CN112036902A - 基于深度学习的产品鉴伪方法、装置、服务器及存储介质 - Google Patents

基于深度学习的产品鉴伪方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN112036902A
CN112036902A CN202010673651.2A CN202010673651A CN112036902A CN 112036902 A CN112036902 A CN 112036902A CN 202010673651 A CN202010673651 A CN 202010673651A CN 112036902 A CN112036902 A CN 112036902A
Authority
CN
China
Prior art keywords
texture
product
feature
model
deep learning
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.)
Pending
Application number
CN202010673651.2A
Other languages
English (en)
Inventor
陈昌盛
蔡素到
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202010673651.2A priority Critical patent/CN112036902A/zh
Publication of CN112036902A publication Critical patent/CN112036902A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10544—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum
    • G06K7/10821—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices
    • G06K7/10861—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices sensing of data fields affixed to objects or articles, e.g. coded labels
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Electromagnetism (AREA)
  • Probability & Statistics with Applications (AREA)
  • Toxicology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的产品鉴伪方法、装置、设备及存储介质。该方法包括：获取产品的验证纹理图片；基于第一模型识别所述验证纹理图片的第一纹理特征；基于第二模型比对第一纹理特征和第二纹理特征确定产品的真伪，所述第二纹理特征通过对所述产品内置的纹理特征二维码进行解码得到。该方法通过提取纹理特征进行纹理特征比对判断相似度，进而识别产品的真伪，在出现新类产品时也能提供较好的识别效果，不需要频繁地根据新类产品更新产品的已有类。

Description

基于深度学习的产品鉴伪方法、装置、服务器及存储介质
技术领域
本发明涉及产品防伪技术领域，尤其涉及一种基于深度学习的产品鉴伪方 法、装置、服务器及存储介质。
背景技术
搭建一个低成本的，便捷的，通用的产品防伪***来统一解决假冒产品问 题具有十分重要的研究意义。
其中，纹理作为一种重要的视觉线索，是图像中普遍存在而又难以描述的 特征，也是产品内在的固有属性。纹理本身与产品材质是紧密联系的，而产品 材质又与产品的真伪紧密联系。故，可从计算机视觉的角度出发，利用产品的 深度纹理来验证产品的真假。
此外，厂商会不断迭代更新自家产品。在出现新产品后，厂商，商家和消 费者均需对新产品也能辨别真伪。即，当新产品等新类出现时，不需重新训练 整个网络更新产品，便可对新旧产品均进行有效的鉴别真伪，这样的防伪*** 方案更具有现实意义。这就必须提出一套可以对未见类产品进行辨别的，并且 是低成本的、有效的、通用的和抗攻击性强的防伪新方法。
现有技术中，位于纽约一家名为Entrupy的初创公司提出了一种利用产品 的表面纹理的微观特征对产品进行防伪的方法。其已经在实际生活中用于鉴伪 皮跟纹理产品。具体使用显微设备采集20种皮革产品的3万张显微图片储存在 线上数据库中，用于训练经典的深度学习的分类网络。其中，先通过四层卷积 层，再经过两层全连接层，采集的纹理图像提取4096维深度纹理特征。最后经 过softmax分类器对20类皮革纹理图片进行多分类。当商家，消费者使用该防 伪方法时，需先购买该公司的显微扫描仪，扫描并上传所购买产品的显微图像 与线上存储的数据库进行比对，比对成功则辨别为正品，反之，则为伪劣产品。
现有技术中，“Real or Fake:Mobile Device Drug Packaging Authentication”中提出了一种利用药品包装盒的纹理图像对药品进行防伪的方法。具体使用移 动设备采集来自28家厂商制备的45种不同的药品盒正反面以及药品的外包装 的三种模态的图片和药品的药品码图片。再将采集的图像利用局部二值模式 (Local Binary Pattern,LBP)，尺度不变特征转换(scale invariant feature transform, SIFT)和灰度共生矩阵(Gray-level Co-occurence Matrix,CLCM)等传统纹理提取 方法提取药品外包装和药品盒图片的浅层特征，最后将所提取的特征分别放入 线性支持向量机(support vector machine,SVM)分类器中进行分类。因此，可以 对现有的真的药品进行分类，在鉴伪过程，仅对真的药品有分类效果，故可识 别假冒产品。
发明内容
有鉴于此，本发明实施例提供了一种基于深度学习的产品鉴伪方法、装置、 服务器及存储介质，以解决识别新类产品困难的问题。
第一方面，本发明实施例提供了一种基于深度学习的产品鉴伪方法，包括：
获取产品的验证纹理图片；
基于第一模型识别所述验证纹理图片的第一纹理特征；
基于第二模型比对第一纹理特征和第二纹理特征确定产品的真伪，所述第 二纹理特征通过对所述产品内置的纹理特征二维码进行解码得到。
第二方面，本发明实施例还提供了一种基于深度学习的产品鉴伪装置，包 括：
图片获取模块，用于获取产品的验证纹理图片；
第一纹理特征提取模块，用于基于第一模型识别所述验证纹理图片的第一 纹理特征；
鉴别模块，用于基于第二模型比对第一纹理特征和第二纹理特征确定产品 的真伪，所述第二纹理特征通过对所述产品内置的纹理特征二维码进行解码得 到。
第三方面，本发明实施例还提供了一种服务器，包括存储器和处理器，所 述存储器上存储有可在处理器运行的计算机程序，所述处理器执行所述计算机 程序时实现如前述的基于深度学习的产品鉴伪方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，存储介质存储 有计算机程序，该计算机程序被处理器执行时实现如前述的基于深度学习的产 品鉴伪方法。
本发明实施例提供的技术方案，基于用户拍摄的产品的验证纹理图片，通 过第一模型识别验证纹理图片的第一纹理特征，对产品附带的纹理二维码解码 得到第二纹理特征，基于第二模型对第一纹理特征和第二纹理特征比对，根据 比对结果判断产品的真伪，第一模型和第二模型不是简单的对产品基于已有类 别进行检索或分类，而是通过提取纹理特征进行纹理特征比对判断相似度，进 而识别产品的真伪，在出现新类产品时也能提供较好的识别效果，不需要频繁 的根据新类产品更新产品的已有类别。
附图说明
图1是本发明实施例一中的基于深度学习的产品鉴伪方法的流程图；
图2是本发明实施例一中的基于深度学习的产品鉴伪方法的子流程图；
图3是本发明实施例一中的基于深度学习的产品鉴伪方法的子流程图；
图4是本发明实施例二中的基于深度学习的产品鉴伪方法的子流程图；
图5是本发明实施例二中的模型训练流程图；
图6是本发明实施例三中的基于深度学习的产品鉴伪装置的结构示意图；
图7是本发明实施例四中的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此 处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需 要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结 构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被 描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理， 但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺 序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括 在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等 等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步 骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅 用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。 术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所 指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者 隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”、“批量”的含 义是至少两个，例如两个，三个等，除非另有明确具体的限定。
实施例一
图1为本发明实施例一的基于深度学习的产品鉴伪方法的流程图，该方法 可以由终端或服务器执行，本实施例以服务器为例，该方法具体包括：
S110、获取产品的验证纹理图片。
验证纹理图片为用户在验证产品真伪时，通过图像采集装置拍摄的包括产 品纹理信息的图片。
用户在拿到待验证的产品时，可以使用移动设备如手机拍摄产品的验证纹 理图片，服务器通过网络等方式接受移动设备发送的验证纹理图片。
S120、基于第一模型识别所述验证纹理图片的第一纹理特征。
第一模型是一个训练好的深度学习神经网络，用于提取图像中的深度纹理 特征。第一纹理特征为第一模型根据用户拍摄的验证纹理图片所提取出的纹理 特征。
具体的，服务器中设置有预先训练好的第一模型，服务器在接收到验证纹 理图片后，通过第一模型提取验证纹理图片的第一纹理特征。
S130、基于第二模型比对第一纹理特征和第二纹理特征确定产品的真伪， 所述第二纹理特征通过对所述产品内置的纹理特征二维码进行解码得到。
第二模型为一个进行纹理特征比对的深度学习神经网络，用于比对不同纹 理特征间的相似度。纹理特征二维码为产品内置的用于防伪的二维码，由商家/ 产家生成并设置于产品上。第二纹理特征根据纹理特征二维码解码得到，纹理 特征二维码的解码过程由服务器完成。
具体的，纹理特征二维码由用户通过移动设备拍摄并上传至服务器，服务 器接收到纹理特征二维码之后，根据设置好的解码算法对纹理特征二维码解码 得到第二纹理特征，再将第一纹理特征和第二纹理特征输入第二模型，通过第 二模型对比第一纹理特征和第二纹理特征，如果对比结果显示相似度达到相似 度阈值，则视为一致，代表产品为真品，如果对比结果为相似度未达到相似度 阈值，代表产品为伪造品。
更具体的，本实施例中，第一模型不同于传统的深度学习分类网络，其丢 弃了经典神经网络最后的softmax层，直接输出特征向量以用于供第二模型进 行相似度的度量。
更具体的，在一实施例中，如图2所示，纹理特征二维码的生成过程包括 步骤S101-103：
S101、采集产品的样品纹理图片。
样品纹理图片为基于不同角度、光照和亮度下对产品纹理采集的图片。样 品纹理图片基于多种环境采集，以避免在后续比对时因用户的拍摄环境影响导 致比对结果出错。
S102、基于第一模型识别所述样品纹理图片的第二纹理特征。
此处使用的第一模型也是训练好的，将样品纹理图片输入第一模型后得到 对应的第二纹理特征。
第一模型具有较强的泛化能力，用于提取通用特征和区分特征，其中所述 通用特征表示不同纹理图片共有的纹理特征，所述区分特征表示不同纹理图片 特有的纹理特征。具体的，其提取到的第二纹理特征包括第二通用特征和第二 区分特征，第二通用特征标识多个样品纹理图片共有的纹理特征，第二区分特 征标识每个样品纹理图片特有的纹理特征。
S103、基于所述第二纹理特征生成纹理特征二维码，将所述纹理特征二维 码附于产品上。
第一模型得到的纹理特征是特征向量，可以将其通过预设的编码算法存储 到二维码中。在得到第二纹理特征之后，根据预设的编码算法将第二纹理特征 存储在二维码中得到纹理特征二维码，根据纹理特征二维码可以通过与预设的 编码算法对应的解码算法得到第二纹理特征。将纹理二维码附于产品上直接建 立了纹理二维码与产品的联系，纹理二维码作为防伪标签提高了生产假冒伪劣 产品的成本。
更具体的，在一实施例中，如图3所示步骤S102包括步骤S1021-1022：
S1021、基于所述样品纹理图片提取深度纹理特征。
S1022、对所述深度纹理特征进行后处理，得到低维紧凑的第二纹理特征。
类似的，基于第一模型识别纹理图片得到的第一纹理特征也是经过后处理 得到的。
本实施例一的技术方案，基于用户拍摄的产品的验证纹理图片，通过第一 模型识别验证纹理图片的第一纹理特征，对产品附带的纹理二维码解码得到第 二纹理特征，基于第二模型对第一纹理特征和第二纹理特征比对，根据比对结 果判断产品的真伪，第一模型和第二模型不是简单的对产品基于已有类别进行 检索或分类，而是通过提取纹理特征进行纹理特征比对判断相似度，进而识别 产品的真伪，在出现新类产品时也能提供较好的识别效果，不需要频繁的根据 新类产品更新产品的已有类别。
实施例二
本实施例在实施例一的基础上对部分内容做了进一步补充，以对部分步骤 进行了进一步的解释，具体包括：
如图4所示，步骤S130具体包括步骤S131-132：
S131、将所述第一纹理特征和所述第二纹理特征映射到距离空间上，确定 所述第一纹理特征和所述第二纹理特征之间的相似度和距离。
S132、若所述相似度大于等于相似度阈值且距离小于等于距离阈值，则产 品为真，若所述相似度小于相似度阈值或距离大于距离阈值，则产品为伪。
在机器学习和数据挖掘中，我们经常需要知道个体间差异的大小，进而评 价个体的相似性和类别。最常见的是数据分析中的相关分析，数据挖掘中的分 类和聚类算法，如K最近邻(KNN)和K均值(K-Means)等等。本实施例中 识别产品的真伪就是根据第一纹理特征和第二纹理特征分析二者对应的产品间 差异的大小，当差异过大说明产品可能是伪造的。距离度量和相似度度量是衡 量差异的主要方式，相似度越小说明两个产品间差异越大，距离越远，代表两 个产片间差异越大。此处不限制具体的距离度量方式。
在模型的训练过程中，第一模型和第二模型构成完整的网络框架进行训练， 如图5所示，完整的网络框架的训练过程包括步骤S210-240，由于第二模型需 要对两个纹理特征进行比对，因此训练过程是以图像对形式进行学习的：
S210、根据采样策略获取不同光照、不同空间分辨率和不同旋转角度下的 样本图片为目标数据集，取所述目标数据集的一半为测试集，另一半为训练集。
采样策略可以挖掘已知类样本对(图像对)的类内和类间的纹理信息，用 于在样品图片中挖掘出具有丰富纹理信息的样本对，如不同类的相似样本对或 同类的不相似样本对，以得到用于训练网络框架的目标数据集。目标数据集中 包括多个样本对。
S220、基于所述训练集通过交叉验证方式训练设计好的初始模型得到训练 后的模型。
具体的，初始模型一般为多个，记单个初始模型为Mi，基于训练集的交叉 验证训练过程中，先将训练集S中的样本对等分为k份：S1,S2,…,Sk；选择 一个Sj(1≤j≤k)作为验证集，训练集中的其他样本对作为训练样本，利用 训练样本对初始模型Mi进行训练，得到M′i,使用Sj对对应的M′i进行验证得到对 应的误差E，对于每一个Mi，有对应的k个M′i，也就有对应的k个误差E，取 对应的k个误差E的平均值作为Mi的泛化误差Ei；选择泛化误差Ei最小的初始 模型Mi利用训练集S对其进行训练，得到训练后的模型。
S230、基于所述测试集对所述训练后的模型进行测试，若测试结果达到预 设期望则将训练后的模型作为训练好的模型，若测试结果未达到预设期望值则 返回步骤S210重新训练。
测试集用于衡量训练后的模型实际应用效果，其衡量指标使用P@1是指所 有测试样本搜索最邻近样本是否还是它同类，MAP@R和RP两项则还考虑了检索 顺序的检索效果，预设期望根据衡量指标设置，若衡量指标不同则预设期望也 要对应调整。训练好的模型能够完成纹理特征的提取和纹理特征的比对，即训 练好的模型包括第一模型和第二模型，在训练好的模型中第一模型的输出作为 第二模型的输入。
具体的，在一实施例中，最终所提取的深度纹理特征维度为128维，使用 的是OuluTexture(Outex)数据集中的canvas(46类)作为目标数据集，该 数据集是目前能找到纹理类别数量较多的数据集。该数据集是在实验室环境下， 在3种不同照明灯光下，6种不同空间分辨率和9种旋转角度条件下采集的， 具有一定的类内差异的纹理数据集。将其中一半类别(23类)的数据集用于训 练，剩余的一半类别的目标数据集用于测试。训练使用的是四折交叉验证，训 练集和验证集是互不相交的类别，采样策略是选取所有的样本对进行实验，特 征提取网络采用在ImageNet上已经预训练好的BN-Inception网络，去掉最后 的softmax层，将输出的特征拼接一个全连接层，作为所提取的深度特征。损 失函数使用的是Contrastive Loss，Triplet MarginLoss，MultiSimilarity Loss，Normalized SoftmaxLoss，ArcFace Loss，和ProxyNCA Loss等，并使 用50次贝叶斯优化损失函数的参数。验证和测试过程，使用KNN和K-Means进 行衡量度量学***均达到98％作左右，其说明该网络结 果的确可对新旧类进行识别。
本实施例提供的基于深度学习的产品鉴伪方法，在实施例一的基础上进一 步补充了利用相似度和距离确定产品的真伪，并提供了第一模型和第二模型的 具体训练过程，训练过程不是简单的训练对已有类样本的检索或分类，而是训 练对于深度纹理特征的识别能力，和对纹理特征进行距离比较和相似度比较的 能力，因此本实施例提供的第一模型对新旧类纹理图片均能提取深度纹理特征， 且第二模型均能将对应的纹理特征进行相似度和距离比较，以实现了在接收到 新类纹理图片时也能进行快速有效的鉴伪。
实施例三
图6为本发明实施例三提供的一种基于深度学习的产品鉴伪装置300，具 体包括如下模块：
图片获取模块310，用于获取产品的验证纹理图片。
第一纹理特征提取模块320，用于基于第一模型识别所述验证纹理图片的 第一纹理特征。
鉴别模块330，用于基于第二模型比对第一纹理特征和第二纹理特征确定 产品的真伪，所述第二纹理特征通过对所述产品内置的纹理特征二维码进行解 码得到。
更具体的，在一实施例中，还包括样品纹理图片采集模块、第二纹理特征 提取模块和二维码生成模块：
样品纹理图片采集模块用于采集产品的样品纹理图片。
第二纹理特征提取模块用于基于第一模型识别所述样品纹理图片的第二纹 理特征。
二维码生成模块用于基于所述第二纹理特征生成纹理特征二维码，将所述 纹理特征二维码附于产品上。
更具体的，在一实施例中，第二纹理特征提取模块包括深度纹理特征提取 单元和后处理单元：
深度纹理特征提取单元用于基于所述样品纹理图片提取深度纹理特征。
后处理单元用于对所述深度纹理特征进行后处理，得到低维紧凑的第二纹 理特征。
更具体的，在一实施例中，所述第一模型用于提取纹理图片的通用特征和 区分特征，所述通用特征表示不同纹理图片共有的纹理特征，所述区分特征表 示不同纹理图片特有的纹理特征。
更具体的，在一实施例中，鉴别模块包括：
相似度和距离确定单元，用于将所述第一纹理特征和所述第二纹理特征映 射到距离空间上，确定所述第一纹理特征和所述第二纹理特征之间的相似度和 距离。
真伪鉴别单元，用于若所述相似度大于等于相似度阈值且距离小于等于距 离阈值，则产品为真，若所述相似度小于相似度阈值或距离大于距离阈值，则 产品为伪。
更具体的，在一实施例中，还包括：
采样单元，用于根据采样策略获取不同光照、不同空间分辨率和不同旋转 角度下的样本图片为目标数据集，取所述目标数据集的一半为测试集，另一半 为训练集。
训练单元，用于基于所述训练集通过交叉验证方式训练设计好的初始模型 得到训练后的模型。
测试单元，用于基于所述测试集对所述训练后的模型进行测试，若测试结 果达到预设期望则将训练后的模型作为训练好的模型，若测试结果未达到预设 期望值则返回采样单元重新训练。
本实施例提供的基于深度学习的产品鉴伪装置，基于用户拍摄的产品的验 证纹理图片，通过第一模型识别验证纹理图片的第一纹理特征，对产品附带的 纹理二维码解码得到第二纹理特征，基于第二模型对第一纹理特征和第二纹理 特征比对，根据比对结果判断产品的真伪，第一模型和第二模型不是简单的对 产品基于已有类别进行检索或分类，而是通过提取纹理特征进行纹理特征比对 判断相似度，进而识别产品的真伪，在出现新类产品时也能提供较好的识别效 果，不需要频繁的根据新类产品更新产品的已有类别。
实施例四
图7为本发明实施例四提供的一种服务器的结构示意图，如图7所示，该 服务器包括处理器70、存储器71、输入装置72和输出装置73；服务器中处理 器70的数量可以是一个或多个，图中以一个处理器70为例；服务器中的处理 器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接， 图7中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可 执行程序以及模块，如本发明实施例中的基于深度学习的产品鉴伪方法对应的 程序指令/模块(例如，基于深度学习的产品鉴伪装置中的图片获取模块310、 第一纹理特征提取模块320和鉴别模块330等)。处理器70通过运行存储在存 储器71中的软件程序、指令以及模块，从而执行终端/服务器的各种功能应用 以及数据处理，即实现上述的基于深度学习的产品鉴伪方法。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储 操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用 所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括 非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固 态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设 置的存储器，这些远程存储器可以通过网络连接至终端/服务器。上述网络的实 例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息，以及产生与终端/服务器 的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示 设备。
上述服务器可执行本发明实施例一或实施例二所提供的基于深度学习的产 品鉴伪方法，具备执行方法对应的功能能模块和有益效果。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程 序，该程序被处理器执行时实现如本发明任意实施例所提供的一种基于深度学 习的产品鉴伪方法，该方法可以包括：
获取产品的验证纹理图片；
基于第一模型识别所述验证纹理图片的第一纹理特征；
基于第二模型比对第一纹理特征和第二纹理特征确定产品的真伪，所述第 二纹理特征通过对所述产品内置的纹理特征二维码进行解码得到。
本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的 介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读 存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外 线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介 质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便 携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式 可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、 光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机 可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行 ***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据 信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种 形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读 的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算 机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用 或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无 线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计 算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、 Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的 程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算 机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算 机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中， 远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连 接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员 会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各 种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通 过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实 施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本 发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种基于深度学习的产品鉴伪方法，其特征在于，包括：
获取产品的验证纹理图片；
基于第一模型识别所述验证纹理图片的第一纹理特征；
基于第二模型比对第一纹理特征和第二纹理特征确定产品的真伪，所述第二纹理特征通过对所述产品内置的纹理特征二维码进行解码得到。
2.根据权利要求1所述的基于深度学习的产品鉴伪方法，其特征在于，所述获取产品的验证纹理图片之前，还包括：
采集产品的样品纹理图片；
基于第一模型识别所述样品纹理图片的第二纹理特征；
基于所述第二纹理特征生成纹理特征二维码，将所述纹理特征二维码附于产品上。
3.根据权利要求2所述的基于深度学习的产品鉴伪方法，其特征在于，所述基于第一模型识别所述样品纹理图片的第二纹理特征包括：
基于所述样品纹理图片提取深度纹理特征；
对所述深度纹理特征进行后处理，得到低维紧凑的第二纹理特征。
4.根据权利要求1所述的基于深度学习的产品鉴伪方法，其特征在于，所述第一模型用于提取纹理图片的通用特征和区分特征，所述通用特征表示不同纹理图片共有的纹理特征，所述区分特征表示不同纹理图片特有的纹理特征。
5.根据权利要求1所述的基于深度学习的产品鉴伪方法，其特征在于，所述基于第二模型比对第一纹理特征和第二纹理特征确定产品的真伪包括：
将所述第一纹理特征和所述第二纹理特征映射到距离空间上，确定所述第一纹理特征和所述第二纹理特征之间的相似度和距离；
若所述相似度大于等于相似度阈值且距离小于等于距离阈值，则产品为真，若所述相似度小于相似度阈值或距离大于距离阈值，则产品为伪。
6.根据权利要求1所述的基于深度学习的产品鉴伪方法，其特征在于，还包括：
a、根据采样策略获取不同光照、不同空间分辨率和不同旋转角度下的样本图片为目标数据集，取所述目标数据集的一半为测试集，另一半为训练集；
b、基于所述训练集通过交叉验证方式训练设计好的初始模型得到训练后的模型；
c、基于所述测试集对所述训练后的模型进行测试，若测试结果达到预设期望则将训练后的模型作为训练好的模型，若测试结果未达到预设期望值则返回a重新训练。
7.一种基于深度学习的产品鉴伪装置，其特征在于，包括：
图片获取模块，用于获取产品的验证纹理图片；
第一纹理特征提取模块，用于基于第一模型识别所述验证纹理图片的第一纹理特征；
鉴别模块，用于基于第二模型比对第一纹理特征和第二纹理特征确定产品的真伪，所述第二纹理特征通过对所述产品内置的纹理特征二维码进行解码得到。
8.根据权利要求7所述的基于深度学习的产品鉴伪装置，其特征在于，还包括：
样品纹理图片采集模块，用于采集产品的样品纹理图片；
第二纹理特征提取模块，用于基于第一模型识别所述样品纹理图片的第二纹理特征；
二维码生成模块，用于基于所述第二纹理特征生成纹理特征二维码，将所述纹理特征二维码附于产品上。
9.一种服务器，其特征在于，包括存储器和处理器，所述存储器上存储有可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-6中任意一项所述的基于深度学习的产品鉴伪方法。
10.一种计算机可读存储介质，存储介质存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的基于深度学习的产品鉴伪方法。
CN202010673651.2A 2020-07-14 2020-07-14 基于深度学习的产品鉴伪方法、装置、服务器及存储介质 Pending CN112036902A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010673651.2A CN112036902A (zh) 2020-07-14 2020-07-14 基于深度学习的产品鉴伪方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010673651.2A CN112036902A (zh) 2020-07-14 2020-07-14 基于深度学习的产品鉴伪方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN112036902A true CN112036902A (zh) 2020-12-04

Family

ID=73579450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010673651.2A Pending CN112036902A (zh) 2020-07-14 2020-07-14 基于深度学习的产品鉴伪方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN112036902A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204478A (zh) * 2021-04-06 2021-08-03 北京百度网讯科技有限公司 测试单元的运行方法、装置、设备和存储介质
CN113326400A (zh) * 2021-06-29 2021-08-31 合肥高维数据技术有限公司 基于深度伪造视频检测的模型的评价方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960849A (zh) * 2018-05-30 2018-12-07 于东升 用于纸质制品的防伪方法及装置、防伪溯源***
CN110209863A (zh) * 2019-06-03 2019-09-06 上海蜜度信息技术有限公司 用于相似图片检索的方法与设备
CN111368342A (zh) * 2020-03-13 2020-07-03 众安信息技术服务有限公司 图像篡改识别模型训练方法、图像篡改识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960849A (zh) * 2018-05-30 2018-12-07 于东升 用于纸质制品的防伪方法及装置、防伪溯源***
CN110209863A (zh) * 2019-06-03 2019-09-06 上海蜜度信息技术有限公司 用于相似图片检索的方法与设备
CN111368342A (zh) * 2020-03-13 2020-07-03 众安信息技术服务有限公司 图像篡改识别模型训练方法、图像篡改识别方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204478A (zh) * 2021-04-06 2021-08-03 北京百度网讯科技有限公司 测试单元的运行方法、装置、设备和存储介质
CN113326400A (zh) * 2021-06-29 2021-08-31 合肥高维数据技术有限公司 基于深度伪造视频检测的模型的评价方法及***
CN113326400B (zh) * 2021-06-29 2024-01-12 合肥高维数据技术有限公司 基于深度伪造视频检测的模型的评价方法及***

Similar Documents

Publication Publication Date Title
Mayer et al. Forensic similarity for digital images
US10410292B2 (en) Method, system, apparatus, and storage medium for realizing antifraud in insurance claim based on consistency of multiple images
US20200004777A1 (en) Image Retrieval with Deep Local Feature Descriptors and Attention-Based Keypoint Descriptors
CN108416326B (zh) 人脸识别方法和装置
Miller et al. Megaface: A million faces for recognition at scale
WO2019015246A1 (zh) 图像特征获取
Wang et al. Expression of Concern: Facial feature discovery for ethnicity recognition
JP2012203422A (ja) 学習装置、方法及びプログラム
CN112036902A (zh) 基于深度学习的产品鉴伪方法、装置、服务器及存储介质
WO2013181695A1 (en) Biometric verification
Peer et al. Strategies for exploiting independent cloud implementations of biometric experts in multibiometric scenarios
CN110781925A (zh) 软件页面的分类方法、装置、电子设备及存储介质
CN112313718A (zh) 材料样品的基于图像的新颖性检测
Tapia et al. Single morphing attack detection using feature selection and visualization based on mutual information
CN113254687B (zh) 图像检索、图像量化模型训练方法、装置和存储介质
Kobs et al. Indirect: Language-guided zero-shot deep metric learning for images
Nader et al. Kinship verification and recognition based on handcrafted and deep learning feature-based techniques
Chen et al. Large-scale indoor/outdoor image classification via expert decision fusion (edf)
Huang Multimodal biometrics fusion algorithm using deep reinforcement learning
Najafi Khanbebin et al. Genetic‐based feature fusion in face recognition using arithmetic coded local binary patterns
Akram et al. Weber Law Based Approach forMulti-Class Image Forgery Detection.
CN113505716A (zh) 静脉识别模型的训练方法、静脉图像的识别方法及装置
Malalur et al. Alignment based matching networks for one-shot classification and open-set recognition
CN112380369A (zh) 图像检索模型的训练方法、装置、设备和存储介质
Ivanovska et al. Y-GAN: Learning dual data representations for anomaly detection in images

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