CN114863191A - 基于区块链的防伪信息识别与传输方法 - Google Patents

基于区块链的防伪信息识别与传输方法 Download PDF

Info

Publication number
CN114863191A
CN114863191A CN202210788390.8A CN202210788390A CN114863191A CN 114863191 A CN114863191 A CN 114863191A CN 202210788390 A CN202210788390 A CN 202210788390A CN 114863191 A CN114863191 A CN 114863191A
Authority
CN
China
Prior art keywords
counterfeiting information
transmission
counterfeiting
bandwidth
training
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
Application number
CN202210788390.8A
Other languages
English (en)
Other versions
CN114863191B (zh
Inventor
高文曦
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.)
Nantong University
Original Assignee
Nantong University
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 Nantong University filed Critical Nantong University
Priority to CN202210788390.8A priority Critical patent/CN114863191B/zh
Publication of CN114863191A publication Critical patent/CN114863191A/zh
Application granted granted Critical
Publication of CN114863191B publication Critical patent/CN114863191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于区块链的防伪信息识别与传输方法,该方法包括利用神经网络计算训练样本和基准图像的欧氏卷积防伪码距离，建立神经网络训练的对比损失函数，同时对神经网络训练的对比损失函数进行结果分类；对训练过程中的卷积编码器进行交替优化；对防伪信息进行分类编码，进行各标志类别概率计算；对分类器进行训练，计算交叉熵损失，同时建立总损失函数模型；计算防伪信息传输时可用的传输带宽，上传防伪信息所占用的带宽；建立防伪信息传输时延模型；建立传输时延回报函数；建立带宽占用代价函数和传输总效率函数，对防伪信息传输效率进行计算。该方法理解简单，可操作性强，极大的提升了防伪信息的识别过程与传输效率。

Description

基于区块链的防伪信息识别与传输方法
技术领域
本发明涉及区块链防伪信息领域,尤其涉及基于区块链的防伪信息识别与传输方法。
背景技术
近现代，社会分工更加精细，要将整个产业链的所有参与者均在最终产品上直接体现显然不现实。所幸现代企业均会采用记账的方式记录对外的业务往来，通过这种方式理论上仍然可以实现产业链追踪。随着计算机的出现与普及，很多企业的纸质记账过程逐渐电子化，但本质并没有改变。这种记账方式理论上可行，但实际操作中容错能力极低，一旦最终产品出现问题需要追溯时，只要有任意一环的账本被人恶意篡改或丢失，则整个追踪过程将无法继续，这也是传统产业链溯源的一大痛点，对于较为复杂的产业链往往由于追溯记录不闭环而难以实现精确追溯。
区块链技术的出现改变了这一现状，试想如果产业链各方共同在一个公共账本上记录各自业务，任何公共账本的修改都被公共监督，那么即使有少数参与者试图篡改也将无法得逞，追溯过程将更加具有公信力，这就是区块链溯源的基本原理。常规的区块链溯源技术方案通常是通过二维码或智能芯片给食品、药品等需要溯源的产品赋予一个唯一的数字身份，该数字身份对应区块链网络上的一个公共账本用以记录产业链各环节实时产生的数据，整个过程除了用到区块链技术，还需配合射频识别、二维条码、近场通信等物联网设备以及边缘计算等数据处理算法的支持。
与传统方法相比，区块链防伪具有多方面的优势。产业链溯源是一种手段，其最终目的是解决实际消费过程中防伪、追责以及威慑的三方面问题，区块链技术的分布式账本逻辑配合全电子化的信息采集过程可以保证溯源信息的时效性和不可篡改性，避免传统溯源中信息链断裂的问题。基于区块链唯一排他性的数字身份也可以有效防治商品造假，即使复制了二维码、智能芯片等内部信息也无法进行链上验证，而假货无限复制正版二维码的情况是传统溯源技术所无法解决的痛点。最后，区块链的公开透明特性也能够更好的让公众以及监管部门在不影响数据的情况下介入监督，从而进一步提高溯源结果的公信力。
但目前，区块链防伪信息在识别与传输过程中并未提出一种有效的方法，导致防伪信息识别效率低。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供基于区块链的防伪信息识别与传输方法。
本发明所采用的技术方案是，该方法步骤包括：
步骤S1：利用神经网络计算训练样本和基准图像的欧氏卷积防伪码距离，建立神经网络训练的对比损失函数，同时对神经网络训练的对比损失函数进行结果分类；
步骤S2：对训练过程中的卷积编码器进行交替优化，对优化结果取最小值；
步骤S3：对防伪信息进行分类编码，进行各标志类别概率计算；
步骤S4：对分类器进行训练，计算交叉熵损失，同时建立总损失函数模型；
步骤S5：计算防伪信息传输时可用的传输带宽，上传防伪信息所占用的带宽；
步骤S6：建立防伪信息传输时延模型，以及计算传输前的压缩时间；
步骤S7：建立传输时延回报函数；
步骤S8：建立带宽占用代价函数和传输总效率函数，对防伪信息传输效率进行计算。
进一步地，所述训练样本和基准图像的欧氏卷积防伪码距离，表达式为：
Figure 992837DEST_PATH_IMAGE001
其中，Ab表示训练样本和基准图像的欧氏卷积编码距离，Bb(cn)表示训练样本图像的欧氏卷积编码，Bb(dm)表示基准图像的欧氏卷积防伪码;
所述神经网络训练的对比损失函数，表达式为：
Figure 603945DEST_PATH_IMAGE002
其中，Ce表示神经网络训练的对比损失函数，μ表示判断训练样本和基准图像是否为同种防伪码标志的变，f表示异类标志卷积编码区分阈值，
所述对神经网络训练的对比损失函数进行结果分类，表达式为：
Figure 725485DEST_PATH_IMAGE003
其中，μ=0时表示同类，μ=1时表示时为异类。
进一步地，所述对训练过程中的卷积编码器进行交替优化，表达式为：
Figure 119120DEST_PATH_IMAGE004
其中，ω表示由标志基准图像得到的卷积编码模板，ωc表示输入c对应类别基准图像的卷积编码，Ec,λ表示优化过程运算，λ(c)表示输入c对应类别的训练样本的卷积编码，C(b,ω)表示优化结果；
所述对优化结果取最小值，表达式为：
Figure 275295DEST_PATH_IMAGE005
其中，
Figure 777077DEST_PATH_IMAGE006
表示优化结果的最小值。
进一步地，所述分类编码，表达式为：
Figure 91037DEST_PATH_IMAGE007
其中，h表示变换矩阵参数，g表示偏置向量，F表示输出分类编码，i表示输入标志训练样本图像对应的卷积编码;
所述进行各标志类别概率计算，表达式为：
Figure 998950DEST_PATH_IMAGE008
其中，jk表示分类编码对应第k类标志的概率,Fk表示全连接层第k位输出，F l 表示全连接层总输出，l表示第l类标志，M表示标志总数，e表示自然常数。
进一步地，所述对分类器进行训练，计算交叉熵损失，表达式为：
Figure 543719DEST_PATH_IMAGE009
其中，Co表示交叉熵损失，cnk表示输入训练标志图像类别，jk表示分类编码对应第k类标志的概率，M表示标志总数，k表示第k次迭代；
所述总损失函数模型，表达式为：
Figure 511675DEST_PATH_IMAGE010
其中，C表示总损失函数，Ce表示神经网络训练的对比损失函数，Co表示交叉熵损失。
进一步地，所述可用的传输带宽，表达式为：
Figure 631642DEST_PATH_IMAGE011
其中，
Figure 343246DEST_PATH_IMAGE012
表示可用的传输带宽，H2服务器总带宽，
Figure 178740DEST_PATH_IMAGE013
表示区块信息洪泛需占用的传输带宽;
所述上传防伪信息所占用的带宽,表达式为：
Figure 317597DEST_PATH_IMAGE014
其中，Hp表示上传防伪信息所占用的带宽，
Figure 635446DEST_PATH_IMAGE015
表示单个防伪信息上传时的带宽，t表示传输时长，p表示服务器运行时长。
进一步地，所述传输时延，表达式为：
Figure 430969DEST_PATH_IMAGE016
其中，R1表示传输时延，T表示光纤环网的传输速率，
Figure 416242DEST_PATH_IMAGE017
表示防伪信息的数据规模；
所述压缩时间，表达式为：
Figure 197772DEST_PATH_IMAGE018
其中，R2表示压缩时间，
Figure 2917DEST_PATH_IMAGE019
表示压缩比，θ表示所选用的压缩系数，
Figure 313114DEST_PATH_IMAGE020
表示原始数据规模，
Figure 152894DEST_PATH_IMAGE021
表示边缘服务器的计算能力，
Figure 40201DEST_PATH_IMAGE022
表示每个信息上传完成处理需要的周期。
进一步地，所述时延回报函数，表达式为：
Figure 598221DEST_PATH_IMAGE023
其中，W(y)表示时延回报函数，
Figure 189739DEST_PATH_IMAGE024
表示不同防伪信息的实际重要度，y表示需要传输的单个防伪信息，c表示防伪信息总数；
Figure 854332DEST_PATH_IMAGE025
其中，R(y)表示时延等级，S(y)表示不同防伪信息所占比例。
进一步地，所述带宽占用代价函数，表达式为：
Figure 505893DEST_PATH_IMAGE026
其中，Uc表示服务器c上传的防伪信息数目，k表示带宽单价，
Figure 819719DEST_PATH_IMAGE027
表示传输速度；
所述传输总效率函数，表达式为：
Figure 214928DEST_PATH_IMAGE028
其中，c表示传输总效率值，H2表示带宽总值。
有益效果：
本发明提出一种基于区块链的防伪信息识别与传输方法，通过建立算法与模型，形成一套完整的防伪信息的识别与传输过程，识别过程是利用神经网络对样本进行训练，通过比对完成这一过程，传输过程是计算各种带宽以及传输效率实现这一过程，该方法是基于现有的理论模型，理解简单，可操作性强，通过将该算法编写进手机二维码的扫描过程即可实现，极大的提升了防伪信息的识别过程与传输效率。
附图说明
图1为本发明总体步骤流程图；
图2为本发明的防伪信息卷积编码识别图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示,基于区块链的防伪信息识别与传输方法，该方法步骤包括：
步骤S1：利用神经网络计算训练样本和基准图像的欧氏卷积防伪码距离，建立神经网络训练的对比损失函数，同时对神经网络训练的对比损失函数进行结果分类；为实现对输入防伪信息标志图像的编码过程，本发明提出了一种基于神经网络的卷积编码器，可将防伪信息标志图像映射为一个卷积编码。
该卷积编码器对防伪信息标志图像进行特征提取与编码的过程主要分为三部分。首先，通过卷积运算进行防伪信息标志图像的初级特征提取，得到输入标志图像的初级特征图，对边缘、颜色等基础信息进行表示；其次，通过Inception模块的两条分支分别在标志图像的初级特征图上提取不同尺度特征，如边框外形、数字、以及微小的特殊符号等。将表示不同尺度标志特征信息的特征图进行级联，得到相应的Inception特征图。最后，利用卷积与全连接层构成的卷积编码模块对Inception特征图进行卷积编码，即可得到一个能对防伪信息标志图像进行描述的位卷积编码。
计算训练样本和基准图像的欧氏卷积编码距离，以此比较存在干扰的防伪信息标志图像卷积编码和标志基准编码的差异；
通过建立神经网络训练的对比损失函数，可将同种防伪信息标志样本对的卷积编码距离拉近，而将异类样本对的编码推远或保持较远距离，从而使得不同种类的防伪信息标志间的卷积编码具有区分度。
步骤S2：对训练过程中的卷积编码器进行交替优化，对优化结果取最小值；在建立对比损失函数后，可将使用同种防伪信息标志样本对进行训练的过程视作一种期望最大算法的实现。训练过程中对卷积编码器进行交替优化，解决的问题是：通过将清晰标志图像的卷积编码信息作为监督信息加入训练过程中，使得参数优化后的卷积编码器能对存在干扰的防伪信息标志图像得到与同类标志差异较小的卷积编码。
如图2所示，步骤S3：对防伪信息进行分类编码，进行各标志类别概率计算；为实现防伪信息标志识别过程，本发明通过全连接层与softmax函数结合的分类器对训练的卷积编码器生成的防伪信息标志图像卷积编码进行识别。该分类器仅添加在输入训练样本的一侧分支，且在实际推断过程中也仅用该侧分支进行推断，通过式该步骤即可得到该防伪信息标志图像对应防伪信息标志类别的概率，可实现对各类防伪信息标志的准确识别。
步骤S4：对分类器进行训练，计算交叉熵损失，同时建立总损失函数模型；设β=0.1，用于控制模型的对比损失函数与分类损失的平衡优化。利用该损失函数可以在训练过程中对卷积编码器与分类器进行训练，提升标志识别的准确率。
步骤S5：计算防伪信息传输时可用的传输带宽，上传防伪信息所占用的带宽；在一个通道保护环控制着光纤环网的链路通信，在保护环封闭的某一侧，边缘服务器按保护环指定路径将防伪信息经环网上传云平台，防伪信息的传输只占传输通道的一部分，通过计算可用的传输带宽以及防伪信息所占用的带宽的为后续传输效率的计算提供依据。
步骤S6：建立防伪信息传输时延模型，以及计算传输前的压缩时间；由于在传输前需要对防伪信息进行压缩，压缩有时间，所以导致了传输具有时延，传输时延受光纤环网传输速率，以及防伪信息的数据规模限制，压缩时间依据原始数据规模和边缘服务器的计算能力而决定。
步骤S7：建立传输时延回报函数；传输通信网中有各类不同需求的优先级业务，若忽略业务优先级的存在直接进行业务分配，将对传输通信网的安全生产造成威胁。为了保证高优先级业务在区块链技术应用的网络中依旧能够优先完成传输，本发明根据业务传输产生的通信时延等级以及业务优先级建立业务的通信时延回报函数。
步骤S8：建立带宽占用代价函数和传输总效率函数，对防伪信息传输效率进行计算。该步骤两个函数建立的目的是为了对传输进行评估。
进一步地，所述训练样本和基准图像的欧氏卷积防伪码距离，表达式为：
Figure 223773DEST_PATH_IMAGE001
其中，Ab表示训练样本和基准图像的欧氏卷积编码距离，Bb(cn)表示训练样本图像的欧氏卷积编码，Bb(dm)表示基准图像的欧氏卷积防伪码;
所述神经网络训练的对比损失函数，表达式为：
Figure 46236DEST_PATH_IMAGE002
其中，Ce表示神经网络训练的对比损失函数，μ表示判断训练样本和基准图像是否为同种防伪码标志的变，f表示异类标志卷积编码区分阈值，
所述对神经网络训练的对比损失函数进行结果分类，表达式为：
Figure 847357DEST_PATH_IMAGE003
其中，μ=0时表示同类，μ=1时表示时为异类。
对训练过程中的卷积编码器进行交替优化，表达式为：
Figure 46257DEST_PATH_IMAGE004
其中，ω表示由标志基准图像得到的卷积编码模板，ωc表示输入c对应类别基准图像的卷积编码，Ec,λ表示优化过程运算，λ(c)表示输入c对应类别的训练样本的卷积编码，C(b,ω)表示优化结果；
对优化结果取最小值，表达式为：
Figure 995364DEST_PATH_IMAGE005
其中，
Figure 988728DEST_PATH_IMAGE006
表示优化结果的最小值。
分类编码，表达式为：
Figure 743057DEST_PATH_IMAGE007
其中，h表示变换矩阵参数，g表示偏置向量，F表示输出分类编码，i表示输入标志训练样本图像对应的卷积编码;
进行各标志类别概率计算，表达式为：
Figure 474210DEST_PATH_IMAGE008
其中，jk表示分类编码对应第k类标志的概率,Fk表示全连接层第k位输出，F l 表示全连接层总输出，l表示第l类标志，M表示标志总数，e表示自然常数。
对分类器进行训练，计算交叉熵损失，表达式为：
Figure 997595DEST_PATH_IMAGE009
其中，Co表示交叉熵损失，cnk表示输入训练标志图像类别，jk表示分类编码对应第k类标志的概率，M表示标志总数，k表示第k次迭代；
总损失函数模型，表达式为：
Figure 633631DEST_PATH_IMAGE010
其中，C表示总损失函数，Ce表示神经网络训练的对比损失函数，Co表示交叉熵损失。
可用的传输带宽，表达式为：
Figure 875257DEST_PATH_IMAGE011
其中，
Figure 649312DEST_PATH_IMAGE012
表示可用的传输带宽，H2服务器总带宽，
Figure 27204DEST_PATH_IMAGE013
表示区块信息洪泛需占用的传输带宽;
上传防伪信息所占用的带宽,表达式为：
Figure 108510DEST_PATH_IMAGE014
其中，Hp表示上传防伪信息所占用的带宽，
Figure 571852DEST_PATH_IMAGE015
表示单个防伪信息上传时的带宽，t表示传输时长，p表示服务器运行时长。
传输时延，表达式为：
Figure 916246DEST_PATH_IMAGE016
其中，R1表示传输时延，T表示光纤环网的传输速率，
Figure 682732DEST_PATH_IMAGE017
表示防伪信息的数据规模；
压缩时间，表达式为：
Figure 454379DEST_PATH_IMAGE018
其中，R2表示压缩时间，
Figure 661808DEST_PATH_IMAGE019
表示压缩比，θ表示所选用的压缩系数，
Figure 544313DEST_PATH_IMAGE020
表示原始数据规模，
Figure 368568DEST_PATH_IMAGE021
表示边缘服务器的计算能力，
Figure 311116DEST_PATH_IMAGE022
表示每个信息上传完成处理需要的周期。
时延回报函数，表达式为：
Figure 76154DEST_PATH_IMAGE023
其中，W(y)表示时延回报函数，
Figure 762350DEST_PATH_IMAGE024
表示不同防伪信息的实际重要度，y表示需要传输的单个防伪信息，c表示防伪信息总数；
Figure 441112DEST_PATH_IMAGE025
其中，R(y)表示时延等级，S(y)表示不同防伪信息所占比例。
带宽占用代价函数，表达式为：
Figure 554561DEST_PATH_IMAGE026
其中，Uc表示服务器c上传的防伪信息数目，k表示带宽单价，
Figure 479792DEST_PATH_IMAGE027
表示传输速度；
传输总效率函数，表达式为：
Figure 960890DEST_PATH_IMAGE028
其中，c表示传输总效率值，H2表示带宽总值。
本发明提出一种基于区块链的防伪信息识别与传输方法，通过建立算法与模型，形成一套完整的防伪信息的识别与传输过程，识别过程是利用神经网络对样本进行训练，通过比对完成这一过程，传输过程是计算各种带宽以及传输效率实现这一过程，该方法是基于现有的理论模型，理解简单，可操作性强，通过将该算法编写进手机二维码的扫描过程即可实现，极大的提升了防伪信息的识别过程与传输效率。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。

Claims (9)

1.基于区块链的防伪信息识别与传输方法，其特征在于,该方法步骤包括：
步骤S1：利用神经网络计算训练样本和基准图像的欧氏卷积防伪码距离，建立神经网络训练的对比损失函数，同时对神经网络训练的对比损失函数进行结果分类；
步骤S2：对训练过程中的卷积编码器进行交替优化，对优化结果取最小值；
步骤S3：对防伪信息进行分类编码，进行各标志类别概率计算；
步骤S4：对分类器进行训练，计算交叉熵损失，同时建立总损失函数模型；
步骤S5：计算防伪信息传输时可用的传输带宽，上传防伪信息所占用的带宽；
步骤S6：建立防伪信息传输时延模型，以及计算传输前的压缩时间；
步骤S7：建立传输时延回报函数；
步骤S8：建立带宽占用代价函数和传输总效率函数，对防伪信息传输效率进行计算。
2.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述训练样本和基准图像的欧氏卷积防伪码距离，表达式为：
Figure 972719DEST_PATH_IMAGE001
其中，Ab表示训练样本和基准图像的欧氏卷积编码距离，Bb(cn)表示训练样本图像的欧氏卷积编码，Bb(dm)表示基准图像的欧氏卷积防伪码;
所述神经网络训练的对比损失函数，表达式为：
Figure 779440DEST_PATH_IMAGE002
其中，Ce表示神经网络训练的对比损失函数，μ表示判断训练样本和基准图像是否为同种防伪码标志的变，f表示异类标志卷积编码区分阈值，
所述对神经网络训练的对比损失函数进行结果分类，表达式为：
Figure 191966DEST_PATH_IMAGE003
其中，μ=0时表示同类，μ=1时表示时为异类。
3.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述对训练过程中的卷积编码器进行交替优化，表达式为：
Figure 691736DEST_PATH_IMAGE004
其中，ω表示由标志基准图像得到的卷积编码模板，ωc表示输入c对应类别基准图像的卷积编码，Ec,λ表示优化过程运算，λ(c)表示输入c对应类别的训练样本的卷积编码，C(b,ω)表示优化结果；
所述对优化结果取最小值，表达式为：
Figure 873319DEST_PATH_IMAGE005
其中，
Figure 937015DEST_PATH_IMAGE006
表示优化结果的最小值。
4.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述分类编码，表达式为：
Figure 571259DEST_PATH_IMAGE007
其中，h表示变换矩阵参数，g表示偏置向量，F表示输出分类编码，i表示输入标志训练样本图像对应的卷积编码;
所述进行各标志类别概率计算，表达式为：
Figure 609141DEST_PATH_IMAGE008
其中，jk表示分类编码对应第k类标志的概率,Fk表示全连接层第k位输出，F l 表示全连接层总输出，l表示第l类标志，M表示标志总数，e表示自然常数。
5.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述对分类器进行训练，计算交叉熵损失，表达式为：
Figure 910809DEST_PATH_IMAGE009
其中，Co表示交叉熵损失，cnk表示输入训练标志图像类别，jk表示分类编码对应第k类标志的概率，M表示标志总数，k表示第k次迭代；
所述总损失函数模型，表达式为：
Figure 536963DEST_PATH_IMAGE010
其中，C表示总损失函数，Ce表示神经网络训练的对比损失函数，Co表示交叉熵损失。
6.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述可用的传输带宽，表达式为：
Figure 446451DEST_PATH_IMAGE011
其中，
Figure 816252DEST_PATH_IMAGE012
表示可用的传输带宽，H2服务器总带宽，
Figure 506515DEST_PATH_IMAGE013
表示区块信息洪泛需占用的传输带宽;
所述上传防伪信息所占用的带宽,表达式为：
Figure 303570DEST_PATH_IMAGE014
其中，Hp表示上传防伪信息所占用的带宽，
Figure 599158DEST_PATH_IMAGE015
表示单个防伪信息上传时的带宽，t表示传输时长，p表示服务器运行时长。
7.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述传输时延，表达式为：
Figure 507071DEST_PATH_IMAGE016
其中，R1表示传输时延，T表示光纤环网的传输速率，
Figure 51841DEST_PATH_IMAGE017
表示防伪信息的数据规模；
所述压缩时间，表达式为：
Figure 19797DEST_PATH_IMAGE018
其中，R2表示压缩时间，
Figure 115929DEST_PATH_IMAGE019
表示压缩比，θ表示所选用的压缩系数，
Figure 553165DEST_PATH_IMAGE020
表示原始数据规模，
Figure 952441DEST_PATH_IMAGE021
表示边缘服务器的计算能力，
Figure 91298DEST_PATH_IMAGE022
表示每个信息上传完成处理需要的周期。
8.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述时延回报函数，表达式为：
Figure 674726DEST_PATH_IMAGE023
其中，W(y)表示时延回报函数，
Figure 892215DEST_PATH_IMAGE024
表示不同防伪信息的实际重要度，y表示需要传输的单个防伪信息，c表示防伪信息总数；
Figure 611910DEST_PATH_IMAGE025
其中，R(y)表示时延等级，S(y)表示不同防伪信息所占比例。
9.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述带宽占用代价函数，表达式为：
Figure 393439DEST_PATH_IMAGE026
其中，Uc表示服务器c上传的防伪信息数目，k表示带宽单价，
Figure 464164DEST_PATH_IMAGE027
表示传输速度；
所述传输总效率函数，表达式为：
Figure 305519DEST_PATH_IMAGE028
其中，c表示传输总效率值，H2表示带宽总值。
CN202210788390.8A 2022-07-06 2022-07-06 基于区块链的防伪信息识别与传输方法 Active CN114863191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210788390.8A CN114863191B (zh) 2022-07-06 2022-07-06 基于区块链的防伪信息识别与传输方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210788390.8A CN114863191B (zh) 2022-07-06 2022-07-06 基于区块链的防伪信息识别与传输方法

Publications (2)

Publication Number Publication Date
CN114863191A true CN114863191A (zh) 2022-08-05
CN114863191B CN114863191B (zh) 2023-10-24

Family

ID=82626176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210788390.8A Active CN114863191B (zh) 2022-07-06 2022-07-06 基于区块链的防伪信息识别与传输方法

Country Status (1)

Country Link
CN (1) CN114863191B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099836A (zh) * 2022-08-26 2022-09-23 南通领跑信息技术有限公司 一种全网智能营销防伪数据监控系统
CN119052943A (zh) * 2024-10-30 2024-11-29 大连博讯科技有限公司 基于物联网技术的生态园林环境信息智能化联动监测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832718A (zh) * 2017-11-13 2018-03-23 重庆工商大学 基于自编码器的手指静脉防伪鉴别方法及系统
US10248664B1 (en) * 2018-07-02 2019-04-02 Inception Institute Of Artificial Intelligence Zero-shot sketch-based image retrieval techniques using neural networks for sketch-image recognition and retrieval
CN111445026A (zh) * 2020-03-16 2020-07-24 东南大学 面向边缘智能应用的深度神经网络多路径推理加速方法
CN114241248A (zh) * 2022-02-24 2022-03-25 北京市农林科学院信息技术研究中心 河蟹产地溯源方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832718A (zh) * 2017-11-13 2018-03-23 重庆工商大学 基于自编码器的手指静脉防伪鉴别方法及系统
US10248664B1 (en) * 2018-07-02 2019-04-02 Inception Institute Of Artificial Intelligence Zero-shot sketch-based image retrieval techniques using neural networks for sketch-image recognition and retrieval
CN111445026A (zh) * 2020-03-16 2020-07-24 东南大学 面向边缘智能应用的深度神经网络多路径推理加速方法
CN114241248A (zh) * 2022-02-24 2022-03-25 北京市农林科学院信息技术研究中心 河蟹产地溯源方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099836A (zh) * 2022-08-26 2022-09-23 南通领跑信息技术有限公司 一种全网智能营销防伪数据监控系统
CN115099836B (zh) * 2022-08-26 2022-11-11 南通领跑信息技术有限公司 一种全网智能营销防伪数据监控系统
CN119052943A (zh) * 2024-10-30 2024-11-29 大连博讯科技有限公司 基于物联网技术的生态园林环境信息智能化联动监测系统
CN119052943B (zh) * 2024-10-30 2025-01-10 大连博讯科技有限公司 基于物联网技术的生态园林环境信息智能化联动监测系统

Also Published As

Publication number Publication date
CN114863191B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN114863191A (zh) 基于区块链的防伪信息识别与传输方法
CN116664961B (zh) 基于信码的防伪标签智能识别方法及系统
CN116386104A (zh) 对比学习结合掩码图像建模的自监督人脸表情识别方法
CN104182771B (zh) 基于带丢包自动编码技术的时间序列数据图形化分析方法
CN110263865A (zh) 一种半监督多模态多类别的图像翻译方法
CN110516676A (zh) 一种基于图像处理的银行卡号识别系统
CN114898472B (zh) 基于孪生视觉Transformer网络的签名鉴定方法和系统
CN111784699A (zh) 一种对三维点云数据进行目标分割方法、装置及终端设备
CN116797248A (zh) 基于区块链的数据溯源管理方法及其系统
CN111582284B (zh) 用于图像识别的隐私保护方法、装置和电子设备
CN105139036B (zh) 一种基于稀疏编码的手写体数字识别方法
He et al. Classification of metro facilities with deep neural networks
CN111209975A (zh) 一种基于多任务学习的舰船目标识别方法
CN112861649B (zh) 指纹签名生成方法、装置、电子设备及计算机存储介质
CN115601744A (zh) 一种车身与车牌颜色相近的车牌检测方法
CN113987514A (zh) 一种基于深度学习的系统安全状态评级方法
CN115273110A (zh) 基于TensorRT的文本识别模型部署方法、装置、设备及存储介质
CN116152263A (zh) 一种基于cm-mlp网络的医学图像分割方法
Kumar et al. Red green blue depth image classification using pre-trained deep convolutional neural network
Zou et al. La-SoftMoE CLIP for Unified Physical-Digital Face Attack Detection
CN111797910B (zh) 一种基于平均偏汉明损失的多维标签预测方法
CN114170664B (zh) 一种基于自注意力机制进行链接预测的人脸图像聚类方法及装置
CN115099325B (zh) 一种基于域变换与深度学习的dga域名分类方法
Zhengbo et al. Digital Encoding and Recognition for Virtual Real Fusion Industrial Equipment Data in Digital Twin Factories
CN116110056B (zh) 信息抽取方法及装置、电子设备和存储介质

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