CN109766944A - 一种基于cnn的图像识别的商品外观防伪方法 - Google Patents

Abstract

本发明公开了一种基于CNN的图像识别的商品外观防伪方法，属于防伪技术领域，一种基于CNN的图像识别的商品外观防伪方法，可以实现通过拍摄机构，利用照片或者视频的形式采集商品外观信息并存储至系统，挑选采集到的图片或视频，在通过图片处理算法调整所有图片大小为统一大小，在基于CNN模型下进行训练，训练完成后进行模型测试提高测试图片的正确率，最终部署至云服务器，消费者在购买商品之前通过对商品进行拍照上传至云服务器进行识别对比，显著提高商品的识别率，识别商品真伪的能力几乎可以达到人为识别标准，给消费者提供了一个方便快捷的识别真假商品的有力工具，极大的减少了消费者买到假货的可能。

Description

一种基于CNN的图像识别的商品外观防伪方法

技术领域

本发明涉及防伪技术领域，更具体地说，涉及一种基于CNN的图像识别的商品外观防伪方法。

背景技术

目前对商品的外观防伪方法大多分两类:1、印刷防伪；2、图像生成及识别算法防伪。

1、印刷防伪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，这类防伪方法基本上能杜绝造假者模仿和复制，但是最大的问题在于计算机系统不具备有效的识别能力，消费者自身对这样的防伪印刷技术也缺少识别的能力，所以此类技术能防止造假者复制，但却解决不了识别问题。

2、图像识别算法防伪现在市场流行的方案有很多，各有不同，其大致思想如下：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)安装指定识别软件系统扫描图像并识别出该信息，然后该软件系统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，但是弊端在于无法防止造假者复制和伪造图像，即使能做到防止复制，也极有可能需要消费者购买之后拆开包装之后才能进行验证，这样的代价太大，没有任何意义。

当前市场上，每一款商品的外观都是特定的，而且都使用了若干防伪印刷技术，这些防伪印刷技术的仿制难度很高，造出一模一样的成本会非常高，造假分子会无利可图，造假分子只能大致仿造，所以仿冒品与真品之间一定是存在差异的，消费者则需要一种识别手段能够准确快速简单的识别出这种差异。

目前基本上每一种防伪手段都有相应的识别手段，如果消费者按照指导的识别手段也基本能识别出来，但现实的情况是：

1、消费者没有渠道获取到这些识别手段。

2、商品种类繁多，每种商品都有不同的识别手段，1000种商品就得掌握1000种识别手段，消费者掌握不了那么多技能。

3、商品在不断更新迭代，识别手段在更新，消费者信息更新不及时。

还有部分特殊商品在出厂前和出厂后的状态不一样，例如枣花蜜，出厂前属于粘稠状态，出厂后因为温度关系可能会变成结晶状态，商品外观出现变化，且即使外观识别一致，消费者由于缺乏对枣花蜜的认知，不愿意购买此类商品，造成结晶类枣花蜜的滞销，另外枣花蜜真品的气味比较特殊，不法商家可以抓住漏洞利用带有更为被广大消费者所喜的清香气味的仿冒品，由于消费者缺乏对这类特殊商品的认知导致容易出现产品滞销或者购买仿冒品的可能。

在如今山寨货、仿冒品充斥商品市场的社会，因此消费者急需一种功能强大的商品外观识别技术来帮助自己，快速、简单、全面、准确的识别真品。

发明内容

1.要解决的技术问题

针对现有技术中存在的问题，本发明的目的在于提供一种基于CNN的图像识别的商品外观防伪方法，它可以实现通过拍摄机构，利用照片或者视频的形式采集商品外观信息并存储至系统，挑选采集到的图片或视频，在通过图片处理算法调整所有图片大小为统一大小，在基于CNN模型下进行训练，训练完成后进行模型测试提高测试图片的正确率，最终部署至云服务器，消费者在购买商品之前通过对商品进行拍照上传至云服务器进行识别对比，显著提高商品的识别率，识别商品真伪的能力几乎可以达到人为识别标准，给消费者提供了一个方便快捷的识别真假商品的有力工具，极大的减少了消费者买到假货的可能，商家可在升级更换包装时也能及时将识别能力拓展到本发明所对应的系统，让新包装的防伪能力迅速让消费者掌握，同时让防伪印刷能有效抵御造假分子的攻击。

2.技术方案

为解决上述问题，本发明采用如下的技术方案。

一种基于CNN的图像识别的商品外观防伪方法，包括以下步骤：

(一)、商品信息采集；生产厂商对实物商品进行全方位视频采集或者照片采集，并置于不同环境环境中分别录制若干份，并标记：真品，采集完毕后，上传视频和照片至系统；

(二)、商品信息预处理；从采集的视频或图像中抽取图片，在通过图片处理算法调整所有图片大小为统一大小，形成图像样本数据；

(三)、基于CNN模型训练；模型结构如下：输入层-(卷积层-池化层)*若干-(全连接层)*若干-输出层-参数优化，将图像样本数据分为训练集和测试集，训练分为多轮，每一轮从所有图片中抽取一部分，这里设为n张图片训练；

输入层：将每张图片转换为三维矩阵A；

卷积层：计算公式：

其中i为第i个卷积层，Wⁱ、Bⁱ为当前层需要求解的未知数，并开始随即正太分布初始化，f为激活函数，可使用ReLU(f(x)＝max(0,x))，A为矩阵A中依次取一小块矩阵纬度为3*3*3；

池化层：池化层和卷积层类似，但是没有激活函数f的计算公式：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，并开始随即正太分布初始化；

全连接层：计算公式:t(i)＝f(Wⁱx+Bⁱ)

其中i为第i个全连接层，x为上一层(或是最后一个池化层，或是上一层全连接层)将所有像素打平为一维向量，如果上一层输出为20*20*3，那么x为1*1200的向量)，Wⁱ、Bⁱ为当前层需要求解的未知数，并开始随即正太分布初始化；

输出层：将每一轮的张图片输出的1*2设为二维向量转化为概率分布，计算公式：其中i为全连接层输出的二维向量中的每一项，n为每一轮训练的图片张数，e为自然常数，自此可以得到每一张图片输出的值的概率softmax(y_i)；

参数优化:输出层得到的每一张图片的真假概率分布为预测值，假设其中一张为而实际上这张图片我们事先知道为真品，所以其实际值应该为求出这n张图片的概率组成的概率分布的两个值(和)误差值，然后让这个误差值尽量小，获取误差计算公式：H(p,q)＝-∑p(x)logq(x)，p为预测值，q为真实值，然后利用使用梯度下降算法求出所有卷积层、池化层、输出层中的W、B的梯度，然后给W、B所在的方向加上响应的偏移量RATE，再从第一步进行一次计算，重复以上步骤直到误差H(p,q)到尽可能小，最后得到的W、B为模型的解；

(四)、模型测试；用测试图片输入到模型中，得到的是否和标记的结果一致，如果误差较大，则需要调整模型训练中的部分参数，重新训练，最终目标让测试图片的正确率尽可能高；

(五)、用户使用：模型训练完毕之后，部署至云服务器，用户通过拍摄商品外包装图片，上传至云服务器，服务器通过CNN模型得到结果，如果值大于某个预设值则判定商品为真，否则为假。

进一步的，所述步骤(一)中采用拍摄机构进行商品图像信息采集，所述拍摄机构包括拍摄平台、驱动电机、置物托板和CCD相机，所述拍摄平台上端固定连接有保护罩，且驱动电机固定安装在保护罩内，所述置物托板的下端固定连接有同步杆，且同步杆与驱动电机的输出端通过联轴器连接，所述置物托板上端固定连接有防滑摩擦垫，所述保护罩右端固定连接有L型支架，且CCD相机安装在L型支架上端，可以实现快速对商品进行图像采集。

进一步的，所述保护罩左端固定连接有固定横杆，所述固定横杆上端固定连接有背景板，所述背景板靠近CCD相机一端粘接有背景布，提供拍摄背景，且便于技术人员更换不同背景。

进一步的，所述CCD相机的型号为LeicaM9-P，且有效像素高达1600万-2000万，具有光学防抖的功能，图片像素高，辨别图片明暗细节能力也越高，远远满足商品外观信息采集的精度要求，所述CCD相机的镜头采用固定焦距镜头，所述固定焦距镜头的型号为AFT-0614MP，且焦距为6mm，方便聚集光线，控制视场大小，提高视觉系统的整体性能。

进一步的，所述驱动电机为两项式步进电机，且步进角为1.8度，精度为0.03度，精度极高，便于自动化控制拍摄角度。

进一步的，所述步骤(一)中还可再找若干市场上仿冒本商品的样品进行视频采集或图片采集，并标记：假品，采集完毕后，上传视频和照片至本系统，根据生产商实际需要选择性的进行采集。

进一步的，所述步骤(二)中的图像处理算法采用双线性插值法，且经过双线性插值法处理后的图片大小统一为299*299，便于后续的统一的模型训练。

进一步的，所述步骤(三)中训练集和测试集的比例为3:1，且单件商品在单一环境下采集的图片数量为12幅，采集的视频数量为1个，合理的分配图像样本数据，同时完整的采集到商品的外观信息。

进一步的，所述步骤(四)中当测试图片的正确率不低于99％时停止训练，显著提高用户进行商品识别时的准确率。

进一步的，所述步骤(五)中用户还可以通过在云服务器上下载所购买商品的信息和上传商品信息反馈，方便用户在识别商品真伪的同时下载所购买商品的基本信息，帮助用户更好的了解商品，降低误购、不放心购买的情况发生，同时收集用户使用商品之后的反馈，明确这个商品是否为真，得到的数据用于再次训练模型，让模型的准确率更高。

3.有益效果

相比于现有技术，本发明的优点在于：

(1)本方案可以实现通过拍摄机构，利用照片或者视频的形式采集商品外观信息并存储至系统，挑选采集到的图片或视频，在通过图片处理算法调整所有图片大小为统一大小，在基于CNN模型下进行训练，训练完成后进行模型测试提高测试图片的正确率，最终部署至云服务器，消费者在购买商品之前通过对商品进行拍照上传至云服务器进行识别对比，显著提高商品的识别率，识别商品真伪的能力几乎可以达到人为识别标准，给消费者提供了一个方便快捷的识别真假商品的有力工具，极大的减少了消费者买到假货的可能，商家可在升级更换包装时也能及时将识别能力拓展到本发明所对应的系统，让新包装的防伪能力迅速让消费者掌握，同时让防伪印刷能有效抵御造假分子的攻击。

(2)保护罩左端固定连接有固定横杆，固定横杆上端固定连接有背景板，背景板靠近CCD相机一端粘接有背景布，提供拍摄背景，且便于技术人员更换不同背景。

(3)CCD相机的型号为LeicaM9-P，且有效像素高达1600万-2000万，具有光学防抖的功能，图片像素高，辨别图片明暗细节能力也越高，远远满足商品外观信息采集的精度要求，CCD相机的镜头采用固定焦距镜头，固定焦距镜头的型号为AFT-0614MP，且焦距为6mm，方便聚集光线，控制视场大小，提高视觉系统的整体性能。

(4)驱动电机为两项式步进电机，且步进角为1.8度，精度为0.03度，精度极高，便于自动化控制拍摄角度。

(5)步骤(一)中还可再找若干市场上仿冒本商品的样品进行视频采集或图片采集，并标记：假品，采集完毕后，上传视频和照片至本系统，根据生产商实际需要选择性的进行采集。

(6)步骤(二)中的图像处理算法采用双线性插值法，且经过双线性插值法处理后的图片大小统一为299*299，便于后续的统一的模型训练。

(7)步骤(三)中训练集和测试集的比例为3:1，且单件商品在单一环境下采集的图片数量为12幅，采集的视频数量为1个，合理的分配图像样本数据，同时完整的采集到商品的外观信息。

(8)步骤(四)中当测试图片的正确率不低于99％时停止训练，显著提高用户进行商品识别时的准确率。

(9)步骤(五)中用户还可以通过在云服务器上下载所购买商品的信息和上传商品信息反馈，方便用户在识别商品真伪的同时下载所购买商品的基本信息，帮助用户更好的了解商品，降低误购、不放心购买的情况发生，同时收集用户使用商品之后的反馈，明确这个商品是否为真，得到的数据用于再次训练模型，让模型的准确率更高。

附图说明

图1为本发明的流程示意图；

图2为本发明CNN模型的结构示意图；

图3为本发明CNN模型中取出矩阵部分的结构示意图；

图4为本发明拍摄机构部分的结构示意图；

图5为本发明CCD相机和镜头拍摄时的结构示意图。

图中标号说明：

1拍摄平台、2保护罩、3驱动电机、4同步杆、5置物托板、6防滑摩擦垫、7 L型支架、8CCD相机、9固定横杆、10背景板、11背景布。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接，可以是机械连接，也可以是电连接，可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1：

请参阅图1-5，一种基于CNN的图像识别的商品外观防伪方法，包括以下步骤：

(一)、商品信息采集；生产厂商对实物商品进行全方位视频采集或者照片采集，并置于不同环境环境中分别录制若干份，并标记：真品。

还可再找若干市场上仿冒本商品的样品进行视频采集或图片采集，并标记：假品，根据生产商实际需要选择性的进行采集，采集完毕后，上传视频和照片至系统；

请参阅图4，步骤(一)中采用拍摄机构进行商品图像信息采集，拍摄机构包括拍摄平台1、驱动电机3、置物托板5和CCD相机8，拍摄平台1提供拍摄平台，驱动电机3提供带动商品转动拍摄角度的驱动力，驱动电机3为两项式步进电机，且步进角为1.8度，精度为0.03度，精度极高，便于自动化控制拍摄角度，置物托板5用于放置商品，CCD相机8用于拍摄商品采集外观信息，CCD相机8的型号为LeicaM9-P，且有效像素高达1600万-2000万，具有光学防抖的功能，图片像素高，辨别图片明暗细节能力也越高，远远满足商品外观信息采集的精度要求，CCD相机8的镜头采用固定焦距镜头，固定焦距镜头的型号为AFT-0614MP，且焦距为6mm，方便聚集光线，控制视场大小，提高视觉系统的整体性能，CCD相机8连接有数据采集板卡，数据采集板卡的型号为PCI1711，用于实时采集CCD相机8采集到的数据，并通过GigE以太网将采集到的图像数据实时快速的传输至计算机，拍摄平台1上端固定连接有保护罩2，用来保护驱动电机3，且驱动电机3固定安装在保护罩2内，置物托板5的下端固定连接有同步杆4，且同步杆4与驱动电机3的输出端通过联轴器连接，置物托板5上端固定连接有防滑摩擦垫6，起到防滑的作用，商品在置物托板5上转动时不易出现打滑移位的情况，保护罩2右端固定连接有L型支架7，且CCD相机8安装在L型支架7上端，可以实现快速对商品进行图像采集，保护罩2左端固定连接有固定横杆9，固定横杆9上端固定连接有背景板10，背景板10靠近CCD相机8一端粘接有背景布11，提供拍摄背景，且便于技术人员更换不同背景，例如不同颜色的背景，以适应用户在不同场景下拍摄商品进行识别。

技术人员通过控制驱动电机3带动置物托板5上的商品转动，且每次转动的角度为30度，不限定旋转方向，即顺时针或者逆时针旋转都可，对单件商品拍摄12幅影像，之后连续转动一周拍摄一个视频，即单件商品在单一环境下采集的图片数量为12幅，采集的视频数量为1个，可以完整的采集到商品的外观信息；同时将商品置于不同的环境下进行拍摄，在本实施例中优选为光照条件，技术人员应在早上6：00、中午12:00、傍晚18:00和夜里24:00分别对商品进行外观信息采集，可以基本采集该商品在任何光照条件下的外观信息。

通过拍摄机构可以快速智能化的对商品外观信息进行图像采集，分辨率高，图像细节清晰、质量高，为后续的图像处理和CNN模型作铺垫，减少后续步骤的处理难度。

(二)、商品信息预处理；从采集的视频或图像中抽取图片，在通过图片处理算法调整所有图片大小为统一大小，形成图像样本数据，图像处理算法采用双线性插值法，且经过双线性插值法处理后的图片大小统一为299*299，便于后续的统一的模型训练；

(三)、基于CNN模型训练；模型结构如下：输入层-(卷积层-池化层)*若干-(全连接层)*若干-输出层-参数优化，将图像样本数据分为训练集和测试集，训练集和测试集的比例为3:1，训练分为多轮，每一轮从所有图片中抽取一部分，这里设为n张图片训练；

输入层：将每张图片转换为三维矩阵A(图片统一为299*299大小，则A为299*299*3，3表示RGB图片)；

卷积层：计算公式：

其中i为第i个卷积层，Wⁱ、Bⁱ为当前层需要求解的未知数，并开始随即正太分布初始化，f为激活函数，可使用ReLU(f(x)＝max(0,x))，A为矩阵A中依次取一小块矩阵纬度为3*3*3，请参阅图3；

池化层：池化层和卷积层类似，但是没有激活函数f的计算公式：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，请参阅图3，Wⁱ、Bⁱ为当前层需要求解的未知数，并开始随即正太分布初始化；

全连接层：计算公式:t(i)＝f(Wⁱx+Bⁱ)

其中i为第i个全连接层，x为上一层(或是最后一个池化层，或是上一层全连接层)将所有像素打平为一维向量，如果上一层输出为20*20*3，那么x为1*1200的向量)，Wⁱ、Bⁱ为当前层需要求解的未知数，并开始随即正太分布初始化；

输出层：将每一轮的张图片输出的1*2设为二维向量转化为概率分布，计算公式：其中i为全连接层输出的二维向量中的每一项，n为每一轮训练的图片张数，e为自然常数，自此可以得到每一张图片输出的值的概率softmax(y_i)，假设第一张图输出的为，则表示为真品的概率为0.718，为假品的概率为0.282；

参数优化:输出层得到的每一张图片的真假概率分布为预测值，假设其中一张为而实际上这张图片我们事先知道为真品，所以其实际值应该为求出这n张图片的概率组成的概率分布的两个值(和)误差值，然后让这个误差值尽量小，获取误差计算公式：H(p,q)＝-∑p(x)logq(x)，p为预测值，q为真实值，然后利用使用梯度下降算法求出所有卷积层、池化层、输出层中的W、B的梯度，然后给W、B所在的方向加上响应的偏移量RATE，再从第一步进行一次计算，重复以上步骤直到误差H(p,q)到尽可能小，最后得到的W、B为模型的解；

(四)、模型测试；用测试图片输入到模型中，得到的是否和标记的结果一致，如果误差较大，则需要调整模型训练中的部分参数，重新训练，最终目标让测试图片的正确率尽可能高，当测试图片的正确率不低于99％时停止训练，显著提高用户进行商品识别时的准确率；

(五)、用户使用：模型训练完毕之后，部署至云服务器，用户通过拍摄商品外包装图片，上传至云服务器，服务器通过CNN模型得到结果，如果值大于某个预设值则判定商品为真，否则为假，用户还可以通过在云服务器上下载所购买商品的信息和上传商品信息反馈，方便用户在识别商品真伪的同时下载所购买商品的基本信息，帮助用户更好的了解商品，降低误购、不放心购买的情况发生，在本实施例中优选为枣花蜜商品，用户可以通过移动设备拍摄枣花蜜图片，并上传至云服务器通过CNN模型得到结果，与系统预设值进行比对，则若结果值大于预设值则判定枣花蜜为真品，可以放心购买，否则为仿冒品，不予购买同时可以向商家或工商局举报，由于枣花蜜真品的特殊性，枣花香味比较特殊，部分消费者不喜，不法商家喜欢钻空子用带有迷人清香的仿冒品来迷惑消费者进行购买，用户此时可以在云服务器上下载枣花蜜的基本信息，即可自行分辨真品即仿冒品，不易被骗，另外枣花蜜长时间在低温条件下会出现结晶现象，此时用户拍摄的照片上传云服务器得到的结果，即使为真品也容易出现与出厂前正常粘稠状态下的枣花蜜不同的结果，存在出现误导消费者的情况，生产商家在成本较低条件允许的情况下可以在低温条件下采集若干枣花蜜商品结晶后的外观信息，对于这类较为特殊的商品，商家应同时采集正常状态下和特殊状态下的商品外观信息，并一起上传至云服务器，方便用户针对两种情况都可以准确进行真伪识别，同时用户还可以上传使用商品之后的反馈，明确这个商品是否为真，得到的数据用于再次训练模型，让模型的准确率更高。

与传统的印刷防伪方法和图像处理算法技术相比，本发明可以实现通过拍摄机构，利用照片或者视频的形式采集商品外观信息并存储至系统，挑选采集到的图片或视频，在通过图片处理算法调整所有图片大小为统一大小，在基于CNN模型下进行训练，训练完成后进行模型测试提高测试图片的正确率，最终部署至云服务器，消费者在购买商品之前通过对商品进行拍照上传至云服务器进行识别对比，显著提高商品的识别率，识别商品真伪的能力几乎可以达到人为识别标准，给消费者提供了一个方便快捷的识别真假商品的有力工具，极大的减少了消费者买到假货的可能，商家可在升级更换包装时也能及时将识别能力拓展到本发明所对应的系统，让新包装的防伪能力迅速让消费者掌握，同时让防伪印刷能有效抵御造假分子的攻击。

以上，仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种基于CNN的图像识别的商品外观防伪方法，其特征在于：包括以下步骤：

(一)、商品信息采集；生产厂商对实物商品进行全方位视频采集或者照片采集，并置于不同环境环境中分别录制若干份，并标记：真品，采集完毕后，上传视频和照片至系统；

(二)、商品信息预处理；从采集的视频或图像中抽取图片，在通过图片处理算法调整所有图片大小为统一大小，形成图像样本数据；

(三)、基于CNN模型训练；模型结构如下：输入层-(卷积层-池化层)*若干-(全连接层)*若干-输出层-参数优化，将图像样本数据分为训练集和测试集，训练分为多轮，每一轮从所有图片中抽取一部分，这里设为n张图片训练；

输入层：将每张图片转换为三维矩阵A；

卷积层：计算公式：

其中i为第i个卷积层，Wⁱ、Bⁱ为当前层需要求解的未知数，并开始随即正太分布初始化，f为激活函数，可使用ReLU(f(x)＝max(0,x))，A为矩阵A中依次取一小块矩阵纬度为3*3*3；

池化层：池化层和卷积层类似，但是没有激活函数f的计算公式：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，并开始随即正太分布初始化；

全连接层：计算公式:t(i)＝f(Wⁱx+Bⁱ)

其中i为第i个全连接层，x为上一层(或是最后一个池化层，或是上一层全连接层)将所有像素打平为一维向量，如果上一层输出为20*20*3，那么x为1*1200的向量)，Wⁱ、Bⁱ为当前层需要求解的未知数，并开始随即正太分布初始化；

输出层：将每一轮的张图片输出的1*2设为二维向量转化为概率分布，计算公式：其中i为全连接层输出的二维向量中的每一项，n为每一轮训练的图片张数，e为自然常数，自此可以得到每一张图片输出的值的概率softmax(y_i)；

参数优化:输出层得到的每一张图片的真假概率分布为预测值，假设其中一张为而实际上这张图片我们事先知道为真品，所以其实际值应该为求出这n张图片的概率组成的概率分布的两个值(和)误差值，然后让这个误差值尽量小，获取误差计算公式：H(p,q)＝-∑p(x)logq(x)，p为预测值，q为真实值，然后利用使用梯度下降算法求出所有卷积层、池化层、输出层中的W、B的梯度，然后给W、B所在的方向加上响应的偏移量RATE，再从第一步进行一次计算，重复以上步骤直到误差H(p,q)到尽可能小，最后得到的W、B为模型的解；

(四)、模型测试；用测试图片输入到模型中，得到的是否和标记的结果一致，如果误差较大，则需要调整模型训练中的部分参数，重新训练，最终目标让测试图片的正确率尽可能高；

(五)、用户使用：模型训练完毕之后，部署至云服务器，用户通过拍摄商品外包装图片，上传至云服务器，服务器通过CNN模型得到结果，如果值大于某个预设值则判定商品为真，否则为假。

2.根据权利要求1所述的一种基于CNN的图像识别的商品外观防伪方法，其特征在于：所述步骤(一)中采用拍摄机构进行商品图像信息采集，所述拍摄机构包括拍摄平台(1)、驱动电机(3)、置物托板(5)和CCD相机(8)，所述拍摄平台(1)上端固定连接有保护罩(2)，且驱动电机(3)固定安装在保护罩(2)内，所述置物托板(5)的下端固定连接有同步杆(4)，且同步杆(4)与驱动电机(3)的输出端通过联轴器连接，所述置物托板(5)上端固定连接有防滑摩擦垫(6)，所述保护罩(2)右端固定连接有L型支架(7)，且CCD相机(8)安装在L型支架(7)上端。

3.根据权利要求2所述的一种基于CNN的图像识别的商品外观防伪方法，其特征在于：所述保护罩(2)左端固定连接有固定横杆(9)，所述固定横杆(9)上端固定连接有背景板(10)，所述背景板(10)靠近CCD相机(8)一端粘接有背景布(11)。

4.根据权利要求2所述的一种基于CNN的图像识别的商品外观防伪方法，其特征在于：所述CCD相机(8)的型号为LeicaM9-P，且有效像素高达1600万-2000万，所述CCD相机(8)的镜头采用固定焦距镜头，所述固定焦距镜头的型号为AFT-0614MP，且焦距为6mm。

5.根据权利要求2所述的一种基于CNN的图像识别的商品外观防伪方法，其特征在于：所述驱动电机(3)为两项式步进电机，且步进角为1.8度，精度为0.03度。

6.根据权利要求1所述的一种基于CNN的图像识别的商品外观防伪方法，其特征在于：所述步骤(一)中还可再找若干市场上仿冒本商品的样品进行视频采集或图片采集，并标记：假品，采集完毕后，上传视频和照片至本系统。

7.根据权利要求1所述的一种基于CNN的图像识别的商品外观防伪方法，其特征在于：所述步骤(二)中的图像处理算法采用双线性插值法，且经过双线性插值法处理后的图片大小统一为299*299。

8.根据权利要求1所述的一种基于CNN的图像识别的商品外观防伪方法，其特征在于：所述步骤(三)中训练集和测试集的比例为3:1，且单件商品在单一环境下采集的图片数量为12幅，采集的视频数量为1个。

9.根据权利要求1所述的一种基于CNN的图像识别的商品外观防伪方法，其特征在于：所述步骤(四)中当测试图片的正确率不低于99％时停止训练。

10.根据权利要求1所述的一种基于CNN的图像识别的商品外观防伪方法，其特征在于：所述步骤(五)中用户还可以通过在云服务器上下载所购买商品的信息和上传商品信息反馈。