CN112560989A - 一种基于大数据的人工智能防伪图像识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于大数据的人工智能防伪图像识别方法及系统，涉及图像防伪技术领域，解决了现有技术方案防伪图像的识别准确率不高，且不能实现防伪图像识别的自动化的技术问题；本发明设置了智能物联模块，该设置采集防伪图像并发送至图像处理单元，图像处理单元完成对防伪图像的初步筛选，有助于提高检测模型对验证图像的判定效率；本发明设置了模型训练模块，该设置构建了融合模型，并对融合模型进行训练获取检测模型，有助于保证检测模型的识别精度；本发明设置了图像分析模块，该设置先获取公司的防伪信誉值，对验证图像进行第一轮筛选，然后通过检测模型对验证图像进行第二轮鉴别，有助于提高检测模型对验证图像的识别精度。

Description

一种基于大数据的人工智能防伪图像识别方法及系统

技术领域

本发明属于图像防伪领域，涉及大数据技术，具体是一种基于大数据的人工智能防伪图像识别方法及系统。

背景技术

防伪技术是指为了达到防伪目的而采取的便于使用者辨别真伪措施，防伪技术在一定范围内能准确鉴别真伪，并不易被仿制和复制的技术；简单的说就是防止仿造，仿冒的技术；为保护企业品牌、保护市场、保护广大消费者合法权益而采取的一种防范性技术措施。

公开号为CN111709258A的发明专利提供了一种高效率人工智能防伪图像识别的系统及方法，包括在产品或产品包装物上张贴有个性化图像特征类防伪标识；在个性化图像特征类防伪标识上，设有具有唯一性的身份码和溯源码；在个性化图像特征类防伪标识上设有专用功能的线条和图案，包含协助拍照的引导拍照图案和修正形变的修正指导图案。

上述方案增加了预处理程序和防伪标签固定图案，提高了人工智能判别效率；但是，上述方案只是针对于防伪图像本身进行判别，没有充分利用人工智能的优势，导致防伪图像的识别准确率不高，且不能实现防伪图像识别的自动化；因此，上述方案仍需进一步改进。

发明内容

为了解决上述方案存在的问题，本发明提供了一种基于大数据的人工智能防伪图像识别方法及系统。

本发明的目的可以通过以下技术方案实现：一种基于大数据的人工智能防伪图像识别系统，包括控制系统，所述控制系统包括处理器、图像分析模块、数据分析模块、预警显示模块、数据存储模块、智能物联模块和模型训练模块；

所述智能物联模块包括图像处理单元和物联设备，所述图像处理单元与物联设备通信连接，所述物联设备包括智能手机和二维码扫描器；所述物联设备用于采集防伪图像，并将防伪图像发送至图像处理单元，所述图像处理单元用于对防伪图像进行初步筛选获取验证图像，同时发送验证图像和检测识别信号至图像分析模块；

图像分析模块接收到检测识别信号之后通过检测模型对验证图像进行防伪检测识别。

优选的，所述检测模型通过模型训练模块获取，包括：

通过第三方平台获取标准图像数据；所述标准图像数据包括标准图像的身份标识码、稳定期编码、安全期编码、识别性能编码和图像防伪特征；所述第三方平台为防伪标签的制作公司；所述标准图像为第三方平台制作的防伪图像；

随机生成非标图像数据；所述非标图像数据包括随机生成的非标图像的身份证标识码、稳定期编码、安全期编码、识别性能编码和图像防伪特征；所述非标图像为假的防伪图像；

对训练图像进行真伪标记；所述真伪标记是对训练图像的真伪进行标记，当训练图像为标准图像时，则将训练图像的真伪标记赋值为1，当训练图像为非标图像时，则将训练图像的真伪标记赋值为0；

构建融合模型；所述融合模型通过支持向量机模型和误差逆向反馈传播神经网络结合融合方式构建的模型，所述融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法；

将标准图像数据、非标图像数据和训练图像按照设定比例生成训练集、验证集和测试集；通过训练集、验证集和测试集对融合模型进行训练、验证和测试，当融合模型的目标精度达到要求时，则判定融合模型训练完成，将训练完成的融合模型标记为检测模型；

通过处理器将检测模型发送至数据存储模块进行存储。

优选的，所述图像分析模块用于鉴别验证图像的真伪，包括：

图像分析模块接收到检测识别信号之后，通过第三方平台获取验证图像的数据信息，所述数据信息包括验证图像的身份证标识码、稳定期编码、安全期编码、识别性能编码和图像防伪特征；当数据信息获取为空时，则判定验证图像为假，通过处理器发送防伪图像异常信号至预警显示模块；否则，获取验证图像对应公司的防伪信誉值FPX；

当防伪信誉值FPX满足0＜FPX＜L1时，则判定公司的防伪信誉值不满足要求，不对验证图像的真伪进行鉴别；当防伪信誉值FPX满足L1≤FPX时，则判定公司的防伪信誉值满足要求；

获取数据存储模块中的检测模型，将验证图像和数据信息输入值检测模型获取验证图像的真伪标记；当真伪标记为1时，则判定验证图像为真，通过处理器分别发送鉴别为真信号和验证图像对应的数据信息发送至预警显示模块，当真伪标记为0时，则判定验证图像为假，通过处理器分别发送鉴别为假信号和验证图像对应的数据信息发送至预警显示模块。

优选的，所述数据分析模块还用于获取统计结果，所述统计结果包括鉴别总次数、鉴别为假的总次数和鉴别为真的总次数。

优选的，所述预警显示模块用于显示鉴别结果和统计结果；所述鉴别结果包括验证图像鉴别为真和鉴别图像鉴别为假。

优选的，所述防伪信誉值通过数据分析模块获取，包括：

通过数据存储模块获取公司的防伪查询记录；所述防伪查询记录包括防伪图像查询的查询总次数和查询结果为假的总次数，并分别标记为CZC和JZC；

获取公司的成立时长，并将成立时长标记为CSC；

通过公式

获取防伪信誉值FPX；其中α1和α2为比例系数，且α1和α2均为大于0的实数；

通过处理器将防伪信誉值发送至数据存储模块进行存储。

优选的，所述稳定期编码、安全期编码、识别性能编码为标准图像稳定期的二进制形式、安全期的二进制形式、识别性能的二进制形式。

优选的，所述初步筛选的具体步骤包括：

对防伪图像进行图像预处理获取第一图像；所述图像预处理包括图像分割、图像去噪和灰度变换；

获取从物联设备开始采集防伪图像到获取第一图像的时间差值，并将时间差值标记为SC；当时间差值SC满足T1≤SC时，则判定防伪图像的识别性能不足，对防伪图像进行重新采集，当时间差值SC依然满足T1≤SC时，则判定防伪图像为假，分别发送防伪图像异常信号至物联设备和预警显示模块；当时间差值SC满足0＜SC＜T1时，则判定防伪图像的识别性能满足要求，获取第一图像中像素点的灰度均值和灰度差值，并将灰度均值和灰度差值分别标记为HJ和HC；所述灰度差值为第一图像中像素点的灰度最大值和灰度最小值之间的差值；其中T1为时间差值阈值，且T1为大于0的整数；

当HJ-μ≤HC≤HJ+μ时，则判定第一图像的质量符合要求，将第一图像标记为验证图像；否则，判定第一图像的质量不满足要求，通过智能物联模块发送采集异常信号至物联设备；其中μ为比例系数，且μ为大于0的实数。

优选的，所述处理器分别与图像分析模块、数据分析模块、预警显示模块、数据存储模块、智能物联模块和模型训练模块通信连接，所述数据存储模块与预警显示模块通信连接，所述预警显示模块与数据分析模块通信连接。

一种基于大数据的人工智能防伪图像识别方法，所述防伪图像识别方法包括以下步骤：

步骤一：通过智能物联模块获取防伪图像，对防伪图像进行图像预处理获取第一图像；获取从物联设备开始采集防伪图像到获取第一图像的时间差值，并根据时间差值对第一图像的识别性能进行判定，对符合识别性能要求的第一图像进行筛选获取验证图像；

步骤二：通过第三方平台获取标准图像数据；随机生成非标图像数据；对训练图像进行真伪标记；构建融合模型；将标准图像数据、非标图像数据和训练图像按照设定比例生成训练集、验证集和测试集；通过训练集、验证集和测试集对融合模型进行训练、验证和测试，当融合模型的目标精度达到要求时，则判定融合模型训练完成，将训练完成的融合模型标记为检测模型；

步骤三：图像分析模块接收到检测识别信号之后，通过第三方平台获取验证图像的数据信息，根据数据信息获取公司的防伪信誉值FPX；获取数据存储模块中的检测模型，将验证图像和数据信息输入值检测模型获取验证图像的真伪标记；并根据真伪标记获取验证图像的真伪。

与现有技术相比，本发明的有益效果是：

1、本发明设置了智能物联模块，该设置与物联设备通信连接，物联设备用于采集防伪图像；通过智能物联模块获取防伪图像，对防伪图像进行图像预处理获取第一图像；获取从物联设备开始采集防伪图像到获取第一图像的时间差值，并根据时间差值对第一图像的识别性能进行判定，对符合识别性能要求的第一图像进行筛选获取验证图像；智能物联模块采集防伪图像，并将防伪图像发送至图像处理单元，图像处理单元完成对防伪图像的初步筛选，有助于提高检测模型对验证图像的判定效率；

2、本发明设置了模型训练模块，该设置用于获取检测模型；通过第三方平台获取标准图像数据；随机生成非标图像数据；对训练图像进行真伪标记；构建融合模型；将标准图像数据、非标图像数据和训练图像按照设定比例生成训练集、验证集和测试集；通过训练集、验证集和测试集对融合模型进行训练、验证和测试，当融合模型的目标精度达到要求时，则判定融合模型训练完成，将训练完成的融合模型标记为检测模型；模型训练模块构建了融合模型，并对融合模型进行训练获取检测模型，有助于保证检测模型的识别精度；

3、本发明设置了图像分析模块，该设置用于鉴别验证图像的真伪；图像分析模块接收到检测识别信号之后，通过第三方平台获取验证图像的数据信息，根据数据信息获取公司的防伪信誉值；获取数据存储模块中的检测模型，将验证图像和数据信息输入值检测模型获取验证图像的真伪标记；并根据真伪标记获取验证图像的真伪；图像分析模块先获取公司的防伪信誉值，对验证图像进行第一轮筛选，然后通过检测模型对验证图像进行第二轮鉴别，有助于提高检测模型对验证图像的识别精度；

4、本发明设置了预警显示模块，该设置用于显示鉴别结果和统计结果；还设置了数据分析模块，该设置还用于获取统计结果；将鉴别结果和统计结果可视化，用户可以更加直观地获取信息。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明控制系统的原理示意图；

图2为本发明的步骤示意图。

具体实施方式

下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。

请参阅图1-图2，一种基于大数据的人工智能防伪图像识别系统，包括控制系统，所述控制系统包括处理器、图像分析模块、数据分析模块、预警显示模块、数据存储模块、智能物联模块和模型训练模块；

智能物联模块包括图像处理单元和物联设备，图像处理单元与物联设备通信连接，物联设备包括智能手机和二维码扫描器；物联设备用于采集防伪图像，并将防伪图像发送至图像处理单元，图像处理单元用于对防伪图像进行初步筛选获取验证图像，同时发送验证图像和检测识别信号至图像分析模块；

图像分析模块接收到检测识别信号之后通过检测模型对验证图像进行防伪检测识别。

进一步地，检测模型通过模型训练模块获取，包括：

通过第三方平台获取标准图像数据；标准图像数据包括标准图像的身份标识码、稳定期编码、安全期编码、识别性能编码和图像防伪特征；第三方平台为防伪标签的制作公司；标准图像为第三方平台制作的防伪图像；

随机生成非标图像数据；非标图像数据包括随机生成的非标图像的身份证标识码、稳定期编码、安全期编码、识别性能编码和图像防伪特征；非标图像为假的防伪图像；

对训练图像进行真伪标记；真伪标记是对训练图像的真伪进行标记，当训练图像为标准图像时，则将训练图像的真伪标记赋值为1，当训练图像为非标图像时，则将训练图像的真伪标记赋值为0；

构建融合模型；融合模型通过支持向量机模型和误差逆向反馈传播神经网络结合融合方式构建的模型，融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法；

将标准图像数据、非标图像数据和训练图像按照设定比例生成训练集、验证集和测试集；通过训练集、验证集和测试集对融合模型进行训练、验证和测试，当融合模型的目标精度达到要求时，则判定融合模型训练完成，将训练完成的融合模型标记为检测模型；

通过处理器将检测模型发送至数据存储模块进行存储。

进一步地，图像分析模块用于鉴别验证图像的真伪，包括：

图像分析模块接收到检测识别信号之后，通过第三方平台获取验证图像的数据信息，数据信息包括验证图像的身份证标识码、稳定期编码、安全期编码、识别性能编码和图像防伪特征；当数据信息获取为空时，则判定验证图像为假，通过处理器发送防伪图像异常信号至预警显示模块；否则，获取验证图像对应公司的防伪信誉值FPX；

当防伪信誉值FPX满足0＜FPX＜L1时，则判定公司的防伪信誉值不满足要求，不对验证图像的真伪进行鉴别；当防伪信誉值FPX满足L1≤FPX时，则判定公司的防伪信誉值满足要求；

获取数据存储模块中的检测模型，将验证图像和数据信息输入值检测模型获取验证图像的真伪标记；当真伪标记为1时，则判定验证图像为真，通过处理器分别发送鉴别为真信号和验证图像对应的数据信息发送至预警显示模块，当真伪标记为0时，则判定验证图像为假，通过处理器分别发送鉴别为假信号和验证图像对应的数据信息发送至预警显示模块。

进一步地，数据分析模块还用于获取统计结果，统计结果包括鉴别总次数、鉴别为假的总次数和鉴别为真的总次数。

进一步地，预警显示模块用于显示鉴别结果和统计结果；鉴别结果包括验证图像鉴别为真和鉴别图像鉴别为假。

进一步地，防伪信誉值通过数据分析模块获取，包括：

通过数据存储模块获取公司的防伪查询记录；防伪查询记录包括防伪图像查询的查询总次数和查询结果为假的总次数，并分别标记为CZC和JZC；

获取公司的成立时长，并将成立时长标记为CSC；

通过公式

获取防伪信誉值FPX；其中α1和α2为比例系数，且α1和α2均为大于0的实数；

通过处理器将防伪信誉值发送至数据存储模块进行存储。

进一步地，稳定期编码、安全期编码、识别性能编码为标准图像稳定期的二进制形式、安全期的二进制形式、识别性能的二进制形式。

进一步地，初步筛选的具体步骤包括：

对防伪图像进行图像预处理获取第一图像；图像预处理包括图像分割、图像去噪和灰度变换；

获取从物联设备开始采集防伪图像到获取第一图像的时间差值，并将时间差值标记为SC；当时间差值SC满足T1≤SC时，则判定防伪图像的识别性能不足，对防伪图像进行重新采集，当时间差值SC依然满足T1≤SC时，则判定防伪图像为假，分别发送防伪图像异常信号至物联设备和预警显示模块；当时间差值SC满足0＜SC＜T1时，则判定防伪图像的识别性能满足要求，获取第一图像中像素点的灰度均值和灰度差值，并将灰度均值和灰度差值分别标记为HJ和HC；灰度差值为第一图像中像素点的灰度最大值和灰度最小值之间的差值；其中T1为时间差值阈值，且T1为大于0的整数；

当HJ-μ≤HC≤HJ+μ时，则判定第一图像的质量符合要求，将第一图像标记为验证图像；否则，判定第一图像的质量不满足要求，通过智能物联模块发送采集异常信号至物联设备；其中μ为比例系数，且μ为大于0的实数。

进一步地，处理器分别与图像分析模块、数据分析模块、预警显示模块、数据存储模块、智能物联模块和模型训练模块通信连接，数据存储模块与预警显示模块通信连接，预警显示模块与数据分析模块通信连接。

一种基于大数据的人工智能防伪图像识别方法，防伪图像识别方法包括以下步骤：

步骤一：通过智能物联模块获取防伪图像，对防伪图像进行图像预处理获取第一图像；获取从物联设备开始采集防伪图像到获取第一图像的时间差值，并根据时间差值对第一图像的识别性能进行判定，对符合识别性能要求的第一图像进行筛选获取验证图像；

步骤二：通过第三方平台获取标准图像数据；随机生成非标图像数据；对训练图像进行真伪标记；构建融合模型；将标准图像数据、非标图像数据和训练图像按照设定比例生成训练集、验证集和测试集；通过训练集、验证集和测试集对融合模型进行训练、验证和测试，当融合模型的目标精度达到要求时，则判定融合模型训练完成，将训练完成的融合模型标记为检测模型；

步骤三：图像分析模块接收到检测识别信号之后，通过第三方平台获取验证图像的数据信息，根据数据信息获取公司的防伪信誉值FPX；获取数据存储模块中的检测模型，将验证图像和数据信息输入值检测模型获取验证图像的真伪标记；并根据真伪标记获取验证图像的真伪。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况设定。

本发明的工作原理：

通过智能物联模块获取防伪图像，对防伪图像进行图像预处理获取第一图像；获取从物联设备开始采集防伪图像到获取第一图像的时间差值，并根据时间差值对第一图像的识别性能进行判定，对符合识别性能要求的第一图像进行筛选获取验证图像；

通过第三方平台获取标准图像数据；随机生成非标图像数据；对训练图像进行真伪标记；构建融合模型；将标准图像数据、非标图像数据和训练图像按照设定比例生成训练集、验证集和测试集；通过训练集、验证集和测试集对融合模型进行训练、验证和测试，当融合模型的目标精度达到要求时，则判定融合模型训练完成，将训练完成的融合模型标记为检测模型；

图像分析模块接收到检测识别信号之后，通过第三方平台获取验证图像的数据信息，根据数据信息获取公司的防伪信誉值FPX；获取数据存储模块中的检测模型，将验证图像和数据信息输入值检测模型获取验证图像的真伪标记；并根据真伪标记获取验证图像的真伪。

在本发明所提供的实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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；所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方法的目的。

另对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (7)

1.一种基于大数据的人工智能防伪图像识别系统，包括控制系统，其特征在于，所述控制系统包括处理器、图像分析模块、数据分析模块、预警显示模块、数据存储模块、智能物联模块和模型训练模块；

所述智能物联模块包括图像处理单元和物联设备，所述图像处理单元与物联设备通信连接，所述物联设备包括智能手机和二维码扫描器；所述物联设备用于采集防伪图像，并将防伪图像发送至图像处理单元，所述图像处理单元用于对防伪图像进行初步筛选获取验证图像，同时发送验证图像和检测识别信号至图像分析模块；

图像分析模块接收到检测识别信号之后通过检测模型对验证图像进行防伪检测识别。

2.根据权利要求1所述的一种基于大数据的人工智能防伪图像识别系统，其特征在于，所述检测模型通过模型训练模块获取，包括：

通过第三方平台获取标准图像数据；所述标准图像数据包括标准图像的身份标识码、稳定期编码、安全期编码、识别性能编码和图像防伪特征；所述第三方平台为防伪标签的制作公司；所述标准图像为第三方平台制作的防伪图像；

随机生成非标图像数据；所述非标图像数据包括随机生成的非标图像的身份证标识码、稳定期编码、安全期编码、识别性能编码和图像防伪特征；所述非标图像为假的防伪图像；

对训练图像进行真伪标记；所述真伪标记是对训练图像的真伪进行标记，当训练图像为标准图像时，则将训练图像的真伪标记赋值为1，当训练图像为非标图像时，则将训练图像的真伪标记赋值为0；

构建融合模型；所述融合模型通过支持向量机模型和误差逆向反馈传播神经网络结合融合方式构建的模型，所述融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法；

将标准图像数据、非标图像数据和训练图像按照设定比例生成训练集、验证集和测试集；通过训练集、验证集和测试集对融合模型进行训练、验证和测试，当融合模型的目标精度达到要求时，则判定融合模型训练完成，将训练完成的融合模型标记为检测模型；

通过处理器将检测模型发送至数据存储模块进行存储。

3.根据权利要求1所述的一种基于大数据的人工智能防伪图像识别系统，其特征在于，所述图像分析模块用于鉴别验证图像的真伪，包括：

图像分析模块接收到检测识别信号之后，通过第三方平台获取验证图像的数据信息，所述数据信息包括验证图像的身份证标识码、稳定期编码、安全期编码、识别性能编码和图像防伪特征；当数据信息获取为空时，则判定验证图像为假，通过处理器发送防伪图像异常信号至预警显示模块；否则，获取验证图像对应公司的防伪信誉值FPX；

当防伪信誉值FPX满足0<FPX<L1时，则判定公司的防伪信誉值不满足要求，不对验证图像的真伪进行鉴别；当防伪信誉值FPX满足L1≤FPX时，则判定公司的防伪信誉值满足要求；

获取数据存储模块中的检测模型，将验证图像和数据信息输入值检测模型获取验证图像的真伪标记；当真伪标记为1时，则判定验证图像为真，通过处理器分别发送鉴别为真信号和验证图像对应的数据信息发送至预警显示模块，当真伪标记为0时，则判定验证图像为假，通过处理器分别发送鉴别为假信号和验证图像对应的数据信息发送至预警显示模块。

4.根据权利要求1所述的一种基于大数据的人工智能防伪图像识别系统，其特征在于，所述预警显示模块用于显示鉴别结果和统计结果；所述鉴别结果包括验证图像鉴别为真和鉴别图像鉴别为假。

5.根据权利要求3所述的一种基于大数据的人工智能防伪图像识别系统，其特征在于，所述防伪信誉值通过数据分析模块获取，包括：

通过数据存储模块获取公司的防伪查询记录；所述防伪查询记录包括防伪图像查询的查询总次数和查询结果为假的总次数，并分别标记为CZC和JZC；

获取公司的成立时长，并将成立时长标记为CSC；

通过公式

获取防伪信誉值FPX；其中α1和α2为比例系数，且α1和α2均为大于0的实数；

通过处理器将防伪信誉值发送至数据存储模块进行存储。

6.根据权利要求1所述的一种基于大数据的人工智能防伪图像识别系统，其特征在于，所述初步筛选的具体步骤包括：

对防伪图像进行图像预处理获取第一图像；所述图像预处理包括图像分割、图像去噪和灰度变换；

获取从物联设备开始采集防伪图像到获取第一图像的时间差值，并将时间差值标记为SC；当时间差值SC满足T1≤SC时，则判定防伪图像的识别性能不足，对防伪图像进行重新采集，当时间差值SC依然满足T1≤SC时，则判定防伪图像为假，分别发送防伪图像异常信号至物联设备和预警显示模块；当时间差值SC满足0<SC<T1时，则判定防伪图像的识别性能满足要求，获取第一图像中像素点的灰度均值和灰度差值，并将灰度均值和灰度差值分别标记为HJ和HC；所述灰度差值为第一图像中像素点的灰度最大值和灰度最小值之间的差值；其中T1为时间差值阈值，且T1为大于0的整数；

当HJ-μ≤HC≤HJ+μ时，则判定第一图像的质量符合要求，将第一图像标记为验证图像；否则，判定第一图像的质量不满足要求，通过智能物联模块发送采集异常信号至物联设备；其中μ为比例系数，且μ为大于0的实数。

7.一种基于大数据的人工智能防伪图像识别方法，其特征在于，所述防伪图像识别方法包括以下步骤：

步骤一：通过智能物联模块获取防伪图像，对防伪图像进行图像预处理获取第一图像；获取从物联设备开始采集防伪图像到获取第一图像的时间差值，并根据时间差值对第一图像的识别性能进行判定，对符合识别性能要求的第一图像进行筛选获取验证图像；

步骤二：通过第三方平台获取标准图像数据；随机生成非标图像数据；对训练图像进行真伪标记；构建融合模型；将标准图像数据、非标图像数据和训练图像按照设定比例生成训练集、验证集和测试集；通过训练集、验证集和测试集对融合模型进行训练、验证和测试，当融合模型的目标精度达到要求时，则判定融合模型训练完成，将训练完成的融合模型标记为检测模型；

步骤三：图像分析模块接收到检测识别信号之后，通过第三方平台获取验证图像的数据信息，根据数据信息获取公司的防伪信誉值FPX；获取数据存储模块中的检测模型，将验证图像和数据信息输入值检测模型获取验证图像的真伪标记；并根据真伪标记获取验证图像的真伪。

Images