CN113837214A - 影像验证方法及产品实时认证系统 - Google Patents
影像验证方法及产品实时认证系统 Download PDFInfo
- Publication number
- CN113837214A CN113837214A CN202010783584.XA CN202010783584A CN113837214A CN 113837214 A CN113837214 A CN 113837214A CN 202010783584 A CN202010783584 A CN 202010783584A CN 113837214 A CN113837214 A CN 113837214A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- product
- images
- module
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000013136 deep learning model Methods 0.000 claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 241000533293 Sesbania emerus Species 0.000 claims description 11
- 235000007164 Oryza sativa Nutrition 0.000 claims description 8
- 235000009566 rice Nutrition 0.000 claims description 8
- 240000007594 Oryza sativa Species 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 2
- 244000269722 Thea sinensis Species 0.000 claims 1
- 241001122767 Theaceae Species 0.000 description 36
- 238000010586 diagram Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 4
- 240000001417 Vigna umbellata Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 240000007185 Albizia julibrissin Species 0.000 description 2
- 235000011468 Albizia julibrissin Nutrition 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001454 recorded image Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 240000007154 Coffea arabica Species 0.000 description 1
- 235000007460 Coffea arabica Nutrition 0.000 description 1
- 235000002187 Coffea robusta Nutrition 0.000 description 1
- 108020003215 DNA Probes Proteins 0.000 description 1
- 239000003298 DNA probe Substances 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 244000082204 Phyllostachys viridis Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
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
-
- 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
- G06F18/2163—Partitioning the feature space
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种影像验证方法及产品实时认证系统,此方法用于针对一销售品的复数个品项类别所建立的一深度学习模型,其方法包含下列步骤。在训练阶段中,输入一训练影像。将此训练影像分割成复数个训练子影像。利用此复数个训练子影像以训练此深度学习模型,其中每一训练子影像包含一全局特征识别属性。在测试阶段中,包含输入一测试影像,并将此测试影像分割成复数个测试子影像。对每一复数个测试子影像进行是否关联于该复数个品项类别的其中之一的测试。输出一验证结果以辨别所述测试影像是否关联于此复数个品项类别的其中之一。
Description
技术领域
本发明有关于一种影像验证方法及应用此影像验证方法的一产品实时认证系统,特别是有关于使用一种深度学习模型以对一影像进行验证的方法及应用此方法来验证产品真伪的一实时认证系统。
背景技术
在现代社会中,由于每一户家庭的成员人数减少,导致消费型态逐渐改变,消费者已越来越重视产品质量。过去生产者在市场上销售其优良农产品时,由于缺少辨识性,消费者要再次确保能购买到相同产品便有极大的困难度。
现行的农产品辨识方法主要是以建立产销履历制度为主,其可以让消费者一目了然生产者以及供应商的信息,且消费者可更容易地在市场上找到优质的农产品。换言之,此产销履历标章的辨识性能够帮助生产者和消费者沟通,进而培养认同感。除此之外,此种认证方式同时也可以提供第三方验证稽核以及追溯回收的功能。
然而,上述的认证方式极为容易遭到有心人士利用,由于此种产销履历标章通常是以一QR-Code的方式黏贴于农产品的外包装上,由现有技术可以得知,有心人士可以伪造特定的生产信息并将此生产信息加入至此QR-Code内,消费者于购买产品的当下也无法直接对其真伪进行辨别。
此外,对于特定的农产品,例如不同的茶叶、稻米或是咖啡豆,其可以依据不同的等级而有不同的价格之分,通常等级愈高的茶叶或稻米,由于其价格极高,也常常成为有心人士觊觎的目标,其通常使用的手法可以是以劣质商品来取代高质量商品,或是渗杂劣质商品进高质量商品,进而获取不当的利益。然而,由些这些农产品的外观极为相似,除非是生产者本身,否则其他人极难辨别出在市场上流通的产品是真是假,对于生产者及消费者而言,均有可能造成莫大的成本或金钱损失。
因此,若能够有一种机制可以让消费者在产品开箱时即可有效地判别出产品的真伪,特别是有关于茶叶、稻米、咖啡豆等高价值且分辨不易的农产品时,将可以有效地提高产品辨识性、培养消费者认同、增加产品竞争力以及加强风险控管与责任厘清。
综前所述,本发明设计一种影像验证方法及产品实时认证系统,以期针对现有技术的缺失加以改善,进而增进产业上的实施利用。
发明内容
基于上述目的,本发明提供一种影像验证方法,其用于针对一销售品的复数个品项类别所建立的一深度学习模型,其方法包含下列步骤。
在训练阶段中,输入一训练影像。
将此训练影像分割成复数个训练子影像。
利用此复数个训练子影像以训练此深度学习模型,其中每一训练子影像系包含一全局特征识别属性。
在测试阶段中,包含输入一测试影像,并将此测试影像分割成复数个测试子影像。
对每一复数个测试子影像进行是否关联于该复数个品项类别的其中之一的测试。
输出一验证结果以辨别所述测试影像是否关联于此复数个品项类别的其中之一。
较佳地,此训练影像通过对属于此复数个品项类别的其中之一的销售品进行影像撷取。
较佳地,此销售品包含茶叶、咖啡豆或稻米。
较佳地,此复数个训练子影像的分割方式利用一矩型在此训练影像中的移动撷取而产生。
较佳地,此复数个训练子影像的至少两两之间重叠部份的影像。
较佳地,此验证结果是由深度学习模型对每一复数个测试子影像执行一投票策略而产生。
基于上述目的,本发明再提供一种产品实时验证系统,其是包含一智慧模型模块,所述智慧模型模块用于实现如上文中任意一项所述的影像验证方法。
较佳地,本发明的产品实时验证系统更包含一交易识别条形码以及一影像上传模块,此交易识别条形码显示或标示于销售品上,且此交易识别条形码崁入一网络链结及销售品的一交易码,影像上传模块供使用者上传一待验证影像,并传送至此智慧模型模块的测试阶段以产出验证结果,其中此影像上传模块位于网络链结所开启的页面中,所述交易码包含此销售品的复数次品质参数及一智慧模型索引值。
较佳地,本发明的产品实时验证系统更包含一数据库模块及一处理应用模块,此数据库模块储存对应所述交易码的一成品外观影像,处理应用模块输入此成品外观影像至该智慧模型模块以作为该训练影像,并用以验证该待验证影像的该验证结果。
较佳地,本发明的产品实时验证系统更包含一区块链模块,所述区块链模块用以储存和管理销售品的复数个品质参数及所述智慧模型模块,此区块链模块中的复数个品质参数形成所述销售品的一产销履历,且此区块链模块通过所述交易码以包含指向智慧模型模块的所述智慧模型索引值,并将此交易码崁入至交易识别条形码之中。
综合以上可以得知,本发明所提出的影像验证方法可以应用于一人工智能模型中,本发明可用以侦测出隐藏有全局特征属性的一影像,例如茶叶、稻米或是咖啡豆等的影像,而非如同现有技术一般,仅能侦测出具有局部特征的一影像,如人脸、三明治或是家具等影像,更甚者,本发明更提出一种应用此影像验证方法的产品实时认证系统,其可以提供消费者一种快速且方便的产品认证机制,以协助消费者确认其所购买到的产品的确为真品,如此一来,可以完全避免销售端产品遭到混掺或是以劣质品进行替换的风险,对于生产者以及消费者均有极大的保障。
除此之外,本发明所提出的影像验证方法可以侦测使用者输入的一待验证影像是否有隐藏有全局特征属性的一影像,此技术特征也可以进一步地验证此待验证影像是否有经过修图的痕迹,可有助于打击假新闻或是事后人工制图等的非法事件。
附图说明
图1为本发明的影像验证方法的第一流程图。
图2为本发明的影像验证方法的第二流程图。
图3为本发明的影像验证方法的验证结果示意图。
图4为本发明的产品实时认证系统的方块图。
图5为本发明的产品实时认证系统的示意图。
图6为本发明另一实施例的产品实时认证系统的方块图。
图7为本发明第二实施例的产品实时认证系统的方块图。
图8为本发明第二实施例的产品实时认证系统的示意图。
其中,符号说明如下:
S11~S13,S21~S23:步骤;A:销售品;100:产品实时验证系统;10:智慧模型模块;101:深度学习模型;11:训练阶段;111:训练影像;111':训练子影像;12:测试阶段;121:测试影像;121':测试子影像;13:验证结果;20:交易识别条形码;21:网络链结;22:交易码;221:品质参数;222:智慧模型索引值;30:影像上传模块;40:数据库模块;41:成品外观影像;50:处理应用模块;60:区块链模块;90:待验证影像。
具体实施方式
为利于贵审查员了解本发明的发明特征、内容与优点及其所能达成的功效,兹将本发明配合附图,并以实施例的表达形式详细说明如下,而其中所使用的图式,其主旨仅用于示意及辅助说明书,未必为本发明实施后的真实比例与精准配置,故不应就所附的图式的比例与配置关系解读、局限本发明于实际实施上的权利范围。
本发明的优点、特征以及达到的技术方法将参照例示性实施例及所附图式进行更详细地描述而更容易理解,且本发明可以不同形式来实现,故不应被理解仅限于此处所陈述的实施例,相反地,对所属技术领域具有通常知识者而言,所提供的实施例将使本揭露更加透彻与全面且完整地传达本发明的范畴,且本发明将仅为所附加的权利要求所定义。
请参阅图1及图2,其为本发明的影像验证方法的第一流程图及第二流程图。如图所示,本发明所提出的影像验证方法可以为一算法,并实作于一程序码之中,此影像验证方法适用于对一销售品的复数个品项类别所建立的一深度学习模型。通过此影像验证方法,深度学习模型可以侦测出所输入的一影像是否属于或关联于此销售品的复数个品项类别的其中之一,其中此影像通过对实际产品进行影像撷取而产生,并以此来验证出实际产品的真伪。
具体言之,本发明的影像验证方法包含两个阶段:训练阶段及测验阶段,分别显示于图1及图2中,其中在训练阶段的步骤包含如下。
步骤S11:输入一训练影像。其中此训练影像的来源是通过对属于此复数个品项类别的其中之一的销售品进行实物的影像撷取,举例来说,当销售品为一咖啡豆时,其品项类别可以包含阿拉比卡咖啡豆、罗巴斯塔咖啡豆、利伯利卡咖啡豆等三种,则此训练影像便必须是对此三类咖啡豆进行影像撷取的照片,以输入至此深度学习模型以进行训练。
步骤S12:将此训练影像分割成复数个训练子影像。
步骤S13:利用复数个训练子影像以训练此深度学习模型,其中每一复数个训练子影像包含一全局特征识别属性。
在步骤S12中,此复数个训练子影像的分割方式是利用一矩型在所述训练影像中的移动撷取而产生,进一步地来说,每一训练子影像的大小可以为训练影像大小的1/20至1/100的比例,而其在训练影像中撷取的方式可以以一训练子影像为中心,并逐步地进行横向或直向的固定移动,也就是说,所移动的矩型大小即为训练子影像的大小,然而在本实施例中,此训练子影像的移动方式并不以上述为限,其亦可以为随机在训练影像的内容中进行撷取而产生,而此训练影像所分割出来的训练子影像的个数则可以从数百张至数千张不等。
值得一提的是,在本发明中的销售品可以包含茶叶、咖啡豆或稻米等农产品,该些农产品的共通特色在于其均没有显著的区域外观特征得以识别,其中此区域外观特征指的是一物件的识别依据,例如人脸辨识中的眼、耳、鼻等等,一般的人脸识别方法可以依据此去辨识出个别的人脸。而不同于此种区域外观特征,本发明所涵盖的销售品上彼此只有存在极为雷同之外观、颜色及形状,申请人将此种销售品间具有极为相似的外观及形状称为”全局特征识别属性”,在每一个被分割出来的训练子影像中,均包含有一个单位以上的该销售品,故每一训练子影像亦理应具备有此全局特征识别属性,本发明即根据此发现来对含有该类销售品的影像进行验证。
而在一较佳的实施例中,在这些训练子影像中,至少两两之间的训练子影像将会重叠部份的影像,而此重叠部份影像的训练资料将有助于深度学习模型在测验阶段时对待测影像的一验证正确性。
而在此深度学习模型的测验阶段步骤则包含如下:
步骤S21:输入一测试影像,并将此测试影像分割成复数个测试子影像,其中测试影像可以为一欲检测商品的照片,而此测试子影像的分割方式可如同训练子影像的分割方式。
步骤S22:对每一复数个测试子影像进行是否关联于所述复数个品项类别的其中之一的测试。
步骤S23:输出一验证结果以辨别此测试影像是否关联于所述复数个品项类别的其中之一。
在一较佳的实施例中,步骤S22中所进行的测试可以包含一投票策略,在此阶段中,此深度学习模型可以对每一个测试子影像进行投票,以表决其是否关联于所定义的复数个品项类别的其中之一,而最后所产出的验证结果便可以是此投票的表决结果。
有别于现有技术,本发明在测验阶段中将测试影像分割成复数个测试子影像,并针对此每一个测试子影像进行辨别,本实施例中的测试子影像分割方式是同于训练子影像的分割方式,但不以此为限,亦可以将其分割为彼此独立的子影像以进行测试。
若是此测试影像中所撷取商品的影像不同于此深度学习模型所事先定义的品项类别,则可预期的是每一个测试子影像的表决结果将会被否决,一般而言,本发明的表决结果可以采多数决来决定,但不以此为限,本发明亦可以以一使用者自订的较高门槛值来决定验证是否通过,当其门槛值订的较高时,则表示验证通过的结果其准确度亦较高。
以另一实施例来说明本发明的影像验证方法,表1显示在本发明深度学习模型中所事先定义的六个茶叶品项类别,分别是自Class 0至Class 5,其中包含来自合欢山、竹山及阿里山的不同茶叶,值得一提的是,在合欢山不同向阳面所种植的茶叶,其因日照、风向等环境因素,而导致其外观、形状则稍有不同,所泡出来的茶香亦有所不同,一般消费者仅能依靠茶叶外包装的说明来认定所购买茶叶的品项类别,而有别于现有技术,本实施例根据上述的影像验证方法来对开封后的茶叶进行品项类别的辨识。
表1.茶叶的品项类别
本发明的影像验证方法是先将此六种茶叶的照片分别输入至此深度学习模型,以供此深度学习模型进行学习,其中学习的内容则可参照上述实施例中步骤S11~S13所述。而若有一消费者订购了一批声称属于Class 0的茶叶产品时,则此消费者只需对此开封后的茶叶进行影像撷取,并将此影像输入至深度学习模块的测验阶段进行检验。图3显示本实施例中将影像输入至深度学习模型中的验证结果,其中预定品项类别模型True class是深度学习模型中所事先定义的0号品项类别模型,而Predict class则是消费者所实际输入测试影像的品项类别,而Voting Score Percentage代表测试影像所切割出来的测试子影像个数比率,Image order代表测试影像个数。在本实施例中是以每类别六个测试影像来举例实施。
由图可以得知,在Predict class 1~5之间,每一张测试子影像的投票结果均是否决(negative)比例大于同意(positive)比例,其代表的意思即为每一测试子影像所包含的全局特征识别属性均不同于深度学习模型中所事先定义的0号品项类别模型,而在Predict class 0的数据中,其六张测试影像的投票结果均为同意比例大于否决比例,则表示此每一测试子影像中所包含的全局特征识别属性大多数与Class 0相同。以上述消费者购买Class 0的茶叶为例,最后,此消费者由此验证结果便可以得知所购买的茶叶产品的确属于Class 0的品项类别。
更进一步的说明,利用本发明的影像验证方法可以检验出原始影像是否遭遇过修改,由于本发明于测验阶段中将会把测试影像分割成复数个测试子影像,并针对每一测试子影像进行投票以确认此测试子影像是否含有全局特征识别属性。可以理解的是,在一测试影像中,若仅有少部份的测试子影像不含有全局特征识别属性时,即该些测试子影像的否决比例大于同意比例时,则表示该些测试子影像可能并不为当初原始影像的内容,即此原始影像已遭遇到特定人士之修改,借此,可以提早预防以假新闻或P图以进行不法盈利的事件。
请参阅图4,其为本发明的产品实时认证系统的方块图。如图所示,本发明的产品实时验证系统100包含一智慧模型模块10、一交易识别条形码20以及一影像上传模块30,其中此智慧模型模块10以及影像上传模块30均可为一软件应用程序,在智慧模型模块10内具有一深度学习模型101,其中此深度学习模型101采用本发明所提出的影像验证方法,其内容包含一训练阶段11以及一测试阶段12,训练阶段11中供使用者输入一训练影像111并将其分割成多个训练子影像111’,而测试阶段12中,则供使用者输入一测试影像121并分割多个测试子影像121’,最后再产出此测试影像121的一验证结果13,其中此影像验证方法的内容已于上述实施例说明,故此处不再进行赘述。
在本实施例中,影像上传模块30可供使用者上传一待验证影像90至包含有此智慧模型模块10的一计算机或服务器上,较佳的情况是,此影像上传模块30与智慧模型模块10可并存于同一系统主机上,但不以此为限。
本实施例的交易识别条形码20可标示于一销售品A的包装上,且此交易识别条形码20上可崁入一网络链结21及此销售品A的一交易码22,其中交易码22除了包含此销售品A的复数次品质参数221,也包含了搜索此销售品A所对应的一智慧模型索引值222。详细地说,此品质参数221至少包含此销售品A在产销过程中不同制程点的一记录影像,包含外观、型态及说明事项等等,而在本发明中,可以撷取其中一品质参数221的记录影像以作为影像验证方法的训练影像111,借以训练本发明的深度学习模型101。
较佳的情况是,此交易识别条形码20可以以一QR code的方式实施,且此影像上传模块30位于此网络链结21所开启的页面中,使用者只需使用行动装置扫描此交易识别条形码20,便可以直接被引导至影像上传模块30的网页,而在开启网页的同时,交易识别条形码中20的智慧模型索引值222也将一并被传送至智慧模型模块10,再由智慧模型模块10根据此智慧模型索引值222以搜寻并选择与销售品A品项类别相关的深度学习模型101,以作为后续的影像验证所使用。而之后使用者只需提供所述的待验证影像,便可以将其传送至所述智慧模型模块10的测试阶段12,以作为测试阶段12中的测试影像121,进而产出验证结果13。
请参阅图5,其为本发明的产品实时认证系统的示意图,并请一并参阅图4。本实施例中是以一茶叶产品来举例说明本发明的实时认证机制。使用者于一开始时可以多种不同茶叶产品作为预先定义的品项类别(本实施例以五项为例),并输入此五项茶叶产品的影像至产品实时认证系统100中,再通过上述的影像验证方法,来完成产品实时认证系统100中的深度学习模型101的训练学习。
而当使用者购买相关的茶叶产品时,只需要通过其智能型手机来撷取此茶叶产品的影像,再将此影像上传至产品实时认证系统100,通过本发明所设计的影像验证方法,便可以实时地验证出其所购买的茶叶产品的真伪,而非仅能盲目地从产品的外包装来进行产品识别。
请参阅图6,其为本发明另一实施例的产品实时认证系统的方块图,并请一并参阅图4。在本实施例中,产品实时认证系统100包含一智慧模型模块10、一交易识别条形码20、一影像上传模块30、一数据库模块40及一处理应用模块50,其中智慧模型模块10、交易识别条形码20及影像上传模块30的技术特征同于上述实施例中的说明,故此处不进行赘述。
在本实施例中,数据库模块40可以为一数据库管理系统,如Access,OracleDatabase,SQL Server等,处理应用模块50可以为一软件应用程序。如前述实施例的说明,交易码22包含一销售品A的复数次品质参数221及智慧模型索引值222,其中此品质参数221可包含此销售品A的相关影像、型态及说明事项,而智慧模型索引值222则为销售品A的品项类别所对应的深度学习模型101,而较佳的情况是,本实施例中数据库模块40可用以储存对应交易码22中的最末一笔登录的品质参数,通常此即为销售品A的一成品外观影像41(即封装之前之产品影像),再由此处理应用模块50输入成品外观影像41至智慧模型模块10,以作为深度学习模型101中的训练影像111,并用以验证该待验证影像90的该验证结果13。
请参阅图7,其为本发明另一实施例的产品实时认证系统的方块图,并请一并参阅图6。在本实施例中,产品实时认证系统100所包含的智慧模型模块10、交易识别条形码20、影像上传模块30、数据库模块40及处理应用模块50的技术特征同于上述实施例中的说明,故此处不进行赘述。
而相异于上述实施例,本实施例更包含了一区块链模块60,针对一销售品A,其从生产、运送、制造、检验、包装至销售的一产销履历中,其在每一点的使用者均可以产生此销售品A的品质参数61(即此销售品A的影像、产销信息及相关简介等),并上传此品质参数61至区块链模块60中,使此销售品A的一产销履历存在于一区块链。而消费者若对此销售品A的产销履历有兴趣时,则可以利用扫描交易识别条形码20来进一步地得知相关讯息,其说明请参阅下述实施例。
请参阅图8,其为本发明另一实施例的产品实时认证系统的示意图。在本实施例中以一茶叶产品作为产品实时认证的标的,该茶叶产品初始时由生产者(即Farmer)采收并自行包装之前,一方面利用影像撷取装置(如智能型手机)将此茶叶产品进行影像撷取,并产生相关的品质参数61,以上传至本发明的区块链模块60上,同时,其将品质参数61中的一成品外观影像41通过影像上传模块30上传至数据库模块40,以事先在深度学习模型101对此成品外观影像41进行训练。
在另一方面,生产者产生包含网络链结21及交易码22的一交易识别条形码20,并将此交易识别条形码20贴附至此茶叶产品的包装上,而通过经销商或通路(salesdistribution channels and merchants)的贩售,最后再辗转由消费者(customer)购入此茶叶产品,而此交易码22除了包含此茶叶产品的品质参数221之外,也包含了在数据库模块40及区块链模块60上搜索此茶叶产品的智慧模型索引值222。
此时在消费者端,其可以通过自有的智能型手机M来扫描茶叶产品包装(如Teacan)上的交易识别条形码20,其中此网络链结21将会引导智能型手机M的网页浏览程序自动地开启一网页,而同时此交易识别条形码20中的交易码22亦会被一并传送处理应用模块50上,此处理应用模块50可根据此交易码22以查询出此茶叶产品储存在区块链模块60上的所有品质参数61,进而形成此茶叶产品的一产销履历,并将此产销履历显示于所开启的网页上,如此一来,使用者便可以清楚地了解此茶叶产品的产销过程。
另一方面,当使用者想检验所购买的茶叶是否为真品时,此时使用者可以对开封后的茶叶进行影像撷取,进而产生一待验证影像90,再通过影像上传模块30以上传此待验证影像90至智慧模型模块10中,较佳的情况是,此影像上传模块30可以存在于网络链结21所开启的网页中。
值得一提的是,本发明的区块链模块60除了可以储存产品的品质参数61之外,亦可以作为储存不同智慧模型模块10的用途,当使用者扫描交易码22之后,交易码22中所包含的智慧模型索引值222便会指出此产品在区块链模块60上所储存的智慧模型模块10的位置,而之后使用者上传待验证影像90至影像上传模块30时,便得以正确寻找出与此产品有关的智慧模型模块10。
而通过智慧模型模块10里的深度学习模型101,其将会把待验证影像90作为一测试影像121,并分割成多个测试子影像121’以分别进行测试,而其中此测试的方法已于本发明的影像验证方法中说明,故在此不进行赘述,而验证结果13将由影像验证方法中的一投票机制来决定,最后再将此验证结果13传输回使用者的智能型手机M上,通过此种验证方式以达到实时验证产品真伪的特性。
综合以上可以得知,本发明所提出的影像验证方法可以应用于一深度学习模型中,其可用以侦测出隐藏有全局特征属性的一影像,例如茶叶、稻米或是咖啡豆等的影像,基于此影像验证方法,本发明更提出一种产品实时认证系统,其可以提供消费者一种快速且方便的产品认证机制,让使用者通过智能型手机便可以自行检验产品的真伪,如此一来,可以完全避免销售端产品遭到混掺或是以劣质品进行替换的风险,对于生产者以及消费者均有极大的保障。
而当消费者想进一步了解产品的信息时,本发明所提出的产品实时认证系统也提供了检视相关产销履历的功能,并利用区块链的安全性技术特征,以有效地储存并管理欲检视产品的一产销履历内容。进一步地,也利用了此区块链来储存并管理本发明的智慧模型模块,大幅度地降低了本产品实时认证系统被入侵或破解的可能性。
除此之外,本发明所提出的影像验证方法除了利用全局特征属性来验证影像的真伪之外,此技术特征也可以进一步地侦测影像是否有经过修改或P图的痕迹,因其若有经过修改图片的事件时,其所分割的测试子影像将会被检验出不符合全局特征属性的结果,使用者可以轻易的得知在影像中曾被修改过后的位置,可有助于打击假新闻或是事后人工制图等的非法事件。
以上所述的实施例仅为说明本发明的技术思想及特点,其目的在使熟习此项技艺的人士能够了解本发明的内容并据以实施,当不能以之限定本发明的专利范围,即大凡依本发明所揭示的精神所作的均等变化或修饰,仍应涵盖在本发明的专利范围内。
Claims (10)
1.一种影像验证方法,其用于针对一销售品的复数个品项类别所建立的一深度学习模型,其特征在于,包含:
一训练阶段,其包含:
输入一训练影像;
将该训练影像分割成复数个训练子影像;以及
利用该复数个训练子影像以训练该深度学习模型,其中每一该复数个训练子影像包含一全局特征识别属性;以及
一测试阶段,其包含:
输入一测试影像,并将该测试影像分割成复数个测试子影像;
对每一该复数个测试子影像进行是否关联于该复数个品项类别的其中之一的测试;以及
输出一验证结果以辨别该测试影像是否关联于该复数个品项类别的其中之一。
2.如权利要求1所述的影像验证方法,其特征在于,该训练影像通过对属于该复数个品项类别的其中之一的该销售品进行影像撷取。
3.如权利要求1所述的影像验证方法,其特征在于,该销售品包含茶叶、咖啡豆或稻米。
4.如权利要求1所述的影像验证方法,其特征在于,该复数个训练子影像的分割方式是利用一矩型在该训练影像中的移动撷取而产生。
5.如权利要求4所述的影像验证方法,其特征在于,该复数个训练子影像的至少两两之间重叠部份的影像。
6.如权利要求1所述的影像验证方法,其特征在于,该验证结果由该深度学习模型对每一该复数个测试子影像执行一投票策略而产生。
7.一种产品实时验证系统,其特征在于,包含一智慧模型模块,该智慧模型模块用于实现如权利要求1至6中任意一项所述的影像验证方法。
8.如权利要求7所述的产品实时验证系统,其特征在于,更包含一交易识别条形码以及一影像上传模块,其中该交易识别条形码显示或标示于该销售品上,该交易识别条形码崁入一网络链结及该销售品的一交易码,该影像上传模块供使用者上传一待验证影像,并传送至该智慧模型模块的该测试阶段以产出该验证结果,其中该影像上传模块位于该网络链结所开启的页面中,该交易码包含该销售品的复数次品质参数及一智慧模型索引值。
9.如权利要求8所述的产品实时验证系统,其特征在于,更包含一数据库模块及一处理应用模块,该数据库模块储存对应该交易码的一成品外观影像,该处理应用模块输入该成品外观影像至该智慧模型模块以作为该训练影像,并用以验证该待验证影像的该验证结果。
10.如权利要求9所述的产品实时验证系统,其特征在于,更包含一区块链模块,该区块链模块用以储存并管理该销售品的复数个品质参数及该智慧模型模块,该复数个品质参数形成该销售品的一产销履历。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109121359 | 2020-06-23 | ||
TW109121359A TWI754972B (zh) | 2020-06-23 | 2020-06-23 | 影像驗證方法及產品即時認證系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113837214A true CN113837214A (zh) | 2021-12-24 |
Family
ID=78965039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010783584.XA Pending CN113837214A (zh) | 2020-06-23 | 2020-08-06 | 影像验证方法及产品实时认证系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11816681B2 (zh) |
CN (1) | CN113837214A (zh) |
TW (1) | TWI754972B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220343085A1 (en) * | 2021-04-23 | 2022-10-27 | Iqvia Inc. | Automation-enhanced translation workflow |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699523A (zh) * | 2013-12-16 | 2014-04-02 | 深圳先进技术研究院 | 产品分类方法和装置 |
TWI696926B (zh) * | 2019-03-26 | 2020-06-21 | 財團法人亞洲大學 | 農產品品質保證之產銷履歷的建立及查詢方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11195057B2 (en) * | 2014-03-18 | 2021-12-07 | Z Advanced Computing, Inc. | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
CN104636716B (zh) * | 2014-12-08 | 2018-04-13 | 宁波工程学院 | 绿色果实识别方法 |
TW201740314A (zh) * | 2016-05-10 | 2017-11-16 | Axpert Company Ltd | 條件合格之驗證方法 |
CN106127240A (zh) * | 2016-06-17 | 2016-11-16 | 华侨大学 | 一种基于非线性重构模型的植物图像集的分类识别方法 |
US10573040B2 (en) * | 2016-11-08 | 2020-02-25 | Adobe Inc. | Image modification using detected symmetry |
CN107316289B (zh) * | 2017-06-08 | 2020-05-08 | 华中农业大学 | 基于深度学习和超像素分割的大田稻穗分割方法 |
US10824907B2 (en) * | 2017-12-07 | 2020-11-03 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
US10706525B2 (en) * | 2018-05-22 | 2020-07-07 | Midea Group Co. Ltd. | Methods and systems for improved quality inspection |
-
2020
- 2020-06-23 TW TW109121359A patent/TWI754972B/zh not_active IP Right Cessation
- 2020-08-06 CN CN202010783584.XA patent/CN113837214A/zh active Pending
-
2021
- 2021-01-04 US US17/247,974 patent/US11816681B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699523A (zh) * | 2013-12-16 | 2014-04-02 | 深圳先进技术研究院 | 产品分类方法和装置 |
TWI696926B (zh) * | 2019-03-26 | 2020-06-21 | 財團法人亞洲大學 | 農產品品質保證之產銷履歷的建立及查詢方法 |
Non-Patent Citations (2)
Title |
---|
王念兵等: ""变化字典学习与显著特征提取的单样本人脸识别"", 《小型微型计算机系统》, vol. 38, no. 9, 30 September 2017 (2017-09-30), pages 2135 * |
邱泓燕等: ""基于图卷积网络的手指静脉识别方法研究"", 《信号处理》, vol. 36, no. 3, 31 March 2020 (2020-03-31), pages 390 * |
Also Published As
Publication number | Publication date |
---|---|
TWI754972B (zh) | 2022-02-11 |
US11816681B2 (en) | 2023-11-14 |
TW202201320A (zh) | 2022-01-01 |
US20210397897A1 (en) | 2021-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8540158B2 (en) | Document verification using dynamic document identification framework | |
US10936838B1 (en) | Tagging scheme for blockchain-based provenance system | |
CN103279871B (zh) | 一种售后服务申请方法及其系统 | |
CN107016783A (zh) | 自助售卖方法及装置 | |
WO2007038680A2 (en) | Image classification and information retrieval over wireless digital networks and the internet | |
CN105701673A (zh) | 一种基于二维码的手表防伪溯源方法及系统 | |
CN206574124U (zh) | 一种商品防伪、溯源与监管系统 | |
CN115063084A (zh) | 一种卷烟零售商户库存盘点方法及系统 | |
CN113837214A (zh) | 影像验证方法及产品实时认证系统 | |
KR102323715B1 (ko) | 중고 명품 거래 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
CN109960996A (zh) | 一种判断珠宝产品与证书是否对应的系统及方法 | |
CN116911883B (zh) | 基于ai鉴真技术和溯源量化的农产防伪溯源方法及云平台 | |
CN116882928A (zh) | 商户签约资质审核方法、装置及电子设备 | |
US11763323B2 (en) | System and method for handbag authentication | |
US20160148283A1 (en) | System and Method for Accessing Comic Book Grading Notes via a Quick Scan Code | |
CN116109992A (zh) | 一种货架商品的识别方法及系统 | |
US11157917B2 (en) | Self-service product return using computer vision and artificial intelligence | |
US20160292695A1 (en) | System and method for authenticating a signature on a comic book for grading and encapsulation | |
CN111429156A (zh) | 一种手机使用的人工智能识别系统及其应用 | |
CN110781752A (zh) | 一种动态视觉智能柜多品类场景下的物体识别方法 | |
Arnold et al. | Semi-automatic identification of counterfeit offers in online shopping platforms | |
US20210287229A1 (en) | Method for encrypting and verifying integrity of a merchandise | |
TWI723391B (zh) | 數位廣告之商品辨識系統及其實施方法 | |
Patankar et al. | Automated smart billing cart for fruits | |
TWM568435U (zh) | 一種用於售後服務之保證服務管理系統 |
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 |