Faculty of Informatics Vienna University of Technology Institute of Computer Aided Automation PRIP Home PRIP Home
Personal tools
You are here: Home Teaching Informatikpraktika Automatische Münzerkennung

Automatische Münzerkennung

Status des Praktikums: vergeben
Betreuer: Sebastian Zambanini

Problemstellung

Bildbasierende Klassifikation und Identifikation von Münzen ist spätestens seit der EURO Umstellung ein wichtiges Thema geworden. Durch die Notwendigkeit große Mengen an Münzen sehr schnell auszuwerten, werden Technologien, die dazu in der Lage sind interessant. Im Allgemeinen beruhen Münzerkennungssysteme auf der Auswertung der Größe, Lage, Dicke und Gewicht einer Münze. Visuelle Features werden meistens ignoriert. Ein optisches Erkennungssystem kann aus den folgenden Zwischenschritten bestehen:
  1. Bildaufnahme
  2. Bildsegmentierung (Münzerkennung im Bild)
  3. Feature Extraction (Erkennung von Münzspezifischen Eigenschaften)
  4. Klassifikation
  5. Überprüfung
Bestehende Systeme zur optischen Münzerkennung funktionieren mit rotationssymmetrischen Münzen, wie sie üblicherweise im Umlauf sind. Optische Münzerkennungssysteme für mittelalterlichen Münzen wurden noch kaum untersucht. Doch fällt gerade diesem Bereich steigende Bedeutung zu, da der Handel zb. über Internet/ebay dieser oft sehr wertvollen Objekte erleichtert wird und dadurch die Betrugsgefahr bei falsche Identifikation der Münze steigt.

Zielsetzung

  • Auswahl und Implementierung einer Methode zur Münzerkennung mit Bezug auf mittelalterliche Münzen
  • Systematischer Vergleich des gewählten Ansatzes mit bestehendes Systemen
  • Studie/Experimente hinsichtlich der Erweiterbarkeit auf nicht rotationssymmetrische Münzen (z.b: mittelalterliche Münzen)

Gliederung

  • Einarbeitung in die Methodik, Studium bestehender Ansätze
  • Implementierung einer Methode und Evaluierung der Resultate
  • Schriftlicher Bericht und Präsentation des Praktikums
  • Dauer: 6 Monate

Sonstiges

Literatur

  • Nölle, Michael and Penz, Harald and Rubik, Michael and Mayer, Konrad and Holländer, Igor and Granec, Reinhard , “Dagobert -- a new coin recognition and sorting system”, Proceedings of the 7th International Conference on Digital Image Computing - Techniques and Applications (DICTA'03), Macquarie University, Sydney, Australia, pp 329-338, 2003.
  • Minoru Fukumi, Sigeru Omatu, Fumiaki Takeda, and Toshihisa Kosaka, “Rotationinvariant neural pattern recognition system with application to coin recognition”, IEEE Transactions on Neural Networks (3), no. 2, 272–279, 1992.
  • Paul Davidsson, Coin classification using a novel technique for learning characteristic decision trees by controlling the degree of generalization, Ninth International Conference on Industrial & Engineering Applications of Artificial Intelligence & Expert Systems (IEA/AIE-96), Gordon and Breach Science Publishers, pp. 403–412, 1996.
  • M. Adameck, M. Hossfeld, and M. Eich, “Three color selective stereo gradient method for fast topography recognition of metallic surfaces”, Proceedings of Electronic Imaging, Science and Technology (Martin A. Hunt and Jeffery R. Price, eds.), Machine Vision Applications in Industrial Inspection XI, vol. SPIE 5011, pp. 128–139, 2003.
  • L. van der Maaten and E. Postma. Towards automatic coin classification. In Proceedings of the EVA-Vienna 2006, page (in press), 2006.