CN108520285B - 物品鉴别方法、系统、设备及存储介质 - Google Patents

Abstract

本申请提供一种物品鉴别方法、系统、设备及存储介质。所述方法包括以下步骤：获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点；依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值；依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值；以及依据所述单点分值或/及所述总分值鉴别所述物品的真伪。本申请利用卷积神经网络对各图像中描述物品的目标鉴别点进行识别，构建评价机制以及通过对识别结果的评价确定物品真伪，有效解决了伪造商品无法快速鉴别的问题。

Description

物品鉴别方法、系统、设备及存储介质

技术领域

本申请涉及机器学习技术领域，特别是涉及一种物品鉴别方法、系统、设备及存储介质。

背景技术

如今，居民购买力提升、购入奢侈品增多，然而奢侈品真伪混合销售的情况层出不穷，奢侈品鉴别已成为消费者多渠道购入奢侈品的核心需求。目前国内外奢侈品鉴别的主要方式是人工鉴别，还没有通过深度学习方法鉴别奢侈品的论文或专利。

人工方式鉴别奢侈品尽管已经取得一些发展，但仍存在诸多问题。第一，国内目前没有奢侈品鉴别行业的职业资格证书，缺乏对于从业者所必备的学识、技术和能力的基本要求，且没有正规的培养方式，从业人员的职业素质很难保证。第二，培养奢侈品鉴别师的代价大，符合要求的鉴别师少，难以满足日益增大的市场需求。且奢侈品鉴别时效性强，所需知识储备量大，而人对于物品真假的理解是非常主观的，不同人依照自身的知识、经验、情绪等情况可能做出不同的判断，难以保证鉴别结果的准确率。第三，人工奢侈品鉴别行业利润空间大，易形成黑色利益链条，难以取得消费者的信任。且对比于去线下找实体店鉴别、寄送给平台鉴别等费时费力的方案，通过图片即可得到结果的方式更符合如今人们的使用习惯。

深度学习是机器学习中一种对数据进行表征学习的算法。源于人工神经网络的研究，其动机在于建立模拟人脑进行分析学习的神经网络，通过模仿人脑的机制来解释图像，声音和文本数据。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。Hinton等人于2006年提出了基于深度置信网络(DBN)的非监督贪心逐层训练算法，开启了深度学习在学术界和工业界的新浪潮。当前，深度学习已成为一种代表性的机器学习技术，被广泛应用于图像、声音、文本等领域。

因此，如何利用深度学习技术对奢侈品进行鉴别以提高鉴别准确率并降低鉴别成为业已成为本领域业者亟待解决的技术问题。

发明内容

鉴于以上所述现有技术的缺点，本申请的目的在于提供一种物品鉴别方法、系统、设备及存储介质，用于解决现有技术中无法快速鉴别物品真伪的问题。

为实现上述目的及其他相关目的，本申请的第一方面提供一种物品鉴别方法，包括以下步骤：获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点；依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值；依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值；以及依据所述单点分值或/及所述总分值鉴别所述物品的真伪。

在所述第一方面的某些实时方式中，所述方法还包括对所述多幅图像进行预处理的步骤。

在所述第一方面的某些实时方式中，所述预处理的步骤包括对所述图像进行尺寸修改、按比例缩放、加噪、反转、旋转、平移、缩放变换、剪切、对比度变换、随机通道偏移中的一种或多种处理。

在所述第一方面的某些实时方式中，所述方法还包括对至少一幅所述幅图像进行聚类处理的步骤。

在所述第一方面的某些实时方式中，所述对至少一幅图像进行聚类处理的步骤包括利用VGG19网络特征分类模型对至少一幅所述图像进行特征近似程度聚类，以确定对所述多幅图像的训练模型。

在所述第一方面的某些实时方式中，所述训练的对应各该目标鉴别点的多个卷积神经网络模型包括：VGG19网络模型，RESNET54网络模型，以及WRESNET16网络模型中的至少两个网络模型。

在所述第一方面的某些实时方式中，所述依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值还包括：保存所述至少一个目标鉴别点的多个卷积神经网络模型的输出结果以及提取到的特征；以及将所述多个卷积神经网络模型分别提取到的特征拼接处理，使用决策树算法进一步分类，获得对应每一目标鉴别点的单点分值。

在所述第一方面的某些实时方式中，所述的依据所述单点分值与所述总分值鉴别所述物品的真伪的步骤包括：预设第一阈值及第二阈值；判定为所述单点分值低于所述第一阈值时输出判定所述物品为伪的结果；以及在判定为所述单点分值高于所述第一阈值的条件下，判定为所述总分值低于所述第二阈值时输出判定所述物品为伪的结果。

在所述第一方面的某些实时方式中，所述方法还包括防止过拟合的步骤。

在所述第一方面的某些实时方式中，所述物品为奢侈品。

本申请第二方面提供一种物品鉴别系统，包括：预处理模块，用于获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点；识别模块，用于依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值；评价模块，用于依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值；以及依据所述单点分值或/及所述总分值鉴别所述物品的真伪。

在所述第二方面的某些实时方式中，所述预处理模块还用于对所述多幅图像进行预处理。

在所述第二方面的某些实时方式中，所述预处理模块对所述图像进行尺寸修改、按比例缩放、加噪、反转、旋转、平移、缩放变换、剪切、对比度变换、随机通道偏移中的一种或多种处理。

在所述第二方面的某些实时方式中，所述预处理模块还用于对至少一幅所述幅图像进行聚类处理。

在所述第二方面的某些实时方式中，所述预处理模块利用VGG19网络特征分类模型对至少一幅所述图像进行特征近似程度聚类，以确定对所述多幅图像的训练模型。

在所述第二方面的某些实时方式中，所述训练的对应各该目标鉴别点的多个卷积神经网络模型包括：VGG19网络模型，RESNET54网络模型，以及WRESNET16网络模型中的至少两个网络模型。

在所述第二方面的某些实时方式中，所述识别模块用于执行以下步骤：保存所述至少一个目标鉴别点的多个卷积神经网络模型的输出结果以及提取到的特征；以及将所述多个卷积神经网络模型分别提取到的特征拼接处理，使用决策树算法进一步分类，获得对应每一目标鉴别点的单点分值。

在所述第二方面的某些实时方式中，所述评价模块用于执行以下步骤：预设第一阈值及第二阈值；判定为所述单点分值低于所述第一阈值时输出判定所述物品为伪的结果；以及在判定为所述单点分值高于所述第一阈值的条件下，判定为所述总分值低于所述第二阈值时输出判定所述物品为伪的结果。

在所述第二方面的某些实时方式中，所述系统还包括训练模块，用于训练各卷积神经网络模型，其中，所述训练模块执行防止过拟合的步骤。

在所述第二方面的某些实时方式中，所述物品为奢侈品。

本申请第三方面提供一种物品识别设备，包括：存储器，用于存储程序代码；一个或多个处理器；其中，所述处理器用于调用所述存储器中存储的程序代码来执行上述第一方面任一项所述的物品鉴别方法。

本申请第四方面提供一种计算机可读存储介质，存储有用于鉴别物品的计算机程序，其特征在于，所述计算机程序被执行时实现上述第一方面任一项所述的物品鉴别方法。

如上所述，本申请物品鉴别方法、系统、设备及存储介质，利用卷积神经网络对各图像中描述物品的目标鉴别点进行识别，构建评价机制以及通过对识别结果的评价确定物品真伪，有效解决了伪造商品无法快速鉴别的问题，大大简化了电子交易或其他远程购物方式所产生的物品真伪争议。

附图说明

图1显示为本申请的物品鉴别方法在一实施方式中的流程图。

图2-5，其显示为待鉴别物品为包的包含目标鉴别点的多幅图像。

图6显示为本申请的物品鉴别系统在一实施方式中的流程图。

图7显示为本申请的物品鉴别设备一实施例的结构示意图。

具体实施方式

以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。

虽然在一些实例中术语第一、第二等在本文中用来描述各种元件，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一预设阈值可以被称作第二预设阈值，并且类似地，第二预设阈值可以被称作第一预设阈值，而不脱离各种所描述的实施例的范围。第一预设阈值和预设阈值均是在描述一个阈值，但是除非上下文以其他方式明确指出，否则它们不是同一个预设阈值。相似的情况还包括第一音量与第二音量。

再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示.应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加.此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合.因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。

电子交易平台的日益发展不仅丰富了物品的销售渠道，还为伪造物品提供了便捷的销售平台，用户不得不担心所购买物品的真伪性。然而，物品鉴别能力并非普通消费者易于具备的，同样地，作为物品销售平台，物品的真伪也并非电子交易平台易于审核的。作为一些时尚的奢侈品，如包、表等奢侈品等，物品鉴别人需要储备大量相关物品知识，以及熟悉物品所使用材质、做工流程、主题特点等，因此，采用人工鉴别的方式已无法满足购买高端物品的用户对物品鉴别准确性、时效性等需求。

为此，本申请提供一种物品鉴别方法。所述物品鉴别方法通过一物品鉴别系统来执行。其中，所述物品鉴别系统包含通过计算机设备中的软件和硬件来实现。

所述计算机设备可以是任何具有数学和逻辑运算、数据处理能力的计算设备，其包括但不限于：个人计算机设备、单台服务器、服务器集群、分布式服务端、所述云服务端等。其中，所述云服务端包括公共云(Public Cloud)服务端与私有云(Private Cloud)服务端，其中，所述公共或私有云服务端包括Software-as-a-Service(软件即服务，简称SaaS)、Platform-as-a-Service(平台即服务，简称PaaS)及Infrastructure-as-a-Service(基础设施即服务，简称IaaS)等。所述私有云服务端例如阿里云计算服务平台、亚马逊(Amazon)云计算服务平台、百度云计算平台、腾讯云计算平台等等。

其中，所述云服务端提供至少一种远程图片上传服务。所述远程图片上传服务包括但不限于以下至少一种：物品上架服务、物品鉴别的服务和物品投诉的服务等。其中，所述物品上架的服务例如商家上传待售物品图片和相关文字描述等，所述物品鉴别的服务例如购买者上传物品图片以鉴别真伪等，所述物品投诉的服务例如为购买者无法与商家达成一致时上传物品图片以供第三方(如电子交易平台)介入调解的服务等。

所述计算机设备至少包括：存储器、一个或多个处理器、I/O接口、网络接口和输入结构等。

其中所述存储器用于存储待鉴别物品的多幅图像以及至少一个程序。所述存储器可包括高速随机存取存储器，并且还可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。

在某些实施例中，存储器还可以包括远离一个或多个处理器的存储器，例如经由RF电路或外部端口以及通信网络访问的网络附加存储器，其中所述通信网络可以是因特网、一个或多个内部网、局域网(LAN)、广域网(WLAN)、存储局域网(SAN)等，或其适当组合。存储器控制器可控制设备的诸如CPU和外设接口之类的其他组件对存储器的访问。存储器可选地包括高速随机存取存储器，并且可选地还包括非易失性存储器，诸如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储器设备。由设备的其他组件诸如CPU和外围接口，对存储器的访问可选地通过存储器控制器来控制。

所述一个或多个处理器可操作地与网络接口耦接，以将计算设备以通信方式耦接至网络。例如，网络接口可将计算设备连接到局域网(如LAN)、和/或广域网(如WAN)。处理器还与I/O端口和输入结构可操作地耦接，该I/O端口可使得计算设备能够与各种其他电子设备进行交互，该输入结构可使得用户能够与计算设备进行交互。因此，输入结构可包括按钮、键盘、鼠标、触控板等。此外，电子显示器可包括触摸部件，该触摸部件通过检测对象触摸其屏幕的发生和/或位置来促进用户输入。

在另一种情况下，所述物品鉴别系统还可以由一种装载于智能终端上的应用程序(APP)来实现，所述智能终端通过拍摄获取待鉴定物品的多幅图像，并经由无线网络上传至云端服务器，藉由云端进行鉴别后反馈识别结果。

所述智能终端例如为包括但不限于智能手机、平板电脑、智能手表、智能眼镜、个人数字助理(PDA)等等便携式或者穿戴式的电子设备，应当理解，本申请于实施方式中描述的便携式电子设备只是一个应用实例，该设备的组件可以比图示具有更多或更少的组件，或具有不同的组件配置。所绘制图示的各种组件可以用硬件、软件或软硬件的组合来实现，包括一个或多个信号处理和/或专用集成电路。

所述智能终端包括存储器、存储器控制器、一个或多个处理器(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、触摸屏、其他输出或控制设备，以及外部端口。这些组件通过一条或多条通信总线或信号线进行通信。

所述智能终端支持各种应用程序，诸如以下各项中的一种或多种：绘图应用程序、呈现应用程序、文字处理应用程序、网站创建应用程序、盘编辑应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息应用程序、健身支持应用程序、照片管理应用程序、数码相机应用程序、数码视频摄像机应用程序、网页浏览应用程序、数码音乐播放器应用程序和/或数码视频播放器应用程序。

请参阅图1，其显示为本申请的物品鉴别方法在一实施方式中的流程图。其中，所述一个或多个处理器调取存储器中的至少一个程序和图像，用以执行所述物品鉴别方法。

在步骤S110中，获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点。在一实施例中，所述图像为的照片或图片，所述照片或图片的格式为计算机存储图片的格式，例如为bmp，jpg，png，tiff，gif，pcx，tga，exif，fpx，svg，psd，cdr，pcd，dxf，ufo，eps，ai，raw，WMF等存储的格式。

在此，所述物品鉴别系统提供一图像获取界面，用户根据所述界面中的提示提供待鉴定物品的多幅图像。其中，所述物品鉴别系统所获取的多幅图像中，每幅图像包含有至少要一个目标鉴别点。

在一些实施方式中，所述物品鉴别系统能鉴别属于同一商品类别的多种物品，例如，鉴别某品牌的双肩包、旅行包、斜挎包等；和/或鉴别不同种类的多种物品，例如，鉴别的物品种类包含双肩包、旅行包、挎包、女士表、男士表、怀表、各类化妆品等。需要特别说明的是，由于物品的不同，应理解的，鉴定物品的鉴定点也会不同，比如对于奢侈品而言的女士包，则其鉴定点一般包括皮签、拉链以及包括物品商标的标签；再比如对紫砂壶而言，则鉴定点通常在于紫砂壶的壶身与把手或者壶嘴的结合部以及顶盖等。在本申请提供的实施例中，暂以所述物品为女士包为例进行说明。

其中，所述目标鉴别点包括但不限于以下至少一种：物品标识部分、物品附属品、物品整体外形等。所述物品标识部分包括但不限于物品上的印制痕迹(如物品商标)、拉链和拉锁、包体和包袋之间的衔接处、表带、表盘等；所述物品附属品举例为包的皮签、表链样品等；物品整体外形举例为在至少一个视角下所展示的物品全身。为了确保所获取图像的清晰度和目标鉴别点的数量，所述物品鉴别系统可提示用户提供尽可能多视角的物品整体和局部图像，并执行步骤S120。

在一些实施方式中，所述物品鉴别系统可对所获取的多幅图像进行筛选，以得到符合图像鉴别清晰度、分辨率、目标鉴别点中至少一种要求的图像。例如，所述物品鉴别系统将剔除图像尺寸小于预设尺寸阈值的图像。又如，所述物品鉴别系统对所获取的图像进行清晰度分析并选择清晰度满足预设清晰度条件的图像。所述物品鉴别系统在筛选后执行步骤S120。

在又一些实施方式中，为了便于后续步骤对所获取的所有图像或者经筛选后保留的图像进行识别，所述物品鉴别方法还包括对所述多幅图像进行预处理的步骤。其中，所述预处理步骤旨在将所获取的图像与待调取的神经网络模型输入图像进行适配。所述预处理的步骤包括对所述图像进行尺寸修改、按比例缩放、加噪、反转、旋转、平移、缩放变换、剪切、对比度变换、随机通道偏移中的一种或多种处理。

例如，所述物品鉴别系统将所接收的550×300像素的图像旋转成300×550。又如，所述物品鉴别系统将所接收的1000×800像素的图像缩小或剪切后，再旋转至300×550。再如，所述物品鉴别系统对所获取的被美颜的图像进行锐化、加噪等处理以还原真实图像。所述物品鉴别系统接着执行步骤S120将预处理后的各图像送入神经网络模型进行识别。又如，所述物品鉴别系统识别图像中的物品轮廓，根据物品图像在整幅图像的位置对图像进行旋转、平移和剪切，以尽量减少物品图像中的背景并得到符合后续卷积神经网络所接收尺寸的图像。再如，所述物品鉴别系统对所获取的各图像进行灰度翻转，以便于后续抑制背景或对突出物品特征。再比如，所述物品鉴别系统在将各图像输入卷积神经网络前按照图像颜色或灰度等将图像进行随即通道偏移后注入卷积神经网络的不同通道。

在另一些实施方式中，所述物品鉴别系统能鉴别属于同一商品类别的多种物品，例如，鉴别某品牌的双肩包、旅行包、斜挎包等；和/或鉴别不同种类的多种物品，例如，鉴别的物品种类包含双肩包、旅行包、挎包、女士表、男士表、怀表、各类化妆品等。为了提高鉴别准确率，所述物品鉴别方法还包括对所述多幅图像进行聚类处理的步骤。在执行步骤S120之前，所述物品鉴别系统先利用图像中所拍摄的物品的外形等特征对所获取的图像进行聚类处理，用以将待鉴定物品归属于预设的其中一个种类中。在一具体示例中，为便于所述物品鉴别系统选取合适的图像进行聚类处理，在图形获取界面中可按照目标鉴别点提供分类提示，以使用户所上传的图像属于相应的种类。在另一具体示例中，所述物品鉴别系统可从所获取的多幅图像中选取至少一幅图像进行聚类处理，以确定待鉴别物品所归属的商品分类。

例如，所述物品鉴别系统从多幅图像中选择包含待鉴别物品全身的图像，再对所选出的图像进行聚类处理以确定待鉴别的物品分类。又如，所述物品鉴别系统对所获取的多幅图像同时进行聚类处理，并对每幅图像经聚类处理所得到的各商品分类进行评价以确定待识别的物品所属种类。其中，所述聚类处理可采用VGG19网络特征分类模型，即利用所述VGG19网络特征分类模型对至少一幅所述图像进行特征近似程度聚类，以确定对所述多幅图像的训练模型。例如，所述物品鉴别系统利用VGG19网络特征分类模型对至少一幅所获取的图像进行特征近似程度聚类，以确定待鉴定物品所属种类，并基于所确定的种类确定步骤S120所使用的多个神经网络模型。

在步骤S120中，依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型(简称网络模型)分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值。

在此，所述物品鉴别系统将所获取的各幅图像送入不同的卷积神经网络模型，以利用各卷积神经网络模型分别识别至少一个目标鉴别点并得到能识别出的每个目标鉴别点的单点分值。其中，对应识别同一目标鉴别点的卷积神经网络模型为多个。

在一示例中，每个目标鉴别点对应预设至少两个卷积神经网络模型，且所预设的卷积神经网络模型仅用于识别该目标鉴别点，例如，卷积神经网络模型A1和A2均用于识别目标鉴别点B1，卷积神经网络模型A3和A4用于识别目标鉴别点B2。在又一示例中，每个目标鉴别点对应预设至少两个卷积神经网络模型，所预设的卷积神经网络模型用于识别至少一个目标鉴别点，例如，卷积神经网络模型A5用于识别目标鉴别点B1，卷积神经网络模型A6用于识别目标鉴别点B1和B2，卷积神经网络模型A7用于识别目标鉴别点B2。

对应各该目标鉴别点的多个卷积神经网络模型包括但不限于：VGG19网络模型，RESNET54网络模型，以及WRESNET16网络模型中的至少两个网络模型。

为了提高各卷积神经网络模型识别相应目标鉴别点的准确率，各卷积神经网络模型经由样本图像训练而得的。其中，样本图像可通过对预设品牌的正品、次品、假冒品图像进行拍照，并对所拍摄照片进行图像处理，以丰富样本图像的数量。例如，在拍摄时按照多个角度拍摄不同视角的物品，再对所得到的照片进行如image_aug等图像增强处理，以增加样本图像数量。再利用样本图像对各卷积神经网络模型进行训练，并根据训练结果调整网络模型中的结构。以RESNET54网络模型为例，预设54个残差模块，每个模块内的卷积核大小均设为3×3，步幅设为1×1，前18个残差模块的卷积核数量设为16，中间18个设为32，最后18个设为64，除此之外，在RESNET残差模块中还包括一个卷积层，其卷积核为3×3，步幅为2×2，每个残差模块由三部分合并作为输出识别结果。按照上述参数设置对RESNET54网络模型进行训练，并利用反向传播算法求得RESNET54网络模型中各参数。

在进行各网络模型训练期间，还包括防止过拟合的步骤。例如，在各网络模型中设置丢弃层(dropout层)、设置weight_decay以及使用早停(early stopping)来防止过拟合。其中，dropout旨在优化网络的时候以一定的概率忽视某些节点，使得最终网络模型的结构可以看成是很多个网络的集成；另外，使用weight decay调节模型复杂度对损失函数的影响；以及使用早停手段使得当若干epoch之后训练误差没有降低时，提前结束网络的训练。

另外，至少一个网络模型中包含归一化层，用以提升模型容纳能力。例如，针对所鉴别的物品种类，用于鉴别相应种类中的目标鉴别点的网络模型中网络层按照batch进行归一化处理。

利用各卷积神经网络模型所识别的目标鉴别点的结果可用于描述输入的图像中包含单一目标鉴别点的可能性。例如，按照预设的评分等级描述图像中包含相应目标鉴别点的可能性。请参阅图2-5，其显示为待鉴别物品为包的包含目标鉴别点的多幅图像，所获取的多幅图像中包含的目标鉴别点包括：整体外观、拉链和拉锁、商标和皮签，每个目标鉴别点对应三个卷积神经网络模型进行单独识别，故而，每个目标鉴别点得到三个卷积神经网络模型所输出的三个单点分值。在得到单点分值后可执行步骤S140、或按照图1所示执行步骤S130及S140。

在一些实施方式中，各所述网络模型所输出的结果并非直接表征对应目标鉴别点的单点分值，物品鉴别系统基于同一目标鉴别点的各识别结果做进一步决策，以得到对应一个目标鉴别点的单点分值。为此，所述步骤S120包括以下步骤：保存所述至少一个目标鉴别点的多个卷积神经网络模型的输出结果以及提取到的特征；以及将所述多个卷积神经网络模型分别提取到的特征拼接处理，使用决策树算法进一步分类，获得对应每一目标鉴别点的单点分值。

在此，所述物品鉴别系统截取各网络模型的隐藏层中所输出的信息作为特征予以保存。例如，各网络模型的隐藏层中的全连接层将所得到的数据作为特征输出给所述物品鉴别系统。所述物品鉴别系统将识别同一目标鉴别点的各网络模型所提供的特征进行拼接处理。例如，所述物品鉴别系统将对应同一目标鉴别点的三个特征，即三个矩阵，进行拼接。再将拼接后的特征输入决策树算法，以得到对应目标鉴别点的单点分值。其中，所述决策树算法举例为XGBoost算法等。

在步骤S130中，依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值。

在进行网络模型训练期间，根据各网络模型识别对应目标鉴别点的正确率，为每个网络模型设置权重，当按照步骤S120对所获取的多幅图像进行识别并得到单点分值时，所述鉴别系统按照各所述权重对多个所述目标鉴别点的单点分值进行加权求和处理获得总分值。例如，待鉴别物品中目标鉴别点B1的两个网络模型A1和A2各自的权重为w1和w2，各自输出的单点分值为P1和P2；以及目标鉴别点B2的两个网络模型A3和A4各自的权重为w3和w4，各自输出的单点分值为P3和P4，则所述物品鉴别系统所得到的总分值为(w1×P1+w2×P2+w3×P3+w4×P4)。

基于决策树算法而得到的各目标鉴别点的单点分值可按照同一权重进行加权求和。例如，直接将各目标鉴别点的单点分值进行取和得到总分值。

在步骤S140中，依据所述单点分值或/及所述总分值鉴别所述物品的真伪。在此，所述物品鉴别系统可按照单点分值和总分值设置多个鉴别阶段，并按照预设的鉴别顺序遍历各鉴别阶段，以当根据其中一个鉴别阶段的鉴别结果得到真伪的鉴别结果。

例如，多个鉴别阶段包括：逐个鉴别单点分值和鉴别总分值，预设先依次鉴别所有目标鉴别点的各单点分值最后鉴别总分值的鉴别顺序，所述物品鉴别系统预设对应每个鉴别阶段的阈值，并按照上述鉴别阶段顺序，每当一个鉴别阶段为真则转至下一个鉴别阶段，直至遍历所有鉴别阶段最终得到真的结果，反之若在任一鉴别阶段确定为伪的结果，则确定所述物品为伪的结果。

在一些实施方式中，所述物品鉴别系统预设第一阈值及第二阈值；判定为所述单点分值低于所述第一阈值时输出判定所述物品为伪的结果；以及在判定为所述单点分值高于所述第一阈值的条件下，判定为所述总分值低于所述第二阈值时输出判定所述物品为伪的结果。

例如，待鉴定物品包含两个目标鉴别点，每个目标鉴别点对应三个单点分值，所述物品鉴别系统逐一判断六个单点分值，当单点分值低于所述第一阈值的比例大于预设比例阈值时，输出判定所述物品为伪的结果；反之，在基于单点分值判断为物品为真的条件下，判断所述总分值是否低于第二阈值，若是，则判断输出判定所述物品为伪的结果，否则输出判定所述物品为真的结果。其中，所述比例阈值在[0,1]之间。

需要说明的是，待鉴别的物品的目标鉴别点可以为一个，当目标鉴别点仅为一个的时候，所对应的单点分值即为总分值，所述步骤S130可简化为对单点分值与阈值的比较。该方式应视为基于本申请技术思想下的一个具体示例。

还需要说明的是，上述依据所述单点分值或/及所述总分值鉴别所述物品的真伪的方式仅为举例，任何依据本申请所述方式而得到的单点分值或/及总分值，并利用该至少一个分值进行真伪辨别的辨别策略应视为基于本申请技术思想下的具体示例。

本申请所提供的一种可利用图像进行物品鉴别的方式，利用卷积神经网络对各图像中描述物品的目标鉴别点进行识别，构建评价机制以及通过对识别结果的评价确定物品真伪，有效解决了伪造商品无法快速鉴别的问题，大大简化了电子交易或其他远程购物方式所产生的物品真伪争议。

请参阅图6，其显示为本申请的物品鉴别系统在一实施方式中的框图。所述物品鉴别系统1包括：预处理模块11、识别模块12和评价模块13。

所述预处理模块11用于获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点。在一实施例中，所述图像为的照片或图片，所述照片或图片的格式为计算机存储图片的格式，例如为bmp，jpg，png，tiff，gif，pcx，tga，exif，fpx，svg，psd，cdr，pcd，dxf，ufo，eps，ai，raw，WMF等存储的格式。

在此，所述预处理模块11提供一图像获取界面，用户根据所述界面中的提示提供待鉴定物品的多幅图像。其中，所述预处理模块11所获取的多幅图像中，每幅图像包含有至少要一个目标鉴别点。

在一些实施方式中，所述物品鉴别系统能鉴别属于同一商品类别的多种物品，例如，鉴别某品牌的双肩包、旅行包、斜挎包等；和/或鉴别不同种类的多种物品，例如，鉴别的物品种类包含双肩包、旅行包、挎包、女士表、男士表、怀表、各类化妆品等。需要特别说明的是，由于物品的不同，应理解的，鉴定物品的鉴定点也会不同，比如对于奢侈品而言的女士包，则其鉴定点一般包括皮签、拉链以及包括物品商标的标签；再比如对紫砂壶而言，则鉴定点通常在于紫砂壶的壶身与把手或者壶嘴的结合部以及顶盖等。在本申请提供的实施例中，暂以所述物品为女士包为例进行说明。

其中，所述目标鉴别点包括但不限于以下至少一种：物品标识部分、物品附属品、物品整体外形等。所述物品标识部分包括但不限于物品上的印制痕迹(如物品商标)、拉链和拉锁、包体和包袋之间的衔接处、表带、表盘等；所述物品附属品举例为包的皮签、表链样品等；物品整体外形举例为在至少一个视角下所展示的物品全身。为了确保所获取图像的清晰度和目标鉴别点的数量，所述预处理模块11可提示用户提供尽可能多视角的物品整体和局部图像，并执识别模块12。

在一些实施方式中，所述预处理模块11可对所获取的多幅图像进行筛选，以得到符合图像鉴别清晰度、分辨率、目标鉴别点中至少一种要求的图像。例如，所述预处理模块11将剔除图像尺寸小于预设尺寸阈值的图像。又如，所述预处理模块11对所获取的图像进行清晰度分析并选择清晰度满足预设清晰度条件的图像。所述预处理模块11在筛选后执行步骤S120。

在又一些实施方式中，为了便于后续步骤对所获取的所有图像或者经筛选后保留的图像进行识别，所述物品鉴别方法还包括对所述多幅图像进行预处理的步骤。

其中，所述预处理步骤旨在将所获取的图像与待调取的神经网络模型输入图像进行适配。所述预处理的步骤包括对所述图像进行尺寸修改、按比例缩放、加噪、反转、旋转、平移、缩放变换、剪切、对比度变换、随机通道偏移中的一种或多种处理。例如，所述预处理模块11将所接收的550×300像素的图像旋转成300×550。又如，所述预处理模块11将所接收的1000×800像素的图像缩小并旋转至300×550。再如，所述预处理模块11对所获取的被美颜的图像进行锐化、加噪等处理以还原真实图像。所述预处理模块11接着执行步骤S120将预处理后的各图像送入神经网络模型进行识别。又如，所述预处理模块11识别图像中的物品轮廓，根据物品图像在整幅图像的位置对图像进行旋转、平移和剪切，以尽量减少物品图像中的背景并得到符合后续卷积神经网络所接收尺寸的图像。再如，所述预处理模块11对所获取的各图像进行灰度翻转，以便于后续抑制背景或对突出物品特征。再比如，所述预处理模块11在将各图像输入卷积神经网络前按照图像颜色或灰度等将图像进行随即通道偏移后注入卷积神经网络的不同通道。

在另一些实施方式中，所述预处理模块11能鉴别属于同一商品类别的多种物品，例如，鉴别某品牌的双肩包、旅行包、斜挎包等；和/或鉴别不同种类的多种物品，例如，鉴别的物品种类包含双肩包、旅行包、挎包、女士表、男士表、怀表、各类化妆品等。为了提高鉴别准确率，所述物品鉴别方法还包括对所述多幅图像进行聚类处理的步骤。

在执行步骤S120之前，所述预处理模块11先利用图像中所拍摄的物品的外形等特征对所获取的图像进行聚类处理，用以将待鉴定物品归属于预设的其中一个种类中。在一具体示例中，为便于所述预处理模块11选取合适的图像进行聚类处理，在图形获取界面中可按照目标鉴别点提供分类提示，以使用户所上传的图像属于相应的种类。

在另一具体示例中，所述预处理模块11可从所获取的多幅图像中选取至少一幅图像进行聚类处理，以确定待鉴别物品所归属的商品分类。例如，所述预处理模块11从多幅图像中选择包含待鉴别物品全身的图像，再对所选出的图像进行聚类处理以确定待鉴别的物品分类。又如，所述预处理模块11对所获取的多幅图像同时进行聚类处理，并对每幅图像经聚类处理所得到的各商品分类进行评价以确定待识别的物品所属种类。其中，所述聚类处理可采用VGG19网络特征分类模型，即利用所述VGG19网络特征分类模型对至少一幅所述图像进行特征近似程度聚类，以确定对所述多幅图像的训练模型。例如，所述预处理模块11利用VGG19网络特征分类模型对至少一幅所获取的图像进行特征近似程度聚类，以确定待鉴定物品所属种类，并基于所确定的种类确定识别模块12所使用的多个神经网络模型。

所识别识别模块12用于依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型(简称网络模型)分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值。

在此，所述识别模块12将所获取的各幅图像送入不同的卷积神经网络模型，以利用各卷积神经网络模型分别识别至少一个目标鉴别点并得到能识别出的每个目标鉴别点的单点分值。其中，对应识别同一目标鉴别点的卷积神经网络模型为多个。

在一示例中，每个目标鉴别点对应预设至少两个卷积神经网络模型，且所预设的卷积神经网络模型仅用于识别该目标鉴别点，例如，卷积神经网络模型A1和A2均用于识别目标鉴别点B1，卷积神经网络模型A3和A4用于识别目标鉴别点B2。在又一示例中，每个目标鉴别点对应预设至少两个卷积神经网络模型，所预设的卷积神经网络模型用于识别至少一个目标鉴别点，例如，卷积神经网络模型A5用于识别目标鉴别点B1，卷积神经网络模型A6用于识别目标鉴别点B1和B2，卷积神经网络模型A7用于识别目标鉴别点B2。

对应各该目标鉴别点的多个卷积神经网络模型包括但不限于：VGG19网络模型，RESNET54网络模型，以及WRESNET16网络模型中的至少两个网络模型。为了提高各卷积神经网络模型识别相应目标鉴别点的准确率，各卷积神经网络模型经由样本图像训练而得的。其中，样本图像可通过对预设品牌的正品、次品、假冒品图像进行拍照，并对所拍摄照片进行图像处理，以丰富样本图像的数量。例如，在拍摄时按照多个角度拍摄不同视角的物品，再对所得到的照片进行如image_aug等图像增强处理，以增加样本图像数量。再利用样本图像对各卷积神经网络模型进行训练，并根据训练结果调整网络模型中的结构。以RESNET54网络模型为例，预设54个残差模块，每个模块内的卷积核大小均设为3×3，步幅设为1×1，前18个残差模块的卷积核数量设为16，中间18个设为32，最后18个设为64，除此之外，在RESNET残差模块中还包括一个卷积层，其卷积核为3×3，步幅为2×2，每个残差模块由三部分合并作为输出识别结果。按照上述参数设置对RESNET54网络模型进行训练，并利用反向传播算法求得RESNET54网络模型中各参数。

在进行各网络模型训练期间，还包括防止过拟合的步骤。例如，在各网络模型中设置丢弃层(dropout层)、设置weight_decay以及使用早停(early stopping)来防止过拟合。其中，dropout旨在优化网络的时候以一定的概率忽视某些节点，使得最终网络模型的结构可以看成是很多个网络的集成；另外，使用weight decay调节模型复杂度对损失函数的影响；以及使用早停手段使得当若干epoch之后训练误差没有降低时，提前结束网络的训练。

另外，至少一个网络模型中包含归一化层，用以提升模型容纳能力。例如，针对所鉴别的物品种类，用于鉴别相应种类中的目标鉴别点的网络模型中网络层按照batch进行归一化处理。

利用各卷积神经网络模型所识别的目标鉴别点的结果可用于描述输入的图像中包含单一目标鉴别点的可能性。例如，按照预设的评分等级描述图像中包含相应目标鉴别点的可能性。请参阅图2-5，其显示为待鉴别物品为包的包含目标鉴别点的多幅图像，所获取的多幅图像中包含的目标鉴别点包括：整体外观、拉链和拉锁、商标和包扣，每个目标鉴别点对应三个卷积神经网络模型进行单独识别，故而，每个目标鉴别点得到三个卷积神经网络模型所输出的三个单点分值。

在一些实施方式中，各所述网络模型所输出的结果并非直接表征对应目标鉴别点的单点分值，识别模块12基于同一目标鉴别点的各识别结果做进一步决策，以得到对应一个目标鉴别点的单点分值。为此，所述识别模块12执行以下步骤：保存所述至少一个目标鉴别点的多个卷积神经网络模型的输出结果以及提取到的特征；以及将所述多个卷积神经网络模型分别提取到的特征拼接处理，使用决策树算法进一步分类，获得对应每一目标鉴别点的单点分值。

在此，所述识别模块12截取各网络模型的隐藏层中所输出的信息作为特征予以保存。例如，各网络模型的隐藏层中的全连接层将所得到的数据作为特征输出给所述识别模块12。所述识别模块12将识别同一目标鉴别点的各网络模型所提供的特征进行拼接处理。例如，所述识别模块12将对应同一目标鉴别点的三个特征，即三个矩阵，进行拼接。再将拼接后的特征输入决策树算法，以得到对应目标鉴别点的单点分值。其中，所述决策树算法举例为XGBoost算法等。

所述评价模块13用于依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值。

在进行网络模型训练期间，根据各网络模型识别对应目标鉴别点的正确率，为每个网络模型设置权重，当按照识别模块12对所获取的多幅图像进行识别并得到单点分值时，所述鉴别系统1按照各所述权重对多个所述目标鉴别点的单点分值进行加权求和处理获得总分值。例如，待鉴别物品中目标鉴别点B1的两个网络模型A1和A2各自的权重为w1和w2，各自输出的单点分值为P1和P2；以及目标鉴别点B2的两个网络模型A3和A4各自的权重为w3和w4，各自输出的单点分值为P3和P4，则所述评价模块13所得到的总分值为(w1×P1+w2×P2+w3×P3+w4×P4)。

基于决策树算法而得到的各目标鉴别点的单点分值可按照同一权重进行加权求和。例如，直接将各目标鉴别点的单点分值进行取和得到总分值。

所述评价模块13还用于依据所述单点分值或/及所述总分值鉴别所述物品的真伪。在此，所述评价模块13可按照单点分值和总分值设置多个鉴别阶段，并按照预设的鉴别顺序遍历各鉴别阶段，以当根据其中一个鉴别阶段的鉴别结果得到真伪的鉴别结果。例如，多个鉴别阶段包括：逐个鉴别单点分值和鉴别总分值，预设先依次鉴别所有目标鉴别点的各单点分值最后鉴别总分值的鉴别顺序，所述评价模块13预设对应每个鉴别阶段的阈值，并按照上述鉴别阶段顺序，每当一个鉴别阶段为真则转至下一个鉴别阶段，直至遍历所有鉴别阶段最终得到真的结果，反之若在任一鉴别阶段确定为伪的结果，则确定所述物品为伪的结果。

在一些实施方式中，所述评价模块13预设第一阈值及第二阈值；判定为所述单点分值低于所述第一阈值时输出判定所述物品为伪的结果；以及在判定为所述单点分值高于所述第一阈值的条件下，判定为所述总分值低于所述第二阈值时输出判定所述物品为伪的结果。

例如，待鉴定物品包含两个目标鉴别点，每个目标鉴别点对应三个单点分值，所述评价模块13逐一判断六个单点分值，当单点分值低于所述第一阈值的比例大于预设比例阈值时，输出判定所述物品为伪的结果；反之，在基于单点分值判断为物品为真的条件下，判断所述总分值是否低于第二阈值，若是，则判断输出判定所述物品为伪的结果，否则输出判定所述物品为真的结果。其中，所述比例阈值在[0,1]之间。

需要说明的是，待鉴别的物品的目标鉴别点可以为一个，当目标鉴别点仅为一个的时候，所对应的单点分值即为总分值，所述评价模块13可简化为对单点分值与阈值的比较。该方式应视为基于本申请技术思想下的一个具体示例。

还需要说明的是，上述依据所述单点分值或/及所述总分值鉴别所述物品的真伪的方式仅为举例，任何依据本申请所述方式而得到的单点分值或/及总分值，并利用该至少一个分值进行真伪辨别的辨别策略应视为基于本申请技术思想下的具体示例。

请参阅图7，其显示为本申请的物品鉴别设备实施例一的结构示意图。如图所示，本实施例提供的计算机设备2主要包括存储器21、一个或多个处理器22、以及存储于所述存储器21中的一个或多个程序，其中，存储器21存储执行指令，当计算机设备2运行时，处理器22与存储器21之间通信。

其中，所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行指令，所述一个或多个处理器执行所述执行指令使得所述电子设备执行上述的物品鉴别方法，即所述处理器22执行执行指令使得计算机设备2执行如图1所示的方法，藉此可以通过图像识别的方式来鉴别物品真伪。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

本申请再提供一种计算机可读写存储介质，其上存储有用于鉴别物品的计算机程序，所述存储有用于鉴别物品的计算机程序被处理器执行时实现上述物品鉴别方法的步骤，即图1中所述的步骤。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

于本申请提供的实施例中，所述计算机可读写存储介质可以包括只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而，应当理解的是，计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质，而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘，其中，磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。

如上所述，本申请所提供的一种可利用图像进行物品鉴别的方式，利用卷积神经网络对各图像中描述物品的目标鉴别点进行识别，构建评价机制以及通过对识别结果的评价确定物品真伪，有效解决了伪造商品无法快速鉴别的问题，大大简化了电子交易或其他远程购物方式所产生的物品真伪争议。

上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (20)

1.一种物品鉴别方法，其特征在于，包括以下步骤：

获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点；

依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值；包括：将所获取的每幅所述图像送入不同的卷积神经网络模型，以利用各卷积神经网络模型分别识别至少一个目标鉴别点并得到能识别出的每个目标鉴别点的单点分值；其中，对应识别同一目标鉴别点的卷积神经网络模型为多个；

依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值；以及

依据所述单点分值或/及所述总分值鉴别所述物品的真伪，包括：

预设第一阈值及第二阈值；

判定为所述单点分值低于所述第一阈值时输出判定所述物品为伪的结果；以及

在判定为所述单点分值高于所述第一阈值的条件下，判定为所述总分值低于所述第二阈值时输出判定所述物品为伪的结果。

2.根据权利要求1所述的物品鉴别方法，其特征在于，还包括对所述多幅图像进行预处理的步骤。

3.根据权利要求2所述的物品鉴别方法，其特征在于，所述预处理的步骤包括对所述图像进行尺寸修改、按比例缩放、加噪、反转、旋转、平移、缩放变换、剪切、对比度变换、随机通道偏移中的一种或多种处理。

4.根据权利要求1所述的物品鉴别方法，其特征在于，还包括对至少一幅所述幅图像进行聚类处理的步骤。

5.根据权利要求4所述的物品鉴别方法，其特征在于，所述对至少一幅图像进行聚类处理的步骤包括利用VGG19网络特征分类模型对至少一幅所述图像进行特征近似程度聚类，以确定对所述多幅图像的训练模型。

6.根据权利要求1所述的物品鉴别方法，其特征在于，所述训练的对应各该目标鉴别点的多个卷积神经网络模型包括：VGG19网络模型，RESNET54网络模型，以及WRESNET16网络模型中的至少两个网络模型。

7.根据权利要求1所述的物品鉴别方法，其特征在于，所述依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值还包括：

保存所述至少一个目标鉴别点的多个卷积神经网络模型的输出结果以及提取到的特征；以及

将所述多个卷积神经网络模型分别提取到的特征拼接处理，使用决策树算法进一步分类，获得对应每一目标鉴别点的单点分值。

8.根据权利要求1所述的物品鉴别方法，其特征在于，还包括防止过拟合的步骤。

9.根据权利要求1所述的物品鉴别方法，其特征在于，所述物品为奢侈品。

10.一种物品鉴别系统，其特征在于，包括：

预处理模块，用于获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点；

识别模块，用于依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值；所述识别模块用于将所获取的每幅所述图像送入不同的卷积神经网络模型，以利用各卷积神经网络模型分别识别至少一个目标鉴别点并得到能识别出的每个目标鉴别点的单点分值；其中，对应识别同一目标鉴别点的卷积神经网络模型为多个；

评价模块，用于依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值；以及依据所述单点分值或/及所述总分值鉴别所述物品的真伪；其中，所述评价模块用于执行以下步骤：

预设第一阈值及第二阈值；

判定为所述单点分值低于所述第一阈值时输出判定所述物品为伪的结果；以及

在判定为所述单点分值高于所述第一阈值的条件下，判定为所述总分值低于所述第二阈值时输出判定所述物品为伪的结果。

11.根据权利要求10所述的物品鉴别系统，其特征在于，所述预处理模块还用于对所述多幅图像进行预处理。

12.根据权利要求11所述的物品鉴别系统，其特征在于，所述预处理模块对所述图像进行尺寸修改、按比例缩放、加噪、反转、旋转、平移、缩放变换、剪切、对比度变换、随机通道偏移中的一种或多种处理。

13.根据权利要求10所述的物品鉴别系统，其特征在于，所述预处理模块还用于对至少一幅所述幅图像进行聚类处理。

14.根据权利要求13所述的物品鉴别系统，其特征在于，所述预处理模块利用VGG19网络特征分类模型对至少一幅所述图像进行特征近似程度聚类，以确定对所述多幅图像的训练模型。

15.根据权利要求10所述的物品鉴别系统，其特征在于，所述训练的对应各该目标鉴别点的多个卷积神经网络模型包括：VGG19网络模型，RESNET54网络模型，以及WRESNET16网络模型中的至少两个网络模型。

16.根据权利要求10所述的物品鉴别系统，其特征在于，所述识别模块用于执行以下步骤：

保存所述至少一个目标鉴别点的多个卷积神经网络模型的输出结果以及提取到的特征；以及

将所述多个卷积神经网络模型分别提取到的特征拼接处理，使用决策树算法进一步分类，获得对应每一目标鉴别点的单点分值。

17.根据权利要求10所述的物品鉴别系统，其特征在于，还包括训练模块，用于训练各卷积神经网络模型，其中，所述训练模块执行防止过拟合的步骤。

18.根据权利要求10所述的物品鉴别系统，其特征在于，所述物品为奢侈品。

19.一种物品识别设备，其特征在于，包括：

存储器，用于存储程序代码；

一个或多个处理器；

其中，所述处理器用于调用所述存储器中存储的程序代码来执行权利要求1-9任一项所述的物品鉴别方法。

20.一种计算机可读存储介质，存储有用于鉴别物品的计算机程序，其特征在于，所述计算机程序被执行时实现权利要求1-9任一项所述的物品鉴别方法。

Images