通过人民币纸币进行交易的方式是现代生活中不可或缺的交易方式之一,而人民币在流通过程中会沾染上污渍,本文提出一种基于Mobilenet V1网络改进的纸币污损检测算法,能够将有污渍、涂鸦、破损的人民币以及反宣币等不能在市面上流通的人民币检测出来。由于开源数据库中没有人民币相关数据集,所以需要建立人民币样本图像数据集,图像数据集分为两类:一类是干净的可以在市面上流通的人民币样本,另一类是有污损的不能在市面上流通的人民币样本,然后将两个类别的人民币图像分为训练人民币数据集以及测试人民币数据集。在纸币污损检测项目中,分别对干净样本以及污损样本进行采样,然后对采样后的图片进行图像预处理,首先,使用最小二乘法进行人民币轮廓的提取,去掉采样图像的背景黑边,然后将提取轮廓后的人民币图像使用双线性插值算法仿射至224*224大小,以适应后续经典神经网络以及改进网络的输入分辨率大小,方便后续算法的处理。由于人民币存在污损的区域是随机的,且人民币纹理较复杂,某些关键区域如国徽、毛主席头像、面额数字等的位置是不固定的,每一张人民币会有细微的差异,当使用传统的纸币污损检测算法如模板匹配算法时易产生误匹配,实验效果不好;并且污损的样本难以收集、数量较少,在实际生产应用中,干净人民币样本的数量远大于污损样本,人民币数据集两类样本数量不均衡。因此,针对传统的纸币污损检测算法检测准确率不高的缺点,本文采用基于Mobilenet Vl网络改进的纸币污损检测算法对干净人民币样本以及污损人民币样本二类样本进行分类,首先,Mobilenet V1网络采用深度可分离卷积结构,运算速度快,训练后的模型应用于测试集的准确率很高,网络模型小,对硬件要求较低,非常适合移植到嵌入式结构机器中,适合企业生产需要,其次,Mobilenet Vl网络在纸币污损检测的测试数据集上体现的效果比传统纸币污损检测算法以及其他经典神经网络如VGG 16网络、Resnet 34网络、Inception Vl网络等更优秀,准确率更高,所以我们选择Mobilenet V1网络来进行纸币污损检测的应用改进。针对人民币两类样本不均衡问题,我们从带权重的对数损失函数、难例挖掘损失函数以及focalloss损失函数三个关注样本不平衡问题的损失函数中,选择focalloss损失函数对Mobilenet V1进行改进以便进一步提升测试集的准确率。Focalloss损失函数不仅能够使网络在训练污损检测模型时减少易分类样本的训练权重,增加难分类样本的训练权重,并且能够缩小干净样本与污损样本之间数量的差距,所以,focalloss损失函数能够同时解决干净样本与污损样本的类别不平衡问题以及难学样本和易学样本之间的不平衡问题。使用focalloss损失函数改进的Mobilenet Vl在人民币二分类数据集测试集上体现的效果也很优秀,对改进前的网络进行训练,得到的模型测试准确率为98.83%,改进后的算法训练得到的模型测试准确率为99.62%,相比之下准确率提升了 0.79%。