ディープラーニングを用いた紙幣の識別番号の認識

紙幣の偽造犯罪は古くから存在しており、国内外問わず偽札は発見されています。その偽札のほとんどは同じ識別番号であり、これを認識、記録、判定出来る方法を提案し、将来的には紙幣の計数機などに組み込むことで偽札の流通量を抑えることが出来ると考えました。一般的な文字の認識方法としてパターン認識という既存の方法が存在しますが、複雑な背景がある場合に認識が困難な為、紙幣の識別番号の認識には向いていません。そこで本研究ではディープラーニングに着目し、複雑な背景を認識文字と合わせて学習を行うことで紙幣の識別番号の認識を試みています。

(1)実験環境
本実験におけるハイパーパラメータ表1とCNN(Convolutional Neural Network)の構成図を以下の図1に示す。

(2)英字への適用
最初に数字と英字に対して図1のCNNを用いて学習させる。その結果は表2に示すとおりであり、数字と英文字を学習させた場合、その認識率は低下している。これは認識する文字が増えるために、出力先も増え、その結果学習の精度が低くなるものと考えられる。よって、複数の文字を合わせて学習させることは認識率の低下の要因であると考えられる。結果から、先行研究において認識出来なかった文字は、バリデーションデータとして抽出されてしまい、学習が行われていなかったと考えられる。

(3)アラビア語数字への適用
(2)に示す以上に文字の種類が増えた場合として、多くの国で用いられているアラビア語数字を新たに加える。アラビア語数字単体でCNNに学習させた場合の結果を表3に示す。

この結果より、アラビア語数字に対してもCNNは適用できると考えられる。
(4)文字の種類が増えた場合に対する提案法
(2)より、文字の種類が増えた場合、正答率が下がり、これは本稿における課題の1つである。この課題を解決する為に、文字の種類が単体であった場合のCNN正答率が高かったことに着目し、図2および図3に示す2つの方法について検討を行う。図2の場合は各々のNNに対して、全てのデータを入れる方法である。図3はNNを1つ追加し、文字の種類を判別した後に各NNにデータを入れる方法であり、2段のCNNの構造となる。

表4にこの実験の結果を示す。従来法とは、文献[2]（略）を拡張させ全ての文字種をまとめて学習させた場合を指す。 

この結果より、文字の種類を判別する方法Bの2段のニューラルネットワーク構成の方に、正答率の向上が見られた。

本稿では、 “複数文字への適用”、 “文字の種類が増えた場合への適用”の2つの実験を行った。その結果、文字のカテゴリごとでは極めて高い正答率を得ることが出来、それを用いた2段のNNの構成では、文字の種類が増えた場合にも高い正答率を得られ、提案法の有効性を明らかにした。