CN108520196A - 奢侈品辨别方法、电子装置及存储介质 - Google Patents
奢侈品辨别方法、电子装置及存储介质 Download PDFInfo
- Publication number
- CN108520196A CN108520196A CN201810103409.4A CN201810103409A CN108520196A CN 108520196 A CN108520196 A CN 108520196A CN 201810103409 A CN201810103409 A CN 201810103409A CN 108520196 A CN108520196 A CN 108520196A
- Authority
- CN
- China
- Prior art keywords
- picture
- pictures
- convolutional neural
- neural networks
- luxury goods
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/80—Recognising image objects characterised by unique random patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种奢侈品辨别方法,包括:获取样本图片库,所述样本图片库中包括真品图片集和赝品图片集;构建卷积神经网络对样本图片库进行训练,得到卷积神经网络模型;将真品图片集和赝品图片集输入卷积神经网络模型,得到真品图片集对应的特征向量集和赝品图片集对应的特征向量集;获取待辨别图片,将待辨别图片输入卷积神经网络模型,得到待辨别图片的特征向量;将所述待辨别图片的特征向量分别与所述真品图片集对应的特征向量集和赝品图片集对应的特征向量集进行比对;根据比对结果得到真假辨别结果并输出。本发明还提供一种电子装置及存储介质。利用本发明可以准确辨别奢侈品的真伪,避免消费者的经济损失和形象损害。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种奢侈品辨别方法、电子装置及存储介质。
背景技术
随着经济的发展,各种品牌例如香奈儿、古驰的奢侈品逐渐成为人们喜爱和追求的目标。由于奢侈品通常价值不菲,并且拥有的奢侈品在一定程度上反映了消费者的品味和身份,因此消费者对奢侈品的挑选十分谨慎。然而,目前市场上充斥着许多奢侈品的赝品,且随着赝品仿制水平的提高,有些高仿奢侈品甚至做到了以假乱真的地步,仅凭消费者的知识水平从肉眼上难以辨别真伪,而联系奢侈品专家对普通消费者而言也并不方便。若是购买到奢侈品的赝品,不仅给消费者带来较大的经济损失,同时也有损于消费者的社交形象。
发明内容
鉴于以上原因,有必要提供一种奢侈品辨别方法、电子装置及存储介质,可以随时方便地为消费者辨别奢侈品的真伪,避免消费者的经济损失和形象损害。
为实现上述目的,本发明提供一种奢侈品辨别方法,该方法包括:样本获取步骤:获取奢侈品品牌对应的样本图片库,所述样本图片库中包括由多个真品图片构成的真品图片集和由多个赝品图片构成的赝品图片集;模型训练步骤:构建卷积神经网络,通过所述卷积神经网络对所述样本图片库进行训练,得到所述样本图片库对应的卷积神经网络模型;第一卷积步骤:将所述真品图片集和赝品图片集分别输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到真品图片集对应的特征向量集和赝品图片集对应的特征向量集;第二卷积步骤:当接收到用户的奢侈品辨别请求时,从所述奢侈品辨别请求中获取待辨别图片,并将所述待辨别图片输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到待辨别图片的特征向量;特征比对步骤:将所述待辨别图片的特征向量分别与所述真品图片集对应的特征向量集和赝品图片集对应的特征向量集进行比对;结果输出步骤:根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果,输出所述辨别结果。
可选地,所述样本图片库的构建方法包括:从指定的多个来源采集所述奢侈品品牌对应的多个候选图片,根据每个候选图片的采集来源确定相应候选图片的参考信息采集规则,运用所述参考信息采集规则分别采集每个候选图片的参考信息;根据每个候选图片的参考信息判断相应候选图片属于真品图片或赝品图片,根据判断结果为相应候选图片打上标签;对每个候选图片进行预处理,并对预处理后的每个候选图片,分别进行预设特征的特征信息提取,所述预处理包括目标对象提取、尺寸归一化和色彩空间归一化;整合预处理后的每个候选图片及其对应的指示属于真品图片或赝品图片的所述标签,以及所提取的所述特征信息,构成所述样本图片库。
可选地,所述模型训练步骤包括:使用所构建的卷积神经网络中的每个卷积核依次对样本图片库中每个图片进行卷积处理,得到每个卷积核对应每个图片的特征向量;针对每个卷积核,计算该卷积核对应样本图片库中所有图片的特征向量的信息熵,从而得到该卷积核对应的信息熵;根据每个卷积核对应的信息熵设置相应卷积核的权重值,根据所述每个卷积核及其权重值,生成所述样本图片库对应的卷积神经网络模型。
可选地,所述卷积神经网络模型包括5个卷积池化层、2个全连接层和1个分类层。
可选地,所述特征比对步骤包括:计算所述待辨别图片的特征向量与所述真品图片集对应的特征向量集的余弦相似度,得到第一相似度值;计算所述待辨别图片的特征向量与所述赝品图片集对应的特征向量集的余弦相似度,得到第二相似度值;比对所述第一相似度值与第二相似度值的大小,得到所述比对结果;所述根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果包括:若所述比对结果为所述第一相似度值大于所述第二相似度值,则判定所述待辨别图片中奢侈品为真;若所述比对结果为所述第一相似度值小于所述第二相似度值,则判定所述待辨别图片中奢侈品为假。
可选地,所述结果输出步骤后还包括模型更新步骤:根据所述辨别结果将所述待辨别图片并入所述真品图片集或赝品图片集,生成更新后的样本图片库;构建卷积神经网络,通过所述卷积神经网络对所述更新后的样本图片库进行训练,得到更新后的卷积神经网络模型。
为实现上述目的,本发明还提供一种电子装置,该电子装置包括存储器和处理器,所述存储器中包括奢侈品辨别程序,该奢侈品辨别程序被所述处理器执行时实现如下步骤:样本获取步骤:获取奢侈品品牌对应的样本图片库,所述样本图片库中包括由多个真品图片构成的真品图片集和由多个赝品图片构成的赝品图片集;模型训练步骤:构建卷积神经网络,通过所述卷积神经网络对所述样本图片库进行训练,得到所述样本图片库对应的卷积神经网络模型;第一卷积步骤:将所述真品图片集和赝品图片集分别输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到真品图片集对应的特征向量集和赝品图片集对应的特征向量集;第二卷积步骤:当接收到用户的奢侈品辨别请求时,从所述奢侈品辨别请求中获取待辨别图片,并将所述待辨别图片输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到待辨别图片的特征向量;特征比对步骤:将所述待辨别图片的特征向量分别与所述真品图片集对应的特征向量集和赝品图片集对应的特征向量集进行比对;结果输出步骤:根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果,输出所述辨别结果。
可选地,所述样本图片库的构建方法包括:从指定的多个来源采集所述奢侈品品牌对应的多个候选图片,根据每个候选图片的采集来源确定相应候选图片的参考信息采集规则,运用所述参考信息采集规则分别采集每个候选图片的参考信息;根据每个候选图片的参考信息判断相应候选图片属于真品图片或赝品图片,根据判断结果为相应候选图片打上标签;对每个候选图片进行预处理,并对预处理后的每个候选图片,分别进行预设特征的特征信息提取,所述预处理包括目标对象提取、尺寸归一化和色彩空间归一化;整合预处理后的每个候选图片及其对应的指示属于真品图片或赝品图片的所述标签,以及所提取的所述特征信息,构成所述样本图片库。
可选地,所述模型训练步骤包括:使用所构建的卷积神经网络中的每个卷积核依次对样本图片库中每个图片进行卷积处理,得到每个卷积核对应每个图片的特征向量;针对每个卷积核,计算该卷积核对应样本图片库中所有图片的特征向量的信息熵,从而得到该卷积核对应的信息熵;根据每个卷积核对应的信息熵设置相应卷积核的权重值,根据所述每个卷积核及其权重值,生成所述样本图片库对应的卷积神经网络模型。
可选地,所述卷积神经网络模型包括5个卷积池化层、2个全连接层和1个分类层。
可选地,所述特征比对步骤包括:计算所述待辨别图片的特征向量与所述真品图片集对应的特征向量集的余弦相似度,得到第一相似度值;计算所述待辨别图片的特征向量与所述赝品图片集对应的特征向量集的余弦相似度,得到第二相似度值;比对所述第一相似度值与第二相似度值的大小,得到所述比对结果;所述根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果包括:若所述比对结果为所述第一相似度值大于所述第二相似度值,则判定所述待辨别图片中奢侈品为真;若所述比对结果为所述第一相似度值小于所述第二相似度值,则判定所述待辨别图片中奢侈品为假。
可选地,所述结果输出步骤后还包括模型更新步骤:根据所述辨别结果将所述待辨别图片并入所述真品图片集或赝品图片集,生成更新后的样本图片库;构建卷积神经网络,通过所述卷积神经网络对所述更新后的样本图片库进行训练,得到更新后的卷积神经网络模型。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中包括奢侈品辨别程序,该奢侈品辨别程序被处理器执行时,实现如上所述的奢侈品辨别方法的任意步骤。
本发明提出的奢侈品辨别方法、电子装置及存储介质,通过先获取样本图片库,构建卷积神经网络对所述样本图片库进行训练,得到卷积神经网络模型,然后将样本图片库中的真品图片集和赝品图片集输入卷积神经网络模型,得到真品图片集对应的特征向量集和赝品图片集对应的特征向量集,当接收到用户的奢侈品辨别请求时,获取待辨别图片,将待辨别图片输入卷积神经网络模型,得到待辨别图片的特征向量,最后将所述待辨别图片的特征向量分别与所述真品图片集对应的特征向量集和赝品图片集对应的特征向量集进行比对,根据比对结果得到真假辨别结果,可以随时方便而且准确地为用户辨别奢侈品,保护用户的利益。
附图说明
图1为本发明电子装置较佳实施例的运行环境示意图;
图2为本发明电子装置与客户端较佳实施例的交互示意图;
图3为本发明奢侈品辨别方法较佳实施例的流程图;
图4为图3中样本图片库构建方法较佳实施例的流程图;
图5为图3中卷积神经网络模型训练方法较佳实施例的流程图;
图6为图1中奢侈品辨别程序的程序模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将参考若干具体实施例来描述本发明的原理和精神。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本领域的技术人员知道,本发明的实施方式可以实现为一种方法、装置、设备、***或计算机程序产品。因此,本发明可以具体实现为完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
根据本发明的实施例,提出了一种奢侈品辨别方法、电子装置及存储介质。
参照图1所示,为本发明电子装置1较佳实施例的运行环境示意图。
该电子装置1可以是服务器、便携式计算机、桌上型计算机等具有存储和运算功能的终端设备。
该电子装置1包括存储器11、处理器12、网络接口13及通信总线14。所述网络接口13可选地可以包括标准的有线接口和无线接口(如WI-FI接口)。通信总线14用于实现上述组件之间的连接通信。
存储器11包括至少一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中,所述可读存储介质可以是所述电子装置1的内部存储单元,例如该电子装置1的硬盘。在另一些实施例中,所述可读存储介质也可以是所述电子装置1的外部存储器11,例如所述电子装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
在本实施例中,所述存储器11的可读存储介质通常用于存储安装于所述电子装置1的奢侈品辨别程序10及存储有奢侈品品牌的样本图片库、实现奢侈品辨别的卷积神经网络模型的数据库4等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行奢侈品辨别程序10等。
图1仅示出了具有组件11-14以及奢侈品辨别程序10的电子装置1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
可选地,该电子装置1还可以包括用户接口,用户接口可以包括输入单元比如键盘(Keyboard)、语音输入装置比如麦克风(microphone)等具有语音识别功能的设备、语音输出装置比如音响、耳机等。可选地,用户接口还可以包括标准的有线接口、无线接口。
可选地,该电子装置1还可以包括显示器,显示器也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)显示器等。显示器用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
可选地,该电子装置1还包括触摸传感器。所述触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外,这里所述的触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且,所述触摸传感器不仅包括接触式的触摸传感器,也可包括接近式的触摸传感器等。此外,所述触摸传感器可以为单个传感器,也可以为例如阵列布置的多个传感器。用户可以通过触摸所述触控区域启动奢侈品辨别程序10。
此外,该电子装置1的显示器的面积可以与所述触摸传感器的面积相同,也可以不同。可选地,将显示器与所述触摸传感器层叠设置,以形成触摸显示屏。该装置基于触摸显示屏侦测用户触发的触控操作。
该电子装置1还可以包括射频(Radio Frequency,RF)电路、传感器和音频电路等等,在此不再赘述。
参阅图2所示,为本发明电子装置1与客户端2较佳实施例的交互示意图。所述奢侈品辨别程序10运行于电子装置1中,在图2中所述电子装置1的较佳实施例为服务器。所述电子装置1通过网络3与客户端2通信连接。所述客户端2可以运行于各类终端设备中,例如智能手机、便携式计算机等。用户通过客户端2登录至所述电子装置1后,通过所述奢侈品辨别方法,奢侈品辨别程序10可以接收用户的奢侈品辨别请求,对用户输入的待辨别图片中的奢侈品进行辨别,并将辨别结果返回至客户端2。
参阅图3所示,为本发明奢侈品辨别方法较佳实施例的流程图。电子装置1的处理器12执行存储器11中存储的奢侈品辨别程序10时实现奢侈品辨别方法的如下步骤:
步骤S1,获取奢侈品品牌对应的样本图片库,所述样本图片库中包括由多个真品图片构成的真品图片集和由多个赝品图片构成的赝品图片集。
所述奢侈品品牌例如可以为香奈儿、古驰、爱马仕等。参阅图4所示,所述样本图片库的构建方法包括以下步骤:
步骤S11,从指定的多个来源采集所述奢侈品品牌对应的多个候选图片,根据每个候选图片的采集来源确定相应候选图片的参考信息采集规则,运用所述参考信息采集规则分别采集每个候选图片的参考信息。
其中,所述指定的多个来源例如可以为奢侈品品牌的官方网站、奢侈品品牌的实体店、综合购物网站、山寨品市场等。所述候选图片的采集方法可以为人工采集,例如人工到奢侈品品牌的实体店、山寨品市场对奢侈品品牌对应的商品拍摄得到相应的候选图片,或者人工从所述奢侈品品牌的官方网站、综合购物网站等下载相应的候选图片,也可以是计算机自动获取,例如通过爬虫技术从所述奢侈品品牌的官方网站、综合购物网络上自动下载相应的图片。
根据不同的采集来源,预设有对候选图片不同的参考信息采集规则。所述参考信息是指可以为评价相应候选图片属于真品图片或赝品图片做参考的信息。所述真品图片是指图片中奢侈品被认定为真品的候选图片,所述赝品图片是指图片中奢侈品被认定为赝品的候选图片。
例如,若所述采集来源为奢侈品品牌的实体店或官方网站,则所述参考信息采集规则可以为采集候选图片中的防伪标识、网站或店名信息,通过所述参考信息采集规则,当采集到所述防伪标识、网站或店名信息作为参考信息时,即可判定相应的候选图片为真品图片。
若所述采集来源为综合购物网站,则所述参考信息采集规则可以为采集综合购物网站中相应商品的售价、买家评价、商家销售链接名称等,通过所述参考信息采集规则,当采集到所述售价、买家评价、商家销售链接名称时,根据所述售价、买家评价、商家销售链接名称来判定相应的候选图片属于真品图片或假品图片。例如,当所述售价与相应奢侈品的官方价格之间的差值大于预设阈值时,判定相应的候选图片属于假品图片。当所述买家评价中评价相应商品为假的评论所占的比例达到预设比例值时,判定相应的候选图片属于假品图片。当所述商家销售链接名称中带有“高仿”字样时,判定相应的候选图片属于假品图片。
步骤S12,根据每个候选图片的参考信息判断相应候选图片属于真品图片或赝品图片,根据判断结果为相应候选图片打上标签。当然,若根据某一候选图片的参考信息无法判断该候选图片属于真品图片还是赝品图片,则对该候选图片弃之不用。
步骤S13,对每个候选图片进行预处理,并对预处理后的每个候选图片,分别进行预设特征的特征信息提取,所述预处理包括目标对象提取、尺寸归一化和色彩空间归一化。所述目标对象提取是指通过轮廓检测技术,从候选图片中检测出相应奢侈品的轮廓,并根据所检测出的轮廓和裁剪比例,从候选图片中裁剪出相应的奢侈品作为目标对象。所述尺寸归一化是指将裁剪出目标对象后的候选图片的尺寸转换为预设尺寸。所述色彩空间归一化是指将裁剪出目标对象后的候选图片的色彩空间统一转换到同一色彩空间中。所述尺寸归一化和色彩空间归一化是为了使候选图片具有相对统一的特征,便于后续的对比和处理。所述预设特征例如包括候选图片的灰度、亮度、候选图片中奢侈品花纹纹理、整体尺寸比例、金属件尺寸比例和位置信息等。
步骤S14,整合预处理后的每个候选图片及其对应的指示属于真品图片或赝品图片的所述标签,以及所提取的所述特征信息,构成所述样本图片库。根据所述标签,即可以将所述样本图片库中的图片分为所述真品图片集和赝品图片集。
步骤S2,构建卷积神经网络,通过所述卷积神经网络对所述样本图片库进行训练,得到所述样本图片库对应的卷积神经网络模型。参阅图5所示,所述卷积神经网络模型的训练方法包括以下步骤:
步骤S21,使用所构建的卷积神经网络中的每个卷积核依次对样本图片库中每个图片进行卷积处理,得到每个卷积核对应每个图片的特征向量。使用所构建的卷积神经网络中的每个卷积核依次对样本图片库中每个图片进行卷积处理,即为使用所述每个卷积核依次对样本图片库中每个图片的所述特征信息进行卷积处理。
步骤S22,针对每个卷积核,计算该卷积核对应样本图片库中所有图片的特征向量的信息熵,从而得到该卷积核对应的信息熵。所述信息熵越大,相应卷积核对应的信息量越多,该卷积核就越重要。
步骤S23,根据每个卷积核对应的信息熵设置相应卷积核的权重值,根据所述每个卷积核及其权重值,生成所述样本图片库对应的卷积神经网络模型。例如,卷积核的权重值越大,则该卷积神经网络模型使用该卷积核进行卷积的迭代次数越大,或者裁剪掉权重值较小的若干个卷积核,由剩余的卷积核构建成所述卷积神经网络模型。根据每个卷积核对应的信息熵,即根据每个卷积核的重要程度设置相应卷积核的权重值,从而生成卷积神经网络模型,可以针对不同的奢侈品品牌,生成针对性不同的卷积神经网络模型,对不同奢侈品品牌的特征向量提取具有更强的针对性和辨别能力。
所述卷积神经网络模型可以采用VGG-16模型,且例如可以包括5个卷积池化层、2个全连接层和1个分类层。例如下表所示,为所述卷积神经网络模型参数表的一个示例。在下表中,所述5个卷积池化层(MaxPool)中滤波器的个数分别为64、128、256、512、512。所述分类层(Softmax)定义分类结果的个数为2。
Layer Name | Num_of_output | Kernel Size | Stride Size | Pad Size |
Input | 128 | N/A | N/A | N/A |
Conv1_1 | 64 | 3 | 1 | 1 |
Conv1_2 | 64 | 3 | 1 | 1 |
MaxPool1 | 64 | 2 | 2 | 0 |
Conv2_1 | 128 | 3 | 1 | 1 |
Conv2_2 | 128 | 3 | 1 | 1 |
MaxPool2 | 128 | 2 | 2 | 0 |
Conv3_1 | 256 | 3 | 1 | 1 |
Conv3_2 | 256 | 3 | 1 | 1 |
Conv3_3 | 256 | 3 | 1 | 1 |
MaxPool3 | 256 | 2 | 2 | 0 |
Conv4_1 | 512 | 3 | 1 | 1 |
Conv4_2 | 512 | 3 | 1 | 1 |
Conv4_3 | 512 | 3 | 1 | 1 |
MaxPool4 | 512 | 2 | 2 | 0 |
Conv5_1 | 512 | 3 | 1 | 1 |
Conv5_2 | 512 | 3 | 1 | 1 |
Conv5_3 | 512 | 3 | 1 | 1 |
MaxPool5 | 512 | 2 | 2 | 0 |
Fc1 | 4096 | 1 | 1 | 0 |
Fc2 | 2 | 1 | 1 | 0 |
Softmax | 2 | N/A | N/A | N/A |
步骤S3,将所述真品图片集和赝品图片集分别输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到真品图片集对应的特征向量集和赝品图片集对应的特征向量集。具体地,所述卷积神经网络模型的卷积核依次卷积真品图片集中的每一个真品图片,将所有真品图片经卷积后得到的特征向量合并为集合即构成所述真品图片集对应的特征向量集。所述卷积神经网络模型的卷积核依次卷积赝品图片集中的每一个赝品图片,将所有赝品图片经卷积后得到的特征向量合并为集合即构成所述赝品图片集对应的特征向量集。
步骤S4,当接收到用户的奢侈品辨别请求时,从所述奢侈品辨别请求中获取待辨别图片,并将所述待辨别图片输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到待辨别图片的特征向量。所述待辨别图片为所述待辨别奢侈品的图片,例如为用户对待辨别奢侈品拍摄的照片,或者用户从第三方处获取的待辨别奢侈品的照片。用户可以通过客户端2登录所述奢侈品辨别程序10,上传所述待辨别图片,从而向奢侈品辨别程序10发出所述奢侈品辨别请求。同样地,将所述待辨别图片输入所述卷积神经网络模型之前,也需要对所述待辨别图片进行预处理,所述预处理包括目标对象提取、尺寸归一化和色彩空间归一化等。
步骤S5,将所述待辨别图片的特征向量分别与所述真品图片集对应的特征向量集和赝品图片集对应的特征向量集进行比对。具体地,步骤S5包括以下步骤:
计算所述待辨别图片的特征向量与所述真品图片集对应的特征向量集的余弦相似度,得到第一相似度值,计算所述待辨别图片的特征向量与所述赝品图片集对应的特征向量集的余弦相似度,得到第二相似度值;
比对所述第一相似度值与第二相似度值的大小,得到所述比对结果。
步骤S6,根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果,输出所述辨别结果。其中所述根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果包括:
若所述比对结果为所述第一相似度值大于所述第二相似度值,说明所述待辨别图片与所述真品图片集中的图片相似度更高,则判定所述待辨别图片中奢侈品为真。若所述比对结果为所述第一相似度值小于所述第二相似度值,说明所述待辨别图片与所述赝品图片集中的图片相似度更高,则判定所述待辨别图片中奢侈品为假。
此外,当对所述待辨别图片得到所述辨别结果后,可以根据所述辨别结果对所述卷积神经网络模型进行更新,从而补充完善所述卷积神经网络模型,使所述卷积神经网络模型更加精确。具体地,所述更新的步骤包括:
根据所述辨别结果将所述待辨别图片并入所述真品图片集或赝品图片集,生成更新后的样本图片库;
构建卷积神经网络,通过所述卷积神经网络对所述更新后的样本图片库进行训练,得到更新后的卷积神经网络模型。通过所述卷积神经网络对所述更新后的样本图片库进行训练的方法可以参考所述步骤S21~步骤S23,此处不再赘述。
根据本实施例提供的奢侈品辨别方法,通过先获取样本图片库,构建卷积神经网络对所述样本图片库进行训练,得到卷积神经网络模型,然后将样本图片库中的真品图片集和赝品图片集输入卷积神经网络模型,得到真品图片集对应的特征向量集和赝品图片集对应的特征向量集,当接收到用户的奢侈品辨别请求时,获取待辨别图片,将待辨别图片输入卷积神经网络模型,得到待辨别图片的特征向量,最后将所述待辨别图片的特征向量分别与所述真品图片集对应的特征向量集和赝品图片集对应的特征向量集进行比对,根据比对结果得到真假辨别结果,可以随时方便而且准确地为用户辨别奢侈品,保护用户的利益。
参阅图6所示,为图1中奢侈品辨别程序10的程序模块图。在本实施例中,奢侈品辨别程序10被分割为多个模块,该多个模块被存储于存储器11中,并由处理器12执行,以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
所述奢侈品辨别程序10可以被分割为:样本获取模块110、模型训练模块120、第一卷积模块130、第二卷积模块140、特征比对模块150和结果输出模块160。
样本获取模块110,用于获取奢侈品品牌对应的样本图片库,所述样本图片库中包括由多个真品图片构成的真品图片集和由多个赝品图片构成的赝品图片集。所述样本获取模块110还用于先构建所述样本图片库,具体包括:
样本获取模块110从指定的多个来源采集所述奢侈品品牌对应的多个候选图片,根据每个候选图片的采集来源确定相应候选图片的参考信息采集规则,运用所述参考信息采集规则分别采集每个候选图片的参考信息。其中,所述指定的多个来源例如可以为奢侈品品牌的官方网站、奢侈品品牌的实体店、综合购物网站、山寨品市场等。所述候选图片的采集方法可以为人工采集或计算机通过互联网自动获取。
样本获取模块110根据每个候选图片的参考信息判断相应候选图片属于真品图片或赝品图片,根据判断结果为相应候选图片打上标签。
样本获取模块110对每个候选图片进行预处理,并对预处理后的每个候选图片,分别进行预设特征的特征信息提取,所述预处理包括目标对象提取、尺寸归一化和色彩空间归一化。所述目标对象提取是指通过轮廓检测技术,从候选图片中检测出相应奢侈品的轮廓,并根据所检测出的轮廓和裁剪比例,从候选图片中裁剪出相应的奢侈品作为目标对象。所述尺寸归一化是指将裁剪出目标对象后的候选图片的尺寸转换为预设尺寸。所述色彩空间归一化是指将裁剪出目标对象后的候选图片的色彩空间统一转换到同一色彩空间中。
样本获取模块110整合预处理后的每个候选图片及其对应的指示属于真品图片或赝品图片的所述标签,以及所提取的所述特征信息,构成所述样本图片库。根据所述标签,即可以将所述样本图片库中的图片分为所述真品图片集和赝品图片集。
模型训练模块120,用于构建卷积神经网络,通过所述卷积神经网络对所述样本图片库进行训练,得到所述样本图片库对应的卷积神经网络模型。具体地,所述卷积神经网络模型的训练包括:
模型训练模块120使用所构建的卷积神经网络中的每个卷积核依次对样本图片库中每个图片进行卷积处理,得到每个卷积核对应每个图片的特征向量。
模型训练模块120针对每个卷积核,计算该卷积核对应样本图片库中所有图片的特征向量的信息熵,从而得到该卷积核对应的信息熵。所述信息熵越大,相应卷积核对应的信息量越多,该卷积核就越重要。
模型训练模块120根据每个卷积核对应的信息熵设置相应卷积核的权重值,根据所述每个卷积核及其权重值,生成所述样本图片库对应的卷积神经网络模型。例如,卷积核的权重值越大,则该卷积神经网络模型使用该卷积核进行卷积的迭代次数越大,或者裁剪掉权重值较小的若干个卷积核,由剩余的卷积核构建成所述卷积神经网络模型。
所述卷积神经网络模型可以采用VGG-16模型,且例如可以包括5个卷积池化层、2个全连接层和1个分类层。所述卷积池化层用于对特征进行抽取和对特征的保持,所述全连接层用于把提取到的特征映射到一个特征向量上,所述分类层用于定义最终分类结果的个数。
第一卷积模块130,用于将所述真品图片集和赝品图片集分别输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到真品图片集对应的特征向量集和赝品图片集对应的特征向量集。具体地,所述卷积神经网络模型的卷积核依次卷积真品图片集中的每一个真品图片,将所有真品图片经卷积后得到的特征向量合并为集合即构成所述真品图片集对应的特征向量集。所述卷积神经网络模型的卷积核依次卷积赝品图片集中的每一个赝品图片,将所有赝品图片经卷积后得到的特征向量合并为集合即构成所述赝品图片集对应的特征向量集。
第二卷积模块140,用于当接收到用户的奢侈品辨别请求时,从所述奢侈品辨别请求中获取待辨别图片,并将所述待辨别图片输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到待辨别图片的特征向量。第二卷积模块140还用于先对所述待辨别图片进行预处理,所述预处理包括目标对象提取、尺寸归一化和色彩空间归一化等。
特征比对模块150,用于将所述待辨别图片的特征向量分别与所述真品图片集对应的特征向量集和赝品图片集对应的特征向量集进行比对。具体地,所以比对包括:
特征比对模块150计算所述待辨别图片的特征向量与所述真品图片集对应的特征向量集的余弦相似度,得到第一相似度值,计算所述待辨别图片的特征向量与所述赝品图片集对应的特征向量集的余弦相似度,得到第二相似度值;
特征比对模块150比对所述第一相似度值与第二相似度值的大小,得到所述比对结果。
结果输出模块160,用于根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果,输出所述辨别结果。具体地,所述根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果包括:若所述比对结果为所述第一相似度值大于所述第二相似度值,说明所述待辨别图片与所述真品图片集中的图片相似度更高,则结果输出模块160判定所述待辨别图片中奢侈品为真。若所述比对结果为所述第一相似度值小于所述第二相似度值,说明所述待辨别图片与所述赝品图片集中的图片相似度更高,则结果输出模块160判定所述待辨别图片中奢侈品为假。
此外,所述模型训练模块120还用于更新所述卷积神经网络模型。当对所述待辨别图片得到所述辨别结果后,模型训练模块120可以根据所述辨别结果对所述卷积神经网络模型进行更新,从而补充完善所述卷积神经网络模型,使所述卷积神经网络模型更加精确。具体地,所述更新包括:
样本获取模块110根据所述辨别结果将所述待辨别图片并入所述真品图片集或赝品图片集,生成更新后的样本图片库;
模型训练模块120构建卷积神经网络,通过所述卷积神经网络对所述更新后的样本图片库进行训练,得到更新后的卷积神经网络模型。通过所述卷积神经网络对所述更新后的样本图片库进行训练的方法可以参考所述样本获取模块110和模型训练模块120的描述,此处不再赘述。
在图1所示的电子装置1较佳实施例的运行环境示意图中,包含可读存储介质的存储器11中可以包括操作***、奢侈品辨别程序10及数据库4。处理器12执行存储器11中存储的奢侈品辨别程序10时实现如下步骤:
样本获取步骤:获取奢侈品品牌对应的样本图片库,所述样本图片库中包括由多个真品图片构成的真品图片集和由多个赝品图片构成的赝品图片集;
模型训练步骤:构建卷积神经网络,通过所述卷积神经网络对所述样本图片库进行训练,得到所述样本图片库对应的卷积神经网络模型;
第一卷积步骤:将所述真品图片集和赝品图片集分别输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到真品图片集对应的特征向量集和赝品图片集对应的特征向量集;
第二卷积步骤:当接收到用户的奢侈品辨别请求时,从所述奢侈品辨别请求中获取待辨别图片,并将所述待辨别图片输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到待辨别图片的特征向量;
特征比对步骤:将所述待辨别图片的特征向量分别与所述真品图片集对应的特征向量集和赝品图片集对应的特征向量集进行比对;
结果输出步骤:根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果,输出所述辨别结果。
其中,所述样本图片库的构建方法包括:
从指定的多个来源采集所述奢侈品品牌对应的多个候选图片,根据每个候选图片的采集来源确定相应候选图片的参考信息采集规则,运用所述参考信息采集规则分别采集每个候选图片的参考信息;
根据每个候选图片的参考信息判断相应候选图片属于真品图片或赝品图片,根据判断结果为相应候选图片打上标签;
对每个候选图片进行预处理,并对预处理后的每个候选图片,分别进行预设特征的特征信息提取,所述预处理包括目标对象提取、尺寸归一化和色彩空间归一化;
整合预处理后的每个候选图片及其对应的指示属于真品图片或赝品图片的所述标签,以及所提取的所述特征信息,构成所述样本图片库。
所述模型训练步骤包括:
使用所构建的卷积神经网络中的每个卷积核依次对样本图片库中每个图片进行卷积处理,得到每个卷积核对应每个图片的特征向量;
针对每个卷积核,计算该卷积核对应样本图片库中所有图片的特征向量的信息熵,从而得到该卷积核对应的信息熵;
根据每个卷积核对应的信息熵设置相应卷积核的权重值,根据所述每个卷积核及其权重值,生成所述样本图片库对应的卷积神经网络模型。
所述卷积神经网络模型例如包括5个卷积池化层、2个全连接层和1个分类层。
所述特征比对步骤包括:
计算所述待辨别图片的特征向量与所述真品图片集对应的特征向量集的余弦相似度,得到第一相似度值;
计算所述待辨别图片的特征向量与所述赝品图片集对应的特征向量集的余弦相似度,得到第二相似度值;
比对所述第一相似度值与第二相似度值的大小,得到所述比对结果;
所述根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果包括:
若所述比对结果为所述第一相似度值大于所述第二相似度值,则判定所述待辨别图片中奢侈品为真;
若所述比对结果为所述第一相似度值小于所述第二相似度值,则判定所述待辨别图片中奢侈品为假。
所述结果输出步骤后还包括模型更新步骤:
根据所述辨别结果将所述待辨别图片并入所述真品图片集或赝品图片集,生成更新后的样本图片库;
构建卷积神经网络,通过所述卷积神经网络对所述更新后的样本图片库进行训练,得到更新后的卷积神经网络模型。
具体原理请参照上述图6关于奢侈品辨别程序10的程序模块图及图3关于奢侈品辨别方法较佳实施例的流程图的介绍。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括存储有奢侈品的图片、辨别模型的的数据库及奢侈品辨别程序10等,所述奢侈品辨别程序10被所述处理器12执行时实现如下操作:
样本获取步骤:获取奢侈品品牌对应的样本图片库,所述样本图片库中包括由多个真品图片构成的真品图片集和由多个赝品图片构成的赝品图片集;
模型训练步骤:构建卷积神经网络,通过所述卷积神经网络对所述样本图片库进行训练,得到所述样本图片库对应的卷积神经网络模型;
第一卷积步骤:将所述真品图片集和赝品图片集分别输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到真品图片集对应的特征向量集和赝品图片集对应的特征向量集;
第二卷积步骤:当接收到用户的奢侈品辨别请求时,从所述奢侈品辨别请求中获取待辨别图片,并将所述待辨别图片输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到待辨别图片的特征向量;
特征比对步骤:将所述待辨别图片的特征向量分别与所述真品图片集对应的特征向量集和赝品图片集对应的特征向量集进行比对;
结果输出步骤:根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果,输出所述辨别结果。
其中,所述样本图片库的构建方法包括:
从指定的多个来源采集所述奢侈品品牌对应的多个候选图片,根据每个候选图片的采集来源确定相应候选图片的参考信息采集规则,运用所述参考信息采集规则分别采集每个候选图片的参考信息;
根据每个候选图片的参考信息判断相应候选图片属于真品图片或赝品图片,根据判断结果为相应候选图片打上标签;
对每个候选图片进行预处理,并对预处理后的每个候选图片,分别进行预设特征的特征信息提取,所述预处理包括目标对象提取、尺寸归一化和色彩空间归一化;
整合预处理后的每个候选图片及其对应的指示属于真品图片或赝品图片的所述标签,以及所提取的所述特征信息,构成所述样本图片库。
所述模型训练步骤包括:
使用所构建的卷积神经网络中的每个卷积核依次对样本图片库中每个图片进行卷积处理,得到每个卷积核对应每个图片的特征向量;
针对每个卷积核,计算该卷积核对应样本图片库中所有图片的特征向量的信息熵,从而得到该卷积核对应的信息熵;
根据每个卷积核对应的信息熵设置相应卷积核的权重值,根据所述每个卷积核及其权重值,生成所述样本图片库对应的卷积神经网络模型。
所述卷积神经网络模型例如包括5个卷积池化层、2个全连接层和1个分类层。
所述特征比对步骤包括:
计算所述待辨别图片的特征向量与所述真品图片集对应的特征向量集的余弦相似度,得到第一相似度值;
计算所述待辨别图片的特征向量与所述赝品图片集对应的特征向量集的余弦相似度,得到第二相似度值;
比对所述第一相似度值与第二相似度值的大小,得到所述比对结果;
所述根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果包括:
若所述比对结果为所述第一相似度值大于所述第二相似度值,则判定所述待辨别图片中奢侈品为真;
若所述比对结果为所述第一相似度值小于所述第二相似度值,则判定所述待辨别图片中奢侈品为假。
所述结果输出步骤后还包括模型更新步骤:
根据所述辨别结果将所述待辨别图片并入所述真品图片集或赝品图片集,生成更新后的样本图片库;
构建卷积神经网络,通过所述卷积神经网络对所述更新后的样本图片库进行训练,得到更新后的卷积神经网络模型。
本发明之计算机可读存储介质的具体实施方式与上述奢侈品辨别方法以及电子装置1的具体实施方式大致相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种奢侈品辨别方法,其特征在于,该方法包括以下步骤:
样本获取步骤:获取奢侈品品牌对应的样本图片库,所述样本图片库中包括由多个真品图片构成的真品图片集和由多个赝品图片构成的赝品图片集;
模型训练步骤:构建卷积神经网络,通过所述卷积神经网络对所述样本图片库进行训练,得到所述样本图片库对应的卷积神经网络模型;
第一卷积步骤:将所述真品图片集和赝品图片集分别输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到真品图片集对应的特征向量集和赝品图片集对应的特征向量集;
第二卷积步骤:当接收到用户的奢侈品辨别请求时,从所述奢侈品辨别请求中获取待辨别图片,并将所述待辨别图片输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到待辨别图片的特征向量;
特征比对步骤:将所述待辨别图片的特征向量分别与所述真品图片集对应的特征向量集和赝品图片集对应的特征向量集进行比对;
结果输出步骤:根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果,输出所述辨别结果。
2.如权利要求1所述的奢侈品辨别方法,其特征在于,所述样本图片库的构建方法包括:
从指定的多个来源采集所述奢侈品品牌对应的多个候选图片,根据每个候选图片的采集来源确定相应候选图片的参考信息采集规则,运用所述参考信息采集规则分别采集每个候选图片的参考信息;
根据每个候选图片的参考信息判断相应候选图片属于真品图片或赝品图片,根据判断结果为相应候选图片打上标签;
对每个候选图片进行预处理,并对预处理后的每个候选图片,分别进行预设特征的特征信息提取,所述预处理包括目标对象提取、尺寸归一化和色彩空间归一化;
整合预处理后的每个候选图片及其对应的指示属于真品图片或赝品图片的所述标签,以及所提取的所述特征信息,构成所述样本图片库。
3.如权利要求2所述的奢侈品辨别方法,其特征在于,所述模型训练步骤包括:
使用所构建的卷积神经网络中的每个卷积核依次对样本图片库中每个图片进行卷积处理,得到每个卷积核对应每个图片的特征向量;
针对每个卷积核,计算该卷积核对应样本图片库中所有图片的特征向量的信息熵,从而得到该卷积核对应的信息熵;
根据每个卷积核对应的信息熵设置相应卷积核的权重值,根据所述每个卷积核及其权重值,生成所述样本图片库对应的卷积神经网络模型。
4.如权利要求1所述的奢侈品辨别方法,其特征在于,所述卷积神经网络模型包括5个卷积池化层、2个全连接层和1个分类层。
5.如权利要求1所述的奢侈品辨别方法,其特征在于,所述特征比对步骤包括:
计算所述待辨别图片的特征向量与所述真品图片集对应的特征向量集的余弦相似度,得到第一相似度值;
计算所述待辨别图片的特征向量与所述赝品图片集对应的特征向量集的余弦相似度,得到第二相似度值;
比对所述第一相似度值与第二相似度值的大小,得到所述比对结果;
所述根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果包括:
若所述比对结果为所述第一相似度值大于所述第二相似度值,则判定所述待辨别图片中奢侈品为真;
若所述比对结果为所述第一相似度值小于所述第二相似度值,则判定所述待辨别图片中奢侈品为假。
6.如权利要求1所述的奢侈品辨别方法,其特征在于,所述结果输出步骤后还包括模型更新步骤:
根据所述辨别结果将所述待辨别图片并入所述真品图片集或赝品图片集,生成更新后的样本图片库;
构建卷积神经网络,通过所述卷积神经网络对所述更新后的样本图片库进行训练,得到更新后的卷积神经网络模型。
7.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中包括奢侈品辨别程序,该奢侈品辨别程序被所述处理器执行时实现如下步骤:
样本获取步骤:获取奢侈品品牌对应的样本图片库,所述样本图片库中包括由多个真品图片构成的真品图片集和由多个赝品图片构成的赝品图片集;
模型训练步骤:构建卷积神经网络,通过所述卷积神经网络对所述样本图片库进行训练,得到所述样本图片库对应的卷积神经网络模型;
第一卷积步骤:将所述真品图片集和赝品图片集分别输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到真品图片集对应的特征向量集和赝品图片集对应的特征向量集;
第二卷积步骤:当接收到用户的奢侈品辨别请求时,从所述奢侈品辨别请求中获取待辨别图片,并将所述待辨别图片输入所述卷积神经网络模型,通过所述卷积神经网络模型的卷积核卷积得到待辨别图片的特征向量;
特征比对步骤:将所述待辨别图片的特征向量分别与所述真品图片集对应的特征向量集和赝品图片集对应的特征向量集进行比对;
结果输出步骤:根据比对结果得到对所述待辨别图片中奢侈品的真假辨别结果,输出所述辨别结果。
8.如权利要求7所述的电子装置,其特征在于,所述样本图片库的构建方法包括:
从指定的多个来源采集所述奢侈品品牌对应的多个候选图片,根据每个候选图片的采集来源确定相应候选图片的参考信息采集规则,运用所述参考信息采集规则分别采集每个候选图片的参考信息;
根据每个候选图片的参考信息判断相应候选图片属于真品图片或赝品图片,根据判断结果为相应候选图片打上标签;
对每个候选图片进行预处理,并对预处理后的每个候选图片,分别进行预设特征的特征信息提取,所述预处理包括目标对象提取、尺寸归一化和色彩空间归一化;
整合预处理后的每个候选图片及其对应的指示属于真品图片或赝品图片的所述标签,以及所提取的所述特征信息,构成所述样本图片库。
9.如权利要求8所述的电子装置,其特征在于,所述模型训练步骤包括:
使用所构建的卷积神经网络中的每个卷积核依次对样本图片库中每个图片进行卷积处理,得到每个卷积核对应每个图片的特征向量;
针对每个卷积核,计算该卷积核对应样本图片库中所有图片的特征向量的信息熵,从而得到该卷积核对应的信息熵;
根据每个卷积核对应的信息熵设置相应卷积核的权重值,根据所述每个卷积核及其权重值,生成所述样本图片库对应的卷积神经网络模型。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括奢侈品辨别程序,所述奢侈品辨别程序被处理器执行时,实现如权利要求1至6中任一项所述的奢侈品辨别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810103409.4A CN108520196B (zh) | 2018-02-01 | 2018-02-01 | 奢侈品辨别方法、电子装置及存储介质 |
PCT/CN2018/089880 WO2019148729A1 (zh) | 2018-02-01 | 2018-06-05 | 奢侈品辨别方法、电子装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810103409.4A CN108520196B (zh) | 2018-02-01 | 2018-02-01 | 奢侈品辨别方法、电子装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108520196A true CN108520196A (zh) | 2018-09-11 |
CN108520196B CN108520196B (zh) | 2021-08-31 |
Family
ID=63432763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810103409.4A Active CN108520196B (zh) | 2018-02-01 | 2018-02-01 | 奢侈品辨别方法、电子装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108520196B (zh) |
WO (1) | WO2019148729A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582359A (zh) * | 2020-04-28 | 2020-08-25 | 新疆维吾尔自治区烟草公司 | 一种图像识别方法、装置、电子设备及介质 |
CN111597252A (zh) * | 2020-02-23 | 2020-08-28 | 邓涛 | 分布式大数据网络服务平台 |
CN112257768A (zh) * | 2020-10-19 | 2021-01-22 | 广州金融科技股份有限公司 | 一种非法金融图片的识别方法、装置、计算机存储介质 |
CN112307115A (zh) * | 2020-02-23 | 2021-02-02 | 邓涛 | 分布式大数据网络服务方法 |
CN112445992A (zh) * | 2019-09-03 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 信息处理方法及装置 |
CN112906671A (zh) * | 2021-04-08 | 2021-06-04 | 平安科技(深圳)有限公司 | 面审虚假图片识别方法、装置、电子设备及存储介质 |
CN117392684A (zh) * | 2023-11-02 | 2024-01-12 | 北京邮电大学 | 奢侈品鉴定模型训练方法、奢侈品鉴定方法及其装置 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705567A (zh) * | 2019-09-16 | 2020-01-17 | 上海电机学院 | 一种基于机器学习的球鞋鉴定***及方法 |
IT202000020218A1 (it) * | 2020-08-17 | 2022-02-17 | Certilogo S P A | Metodo automatico per determinare l’autenticità di un prodotto |
CN112949488B (zh) * | 2021-03-01 | 2023-09-01 | 北京京东振世信息技术有限公司 | 图片信息处理方法及装置、计算机存储介质、电子设备 |
CN113592515A (zh) * | 2021-08-03 | 2021-11-02 | 北京沃东天骏信息技术有限公司 | 一种物品的真伪识别方法、***及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116755A (zh) * | 2013-01-27 | 2013-05-22 | 深圳市书圣艺术品防伪鉴定有限公司 | 书画真伪度自动检测***及其方法 |
CN107463962A (zh) * | 2017-08-08 | 2017-12-12 | 张天君 | 一种显微人工智能鉴定皮包的方法和*** |
US9858496B2 (en) * | 2016-01-20 | 2018-01-02 | Microsoft Technology Licensing, Llc | Object detection and classification in images |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548182B (zh) * | 2016-11-02 | 2020-02-18 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
-
2018
- 2018-02-01 CN CN201810103409.4A patent/CN108520196B/zh active Active
- 2018-06-05 WO PCT/CN2018/089880 patent/WO2019148729A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116755A (zh) * | 2013-01-27 | 2013-05-22 | 深圳市书圣艺术品防伪鉴定有限公司 | 书画真伪度自动检测***及其方法 |
US9858496B2 (en) * | 2016-01-20 | 2018-01-02 | Microsoft Technology Licensing, Llc | Object detection and classification in images |
CN107463962A (zh) * | 2017-08-08 | 2017-12-12 | 张天君 | 一种显微人工智能鉴定皮包的方法和*** |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112445992A (zh) * | 2019-09-03 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 信息处理方法及装置 |
CN112445992B (zh) * | 2019-09-03 | 2024-02-20 | 阿里巴巴集团控股有限公司 | 信息处理方法及装置 |
CN111597252A (zh) * | 2020-02-23 | 2020-08-28 | 邓涛 | 分布式大数据网络服务平台 |
CN112307115A (zh) * | 2020-02-23 | 2021-02-02 | 邓涛 | 分布式大数据网络服务方法 |
CN111582359A (zh) * | 2020-04-28 | 2020-08-25 | 新疆维吾尔自治区烟草公司 | 一种图像识别方法、装置、电子设备及介质 |
CN112257768A (zh) * | 2020-10-19 | 2021-01-22 | 广州金融科技股份有限公司 | 一种非法金融图片的识别方法、装置、计算机存储介质 |
CN112257768B (zh) * | 2020-10-19 | 2023-01-31 | 广州金融科技股份有限公司 | 一种非法金融图片的识别方法、装置、计算机存储介质 |
CN112906671A (zh) * | 2021-04-08 | 2021-06-04 | 平安科技(深圳)有限公司 | 面审虚假图片识别方法、装置、电子设备及存储介质 |
CN112906671B (zh) * | 2021-04-08 | 2024-03-15 | 平安科技(深圳)有限公司 | 面审虚假图片识别方法、装置、电子设备及存储介质 |
CN117392684A (zh) * | 2023-11-02 | 2024-01-12 | 北京邮电大学 | 奢侈品鉴定模型训练方法、奢侈品鉴定方法及其装置 |
CN117392684B (zh) * | 2023-11-02 | 2024-05-14 | 北京邮电大学 | 奢侈品鉴定模型训练方法、奢侈品鉴定方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108520196B (zh) | 2021-08-31 |
WO2019148729A1 (zh) | 2019-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520196A (zh) | 奢侈品辨别方法、电子装置及存储介质 | |
US11900444B2 (en) | Virtual facility platform | |
CN107798571B (zh) | 恶意地址/恶意订单的识别***、方法及装置 | |
CN110222087B (zh) | 特征提取方法、装置及计算机可读存储介质 | |
CN107423613B (zh) | 依据相似度确定设备指纹的方法、装置及服务器 | |
CN103500405B (zh) | 用于对目标终端标称型号进行鉴别的方法及其设备 | |
CN110163476A (zh) | 项目智能推荐方法、电子装置及存储介质 | |
CN110023982A (zh) | 选择产品标题 | |
CN110135942A (zh) | 产品推荐方法、装置及计算机可读存储介质 | |
CN107430691A (zh) | 识别图像中描绘的物品 | |
CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
CN103582884A (zh) | 用于视觉搜索的稳健特征匹配 | |
CN109670852A (zh) | 用户分类方法、装置、终端及存储介质 | |
CN109242631A (zh) | 产品智能推荐方法、服务器及存储介质 | |
CN108985285B (zh) | 一种基于机器识别的商品专利获取方法及*** | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN105279672A (zh) | 线索推荐 | |
CN106326248A (zh) | 数据库数据的存储方法和装置 | |
CN109298840A (zh) | 基于数据湖的数据集成方法、服务器及存储介质 | |
CN110163204A (zh) | 基于图像识别的商家监管方法、装置及存储介质 | |
CN108399565A (zh) | 金融产品推荐装置、方法及计算机可读存储介质 | |
CN107633164A (zh) | 支付控制方法、装置、计算机装置及计算机可读存储介质 | |
CN115391669B (zh) | 一种智能推荐方法、装置、电子设备 | |
CN107818492A (zh) | 产品推荐装置、方法及计算机可读存储介质 | |
CN110709832A (zh) | 对意图和非意图查询部分的识别 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |