硬币的分级。

硬币评级标准解析

我们通常把东西分为100,100就是好,0就是差,50就是中等,这个很好理解。比如考试考60分,在中国就是及格。北美把硬币化作0-70分。60分以上的叫MS。

所谓MS,就是UNCIRCULATED,“未流通”的意思。上面说的set就是UNCIRCULATED,或者老外直接用PL表示,就是“硬币可以几乎当镜子照”的质量。70是非常理想状态下的,也就是说,MS70的评级,只有理论上存在的可能。只要接触过空气,硬币就不能称为MS70。交易平台的硬币,最新的一般也不会超过MS65。

有些人问:“我在downtown上次的Mint office换的硬币算不算MS65?”我可以负责的告诉你,不算。MS65的评级,是不可以接触过体温的。体温有37度,可以把硬币存放年限从10万年减到8万年(大约),所以,不是说没有手印就是MS。

60以上是MS。之后是AU,about UNCIRCULATED,大约没有流通过。如果你在mint换的硬币是直接一roll的,如果你没拆这roll,那么恭喜你,这些是MS62-MS64的,拆了?最多MS60。如果直接在他们手中接过,那么就变成AU55。

大概的级别分类:
MS70:最完美,没有任何磨损,任何温度,空气接触。
MS65:近乎完美,没有磨损,接触任何液体。
MS60:肉眼看不到任何磨损(5被放大镜下可以看到),基本没有磨损。
AU55:没有磨损,1~2次流通。
AU50:几乎没有磨损,在有硬币保护的套子中,几乎没有手印或者脏污。(所以为什么大家需要我订的holder……)
EF45:比较的新,可以有少许污迹,长时间隔绝空气,几乎无磨损
EF40:有可以用肉眼看到的少许痕迹。但被非常仔细的保护起来,没有明显手印,硬币重量几乎没有缺失(针对银币)。
(ebay上买到的未分级硬币,他们说保存非常完好的硬币,85%都是EF的质量;贵的会特殊表面是什么级别的;如果买到EF以下的就不能叫质量好了~)
VF30: 没有隔绝空气,重量稍有缺失,表面稍有磨损,会有污迹。
VF20:可以看到明显手印,磨损,痕迹等等。
F8:有严重的磨损,或者重量的缺失,不能看到头像背面人像的头发。划痕或者脏物质;
G4:几乎不能分清年份,或者背面头像的轮廓。

所以,你的硬币,在不同的级别,价值是完全不一样的。必须指出的一点是,脏的硬币,不代表是级别低的,干净的也不代表是高的;所以之前大家发了一个“关于硬币清洁”的帖子;在硬币清洁的时候,橡皮是会对硬币表面有划痕的,所以久远的硬币,又或者带有颜色,MS级别以上的硬币,还有含有青铜的looney,切记不要清洗。脏了也可能是很高的评级。

<think>嗯,用户需要查找OpenMV实现硬币识别的方法和相关资料。从用户提供的引用来看,引用[1]提到了一个2.5cm*2.5cm的OpenMV3模块,还特别说明这个尺寸与硬币相同,这可能是用户制作硬币识别装置的重要尺寸参考。用户是名大三学生,有丰富的硬件开发经验,应该能快速理解技术方案。 用户真正的需求很明确:要用OpenMV识别硬币。但硬币识别在实际应用中可能有不同场景要求,比如需要区分硬币面值、统计数量或在复杂背景中识别等。我注意到引用[3]提到电赛调试云台的经验,用户可能是在准备电子设计竞赛,需要高实时性的识别方案。 从技术角度看,硬币识别通常涉及图像采集、预处理、特征提取和分类四个步骤。OpenMV的OV7725摄像头配合STM32F427处理器完全能处理这类任务。考虑到硬币的特征较稳定,建议采用经典的阈值分割+轮廓检测+形状匹配方案,而不是复杂的深度学习模型,这样响应速度更快。 用户可能还需要知道:1) 如何稳定成像,2) 特征参数的选择技巧。特别要注意引用[1]强调的2.5cm尺寸,这意味着摄像头需要固定在与硬币距离适当的位置,比如5-7cm焦距比较理想。引用[2]的文字高亮技术虽然不直接相关,但其图像处理思路可以借鉴,比如用HSV颜色空间分离金属反光区域。 我应该给出具体代码示例,重点展示如何利用圆形度、直径比例等关键特征。同时提醒用户注意光照影响,建议添加LED补光模块。考虑到电赛场景,还要补充实时性优化技巧,比如降低分辨率到QQVGA级别。 </think>基于OpenMV实现硬币识别主要可通过以下步骤完成,结合图像处理技术和Python编程接口: ### 一、核心实现步骤 1. **图像采集与预处理** ```python import sensor, image, time sensor.reset() sensor.set_pixformat(sensor.RGB565) # 色彩格式 sensor.set_framesize(sensor.QVGA) # 分辨率(320x240) sensor.skip_frames(time=2000) # 稳定摄像头 ``` 2. **硬币区域检测** - **阈值分割**:利用硬币金属反光特性 ```python img = sensor.snapshot() img.binary([(220, 255)]) # 高亮度阈值分割金属反光区 ``` - **形态学处理**:消除噪点 ```python img.erode(1) # 腐蚀操作 img.dilate(1) # 膨胀操作 ``` 3. **特征提取与识别** - **轮廓检测**:提取硬币轮廓 ```python blobs = img.find_blobs([(100, 255)], pixels_threshold=100, area_threshold=100) ``` - **圆形度判定**: ```python for blob in blobs: circularity = 4 * 3.14 * blob.area() / (blob.perimeter() ** 2) if circularity > 0.8: # 接近1为理想圆 img.draw_circle(blob.cx(), blob.cy(), int(blob.w()/2)) ``` - **尺寸筛选**(参考2.5cm实物尺寸): ```python if 20 < blob.w() < 30 and 20 < blob.h() < 30: # 像素尺寸换算 print("Coin detected!") ``` ### 二、关键技术要点 1. **光照补偿** - 推荐添加环形LED补光模块,减少环境光干扰[^1] - 动态调整曝光参数: ```python sensor.set_auto_exposure(True, exposure_us=5000) # 微秒单位 ``` 2. **多硬币识别优化** - 使用连通域标记分离重叠硬币 - 霍夫圆检测增强识别精度: ```python circles = img.find_circles(threshold=3500, r_min=10, r_max=20) ``` 3. **面值区分方案** - **直径分级**:1元硬币(25mm) > 5角(20.5mm) - **颜色特征**:5角硬币黄色可启用HSV空间检测 ```python img.to_grayscale() img.histeq() # 直方图均衡化增强对比度 ``` ### 三、性能优化建议 1. **算法加速** ```python sensor.set_windowing((80,60,160,120)) # 局部ROI检测 img.laplacian(1) # 边缘检测加速 ``` 2. **数据输出** - 通过串口发送坐标数据 - 生成CSV报告(引用[2]方法): ```python with open('coins.csv', 'w') as f: f.write("X,Y,Radius\n") for c in circles: f.write(f"{c.x()},{c.y()},{c.r()}\n") ``` ### 四、典型应用场景 1. 自动售货机硬币识别系统 2. 银行硬币清分装置(需结合机械分拣) 3. 电赛视觉跟踪项目(引用[3]云台控制): - 输出硬币坐标→控制云台激光瞄准 - 注意电机响应延迟补偿 > **实操提示**:实际部署时需严格标定尺寸,建议使用2.5cm×2.5cm参照物(如引用[1]设计)进行相机校准,通过`img.get_distortion()`校正镜头畸变。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值