迁移学习人民币面值识别(附源码)-InceptionResNetV2 - 文章 - 开发者社区

picture.image

向AI转型的程序员都关注了这个号 👇👇👇

人工智能大数据与深度学习公众号：datayx

人民币作为我国法定货币，与生俱来，人见人爱。它在我们日常生活中的重要性不言而喻，每张人民币纸币都有一串唯一的字符号码，是人民币的重要标识。由于这串序列号的唯一性，若能在纸币识别装置上添加编码识别，让每张人民币的行走轨迹都可以被记录并存储，这样人民币都能进入银行监管之内，不仅有助于识别假币，还可以很大程度上协助攻破抢劫，盗窃人民币等非法事件。人民币编码识别技术在日常生活中具有很好的实用价值。

数据集说明：

train_data.zip：此数据集用于训练模型，图片为第四套人民币中的某一张。共包含39620张图片。该文件采用分卷压缩方式，下载至一个文件夹下解压缩即可
train_face_value_label.csv：train_data.zip对应的面额标签。数据共有两列，name和label，name为train_data中对应的文件名，label为对应的面值，共有9种面值，分别编号为 0.1，0.2，0.5，1，2，5，10，50，100，单位为元。
public_test_data.zip：共有20000张图片。将训练好的模型得出的面额识别结果，上传到TinyMind对应测评系统，得到评分与排名。该文件采用分卷压缩方式，下载至一个文件夹下解压缩即可。

查看每种货币的样本数量是否倾斜

picture.image

可以看出数据分布十分均匀, 图片数据也十分干净
应该不需要所有的数据投入训练, 可以成倍加快训练速度
为了增加数据的鲁棒性,增加了数据的左右切割,以及数据小角度旋转

picture.image

InceptionResNetV2 迁移学习

谷歌开放了 Inception-ResNet-v2，这是一个在 ILSVRC 图像分类基准上取得顶尖准确率的卷积神经网络。Inception-ResNet-v2 是早期发布的 Inception V3 模型的变体，该模型借鉴了微软 ResNet 论文中的思路。具体内容可在我们的论文：Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning 中看到。

残差连接（Residual connections ）允许模型中进行 shortcut，也使得研究员能成功的训练更深的神经网络从而产生更好的性能。这也使得 Inception 块的极度简单化成为可能。

picture.image

举个例子，Inception V3 和 Inception-ResNet-v2 模型在识别犬种上都很擅长，但新模型做的更好。例如，旧模型错误报告右图中的狗是阿拉斯加雪橇犬，而新的 Inception-ResNet-v2 模型准确识别了两张图片中的狗的种类。

picture.image

应用Inception-ResNet-v2 预训练模型做迁移学习做人民币面值识别

相关项目代码方式：

关注微信公众号 datayx 然后回复人民币即可获取。

AI项目体验地址 https://loveai.tech

picture.image


        
Found 31692 images belonging to 9 classes.  
Found 7928 images belonging to 9 classes.  
Found 20000 images.

picture.image

开始训练模型

#生成了2个提交文件,可以提交在线测试(在模型收敛的情况下,2个文件大概率是一模一样)
train_raw()


        
Epoch 1/1
      
  `396/396 [==============================] - 953s 2s/step -`
 


      
  `loss: 0.5867 - acc: 0.8205 - val_loss: 0.0167`
 


      
  `- val_acc: 0.9991`
 


      
  `20000, 32, 625`
 


      
 
 


      
 
 


        
625/625 [==============================] - 1129s 2s/step
      
  `Index(['name', ' label'], dtype='object')`
 


      
 
 


      
  `weight save to ./output/model-inception_resnet_v0-27.h5`
 


      
 
 


        
Epoch 1/1
      
  `396/396 [==============================] - 1027s 3s/step -`
 


      
  `loss: 0.0288 - acc: 0.9957 - val_loss: 0.0118`
 


      
  `- val_acc: 0.9991`
 


      
 20000, 32, 625
 


      
 
   

 
 


      
 
   

 
 


        
625/625 [==============================] - 1055s 2s/stepIndex(['name', ' label'], dtype='object')weight save to ./output/model-inception_resnet_v1-27.h5