人民币印刷质量要求远高于其他印刷品。在印钞企业中,现有人民币检测系统是基于模板匹配技术对产品进行印刷缺陷检测。实际生产环境中,现有系统存在一定的技术局限性,如针对特定缺陷检测能力差(细道子,金属线上的缺印与墨脏等),误检率过高(误检数与实际废品数的比例达到10:1)。本文所设计的基于卷积神经网络的印钞图像二次核查系统对现有检测系统进行二次核查。首先,在特定缺陷类型训练样本图像不足的情况下,模拟出印刷缺陷,用以实现数据增强。实验中,在HSV颜色空间中将已有检测结果分为红外光源图像与白光光源图像,随后针对不同光源下产生的样本图像进行网络模型的设计与训练。实验结果表明,现有生产环境中的检测弱项通过本文所设计的系统得到较好的解决。本文主要贡献:利用卷积神经网络对人民币图像进行检测在印钞行业中首次提出,同时在行业中并无类似的检测方法。本文创新之处有三点:1、针对特定类型的人民币缺陷存在训练样本不足的情况,借助opencv,通过随机变量设定椭圆的长轴与短轴,模拟出缺印与墨脏的印刷缺陷;通过随机变量设定垂直直线的长度与宽度模拟出“细道子”的印刷缺陷,以实现适用于人民币检测的数据增强方法。2、根据印钞领域实际生产中对红外光源图像与白光光源图像检测要求的不同,参照RGBD图像处理方法,在HSV颜色空间中先将图像分为红外光源图像与白光光源图像(红外图像在HSV色彩空间中,色调与饱和度均为0),接着通过不同网络结构进行检测,最后将不同网络结构下的检测结果进行融合。3、针对印钞领域中白光光源图像与红外光源图像的检测。针对白光光源图像,借鉴”ResNet”核心思想,设计17个卷积层,7个激活层以及2个池化层的网络结构。并通过调整输入层图像尺寸,池化层函数,激活层函数以及减少卷积层获得针对人民币检测准确性最高的网络结构与参数。最后将该结构与ResNet,GoogleNet,VggNet等经典网络模型的top-1准确率结果作比对,以论证本文所设计网络结构与参数配置更适应于针对人民币白光光源下的图像检测。针对红外光源,采用两组inception结构,共计15个卷积层,4个池化层组成。