差を検出して、登録デー
タ修正部に対してネットワークパラメータを修正する要
求を行う誤差検出部を設けたことを特徴とする媒体の真
偽鑑別装置。

【０００８】

【発明の実施の形態】以下、本発明の実施の形態を具体
例を用いて説明する。 〈具体例〉図１は、具体例１の真偽鑑別装置を示すブロ
ック図である。この装置は、媒体１０のイメージを読み
取って特徴パターンを取得し、ニューラルネットを用い
て媒体の真偽を鑑定するためのものである。このため
に、図に示すように、認識搬送用ユニット１、制御回路
２、イメージセンサ３、Ａ／Ｄ変換器４、バッファメモ
リ５、前処理部６、ニューラルネット処理部７及び鑑別
結果出力部８を備えている。

【０００９】認識搬送用ユニット１は、入力された媒体
１０を搬送して、イメージセンサ３の部分まで送り込む
搬送ベルト等のメカニズムによって構成される。イメー
ジセンサ３は、認識搬送用ユニット１により搬送された
媒体１０のイメージを読み取るためのＣＣＤイメージラ
インセンサ等によって構成されている。そして、制御回
路２から入力したタイミング信号Ｔ１に基づいて、媒体
１０のイメージを読み取る。このイメージセンサ３は媒
体１０の搬送方向に垂直な方向に向けて配置されてお
り、媒体１０の面で反射したりあるいは媒体１０を透過
する光を、ＣＣＤ素子によって受光し電気信号に変換す
る。こうして、媒体１０の搬送方向に沿った図の破線に
示すような複数のラインについて、そのイメージデータ
を取り込む。この信号は、Ａ／Ｄ変換器４に送り込ま
れ、制御回路２から出力されるタイミング信号Ｔ２に同
期してディジタル信号への変換処理が行われる。ディジ
タル化されたイメージデータは、タイミング信号Ｔ３に
よりバッファメモリ５に一時格納される。

【００１０】前処理部６はバッファメモリ５に格納され
たイメージデータを取り入れて、媒体１０の表面の模様
の濃度に応じた特徴パターンを取得する。従って、特徴
パターンは読み取ったラインに含まれる複数のイメージ
データの濃度値群を組み合わせたものとなる。複数ライ
ンについて読み取りを行った場合には、これらの信号を
まとめた特徴パターンが取得される。前処理部６の出力
はニューラルネット処理部７によって処理される。ニュ
ーラルネット処理部７にはネットワークパラメータ１１
が供給される。このネットワークパラメータ１１は、ニ
ューラルネット処理部７を用いて予め学習し、最終的に
決定されたネットワーク結合荷重とバイアス荷重の２種
類を含む。ニューラルネット処理部７は、後で説明する
ような所定の演算処理を実行し、その結果を鑑別結果出
力部８に出力する。鑑別結果出力部８は、その出力が真
偽鑑別しようとする各種の媒体のいずれに該当するかを
判断し、媒体の種類や真偽の鑑別結果を後続回路に向け
て出力する部分である。

【００１１】図２には、ニューラルネット処理部の概念
図を示す。ニューラルネット処理部には、図に示すよう
に、特徴パターン１５が入力する。特徴パターンを構成
する濃度値、ここではｉ個の信号がニューラルネットに
入力し、それぞれにネットワーク結合荷重Ｗｉが適用さ
れる。ネットワーク結合荷重Ｗｉというのは、ニューラ
ルネットワークの演算処理でよく知られたシナプス結合
荷重に該当する。更に、ニューラルネット処理部には、
バイアス荷重Ｗbiasが入力する。これはよく知られたシ
ナップスバイアス荷重に相当する。ニューラルネットワ
ークは、一般に非線形問題に適用される。この例では、
各層間の入出力関数として、シグモイド関数ｆ（ｘ）を
使用する。

【００１２】図３には、ニューラルネットの演算動作説
明図を示す。図の（ａ）は、ニューラルネットの入力ｘ
を定めるための式で、図２に示すような、ｉ個の入力信
号にそれぞれネットワーク結合荷重Ｗｉを掛け合わせて
総和を求め、更にバイアス荷重Ｗbiasを加えている。図
３（ｂ）は、シグモイド関数ｆ（ｘ）を示す。これは具
体的には図の（ｃ）に示すように、０〜１の連続値を持
つ。また、その導関数がそれ自身であるという特徴を持
つ。この関数の適用を考慮すると、入力層のニューロン
値は０〜１の連続範囲で印刷パターン濃度を正規化した
ものとなる。

【００１３】即ち、図２に示すように、ニューラルネッ
ト処理部に入力する特徴パターンの各信号のレベルの組
み合せによってｘの値が定まり、これによってニューラ
ルネットの出力が図３（ｃ）に示すように０〜１の間の
いずれかに定まる。ここで、閾値を０と１の中間の適当
な値に設定しておくと、入力信号の内容や組み合せによ
って、その閾値より大きいか小さいかのいずれかに判定
ができるような演算処理ができる。この判定結果が高い
精度で正しく得られるようにネットワーク結合荷重やバ
イアス荷重を選択し修正をする。この修正作業を繰り返
すことがニューラルネットによる学習である。

【００１４】図４には、ニューラルネットの処理層説明
図を示す。このニューラルネットは例えば４層構造、即
ちＬ１，Ｌ２，Ｌ３，Ｌ４で構成される。Ｌ１は入力層
であって、特徴パターンを構成する各信号の濃度に相当
する値である。これを上記のような演算式に基づいて演
算した結果が中間層Ｌ２を通じて出力層Ｌ３に得られ
る。特徴パターンを取り替えながら、複数のカテゴリ、
即ち真偽鑑別の対象となるそれぞれの種類の媒体につい
て出力を得る。従って、出力層Ｌ３のニューロンの数は
カテゴリの総数即ち媒体の種類の数となる。具体的に
は、真券のカテゴリ数とリジェクト用及び損券の種類分
のニューロンとなる。予めネットワークパラメータを得
るためには、真券や様々なリジェクト紙幣、損券等を用
意し、ニューラルネット処理部の出力を得て、既に得た
ものと比較をしながら少しずつネットワークパラメータ
の内容を修正し、学習を繰り返し、精度の高い結果を得
る。これを利用して、実際に真偽鑑別の対象となる媒体
に適用する。

【００１５】図５には、その他のネットワークパラメー
タの説明図を示す。上記のようなネットワークパラメー
タ選定のために、この図に示すようなパラメータが使用
される。入力層のユニット数は先に説明したように、特
徴パターンを構成する濃度値の数である。この数は特徴
パターンの中から任意にピックアップした画素数により
決定する。隠れ層のユニット数は図４に示した通りであ
る。出力層のユニット数はここの例では１２としてあ
る。即ち、これはカテゴリ数が１２種類あるという意味
である。学習パターンの総数も１２で、学習を繰り返す
ことによって、先に説明したネットワーク結合荷重やバ
イアス荷重の修正を行う。初期パラメータは、最大値は
０．９、最小値は−０．９というようにランダムに設定
している。学習はＢＰ（バックプロパゲーションエラー
ラーニング法）を適用する。

【００１６】図６（ａ）と（ｂ）には、それぞれ正券と
判別されたものとリジェクト券と判別されたものの最終
層のニューロン値を示す。ある媒体についてその特徴デ
ータを受け入れて、ニューラルネット処理部で演算処理
をする。このとき、カテゴリＡのためのネットワークパ
ラメータを用いて演算処理をした結果、カテゴリＢのた
めの演算処理をした結果というように、順に全ての最終
層のニューロン値を得る。この場合、（ａ）ではカテゴ
リＡが０．９７、正券が０．９７という出力が得られ、
その他の出力は０．０５あるいはそれ以下の値となって
いる。ここで、閾値を０．８に設定すれば、図（ａ）の
結果を得た媒体は正券と鑑別される。

【００１７】一方、（ｂ）は別の媒体についての処理結
果で、最終層のニューロン値はリジェクト券についての
部分だけが０．９５というように閾値より高い値となっ
ている。これによって、媒体がリジェクト券と鑑別され
る。なお、この具体例のニューラルネットは、図４に示
すＡの方向即ち入力層から出力層に向かう伝搬方向にの
みリンクを設け、逆方向のＢの方向のリンクは存在しな
い。即ち、フィードフォアード構造のネットとし、前結
合のネットとしている。

【００１８】図７には、ニューラルネットの学習結果の
説明図を示す。ニューラルネットワークの学習パターン
に対する適合度は誤差二乗和と呼ばれる量によって評価
され、この値が小さいほど与えられたパターンに対する
適合度が高い。誤差は教師パターンと比較する。理想的
には誤差二乗和が“０”になったとき学習を終了する。
実際には、二乗誤差の収束値を０．０８以下程度に設定
する。こうして、各学習パターン毎に１６０回程度に学
習により収束させることができる。

【００１９】図８には、学習動作フローチャートを示
す。図８のステップＳ１において、まず入力パターンを
提示し、ステップＳ２において、実際にニューラルネッ
ト処理部による出力を得て、出力層で各ユニットの教師
パターンとの誤差を計算する。教師パターンとは本来あ
るべき理想的な出力のことである。この二乗誤差が規格
内に入るまで、繰り返し学習を実施する。即ち、この誤
差の計算をし、ステップＳ３において、結合荷重の修正
量を計算して、ステップＳ４で結合荷重を修正し、新た
な入力パターンを提示して学習を繰り返す。入力パター
ンが終了し結果が収束したかどうかをステップＳ５とＳ
６で判定し、収束と判定した場合には処理を終了する。
この処理がカテゴリ毎に行われる。

【００２０】なお、学習に用いる特徴データについて
は、真券の場合、カテゴリ内の代表値を１パターン提示
してあればよい。これでニューラルネットワーク特有の
汎化能力が備わる。一方、リジェクトパターンの特徴デ
ータについては、汚れたもの、破損したもの等、各種の
サンプルを取得して、こうしたリジェクトパターンの学
習をメインに数多くの学習を実施させる。このようにす
ることで、安定した判別精度を確保できる。即ち、従来
の真偽鑑別の手法に本発明のニューラルネットによる鑑
別法を付加し組み合わせることによって、認識精度を向
上させることができる。この場合に、例えば紙幣の汚れ
易い箇所、変動し易い場所等の非線形領域に対してこの
ニューラルネット法を適用する。

【００２１】図９に、具体例１の方法による処理全体を
示すフローチャートを図示した。これまで説明したよう
に、図のステップＳ１とＳ２の処理によって、各種の学
習パターンを入力し、ネットワーク荷重の修正や最適化
を行う。このような学習によって最適化が終了すると、
その状態で紙幣や証券といった媒体の真偽鑑定を開始す
る。ステップＳ３では、既に説明したような読み取りイ
メージの補正等による前処理を実行し、ステップＳ４で
は、得られたイメージデータから特徴データを抽出す
る。そして、ステップＳ５で、最適化を終了したニュー
ラルネットワークを利用して計算を行い、判別結果を出
力する。この判別結果より真券と判断されると入金取引
を開始し、偽券と判断されると取引を停止するといった
処理になる。

【００２２】〈具体例１の効果〉ニューラルネットワー
クを用いて真券、偽券と判断される様々な印刷物に対し
て予め学習を行い、個々に高い精度で鑑定結果を得るニ
ューラルネットワークを使用したため認識率が高まり、
リジェクト券の増加による取引の混乱を防止することが
できる。また、周囲の環境変化や搬送状態、紙幣の汚れ
等によって認識率が悪くなるのを防止できる。更に、多
数の偽券を用いた学習を繰り返せば、より一層認識率を
高めることができる。しかも、このような場合に、学習
の結果得られたネットワークパラメータを置き換えるだ
けで装置の機能をアップすることができ、バージョンア
ップ等が容易にできるという効果がある。

【００２３】〈具体例２〉図１０には、具体例２のブロ
ック図を示す。上記のように、本発明の場合、学習を繰
り返すことによって、より認識率が高められるという効
果がある。従って、装置自体に学習機能を付加すること
が好ましい。この具体例は、そのように学習機能を付加
したもので、図１の装置に対し、学習パターンのデータ
ベース２１、登録データ修正部２２及び誤差検出部２４
を追加している。実際に装置を使用したり評価する際
に、本来真券であるにも関わらずリジェクトされるよう
なものについては、新たな学習を行わせる必要がある。
ここでは、このような学習パターン（学習用の特徴パタ
ーン）を学習パターンのデータベース２１に格納する。
そして、前処理部６にそのパターンを送り込み、ニュー
ラルネット処理部７を用いて実際に演算をさせる。その
結果は誤差検出部２４を経由して、登録データ修正部２
２を動作させて登録データ格納部２３に格納された格納
データ、即ちネットワークパラメータを修正する。この
ような処理は、装置が運用されない時間帯や休止中の時
間帯に行われる。これによって、装置の認識率を任意の
タイミングで改善することができる。なお、こうした学
習用の特徴パターンは、通信回線を介して学習パターン
のデータベース２１に送り込むようにしてもよいし、ま
たフロッピーディスク等の補助媒体を使用して格納する
ようにしてもよい。なお、こうした学習モードで動作さ
せる場合には、セキュリティ上、顧客から操作できない
ような部分に操作スイッチを配置させることが好まし
い。例えば装置の裏面や裏蓋の内部等に配置する。こう
してロードされる学習パターンのデータは、これまでの
ニューラルネットワーク荷重を大幅に変更するためのも
のではなく、学習時間等もそれほど長時間を必要とせ
ず、装置の稼働に支障なく実施できる。

【００２４】なお、実際にフィールドで使用される現金
自動取引装置のような装置は、それぞれ配置される場所
によって環境が異なる。即ち、温度条件やその他の条件
が異なり、また装置を構成する部品装置の形状、光学部
品等のばらつき等も存在する。従って、これらの初期的
なばらつきや経時的な特性変化は装置毎にまちまちで、
一律の変更は実情に沿わない。そこで、具体例２のよう
なシステムを各装置毎に設けることによって個別に学習
を実行することにより、パラメータを変更することが好
ましい。

【００２５】図１１（ａ）は正券のシミュレーション結
果の分布図で、（ｂ）は異常券（リジェクトすべき券）
のシミュレーション結果の分布図である。これらのグラ
フからわかるように、ニューラルネットを用いた真偽鑑
別法では、基本的に正解カテゴリの出力は“１”の近辺
に集中し、不正解のカテゴリの出力は“０”の近辺とな
る。従って、両者の分離度が従来の方法と比較して極め
て高くなる。また、リジェクトすべき媒体を個々に選択
して学習できるため、学習を積むほど精度が向上する。

【００２６】〈具体例２の効果〉以上のように、具体例
１も具体例２も、媒体の部分的な汚れやばたつき、その
他の特徴量の変動に対して安定した認識処理を行うこと
が可能になる。また、この具体例２のように、学習パタ
ーンを外部から供給したり、あるいは学習した結果の登
録データを外部から供給するといった方法によって、多
くのこの種の装置の認識精度を自動的に容易に高めるこ
とが可能になる。従って、金融機関の自動取引装置や両
替機等、各種の印刷物の真偽鑑定、その他の処理に有効
に利用することができる。

【図面の簡単な説明】

【図１】具体例１の真偽鑑別装置を示すブロック図であ
る。

【図２】ニューラルネット処理部の概念図である。

【図３】ニューラルネットの演算動作説明図である。

【図４】ニューラルネットの処理層説明図である。

【図５】その他のネットワークパラメータの説明図であ
る。

【図６】（ａ）と（ｂ）には、それぞれ正券と判別され
たものとリジェクト券と判別されたものの最終層のニュ
ーロン値を示す図である。

【図７】ニューラルネットの学習結果の説明図である。

【図８】学習動作フローチャートである。

【図９】具体例１の方法による処理全体を示すフローチ
ャートである。

【図１０】具体例２のブロック図である。

【図１１】シミュレーション結果の説明図である。

【符号の説明】

１ 認識搬送ユニット ２ 制御回路 ３ イメージセンサ ４ Ａ／Ｄ変換器 ５ バッファメモリ ６ 前処理部 ７ ニューラルネット処理部 ８ 鑑別結果出力部 １０ 媒体 １１ ネットワークパラメータ

Claims (3)

【特許請求の範囲】
1. 【請求項１】 媒体のイメージを読み取るイメージセン
   サと、 媒体のイメージ中に含まれる特徴パターンを構成する媒
   体各部の濃度値を受け入れて、所定の演算処理を実行
   し、媒体の種類に応じた出力を得るニューラルネット処
   理部と、 ニューラルネット処理部の出力から媒体の真偽鑑別を行
   い、その結果を出力する鑑別結果出力部を備え、 前記ニューラルネット処理部は、予め鑑別対象となる複
   数種類の媒体の特徴パターンを読み取って学習し、修正
   を加えた、ネットワーク結合荷重とバイアス荷重とを含
   むネットワークパラメータを使用して前記所定の演算処
   理を実行し、 前記鑑別結果出力部は、前記ニューラルネット処理部に
   よる各媒体の種類に応じた演算処理に基づいて媒体の真
   偽鑑別結果を出力することを特徴とする媒体の真偽鑑別
   装置。
2. 【請求項２】 請求項１において、 新たな学習用の特徴パターンを格納する学習パターンの
   データベースと、 媒体の真偽鑑別を行っていないとき、この特徴パターン
   を使用してニューラルネット処理部を動作させて学習
   し、ネットワークパラメータを修正する登録データ修正
   部を備えたことを特徴とする媒体の真偽鑑別装置。
3. 【請求項３】 請求項１または２において、 ニューラルネット処理部の出力の誤差を検出して、 登録データ修正部に対してネットワークパラメータを修
   正する要求を行う誤差検出部を設けたことを特徴とする
   媒体の真偽鑑別装置。