CN109146517A - 一种基于在线字典学习数据匹配模型的假货数据识别方法 - Google Patents
一种基于在线字典学习数据匹配模型的假货数据识别方法 Download PDFInfo
- Publication number
- CN109146517A CN109146517A CN201810873318.9A CN201810873318A CN109146517A CN 109146517 A CN109146517 A CN 109146517A CN 201810873318 A CN201810873318 A CN 201810873318A CN 109146517 A CN109146517 A CN 109146517A
- Authority
- CN
- China
- Prior art keywords
- matching model
- data matching
- fake products
- online dictionary
- cargo
- 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
Links
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
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (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在线字典学习数据匹配模型的假货数据识别方法,本发明的技术方案是首先安装调试好硬件设备,联网并从假货数据数据匹配模型的图像中学习、建立在线字典学习数据匹配模型,将待检测货物的版本、批次、包装以及时间等图案放置于扫描设备下方,进行图像信息的采集,并通过在线字典学习数据匹配模型进行相似度匹配,得到最终相似度,设定一阈值,并将最终相似度与阈值进行比较,当最终相似度大于阈值时判断识别货物为正品,当最终相似度小于阈值时判断识别货物为假货,同时将正品和假货的信息保存以进行自我调节和自我校对,有效提升识别判断的准确性,同时节省了整体算法的运行时间,且大大提高了识别的效率和成功率。
Description
技术领域
本发明涉及计算机视觉与模式识别的图像智能处理技术领域,具体是一种基于在线字典学习数据匹配模型的假货数据识别方法。
背景技术
近年来,假货横行,无论是互联网电商渠道还是线下实体店渠道,大量假货被新闻爆出,已经成为影响当前社会民生不可忽视的一个重大问题。因此,研究假货在市场中的数据状态识别方法对预防假货和民众受的发生有着重大的意义。假货是指在市场中出现类似产品包装或者相同包装却不能进行防伪验证的产品,由于假货的反复出现并且包装不断升级(趋向于真货),使得普通消费者辨别假货的难度非常大;现阶段,假货状态的识别方法主要有以下几类:基于产品包装关键信息的识别方法,基于防伪参数的识别方法,基于包装批次的识别方法,基于计算机视觉的识别方法和融合多源信息比对的识别方法。
目前,基于产品包装关键信息的识别方法,主要是通过正品包装作为参考,一般用户难以通过自己判断来分辨,同时根据不同时间段关键包装信息相对来说有出入,并不一定准确。基于防伪参数的识别办法,对于厂家成本高,对于用户而言得进行验证。基于包装批次的识别方法,主要是通过时间段或者不同销售区域来判定,很难区分相关批次,有时候厂家也无法控制。基于计算机视觉的识别方法,具有很好的应用前景,但是算法相对复杂一些,主要有通过产品图片进行检测与目标识别,效率低,没有考虑个体的差异性数据库。融合多源信息对比是指从各个信息渠道进行验证产品的真伪,目前第三方平台收费才能够验证。因此,本领域技术人员提供了一种主题,以解决上述背景技术中提出的问题。
发明内容
本发明的目的在于提供一种基于在线字典学习数据匹配模型的假货数据识别方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于在线字典学习数据匹配模型的假货数据识别方法,该方法包括以下步骤:
1)安装好计算机、摄像装置和条码扫描器,连接网络,确保调试无误,计算机采用操作系统选用Windows7及以上系统,摄像装置选用1080P以上高清摄像头,选用的网络带宽至少是10Mb/s,条码扫描器的型号为SR-2000,计算机电线连接摄像装置、条码扫描器;
2)建立在线字典数据匹配模型,从假货数据数据匹配模型的图像中学习到自适应的字典,同时在每次识别过程中,将识别图片信息和结果进行录入、更新在线字典数据匹配模型,从而丰富在线字典数据匹配模型信息量,提升识别成功率;
3)利用计算机和现代扫描技术以及货物图像特征,将待检测识别的货物通过摄像装置扫描提取出关键信息图片,并通过图形算法将其转化成二进制数据,或是直接利用条码扫描器进行条码信息扫描,同时利用在线字典学习数据匹配模型对假货数据进行相似度匹配;
4)在扫描识别的过程中,将待检测货物的版本、批次、包装以及时间等图案依次放置于扫设备下方,且在扫描设备下方放置时间为1-3秒,以方便进行检测识别匹配计算,由此不仅考虑多特征维数对假货数据状态的识别效果,而且考虑时间段对识别结果的影响;
5)通过计算机观察检测结果,计算机内部通过依次将待检测货物的版本、批次、包装以及时间等转化后数据与在线字典学习数据匹配模型进行相似度匹配,最终将所得的相似度进行按比例计算得到最终相似度,设定一个阈值(例如90%相似度),当最终相似度大于阈值时判断识别货物为正品,当最终相似度小于阈值时判断识别货物为假货,并将正品或假货的数据保存在在线字典数据匹配模型中,方便实时进行自我校对和自我调节,提高设备判断的准确性。
作为本发明进一步的方案:所述步骤1)中,根据图像的数据匹配模型设计目标优化函数,将算法引入假货数据匹配模型中,同时利用在线字典学习算法来改进数据匹配模型,并引入时间窗。
作为本发明再进一步的方案:所述步骤3)中,待检测货物的版本、批次、包装以及时间等任一特征丢失或无法识别均视为与在线字典数据匹配模型匹配后的相似度为零。
作为本发明再进一步的方案:所述步骤3)中,该识别方法能够充分利用图像冗余的自相似性信息,并且引入了非局部正则技术和局部核回归正则技术,充分利用图像的非局部和局部信息进行理解与识别。
作为本发明再进一步的方案:所述步骤4)中,确保将待检测货物的版本、批次、包装以及时间等图像正面中心垂直对准扫描设备。
与现有技术相比,本发明的有益效果是:
本发明的技术方案是首先安装调试好硬件设备,联网并从假货数据数据匹配模型的图像中学习、建立在线字典学习数据匹配模型,将待检测货物的版本、批次、包装以及时间等图案放置于扫描设备下方,进行图像信息的采集,并通过在线字典学习数据匹配模型进行相似度匹配,得到最终相似度,设定一阈值,并将最终相似度与阈值进行比较,当最终相似度大于阈值时判断识别货物为正品,当最终相似度小于阈值时判断识别货物为假货,同时将正品和假货的信息保存以进行自我调节和自我校对,有效提升识别判断的准确性,同时节省了整体算法的运行时间,且大大提高了识别的效率和成功率。
附图说明
图1为一种基于在线字典学习数据匹配模型的假货数据识别方法的总流程示意图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步详细地说明。
实施例1:如图1所示,一种基于在线字典学习数据匹配模型的假货数据识别方法,该方法包括以下步骤:
1)安装好计算机、摄像装置和条码扫描器,连接网络,确保调试无误,计算机采用操作系统选用Windows7及以上系统,摄像装置选用1080P以上高清摄像头,选用的网络带宽至少是10Mb/s,条码扫描器的型号为SR-2000,计算机电线连接摄像装置、条码扫描器。
2)建立在线字典数据匹配模型,从假货数据数据匹配模型的图像中学习到自适应的字典,同时在每次识别过程中,将识别图片信息和结果进行录入、更新在线字典数据匹配模型,从而丰富在线字典数据匹配模型信息量,提升识别成功率;
3)利用计算机和现代扫描技术以及货物图像特征,将待检测识别的货物通过摄像装置扫描提取出关键信息图片,并通过图形算法将其转化成二进制数据,或是直接利用条码扫描器进行条码信息扫描,同时利用在线字典学习数据匹配模型对假货数据进行相似度匹配;
4)在扫描识别的过程中,将待检测货物的版本、批次、包装以及时间等图案依次放置于扫设备下方,且在扫描设备下方放置时间为1-3秒,以方便进行检测识别匹配计算,由此不仅考虑多特征维数对假货数据状态的识别效果,而且考虑时间段对识别结果的影响;
5)通过计算机观察检测结果,计算机内部通过依次将待检测货物的版本、批次、包装以及时间等转化后数据与在线字典学习数据匹配模型进行相似度匹配,最终将所得的相似度进行按比例计算得到最终相似度,设定一个阈值(例如90%相似度),当最终相似度大于阈值时判断识别货物为正品,当最终相似度小于阈值时判断识别货物为假货,并将正品或假货的数据保存在在线字典数据匹配模型中,方便实时进行自我校对和自我调节,提高设备判断的准确性。
所述步骤1)中,根据图像的数据匹配模型设计目标优化函数,将算法引入假货数据匹配模型中,同时利用在线字典学习算法来改进数据匹配模型,并引入时间窗。
所述步骤3)中,待检测货物的版本、批次、包装以及时间等任一特征丢失或无法识别均视为与在线字典数据匹配模型匹配后的相似度为零。
所述步骤3)中,该识别方法能够充分利用图像冗余的自相似性信息,并且引入了非局部正则技术和局部核回归正则技术,充分利用图像的非局部和局部信息进行理解与识别。
所述步骤4)中,确保将待检测货物的版本、批次、包装以及时间等图像正面中心垂直对准扫描设备。
本发明的工作原理是:
本发明的技术方案是首先从假货数据数据匹配模型的图像中学习到自适应的字典;其次,根据图像的数据匹配模型设计目标优化函数,建立在线字典学习数据匹配模型,将算法引入假货数据数据匹配模型中;再次,利用在线字典学习数据匹配模型对假货数据进行识别;最后,通过对不同版本、批次、包装以及时间等多维度数据信息进行假货状态识别。
上面对本发明的较佳实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.一种基于在线字典学习数据匹配模型的假货数据识别方法,其特征在于,包括以下步骤:
1)安装好计算机、摄像装置和条码扫描器,连接网络,确保调试无误,计算机采用操作系统选用Windows7及以上系统,摄像装置选用1080P以上高清摄像头,选用的网络带宽至少是10Mb/s,条码扫描器的型号为SR-2000,计算机电线连接摄像装置、条码扫描器;
2)建立在线字典数据匹配模型,从假货数据数据匹配模型的图像中学习到自适应的字典,同时在每次识别过程中,将识别图片信息和结果进行录入、更新在线字典数据匹配模型,从而丰富在线字典数据匹配模型信息量,提升识别成功率;
3)利用计算机和现代扫描技术以及货物图像特征,将待检测识别的货物通过摄像装置扫描提取出关键信息图片,并通过图形算法将其转化成二进制数据,或是直接利用条码扫描器进行条码信息扫描,同时利用在线字典学习数据匹配模型对假货数据进行相似度匹配;
4)在扫描识别的过程中,将待检测货物的版本、批次、包装以及时间等图案依次放置于扫设备下方,且在扫描设备下方放置时间为1-3秒,以方便进行检测识别匹配计算,由此不仅考虑多特征维数对假货数据状态的识别效果,而且考虑时间段对识别结果的影响;
5)通过计算机观察检测结果,计算机内部通过依次将待检测货物的版本、批次、包装以及时间等转化后数据与在线字典学习数据匹配模型进行相似度匹配,最终将所得的相似度进行按比例计算得到最终相似度,设定一个阈值(例如90%相似度),当最终相似度大于阈值时判断识别货物为正品,当最终相似度小于阈值时判断识别货物为假货,并将正品或假货的数据保存在在线字典数据匹配模型中,方便实时进行自我校对和自我调节,提高设备判断的准确性。
2.根据权利要求1所述的一种基于在线字典学习数据匹配模型的假货数据识别方法,其特征在于,所述步骤1)中,根据图像的数据匹配模型设计目标优化函数,将算法引入假货数据匹配模型中,同时利用在线字典学习算法来改进数据匹配模型,并引入时间窗。
3.根据权利要求1所述的一种基于在线字典学习数据匹配模型的假货数据识别方法,其特征在于,所述步骤3)中,待检测货物的版本、批次、包装以及时间等任一特征丢失或无法识别均视为与在线字典数据匹配模型匹配后的相似度为零。
4.根据权利要求1所述的一种基于在线字典学习数据匹配模型的假货数据识别方法,其特征在于,所述步骤3)中,该识别方法能够充分利用图像冗余的自相似性信息,并且引入了非局部正则技术和局部核回归正则技术,充分利用图像的非局部和局部信息进行理解与识别。
5.根据权利要求1所述的一种基于在线字典学习数据匹配模型的假货数据识别方法,其特征在于,所述步骤4)中,确保将待检测货物的版本、批次、包装以及时间等图像正面中心垂直对准扫描设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810873318.9A CN109146517A (zh) | 2018-08-02 | 2018-08-02 | 一种基于在线字典学习数据匹配模型的假货数据识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810873318.9A CN109146517A (zh) | 2018-08-02 | 2018-08-02 | 一种基于在线字典学习数据匹配模型的假货数据识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109146517A true CN109146517A (zh) | 2019-01-04 |
Family
ID=64798791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810873318.9A Pending CN109146517A (zh) | 2018-08-02 | 2018-08-02 | 一种基于在线字典学习数据匹配模型的假货数据识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146517A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059214A (zh) * | 2019-04-01 | 2019-07-26 | 北京奇艺世纪科技有限公司 | 一种图像资源处理方法及装置 |
CN110351332A (zh) * | 2019-05-30 | 2019-10-18 | 深圳壹账通智能科技有限公司 | 动态调整时间阈值的方法、装置、计算机设备和存储介质 |
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系统及方法 |
CN112101848A (zh) * | 2020-08-11 | 2020-12-18 | 大亚湾核电运营管理有限责任公司 | 联合储备的核电站战略物资领料方法、装置、设备及介质 |
CN114943546A (zh) * | 2022-05-25 | 2022-08-26 | 南京数睿数据科技有限公司 | 物品防伪检测方法、装置、电子设备和计算机可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1870046A (zh) * | 2006-07-04 | 2006-11-29 | 周菩 | 计算机辅助的传世高古玉器真伪鉴别方法 |
CN1916932A (zh) * | 2005-08-19 | 2007-02-21 | 上海凯搏比价网络系统有限公司 | 一种利用图像分析技术识别产品的装置及方法 |
CN101957915A (zh) * | 2010-09-16 | 2011-01-26 | 北京优纳科技有限公司 | 字画扫描设备及鉴定方法 |
CN104636733A (zh) * | 2015-02-12 | 2015-05-20 | 湖北华中文化产权交易所有限公司 | 一种基于图像特征的书画作品鉴定方法 |
CN107004263A (zh) * | 2014-12-31 | 2017-08-01 | 朴相来 | 图像分析方法、装置及计算机可读装置 |
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系统 |
CN107491973A (zh) * | 2017-09-30 | 2017-12-19 | 特兰旗(厦门)科技有限公司 | 产品防伪管理系统和方法 |
CN107622250A (zh) * | 2017-09-27 | 2018-01-23 | 深圳市得色科技有限公司 | 基于机器学习的3d图像识别方法及其系统 |
-
2018
- 2018-08-02 CN CN201810873318.9A patent/CN109146517A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916932A (zh) * | 2005-08-19 | 2007-02-21 | 上海凯搏比价网络系统有限公司 | 一种利用图像分析技术识别产品的装置及方法 |
CN1870046A (zh) * | 2006-07-04 | 2006-11-29 | 周菩 | 计算机辅助的传世高古玉器真伪鉴别方法 |
CN101957915A (zh) * | 2010-09-16 | 2011-01-26 | 北京优纳科技有限公司 | 字画扫描设备及鉴定方法 |
CN107004263A (zh) * | 2014-12-31 | 2017-08-01 | 朴相来 | 图像分析方法、装置及计算机可读装置 |
CN104636733A (zh) * | 2015-02-12 | 2015-05-20 | 湖北华中文化产权交易所有限公司 | 一种基于图像特征的书画作品鉴定方法 |
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系统 |
CN107622250A (zh) * | 2017-09-27 | 2018-01-23 | 深圳市得色科技有限公司 | 基于机器学习的3d图像识别方法及其系统 |
CN107491973A (zh) * | 2017-09-30 | 2017-12-19 | 特兰旗(厦门)科技有限公司 | 产品防伪管理系统和方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059214A (zh) * | 2019-04-01 | 2019-07-26 | 北京奇艺世纪科技有限公司 | 一种图像资源处理方法及装置 |
CN110351332A (zh) * | 2019-05-30 | 2019-10-18 | 深圳壹账通智能科技有限公司 | 动态调整时间阈值的方法、装置、计算机设备和存储介质 |
CN110351332B (zh) * | 2019-05-30 | 2022-04-15 | 深圳壹账通智能科技有限公司 | 动态调整时间阈值的方法、装置、计算机设备和存储介质 |
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系统及方法 |
CN112101848A (zh) * | 2020-08-11 | 2020-12-18 | 大亚湾核电运营管理有限责任公司 | 联合储备的核电站战略物资领料方法、装置、设备及介质 |
CN114943546A (zh) * | 2022-05-25 | 2022-08-26 | 南京数睿数据科技有限公司 | 物品防伪检测方法、装置、电子设备和计算机可读介质 |
CN114943546B (zh) * | 2022-05-25 | 2024-04-09 | 南京数睿数据科技有限公司 | 物品防伪检测方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146517A (zh) | 一种基于在线字典学习数据匹配模型的假货数据识别方法 | |
US11417148B2 (en) | Human face image classification method and apparatus, and server | |
US7535469B2 (en) | Apparatus and method for creating three-dimensional caricature | |
CN109410036A (zh) | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 | |
CN111091109B (zh) | 基于人脸图像进行年龄和性别预测的方法、系统和设备 | |
CN111709456A (zh) | 酒瓶表面缺陷检测方法、电子装置及存储介质 | |
CN111339990A (zh) | 一种基于人脸特征动态更新的人脸识别系统和方法 | |
CN106875007A (zh) | 用于语音欺骗检测的基于卷积长短期记忆端对端深度神经网络 | |
CN112966742A (zh) | 模型训练方法、目标检测方法、装置和电子设备 | |
CN111209878A (zh) | 跨年龄人脸识别方法及装置 | |
CN108491872B (zh) | 目标再识别方法和装置、电子设备、程序和存储介质 | |
CN111582033A (zh) | 垃圾分类的识别方法、系统及计算机可读存储介质 | |
CN110705630A (zh) | 半监督学习式目标检测神经网络训练方法、装置及应用 | |
CN111225299A (zh) | 一种onu故障识别、修复方法和装置 | |
CN106055664A (zh) | 一种基于用户评论的ugc垃圾内容过滤方法及系统 | |
CN110751191A (zh) | 一种图像的分类方法及系统 | |
CN111159458A (zh) | 一种农产品图像处理与区块链交互识别方法及系统 | |
CN112132766A (zh) | 图像的修复方法和装置、存储介质、电子装置 | |
CN112507778A (zh) | 一种基于线特征的改进词袋模型的回环检测方法 | |
CN105160285A (zh) | 基于立体视觉的自动人体跌倒识别方法及系统 | |
CN111709452B (zh) | 酒瓶表面缺陷模型的评价方法、电子装置及存储介质 | |
CN109784384A (zh) | 一种自动辨别商标真伪的方法及装置 | |
CN108734518A (zh) | 一种使用图像识别技术统计广告效果的方法 | |
CN111709451A (zh) | 酒瓶表面缺陷检测方法、电子装置及存储介质 | |
CN108734011A (zh) | 软件链接检测方法及装置 |
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 |
Application publication date: 20190104 |
|
RJ01 | Rejection of invention patent application after publication |