CN112597798A - 一种使用神经网络鉴别商品真伪的方法 - Google Patents

一种使用神经网络鉴别商品真伪的方法 Download PDF

Info

Publication number
CN112597798A
CN112597798A CN202011318059.7A CN202011318059A CN112597798A CN 112597798 A CN112597798 A CN 112597798A CN 202011318059 A CN202011318059 A CN 202011318059A CN 112597798 A CN112597798 A CN 112597798A
Authority
CN
China
Prior art keywords
training
layer
picture
model
information
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
CN202011318059.7A
Other languages
English (en)
Inventor
何嘉麒
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.)
Guangzhou Chuangpin Intellectual Property Service Co ltd
Original Assignee
Guangzhou Chuangpin Intellectual Property Service Co ltd
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 Guangzhou Chuangpin Intellectual Property Service Co ltd filed Critical Guangzhou Chuangpin Intellectual Property Service Co ltd
Priority to CN202011318059.7A priority Critical patent/CN112597798A/zh
Publication of CN112597798A publication Critical patent/CN112597798A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3271—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using challenge-response
    • H04L9/3278—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using challenge-response using physically unclonable functions [PUF]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种使用神经网络鉴别商品真伪的方法，属于网络控制技术领域。本发明的目的是通过使用多重神经网络辨识不同的正品产品在生产过程中因外力因素导致的非人为制造的生产缺陷，最终使用合议算法，协助用户对当前产品进行鉴别的使用神经网络鉴别商品真伪的方法。本发明步骤是：采集商品图像并构建数据库；对采集商品图案进行变形并构建训练库；构建并部署图片灰度信息模型；使用多重神经网络对灰度信息数据库内图片信息进行训练和测试，输出鉴别模型。本发明针对现有商品真伪识别的效率和准确度问题，提取图片内实物图像的灰度图像的边缘信息和深度信息，利用多重神经网络定位产品生产过程中造成的非人为造成的固有缺陷，实现在复杂环境中对图像中的实物面的真实缺陷的高速和高精度识别。

Description

一种使用神经网络鉴别商品真伪的方法
技术领域
本发明属于网络控制技术领域。
背景技术
目前一般市场与次专业领域中所使用的对商品外观进行鉴别的方法大多分印刷鉴别 和图像识别算法鉴别。
印刷鉴别方法主要是利用特殊材料及垄断性印刷技术将商品商标、特殊图片图标印 刷在商品外包装上。这类鉴别方法基本上能杜绝造假者模仿和复制，但消费者自身对这样的 鉴别印刷技术也缺少识别的能力。
图像识别算法鉴别是将特定的信息加密之后，利用计算机图像算法生成特定的图像 印在商品上，消费者利用智能终端(如智能手机)安装指定识别软件***扫描图像并识别出该 信息，然后该软件***判断此信息是否有效。此类方法能有效利用计算机识别能力，但是无 法防止造假者复制和伪造图像。
本说明提供一种使用神经网络协助鉴别商品外观的方法，通过使用多重神经网络辨 识不同的正品产品在生产过程中因外力因素导致的非人为制造的生产缺陷，最终使用合议算 法，协助用户对当前产品的进行鉴别，以解决现有技术鉴定门槛较高，不能大范围使用的问 题。
发明内容
本发明的目的是通过使用多重神经网络辨识不同的正品产品在生产过程中因外力因 素导致的非人为制造的生产缺陷，最终使用合议算法，协助用户对当前产品进行鉴别的使用 神经网络鉴别商品真伪的方法。
本发明步骤是：
S1、采集商品图像并构建数据库；
S2、对采集商品图案进行变形并构建训练库：
操作一，随机选取商品训练库内图片，沿水平轴以随机角度翻转，生成新的图像，保存至图 像鉴别信息训练库；
操作二，随机选取商品训练库内图片，沿垂直轴以随机角度翻转，生成新的图像，保存至图 像鉴别信息训练库；
操作三，随机选取商品训练库内图片，沿水平方向随机平移图像若干个像素，生成新的图像， 保存至图像鉴别信息训练库；
操作四，随机选取商品训练库内图片，沿垂直方向随机平移图像若干个像素，生成新的图像， 保存至图像鉴别信息训练库；
操作五，随机选取商品训练库内图片，随机缩放图像，生成新的图像，保存至图像鉴别信息 训练库；
S3、构建并部署图片灰度信息模型，提取训练库内商品图案的灰度信息与边缘信息，形成灰 度信息数据库：
第一步，使用灰度算法依次将图像鉴别信息训练库内图像信息分割为R(红)，G(绿)，B(蓝) 三个通道，转换完成后保存上述图像鉴别信息训练库内所有图像的灰度图片，保存上述图片 至灰度图片库内；
第二步，使用DnCNN神经网络去除上述灰度图像中每个颜色通道中的噪音，并替换上述第一 步中所述的原始灰度图片；
第三步，使用Sobel算子提取上述第二步中所述的去噪音后的灰度图片的水平和梯度信息， 并替换上述第二步中所述的原始灰度图片；
第四步，并行使用Isotropic Sobel，Robertsl，Prewitt算子分别提取上述第三步中所述的 灰度图片边缘信息，使上述第三步中所述的原始灰度图片分别生成三张新的，对应不同算子 的灰度图片，并替换上述第三步中所述的原始灰度图片；
第五步，使用im2bw和ycbcr2rgb反向转换算法获取上述第四步中所述原始灰度图片的灰度 信息图片的边缘信息，形成灰度信息数据库；
S4、使用多重神经网络对灰度信息数据库内图片信息进行训练和测试，输出鉴别模型：
第一步，随机选取上述灰度信息模型内图片生成模型训练集，模型测试集和独立测试集，其 中，模型训练集，模型测试集和独立测试集内所有图片互不重复且均从灰度信息数据库内提 取；
第二步，构建基于多重神经网络的鉴别模型，通过对灰度信息数据库图片进行训练，参数调 整和图片特征提取，根据辨识准确率选取针对不同状态下图片的性能最佳的若干个模型，构 成合议算法，构建形成辨识模型；
模型结构包括至少一个输入层，若干卷积层，若干激励层，若干池化层，若干连接层和一个 输出层；
输入层：模型输入层对上述训练集图片进行预处理操作，将每张图片转换为三维矩阵A，即： A＝W*H*D，其中，W为训练集输入图片的宽度，H为训练集输入图片的高度，D为训练集输入 图片的深度；
卷积层：通过卷积层计算，将输入图片中的每一个特征首先局部感知，然后针对下一层次对 局部进行综合操作，从而得到全局信息；
卷积层计算公式为：
Figure BDA0002791926240000021
其中i为第i个卷积层，Wi、Bi为当前层需要求解的未知数；
激励层：通过激励函数对卷积层的输出结果做一次非线性映射
采用ReLU激励函数，如果ReLU失效的情况下，则使用Leaky ReLU和Maxout函数进行映射
其中ReLu激励函数的计算公式为：ReLU(f(x)＝(0，x))；
池化层：在构建相关辨真模型中引入池化层，用于针对输入的训练图片的特征降维，压缩数 据和参数的数量，减小过拟合，同时提高模型的容错性；
其中池层所用计算公式为：
Figure BDA0002791926240000031
其中i为第i个池化层，g为卷积层的输出依次取一小块矩阵纬度为3*3*3，Wi、Bi为当前 层需要求解的未知数；
连接层：经过若干次卷积层+激励层+池化层训练后，模型构建得到的一个高质量的特征图片 全连接层，成为一个简单的多分类神经网络，且可使用通过softmax函数得到最终的输出， 至此，整个模型训练完毕；
全连接层计算公式为：t(i)＝f(Wix+Bi)
其中i为第i个全连接层，x为上一层，Wi、Bi为当前层需要求解的未知数；
输出层：通过softmax函数将多分类神经网络中每一轮的图片输出的1*2设为二维向量转化 为概率分布，得出最终输出，完成模型训练过程
Softmax函数计算公式为：
Figure BDA0002791926240000032
其中，
Figure BDA0002791926240000033
第三步，将上述鉴别模型上传至专用云服务端，并开通相关API接口供使用。
本发明样本训练：
S1、训练样本设计：训练样本来源为通过相关机构验证的，被检验为真品或假冒产品的，通 过不同设备在不同环境下拍摄，划分为训练样本集和测试样本集；训练样本集用于训练实物 面缺陷识别网络，测试样本集用于验证实物面缺陷识别网络的有效性；训练样本集中的图像 分为两类：非仿冒或仿制商品图像和仿冒或仿制商品图像；非仿冒或仿制商品图像是包含有 真实缺陷的图像，用于提高网络对真实缺陷的识别能力；仿冒或仿制商品图像是不含有真实 缺陷的图片；
S2、训练样本实物图像的目标定位：
(1)输入测试图像
(2)输入一张图像，利用selective search得到2000个region proposal，对所有region proposal变换到固定尺寸并作为已训练好的CNN网络的输入，得到f7层的4096维特征，所 以f7层的输出是2000*4096；
(3)对每个类别，采用已训练好的这个类别的svm分类器对提取到的特征打分，所以SVM的 weight matrix是4096*N，N是类别数,即20，因此得分矩阵是2000*20，表示每个region proposal属于某一类的得分；
(4)对于2000*20中的某一列得分，找到分数最高的一个region proposal，然后只要该列 中其他region proposal和分数最高的IOU超过某一个阈值，则剔除该regionproposal， 这一轮剔除完后，再从剩下的region proposal找到分数最高的，然后计算别的region proposal和该分数最高的IOU是否超过阈值，超过的继续剔除，直到没有剩下region proposal，对每一列都这样操作，这样最终每一列都可以得到一些regionproposal；
(5)用N＝20个回归器对第4步得到的20个类别的region proposal进行回归，要用到pool5 层的特征，pool5特征的权重W是在训练阶段的结果，测试的时候直接用，最后得到每个类 别的修正后的bounding box，即目标物的定位；
S3、训练样本实物图像的目标分割：
(1)输入目标物的初步定位信息
(2)使用CRF模型建立目标特征的弱分类器的虚假预测方程，相关模型为：
Figure RE-GDA0002959369600000041
其中，x是像素的分配标签，上面公式分为一元势能函数θi(xi)和二元势能函数 θij(xi,yj)，
且，θi(xi)＝-log P(xi),其中P(x i)P(x_{i})P(x i)为DCNN对像素i处分配的标签 的概率
且，
Figure RE-GDA0002959369600000042
其中km是高斯核心，其值取决于像素 i和j的提取特征，并通过ωm加权后得到目标分割内核公式为：
Figure RE-GDA0002959369600000043
其中p为目标物体的像素位置，I为目标问题像素位置的颜色强度，
Figure RE-GDA0002959369600000044
和
Figure RE-GDA0002959369600000045
为高斯核的 边缘超参数；
S4、训练样本实物图像的缺陷点检测和提取：
(1)输入被成功提取的目标分割像素信息
(2)提取训练样本中非假冒产品图像，运行上述步骤1-4后，在图像中建立n个特征点，生 成一个2n纬度的特征点集合，即：
{(x1，y1)，(x2，y2)…，(xn，yn)}
其中，x＝(x1，…xn，y1…yn)T,T为特征纬度；
S5、缺陷检测模型的构建：
(1)设置检测模型的主要架构，检测模式基础使用DCNN(Deep ConvolutionalNetwork，多 层级深度卷积神经网络)模型，并通过人工干预进行相关调整，调整后的DCNN由四个Level 构成，Level-1由3个CNN(Convolutional Neural Network，卷积神经网络)组成；Level-2 由10个CNN组成(每个关键点采用两个CNN)；Level-3同样由10个CNN组成；Level-4为 最终处理及输出单元；
(2)Level-1设置：Level-1分3个CNN，分别是F1、EN1、NM1；F1输入尺寸为39*39，输出5个关键点的坐标；EN1输入尺寸为39*31，输出是3个关键点的坐标；NM11输入尺寸为 39*31，输出是3个关键点，Level-1的输出是由三个CNN输出取平均得到；
(3)Level-2设置：Level-2，由10个CNN构成，输入尺寸均为15*15，每两个组成一对， 一对CNN对一个关键点进行预测，预测结果同样是采取平均；
(4)Level-3设置：Level-3与Level-2一样，由10个CNN构成，输入尺寸均为15*15，每 两个组成一对，Level-2和Level-3是对Level-1得到的粗定位进行微调，得到精细的关键 点定位；
(5)Level-4的输入是将Level-3输出的inner point进行一定的旋转，最终将缺陷点的位 置进行输出判定；
S6、缺陷检测模型的计算过程
(1)将训练库中的彩色图像输入并导出R(红色)G(绿色)B(蓝色)三个通道数值，其中 每个值的数值介于0-255，并与图片的特征纬度数据进行关联
(2)使用上述图片的RGB数据生成图片卷积核数据，即：
Figure RE-GDA0002959369600000051
其中B为所处理图片的卷积数据，K是卷积核数据，A为图像的输入矩阵
(3)使用激励函数结合卷积数据结果激活卷积神经网络，即通过卷积层计算，将输入图片中 的每一个特征首先局部感知，然后针对下一层次对局部进行综合操作，从而得到全局信息； 本发明主要ReLU激励函数，如果ReLU失效的情况下，则使用Leaky ReLU和Maxout函数进 行映射其中ReLu激励函数的计算公式为：ReLU(f(x)＝(0，x))
(4)使用池化层提取通过激励函数处理的图像信息的特征，减少阶段传递的数据量用于针对 输入的训练图片的特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性， 即：
Figure RE-GDA0002959369600000052
其中i为第i个池化层，g为卷积层的输出依次取一小块矩阵纬度为3*3*3，Wi、Bi为当前 层需要求解的未知数
(5)经过若干次卷积层和池化层训练后，模型构建得到的一个高质量的特征图片全连接层， 成为一个简单的多分类神经网络，且可使用通过softmax函数得到最终的输出，使用分布式 特征表示的方式，将计算结果映射到样本图像信息的标记空间，输出最终计算矩阵与一个1 ×1尺寸的卷基层进行卷积运算结果，并最终展开为一个1×n的向量结果，输出最终缺陷检 测模型；
其中，使用Softmax进行运算结果映射所使用的计算公式为：
Figure RE-GDA0002959369600000053
其中，
Figure RE-GDA0002959369600000054
本发明针对现有商品真伪识别的效率和准确度问题，提取图片内实物图像的灰度图 像的边缘信息和深度信息，利用多重神经网络定位产品生产过程中造成的非人为造成的固有 缺陷，实现在复杂环境中对图像中的实物面的真实缺陷的高速和高精度识别。
附图说明
图1是本发明的流程示意图；
图2是本发明辨真模型的结构示意图；
图3是本发明辨真模型中矩阵部分的结构示意图。
具体实施方式
本发明包括以下步骤：
第一步，采集商品图像并构建数据库；
第二步，对采集商品图案进行变形并构建训练库；
第三步，构建并部署图片灰度信息模型，提取训练库内商品图案的灰度信息与边缘信息，形 成灰度信息数据库；
第四步，使用多重神经网络对灰度信息数据库内图片信息进行训练和测试，输出鉴别模型；
第五步，部署鉴别模型至云服务器供用户使用；
第六步，使用第二步中所述的图片灰度信息模型，对用户上传至模型的图片进行相关处理并 鉴别其性质。
采集商品图像并构建数据库为：
通过采集设备或其它渠道采集已知真伪的实物商品图像并分别进行标记后，将图像存储至商 品训练库文件夹。
对采集商品图案进行变形并构建训练库为：
对上述商品训练库文件夹内图片随机进行下述一项或多项无特定顺序的操作，生成新的图像， 并保存新生成图像至产品真伪信息训练库；
对采集商品图案进行变形并构建训练库包括：
操作一，随机选取商品训练库内图片，沿水平轴以随机角度翻转，生成新的图像，保存至图 像鉴别信息训练库；
操作二，随机选取商品训练库内图片，沿垂直轴以随机角度翻转，生成新的图像，保存至图 像鉴别信息训练库；
操作三，随机选取商品训练库内图片，沿水平方向随机平移图像若干个像素，生成新的图像， 保存至图像鉴别信息训练库；
操作四，随机选取商品训练库内图片，沿垂直方向随机平移图像若干个像素，生成新的图像， 保存至图像鉴别信息训练库；
操作五，随机选取商品训练库内图片，随机缩放图像，生成新的图像，保存至图像鉴别信息 训练库；
通过上述步骤完成前述图像鉴别信息训练库的构建。
构建并部署图片灰度信息模型，提取训练库内商品图案的灰度信息与边缘信息，形 成灰度信息数据库包括以下步骤：
第一步，使用灰度算法依次将图像鉴别信息训练库内图像信息分割为R(红)，G(绿)，B(蓝) 三个通道，转换完成后保存上述图像鉴别信息训练库内所有图像的灰度图片，保存上述图片 至灰度图片库内；
第二步，使用DnCNN神经网络去除上述灰度图像中每个颜色通道中的噪音，并替换上述第一 步中所述的原始灰度图片；
第三步，使用Sobel算子提取上述第二步中所述的去噪音后的灰度图片的水平和梯度信息， 并替换上述第二步中所述的原始灰度图片；
第四步，并行使用Isotropic Sobel，Robertsl，Prewitt算子分别提取上述第三步中所述的 灰度图片边缘信息，使上述第三步中所述的原始灰度图片分别生成三张新的，对应不同算子 的灰度图片，并替换上述第三步中所述的原始灰度图片；
第五步，使用im2bw和ycbcr2rgb反向转换算法获取上述第四步中所述原始灰度图片的灰度 信息图片的边缘信息，形成灰度信息数据库；
通过上述步骤完成前述的图片灰度信息模型与灰度信息数据库构建。
使用多重神经网络对灰度信息数据库内图片信息进行训练和测试，输出鉴别模型包 括以下步骤：
第一步，随机选取上述灰度信息模型内图片生成模型训练集，模型测试集和独立测试集。其 中，模型训练集，模型测试集和独立测试集内所有图片互不重复且均从灰度信息数据库内提 取；
第二步，构建基于多重神经网络的鉴别模型，通过对灰度信息数据库图片进行训练，参数调 整和图片特征提取，根据辨识准确率选取针对不同状态下图片的性能最佳的若干个模型，构 成合议算法，构建形成辨识模型；
第三步，将上述鉴别模型上传至专用云服务端，并开通相关API接口供使用。
其中，灰度图片数据集构建训练模型的数据集包括训练集，测试集和独立样品。测试集和独立样品集均从商品训练库内随机提取，且训练集，测试集和独立样品集无重复图片 训练集，测试集和独立样品集构建完成后，通过多重神经网络的模型架构构建鉴别模型。
其中，进行上述第一步所述的“选取上述灰度信息模型内图片生成模型训练集，模型测试集和独立测试集”操作时，模型训练集，模型测试集和独立测试集分别为使用Isotropic Sobel，Robertsl和Prewitt算子所生成的相关灰度图片信息数据生成各自相关模型训练集， 模型测试集和独立测试集，即模型训练集，模型测试集和独立测试集包括：
Isotropic Sobel_训练集，Isotropic Sobel_测试集，Isotropic Sobel_独立测试集；
Robertsl_训练集，Robertsl_测试集，Robertsl_独立测试集；
Prewitt_训练集，Prewitt_测试集，Prewitt_独立测试集。
其中，进行上述第二步所述的“构建基于多重神经网络的鉴别模型”操作时，模型结构包括至少一个输入层，若干卷积层，若干激励层，若干池化层，若干连接层和一个输出层。
上述模型结构简述如下：
输入层：模型输入层对上述训练集图片进行预处理操作。将每张图片转换为三维矩阵A，即： A＝W*H*D，其中，W为训练集输入图片的宽度，H为训练集输入图片的高度，D为训练集输入 图片的深度.
卷积层：通过卷积层计算，将输入图片中的每一个特征首先局部感知，然后针对下一层次对局部进行综合操作，从而得到全局信息。
本发明所述卷积层计算公式为：
Figure BDA0002791926240000081
其中i为第i个卷积层，Wi、Bi为当前层需要求解的未知数。
激励层：通过激励函数对卷积层的输出结果做一次非线性映射 根据实际情况，在平衡性能与所用***资源的情况下，本发明主要ReLU激励函数。如果ReLU 失效的情况下，则使用Leaky ReLU和Maxout函数进行映射其中ReLu激励函数的计算公式为：
ReLU(f(x)＝(0，x))。
池化层：本发明在构建相关辨真模型中引入池化层，用于针对输入的训练图片的特 征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。
其中池层所用计算公式为：
Figure BDA0002791926240000082
其中i为第i个池化层，g为卷积层的输出依次取一小块矩阵纬度为3*3*3，Wi、Bi为当前 层需要求解的未知数。
全连接层：经过若干次卷积层+激励层+池化层训练后，模型构建得到的一个高质量 的特征图片全连接层，成为一个简单的多分类神经网络，且可使用通过softmax函数得到最 终的输出。至此，整个模型训练完毕。
全连接层计算公式为：t(i)＝f(Wix+Bi)
其中i为第i个全连接层，x为上一层，Wi、Bi为当前层需要求解的未知数
输出层：通过softmax函数将多分类神经网络中每一轮的图片输出的1*2设为二维向量转化 为概率分布，得出最终输出，完成模型训练过程。
Softmax函数计算公式为：
Figure BDA0002791926240000091
其中，
Figure BDA0002791926240000092
其中，进行上述第二步所述的“构建基于多重神经网络的鉴别模型”操作时，分别使用***net，alexnet，vgg16，vgg19，squeezenet，inceptionv4，densenet201，mobilenetv2， resnet18，resnet50，resnet101，exception，inceptionresnetv2，shufflenet，nasnetmobile 和nasnetlarge网络结构，重复上述内所述步骤，构建独立的辨识模型。训练过程中每个网 络结构均使用多隐藏层设置，及每个网络结构通过隐藏层数1至1000分别进行并行计算。训 练过程使用并行运算。上述训练过程使用本地计算机计算。上述运算完成后合并上述鉴别模 型，构建基于不同灰度算子和网络结构的待测鉴别算法集。
其中，进行上述第二步所述“根据辨识准确率选取针对不同状态下图片的性能最佳 的若干个模型，构成合议算法”操作时，随机抽取Isotropic Sobel_测试集，IsotropicSobel_ 独立测试集，Robertsl_测试集，Robertsl_独立测试集，Prewitt_测试集和Prewitt_独 立测试集内图片信息，输入至前述待测鉴别算法集内进行计算，输出鉴别结果和前述待测鉴 别算法集内不同算法对使用不同算子所提取的灰度及边缘信息的准确率信息，并挑选鉴别性 能最佳的模型，使用多数服从少数的逻辑合议算法，结合成为辨真模型。
其中，进行上述第二步所述“部署输出后的模型至云服务器供用户使用”操作时，输出上述鉴别模型至专用服务器内，并开通专用API接口进行数据传输。
其中，进行上述第二步所述“对用户上传至模型的图片进行灰度和边缘信息构建后 进行产品真伪辨识”操作时，包括以下步骤：
第一步，用户通过上述专用API将被测图片上传至上述专用服务器内；
第二步，被测图片成功上传后，部署在上述服务器内的辨真模型自动进行上述步骤所述图片 灰度信息灰度信息与边缘信息提取操作，并记录相关信息；
第三步，已部署的，上述【0028】步骤所述的鉴别模型对被测图片的灰度信息进行运算，返 回鉴别结果，通过API将辨真结果返回至用户。
训练样本的过程：
1、软件选择。本项目的图像提取和模型输出步骤通过软件Mathematica进行处理。本项目的 图像边缘信息提取，图像的深度信息计算，相关神经网络架设与设置，相关神经网络设置与 现有Mathematica相关命令的关联设置通过软件Matlab2018b，Matlab2019a及Matlab2020a 进行处理。
2、训练样本设计：训练样本来源为通过相关机构验证的，被检验为真品或假冒产品 的，通过不同设备在不同环境下拍摄，具有上述性质的实物图像的图片。具备上述性质的图 片划分为训练样本集和测试样本集；训练样本集用于训练实物面缺陷识别网络，测试样本集 用于验证实物面缺陷识别网络的有效性；训练样本集中的图像分为两类：非仿冒或仿制商品 图像和仿冒或仿制商品图像；非仿冒或仿制商品图像是包含有真实缺陷的图像，用于提高网 络对真实缺陷的识别能力；仿冒或仿制商品图像是不含有真实缺陷的图片。上述图片均经过 软件和人工进行筛选，已除去相似样品。
3、训练样本实物图像的目标定位：
(1)输入测试图像
(2)输入一张图像，利用selective search得到2000个region proposal，对所有region proposal变换到固定尺寸并作为已训练好的CNN网络的输入，得到f7层的4096维特征，所 以f7层的输出是2000*4096；
(3)对每个类别，采用已训练好的这个类别的svm分类器对提取到的特征打分，所以SVM的 weight matrix是4096*N，N是类别数,即20，因此得分矩阵是2000*20，表示每个region proposal属于某一类的得分；
(4)对于2000*20中的某一列得分，找到分数最高的一个region proposal，然后只要该列中 其他region proposal和分数最高的IOU超过某一个阈值，则剔除该regionproposal。这 一轮剔除完后，再从剩下的region proposal找到分数最高的，然后计算别的region proposal 和该分数最高的IOU是否超过阈值，超过的继续剔除，直到没有剩下region proposal。对 每一列都这样操作，这样最终每一列(即每个类别)都可以得到一些region proposal；
(5)用N＝20个回归器对第4步得到的20个类别的region proposal进行回归，要用到pool5 层的特征。pool5特征的权重W是在训练阶段的结果，测试的时候直接用。最后得到每个类 别的修正后的bounding box，即目标物的定位
4、训练样本实物图像的目标分割：
(1)输入目标物的初步定位信息
(2)使用CRF模型建立目标特征的弱分类器的虚假预测方程。相关模型为：
Figure RE-GDA0002959369600000101
其中，x是像素的分配标签，上面公式分为一元势能函数θi(xi)和二元势能函数 θij(xi,yj)，
且，θi(xi)＝-log P(xi),其中P(x i)P(x_{i})P(x i)为DCNN对像素i处分配的标签 的概率
且，
Figure RE-GDA0002959369600000102
其中km是高斯核心，其值取决于像素 i和j的提取特征，并通过ωm加权后得到目标分割内核公式为：
Figure RE-GDA0002959369600000103
其中p为目标物体的像素位置，I为目标问题像素位置的颜色强度，
Figure RE-GDA0002959369600000104
和
Figure RE-GDA0002959369600000105
为高斯核的 边缘超参数
5、训练样本实物图像的缺陷点检测和提取：
(1)输入被成功提取的目标分割像素信息
(2)提取训练样本中非假冒产品图像，运行上述步骤1-4后，在图像中建立n个特征点，生 成一个2n纬度的特征点集合，即：
{(x1,y1),(x2,y2)…,(xn,yn)}
其中，x＝(x1,…xn,y1…yn)T,T为特征纬度
6、缺陷检测模型的构建
(1)设置检测模型的主要架构。检测模式基础使用DCNN(Deep ConvolutionalNetwork，多 层级深度卷积神经网络)模型，并通过人工干预进行相关调整。调整后的DCNN由四个Level 构成。Level-1由3个CNN(Convolutional Neural Network，卷积神经网络)组成；Level-2 由10个CNN组成(每个关键点采用两个CNN)；Level-3同样由10个CNN组成；Level-4为 最终处理及输出单元；
(2)Level-1设置：Level-1分3个CNN，分别是F1、EN1、NM1；F1输入尺寸为39*39，输出5个关键点的坐标；EN1输入尺寸为39*31，输出是3个关键点的坐标；NM11输入尺寸为 39*31，输出是3个关键点。Level-1的输出是由三个CNN输出取平均得到；
(3)Level-2设置：Level-2，由10个CNN构成，输入尺寸均为15*15，每两个组成一对， 一对CNN对一个关键点进行预测，预测结果同样是采取平均；
(4)Level-3设置：Level-3与Level-2一样，由10个CNN构成，输入尺寸均为15*15，每 两个组成一对。Level-2和Level-3是对Level-1得到的粗定位进行微调，得到精细的关键 点定位。
(5)Level-4的输入是将Level-3输出的inner point进行一定的旋转，最终将缺陷点的位 置进行输出判定
7、缺陷检测模型的计算过程
(1)将训练库中的彩色图像输入并导出R(红色)G(绿色)B(蓝色)三个通道数值，其中 每个值的数值介于0-255，并与图片的特征纬度数据进行关联
(2)使用上述图片的RGB数据生成图片卷积核数据，即：
Figure BDA0002791926240000111
其中B为所处理图片的卷积数据，K是卷积核数据，A为图像的输入矩阵
(3)使用激励函数结合卷积数据结果激活卷积神经网络，即通过卷积层计算，将输入图片中 的每一个特征首先局部感知，然后针对下一层次对局部进行综合操作，从而得到全局信息； 本发明主要ReLU激励函数。如果ReLU失效的情况下，则使用Leaky ReLU和Maxout函数进 行映射其中ReLu激励函数的计算公式为：ReLU(f(x)＝(0,x))
(4)使用池化层提取通过激励函数处理的图像信息的特征，减少阶段传递的数据量用于针对 输入的训练图片的特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性， 即：
Figure BDA0002791926240000112
其中i为第i个池化层，g为卷积层的输出依次取一小块矩阵纬度为3*3*3，Wi、Bi为当前 层需要求解的未知数
(5)经过若干次卷积层和池化层训练后，模型构建得到的一个高质量的特征图片全连接层， 成为一个简单的多分类神经网络，且可使用通过softmax函数得到最终的输出，使用分布式 特征表示的方式，将计算结果映射到样本图像信息的标记空间，输出最终计算矩阵与一个1 ×1尺寸的卷基层进行卷积运算结果，并最终展开为一个1×n的向量结果，输出最终缺陷检 测模型。
其中，使用Softmax进行运算结果映射所使用的计算公式为：
Figure BDA0002791926240000113
其中，
Figure BDA0002791926240000114

Claims (2)

1.一种使用神经网络鉴别商品真伪的方法，其步骤是：
S1、采集商品图像并构建数据库；
其特征在于：
S2、对采集商品图案进行变形并构建训练库：
操作一，随机选取商品训练库内图片，沿水平轴以随机角度翻转，生成新的图像，保存至图像鉴别信息训练库；
操作二，随机选取商品训练库内图片，沿垂直轴以随机角度翻转，生成新的图像，保存至图像鉴别信息训练库；
操作三，随机选取商品训练库内图片，沿水平方向随机平移图像若干个像素，生成新的图像，保存至图像鉴别信息训练库；
操作四，随机选取商品训练库内图片，沿垂直方向随机平移图像若干个像素，生成新的图像，保存至图像鉴别信息训练库；
操作五，随机选取商品训练库内图片，随机缩放图像，生成新的图像，保存至图像鉴别信息训练库；
S3、构建并部署图片灰度信息模型，提取训练库内商品图案的灰度信息与边缘信息，形成灰度信息数据库：
第一步，使用灰度算法依次将图像鉴别信息训练库内图像信息分割为R(红)，G(绿)，B(蓝)三个通道，转换完成后保存上述图像鉴别信息训练库内所有图像的灰度图片，保存上述图片至灰度图片库内；
第二步，使用DnCNN神经网络去除上述灰度图像中每个颜色通道中的噪音，并替换上述第一步中所述的原始灰度图片；
第三步，使用Sobel算子提取上述第二步中所述的去噪音后的灰度图片的水平和梯度信息，并替换上述第二步中所述的原始灰度图片；
第四步，并行使用Isotropic Sobel，Robertsl，Prewitt算子分别提取上述第三步中所述的灰度图片边缘信息，使上述第三步中所述的原始灰度图片分别生成三张新的，对应不同算子的灰度图片，并替换上述第三步中所述的原始灰度图片；
第五步，使用im2bw和ycbcr2rgb反向转换算法获取上述第四步中所述原始灰度图片的灰度信息图片的边缘信息，形成灰度信息数据库；
S4、使用多重神经网络对灰度信息数据库内图片信息进行训练和测试，输出鉴别模型：
第一步，随机选取上述灰度信息模型内图片生成模型训练集，模型测试集和独立测试集，其中，模型训练集，模型测试集和独立测试集内所有图片互不重复且均从灰度信息数据库内提取；
第二步，构建基于多重神经网络的鉴别模型，通过对灰度信息数据库图片进行训练，参数调整和图片特征提取，根据辨识准确率选取针对不同状态下图片的性能最佳的若干个模型，构成合议算法，构建形成辨识模型；
模型结构包括至少一个输入层，若干卷积层，若干激励层，若干池化层，若干连接层和一个输出层；
输入层：模型输入层对上述训练集图片进行预处理操作，将每张图片转换为三维矩阵A，即：A＝W*H*D，其中，W为训练集输入图片的宽度，H为训练集输入图片的高度，D为训练集输入图片的深度；
卷积层：通过卷积层计算，将输入图片中的每一个特征首先局部感知，然后针对下一层次对局部进行综合操作，从而得到全局信息；
卷积层计算公式为：
Figure FDA0002791926230000021
其中i为第i个卷积层，Wi、Bi为当前层需要求解的未知数；
激励层：通过激励函数对卷积层的输出结果做一次非线性映射
采用ReLU激励函数，如果ReLU失效的情况下，则使用Leaky ReLU和Maxout函数进行映射其中ReLu激励函数的计算公式为：ReLU(f(x)＝(0，x))；
池化层：在构建相关辨真模型中引入池化层，用于针对输入的训练图片的特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性；
其中池层所用计算公式为：
Figure FDA0002791926230000022
其中i为第i个池化层，g为卷积层的输出依次取一小块矩阵纬度为3*3*3，Wi、Bi为当前层需要求解的未知数；
连接层：经过若干次卷积层+激励层+池化层训练后，模型构建得到的一个高质量的特征图片全连接层，成为一个简单的多分类神经网络，且可使用通过softmax函数得到最终的输出，至此，整个模型训练完毕；
全连接层计算公式为：t(i)＝f(Wix+Bi)
其中i为第i个全连接层，x为上一层，Wi、Bi为当前层需要求解的未知数；
输出层：通过softmax函数将多分类神经网络中每一轮的图片输出的1*2设为二维向量转化为概率分布，得出最终输出，完成模型训练过程
Softmax函数计算公式为：
Figure FDA0002791926230000031
其中，
Figure FDA0002791926230000032
第三步，将上述鉴别模型上传至专用云服务端，并开通相关API接口供使用。
2.根据权利要求1所述的一种使用神经网络鉴别商品真伪的方法，其特征在于：样本训练：
S1、训练样本设计：训练样本来源为通过相关机构验证的，被检验为真品或假冒产品的，通过不同设备在不同环境下拍摄，划分为训练样本集和测试样本集；训练样本集用于训练实物面缺陷识别网络，测试样本集用于验证实物面缺陷识别网络的有效性；训练样本集中的图像分为两类：非仿冒或仿制商品图像和仿冒或仿制商品图像；非仿冒或仿制商品图像是包含有真实缺陷的图像，用于提高网络对真实缺陷的识别能力；仿冒或仿制商品图像是不含有真实缺陷的图片；
S2、训练样本实物图像的目标定位：
(1)输入测试图像
(2)输入一张图像，利用selective search得到2000个region proposal，对所有region proposal变换到固定尺寸并作为已训练好的CNN网络的输入，得到f7层的4096维特征，所以f7层的输出是2000*4096；
(3)对每个类别，采用已训练好的这个类别的svm分类器对提取到的特征打分，所以SVM的weight matrix是4096*N，N是类别数,即20，因此得分矩阵是2000*20，表示每个regionproposal属于某一类的得分；
(4)对于2000*20中的某一列得分，找到分数最高的一个region proposal，然后只要该列中其他region proposal和分数最高的IOU超过某一个阈值，则剔除该region proposal，这一轮剔除完后，再从剩下的region proposal找到分数最高的，然后计算别的regionproposal和该分数最高的IOU是否超过阈值，超过的继续剔除，直到没有剩下regionproposal，对每一列都这样操作，这样最终每一列都可以得到一些region proposal；
(5)用N＝20个回归器对第4步得到的20个类别的region proposal进行回归，要用到pool5层的特征，pool5特征的权重W是在训练阶段的结果，测试的时候直接用，最后得到每个类别的修正后的bounding box，即目标物的定位；
S3、训练样本实物图像的目标分割：
(1)输入目标物的初步定位信息
(2)使用CRF模型建立目标特征的弱分类器的虚假预测方程，相关模型为：
Figure RE-FDA0002959369590000033
其中，x是像素的分配标签，上面公式分为一元势能函数θi(xi)和二元势能函数θij(xi,yj)，
且，θi(xi)＝-log P(xi),其中P(xi)P(x_{i})P(xi)为DCNN对像素i处分配的标签的概率
且，θij(xi，xj)＝μ(xi，xj)
Figure RE-FDA0002959369590000041
其中km是高斯核心，其值取决于像素i和j的提取特征，并通过ωm加权后得到目标分割内核公式为：
Figure RE-FDA0002959369590000042
其中p为目标物体的像素位置，I为目标问题像素位置的颜色强度，
Figure RE-FDA0002959369590000043
和
Figure RE-FDA0002959369590000044
为高斯核的边缘超参数；
S4、训练样本实物图像的缺陷点检测和提取：
(1)输入被成功提取的目标分割像素信息
(2)提取训练样本中非假冒产品图像，运行上述步骤1-4后，在图像中建立n个特征点，生成一个2n纬度的特征点集合，即：
{(x1，y1)，(x2，y2)…，(xn，yn)}
其中，x＝(x1，…xn，y1…yn) T,T为特征纬度；
S5、缺陷检测模型的构建：
(1)设置检测模型的主要架构，检测模式基础使用DCNN(Deep ConvolutionalNetwork，多层级深度卷积神经网络)模型，并通过人工干预进行相关调整，调整后的DCNN由四个Level构成，Level-1由3个CNN(Convolutional Neural Network，卷积神经网络)组成；Level-2由10个CNN组成(每个关键点采用两个CNN)；Level-3同样由10个CNN组成；Level-4为最终处理及输出单元；
(2)Level-1设置：Level-1分3个CNN，分别是F1、EN1、NM1；F1输入尺寸为39*39，输出5个关键点的坐标；EN1输入尺寸为39*31，输出是3个关键点的坐标；NM11输入尺寸为39*31，输出是3个关键点，Level-1的输出是由三个CNN输出取平均得到；
(3)Level-2设置：Level-2，由10个CNN构成，输入尺寸均为15*15，每两个组成一对，一对CNN对一个关键点进行预测，预测结果同样是采取平均；
(4)Level-3设置：Level-3与Level-2一样，由10个CNN构成，输入尺寸均为15*15，每两个组成一对，Level-2和Level-3是对Level-1得到的粗定位进行微调，得到精细的关键点定位；
(5)Level-4的输入是将Level-3输出的inner point进行一定的旋转，最终将缺陷点的位置进行输出判定；
S6、缺陷检测模型的计算过程
(1)将训练库中的彩色图像输入并导出R(红色)G(绿色)B(蓝色)三个通道数值，其中每个值的数值介于0-255，并与图片的特征纬度数据进行关联
(2)使用上述图片的RGB数据生成图片卷积核数据，即：
Figure RE-FDA0002959369590000045
其中B为所处理图片的卷积数据，K是卷积核数据，A为图像的输入矩阵
(3)使用激励函数结合卷积数据结果激活卷积神经网络，即通过卷积层计算，将输入图片中的每一个特征首先局部感知，然后针对下一层次对局部进行综合操作，从而得到全局信息；本发明主要ReLU激励函数，如果ReLU失效的情况下，则使用Leaky ReLU和Maxout函数进行映射其中ReLu激励函数的计算公式为：ReLU(f(x)＝(0，x))
(4)使用池化层提取通过激励函数处理的图像信息的特征，减少阶段传递的数据量用于针对输入的训练图片的特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性，即：
Figure RE-FDA0002959369590000051
其中i为第i个池化层，g为卷积层的输出依次取一小块矩阵纬度为3*3*3，Wi、Bi为当前层需要求解的未知数
(5)经过若干次卷积层和池化层训练后，模型构建得到的一个高质量的特征图片全连接层，成为一个简单的多分类神经网络，且可使用通过softmax函数得到最终的输出，使用分布式特征表示的方式，将计算结果映射到样本图像信息的标记空间，输出最终计算矩阵与一个1×1尺寸的卷基层进行卷积运算结果，并最终展开为一个1×n的向量结果，输出最终缺陷检测模型；
其中，使用Softmax进行运算结果映射所使用的计算公式为：
Figure RE-FDA0002959369590000052
其中，
Figure RE-FDA0002959369590000053
CN202011318059.7A 2020-11-23 2020-11-23 一种使用神经网络鉴别商品真伪的方法 Pending CN112597798A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011318059.7A CN112597798A (zh) 2020-11-23 2020-11-23 一种使用神经网络鉴别商品真伪的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011318059.7A CN112597798A (zh) 2020-11-23 2020-11-23 一种使用神经网络鉴别商品真伪的方法

Publications (1)

Publication Number Publication Date
CN112597798A true CN112597798A (zh) 2021-04-02

Family

ID=75184499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011318059.7A Pending CN112597798A (zh) 2020-11-23 2020-11-23 一种使用神经网络鉴别商品真伪的方法

Country Status (1)

Country Link
CN (1) CN112597798A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657273A (zh) * 2021-08-17 2021-11-16 中国平安财产保险股份有限公司 确定商品信息的方法、装置、电子设备及介质
CN116129201A (zh) * 2023-04-18 2023-05-16 新立讯科技股份有限公司 一种商品生物特征的提取和验证方法
CN116128954A (zh) * 2022-12-30 2023-05-16 上海强仝智能科技有限公司 一种基于生成网络的商品布局识别方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766944A (zh) * 2019-01-10 2019-05-17 四川中新华搜信息技术有限公司 一种基于cnn的图像识别的商品外观防伪方法
CN110308151A (zh) * 2019-07-22 2019-10-08 重庆大学 一种基于机器视觉的金属工件表面缺陷识别方法及装置
CN110349126A (zh) * 2019-06-20 2019-10-18 武汉科技大学 一种基于卷积神经网络带标记的钢板表面缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766944A (zh) * 2019-01-10 2019-05-17 四川中新华搜信息技术有限公司 一种基于cnn的图像识别的商品外观防伪方法
CN110349126A (zh) * 2019-06-20 2019-10-18 武汉科技大学 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN110308151A (zh) * 2019-07-22 2019-10-08 重庆大学 一种基于机器视觉的金属工件表面缺陷识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
傅一: "基于超像素和条件随机场的图像语义分割算法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657273A (zh) * 2021-08-17 2021-11-16 中国平安财产保险股份有限公司 确定商品信息的方法、装置、电子设备及介质
CN116128954A (zh) * 2022-12-30 2023-05-16 上海强仝智能科技有限公司 一种基于生成网络的商品布局识别方法、装置及存储介质
CN116128954B (zh) * 2022-12-30 2023-12-05 上海强仝智能科技有限公司 一种基于生成网络的商品布局识别方法、装置及存储介质
CN116129201A (zh) * 2023-04-18 2023-05-16 新立讯科技股份有限公司 一种商品生物特征的提取和验证方法

Similar Documents

Publication Publication Date Title
CN111080629B (zh) 一种图像拼接篡改的检测方法
CN110348319B (zh) 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN112597798A (zh) 一种使用神经网络鉴别商品真伪的方法
Deb et al. An efficient method of vehicle license plate recognition based on sliding concentric windows and artificial neural network
CN110008909B (zh) 一种基于ai的实名制业务实时稽核***
CN109711416B (zh) 目标识别方法、装置、计算机设备和存储介质
CN107945153A (zh) 一种基于深度学习的路面裂缝检测方法
Türkyılmaz et al. License plate recognition system using artificial neural networks
CN109002755B (zh) 基于人脸图像的年龄估计模型构建方法及估计方法
CN112200121B (zh) 基于evm和深度学习的高光谱未知目标检测方法
CN106960176B (zh) 一种基于超限学习机和颜色特征融合的行人性别识别方法
CN110414616B (zh) 一种利用空间关系的遥感图像字典学习分类方法
CN110415260B (zh) 基于字典与bp神经网络的烟雾图像分割与识别方法
CN112163511A (zh) 一种图像真伪鉴别方法
CN104700078A (zh) 一种基于尺度不变特征极限学习机的机器人场景识别方法
CN112163450A (zh) 基于s3d学习算法的高频地波雷达船只目标检测方法
CN113870263A (zh) 一种路面缺陷损伤实时监测方法及***
CN111275070B (zh) 一种基于局部特征匹配的签名验证方法及设备
CN104143091A (zh) 基于改进mLBP的单样本人脸识别方法
CN113688821A (zh) 一种基于深度学习的ocr文字识别方法
CN104598898B (zh) 一种基于多任务拓扑学习的航拍图像快速识别***及其快速识别方法
CN113421223B (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
Gowri et al. Real time signature forgery detection using machine learning
Murthy et al. A novel classification model for high accuracy detection of Indian currency using image feature extraction process

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210402