CN115035533A - 一种数据鉴真处理方法、装置、计算机设备及存储介质 - Google Patents
一种数据鉴真处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115035533A CN115035533A CN202210957145.5A CN202210957145A CN115035533A CN 115035533 A CN115035533 A CN 115035533A CN 202210957145 A CN202210957145 A CN 202210957145A CN 115035533 A CN115035533 A CN 115035533A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- commodity
- photo
- character
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 3
- 238000001914 filtration Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000000265 homogenisation Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 22
- 241001122767 Theaceae Species 0.000 description 20
- 230000008569 process Effects 0.000 description 16
- 230000004048 modification Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012856 packing Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种数据鉴真处理方法、装置、计算机设备及存储介质,属于数据鉴真领域,数据鉴真处理方法包括:对待检索商品的图像信息进行真实性判断,进行真实性判断后通过分割和特征提取,得到生物秘钥信息,通过对生物秘钥信息中的防伪码图像进行处理形成防伪码图像的字符串,根据字符串和商品特征进行鉴真,根据鉴真结果就能确定待检索商品是否为真货,当待检索商品的鉴真结果为真时,对待检索商品进行溯源检索,获取待检索商品的溯源信息。避免了不良商家将商品外包装图像进行造假时,用户无法察觉商品图像的真假,导致无法对商品进行鉴真。
Description
技术领域
本发明涉及一种数据鉴真处理方法、装置、计算机设备及存储介质,属于数据鉴真领域。
背景技术
随着计算机移动互联网以及信息存储能力的飞速发展,各种信息呈爆炸式指数级的增长。伴随着云计算与大数据时代的来临,人们也开始慢慢意识到数据的重要性,但是由于数据的庞大繁杂,必然会带来各种数据相关的问题,比如数据缺失,数据不一致以及数据的可靠性等。当人们在获得一些数据时,就会常常考虑到这些数据是否真实可靠,否则可能会给我们带来错误的决策。
现在越来越多的商品上出现了一些防伪码。这些防伪码不再是单纯的企业公众号,通过手机扫码,可以查看商品的一些属性信息,这些信息是很难使用一个卡片或者一个宣传页来表现的。通过这样的追溯信息展示,还能达到一个主要目的--防伪鉴真。很多防伪码一扫,第一眼看到的就是“您所购买的商品是正品”。
但现在造假技术也很猖獗,不仅可以进行防伪码的造假,而且不容易发现,这对鉴真工作就带来了很大的麻烦,现有技术中很多不良商家将商品外包装图像进行造假,这样在用户进行使用扫描鉴真时,会因无法察觉图片的真假,从而导致鉴真工作出现漏洞,从而导致假货被判定为真货。
发明内容
发明目的:提供一种数据鉴真处理方法、装置、计算机设备及存储介质,解决上述提到的问题。
本发明第一方面提供一种数据鉴真处理方法,包括:
步骤1、获取待检索商品的图像信息;
步骤2、对图像信息进行真实性判断;
步骤3、当图像信息通过真实性判断后,对图像信息中的商品信息与背景信息进行分割,并对商品信息进行防伪码特征及商品特征提取,得到生物秘钥信息,生物秘钥信息包括防伪码图像及商品特征;
步骤4、从防伪码图像中选择第i个字符的定位区域,i为大于等于1的正整数;
步骤5、从预设模板库中选择第T个模板,根据第T个模板的大小对第i个字符的定位区域的大小进行调整,使得第i个字符的定位区域的大小能够覆盖第T个模板,并计算得到第T个模板与第i个字符的定位区域的互相关度,将互相关度与第T个模板的模板类别进行关联保存,T为大于等于1的正整数;
步骤6、重复执行步骤5,直到计算出预设模板库中所有的模板与第i个字符的定位区域的互相关度,选择出最大的互相关度对应的模板类别,作为第i个字符的字符区域匹配的模板类别;
步骤7、从防伪码图像中选择第i+1个字符的定位区域,重复执行步骤5及步骤6,直到得到所有字符的字符区域匹配的模板类别;
步骤8、根据所有字符的字符区域匹配的模板类别,确定每一个字符区域对应的模板,将每一个字符区域和对应的模板进行大小归一化,并提取相似字符的方向梯度直方图HOG特征进行识别,得到每一个相似字符的相关度,选择相关度最大的作为目标字符,形成防伪码图像的字符串;
步骤9、根据字符串及商品特征进行鉴真,得到待检索商品的鉴真结果;
步骤10、当待检索商品的鉴真结果为真时,对待检索商品进行溯源检索,获取待检索商品的溯源信息。
进一步的,对图像信息进行真实性判断,包括:
利用边缘算子估算出图像信息中图像或照片的边缘方向和边缘信息;
沿着边缘方向利用加权自适应插值算法对当前像素点缺失的色彩信息进行估算,得到当前像素点缺失的颜色信息,判断当前像素点缺失的颜色信息与当前像素点的采样数据是否存在差异;
若存在差异,则确定图像或照片被修改,图像信息未通过真实性判断;
若不存在差异,则确定图像或照片未被修改,遍历图像及照片数据库,检测图像或照片中是否存在与图像及照片数据库中对应的相似区域;
若存在相似区域,则确定图像或照片为复制粘贴,图像信息未通过真实性判断;
若不存在相似区域,则确定图像或照片不是复制粘贴,对图像或照片采用期望最大化算法,计算得到概率傅立叶频谱图,判断概率傅立叶频谱图中是否出现规律性亮点;
若出现规律性亮点,则确定图像或照片为重采样,图像信息未通过真实性判断;
若未出现规律性亮点,则确定图像或照片不是重采样,图像信息通过真实性判断。
进一步的,对图像信息进行真实性判断之后,还包括:
对图像信息中的图像或照片进行灰度转换,得到灰度图;
对灰度图进行图像滤波;
将图像滤波后的灰度图进行图像增强;
将图像增强后的灰度图还原为彩色图像的图像或照片。
进一步的,对图像信息中的图像或照片进行灰度转换,得到灰度图,包括:
进一步的,对灰度图进行图像滤波,包括:
获取灰度图的亮度信息,将亮度信息与高斯函数相乘得到高斯权系数;
通过卷积运算利用高斯权系数对灰度图进行图像滤波。
进一步的,将图像滤波后的灰度图进行图像增强,包括:
获取图像滤波后的灰度图的图像像素数据;
根据图像像素数据显示原图像及原图直方图;
对原图像进行直方图均匀化处理,使得灰度图实现图像增强。
进一步的,对图像信息中的商品信息与背景信息进行分割,并对商品信息进行防伪码特征及商品特征提取,得到生物秘钥信息,包括:
当图像信息通过真实性判断后,通过预设尺寸的卷积核及预设像素灰度差值,对图像信息进行一次分割,得到一次分割区域;
对一次分割区域进行二次分割,得到商品信息;
对商品信息进行商品特征和防伪码特征提取,并转化成商品的生物秘钥信息。
本发明第二方面提供一种数据鉴真处理装置,包括:
图像输入模块,用于输入图像信息;
处理模块,用于执行第一方面中任一项数据鉴真处理方法;
通知模块,用于将鉴真结果及溯源信息发送至客户端。
本发明第三方面提供一种计算机设备,包括:处理器,处理器执行计算机程序时实现上述第一方面中的数据鉴真处理方法。
本发明第四方面提供一种计算机存储介质,其存储有计算机程序,计算机程序被处理器执行时实现上述第一方面中的数据鉴真处理方法。
有益效果:
本发明先对待检索商品的图像信息进行真实性判断,进行真实性判断后通过分割和特征提取,得到生物秘钥信息,通过对生物秘钥信息中的防伪码图像进行处理形成防伪码图像的字符串,根据字符串和商品特征进行鉴真,根据鉴真结果就能确定待检索商品是否为真货,当待检索商品的鉴真结果为真时,对待检索商品进行溯源检索,获取待检索商品的溯源信息,避免了不良商家将商品外包装图像进行造假时,用户无法察觉商品图像的真假,导致无法对商品进行鉴真;
在图像信息进行真实性判断时,会依次判断图像或照片是否修改、是否复制粘贴及是否重采样,只有在图像或照片三者都没有时,才确定图像信息通过真实性判断,能够保证图像信息的真实性;
在进行鉴真之前,需要利用图像处理技术依次进行灰度转换、图像滤波、图像增强及灰度还原处理,保证了照片或者图像的清晰,提高了后续鉴真处理过程的速度和准确度。
附图说明
图1是本发明的数据鉴真处理方法的流程示意图;
图2是本发明的对图像信息进行真实性判断的过程示意图;
图3是本发明的对图像信息进行图像处理的示意图;
图4是本发明的数据鉴真处理装置的结构示意图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施;在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
申请人认为,当前用于对商品进行正品验证时,一般是通过手机扫描商品包装上的防伪码,可以查看商品的一些属性信息,从而验证商品是否正品。很多防伪码的设置,是手机扫描了防伪码之后,弹出的信息是“您所购买的商品是正品”,但是造假技术也很猖獗,如果对防伪码也进行了造假,就无法简单的根据防伪码来验证真假了,使得鉴真工作也难以进行。
为此,如图1所示,本发明实施例提出一种数据鉴真处理方法,包括:
步骤1、获取待检索商品的图像信息;
其中,当需要对待检索商品进行鉴真时,可以通过终端设备的AI识别待检索商品的实物的图像信息,或者,通过终端设备对待检索商品进行拍照之后,用户手动输入图像信息;
图像信息的来源可以利用卷积神经网络CNN模型对图像或照片进行处理,CNN模型为可训练式,可以根据用户数据进行扩展,CNN模型包括输入层、隐藏层和输入层共八层;第一层是输入层,这一层是一个归一化了之后的 32×32 的图片;第二层至第七层均属于隐藏层,第二次是卷积层,该层是由6个 28×28 的卷积模板与第一层做卷积得到的;第三层是子采样层,该层是由2×2 的子采样模板对第二层的卷积层做子采样得到的;第四层和第五层分别是卷积层和子采样层;第六层和第五层做的是全连接,第七层和第六层做的也是全连接,第八层是最后一层输出层,该层和第七层做的是高斯连接;
选定有关图像或照片的候选集,将输入CNN模型的图像或照片作为,首先将隐藏
层的输出作为图像或照片的信号,并将图像或照片的大致特征进行向量转化为二进制编
码,从而减小计算量,二进制编码通过一个阈值二进制化之后得到,对于每一比特输出的二进制编码,其中的表达式为,是隐藏层节点的数量,表示隐藏层的输出作为图像或照片的信号,从而根据公
式可以得到表示由个图像或照片组成的数据集,每一张图片
相应的二进制编码为,其中,给定一张查询
图像或照片和它的比特编码,可以识别出个候选图片集,如果和之间的距
离小于一个给定的阈值,则可以得出检索图像或照片的候选集 ;
根据检索图像或照片的候选集进行精准检索;根据上述中给定一张查询图片和
候选集图片,并进行通过隐藏层中第七层抽取来的特征进行图像或照片排列,并输出排
名靠前的图片,这些图片就组成了候选集,将查询图片和候选集中第i个图像或照片
之间的相似水平作为它们之间对应的特征向量的欧式距离,可以得出,
表示查询图片 和候选集中第i个图像或照片之间的相似水平作为它们之间对应的特
征向量的欧式距离,和分别代表查询图像或照片和来自候选集图像或照片,两
张图像或照片之间的欧式距离越小,则两张图片之间的相似度水平越高每一个候选集
都是按照相似度降序进行排列,排名靠前的图片将选择为图像信息中的图像或照片。
步骤2、对图像信息进行真实性判断;
其中,随着图像技术的快速发展,图像信息可以经过处理或者AI替换从而在商品图像上进行伪造,导致消费者无法察觉商品的真假,所以需要对照片或者图像的真实性进行判断;无论是通过手动输入图像信息还是AI识别图像信息,图像信息本身不会被嵌入或添加任何形式的如数字签名和数字水印等数字验证标识,经过精心修改的图像信息从视觉效果上看,并无明显修改痕迹,因此,进行真实性鉴别就必须利用图像信息本身发现潜在固有特征是否发生变化,具体的对图像信息进行真实性判断的过程如图2所示,具体步骤如下:
步骤21,利用边缘算子估算出图像信息中图像或照片的边缘方向和边缘信息;
步骤22,沿着边缘方向利用加权自适应插值算法对当前像素点缺失的色彩信息进行估算,得到当前像素点缺失的颜色信息,判断当前像素点缺失的颜色信息与当前像素点的采样数据是否存在差异;
原始的图像或照片各像素点采样数据与插值数据之间会存在着数据上的特定关联,如果对图像或照片进行了后期修改,会改变这些像素数据的关联,造成差异;因此通过判断当前像素点缺失的颜色信息与当前像素点的采样数据是否存在差异,就能判断图像或照片是否被修改,若存在差异,执行步骤23;若不存在差异,执行步骤24;
步骤23,确定图像或照片被修改,图像信息未通过真实性判断;
步骤24,确定图像或照片未被修改,遍历图像及照片数据库,检测图像或照片中是否存在与图像及照片数据库中对应的相似区域;
复制粘贴是指复制现有图像或照片的源区域粘贴并覆盖目标区域,通常是为了掩盖照片中指定位置的对象或者营造某种具有复制效果的氛围,在发生这一类型修改的同时,修改者也可能对覆盖区域的边缘进行平滑过渡处理,从而优化修改效果,由于经过修改的照片中存在两个以上完全一致或极为相似的区域,鉴别可以通过互联网遍历图像及照片数据库,利用枚举法检测图像或照片中是否存在与图像及照片数据库中对应的相似区域,若存在相似区域,执行步骤25;若不存在相似区域,执行步骤26;
步骤25,确定图像或照片为复制粘贴,图像信息未通过真实性判断;
步骤26,确定图像或照片不是复制粘贴,对图像或照片采用期望最大化算法,计算得到概率傅立叶频谱图,判断概率傅立叶频谱图中是否出现规律性亮点;
针对图像或照片修改中经常涉及的如缩放、移动、旋转等重采样操作,放大、缩小、移动、旋转等操作需要对图像或照片中原区域中的景物对象进行重新采样,采集样本数因软件而异,因伴随插值计算,该类操作完成后,相关区域图像像素数据间的关联将发生变化,同未被修改的区域存在明显差异,实质是被采样区域的原始图像和根据操作产生的周期信号的叠加,对于被重采样修改过的图像或照片采用期望最大化算法得到概率傅立叶频谱图中会出现规律性的亮点的现象,而未经历重采样处理过的图像或照片,其傅里叶频谱图中无规律性的亮点的现象,从而能够通过规律性的亮点判断是否重采样,若出现规律性亮点,执行步骤27;若未出现规律性亮点,步骤28;
步骤27,确定图像或照片为重采样,图像信息未通过真实性判断;
步骤28,确定图像或照片不是重采样,图像信息通过真实性判断。
依次判断图像或照片是否修改、是否复制粘贴及是否重采样,在判断过程中,只要确定了出现过修改、复制粘贴及重采样三者中的任意一种,图像信息的真实性判断就未通过;只有修改、复制粘贴及重采样三者都不存在时,才能确定图像信息通过真实性判断,严格保证图像信息的真实性。
步骤3、当图像信息通过真实性判断后,对图像信息中的商品信息与背景信息进行分割,并对商品信息进行防伪码特征及商品特征提取,得到生物秘钥信息;
当图像和照片通过真实性判断之后,需要对图像或照片进行分割并提取出生物秘钥信息,具体的过程为:
先进行一次分割,设定一个预设尺寸的卷积核,以及一个作为分界依据的预设
像素灰度差值,使用预设尺寸的卷积核在图像和照片上进行扫描,并计算卷积核内矩形
图像的中心点灰度与邻域矩形图像的中心点灰度差,如果差值小于预设像素灰度差值,则
将这两个矩形区域合并为同一个,并对合并后的区域进行判断,如果该区域包含的像素数
大于设定的区域大小,则作为一次分割区域;反之,则重新开始进行分割;
对一次分割区域通过二次分割的手段,将一次分割区域中背景信息的残留区域分离出来,得到商品信息;
对商品信息进行商品特征和防伪码特征提取,提取出防伪码图像及商品特征,并转化成商品的生物秘钥信息。
步骤4、从防伪码图像中选择第i个字符的定位区域;
其中,防伪码作为商品包装的重要敏感特征,相当于商品的“身份证”每个商品在生产时都有一个防伪码,实现一物一码,扫描防伪码可通过其快速准确的完成商品的识别,从防伪码图像中选择第i个字符的定位区域,i为大于等于1的正整数。
步骤5、从预设模板库中选择第T个模板,根据第T个模板的大小对第i个字符的定位区域的大小进行调整,使得第i个字符的定位区域的大小能够覆盖第T个模板,并计算得到第T个模板与第i个字符的定位区域的互相关度,将互相关度与第T个模板的模板类别进行关联保存;
其中,从预设模板库中选择第T个模板,T为大于等于1的正整数,根据第T个模板的大小对第i个字符的定位区域的大小进行调整,目标是使第i个字符的定位区域的大小能够覆盖第T个模板的大小,计算得到第T个模板与第i个字符的定位区域的互相关度,将互相关度与第T个模板的模板类别进行关联保存,使得按照互相关度能够确定出对应的模板。
步骤6、重复执行步骤5,直到计算出预设模板库中所有的模板与第i个字符的定位区域的互相关度,选择出最大的互相关度对应的模板类别,作为第i个字符的字符区域匹配的模板类别。
步骤7、从防伪码图像中选择第i+1个字符的定位区域,重复执行步骤5及步骤6,直到得到所有字符的字符区域匹配的模板类别;
其中,在第i个字符的字符区域的模板类别确定之后,再按照以上步骤5和步骤6的方式,继续确定第i+1个字符的定位区域对应的模板类别,直到所有字符的字符区域都匹配到模板类别。
步骤8、根据所有字符的字符区域匹配的模板类别,确定每一个字符区域对应的模板,将每一个字符区域和对应的模板进行大小归一化,并提取相似字符的方向梯度直方图HOG特征进行识别,得到每一个相似字符的相关度,选择相关度最大的作为目标字符,形成防伪码图像的字符串;
其中,根据所有字符的字符区域匹配的模板类别得到每一个字符区域对应的模板,将每一个字符区域和对应的模板大小归一化到64像素*32像素的大小,提取相似字符的方向梯度直方图(Histogram of Oriented Gradient,HOG)特征进行识别,得到每一个相似字符的相关度,选择相关度最大的作为目标字符,所有字符区域的目标字符都找到之后,形成防伪码图像的字符串。
步骤9、根据字符串及商品特征进行鉴真,得到待检索商品的鉴真结果;
其中,将防伪码的字符串和商品特征都输入到已经构建好的鉴真平台中,检索是否存在于防伪码的字符串和商品特征相同的信息,如果有,待检索商品的鉴真结果就是真,如果没有,待检索商品的鉴真结果就是假。
步骤10、当待检索商品的鉴真结果为真时,对待检索商品进行溯源检索,获取待检索商品的溯源信息。
其中,在待检索商品的鉴真结果为真时,将鉴真结果发送到终端设备,以告知用户待检索商品是正品,并且提醒用户是否进行溯源,如果用户需要进行溯源,对待检索商品进行溯源检索,进一步确定待检索商品是否有原材料信息、生产商信息或者物流信息等证明商品来源的溯源信息,提升了待检索商品为正品的准确率,获取到待检索商品的溯源信息后,还需要发送到终端设备展示给用户。
本发明实施例的实施原理为:先对待检索商品的图像信息进行真实性判断,通过真实性判断后通过分割和特征提取,得到生物秘钥信息,通过对生物秘钥信息中的防伪码图像进行处理形成防伪码图像的字符串,根据字符串和商品特征进行鉴真,根据鉴真结果就能确定待检索商品是否为真货,当待检索商品的鉴真结果为真时,对待检索商品进行溯源检索,获取待检索商品的溯源信息,避免了不良商家将商品外包装图像进行造假时,用户无法察觉商品图像的真假,导致无法对商品进行鉴真。
在以上的实施例中,对图像信息的真实性判断之后,由于图像或照片在采集过程容易受到环境因素的影响:例如,大雾、雨雪天气会造成图像的光照不均匀,从而采集的图像或照片会出现整体灰度值偏低,无法辨认的情况;或者,部分灰度值低,商品与背景融合,无法有效提取信息的情况;或者,采集到的图像或照片中会出现高光或者曝光过度的现象。为了提高后续鉴真处理过程的速度和准确性,需要对图像信息进行图像处理,具体图像处理过程如图3所示,包括:
步骤301、对图像信息中的图像或照片进行灰度转换,得到灰度图;
图像信息中的图像或照片记为,图像或照片的像素灰度值范围为;灰度图,灰度图的灰度值范围为,其中,为图像或照片的
像素灰度阈值。灰度变换是图像处理中图像增强的重要手段之一,主要用于改善图像或照
片的显示效果,通过对图像或照片采用灰度变换,可以有效地增加图像灰度值的动态范围,
同时扩展图像灰度值的对比度,通过指定一个动态的范围,然后基于这个动态范围来修改
图像中所有像素的灰度值,最终达到改变图像动态范围的目的。
步骤302、对灰度图进行图像滤波;
其中,滤波的目的是使模糊的图像变清晰,增强图像的边缘信息。由于在增强边缘的同时会增加噪声,一般要先除去或减轻噪声然后再进行锐化处理,获取灰度图的亮度信息,将亮度信息与高斯函数相乘得到高斯权系数,通过卷积运算利用高斯权系数对灰度图进行图像滤波,以有效避免高斯滤波时产生的边缘模糊问题,从而保留了较为清淅的边缘信息,并且图像边缘更加平滑。
步骤303、将图像滤波后的灰度图进行图像增强;
其中,将已知的灰度概率密度分布相对集中的照片或者图像,转换成一幅具有相对均匀灰度概率密度分布的新图像,从而丰富照片的层次,首先获取图像滤波后的灰度图的图像像素数据,再根据图像像素数据显示原图像及原图直方图,最后对原图像进行直方图均匀化处理,使得灰度图实现图像增强。
步骤304、将图像增强后的灰度图还原为彩色图像的图像或照片。
本发明实施例的实施原理为:在进行鉴真之前,需要利用图像处理技术依次进行灰度转换、图像滤波、图像增强及灰度还原处理,保证了照片或者图像的清晰,提高了后续鉴真处理过程的速度和准确度。
在以上实施例中,对待检索商品进行鉴真之后,如果鉴真结果是真,就需要进行溯源检索,下面以待检索商品为茶作为实例,对茶溯源的过程进行说明:
一般用户需要对茶进行溯源时,通过安装在用户终端的APP进行,例如“茶溯源”微信小程序,用户在用户终端打开“茶溯源”微信小程序,在“茶溯源”微信小程序的首页打开扫描选项,对准溯源标签进行扫描;或者,通过第三方扫描软件,对溯源标签进行扫描之后,进入小程序引导页,如果成功用微信扫描识别溯源标签进入到“茶溯源”微信小程序,则表示扫描到了溯源标签,如果没有进入“茶溯源”小程序表示失败了,结束溯源;
通过“茶溯源”微信小程序或者其他第三方扫描软件得到溯源标签之后,“茶溯源”会在溯源系统服务器内检索,得到溯源信息,“茶溯源”微信小程序在用户终端展示出溯源报告首页,并且判断溯源标签是内码标签还是外码标签,如果是外码标签,则查看溯源报告的详细信息,完成溯源;
如果是内码标签的情况,一方面查看溯源报告的详细信息,得到生产日期的信息,判断茶叶是不是过期,如果已经过期,完成溯源;如果没有过期,验证内码标签的防伪信息,进一步确定内码标签是不是作假的,从而完成溯源;另一方面,还需要从溯源系统服务器中下载得到针对溯源报告的保存证书图片,通过证书图片再次对溯源标签进行验证,直到溯源结束。
针对溯源标签及溯源信息的形成过程,需要与茶叶的生成过程相结合,例如,在茶青采摘及购入的过程中,茶叶是通过茶框进行装盛的,一次收购多个茶框,给每一个茶框进行编号,从而得到商品码,在茶叶加工之后中,在商品码的基础上生成溯源二维码,此处溯源二维码就是溯源标签,再对溯源二维码进行加密之后,得到茶叶包装的外部二维码和内部二维码,即外码标签和内码标签。将外码标签和内码标签与溯源信息进行数据关联,溯源信息可以包括生产加工环节、茶园环境等与茶叶相关的溯源方面的信息。
在以上图1-图3所示的实施例中,对数据鉴真处理方法进行了说明,下面通过图4所示的实施例对数据鉴真处理装置进行说明,如图4所示,数据鉴真处理装置包括:
图像输入模块401,用于输入图像信息;
处理模块402,用于执行以上图1-图3实施例中的数据鉴真处理方法;
通知模块403,用于将鉴真结果及溯源信息发送至客户端。
具体的,处理模块402包括:
图像处理单元4021,用于进行图像处理和真实性判断;
鉴真单元4022,用于根据商品信息进行商品的鉴真;
溯源单元4023,用于进行待检索商品的溯源。
溯源单元的物流信息管理是流通环节溯源的基础,包括对物流车辆和打包装箱的管理功能,涉及食品的包装管理和物流运输管理环节;溯源过程管理是系统最核心的模块,涉及溯源码构造、溯源码管理、溯源码防伪、溯源码识别、溯源信息采集等核心的业务环节,为了建立与手机端 APP之间的业务信息通道,该模块还包括与手机端通信的功能;食品信息管理是食品信息溯源的基础,包括供应商信息管理、经销商信息管理、食品分类管理、食品基本信息管理、原材料采购管理、食品库存管理和食品销售管理等内容,面向食品溯源提供数据支撑;系统管理主要包括角色管理和用户管理,基于系统的安全目标实现基于角色的授权。
溯源单元的体系结构自定向下分为应用层、业务服务层和数据层;应用层面向最终系统用户提供数据展示和业务交互功能,根据业务功能和交互界面不同,分为物流信息管理、溯源过程管理、食品信息管理和系统管理等业务模块;业务服务层是系统各类业务的中间逻辑环节,包括溯源码编码、解码、识别、业务接口管理、数据管理和流程服务等内容;数据层主要包括物流数据、食品数据和其它溯源相关数据的存储及数据的转换、清洗等功能。
本发明实施例提出一种计算机设备,包括:处理器,处理器执行计算机程序时实现以上图1-图3实施例中的数据鉴真处理方法。
本发明实施例提出一种计算机存储介质,其存储有计算机程序所述计算机程序被处理器执行时实现以上图1-图3实施例中的数据鉴真处理方法。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (10)
1.一种数据鉴真处理方法,其特征在于,包括:
步骤1、获取待检索商品的图像信息;
步骤2、对所述图像信息进行真实性判断;
步骤3、当所述图像信息通过真实性判断后,对所述图像信息中的商品信息与背景信息进行分割,并对所述商品信息进行防伪码特征及商品特征提取,得到生物秘钥信息,所述生物秘钥信息包括防伪码图像及商品特征;
步骤4、从所述防伪码图像中选择第i个字符的定位区域,所述i为大于等于1的正整数;
步骤5、从预设模板库中选择第T个模板,根据所述第T个模板的大小对所述第i个字符的定位区域的大小进行调整,使得所述第i个字符的定位区域的大小能够覆盖所述第T个模板,并计算得到所述第T个模板与所述第i个字符的定位区域的互相关度,将所述互相关度与所述第T个模板的模板类别进行关联保存,所述T为大于等于1的正整数;
步骤6、重复执行所述步骤5,直到计算出所述预设模板库中所有的模板与所述第i个字符的定位区域的互相关度,选择出最大的互相关度对应的模板类别,作为第i个字符的字符区域匹配的模板类别;
步骤7、从所述防伪码图像中选择第i+1个字符的定位区域,重复执行所述步骤5及所述步骤6,直到得到所有字符的字符区域匹配的模板类别;
步骤8、根据所有字符的字符区域匹配的模板类别,确定每一个字符区域对应的模板,将每一个字符区域和对应的模板进行大小归一化,并提取相似字符的方向梯度直方图HOG特征进行识别,得到每一个相似字符的相关度,选择相关度最大的作为目标字符,形成所述防伪码图像的字符串;
步骤9、根据所述字符串及所述商品特征进行鉴真,得到所述待检索商品的鉴真结果;
步骤10、当所述待检索商品的鉴真结果为真时,对所述待检索商品进行溯源检索,获取所述待检索商品的溯源信息。
2.根据权利要求1所述的一种数据鉴真处理方法,其特征在于,所述对所述图像信息进行真实性判断,包括:
利用边缘算子估算出所述图像信息中图像或照片的边缘方向和边缘信息;
沿着所述边缘方向利用加权自适应插值算法对当前像素点缺失的色彩信息进行估算,得到所述当前像素点缺失的颜色信息,判断所述当前像素点缺失的颜色信息与所述当前像素点的采样数据是否存在差异;
若存在差异,则确定所述图像或所述照片被修改,所述图像信息未通过真实性判断;
若不存在差异,则确定所述图像或所述照片未被修改,遍历图像及照片数据库,检测所述图像或所述照片中是否存在与所述图像及照片数据库中对应的相似区域;
若存在所述相似区域,则确定所述图像或所述照片为复制粘贴,所述图像信息未通过真实性判断;
若不存在所述相似区域,则确定所述图像或所述照片不是复制粘贴,对所述图像或所述照片采用期望最大化算法,计算得到概率傅立叶频谱图,判断所述概率傅立叶频谱图中是否出现规律性亮点;
若出现规律性亮点,则确定所述图像或所述照片为重采样,所述图像信息未通过真实性判断;
若未出现规律性亮点,则确定所述图像或所述照片不是重采样,所述图像信息通过真实性判断。
3.根据权利要求1所述的一种数据鉴真处理方法,其特征在于,所述对所述图像信息进行真实性判断之后,还包括:
对所述图像信息中的图像或照片进行灰度转换,得到灰度图;
对所述灰度图进行图像滤波;
将图像滤波后的所述灰度图进行图像增强;
将图像增强后的所述灰度图还原为彩色图像的所述图像或所述照片。
5.根据权利要求3所述的一种数据鉴真处理方法,其特征在于,所述对所述灰度图进行图像滤波,包括:
获取所述灰度图的亮度信息,将所述亮度信息与高斯函数相乘得到高斯权系数;
通过卷积运算利用所述高斯权系数对所述灰度图进行图像滤波。
6.根据权利要求3所述的一种数据鉴真处理方法,其特征在于,所述将图像滤波后的所述灰度图进行图像增强,包括:
获取图像滤波后的所述灰度图的图像像素数据;
根据所述图像像素数据显示原图像及原图直方图;
对所述原图像进行直方图均匀化处理,使得所述灰度图实现图像增强。
7.根据权利要求1所述的一种数据鉴真处理方法,其特征在于,所述对所述图像信息中的商品信息与背景信息进行分割,并对所述商品信息进行防伪码特征及商品特征提取,得到生物秘钥信息,包括:
当所述图像信息通过真实性判断后,通过预设尺寸的卷积核及预设像素灰度差值,对所述图像信息进行一次分割,得到一次分割区域;
对所述一次分割区域进行二次分割,得到商品信息;
对所述商品信息进行商品特征和防伪码特征提取,并转化成商品的生物秘钥信息。
8.一种数据鉴真处理装置,其特征在于,包括:
图像输入模块,用于输入图像信息;
处理模块,用于执行以上权利要求1-7中任一项数据鉴真处理方法;
通知模块,用于将鉴真结果及溯源信息发送至客户端。
9.一种计算机设备,其特征在于,包括:处理器,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述数据鉴真处理方法。
10.一种计算机存储介质,其存储有计算机程序,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至7任一项所述数据鉴真处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210957145.5A CN115035533B (zh) | 2022-08-10 | 2022-08-10 | 一种数据鉴真处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210957145.5A CN115035533B (zh) | 2022-08-10 | 2022-08-10 | 一种数据鉴真处理方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115035533A true CN115035533A (zh) | 2022-09-09 |
CN115035533B CN115035533B (zh) | 2022-10-21 |
Family
ID=83130540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210957145.5A Active CN115035533B (zh) | 2022-08-10 | 2022-08-10 | 一种数据鉴真处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035533B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911883A (zh) * | 2023-09-14 | 2023-10-20 | 新立讯科技股份有限公司 | 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 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136166A (zh) * | 2011-01-14 | 2011-07-27 | 哈尔滨工业大学 | 多模态信息融合的纸币成像鉴伪方法及其装置 |
CN102693490A (zh) * | 2012-05-31 | 2012-09-26 | 东莞市智维数控科技有限公司 | 面向个人用户的基于机器视觉的产品防伪查询方法及系统 |
CN104010195A (zh) * | 2014-03-21 | 2014-08-27 | 付强 | 防复制编码图像、防复制编码图像系统及应用 |
CN104112205A (zh) * | 2014-07-09 | 2014-10-22 | 北京信长城技术研究院 | 基于组合公钥密码体制的商品鉴真和溯源系统及方法 |
CN104574119A (zh) * | 2015-01-20 | 2015-04-29 | 中城智慧科技有限公司 | 一种商品鉴真溯源的方法 |
CN104899589A (zh) * | 2015-05-12 | 2015-09-09 | 广州中大数码科技有限公司 | 一种采用阈值二值化算法实现二维条码预处理的方法 |
US20160196472A1 (en) * | 2014-03-12 | 2016-07-07 | ClearMark Systems, LLC | System and Method for Authentication |
CN106504403A (zh) * | 2016-11-17 | 2017-03-15 | 深圳怡化电脑股份有限公司 | 一种纸币鉴伪的方法及装置 |
CN106529637A (zh) * | 2016-10-28 | 2017-03-22 | 深圳大学 | 一种二维码的防拷贝实现方法及实现系统 |
CN107292636A (zh) * | 2017-08-17 | 2017-10-24 | 上海焕云网络技术有限公司 | 一种基于天然生物信息的商品防伪验证系统 |
CN107451820A (zh) * | 2016-04-29 | 2017-12-08 | 卢念秋 | 线上、线下多重、动态防伪、防窜货、可溯源系统 |
US20180121933A1 (en) * | 2016-10-28 | 2018-05-03 | Dande Image Master Co., Ltd., Zhuhai | Inspection system and inspection method for commodity uniqueness confirmation |
CN109684987A (zh) * | 2018-12-19 | 2019-04-26 | 南京华科和鼎信息科技有限公司 | 一种基于证件的身份验证系统及方法 |
CN110111165A (zh) * | 2019-05-13 | 2019-08-09 | 重庆天蓬网络有限公司 | 发票真伪查验方法、系统、介质和电子设备 |
CN110348464A (zh) * | 2019-07-17 | 2019-10-18 | 安徽建筑大学 | 一种基于多支持区域局部亮度序的图像伪造检测算法 |
CN110888608A (zh) * | 2018-09-10 | 2020-03-17 | 株式会社理光 | 真伪判断系统、图像形成装置、服务器装置、打印方法 |
CN110895693A (zh) * | 2019-09-12 | 2020-03-20 | 华中科技大学 | 一种证件的防伪信息的鉴别方法及鉴别系统 |
CN111899039A (zh) * | 2020-08-15 | 2020-11-06 | 李志彬 | 一种通过商品自身特征数据进行防伪的方法 |
CN112784835A (zh) * | 2021-01-21 | 2021-05-11 | 恒安嘉新(北京)科技股份公司 | 圆形印章的真实性识别方法、装置、电子设备及存储介质 |
CN113297632A (zh) * | 2021-05-31 | 2021-08-24 | 中检集团溯源技术服务有限公司 | 基于区块链的追溯实地验证纸质报告证书管理系统及方法 |
CN113409062A (zh) * | 2021-07-21 | 2021-09-17 | 上海万向区块链股份公司 | 区块链溯源nft防伪平台和方法 |
CN113947096A (zh) * | 2021-10-12 | 2022-01-18 | 南通大学 | 一种基于图片转字符串解密的商品防伪码识别方法 |
CN114463017A (zh) * | 2021-10-22 | 2022-05-10 | 河北高湃网络科技有限公司 | 基于动态示踪码交易结算、阻击排查假货混入的方法 |
US20220198473A1 (en) * | 2019-04-09 | 2022-06-23 | Newlixon Tech. Co., Ltd | Method and apparatus for generating and querying traceability code of commodity |
-
2022
- 2022-08-10 CN CN202210957145.5A patent/CN115035533B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136166A (zh) * | 2011-01-14 | 2011-07-27 | 哈尔滨工业大学 | 多模态信息融合的纸币成像鉴伪方法及其装置 |
CN102693490A (zh) * | 2012-05-31 | 2012-09-26 | 东莞市智维数控科技有限公司 | 面向个人用户的基于机器视觉的产品防伪查询方法及系统 |
US20160196472A1 (en) * | 2014-03-12 | 2016-07-07 | ClearMark Systems, LLC | System and Method for Authentication |
CN104010195A (zh) * | 2014-03-21 | 2014-08-27 | 付强 | 防复制编码图像、防复制编码图像系统及应用 |
CN104112205A (zh) * | 2014-07-09 | 2014-10-22 | 北京信长城技术研究院 | 基于组合公钥密码体制的商品鉴真和溯源系统及方法 |
CN104574119A (zh) * | 2015-01-20 | 2015-04-29 | 中城智慧科技有限公司 | 一种商品鉴真溯源的方法 |
CN104899589A (zh) * | 2015-05-12 | 2015-09-09 | 广州中大数码科技有限公司 | 一种采用阈值二值化算法实现二维条码预处理的方法 |
CN107451820A (zh) * | 2016-04-29 | 2017-12-08 | 卢念秋 | 线上、线下多重、动态防伪、防窜货、可溯源系统 |
CN106529637A (zh) * | 2016-10-28 | 2017-03-22 | 深圳大学 | 一种二维码的防拷贝实现方法及实现系统 |
US20180121933A1 (en) * | 2016-10-28 | 2018-05-03 | Dande Image Master Co., Ltd., Zhuhai | Inspection system and inspection method for commodity uniqueness confirmation |
CN106504403A (zh) * | 2016-11-17 | 2017-03-15 | 深圳怡化电脑股份有限公司 | 一种纸币鉴伪的方法及装置 |
CN107292636A (zh) * | 2017-08-17 | 2017-10-24 | 上海焕云网络技术有限公司 | 一种基于天然生物信息的商品防伪验证系统 |
CN110888608A (zh) * | 2018-09-10 | 2020-03-17 | 株式会社理光 | 真伪判断系统、图像形成装置、服务器装置、打印方法 |
CN109684987A (zh) * | 2018-12-19 | 2019-04-26 | 南京华科和鼎信息科技有限公司 | 一种基于证件的身份验证系统及方法 |
US20220198473A1 (en) * | 2019-04-09 | 2022-06-23 | Newlixon Tech. Co., Ltd | Method and apparatus for generating and querying traceability code of commodity |
CN110111165A (zh) * | 2019-05-13 | 2019-08-09 | 重庆天蓬网络有限公司 | 发票真伪查验方法、系统、介质和电子设备 |
CN110348464A (zh) * | 2019-07-17 | 2019-10-18 | 安徽建筑大学 | 一种基于多支持区域局部亮度序的图像伪造检测算法 |
CN110895693A (zh) * | 2019-09-12 | 2020-03-20 | 华中科技大学 | 一种证件的防伪信息的鉴别方法及鉴别系统 |
CN111899039A (zh) * | 2020-08-15 | 2020-11-06 | 李志彬 | 一种通过商品自身特征数据进行防伪的方法 |
CN112784835A (zh) * | 2021-01-21 | 2021-05-11 | 恒安嘉新(北京)科技股份公司 | 圆形印章的真实性识别方法、装置、电子设备及存储介质 |
CN113297632A (zh) * | 2021-05-31 | 2021-08-24 | 中检集团溯源技术服务有限公司 | 基于区块链的追溯实地验证纸质报告证书管理系统及方法 |
CN113409062A (zh) * | 2021-07-21 | 2021-09-17 | 上海万向区块链股份公司 | 区块链溯源nft防伪平台和方法 |
CN113947096A (zh) * | 2021-10-12 | 2022-01-18 | 南通大学 | 一种基于图片转字符串解密的商品防伪码识别方法 |
CN114463017A (zh) * | 2021-10-22 | 2022-05-10 | 河北高湃网络科技有限公司 | 基于动态示踪码交易结算、阻击排查假货混入的方法 |
Non-Patent Citations (5)
Title |
---|
DE LI等: "Research on Anti-counterfeiting Technology Based on QR Code image Watermarking Algorithm", 《INTERNATIONAL JOURNAL OF MULTIMEDIA AND UBIQUITOUS ENGINEERING》 * |
WEIRONG SUN等: "Application of Blockchain and RFID in Anti-counterfeiting Traceability of Liquor", 《2019 IEEE 5TH INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATIONS》 * |
任先明: "基于像素数据相关性分析的数码照片真伪鉴别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
倪晶: "低质量激光防伪码识别及其系统实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
苏文煊等: "基于CFA插值特性不一致的图像真伪鉴别", 《应用科学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911883A (zh) * | 2023-09-14 | 2023-10-20 | 新立讯科技股份有限公司 | 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 |
CN116911883B (zh) * | 2023-09-14 | 2023-12-19 | 新立讯科技股份有限公司 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN115035533B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11818303B2 (en) | Content-based object detection, 3D reconstruction, and data extraction from digital images | |
US20210383150A1 (en) | Iterative recognition-guided thresholding and data extraction | |
US11620733B2 (en) | Content-based object detection, 3D reconstruction, and data extraction from digital images | |
US9754164B2 (en) | Systems and methods for classifying objects in digital images captured using mobile devices | |
CN109766890B (zh) | 信息识别方法、设备和系统 | |
US20150030201A1 (en) | Feature-based watermark localization in digital capture systems | |
CN110569878A (zh) | 一种基于卷积神经网络的照片背景相似度聚类方法及计算机 | |
Armas Vega et al. | Copy-move forgery detection technique based on discrete cosine transform blocks features | |
CN110428028B (zh) | 基于准动态镭射标签的识别验伪方法、装置、设备及介质 | |
CN110427972B (zh) | 证件视频特征提取方法、装置、计算机设备和存储介质 | |
CN111931783A (zh) | 一种训练样本生成方法、机读码识别方法及装置 | |
CN111160395A (zh) | 图像识别方法、装置、电子设备和存储介质 | |
CN116664961B (zh) | 基于信码的防伪标签智能识别方法及系统 | |
CN112434555B (zh) | 键值对区域识别方法、装置、存储介质和电子设备 | |
CN115035533B (zh) | 一种数据鉴真处理方法、装置、计算机设备及存储介质 | |
CN111160331A (zh) | 防伪标签验伪方法、设备、介质及模板图生成方法 | |
CN110766001B (zh) | 基于cnn和rnn的银行卡卡号定位与端到端识别方法 | |
CN116935180A (zh) | 基于人工智能的信码防伪标签数据信息采集方法及系统 | |
CN114782796B (zh) | 一种物品图像防伪的智能验证方法和装置 | |
JP5998090B2 (ja) | 画像照合装置、画像照合方法、画像照合プログラム | |
CN112308141B (zh) | 一种扫描票据分类方法、系统及可读存储介质 | |
CN112396551A (zh) | 一种水印嵌入方法及装置 | |
Kumar et al. | A review of image features extraction techniques and their applications in image forensic | |
Kakar | Passive approaches for digital image forgery detection | |
JP7490141B2 (ja) | 画像検出方法、モデルトレーニング方法、画像検出装置、トレーニング装置、機器及びプログラム |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 210012 room 801-810, 8 building, 7 Ande Gate Street, Yuhuatai District, Nanjing, Jiangsu, China, 57 Patentee after: Xinlixun Technology Group Co.,Ltd. Country or region after: China Address before: 210012 8th floor, building 7, No. 57 Andemen street, Yuhuatai District, Nanjing, Jiangsu Province Patentee before: New Lixun Technology Co.,Ltd. Country or region before: China |