在票据检测领域，目前多采用传统目标检测方法完成票据某一防伪特征检测，而要实现票据完整检测，涉及多光照条件票据检测、票据多防伪特征检测、票据文本信息检测等多项任务，票据在不同光照条件下又呈现复杂多变图像特征，传统目标检测方法在票据多目标检测中应用复杂、实现困难。

中国测试最新一期的文章中提出了基于深度学习的机器视觉目标检测算法（点击阅读：《基于深度学习的机器视觉目标检测算法及在票据检测中应用》），在高特征维度中具有强大分辨能力，非常适合应用于票据检测的机器视觉系统中。

在智能制造与装备等产业中，机器视觉检测技术因其实时性好、准确性高、适用性广而得到广泛应用。目标检测作为机器视觉系统主要任务之一，在工业相机采集高分辨率图像信息基础上，实现多目标物体识别、位置预测，并关联目标物体位置信息与世界坐标信息，控制视觉检测系统驱动器进行相应机器检测操作。机器视觉目标检测算法由目标特征提取器、分类器与位置区域搜索方法构成。其中，目标特征提取器由人为设计，提取目标图像颜色、形状、纹理等信息；目标分类器则是基于提取器得到信息进行特征计算，确定目标类别，代表性的有基于支持向量机分类器、Adaboost分类器；目标位置区域搜索方法通常是采用滑动窗口在图像上滑动，对每个滑动区域进行特征提取与分类，判断该区域存在目标概率及其位置。

卷积神经网络(CNN)具有特征学习与归纳能力强特点，深度学习采用端到端学习策略，将特征提取、目标分类、目标定位任务整合到神经网络架构中，实现从图像输入到目标分类与定位检测结果输出的统一过程，与经典目标检测算法相比，有效地简化算法过程，提高检测效率，以CNN为代表的深度学习方法成为目标检测领域研究热点。

将以上两者有效结合，形成了基于深度学习的机器视觉目标算法。按实现原理可分为基于区域候选的目标检测算法、基于回归方法的目标检测算法，两者区别主要在于是否采用区域候选方法。

目标检测算法在对票据检测中，系统首先由工业相机获取包含票据目标的高分辨率图像，并检测票据目标在图像上的位置并确定其票据类别、光源激发条件信息；其次，完成票据目标所有局部防伪特征检测，并与该光源条件下标准票据防伪特征比对，判定票据真伪；最后，系统采用图像文本检测方法读取票据票号、数额等信息，完成票据信息检测。基于深度学习的机器视觉目标检测算法提高了票据检测精度、实时性能，从而构建面向票据检测应用的智能检测系统。