CN110443306B - 葡萄酒木塞的鉴伪方法 - Google Patents

Abstract

本公开描述一种葡萄酒木塞的分类方法，包括：采集多张葡萄酒木塞图像和与葡萄酒木塞图像关联的木塞类型的标注；对葡萄酒木塞图像进行图像预处理，从葡萄酒木塞获得多张局部纹理图像，建立包括局部纹理图像和与局部纹理图像关联的木塞类型的标注的图片数据库；构建具有深度学习网络结构的特征提取模块和具备多分类网络的输出模块的人工神经网络，并基于图片数据库训练人工神经网络，获得葡萄酒木塞的特征提取模型和分类模型；并且获取待分类的葡萄酒木塞图像并进行图像预处理作为目标图像，并基于人工神经网络对目标图像进行分类，获得目标图像的分类结果。通过该分类方法，能够方便且准确性高地对待分类的葡萄酒木塞进行分类，判断葡萄酒木塞真伪。

Description

葡萄酒木塞的鉴伪 方法

技术领域

本公开具体涉及一种葡萄酒木塞的鉴伪方法。

背景技术

目前，世界核心产地的品牌葡萄酒在市场上得到追捧，价格较高，这也导致市场上出现了仿冒的葡萄酒，而且随着仿冒技术的提升，对葡萄酒真伪的鉴别也增加不少难度。现有葡萄酒鉴伪技术有基于包装外表进行鉴伪、利用防伪标签结合葡萄酒酒标进行鉴定、使用射频识别技术进行鉴定、利用防伪二维码进行鉴定等方法。

然而，在现有葡萄酒鉴伪技术中，开瓶检查容易使葡萄酒的品质受到影响；另外，利用酒标上的防伪码进行鉴定的过程需要经过多个步骤以及需要使用一些特殊扫描设备，使得鉴定时间过长、防伪成本偏高或者防伪方法查询繁琐；再有，例如射频识别技术虽然安全性高，但是缺乏一套兼容性的标准，而防伪二维码在技术层面上与传统的电码防伪技术没有本质上的区别，而且二维码具有可复制性但不具有防伪性，因此二维码很容易被破解而被用于造假。因此，目前也迫切需要查询方便和准确性高的葡萄酒鉴伪技术。

发明内容

本公开是有鉴于上述的状况而提出的，本发明人等积极探索通用的、鲁棒的且高效的鉴定手段，发现葡萄酒木塞若一经开封则会被破坏且无法复原，而且其受到自身所用的木材原料、产家生产工艺技术及酒类特有的符号标志等多种因素的影响。若想完美仿冒真实葡萄酒木塞则需要付出巨大的代价，而且人眼不易发现葡萄酒木塞之间的细微纹理差异。基于此，本发明提出了一种新的鉴定方法，其基于人工神经网络和葡萄木塞复杂的纹理结构特征对葡萄酒木塞进行分类来鉴别对应葡萄酒的真伪。

为此，本公开的第一方面提供了一种葡萄酒木塞的分类方法，其特征在于，包括：采集多张葡萄酒木塞图像和与所述葡萄酒木塞图像关联的木塞类型的标注；对所述葡萄酒木塞图像进行图像预处理，从所述葡萄酒木塞图像获得多张表示葡萄酒木塞纹理的局部纹理图像，建立包括所述局部纹理图像和与所述局部纹理图像关联的木塞类型的标注的图片数据库；构建具有深度学习网络结构的特征提取模块和具备多分类网络的输出模块的人工神经网络，并基于所述图片数据库训练所述人工神经网络，获得所述葡萄酒木塞的特征提取模型和分类模型；并且获取待分类的葡萄酒木塞图像并进行所述图像预处理作为目标图像，并基于所述人工神经网络对所述目标图像进行分类，获得所述目标图像的分类结果。

在本公开中，通过构建具有深度学习网络结构的特征提取模块和具备多分类网络的输出模块的人工神经网络，并基于葡萄酒木塞纹理的局部纹理图像获得葡萄酒木塞的特征提取模型和分类模型，从而能够方便且准确性高地对待分类的葡萄酒木塞进行分类，判断葡萄酒木塞真伪。

在本公开的第一方面所涉及的分类方法中，可选地，对所述葡萄酒木塞图像进行所述图像预处理包括对所述葡萄酒木塞图像去除背景信息并识别轮廓信息，并且根据所述轮廓信息进行图像剪裁，以形成多张所述局部纹理图像，所述局部纹理图像包括反映所述葡萄酒木塞纹理的图像。在这种情况下，能够获得具有最大化的纹理特征并去除无效的信息，从而使葡萄酒木塞的局部纹理图像得到增强。

在本公开的第一方面所涉及的分类方法中，可选地，还包括获取包含已知木塞类型的葡萄酒木塞的局部纹理图像作为参考图像；基于所述特征提取模型获得所述参考图像的参考特征向量，并基于所述特征提取模型获得所述目标图像的目标特征向量；计算所述参考特征向量与所述目标特征向量的特征距离；基于所述特征距离，判断所述目标图像对应的葡萄酒木塞与所述参考图像对应的葡萄酒木塞是否属于同一类型。由此，能够方便地验证待分类的目标图像与已知类别的参考图像对应的葡萄酒木塞是否属于同一类型。

在本公开的第一方面所涉及的分类方法中，可选地，所述特征距离为欧氏距离，当所述欧氏距离大于预设阈值，则判断所述目标图像对应的葡萄酒木塞和所述参考图像对应的葡萄酒木塞为不同类型；当所述欧氏距离小于或等于所述预设阈值，则判断所述目标图像对应的葡萄酒木塞和所述参考图像对应的葡萄酒木塞属于同一类型。由此，能够方便地验证待分类的目标图像与已知类别的参考图像对应的葡萄酒木塞是否属于同一类型。

在本公开的第一方面所涉及的分类方法中，可选地，在对所述葡萄酒木塞图像进行所述图像预处理中，还对所述葡萄酒木塞图像进行灰度化处理和二值化处理，以形成二值化图像。在这种情况下，能够通过二值化图像获得葡萄酒木塞的轮廓，由此，能够在剪裁局部纹理图像时提供葡萄酒木塞的轮廓信息。

在本公开的第一方面所涉及的分类方法中，可选地，在对所述葡萄酒木塞图像进行所述图像预处理中，所述背景信息去除后，葡萄酒木塞的图案占所述目标图像大小90％以上。在这种情况下，能够保证葡萄酒木塞的图案具有足够的纹理特征信息，由此，能够获得更好的训练效果。

在本公开的第一方面所涉及的分类方法中，可选地，还包括获取包含已知木塞类型的葡萄酒木塞的局部纹理图像作为参考图像；对所述参考图像进行所述图像预处理；基于所述特征提取模型获得所述参考图像的参考特征向量，并基于所述特征提取模型获得所述目标图像的目标特征向量；将所述参考特征向量与所述目标特征向量进行融合形成融合特征向量，并将所述融合特征向量输入到具有二分类功能的辅助人工神经网络，判断所述参考图像与所述目标图像是否属于同一类型。由此，能够方便地验证待分类的目标图像与已知类别的参考图像对应的葡萄酒木塞是否属于同一类型。

在本公开的第一方面所涉及的分类方法中，可选地，所述木塞类型的标注包括厂家、产地、酒类、生产年份中的至少一种。由此，能够通过葡萄酒木塞获得更加全面的葡萄酒信息。

本公开的第二方面提供了一种电子装置，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述第一方面中任一项所述的分类方法。

在本公开的第二方面所涉及的电子装置中，采用了上述第一方面中任一项所述的分类方法，因此，能够获得上述第一方面中的任一项所述的分类方法的有益技术效果。

本公开的第三方面提供了一种计算机可读介质，在所述计算机可读介质中存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的第三方面所涉及的计算机可读介质中，存储了执行如第一方面中任一项所述的分类方法的计算机程序，从而能够获得上述第一方面中的任一项所述的分类方法的有益技术效果。

根据本发明，能够提供一种提取葡萄酒木塞纹理特征并利用该葡萄酒木塞纹理特征进行葡萄酒鉴伪的分类方法。利用该方法进行葡萄酒鉴伪具有查询方便和准确性高的技术效果。

附图说明

现在将仅通过参考附图的例子进一步详细地解释本公开，其中：

图1是示出了本公开的实施方式所涉及的葡萄酒木塞的分类方法的流程图。

图2是示出了本公开的实施方式所涉及的葡萄酒木塞的分类方法的原理示意图。

图3是示出了本公开的实施方式所涉及的葡萄酒木塞图像的图像处理过程。

图4是示出了本公开示例所涉及的葡萄酒木塞的分类方法的分类框架的示意图。

图5是示出了本公开示例所涉及的葡萄酒木塞的分类方法中的葡萄酒木塞的纹理例子的示意图。

图6是示出了本公开示例所涉及的葡萄酒木塞的分类方法的一个示例的示意图。

图7是示出了本公开示例所涉及的葡萄酒木塞的分类方法的另一个示例的示意图。

具体实施方式

以下，参考附图，详细地说明本公开的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。

需要说明的是，本公开中的术语“包括”和“具有”以及它们的任何变形，例如所包括或所具有的一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

另外，在本公开的下面描述中涉及的小标题等并不是为了限制本公开的内容或范围，其仅仅是作为阅读的提示作用。这样的小标题既不能理解为用于分割文章的内容，也不应将小标题下的内容仅仅限制在小标题的范围内。

以下，结合附图和示例对本公开的实施方式进行具体说明。

图1是示出了本公开示例所涉及的葡萄酒木塞的分类方法流程图。图2是示出了本公开示例所涉及的葡萄酒木塞的分类方法的分类原理的示意图。

如图1所示，本实施方式所涉及葡萄酒木塞的分类方法包括：采集多张葡萄酒木塞图像和与葡萄酒木塞图像关联的木塞类型的标注 (步骤S10)；对葡萄酒木塞图像进行图像预处理，从葡萄酒木塞图像获得多张表示葡萄酒木塞纹理的局部纹理图像，建立包括局部纹理图像和与局部纹理图像关联的木塞类型的标注的图片数据库(步骤S20)；构建具有深度学习网络结构的特征提取模块和具备多分类网络的输出模块的人工神经网络，并基于图片数据库训练人工神经网络，获得葡萄酒木塞的特征提取模型和分类模型(步骤S30)；并且获取待分类的葡萄酒木塞图像并进行图像预处理作为目标图像，并基于人工神经网络对目标图像进行分类，获得目标图像的分类结果(步骤S40)。

在本公开中，通过构建具有深度学习网络结构的特征提取模块和具备多分类网络的输出模块的人工神经网络，并基于葡萄酒木塞纹理的局部纹理图像获得葡萄酒木塞的特征提取模型和分类模型，从而能够方便且准确性高地对待分类的葡萄酒木塞进行分类，判断葡萄酒木塞真伪。

在步骤S10中，可以采集多张葡萄酒木塞图像和与葡萄酒木塞图像关联的木塞类型的标注。上述葡萄酒木塞图像可以来自多个类别的葡萄酒木塞，例如目前市面上比较流行的来自著名产地的葡萄酒木塞 (下文有时也称“酒塞”)。

另外，在一些示例中，酒塞的图像可以通过拍摄装置进行采集，其中，拍摄装置可以包括具有摄像功能的手机终端。在一些示例中，手机终端可以是市售的智能手机例如苹果(iPhone)手机或华为手机。在一些示例中，在图像采集过程中保持在相同的光照、环境、地点等的条件下进行采集。每个酒塞可以利用拍摄装置拍摄多张彩色图像例如RGB图像。

另外，所采集的葡萄酒木塞图像的尺寸没有特别限制，例如可以为像素尺寸1024×768、1600×1200、2048×1536、4000×3000的JPEG 图像。

在一些示例中，在图像采集过程中，出于后续图像背景的分离和处理，可以将单色调背景作为拍摄背景。具体而言，单色调背景可以为白色、蓝色或红色等。由此，能够在后续图像预处理过程中更准确去除背景信息。

在一些示例中，葡萄酒木塞的类型的标注可以包括厂家、产地、酒类、生产年份中的至少一种。由此，能够通过葡萄酒木塞获得更加全面的葡萄酒信息。

在一些示例中，可以对每一类葡萄酒木塞采集相同数量的葡萄酒木塞图像。由此，能够有利于人工神经网络对葡萄酒木塞得到更加平衡的结果。但本实施方式不限于此，在另一些示例中，每一类葡萄酒木塞的葡萄酒木塞图像的数量也可以不同。

在另一些示例中，对于葡萄酒木塞图像数量较少的葡萄酒木塞类型，可以在多种不同的采集条件下进行采集。由此，能够对该葡萄酒木塞的葡萄酒木塞图像的样本进行扩增。

在步骤S20中，可以对葡萄酒木塞图像进行图像预处理，从葡萄酒木塞图像获得多张表示葡萄酒木塞纹理的局部纹理图像，建立包括局部纹理图像和与局部纹理图像关联的木塞类型的标注的图片数据库。这里，该图片数据库对于人工神经网络而言也称为训练数据集。

图3是示出了本公开的实施方式所涉及的葡萄酒木塞图像的图像处理过程。

在一些示例中，对葡萄酒木塞图像进行图像预处理可以包括对葡萄酒木塞图像去除背景信息并识别轮廓信息，并且根据轮廓信息进行图像剪裁，以形成多张局部纹理图像，局部纹理图像包括反映葡萄酒木塞纹理的图像。由此，能够使输入具有最大化的纹理特征、去除无效的信息以及使数据得到增强。

在一些示例中，在对葡萄酒木塞图像进行图像预处理中，还可以对葡萄酒木塞图像进行灰度化处理和二值化处理，以形成二值化图像。由此，能够检测图像中葡萄酒木塞的轮廓，在剪裁局部纹理图像时提供木塞轮廓信息。

在一些示例中，如图3所示，所采集的葡萄酒木塞图像是包括了背景信息的彩色图像(例如RGB图像)，可以通过对彩色图像进行灰度化，将多通道图像转换为单通道图像，并对二值图像进行处理。接着，对二值图像进行轮廓检测得到酒塞图像轮廓位置信息，然后，根据轮廓位置信息截取得到轮廓的正矩形图像(参见图3)。在一些示例中，在对葡萄酒木塞图像进行图像预处理中，背景信息去除后，葡萄酒木塞的图案可以占图像大小90％以上。在这种情况下，能够保证输入训练数据具有足够的纹理特征信息，由此，能够获得更好的训练效果。

在一些示例中，在对葡萄酒木塞图像进行图像预处理中可以对葡萄酒木塞图像进行压缩操作。由此，能够匹配人工神经网络的输入要求。另外，在一些示例中，在对葡萄酒木塞图像进行图像预处理中，可以将葡萄酒木塞图像的尺寸压缩为例如299×299，以匹配后续描述的深度神经网络结构Inception-v4的输入要求。

在一些示例中，在步骤S30中，构建具有深度学习网络结构的特征提取模块和具备多分类网络的输出模块的人工神经网络，并基于图片数据库训练人工神经网络，获得葡萄酒木塞的特征提取模型和分类模型。

图4是示出了本公开示例所涉及的葡萄酒木塞的分类方法的认证原理的示意图。图5是示出了本公开示例所涉及的葡萄酒木塞的分类方法中的葡萄酒木塞的纹理例子的示意图。

在一些示例中，在步骤S30中，可以包括利用局部二值模式(LBP) 算子提取葡萄酒木塞的纹理特征作为辅助特征。由此，能够结合辅助特征对葡萄酒木塞进行分类。这里，局部二值模式(LBP)算子是一种有效的纹理描述算子，能够度量和提取图像局部的纹理信息，而且对光照具有不变性。

另外，葡萄酒木塞的纹理的示例可以参见图5，在图5中，举例列出了纹理图像P1、纹理图像P2、纹理图像P3和纹理图像P4四个纹理图像，从图5中可以明显看出，纹理图像P1、纹理图像P2、纹理图像 P3和纹理图像P4具有明显区别的纹理。

在一些示例中，人工神经网络可以包括深度卷积神经网络。深度卷积神经网络模拟生物的视知觉机制，具有学习图像特征的能力。同时，通过参数共享、池化等操作，能够减少人工神经网络计算量。另外，由于针对图像进行处理，这里深度卷积神经网络主要采用卷积神经网络(Convolutional Neural Network，CNN)。由于卷积神经网络具有局部感受野和权值共享等优点，能够极大地减小参数的训练，因此能够提高处理速度和节约硬件开销。另外，卷积神经网络能够更加有效的处理图像的识别。。

在一些示例中，可以基于谷歌的Inception-v4神经网络结构来构建人工神经网络。Inception-v4神经网络结可以同时包含多个不同类型的卷积和池化操作，再把不同尺寸的特征图可以进行填充处理得到相同尺寸的特征图，随后将这些特征图的通道进行叠加。Inception-v4神经网络可以包括利用1×1卷积核进行卷积来减少特征图的通道数，从而能够减少人工神经网络计算量。

在一些示例中，在步骤S40中，获取待分类的葡萄酒木塞图像并进行图像预处理作为目标图像，并基于人工神经网络对目标图像进行分类，获得目标图像的分类结果。

在一些示例中，上述人工神经网络的分类器可以包括Softmax分类器。Softmax分类器是一种多分类的线性分类器，通过Softmax分类器输出的神经网络分数向量作为归一化的多个类的概率分布。由此，能够获得目标图像的分类结果。

对于分类的结果，可以通过混淆矩阵来评估。对于本实施方式所涉及的二分类任务可以分为四个指标，具体参见表1。其中，TP表示假的正样本，FN表示假的负样本，TP表示真的正样本，TN表示真的的负样本。由此，可以获得准确度、特异度、精确率和召回率的计算公式(I)至公式(IV)。准确率表示在所有样本中模型预测正确的比例，不分正负样本；精确率表示在模型预测为正样本的所有样本中，实际真正为正样本的比例；召回率表示实际为正样本中模型预测为正样本的比例，反映模型对正样本的灵敏度；特异率与召回率相反，表示实际为负样本中模型预测为负样本的比例，反映模型对负样本的灵敏度。

准确率：

精确率：

召回率：

精确率：

表1混淆矩阵

另外，在表1中，类型1表示假设检验中的第一类错误，错误地将正样本判为负样本，即“弃真”错误；类型2表示假设检验中的第二类错误，错误地将负样本判为正样本标签，即“存伪”错误。

以下，结合图6和图7对本公开的实施方式所涉及的葡萄酒木塞的分类方法进行具体说明。图6和图7分别是示出了本公开的实施方式所涉及的葡萄酒木塞的分类方法的例子的示意图。

图6分别是示出了本公开的实施方式所涉及的葡萄酒木塞的分类方法的一个例子的示意图。

在图6所示的例子中，葡萄酒木塞的分类方法还包括获取包含已知木塞类型的葡萄酒木塞的局部纹理图像作为参考图像；基于特征提取模型获得参考图像的参考特征向量，并基于特征提取模型获得目标图像的目标特征向量；计算参考特征向量与目标特征向量的特征距离；基于特征距离，判断目标图像对应的葡萄酒木塞与参考图像对应的葡萄酒木塞是否属于同一类型。由此，能够验证待分类的目标图像与已知类别的参考图像对应的葡萄酒木塞是否属于同一类型。

在一些示例中，特征距离可以为欧氏距离L₁₂，欧式距离L₁₂为多维向量空间中各个点之间的绝对距离(参见下面公式(V))。当欧氏距离L₁₂大于预设阈值T1，则判断目标图像对应的葡萄酒木塞和参考图像对应的葡萄酒木塞为不同类型；当欧氏距离L₁₂小于或等于预设阈值 T1，则判断目标图像对应的葡萄酒木塞和参考图像对应的葡萄酒木塞属于同一类型。由此，能够验证待分类的目标图像与已知类别的参考图像对应的葡萄酒木塞是否属于同一类型。

其中，k为自然数，k＝1,2,3,……,n；n代表向量的维数，k代表向量的第k维；L₁₂代表两个向量之间的距离。

此外，在一些示例中，特征距离还可以为曼哈顿距离(Manhattan Distance)、切比雪夫距离(Chebyshev Distance)、马氏距离 (Mahalanobis Distance)或闵可夫斯基距离(Minkowski Distance)。

图7分别是示出了本公开的实施方式所涉及的葡萄酒木塞的分类方法的另一个例子的示意图。

在图7所示的例子中，葡萄酒木塞的分类方法还包括获取包含已知木塞类型的葡萄酒木塞的局部纹理图像作为参考图像；对参考图像进行图像预处理；基于特征提取模型获得参考图像的参考特征向量，并基于特征提取模型获得目标图像的目标特征向量；将参考特征向量与目标特征向量进行融合形成融合特征向量，并将融合特征向量输入到具有二分类功能的辅助人工神经网络，判断参考图像与目标图像是否属于同一类型。由此，能够验证待分类的目标图像与已知类别的参考图像对应的葡萄酒木塞是否属于同一类型。

此外，在本实施方式中，本公开的实施方式的所涉及的电子装置包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如上面所述的任一项葡萄酒木塞的分类方法。通过本公开的实施方式所涉及的电子装置，同样能够实现上面所述的任一项实现方式描述的方法。具体而言，通过在电子装置中构建具有深度学习网络结构的特征提取模块和具备多分类网络的输出模块的人工神经网络，并基于葡萄酒木塞纹理的局部纹理图像获得葡萄酒木塞的特征提取模型和分类模型，从而能够方便且准确性高地对待分类的葡萄酒木塞进行分类，判断葡萄酒木塞真伪。

在本实施方式中，本公开的第三方面提供了一种计算机可读介质，在计算机可读介质中存储有计算机程序，计算机程序被处理器执行时实现如上面所述的任一项葡萄酒木塞的分类方法。通过本公开的计算机可读介质，同样能够存储实现上面所述的任一项实现方式描述的分类方法的计算机程序。具体而言，通过在计算机可读介质中构建具有深度学习网络结构的特征提取模块和具备多分类网络的输出模块的人工神经网络，并基于葡萄酒木塞纹理的局部纹理图像获得葡萄酒木塞的特征提取模型和分类模型，从而能够方便且准确性高地对待分类的葡萄酒木塞进行分类，判断葡萄酒木塞真伪。

虽然以上结合附图和示例对本公开进行了具体说明，但是可以理解，上述说明不以任何形式限制本公开。本领域技术人员在不偏离本公开的实质精神和范围的情况下可以根据需要对本公开进行变形和变化，这些变形和变化均落入本公开的范围内。本领域技术人员将理解，一般而言，本公开中使用的术语一般意图为“开放”术语(例如术语“包括”应被解释为“包括但不限于”，术语“具有”应被解释为“至少具有”，术语“包括”应被解释为“包括但不限于”等)。

上面描述的各种方法和技术提供了许多方式来实现本公开。当然，应当理解的是，根据本公开所描述的任何特定示例不必可以实现所描述的所有目标或优点。因此，例如，本领域技术人员将认识到，可以以实现或优化如本公开所教导的一个优点或一组优点的方式来实现本公开所描述的方法，而不必实现本公开可能教导或启示的其他目标或优点。

Claims (7)

1.一种葡萄酒木塞的鉴伪方法，其特征在于，

包括：

采集多张葡萄酒木塞图像和与所述葡萄酒木塞图像关联的木塞类型的标注，所述木塞类型的标注包括厂家、产地、酒类、生产年份中的至少一种；

对各张所述葡萄酒木塞图像进行图像预处理，从各张所述葡萄酒木塞图像获得多张表示葡萄酒木塞纹理且具有不同纹理的局部纹理图像，建立包括多张所述局部纹理图像和与多张所述局部纹理图像关联的木塞类型的标注的图片数据库，其中，对所述葡萄酒木塞图像进行所述图像预处理包括对所述葡萄酒木塞图像去除背景信息并识别轮廓信息，并且根据所述轮廓信息进行图像剪裁，以形成多张所述局部纹理图像，所述局部纹理图像包括反映所述葡萄酒木塞纹理的图像；

构建具有深度学习网络结构的特征提取模块和具备多分类网络的输出模块的人工神经网络，并基于所述图片数据库训练所述人工神经网络，获得所述葡萄酒木塞的特征提取模型和分类模型；并且

获取待分类的葡萄酒木塞图像并进行所述图像预处理作为目标图像，并基于所述人工神经网络对所述目标图像进行分类，获得所述目标图像的分类结果，从而基于所述目标图像的分类结果对葡萄酒木塞进行鉴伪，在对所述葡萄酒木塞图像进行所述图像预处理中，所述背景信息去除后，葡萄酒木塞的图案占所述目标图像大小90%以上。

2.根据权利要求1所述的鉴伪方法，其特征在于，

还包括获取包含已知木塞类型的葡萄酒木塞的局部纹理图像作为参考图像；

基于所述特征提取模型获得所述参考图像的参考特征向量，并基于所述特征提取模型获得所述目标图像的目标特征向量；

计算所述参考特征向量与所述目标特征向量的特征距离；

基于所述特征距离，判断所述目标图像对应的葡萄酒木塞与所述参考图像对应的葡萄酒木塞是否属于同一类型。

3.根据权利要求2所述的鉴伪方法，其特征在于，

所述特征距离为欧氏距离，当所述欧氏距离大于预设阈值，则判断所述目标图像对应的葡萄酒木塞和所述参考图像对应的葡萄酒木塞为不同类型；当所述欧氏距离小于或等于所述预设阈值，则判断所述目标图像对应的葡萄酒木塞和所述参考图像对应的葡萄酒木塞属于同一类型。

4.根据权利要求1所述的鉴伪方法，其特征在于，

在对所述葡萄酒木塞图像进行所述图像预处理中，还对所述葡萄酒木塞图像进行灰度化处理和二值化处理，以形成二值化图像。

5.根据权利要求1所述的鉴伪方法，其特征在于，

还包括获取包含已知木塞类型的葡萄酒木塞的局部纹理图像作为参考图像；

对所述参考图像进行所述图像预处理；

基于所述特征提取模型获得所述参考图像的参考特征向量，并基于所述特征提取模型获得所述目标图像的目标特征向量；

将所述参考特征向量与所述目标特征向量进行融合形成融合特征向量，并将所述融合特征向量输入到具有二分类功能的辅助人工神经网络，判断所述参考图像与所述目标图像是否属于同一类型。

6.一种电子装置，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-5中任一项所述的鉴伪方法。

7.一种计算机可读介质，其特征在于，

在所述计算机可读介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的鉴伪方法。

Images