CN110414586B - 基于深度学习的防伪标签验伪方法、装置、设备及介质 - Google Patents

基于深度学习的防伪标签验伪方法、装置、设备及介质 Download PDF

Info

Publication number
CN110414586B
CN110414586B CN201910663582.4A CN201910663582A CN110414586B CN 110414586 B CN110414586 B CN 110414586B CN 201910663582 A CN201910663582 A CN 201910663582A CN 110414586 B CN110414586 B CN 110414586B
Authority
CN
China
Prior art keywords
image
counterfeit
counterfeit label
neural network
convolutional neural
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.)
Active
Application number
CN201910663582.4A
Other languages
English (en)
Other versions
CN110414586A (zh
Inventor
袁涌耀
黄志明
汪宁
吴光乐
刘一宸
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.)
Hangzhou Wopuwulian Science & Technology Co ltd
Original Assignee
Hangzhou Wopuwulian Science & Technology 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 Hangzhou Wopuwulian Science & Technology Co ltd filed Critical Hangzhou Wopuwulian Science & Technology Co ltd
Priority to CN201910663582.4A priority Critical patent/CN110414586B/zh
Publication of CN110414586A publication Critical patent/CN110414586A/zh
Application granted granted Critical
Publication of CN110414586B publication Critical patent/CN110414586B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度学习的防伪标签验伪方法，涉及防伪技术领域，用于提高防伪标签验伪的效率，该方法包括以下步骤：获取防伪标签图像和模板图像，对所述防伪标签图像和所述模板图像进行预处理；将所述防伪标签图像和所述模板图像作为输入集；将所述输入集输入3D卷积神经网络，得到所述3D卷积神经网络的输出结果；通过所述3D卷积神经网络的输出结果判断所述防伪标签图像和所述模板图像是否匹配。本发明还公开了一种基于深度学习的防伪标签验伪装置、电子设备和计算机存储介质。本发明通过基于深度学习方法对防伪标签的进行特征匹配，实现商品的验伪。

Description

基于深度学习的防伪标签验伪方法、装置、设备及介质
技术领域
本发明涉及防伪技术领域，尤其涉及一种基于深度学习的防伪标签验伪方法、装置、设备及介质。
背景技术
近年来，假冒伪劣商品的数量越来越多，对人们生活产生一定的干扰，因此各种防伪技术也不断出现并迅速发展起来。
现有的商品防伪标签识别方法主要有以下两种：第一种：人工观察识别防伪标签。此种方法单纯依靠人工来识别，主观性较大，只能根据外观特征和经验来识别。第二种：RFID识别防伪标签。此类方法需要将RFID芯片植入到防伪标签中，并且需要RFID接收器读取防伪标签中的RFID芯片中所包含的防伪信息。此类防伪识别技术存在着制造商品防伪标签的成本较高、识别成本高，对防伪标签进行识别繁琐等缺点。
目前，防伪标签对于防伪性的要求越来越高，市场上现有的防伪技术越来越难以满足当今实际应用的需求。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种基于深度学习的防伪标签验伪方法，其通过深度学习判断防伪标签图像与验证模板是否匹配，从而实现对防伪标签的静态匹配过程和动态匹配过程进行并行化处理，提高了防伪标签的验伪效率。
本发明的目的之一采用以下技术方案实现：
一种基于深度学习的防伪标签验伪方法，包括以下步骤：
获取防伪标签图像和模板图像，对所述防伪标签图像和所述模板图像进行预处理；
将预处理后的所述防伪标签图像和所述模板图像作为输入集；
将所述输入集输入3D卷积神经网络，得到所述3D卷积神经网络的输出结果；
通过所述3D卷积神经网络的输出结果判断所述防伪标签图像和所述模板图像是否匹配。
进一步地，对所述防伪标签图像和所述模板图像进行预处理的步骤包括：
将所述防伪标签图像和模板图像分别进行图像灰度化处理，得到灰度图像；
并将所述灰度图像进行归一化处理。
进一步地，通过训练集训练所述3D卷积神经网络，所述训练集的制作步骤包括：
将若干组特征匹配的图像分块组成正样本集，将若干组特征不匹配的图像分块组成负样本集；
随机从所述正样本集和所述负样本集中抽取若干组正样本和若干组负样本，以组成训练样本；
利用所述训练样本拼接成图一和图二，所述图一和图二中相同位置的图像均来自同一组正样本或同一组负样本；
将所述图一和所述图二按照图一-图二-图一的顺序组成三帧短视频。
进一步地，预先计算所述训练样本的匹配率，利用所述训练集训练所述3D卷积神经网络，得到正样本占训练样本的比例，利用该比例与匹配率进行比对，以优化所述3D卷积神经网络。
进一步地，将预处理后的所述防伪标签图像和所述模板图像作为输入集，其具体处理方法为：
将预处理后的所述防伪标签图像和所述模板图像，按照模板图像-防伪标签图像-模板图像的顺序组成三帧短视频，将所述三帧短视频作为输入集。
进一步地，通过所述3D卷积神经网络的输出结果判断所述防伪标签图像和所述模板图像是否匹配，具体为：将所述输出结果与设定阈值进行比对。
进一步地，若所述输出结果大于或等于所述设定阈值，则验伪通过，反之，验伪不通过。
本发明的目的之二在于提供一种基于深度学习的防伪标签验伪系统，其通过深度学习判断防伪标签图像与验证模板是否匹配，从而实现对防伪标签的静态匹配过程和动态匹配过程进行并行化处理，提高了防伪标签的验伪效率。
本发明的目的之二采用以下技术方案实现：
一种基于深度学习的防伪标签验伪装置，其包括：
图像预处理模块，用于获取防伪标签图像和模板图像，对所述防伪标签图像和所述模板图像进行预处理；
输入集制作模块，用于将预处理后的所述防伪标签图像和所述模板图像作为输入集；
深度学习模块，用于将所述输入集输入3D卷积神经网络，得到所述3D卷积神经网络的输出结果；
验伪模块，用于通过所述3D卷积神经网络的输出结果判断所述防伪标签图像和所述模板图像是否匹配。
本发明的目的之三在于提供执行发明目的之一的电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时实现上述的基于深度学习的防伪标签验伪方法。
本发明的目的之四在于提供存储发明目的之一的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于深度学习的防伪标签验伪方法。
相比现有技术，本发明的有益效果在于：
本发明通过训练3D卷积神经网络，将防伪标签图像和模板图像输入此网络，得到输出结果以判定防伪标签的真伪，从而实现通过深度学习判断防伪标签图像与模板是否匹配，进而实现对防伪标签的静态匹配过程和动态匹配过程进行统一处理，提高了防伪标签的验伪效率。
附图说明
图1是本发明基于深度学习的防伪标签验伪方法的流程图；
图2是实施例2的基于深度学习的防伪标签验伪装置的结构框图；
图3是实施例3的电子设备的结构框图。
具体实施方式
以下将结合附图，对本发明进行更为详细的描述，需要说明的是，下参照附图对本发明进行的描述仅是示意性的，而非限制性的。各个不同实施例之间可以进行相互组合，以构成未在以下描述中示出的其他实施例。
实施例1
本实施例提供了一种基于深度学习的防伪标签验伪方法，旨在通过利用训练集对3D卷积神经网络进行训练，利用该3D卷积神经网络进行防伪标签的真伪判断，同时实现防伪标签的静态特征匹配和动态特征匹配，与传统特征匹配过程相比，降低了处理防伪标签图像的时间，从而增加了匹配效率。
基于以上原理，如图1所示，一种基于深度学习的防伪标签验伪方法，其包括以下步骤：
获取防伪标签图像和模板图像，对所述防伪标签图像和所述模板图像进行预处理；
将预处理后的所述防伪标签图像和所述模板图像作为输入集；
将所述输入集输入3D卷积神经网络，得到所述3D卷积神经网络的输出结果；
通过所述3D卷积神经网络的输出结果判断所述防伪标签图像和所述模板图像是否匹配。
优选地，对所述防伪标签图像和所述模板图像进行预处理的步骤包括：
将所述防伪标签图像和模板图像分别进行图像灰度化处理，得到灰度图像；
并将所述灰度图像进行归一化处理。
上述图像灰度化处理，根据公式Gray＝(R×38)+G×75+B×15)×2-7转换为灰度图像。
将所述灰度图像进行归一化处理的具体为：将像素值由原来的[0，255]映射到[-1，1]区间，转换为公式为：
M＝S/127.5，F＝M-1.0；其中M表示中间结果，S表示原像素值，F表示转换后的结果。
优选地，将预处理后的所述防伪标签图像和所述模板图像作为输入集，其具体处理方法为：
将预处理后的所述防伪标签图像和所述模板图像，按照模板图像-防伪标签图像-模板图像的顺序组成三帧短视频，将所述三帧短视频作为输入集。
优选地，通过训练集训练所述3D卷积神经网络，所述训练集的制作步骤包括：
将若干组特征匹配的图像分块组成正样本集，将若干组特征不匹配的图像分块组成负样本集；
随机从所述正样本集和所述负样本集中抽取若干组正样本和若干组负样本，以形成训练样本；
利用所述训练样本拼接成图一和图二，所述图一和图二中相同位置的图像均来自同一组正样本或同一组负样本；
将所述图一和所述图二按照图一-图二-图一的顺序组成三帧短视频。
这里的若干组特征匹配的图像是指每一组的图像构成的正样本的纹理均是相同的，而特征不匹配，即每一组图像构成的负样本的纹理均是不同的。不同组正样本之间的纹理可以是相同的，也可以是不同的。
训练样本中，不同组正样本或负样本的数量可以是相同的，也可以是不同的，正样本组数和负样本组数可以是相同的，也可以是不同的。图一和图二中相同位置的图像均来自同一组正样本或同一组负样本即可。在本发明较佳的实施例中，优选训练样本中的正样本组数和负样本组数，例如均为16组，不同组正样本或负样本的数量是相同的，例如均为两张；拼接成的图一和图二的总数量均为16张，即将所有的训练样本均添加到图一或图二中。
以两张图像分块为一组正样本或负样本，以抽取16组训练样本为例，对训练集的制作过程进行详细介绍：
随机从所述正样本集和负样本集中抽取16组训练样本，该16组训练样本包括正样本和负样本；
利用这16组训练样本分别拼接成图一和图二，并按照图一-图二-图一的顺序组成短视频，该短视频即为训练集。
上述正样本集是将两张特征相同的图像分块形成一组正样本，负样本集是将两张特征不同的图像分块组成一组负样本；随机从正样本集和负样本集中总共取16组训练样本(包含正样本和负样本)，然后将每组训练样本中的两张图像分块分别置于图一和图二的同一位置，从而利用这16组训练样本拼接成完整的图一和图二(图一和图二均由16张图像分块拼接而成)，使得位于图一和图二相同位置的图像分块同为一组正样本或同为一组负样本。
将图一和图二，按照图一-图二-图一的顺序组成短视频，即为训练集的样本。
利用上述训练集训练所述3D卷积神经网络，该训练过程为有监督训练，预先计算好上述训练样本(即训练集)的匹配率，用于3D卷积神经网络训练时的反向传播，每个训练样本对应一个匹配率，将训练集输入到该3D卷积神经网络，通过正向网络得到输出结果，该输出结果为正样本数占训练样本的比例，该输出结果与预先计算好的匹配率进行比对，再反向传播，修正该3D卷积神经网络的各项权值。
优选地，利用上述训练集训练所述3D卷积神经网络，得到所述训练样本中正样本的比例，利用该比例与预先计算好的训练样本匹配率进行比对，根据比对结果优化所述3D卷积神经网络。
本实施例制定样本集训练所述3D卷积神经网络的目的是优化模型的各项参数，使得将待识别的防伪标签图像和模板图像输入3D卷积神经网络模型后，能输出准确的匹配比例，通过该匹配比例能判断防伪标签图像与模板图像是否匹配，从而达到验伪的目的。
通过3D卷积神经网络拟合出匹配率，具体包括以下步骤：
构建3D卷积神经网络，该3D卷积神经网络包括十三层，具体为：第一层为3D卷积层，第二层为MaxPool3D层，第三层为3D卷积层，第四层为MaxPool3D层，第五层为3D卷积层，第六层为MaxPool3D层，第七层3D卷积层，第八层MaxPool3D层，第九层为3D卷积层，第十层为MaxPool3D层，第十一层为全卷积层，第十二层为全卷积层，第十三层为全卷积层。
上述3D卷积神经网络各层所运用到的函数如下：
所有3D卷积层均采用3×3×3的小卷积核进行卷积操作。
激活函数：除最后一层，其他层均采用relu：
Figure BDA0002138693510000081
该激活函数使得上述3D卷积神经网络更快收敛。它不会饱和，即它可以对抗梯度消失的问题，至少在正区域(x＞0时)可以这样，因此神经元至少在一半的区域中不会把所有零进行反向传播。最后一层的激活函数采用sigmoid：
Figure BDA0002138693510000082
池化函数：MaxPool3D，将当前窗口中的最大值作为新图像的像素值。
损失函数：
Figure BDA0002138693510000083
优化器：adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新3D卷积神经网络的权重，此算法是将Momentum算法和RMSProp算法结合起来使用的一种算法，具体如下：在训练的最开始我们需要初始化梯度的累积量和平方累积量：
vdw＝0，vdb＝0；sdw＝0，sdb＝0。
假设在3D卷积神经网络的第t轮训练中，我们首先可以计算得到Momentum算法和RMSProp算法的参数更新如下：
vdw＝β1vdw+(1-β1)dW，
vdb＝β1vdb+(1-β1)db；
sdw＝β2sdw+(1-β2)dW2，
sdb＝β2sdb+(1-β2)db2；
由于移动指数平均在迭代开始的初期会导致和开始的值存在较大的差异，因此我们需要对上述求得的几个值做偏差修正，公式如下：
Figure BDA0002138693510000091
Figure BDA0002138693510000092
Figure BDA0002138693510000093
Figure BDA0002138693510000094
通过上述公式，可以求得在第t轮跌代过程中，参数梯度累积量的修正值，然后根据Momentum算法和RMSProp算法的结果来对权重和偏置进行更新，其利用的公式如下：
Figure BDA0002138693510000095
Figure BDA0002138693510000096
上述所有步骤为Momentum算法和RMSProp算法结合起来形成Adam算法的步骤。在Adam算法中，参数β1所对应的就是Momentum算法中的β值，一般情况取值0.9；参数β2所对应的就是Momentum算法中的β值，一般情况取值0.999，而3D卷积神经网络中ε代表一个平滑项，一般取值10-8，而学习率α则在训练3D卷积神经网络的过程中进行优化调整。
优选地，通过所述3D卷积神经网络的输出结果判断所述防伪标签图像和所述模板图像是否匹配，具体为：将所述输出结果与设定阈值进行比对，若所述输出结果大于或等于所述设定阈值，则验伪通过，即特征不匹配，反之，验伪不通过，即特征不匹配。
在此，通过以下对比例对传统特征匹配算法和本实施例的基于3D卷积神经网络的特征匹配算法的匹配效率进行比对。
对比例
选择100组验证图像和防伪标签图像，分别使用基于LBP的传统特征匹配方法和本实施例基于3D卷积神经网络的特征匹配方法进行特征匹配。其中，基于3D卷积神经网络的特征匹配方法分别在CPU和GPU上运行，两种方法的匹配效率对比如下表所示：
Figure BDA0002138693510000101
由上表所示，基于3D卷积神经网络的特征匹配方法具有更高的准确率和鲁棒性，且在GPU上运行时，GPU提供了多核并行计算的基础结构，且核心数多，可以支撑大量数据的并行计算，从而能提高基于3D卷积神经网络的特征匹配方法的效率。综上所述，采用基于3D卷积神经网络的特征匹配方法完成防伪标签的验伪过程，具有更高的效率和准确率。
实施例2
本实施例公开了一种对应上述实施例的基于深度学习的防伪标签验伪方法对应的装置，为上述实施例的虚拟装置结构，请参照图2所示，基于深度学习的防伪标签验伪装置，包括：
图像预处理模块210，用于获取防伪标签图像和模板图像，对所述防伪标签图像和所述模板图像进行预处理；
输入集制作模块220，用于将预处理后的所述防伪标签图像和所述模板图像作为输入集；
深度学习模块230，用于将所述输入集输入3D卷积神经网络，得到所述3D卷积神经网络的输出结果；
验伪模块240，用于通过所述3D卷积神经网络的输出结果判断所述防伪标签图像和所述模板图像是否匹配。
优选地，所述3D卷积网络预先通过训练集进行训练，所述训练集的制作步骤包括：
将若干组特征匹配的图像分块组成正样本集，将若干组特征不匹配的图像分块组成负样本集；
随机从所述正样本集和负样本集中抽取16组训练样本，该16组训练样本包括正样本和负样本；
利用这16组训练样本分别拼接成图一和图二，并按照图一-图二-图一的顺序组成短视频，该短视频即为训练集的样本，对应的输出结果为：正样本数占训练样本(16组)的比例。
利用上述比例与预先计算好的训练样本匹配率进行比对，根据比对结果优化所述3D卷积神经网络。
本实施例制定样本集训练所述3D卷积神经网络的目的是优化模型的各项参数，使得将待识别的防伪标签图像和模板图像输入3D卷积神经网络模型后，能输出准确的匹配比例，通过该匹配比例能判断防伪标签图像与模板图像是否匹配，从而达到验伪的目的。
实施例3
图3为本发明实施例3提供的一种电子设备的结构示意图，如图3所示，该电子设备包括处理器310、存储器320、输入装置330和输出装置340；计算机设备中处理器310的数量可以是一个或多个，图3中以一个处理器310为例；电子设备中的处理器310、存储器320、输入装置330和输出装置340可以通过总线或其他方式连接，图3中以通过总线连接为例。
存储器320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防伪标签验伪方法对应的程序指令/模块(例如，基于深度学习的防伪标签验伪装置中的图像预处理模块210、输入集制作模块220、深度学习模块230和验伪模块240)。处理器310通过运行存储在存储器320中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述实施例1的基于深度学习的防伪标签验伪方法。
存储器320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系统、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320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320可进一步包括相对于处理器310远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。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330可用于接收输入的图像数据。输出装置340可包括显示屏等显示设备，可用于显示匹配结果。
实施例4
本发明实施例4还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行基于深度学习的防伪标签验伪方法，该方法包括：
获取防伪标签图像和模板图像，对所述防伪标签图像和所述模板图像进行预处理；
将预处理后的所述防伪标签图像和所述模板图像作为输入集；
将所述输入集输入3D卷积神经网络，得到所述3D卷积神经网络的输出结果；
通过所述3D卷积神经网络的输出结果判断所述防伪标签图像和所述模板图像是否匹配。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于深度学习的防伪标签验伪方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是手机，个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述基于深度学习的防伪标签验伪方法装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (9)

1.一种基于深度学习的防伪标签验伪方法，其特征在于，包括以下步骤：
获取防伪标签图像和模板图像，对所述防伪标签图像和所述模板图像进行预处理；
将预处理后的所述防伪标签图像和所述模板图像作为输入集，其具体处理方法为：将预处理后的所述防伪标签图像和所述模板图像，按照模板图像-防伪标签图像-模板图像的顺序组成三帧短视频，将所述三帧短视频作为输入集；
将所述输入集输入3D卷积神经网络，得到所述3D卷积神经网络的输出结果；
通过所述3D卷积神经网络的输出结果判断所述防伪标签图像和所述模板图像是否匹配。
2.如权利要求1所述的基于深度学习的防伪标签验伪方法，其特征在于，
对所述防伪标签图像和所述模板图像进行预处理的步骤包括：
将所述防伪标签图像和模板图像分别进行图像灰度化处理，得到灰度图像；
并将所述灰度图像进行归一化处理。
3.如权利要求1所述的基于深度学习的防伪标签验伪方法，其特征在于，
通过训练集训练所述3D卷积神经网络，所述训练集的制作步骤包括：
将若干组特征匹配的图像分块组成正样本集，将若干组特征不匹配的图像分块组成负样本集；
随机从所述正样本集和所述负样本集中抽取若干组正样本和若干组负样本，以形成训练样本；
利用所述训练样本拼接成图一和图二，所述图一和图二中相同位置的图像均来自同一组正样本或同一组负样本；
将所述图一和所述图二按照图一-图二-图一的顺序组成三帧短视频。
4.如权利要求3所述的基于深度学习的防伪标签验伪方法，其特征在于，预先计算所述训练样本的匹配率，利用所述训练集训练所述3D卷积神经网络，得到正样本占训练样本的比例，利用该比例与所述匹配率进行比对，以优化所述3D卷积神经网络。
5.如权利要求1所述的基于深度学习的防伪标签验伪方法，其特征在于，通过所述3D卷积神经网络的输出结果判断所述防伪标签图像和所述模板图像是否匹配，具体为：将所述输出结果与设定阈值进行比对。
6.如权利要求5所述的基于深度学习的防伪标签验伪方法，其特征在于，若所述输出结果大于或等于所述设定阈值，则验伪通过，反之，验伪不通过。
7.一种基于深度学习的防伪标签验伪装置，其特征在于，其包括：
图像预处理模块，用于获取防伪标签图像和模板图像，对所述防伪标签图像和所述模板图像进行预处理；
输入集制作模块，用于将预处理后的所述防伪标签图像和所述模板图像作为输入集，其具体处理方法为：将预处理后的所述防伪标签图像和所述模板图像，按照模板图像-防伪标签图像-模板图像的顺序组成三帧短视频，将所述三帧短视频作为输入集；
深度学习模块，用于将所述输入集输入3D卷积神经网络，得到所述3D卷积神经网络的输出结果；
验伪模块，用于通过所述3D卷积神经网络的输出结果判断所述防伪标签图像和所述模板图像是否匹配。
8.一种电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的基于深度学习的防伪标签验伪方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的基于深度学习的防伪标签验伪方法。
CN201910663582.4A 2019-07-22 2019-07-22 基于深度学习的防伪标签验伪方法、装置、设备及介质 Active CN110414586B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910663582.4A CN110414586B (zh) 2019-07-22 2019-07-22 基于深度学习的防伪标签验伪方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910663582.4A CN110414586B (zh) 2019-07-22 2019-07-22 基于深度学习的防伪标签验伪方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN110414586A CN110414586A (zh) 2019-11-05
CN110414586B true CN110414586B (zh) 2021-10-26

Family

ID=68362370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910663582.4A Active CN110414586B (zh) 2019-07-22 2019-07-22 基于深度学习的防伪标签验伪方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN110414586B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288045B (zh) * 2020-12-23 2021-04-16 深圳神目信息技术有限公司 一种印章真伪判别方法
CN112801116B (zh) * 2021-01-27 2024-05-21 商汤集团有限公司 图像的特征提取方法及装置、电子设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559473A (zh) * 2013-10-28 2014-02-05 汝思商务咨询（上海）有限公司 利用特征图像来实现承印物防伪的方法和系统
CN106815731A (zh) * 2016-12-27 2017-06-09 华中科技大学 一种基于surf图像特征匹配的标签防伪系统及方法
CN107729993A (zh) * 2017-10-30 2018-02-23 国家新闻出版广电总局广播科学研究院 利用训练样本及折中度量的3d卷积神经网络构建方法
WO2018210796A1 (en) * 2017-05-15 2018-11-22 Deepmind Technologies Limited Neural network systems for action recognition in videos
CN108960258A (zh) * 2018-07-06 2018-12-07 江苏迪伦智能科技有限公司 一种基于自学习深度特征的模板匹配方法
CN109583342A (zh) * 2018-11-21 2019-04-05 重庆邮电大学 基于迁移学习的人脸活体检测方法
CN109902613A (zh) * 2019-02-23 2019-06-18 重庆邮电大学 一种基于迁移学习和图像增强的人体特征提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559473A (zh) * 2013-10-28 2014-02-05 汝思商务咨询（上海）有限公司 利用特征图像来实现承印物防伪的方法和系统
CN106815731A (zh) * 2016-12-27 2017-06-09 华中科技大学 一种基于surf图像特征匹配的标签防伪系统及方法
WO2018210796A1 (en) * 2017-05-15 2018-11-22 Deepmind Technologies Limited Neural network systems for action recognition in videos
CN107729993A (zh) * 2017-10-30 2018-02-23 国家新闻出版广电总局广播科学研究院 利用训练样本及折中度量的3d卷积神经网络构建方法
CN108960258A (zh) * 2018-07-06 2018-12-07 江苏迪伦智能科技有限公司 一种基于自学习深度特征的模板匹配方法
CN109583342A (zh) * 2018-11-21 2019-04-05 重庆邮电大学 基于迁移学习的人脸活体检测方法
CN109902613A (zh) * 2019-02-23 2019-06-18 重庆邮电大学 一种基于迁移学习和图像增强的人体特征提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卷积神经网络在激光再现防伪图像识别中的应用;陈小凡;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180115;全文 *

Also Published As

Publication number Publication date
CN110414586A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN108985317B (zh) 一种基于可分离卷积和注意力机制的图像分类方法
WO2021077984A1 (zh) 对象识别方法、装置、电子设备及可读存储介质
CN108664999B (zh) 一种分类模型的训练方法及其装置、计算机服务器
CN109359608B (zh) 一种基于深度学习模型的人脸识别方法
WO2022105125A1 (zh) 图像分割方法、装置、计算机设备及存储介质
CN112634170B (zh) 一种模糊图像修正的方法、装置、计算机设备及存储介质
CN113822209B (zh) 高光谱图像识别方法、装置、电子设备及可读存储介质
CN112150450B (zh) 一种基于双通道U-Net模型的图像篡改检测方法及装置
CN108491856B (zh) 一种基于多尺度特征卷积神经网络的图像场景分类方法
CN112115973A (zh) 一种基于卷积神经网络图像识别方法
CN111461164B (zh) 样本数据集的扩容方法及模型的训练方法
CN111428217B (zh) 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质
CN109934272B (zh) 一种基于全卷积网络的图像匹配方法
CN110414586B (zh) 基于深度学习的防伪标签验伪方法、装置、设备及介质
CN110956080A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN110298394A (zh) 一种图像识别方法和相关装置
CN114419363A (zh) 基于无标注样本数据的目标分类模型训练方法及装置
CN115880298A (zh) 一种基于无监督预训练的玻璃表面缺陷检测方法及系统
CN111275070B (zh) 一种基于局部特征匹配的签名验证方法及设备
CN111104941B (zh) 图像方向纠正方法、装置及电子设备
CN112884147A (zh) 神经网络训练方法、图像处理方法、装置及电子设备
CN114692750A (zh) 一种细粒度图像分类方法、装置、电子设备及存储介质
CN114596546A (zh) 车辆重识别方法、装置及计算机、可读存储介质
CN113591603A (zh) 证件的验证方法、装置、电子设备及存储介质
CN113705666B (zh) 分割网络训练方法、使用方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant