CN114494765A - 真假烟鉴别点的识别方法、装置、电子设备及存储介质 - Google Patents
真假烟鉴别点的识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114494765A CN114494765A CN202111575940.XA CN202111575940A CN114494765A CN 114494765 A CN114494765 A CN 114494765A CN 202111575940 A CN202111575940 A CN 202111575940A CN 114494765 A CN114494765 A CN 114494765A
- Authority
- CN
- China
- Prior art keywords
- false
- true
- cigarette
- identification
- image
- 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.)
- Granted
Links
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 233
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000010586 diagram Methods 0.000 claims abstract description 130
- 239000011159 matrix material Substances 0.000 claims abstract description 112
- 238000009826 distribution Methods 0.000 claims abstract description 48
- 238000013145 classification model Methods 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 24
- 239000000779 smoke Substances 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 241000208125 Nicotiana Species 0.000 description 4
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012856 packing Methods 0.000 description 3
- 241000736199 Paeonia Species 0.000 description 2
- 235000006484 Paeonia officinalis Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种真假烟鉴别点的识别方法、装置、电子设备及存储介质，应用于卷烟真假鉴别技术领域，所述方法包括：获取待识别的烟盒图像的真假分类结果和特征矩阵图，真假分类结果包括真假类别概率分布中置信度最高的目标类别对应的类别概率分布，特征矩阵图包括多个元素，并根据类别概率分布得到偏导数集合，偏导数集合包括类别概率分布对特征矩阵图中的所有元素的偏导数，并根据偏导数大小，确定目标类别相对于特征矩阵图的分类权重，进而根据分类权重和特征矩阵图，确定目标类别对应的热力图，进而根据热力图中数值大于预设值的区域确定待识别的烟盒图像的真假烟鉴别点。本申请可以实现真假烟鉴别点的自动识别，避免人工寻找鉴别点的主观性。
Description
技术领域
本申请涉及卷烟真假鉴别技术领域，尤其涉及一种真假烟鉴别点的识别方法、装置、电子设备及存储介质。
背景技术
中国烟草行业实行统一领导、垂直管理、专卖专营的管理体制。假烟在消费市场中的流通，不仅破坏了原有的烟草管制，而且对消费者身体也有很大损害。烟草行业的稽查人员会负责在各个烟草卖点对香烟的真假进行排查，如何能够在不破坏香烟包装影响再销售的情况下对香烟真假进行快速鉴别成为目前亟待解决的问题。
目前，对于香烟的真假鉴别主要依赖于稽查人员的肉眼比对，稽查人员根据长期经验总结出一些香烟鉴别点，通过比对鉴别点的差异来区分香烟的真假。然而，鉴别点并没有统一标准，寻找鉴别点的方式也是通过人工比照实现的，这种寻找鉴别点的方式主观性较强，容易遗漏或出错，使得寻找出的鉴别点准确性不高。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种真假烟鉴别点的识别方法、装置、电子设备及存储介质。
根据本申请的第一方面，提供了一种真假烟鉴别点的识别方法，所述方法包括：
获取待识别的烟盒图像的真假分类结果和特征矩阵图，其中，所述真假分类结果包括真假类别概率分布中置信度最高的目标类别对应的类别概率分布；所述特征矩阵图与所述真假分类结果对应，所述特征矩阵图包括多个元素；
根据所述类别概率分布得到偏导数集合，所述偏导数集合包括所述类别概率分布对所述特征矩阵图中的所有元素的偏导数；
根据所述偏导数大小，确定所述目标类别相对于所述特征矩阵图的分类权重；
根据所述分类权重和所述特征矩阵图，确定所述目标类别对应的热力图；
根据所述热力图中数值大于预设值的区域，确定所述待识别的烟盒图像的真假烟鉴别点，所述真假烟鉴别点为所述烟盒图像中具备真假烟鉴别能力的像素点。
根据本申请的第二方面，提供了一种真假烟鉴别点的识别装置，所述装置包括：
获取模块，用于获取待识别的烟盒图像的真假分类结果和特征矩阵图，其中，所述真假分类结果包括真假类别概率分布中置信度最高的目标类别对应的类别概率分布；所述特征矩阵图与所述真假分类结果对应，所述特征矩阵图包括多个元素；
处理模块，用于根据所述类别概率分布得到偏导数集合，所述偏导数集合包括所述类别概率分布对所述特征矩阵图中的所有元素的偏导数；
所述处理模块，还用于根据所述偏导数大小，确定所述目标类别相对于所述特征矩阵图的分类权重；
所述处理模块，还用于根据所述分类权重和所述特征矩阵图，确定所述目标类别对应的热力图；
所述处理模块，还用于根据所述热力图中数值大于预设值的区域，确定所述待识别的烟盒图像的真假烟鉴别点，所述真假烟鉴别点为所述烟盒图像中具备真假烟鉴别能力的像素点。
根据本申请的第三方面，提供了一种电子设备，包括：处理器，所述处理器用于执行存储于存储器的计算机程序，所述计算机程序被处理器执行时实现第一方面所述的真假烟鉴别点的识别方法。
根据本申请的第四方面，提供了一种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第一方面所述的真假烟鉴别点的识别方法。
根据本申请的第五方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面所述的真假烟鉴别点的识别方法。
本申请实施例提供的技术方案与现有技术相比具有如下优点：
通过获取待识别的烟盒图像的真假分类结果和特征矩阵图，其中，真假分类结果包括真假类别概率分布中置信度最高的目标类别对应的类别概率分布，特征矩阵图与真假分类结果对应，特征矩阵图包括多个元素，并根据类别概率分布得到偏导数集合，偏导数集合包括类别概率分布对特征矩阵图中的所有元素的偏导数，并根据偏导数大小，确定目标类别相对于特征矩阵图的分类权重，进而根据分类权重和特征矩阵图，确定目标类别对应的热力图，进而根据热力图中数值大于预设值的区域确定待识别的烟盒图像的真假烟鉴别点，真假烟鉴别点为烟盒图像中具备真假烟鉴别能力的像素点。采用上述技术方案，通过基于类别概率分别及特征矩阵图确定分类权重进而确定出热力图，再基于热力图确定出真假烟鉴别点，实现了真假烟鉴别点的自动识别，并能够以热力图的形式呈现出真假烟鉴别点，无需稽查人员人工寻找鉴别点，避免了人工寻找鉴别点的主观性，有利于提高鉴别点识别的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的真假烟鉴别点的识别方法的流程示意图；
图2为本申请一实施例提供的VGG16的网络结构示意图；
图3为根据本申请实施例提供的真假烟鉴别点的识别方法识别出的真假烟鉴别点的效果展示示例图；
图4为本申请一实施例提供的真假烟鉴别点的识别装置的结构示意图；
图5为本申请一实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例，然而应当理解的是，本申请可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是，本申请的附图及实施例仅用于示例性作用，并非用于限制本申请的保护范围。
应当理解，本申请的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
目前，提取真假烟鉴别点的方式主要是通过稽查人员肉眼比对，寻找真烟和假烟包装图案中的显著区别。然而，这种人工寻找鉴别点的方式存在很多问题，包括：
(1)由于人眼只对规则的、大小适中的图案敏感，因此人眼很难从微小、杂乱的图案中找到差异；
(2)由于假烟批次不同，鉴别点也会不同，因此鉴别点的情况比较复杂，人工寻找鉴别点容易发生遗漏或出错，使得寻找出的鉴别点的准确性不高；
(3)由于不同的人对真假烟鉴别点的理解不同，鉴别点如何规定并没有统一标准，很难量化评价最佳鉴别点以供其他人参考；
(4)鉴别点信息容易泄露，从而使假烟窝点能够快速有效的改进工艺。
针对上述问题，本申请提供了一种真假烟鉴别点的识别方法，通过获取待识别的烟盒图像的真假分类结果和特征矩阵图，其中，真假分类结果包括真假类别概率分布中置信度最高的目标类别对应的类别概率分布，特征矩阵图与真假分类结果对应，特征矩阵图包括多个元素，并根据类别概率分布得到偏导数集合，偏导数集合包括类别概率分布对特征矩阵图中的所有元素的偏导数，并根据偏导数大小，确定目标类别相对于特征矩阵图的分类权重，进而根据分类权重和特征矩阵图，确定目标类别对应的热力图，进而根据热力图中数值大于预设值的区域确定待识别的烟盒图像的真假烟鉴别点，真假烟鉴别点为烟盒图像中具备真假烟鉴别能力的像素点。采用上述技术方案，通过基于类别概率分别及特征矩阵图确定分类权重进而确定出热力图，再基于热力图确定出真假烟鉴别点，实现了真假烟鉴别点的自动识别，并能够以热力图的形式呈现出真假烟鉴别点，无需稽查人员人工寻找鉴别点，避免了人工寻找鉴别点的主观性以及人力成本，还能消除不同人之间识别鉴别点的差异，有利于提高鉴别点识别的准确性。本申请的方案自动识别真假烟鉴别点，可以发现一些人眼不敏感的区域，有利于识别出更多的鉴别点，为用户提供更多可选择的鉴别点。
图1为本申请一实施例提供的真假烟鉴别点的识别方法的流程示意图，该方法可以由本申请实施例提供的真假烟鉴别点的识别装置执行，其中该装置可以采用软件和/或硬件实现，一般可集成在电脑等电子设备中。如图1所示，该真假烟鉴别点的识别方法可以包括以下步骤：
步骤101，获取待识别的烟盒图像的真假分类结果和特征矩阵图。
其中，真假分类结果包括真假类别概率分布中置信度最高的目标类别对应的类别概率分布；特征矩阵图与真假分类结果对应，特征矩阵图包括多个元素，特征矩阵图中的一个元素为一个像素点。
其中，待识别的烟盒图像可以是对待进行真假烟判别的卷烟的外包装盒进行拍摄获得的图像，可以是外包装盒的每个面的图像，也可以是仅对可能包含真假烟鉴别点的面进行拍摄获得的图像，本申请对此不作限制。
本申请实施例中，可以利用预设训练好的图像分类模型来获取待识别的烟盒图像的真假分类结果和特征矩阵图。具体地，可以收集大量的烟盒图像，并对烟盒图像进行真假标注，将标注好的烟盒图像作为训练样本，对初始神经网络模型进行训练，其中，初始神经网络模型可以选择任意一种分类模型，比如常见的残差网络ResNet、视觉几何群网络VGG等。经过预设次数的迭代训练，或者在模型的损失函数值小于预设阈值时，训练完成，得到训练好的图像分类模型。
可选地，在收集烟盒图像作为训练样本时，可以使用相同参数的高分辨相机对真假烟的正面、侧面、背面、顶面、底面图像进行采集，采集设备的位置与距离固定，并且将采集背景统一设置为固定颜色，以尽量降低环境因素对训练样本的影响，进行影响模型的训练效果。
另外，由于部分香烟包装图案简单，具有鉴别价值的区域范围比较小，可以先人工选择出合适的区域，以减少后续模型训练和热力图识别的时间。
可选地，为了能够更好地识别图像，在进行模型训练之前，可以对收集的烟盒图像进行合理的数据增强操作，包括但不限于图像缩放、色彩偏移等。
本实施例中，将待识别的烟盒图像输入至训练好的图像分类模型中，可以从图像分类模型的卷积层获取特征矩阵图，以及从图像分类模型的输出层获取真假分类结果。
其中，获取的特征矩阵图是图像分类模型对待识别的烟盒图像进行特征提取后最后一次卷积后得到的特征矩阵图，获取的真假分类结果是图像分类模型输出的置信度最高的目标类别及其对应的类别概率分别。能够理解的是，图像分类模型输出的置信度最高的类别，被认为是待识别的烟盒图像对应的类别。
示例性地，以采用的初始神经网络模型为VGG16作为示例，VGG16的网络结构如图2所示，则本实施例的图像分类模型是对图2所示的VGG16进行训练后得到的模型。将待识别的烟盒图像输入至训练好的图像分类模型中，获取的特征矩阵图的大小对应于图2中最后一层池化层的大小，即7*7*512，获取的真假分类结果是图2中最后一个全连接层的输出中概率最大的输出节点，对应置信度最高的类别。
从图2可以看出，当以VGG16作为初始神经网络模型训练得到图像分类模型时，模型的输入图像的尺寸为224*224，则在进行模型训练以及后续应用时，对于不满足模型的输入图像尺寸要求的图像，可以先对图像进行预处理，使得处理后的图像的尺寸为224*224。
步骤102，根据所述类别概率分布得到偏导数集合。
其中，偏导数集合包括类别概率分布对特征矩阵图中的所有元素的偏导数，偏导数反映了一个像素位置的数值变化对结果影响的大小，偏导数越大，这个像素微小的变化就能对结果产生很大的影响。。
本申请实施例中，可以通过如下公式(1)计算得到类别概率分布对特征矩阵图中每个像素点的偏导数。
其中，yc是图像分类模型的最后一个全连接层输出的类别c的类别概率分布(概率向量)，c为真类别或假类别，是最后一个全连接层输出的置信度最高的类别，A表示图像分类模型的最后一层池化层输出的特征矩阵图，k为特征矩阵图A的通道的序号，k的最大取值与特征矩阵图A的通道数相匹配，i和j分别是特征矩阵图A的宽高维度(即行和列)的序号，用作对特征矩阵图中像素点位置的编码。
本申请实施例中，根据上述公式(1)，可以计算得到待识别的烟盒图像的类别概率分布，对特征矩阵图中每个通道的每个像素点的偏导数。
步骤103，根据所述偏导数大小，确定所述目标类别相对于所述特征矩阵图的分类权重。
本申请实施例中，计算得到分类结果对特征矩阵图的每个像素点的偏导数之后，根据计算得到的偏导数，可以确定出待识别的烟盒图像对应的目标类别，相对于特征矩阵图的分类权重。
可选地，可以将类别概率分布对特征矩阵图中每个像素点的偏导数进行求和运算，将所得的和值作为待识别的烟盒图像对应的目标类别相对于特征矩阵图的分类权重。
能够理解的是，通常特征矩阵图包括多个通道，本申请实施例可以针对特征矩阵图的每个通道，根据类别概率分布对同一通道上每个像素点的偏导数，确定待识别的烟盒图像对应的目标类别相对于特征矩阵图中该通道的分类权重。从而，在本申请的一种可选实施方式中，所述根据所述偏导数，确定所述类别相对于所述特征矩阵图的分类权重，可以包括：计算所述类别概率分布对所述特征矩阵图中任一通道上的每个元素的偏导数的全局平均值，其中，该全局平均值为宽高维度上的均值，进而将所述全局平均值确定为所述目标类别相对于所述特征矩阵图中所述任一通道的分类权重。该实施方式可以通过如下公式(2)进行表示。
其中，
表示类别c相对于特征矩阵图A的第k个通道的分类权重，Z表示特征矩阵图A的第k个通道所包含的像素点个数，Z的取值为i*j。
步骤104，根据所述分类权重和所述特征矩阵图，确定所述目标类别对应的热力图。
本申请实施例中，确定了待识别的烟盒图像对应的目标类别相对于特征矩阵图中每个通道的分类权重之后，结合确定的分类权重和特征矩阵图，可以确定待识别的烟盒图像对应的目标类别所对应的热力图。
可选地，可以将特征矩阵图中每个通道的分类权重作为权重，对特征矩阵图的多个通道的特征子图进行加权求和，得到加权特征图，进而基于预设的激活函数对加权特征图进行处理，得到目标类别对应的热力图。
示例性地，预设的激活函数可以是线性整流函数(Rectified Linear Unit，ReLU)，从而，确定的热力图可以通过如下公式(3)表示。
其中，Ak表示特征矩阵图A的第k个通道的特征子图，Lc表示待识别的烟盒图像对应的目标类别所对应的热力图。
本申请实施例中，将特征矩阵图中每个通道的分类权重作为权重，将特征矩阵图中各个通道的特征子图进行加权，将各个特征子图线性组合起来，之后把组合起来的值输入ReLU激活函数中进行处理，输出得到一个二维矩阵，即为目标类别对应的热力图。
步骤105，根据所述热力图中数值大于预设值的区域，确定所述待识别的烟盒图像的真假烟鉴别点。
其中，真假烟鉴别点为烟盒图像中具备真假烟鉴别能力的像素点，利用真假烟鉴别点，稽查人员能够准确地识别出香烟的真假。
其中，预设值可以根据经验预先设定。
能够理解的是，热力图中的每个像素点点对应一个像素值，该像素值可以称为热力值，热力值大的区域对应于区分真假烟作用最明显的区域，因此本实施例中，得到目标类别对应的热力图之后，可以根据热力图中热力值大于预设值的区域，确定出待识别的烟盒图像的真假烟鉴别点。能够理解的是，将热力图中热力值大于预设值的区域，对应于烟盒图像中的相同区域，即得到烟盒图像的真假烟鉴别点。
本申请实施例中，确定的热力图的尺寸与获取的特征矩阵图的宽高尺寸大小相同，如果获取的特征矩阵图的宽高尺寸为7*7，则确定的热力图的尺寸也为7*7，而这个尺寸通常是和待识别的烟盒图像的尺寸不一致的，这种情况下，可以利用双线性插值的方式将热力图的矩阵上采样至待识别的烟盒图像大小，之后再根据热力图中点的数值大小确定出待识别的烟盒图像的真假烟鉴别点。
图3为根据本申请实施例提供的真假烟鉴别点的识别方法识别出的真假烟鉴别点的效果展示示例图，从图3中的图(a)和图(b)可以看出，在图(a)所示的烟盒上，牡丹的两处叶子处(图(a)中标号31和标号32对应的区域)这两个位置的热力图数值相对较大，这两个位置对于真假烟分类起到了关键作用，因此可以作为真假烟鉴别点。在图(b)所示的烟盒上，牡丹的两处花瓣处(图(b)中标号33和标号34对应的区域)这两个位置的热力图数值相对较大，这两个位置对于真假烟分类起到了关键作用，因此可以作为真假烟鉴别点。需要说明的是，图3中的真假烟鉴别点实际为热力图的形式显示的，图3中将真假烟鉴别点对应的热力图设置为填充预设颜色的焦点区域，该焦点区域仅为了清晰地显示出真假烟鉴别点，不能作为对本申请的限制。本申请实施例不对填充焦点区域的颜色、亮度等图像显示特性作任何限定。
能够理解的是，本申请的方案通过热力图的形式来呈现区分真假烟的区域细节，不同的区分能力在热力图中呈现的高亮程度不同，这方便了用户(稽查人员)对确定的真假烟鉴别点的区分能力进行排序，为用户选择合适的真假烟鉴别点进行真假烟的鉴别提供了帮助。
本实施例的真假烟鉴别点的识别方法，通过获取待识别的烟盒图像的真假分类结果和特征矩阵图，其中，真假分类结果包括真假类别概率分布中置信度最高的目标类别对应的类别概率分布，特征矩阵图与真假分类结果对应，特征矩阵图包括多个元素，并根据类别概率分布得到偏导数集合，偏导数集合包括类别概率分布对特征矩阵图中的所有元素的偏导数，并根据偏导数大小，确定目标类别相对于特征矩阵图的分类权重，进而根据分类权重和特征矩阵图，确定目标类别对应的热力图，根据热力图中数值大于预设值的区域确定待识别的烟盒图像的真假烟鉴别点，真假烟鉴别点为烟盒图像中具备真假烟鉴别能力的像素点。采用上述技术方案，通过基于类别概率分别及特征矩阵图确定分类权重进而确定出热力图，再基于热力图确定出真假烟鉴别点，实现了真假烟鉴别点的自动识别，并能够以热力图的形式呈现出真假烟鉴别点，无需稽查人员人工寻找鉴别点，避免了人工寻找鉴别点的主观性以及人力成本，还能消除不同人之间识别鉴别点的差异，有利于提高鉴别点识别的准确性。
真假烟鉴别点的大小可能会影响真假烟鉴别的准确性，鉴别点过小容易使得用户难以区分出真假烟的差异，为了方便用户区分出真假烟的差异，可以确定较大面积的真假烟鉴别点。因此在本申请的一种可选实施方式中，所述将所述热力图中数值大于预设值的区域确定为所述待识别的烟盒图像的真假烟鉴别点，可以包括：
从所述热力图中确定目标点集合，所述目标点集合包括热力值大于所述预设值的多个目标点，所述热力值为所述热力图中的点对应的数值；
若目标比值不小于预设面积阈值，则将所述目标点所在的区域确定为所述待识别的烟盒图像的真假烟鉴别点，所述目标比值为所述目标点集合中目标点总数与所述热力图中像素点总数之比。
其中，预设面积阈值可以根据实际需求预先设定，比如，预设面积阈值可以设置为25％、30％等，本申请对此不作限制。
本申请实施例中，可以将热力图中每个点的热力值与预设值进行比较，从热力图中确定出目标点集合，其中，目标点集合中包含多个目标点，目标点为热力图中热力值大于预设值的点，统计出目标点集合中包含的目标点的个数，得到目标点总数，并计算目标点总数与热力图中包含的所有像素点的像素点总数之间的比值，进而将计算得到的比值与预设面积阈值进行比较，如果比值大于或等于预设面积阈值，则将目标点所在的区域确定为待识别的烟盒图像的真假烟鉴别点。由此，保证了确定的真假烟鉴别点的面积不小于预设面积阈值，保证了用户能够从真假烟鉴别点中区分出真假烟差异的可能性，有利于提高真假烟鉴别的准确性。
可选地，如果计算得到的比值小于预设面积阈值，则可以进一步将样本图像进行划分后再进行模型的训练、热力图生成操作，直到确定的真假烟鉴别点的面积达到预设面积阈值。
可选地，如果计算得到的比值小于预设面积阈值，还可以参照热力图中热力值较大的区域，将样本图像上对应区域的图像划分为一个或多个网格区域再次进行模型的训练、热力图生成操作，直到确定的真假烟鉴别点的面积达到预设面积阈值，而对应于热力图中热力值较小的区域则不再进行模型训练，这样有利于提高筛选真假烟鉴别点的效率。
在本申请的一种可选实施方式中，待识别的烟盒图像包括多张待识别图像，每张待识别图像包含的待识别区域不同，相应地，图像分类模型为多个，每个所述图像分类模型用于对一张所述待识别图像进行识别，以获取所述待识别图像对应的真假分类结果和特征矩阵图。
其中，多张待识别图像可以是同一个待识别的烟盒上不同面的图像，比如正面、背面、侧面的图像，也可以是同一面的图像上划分的不同网格区域中的截图，比如，将烟盒的正面图像分成4×4共16个网格，一个网格区域的截图作为一个待识别图像。
为了提高图像分类模型对于细节的识别能力，本申请实施例中，可以针对不同面的烟盒图像，或者针对同一面的不同区域的图像，分别训练一个对应的图像分类模型。比如，将烟盒的正面分成16个网格，针对每个网格区域分别训练一个对应的图像分类模型。又比如，针对烟盒的每个面分别训练一个对应的图像分类模型，从而，利用烟盒的前面图像训练得到的图像分类模型仅用于对待识别的烟盒的前面图像进行识别，利用烟盒的侧面图像训练得到的图像分类模型仅用于对待识别的烟盒的侧面进行识别。在进行模型训练时，需要将样本图像(可以是烟盒某个面的图像，也可以是烟盒某个面的图像上某个网格区域的截图)的尺寸转换成初始神经网络模型能够接收的尺寸，比如VGG16网络能够接收的224*224，接着利用尺寸合适的样本图像进行固定次数的训练后，得到各个区域对应的图像分类模型。
从而，在对待识别的烟盒图像进行识别时，可以根据待识别的烟盒图像所包含的待识别图像，选择对应的图像分类模型进行识别。比如，如果待识别的烟盒图像中包含烟盒的正面图像和背面图像，则选择用于识别烟盒的前面图像的图像分类模型来识别前面图像，选择用于识别烟盒的背面图像的图像分类模型来识别背面图像。
能够理解的是，当代识别的烟盒图像包括多张待识别图像时，可以将每张待识别图像对应的真假烟鉴别点进行汇总，得到可用于区分真假烟的鉴别点位置。
进一步地，在本申请的一种可选实施方式中，所述方法还包括：
获取训练样本集，所述训练样本集包括多个样本子集，每个所述样本子集中包含多张样本图像，同一所述样本子集中包含的所述多张样本图像的识别区域相同；
利用每个所述样本子集对初始神经网络模型进行训练，并在迭代训练次数达到预设次数阈值后，训练完成，得到每个所述样本子集对应的候选分类模型；
测试每个所述候选分类模型的识别准确率；
根据所述识别准确率，从所述候选分类模型中选择出识别准确率大于或等于预设阈值的候选分类模型作为所述图像分类模型。
其中，预设阈值和预设次数阈值均可以预先设置，预设阈值可以在0～1之间取值，比如可以设置预设阈值为0.5、0.7等，预设次数阈值可以根据实际需求的模型识别精度来设置。
本申请实施例中，可以获取多个样本子集来训练得到多个候选分类模型，一个样本子集训练得到一个候选分类模型，其中，每个样本子集中包含多张样本图像用于模型训练，同一样本子集中包含的多张样本图像的识别区域相同，比如一个样本子集中包含的不同烟盒的前面图像，另一样本子集中包含的不同烟盒的侧面图像，等等。对于训练得到的每个候选分类模型，可以利用测试数据集对各个候选分类模型进行识别效果评估，测试每个候选分类模型的识别准确率，并将每个候选分类模型的识别准确率与预设阈值进行比较，从候选分类模型中选择出识别准确率大于或等于预设阈值的候选分类模型作为图像分类模型，而剔除识别准确率低于预设阈值的候选分类模型，剩余的图像分类模型用于后续的热力图生成过程。
能够理解的是，在后续热力图生成过程中，可以根据剩余的图像分类模型来采集待识别的烟盒图像，比如，剩余的图像分类模型包括用于对烟盒的正面图像进行识别的图像分类模型和用于对烟盒的侧面图像进行识别的图像分类模型，则获取的待识别的烟盒图像可以包括待识别的烟盒的正面图像和侧面图像。
本申请实施例中，通过训练得到多个候选分类模型，并测试每个候选分类模型的识别准确率，进而根据识别准确率，从候选分类模型中选择出识别准确率大于或等于预设阈值的候选分类模型作为图像分类模型，由此，实现了选择识别效果较好的图像分类模型用于确定待识别的烟盒图像的真假烟鉴别点，有利于提高确定的鉴别点的准确性。
在本申请的一种可选实施方式中，所述方法还包括：
获取所述图像分类模型根据所述待识别的烟盒图像的真假烟鉴别点，对所述待识别的烟盒图像进行鉴别的鉴别结果，所述鉴别结果为真或假；
显示所述鉴别结果。
本申请实施例中，图像分类模型还可以用于根据确定的待识别的烟盒图像的真假烟鉴别点，对待识别的烟盒图像进行真假烟的鉴别，从而电子设备获取图像分类模型对待识别的烟盒图像的鉴别结果，并将获取的鉴别结果展示给用户。比如，可以通过文字显示、语音播报、指示灯显示等形式，将获取的鉴别结果展示给用户。由此，实现了将确定的真假烟鉴别点封装到模型中，从而能够在用户不干涉的情况下直接用于真假烟的鉴别，避免了鉴别点的泄露。
相应于上述方法实施例，本申请实施例还提供了一种真假烟鉴别点的识别装置。
图4为本申请一实施例提供的真假烟鉴别点的识别装置的结构示意图，该真假烟鉴别点的识别装置可以采用软件和/或硬件实现，一般可集成在电脑等电子设备中。
如图4所示，该真假烟鉴别点的识别装置40可以包括：获取模块410和处理模块420。
其中，获取模块410，用于获取待识别的烟盒图像的真假分类结果和特征矩阵图，其中，所述真假分类结果包括真假类别概率分布中置信度最高的目标类别对应的类别概率分布；所述特征矩阵图与所述真假分类结果对应，所述特征矩阵图包括多个元素；
所述处理模块420，用于根据所述类别概率分布得到偏导数集合，所述偏导数集合包括所述类别概率分布对所述特征矩阵图中的所有元素的偏导数；
所述处理模块420，还用于根据所述偏导数大小，确定所述目标类别相对于所述特征矩阵图的分类权重；
所述处理模块420，还用于根据所述分类权重和所述特征矩阵图，确定所述目标类别对应的热力图；
所述处理模块420，还用于根据所述热力图中数值大于预设值的区域，确定所述待识别的烟盒图像的真假烟鉴别点，所述真假烟鉴别点为所述烟盒图像中具备真假烟鉴别能力的像素点。
可选地，所述特征矩阵图包括多个通道，所述处理模块420还用于：
计算所述类别概率分布对所述特征矩阵图中任一通道上的每个元素的偏导数的全局平均值；
将所述全局平均值确定为所述目标类别相对于所述特征矩阵图中所述任一通道的分类权重。
可选地，所述处理模块420还用于：
根据所述特征矩阵图中每个通道的分类权重，对所述特征矩阵图的所述多个通道的特征子图进行加权求和，得到加权特征图；
基于预设的激活函数对所述加权特征图进行处理，得到所述目标类别对应的热力图。
可选地，所述处理模块420还用于：
从所述热力图中确定目标点集合，所述目标点集合包括热力值大于所述预设值的多个目标点，所述热力值为所述热力图中的像素点对应的像素值；
若目标比值不小于预设面积阈值，则将所述目标点所在的区域确定为所述待识别的烟盒图像的真假烟鉴别点，所述目标比值为所述目标点集合中目标点总数与所述热力图中像素点总数之比。
可选地，所述待识别的烟盒图像包括多张待识别图像，每张所述待识别图像包含的待识别区域不同，图像分类模型为多个，每个所述图像分类模型用于对一张所述待识别图像进行识别，以获取所述待识别图像对应的真假分类结果和特征矩阵图。
可选地，所述获取模块410还用于：
获取训练样本集，所述训练样本集包括多个样本子集，每个所述样本子集中包含多张样本图像，同一所述样本子集中包含的所述多张样本图像的识别区域相同；
所述处理模块420还用于：
利用每个所述样本子集对初始神经网络模型进行训练，并在迭代训练次数达到预设次数阈值后，训练完成，得到每个所述样本子集对应的候选分类模型；
测试每个所述候选分类模型的识别准确率；
根据所述识别准确率，从所述候选分类模型中选择出识别准确率大于或等于预设阈值的候选分类模型作为所述图像分类模型。
可选地，所述获取模块410还用于：
获取所述图像分类模型根据所述待识别的烟盒图像的真假烟鉴别点，对所述待识别的烟盒图像进行鉴别的鉴别结果，所述鉴别结果为真或假；
所述装置还包括：
显示模块，用于显示所述鉴别结果。
本申请实施例所提供的真假烟鉴别点的识别装置，可执行本申请实施例所提供的任意可应用于电脑等电子设备的真假烟鉴别点的识别方法，具备执行方法相应的功能模块和有益效果。本申请装置实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本申请的示例性实施例中，还提供一种电子设备，包括：处理器，所述处理器用于执行存储于存储器的计算机程序，所述计算机程序被处理器执行时实现如上述实施例所述的真假烟鉴别点的识别方法的步骤。
图5为本申请一实施例提供的电子设备的一种结构示意图。需要说明的是，图5示出的电子设备500仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统操作所需的各种程序和数据。中央处理单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如局域网(LAN)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元501执行时，执行本申请的装置中限定的各种功能。
本申请实施例中，还提供了一种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实施例所述的真假烟鉴别点的识别方法的步骤。
需要说明的是，本申请所示的计算机可读存储介质例如可以是—但不限于—电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器、只读存储器、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、射频等等，或者上述的任意合适的组合。
本申请实施例中，还提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行上述实施例所述的真假烟鉴别点的识别方法的步骤。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种真假烟鉴别点的识别方法，其特征在于，所述方法包括：
获取待识别的烟盒图像的真假分类结果和特征矩阵图，其中，所述真假分类结果包括真假类别概率分布中置信度最高的目标类别对应的类别概率分布；所述特征矩阵图与所述真假分类结果对应，所述特征矩阵图包括多个元素；
根据所述类别概率分布得到偏导数集合，所述偏导数集合包括所述类别概率分布对所述特征矩阵图中的所有元素的偏导数；
根据所述偏导数大小，确定所述目标类别相对于所述特征矩阵图的分类权重；
根据所述分类权重和所述特征矩阵图，确定所述目标类别对应的热力图；
根据所述热力图中数值大于预设值的区域，确定所述待识别的烟盒图像的真假烟鉴别点，所述真假烟鉴别点为所述烟盒图像中具备真假烟鉴别能力的像素点。
2.根据权利要求1所述的真假烟鉴别点的识别方法，其特征在于，所述特征矩阵图包括多个通道，所述根据所述偏导数大小，确定所述目标类别相对于所述特征矩阵图的分类权重，包括：
计算所述类别概率分布对所述特征矩阵图中任一通道上的每个元素的偏导数的全局平均值；
将所述全局平均值确定为所述目标类别相对于所述特征矩阵图中所述任一通道的分类权重。
3.根据权利要求2所述的真假烟鉴别点的识别方法，其特征在于，所述根据所述分类权重和所述特征矩阵图，确定所述目标类别对应的热力图，包括：
根据所述特征矩阵图中每个通道的分类权重，对所述特征矩阵图的所述多个通道的特征子图进行加权求和，得到加权特征图；
基于预设的激活函数对所述加权特征图进行处理，得到所述目标类别对应的热力图。
4.根据权利要求1所述的真假烟鉴别点的识别方法，其特征在于，所述将所述热力图中数值大于预设值的区域确定为所述待识别的烟盒图像的真假烟鉴别点，包括：
从所述热力图中确定目标点集合，所述目标点集合包括热力值大于所述预设值的多个目标点，所述热力值为所述热力图中的像素点对应的像素值；
若目标比值不小于预设面积阈值，则将所述目标点所在的区域确定为所述待识别的烟盒图像的真假烟鉴别点，所述目标比值为所述目标点集合中目标点总数与所述热力图中像素点总数之比。
5.根据权利要求1所述的真假烟鉴别点的识别方法，其特征在于，所述待识别的烟盒图像包括多张待识别图像，每张所述待识别图像包含的待识别区域不同，图像分类模型为多个，每个所述图像分类模型用于对一张所述待识别图像进行识别，以获取所述待识别图像对应的真假分类结果和特征矩阵图。
6.根据权利要求5所述的真假烟鉴别点的识别方法，其特征在于，所述方法还包括：
获取训练样本集，所述训练样本集包括多个样本子集，每个所述样本子集中包含多张样本图像，同一所述样本子集中包含的所述多张样本图像的识别区域相同；
利用每个所述样本子集对初始神经网络模型进行训练，并在迭代训练次数达到预设次数阈值后，训练完成，得到每个所述样本子集对应的候选分类模型；
测试每个所述候选分类模型的识别准确率；
根据所述识别准确率，从所述候选分类模型中选择出识别准确率大于或等于预设阈值的候选分类模型作为所述图像分类模型。
7.根据权利要求6所述的真假烟鉴别点的识别方法，其特征在于，所述方法还包括：
获取所述图像分类模型根据所述待识别的烟盒图像的真假烟鉴别点，对所述待识别的烟盒图像进行鉴别的鉴别结果，所述鉴别结果为真或假；
显示所述鉴别结果。
8.一种真假烟鉴别点的识别装置，其特征在于，所述装置包括：
获取模块，用于获取待识别的烟盒图像的真假分类结果和特征矩阵图，其中，所述真假分类结果包括真假类别概率分布中置信度最高的目标类别对应的类别概率分布；所述特征矩阵图与所述真假分类结果对应，所述特征矩阵图包括多个元素；
处理模块，用于根据所述类别概率分布得到偏导数集合，所述偏导数集合包括所述类别概率分布对所述特征矩阵图中的所有元素的偏导数；
所述处理模块，还用于根据所述偏导数大小，确定所述目标类别相对于所述特征矩阵图的分类权重；
所述处理模块，还用于根据所述分类权重和所述特征矩阵图，确定所述目标类别对应的热力图；
所述处理模块，还用于根据所述热力图中数值大于预设值的区域，确定所述待识别的烟盒图像的真假烟鉴别点，所述真假烟鉴别点为所述烟盒图像中具备真假烟鉴别能力的像素点。
9.一种电子设备，其特征在于，包括：处理器，所述处理器用于执行存储于存储器的计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的真假烟鉴别点的识别方法的步骤。
10.一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如权利要求1-7任一项所述的真假烟鉴别点的识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111575940.XA CN114494765B (zh) | 2021-12-21 | 2021-12-21 | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111575940.XA CN114494765B (zh) | 2021-12-21 | 2021-12-21 | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114494765A true CN114494765A (zh) | 2022-05-13 |
| CN114494765B CN114494765B (zh) | 2023-08-18 |
Family
ID=81493243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111575940.XA Active CN114494765B (zh) | 2021-12-21 | 2021-12-21 | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114494765B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117079058A (zh) * | 2023-10-11 | 2023-11-17 | 腾讯科技（深圳）有限公司 | 图像处理方法和装置、存储介质及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019095910A (ja) * | 2017-11-20 | 2019-06-20 | 株式会社パスコ | 誤判別可能性評価装置、誤判別可能性評価方法及びプログラム |
| CN110176001A (zh) * | 2019-06-03 | 2019-08-27 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
| CN111291797A (zh) * | 2020-01-21 | 2020-06-16 | 支付宝实验室(新加坡)有限公司 | 一种防伪识别方法、装置及电子设备 |
| CN111324874A (zh) * | 2020-01-21 | 2020-06-23 | 支付宝实验室(新加坡)有限公司 | 一种证件真伪识别方法及装置 |
| CN111582359A (zh) * | 2020-04-28 | 2020-08-25 | 新疆维吾尔自治区烟草公司 | 一种图像识别方法、装置、电子设备及介质 |
| CN112508072A (zh) * | 2020-11-30 | 2021-03-16 | 云南省烟草质量监督检测站 | 基于残差卷积神经网络的卷烟真假识别方法、装置和设备 |
| WO2021151313A1 (zh) * | 2020-07-30 | 2021-08-05 | 平安科技（深圳）有限公司 | 证件鉴伪方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-21 CN CN202111575940.XA patent/CN114494765B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019095910A (ja) * | 2017-11-20 | 2019-06-20 | 株式会社パスコ | 誤判別可能性評価装置、誤判別可能性評価方法及びプログラム |
| CN110176001A (zh) * | 2019-06-03 | 2019-08-27 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
| CN111291797A (zh) * | 2020-01-21 | 2020-06-16 | 支付宝实验室(新加坡)有限公司 | 一种防伪识别方法、装置及电子设备 |
| CN111324874A (zh) * | 2020-01-21 | 2020-06-23 | 支付宝实验室(新加坡)有限公司 | 一种证件真伪识别方法及装置 |
| CN111582359A (zh) * | 2020-04-28 | 2020-08-25 | 新疆维吾尔自治区烟草公司 | 一种图像识别方法、装置、电子设备及介质 |
| WO2021151313A1 (zh) * | 2020-07-30 | 2021-08-05 | 平安科技（深圳）有限公司 | 证件鉴伪方法、装置、电子设备及存储介质 |
| CN112508072A (zh) * | 2020-11-30 | 2021-03-16 | 云南省烟草质量监督检测站 | 基于残差卷积神经网络的卷烟真假识别方法、装置和设备 |
Non-Patent Citations (5)
| Title |
|---|
| RAMPRASAATH R. SELVARAJU ET AL.: "Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization", 《ARXIV:1610.02391V4》 * |
| RAMPRASAATH R. SELVARAJU ET AL.: "Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization", 《ARXIV:1610.02391V4》, 3 December 2019 (2019-12-03), pages 3 - 4 * |
| 肖楠 等: "基于高分辨率网络和注意力机制的真伪卷烟包装鉴别", 《数据与计算发展前沿》 * |
| 肖楠 等: "基于高分辨率网络和注意力机制的真伪卷烟包装鉴别", 《数据与计算发展前沿》, vol. 3, no. 5, 31 October 2021 (2021-10-31), pages 1 - 3 * |
| 钟宇 等: "基于机器视觉和机器学习的真伪卷烟包装鉴别", vol. 53, no. 53, pages 83 - 92 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117079058A (zh) * | 2023-10-11 | 2023-11-17 | 腾讯科技（深圳）有限公司 | 图像处理方法和装置、存储介质及电子设备 |
| CN117079058B (zh) * | 2023-10-11 | 2024-01-09 | 腾讯科技（深圳）有限公司 | 图像处理方法和装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114494765B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
| CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
| CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
| CN109583489A (zh) | 缺陷分类识别方法、装置、计算机设备和存储介质 | |
| JP5718781B2 (ja) | 画像分類装置および画像分類方法 | |
| CN105612249A (zh) | 图像处理装置、程序、信息存储介质和图像处理方法 | |
| CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
| CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
| CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
| CN115601332A (zh) | 一种基于语义分割的嵌入式指纹模块外观检测方法 | |
| CN114140463A (zh) | 一种焊接缺陷识别方法、装置、设备及存储介质 | |
| CN114494765B (zh) | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 | |
| CN113297411B (zh) | 轮形图谱相似性的度量方法、装置、设备及存储介质 | |
| CN110866931A (zh) | 图像分割模型训练方法及基于分类的强化图像分割方法 | |
| CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
| CN113567605A (zh) | 质量色谱图的自动化解释模型构建方法、装置和电子设备 | |
| CN111259887B (zh) | 一种哑资源设备的智能质检方法及系统、装置 | |
| CN111213156A (zh) | 字符识别锐度确定 | |
| CN107566826A (zh) | 栅格图像处理器的测试方法及装置 | |
| CN110096708A (zh) | 一种定标集确定方法及装置 | |
| CN116091496A (zh) | 基于改进Faster-RCNN的缺陷检测方法及装置 | |
| CN112016334A (zh) | 判分方法及装置 | |
| CN113780335B (zh) | 一种小样本商品图像分类方法、装置、设备及存储介质 | |
| CN113112513B (zh) | Ai识别带状组织的方法、装置、计算机设备及存储介质 | |
| KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 |
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 |