CN115082929A - 用于分析产品的像素数据以检测产品假冒的基于人工智能的隐写系统和方法 - Google Patents

用于分析产品的像素数据以检测产品假冒的基于人工智能的隐写系统和方法 Download PDF

Info

Publication number
CN115082929A
CN115082929A CN202210186072.4A CN202210186072A CN115082929A CN 115082929 A CN115082929 A CN 115082929A CN 202210186072 A CN202210186072 A CN 202210186072A CN 115082929 A CN115082929 A CN 115082929A
Authority
CN
China
Prior art keywords
product
image
features
steganographic
images
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
Application number
CN202210186072.4A
Other languages
English (en)
Inventor
乔纳森·理查德·斯通豪斯
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.)
Procter and Gamble Co
Original Assignee
Procter and Gamble Co
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 Procter and Gamble Co filed Critical Procter and Gamble Co
Publication of CN115082929A publication Critical patent/CN115082929A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
    • G06K19/06046—Constructional details
    • G06K19/06056—Constructional details the marking comprising a further embedded marking, e.g. a 1D bar code with the black bars containing a smaller sized coding
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1223—Dedicated interfaces to print systems specifically adapted to use a particular technique
    • G06F3/1237—Print job management
    • G06F3/1268—Job submission, e.g. submitting print job order or request not the print data itself
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1413—1D bar codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1417—2D bar codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
    • G06K7/1447—Methods for optical code recognition including a method step for retrieval of the optical code extracting optical codes from image or text carrying said optical code
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/80—Recognising image objects characterised by unique random patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/95—Pattern authentication; Markers therefor; Forgery detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Electromagnetism (AREA)
  • Toxicology (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明题为“用于分析产品的像素数据以检测产品假冒的基于人工智能的隐写系统和方法”。本发明公开了用于分析产品的像素数据以检测产品假冒的基于AI的隐写系统和方法。基于AI的成像模型通过多个训练图像的像素数据进行训练，该多个训练图像包括(1)各自描绘具有一个或多个真实隐写特征的产品的至少一部分的图像的第一子集，和(2)各自描绘不含一个或多个真实隐写特征的产品的至少一部分的图像的第二子集。包括产品的像素数据的新图像可由基于AI的成像模型接收和分析以检测真实隐写特征的基于像素的特征存在或不存在，从而确定产品的图像分类。该基于AI的隐写系统和方法可基于图像分类来检测产品是真实的还是假冒的。

Description

用于分析产品的像素数据以检测产品假冒的基于人工智能的 隐写系统和方法
技术领域
本公开整体涉及基于人工智能(AI)的隐写系统和方法，并且更具体地讲，涉及用于分析产品的像素数据以检测产品假冒的基于AI的隐写系统和方法。
背景技术
假冒物品在许多行业，具体地讲在发展中国家中是大问题。它们可侵蚀消费者信心，或在极端情况下，造成实际物理伤害，和/或对制造商和经销商造成损失。多年来，一直使用多种方法以允许验证物品的真实性，包括全息标签、RFID标签、以及明显代码和隐藏代码。尽管这些方法可提供检测假冒物品的方法，但它们也涉及生产或另外的制造过程的附加成本和/或复杂性。
最近已经提出了多种技术，所述技术涉及产品上的现有代码和/或信息的操纵以用于跟踪。例如，WO 2012/109294 A1公开了一种打印具有一个或多个经修改字符的产品代码的方法。该方法使用由例如制造日期和位置确定的现有字母数字代码，和现有印刷技术。将算法施用于原始代码中的数字(预修改)，并且基于算法的输出，以预先确定的方式选择和修改代码中的一个或多个数字。例如，修改可涉及移除肉眼几乎不可察觉的，但向积极寻求验证产品真实性的人提供清晰信号的单独数字的像素。
虽然此类技术在帮助制造商、零售商和最终使用者确定产品真实性的方面相当有用，但伪造者在解释此类代码并能够复制它们方面正在变得更加富有经验。对于制造商或使用成像分析来检测假冒物品或产品的另外实体，该问题变得加剧。这是因为假冒物品的数量越来越多，这些假冒物品中的每一者可具有各种形状、尺寸和图形—并且，这些假冒物品中的每一者可采用各种技术来模拟真实产品—在它们的配置和/或外观方面可极大地不同，即使此类差异在视觉外观上也可能是微妙的。此类大量不同的假冒产品和图像在构建用于对抗产品假冒的稳健的基于图像的系统中产生困难，至少是因为制造商或实体难以容易地识别、收集或以其他方式访问如由不同伪造者产生的各种数量和不同类型的假冒产品的假冒图像以用于构建和开发稳健和/或准确的系统。例如，名称为“确定消费品的真实性的方法(Method of Determining Authenticity of a Consumer Good,)”的US 2019/0392458 A1描述了一种将消费品分类为真实的方法，其中方法利用机器学习以及隐写特征在给定真实消费品上的使用。虽然方法可用于识别真实消费品上的隐写特征以用于认证消费品的目的，但方法和其潜在机器学习模型受到限制，因为其依赖于大量的非真实消费品的现实世界图像，获得、组织、结构化或以其他方式聚集这些图像可能过于昂贵或耗时。出于相同的原因，利用非真实消费品的此类现实世界图像进行的对稳健机器学习模型的数据预处理和/或训练可能导致误差和延迟，或在准备或监督生成稳健机器学习模型另外可能需要的训练数据集中的其他问题。这可包括因为此类大量的非真实消费品的现实世界图像可具有不同、未知和/或没有充分代表性的非真实特征的描绘，这将导致大量的手动处理和/或操纵来准备用于生成稳健机器学习模型的训练数据集。
出于前述原因，需要用于分析产品的像素数据以检测产品假冒的基于AI的隐写系统和方法，其中此类基于AI的隐写系统和方法不取决于大量的非真实消费品的现实世界图像。
发明内容
通常，如本文所述，公开了用于检测产品假冒的基于AI的隐写系统和方法。此类基于AI的隐写系统提供了基于数字成像和人工智能的解决方案，其用于克服由识别、访问或收集训练稳健AI模型所需的大量和/或不同类型的假冒图像中的困难引起的问题，该稳健AI模型用于检测给定产品是真实的还是假冒的，如根据新提供的图像的像素数据确定的。
基于AI的隐写系统和方法通常包括训练AI基于的模型(例如，基于神经网络的模型)以识别真实的或真正的产品，例如，基于产品的图像中出现的产品的真实或真正的批次代码、艺术品、标签等。通常，对于基于AI的解决方案，有必要将真实产品和假冒产品两者的图像的许多示例(数百或数千个)输入到训练集中以训练AI模型。这可包括不同市场中的不同产品的图像，其中的每一者可具有不同的艺术品、批次代码、标签等。然而，发现和输入此类训练图像中的每一者(以及以足够数量)的现实世界示例是速率限制的，特别是在市场之外，其中此类图像无法容易地识别或访问，但仍然包括数百种假冒产品。
因此，本文的公开内容提供了允许开发稳健、增强且准确的系统的解决方案，而不需要识别和/或访问真实世界假冒产品的图像的示例。这种解决方案可应用于所有或至少大多数的产品、地理位置和/或国家，而不用负担或需要来自每个市场的数百种假冒产品和相关产品图像。本文的公开内容提供了本发明的特征，其包括训练AI模型以检测故意添加的认证特征(例如，作为添加的包装和/或打印代码)是否存在于产品的图像内。这可包括特定认证条形码特征是存在于产品图像内还是不存在于产品图像内。例如，在涉及条形码的方面，训练基于AI的成像模型可能需要将数千个条形码图像输入到AI训练算法中，这些图像具有和没有添加的安全特征，该安全特征可包括如本文所述的认证特征。用于训练AI模型的条形码可包括缺乏或不含认证特征的条形码。在一些方面，此类图像可包括假冒图像的合成(或生成)的示例，其中此类合成的示例包括真实图像的经修改版本，其中例如删除、修改或以其他方式更改图像内的特征。使用合成图像允许快速生成AI模型，而无需大量的现实世界对象的图像，同时允许稳健的特征检测模型。此外，本公开具有广泛的范围，基本上涉及出于生成、训练和/或构建稳健AI模型和相关系统和方法的目的合成、测试和使用任何隐写特征的示例(例如，在图像内)。
如本文所述的基于AI的隐写系统允许用户将新图像提交到成像服务器(例如，包括其一个或多个处理器)或另外的计算设备(例如，诸如本地在用户的移动设备上)，其中成像服务器或用户计算设备实现或执行通过潜在10,000个(或更多个)图像的像素数据训练的基于人工智能(基于AI)的成像模型，这些图像描绘具有或不具有(不含)一个或多个真实隐写特征的产品。基于AI的成像模型可基于产品的图像分类来生成产品的图像分类。例如，产品的图像的至少一部分可包括像素或像素数据可指示一个或多个真实隐写特征的基于像素的特征存在或不存在。在一些方面，图像分类或真实或假冒的相关指示可经由计算机网络传输到用户的用户计算设备以在显示屏上呈现。在其他方面，没有发生用户特定图像的到成像服务器的传输，其中分类或者真实或假冒的相关指示可替代地由基于AI的成像模型生成，在用户的移动设备上本地执行和/或实现，并且由移动设备的处理器呈现在移动设备的显示屏上。在各个方面，此类呈现可包括用于寻址像素数据中的特征的图形表示、覆盖、注释等。
更具体地讲，如本文所述，公开了一种基于AI的隐写系统。该基于AI的隐写系统被配置为分析产品的像素数据以检测产品假冒。在各个方面，基于AI的隐写系统包括一个或多个处理器；和隐写应用程序(app)，该隐写应用程序包括被配置为在一个或多个处理器上执行的计算指令。基于AI的隐写系统还包括基于AI的成像模型，该基于AI的成像模型可由隐写应用程序访问并且通过多个训练图像的像素数据进行训练。多个训练图像可包括(1)各自描绘具有一个或多个真实隐写特征的产品的至少一部分的图像的第一子集，和(2)各自描绘不含一个或多个真实隐写特征的产品的至少一部分的图像的第二子集。在各个方面，基于AI的成像模型可被配置为输出对应于一个或多个真实隐写特征的基于像素的特征存在或不存在的一个或多个图像分类。此外，隐写应用程序的计算指令在由一个或多个处理器执行时可被配置为致使一个或多个处理器：(a)接收产品的新图像，新图像包括由数字相机捕获的数字图像，并且新图像包括产品的至少一部分的像素数据；(b)由基于AI的成像模型针对一个或多个真实隐写特征的基于像素的特征存在或不存在分析新图像的像素数据以确定产品的图像分类，其中图像分类选自基于AI的成像模型的一个或多个图像分类；以及(c)基于图像分类来检测产品是真实的还是假冒的。
此外，如本文所述，公开了一种用于分析产品的像素数据以检测产品假冒的基于AI的隐写方法。基于AI的隐写方法包括由计算设备的一个或多个处理器通过多个训练图像的像素数据训练基于AI的成像模型。多个训练图像可包括(1)各自描绘具有一个或多个真实隐写特征的产品的至少一部分的图像的第一子集，和(2)各自描绘不含一个或多个真实隐写特征的产品的至少一部分的图像的第二子集。基于AI的成像模型可被配置为输出对应于一个或多个真实隐写特征的基于像素的特征存在或不存在的一个或多个图像分类。基于AI的隐写方法还可包括由一个或多个处理器接收产品的新图像，新图像包括由数字相机捕获的数字图像，并且新图像包括产品的至少一部分的像素数据。基于AI的隐写方法还可包括由基于AI的成像模型针对一个或多个真实隐写特征的基于像素的特征存在或不存在分析新图像的像素数据以确定产品的图像分类，其中图像分类选自基于AI的成像模型的一个或多个图像分类。基于AI的隐写方法还可包括由一个或多个处理器基于图像分类来检测产品是真实的还是假冒的。
另外，如本文所述，公开了一种有形的非暂态计算机可读介质，有形的非暂态计算机可读介质存储用于分析产品的像素数据以检测产品假冒的指令。指令在由计算设备的一个或多个处理器执行时可致使计算设备的一个或多个处理器由计算设备的一个或多个处理器通过多个训练图像的像素数据训练基于AI的成像模型。在各个方面，多个训练图像可包括(1)各自描绘具有一个或多个真实隐写特征的产品的至少一部分的图像的第一子集，和(2)各自描绘不含一个或多个真实隐写特征的产品的至少一部分的图像的第二子集。基于AI的成像模型可被配置为输出对应于一个或多个真实隐写特征的基于像素的特征存在或不存在的一个或多个图像分类。指令在由计算设备的一个或多个处理器执行时可致使计算设备的一个或多个处理器由一个或多个处理器接收产品的新图像。新图像可包括由数字相机捕获的数字图像，并且新图像可包括产品的至少一部分的像素数据。此外，指令在由计算设备的一个或多个处理器执行时可致使计算设备的一个或多个处理器由基于AI的成像模型针对一个或多个真实隐写特征的基于像素的特征存在或不存在分析新图像的像素数据以确定产品的图像分类。图像分类可选自基于AI的成像模型的一个或多个图像分类。更进一步，指令在由计算设备的一个或多个处理器执行时可致使计算设备的一个或多个处理器由一个或多个处理器基于图像分类来检测产品是真实的还是假冒的。
根据上文以及本文的公开内容，本公开描述了计算机功能的改进或对其他技术的改进，至少因为本公开描述了例如成像服务器、或另外的计算设备(例如，用户计算机设备)得到改进，其中成像服务器或计算设备的智能或预测能力通过经训练(例如，机器学习训练)的基于AI的成像模型来增强。在成像服务器或计算设备上执行的基于AI的成像模型能够基于产品的现实世界或合成图像的像素数据来更准确地检测一个或多个真实隐写特征的基于像素的特征存在或不存在，以便确定产品的图像分类并且基于图像分类检测产品是真实的还是假冒的。也就是说，本公开描述了计算机本身的功能或“任何其他技术或技术领域”的改进，因为成像服务器或用户计算设备通过多个训练图像(例如，10,000s个训练图像和相关像素数据作为特征数据)来增强以准确预测、检测或确定产品图像(诸如新提供的产品图像)的像素数据。这在隐写领域中改进超越现有技术，至少因为现有系统缺乏此类预测性或分类功能并且简单地不能够通过经训练的模型准确分析现实世界和合成图像以输出预测结果来寻址可在像素数据内识别的至少一个特征，该像素数据包括图像分类以用于基于图像分类来检测产品是真实的还是假冒的。
出于类似的原因，本公开涉及对其他技术或技术领域的改进，至少因为在成像服务器或计算设备上执行的经训练的基于AI的成像模型通过提供稳健的基于AI的成像模型来改进隐写和/或防假冒的领域，该基于AI的成像模型可用合成图像来训练，从而允许精确训练(识别要训练的特定特征)并且不需要大量的假冒产品的现实世界图像，从而允许快速训练准确的AI模型以及数字和/或基于人工智能的对产品的合成(和真实世界)图像的分析以用于输出预测结果和/或分类，从而基于图像分类来检测产品是真实的还是假冒的。
此外，本公开涉及对其他技术或技术领域的改进，至少因为本公开描述或引入了对打印机中的或更一般地隐写打印领域中的计算设备的改进，由此在成像设备或计算设备上执行的经训练的基于AI的成像模型可通信地耦接到打印机，并且改进基础计算机设备(例如，成像服务器和/或用户计算设备)，其中此类计算机设备通过给定机器学习网络架构的配置、调整或适应而更有效，以提供物理产品上的唯一打印代码或值。例如，在一些方面，可通过减少计算资源来使用更少的机器资源(例如，处理周期或存储器存储装置)，这是通过减少分析图像所需的机器学习网络架构，包括通过减小深度、宽度、图像大小或其他基于机器学习的维度要求。此类减小会释放潜在计算系统的计算资源，由此使其更有效。
此外，本公开包括用特定机器或通过使用特定机器施加某些权利要求元件，例如，打印机，包括连续喷墨、热喷墨、按需喷墨、热传递打印机、或激光烧蚀或其他激光标记设备、热熔蜡打印机，其用于在一个或多个产品或其基底上打印防假冒代码或另外的特征，其中此类打印代码或另外的特征可然后被捕获在数字图像中以用于与基于AI的成像模型使用，从而用于对图像进行分类以基于图像分类来检测产品是真实的还是假冒的。
此外，本公开包括除本领域中众所周知的、常规的、常规活动之外的特定特征，或者添加将权利要求限制到特定有用应用的非常规步骤，例如，分析产品的像素数据以检测产品假冒。
通过以举例说明的方式示出和描述的优选方面的以下描述，优点对于本领域的普通技术人员而言将变得更加显而易见。如将认识到的，本发明的方面可具有其他和不同的方面，并且它们的细节能够在各个方面进行修改。因此，附图和描述应被视为实质上是示例性的而非限制性的。
附图说明
下文所述的附图描绘了本文所公开的系统和方法的各个方面。应当理解，每个附图描绘了所公开的系统和方法的特定方面的一个方面，并且每个附图旨在与其可能的方面保持一致。此外，在可能的情况下，以下描述提及了以下附图中包括的附图标号，其中多个附图中所示的特征部用一致的附图标号进行表示。
在当前讨论的附图中示出了布置，然而，应当理解，本方面不限于所示的精确布置和工具，其中：
图1示出了根据本文公开的各个方面的被配置为分析产品的像素数据以检测产品假冒的示例性基于人工智能(AI)的隐写系统。
图2示出了根据本文公开的各个方面的在图1的示例性计算设备的显示屏上呈现的示例性用户界面。
图3示出了根据本文公开的各个方面的用于分析产品的像素数据以检测产品假冒的示例性基于人工智能(AI)的隐写方法。
图4A示出了根据本文公开的各个方面的示例性基于AI的成像模型。
图4B示出了根据本文公开的各个方面的用于确定一个或多个图像分类的示例性决策树。
图5A示出了根据本文的各个方面的打印符号隐写特征的示例性图像。
图5B示出了根据本文的各个方面的字母数字、文本字符和基于字体的隐写特征的示例性图像。
图5C示出了根据本文的各个方面的图形更改隐写特征的示例性图像。
图5D示出了根据本文的各个方面的包装更改隐写特征的示例性图像。
图5E示出了根据本文的各个方面的基于包装更改的隐写特征的另外示例性图像。
图5F示出了根据本文的各个方面的基于QR码、数据矩阵代码或另外的可扫描代码的隐写特征的示例性图像。
图5G示出了根据本文的各个方面的基于条形码的隐写特征的示例性图像。
附图仅出于说明的目的描绘了优选的方面。在不脱离本文所述的本发明的原理的情况下，可以采用本文所示的系统和方法的替代方面。
具体实施方式
图1示出了根据本文公开的各个方面的被配置为分析产品的图像(例如，针对图5A至图5G描绘的图像中的任何一个或多个图像)的像素数据以检测产品假冒的示例性基于人工智能(AI)的隐写系统100。在图1的示例性方面中，基于AI的隐写系统100包括服务器102，该服务器可包括一个或多个计算机服务器。在各个方面中，服务器102包括多个服务器，该多个服务器可包括作为服务器群的一部分的多个、冗余或复制的服务器。在另外的方面中，服务器102可被实现为基于云的服务器，诸如基于云的计算平台。例如，成像服务器102可以是任何一个或多个基于云的平台，诸如MICROSOFT AZURE、AMAZON AWS等。服务器102可包括一个或多个处理器104以及一个或多个计算机存储器106。在各种实施方案中，服务器102在本文中可被称为“成像服务器”。
存储器106可包括一种或多种形式的易失性和/或非易失性、固定和/或可移动存储器，诸如只读存储器(ROM)、电子可编程只读存储器(EPROM)、随机存取存储器(RAM)、可擦除电子可编程只读存储器(EEPROM)和/或其他硬盘驱动器、闪存存储器、MicroSD卡等。存储器106可存储能够促进如本文所讨论的功能、应用程序、方法或其他软件的操作系统(OS)(例如，Microsoft Windows、Linux、UNIX等)。存储器106还可存储基于AI的成像模型108，该成像模型可以是基于人工智能的模型，诸如机器学习模型、神经网络模型、卷积神经网络(CNN)模型等，如本文所述，该成像模型针对各种图像(例如，图5A至图5G的图像或图像集500a至500f)进行训练。如本文所述，基于AI的成像模型108可由隐写应用程序访问，并且通过多个训练图像的像素数据进行训练，该多个训练图像包括：(1)图像的第一子集(例如，如针对图5A至图5G所述的图像501a1、500ba1-500ba7、500c1a-500c2a、500d1a、500e1a1-500e1a2、500f1-500f2和/或500gc中的任一者或多者)，其各自描绘具有一个或多个真实隐写特征的产品的至少一部分，和(2)图像的第二子集(例如，如针对图5A至图5G所述的图像500bn、500c1n-500c2n、500d1n、500e1n和/或500gr中的任一者或多者)，其各自描绘不含一个或多个真实隐写特征的产品的至少一部分。此外，基于AI的成像模型108被配置为输出对应于一个或多个真实隐写特征的基于像素的特征存在或不存在的一个或多个图像分类。
基于AI的成像模型108也可存储在数据库105中，该数据库可被访问或以其他方式可通信地耦接到成像服务器102。此外，存储器106还可存储机器可读指令，包括一个或多个应用程序(例如，如本文所述的隐写应用程序(app))、一个或多个软件组件和/或一个或多个应用程序编程接口(API)中的任一者，其可被实施以促进或执行这些特征，功能或本文所述的其他公开内容，诸如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的任何方法、过程、元件或限制。例如，应用程序、软件组件或API中的至少一些可以是、可包括基于成像的机器学习模型或组件(诸如基于AI的成像模型108)或另外为其一部分，其中每一者可被配置为促进本文所讨论的其各种功能。应当理解，可设想由处理器104执行的一个或多个其他应用程序(诸如隐写应用程序)。
处理器104可经由计算机总线连接到存储器106，该计算机总线负责向和从处理器104和存储器106传输电子数据、数据分组或其他电子信号，以便实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的机器可读指令、方法、过程、元件或限制。
处理器104可经由计算机总线与存储器106接口以执行操作系统(OS)。处理器104还可经由计算机总线与存储器106接口以创建、读取、更新、删除或以其他方式访问存储在存储器106和/或数据库104(例如，关系数据库，诸如Oracle、DB2、MySQL，或基于NoSQL的数据库，诸如MongoDB)中的数据或与之进行交互。存储在存储器106和/或数据库105中的数据可包括本文所述的任何数据或信息的全部或部分，包括例如训练图像和/或新图像(例如，包括如本文针对图5A至图5G所描述的图像或图像集500a至500f中的任一者或多者)或用户的其他图像和/或信息，包括字母数字代码、艺术品、批次代码、产品标签、图形、徽标等或如本文以其他方式描述。
成像服务器102还可包括通信组件，该通信组件被配置为经由一个或多个外部/网络端口将数据传送(例如，发送和接收)到一个或多个网络或本地终端诸如本文所述的计算机网络120和/或终端109(用于呈现或可视化)。在一些方面中，成像服务器102可包括客户端-服务器平台技术，诸如ASP.NET、Java J2EE、Ruby on Rails、Node.js、web服务或在线API，其响应于接收并响应于电子请求。成像服务器102可以实现客户端-服务器平台技术，该技术可经由计算机总线与存储器106(包括存储在其中的应用程序、组件、API、数据等)和/或数据库105进行交互，以实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的机器可读指令、方法、过程、元件或限制。
在各个方面中，成像服务器102可包括根据IEEE标准、3GPP标准或其他标准起作用并且可用于经由连接到计算机网络120的外部/网络端口接收和传输数据的一个或多个收发器(例如，WWAN、WLAN和/或WPAN收发器)，或者与该一个或多个收发器进行交互。在一些方面中，计算机网络120可包括专用网络或局域网(LAN)。附加地或另选地，计算机网络120可包括公共网络，诸如互联网。
成像服务器102还可包括或实现操作者界面，该操作者界面被配置为向管理员或操作者呈现信息和/或从管理员或操作者接收输入。如图1所示，操作者界面可提供显示屏(例如，经由终端109)。成像服务器102还可提供I/O组件(例如，端口、电容式或电阻式触敏输入面板、按键、按钮、灯、LED)，该I/O组件可经由成像服务器102直接访问或附接到配给服务器，或者可经由终端109间接访问或附接到终端。根据一些方面，管理员或操作者可经由终端109访问服务器102以查看信息，做出改变，输入训练数据或图像，启动基于AI的成像模型108的训练和/或执行其他功能。
如本文所述，在一些方面中，成像服务器102可执行如本文所讨论的作为“云”网络的一部分的功能，或者可以以其他方式与云内的其他硬件或软件组件通信以发送、检索或以其他方式分析本文所述的数据或信息。
一般来讲，计算机程序或基于计算机的产品、应用程序或代码(例如，模型诸如AI模型，或本文所述的其他计算指令)可存储在计算机可用存储介质或其中体现有此类计算机可读程序代码或计算机指令的有形非暂态性计算机可读介质(例如，标准随机存取存储器(RAM)、光盘、通用串行总线(USB)驱动器等)上，其中计算机可读程序代码或计算机指令可被安装或以其他方式适配成由(例如，与存储器106中的相应操作系统结合工作的)处理器104执行以促进、实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的机器可读指令、方法、过程、元件或限制。就这一点而言，程序代码可以任何期望的程序语言实施，并且可以被实施为机器代码、汇编代码、字节代码、可解释源代码等(例如，经由Golang、Python、C、C++、C#、Objective-C、Java、Scala、ActionScript、JavaScript、HTML、CSS、XML等)。
如图1所示，成像服务器102经由计算机网络120经由基站112b通信地连接到一个或多个用户计算设备112c1-112c3。在一些方面中，基站112b可包括蜂窝基站诸如蜂窝塔，从而基于各种移动电话标准(包括NMT、GSM、CDMA、UMMTS、LTE、5G等)中的任一者或多者经由无线通信121与一个或多个用户计算设备112c1-112c3进行通信。附加地或另选地，基站112b可包括一个或多个路由器、无线交换机或基于各种无线标准中的任一个或多个无线标准经由无线通信122与一个或多个用户计算设备112c1-112c3通信的其他此类无线连接点，作为非限制性示例，该无线标准包括IEEE 802.11a/b/c/g(WIFI)、BLUETOOTH标准等。
一个或多个用户计算设备112c1-112c3中的任一者可包括用于访问成像服务器102和/或与配给服务器通信的移动设备和/或客户端设备。此类移动设备可包括一个或多个移动处理器和/或数字相机，该数字相机用于捕获图像，诸如入本文所述的图像(例如，如本文针对图5A至图5G所描述的图像或图像集500a至500f中的任一者或多者)。在各个方面中，用户计算设备112c1-112c3可包括移动电话(例如，蜂窝电话)、平板设备、个人数据助理(PDA)等，作为非限制性示例，包括APPLE iPhone或iPad设备或基于GOOGLE ANDROID的移动电话或平板电脑。
在附加的方面，用户计算设备112c1-112c3可包括零售计算设备。零售计算设备可包括以与移动设备相同或类似的方式配置的用户计算机设备(例如，如本文针对用户计算设备112c1-112c3所述)，包括具有处理器和存储器，以用于实施或通信(例如，经由服务器102)，如本文所述。另外地或另选地，零售计算设备可位于、安装或以其他方式定位在零售环境内，以允许零售环境的用户和/或顾客在零售环境内现场利用基于AI的隐写系统和方法。例如，零售计算设备可安装在售货亭内以供用户访问。然后，用户可将图像(例如，从用户移动设备)上传或传递到售货亭以实现本文所述的基于AI的隐写系统和方法。另外地或另选地，售货亭可被配置有相机，从而允许用户拍摄新图像以检测假冒产品和/或用于上载和传递到服务器102。在此类方面，用户将能够使用零售计算设备以在零售计算设备的显示屏上接收和/或呈现产品是真实的还是假冒的指示，如本文所述。
在各个方面中，一个或多个用户计算设备112c1-112c3可实现或执行操作系统(OS)或移动平台，诸如Apple的iOS和/或Google的Android操作系统。一个或多个用户计算设备112c1-112c3中的任一者可包括用于存储、实现或执行计算指令或代码(例如，应用程序(app))的一个或多个处理器和/或一个或多个存储器，如本文的各个方面中所述。如图1所示，如本文所述的基于AI的成像模型108和/或成像应用程序或至少其部分也可被本地存储在用户计算设备(例如，用户计算设备112c1)的存储器上。
用户计算设备112c1-111c3和/或112c1-112c3可包括无线收发器以向基站112b传输无线通信121和/或122并从基站接收无线通信。在各个方面，基于像素的图像(例如，如本文针对图5A至图5G所描述的图像或图像集500a至500f)可经由计算机网络120传输到成像服务器102以用于如本文所述的模型(例如，基于AI的成像模型108)的训练和/或成像分析。
此外，一个或多个用户计算设备112c1-112c3可包括数字相机和/或数字视频相机，其用于捕获或拍摄数字图像和/或帧(例如，其可以是如本文针对图5A至图5G所描述的图像或图像集500a至500f中的任一者或多者，诸如图像500d1a，如图像500d1a所示)。每个数字图像可包括用于训练或实现如本文所述的模型(诸如AI或机器学习模型)的像素数据。例如，(例如，用户计算设备112c1-112c3中的任一者的)数字相机和/或数字视频相机可被配置为拍摄、捕获或以其他方式生成数字图像(例如，如本文针对图5A至图5G所描述的基于像素的图像或图像集500a至500f)，并且至少在一些方面，可将此类图像存储在相应用户计算设备的存储器中。另外地或另选地，此类数字图像也可被传输到和/或存储在服务器102的存储器106和/或数据库105上。
更进一步，一个或多个用户计算机设备112c1-111c3和/或112c1-112c3中的每一者可包括用于显示图形、图像、文本、产品真实性或假冒信息、数据、像素、特征和/或如本文所述的其他此类可视化或信息的显示屏。在各个方面，可从成像服务器102接收图形、图像、文本、产品真实性或假冒信息、数据、像素、特征和/或其他此类可视化或信息，以用于在用户计算机设备112c1-112c3中的任一者或多者的显示屏上显示。附加地或另选地，用户计算机设备可包括、实现、访问、呈现或以其他方式至少部分地暴露界面或图形用户界面(GUI)以用于在其显示屏上显示文本和/或图像。
在一些方面，在服务器(例如，服务器102)处和/或在移动设备(例如，移动设备112c1)处执行的计算指令和/或应用程序可以可通信地连接，以用于分析图像或图像集的像素数据(例如，如本文针对图5A至图5G所描述的图像或图像集500a至500f)，从而用于基于图像分类来检测产品是真实的还是假冒的，如本文所述。例如，服务器102的一个或多个处理器(例如，处理器104)可经由计算机网络(例如，计算机网络120)通信地耦接到移动设备。在此类方面中，成像应用程序可包括被配置为在服务器(例如，服务器102)的一个或多个处理器上执行的服务器应用程序部分以及被配置为在移动设备(例如，一个或多个用户计算设备112c1-112c3中的任一者)的一个或多个处理器上执行的移动应用程序部分。在此类方面，服务器应用程序部分被配置为与移动应用程序部分通信。服务器应用程序部分或移动应用程序部分可各自被配置为实现或部分地实现以下中的一者或多者：(1)接收产品的新图像，该新图像包括如由数字相机捕获的数字图像，并且该新图像包括产品的至少一部分的像素数据；(2)由基于AI的成像模型针对一个或多个真实隐写特征的基于像素的特征存在或不存在分析新图像的像素数据以确定产品的图像分类，其中图像分类可选自基于AI的成像模型的一个或多个图像分类；和/或(3)基于图像分类来检测产品是真实的还是假冒的。
图1还包括打印机130。在各个方面，打印机130经由网络120连接到服务器102并且可接收打印提交或命令以在产品或产品基底上打印产品代码、隐写特征或其他特征。例如，打印机130可包括在线打印机，并且可被配置用于在各种介质中或以不同方式(例如，连续喷墨、激光、热传递、压花等)进行打印。在一些方面，打印机130是在服务器102的所有者或操作者的引导或控制下的打印机，其中打印机130是相同网络的一部分。在其他方面，打印机可以是在第三方的引导或控制下的打印机，并且可经由互联网连接到服务器102。
控制打印机130以在基底上打印产品代码，包括连续喷墨、热喷墨、按需喷墨、热转印打印机、或激光烧蚀或其他激光标记设备、热熔蜡打印机。另一方面可以是使用数字艺术品打印机来打印代码。基底可以为任何期望的基底，包括多孔材料和无孔材料、初级包装和次级包装、以及产品本身，通常为消费品。
在各个方面，服务器102的处理器104被配置为执行指令以选择用于在不同版本的产品上打印的一个或多个真实隐写特征的集合。不同版本的产品可以是旧或先前的产品，其中艺术品可能已改变。此外，相同产品可在艺术品方面具有不同版本的不同隐写特征。在一些方面，当谈到其中并入的艺术品和隐写特征时，产品的单个SKU或字母数字代码可具有不同的变化。
服务器102的处理器104可被进一步配置为执行指令以生成打印提交，从而用于由打印机130在不同版本的产品的基底上打印或增强一个或多个真实隐写特征的集合。打印提交可由服务器102通过网络120发送到打印机130以用于在产品或产品基底上打印标签、批次代码、艺术品(具有真实隐写特征)。
图2示出了根据本文公开的各个方面的在图1的示例性计算设备(例如，用户计算设备112c1)的显示屏201上呈现的示例性用户界面202。例如，如图2的示例所示，用户界面202可经由在用户计算设备112c1上执行的应用程序(应用程序(app))来实现或呈现。例如，如图2的示例所示，用户界面202可经由在用户计算设备112c1上执行的本机应用程序来实现或呈现。在图2的示例中，用户计算设备112c1是如针对图1所述的用户计算机设备，例如，其中112c1被示出为实现APPLE iOS操作系统并具有显示屏201的APPLE iPhone。用户计算设备112c1可在其操作系统上执行一个或多个本机应用程序(app)，包括例如本文所述的成像应用程序。此类本机应用程序可以以由用户计算设备操作系统(例如，APPLE iOS)通过用户计算设备112c1的处理器执行的计算语言(例如，SWIFT)来实现或编码(例如，作为计算指令)。
附加地或另选地，用户界面202可经由web接口来实现或呈现，诸如经由web浏览器应用程序，例如Safari和/或Google Chrome应用程序，或其他此类web浏览器等。
如图2的示例所示，用户界面202包括图像，例如产品500d1ap的图像500d1a。在图2的方面，图像500d1a包括新图像(例如，由用户计算设备112c1的数字相机捕获的数字图像)，其中(例如，图像500d1a的)新图像包括如本文所述的产品(例如，500d1ap)的至少一部分的像素数据(例如，对应于特征500d1af的像素数据)。在图2的示例中，产品(例如，产品500d1ap)的图像500d1a包括对应于一个或多个真实隐写特征的一个或多个隐写特征(例如，特征500d1af)。例如，图像500d1a的区域包括包含特征500d1af的像素数据。特征500d1af描绘了打印在产品500d1ap的基底表面上的以凸起或压花元件的形式的真实隐写特征。
在一些方面，基于AI的成像模型(例如，基于AI的成像模型108)可通过图像500d1a进行训练以识别真实隐写特征(例如，特征500d1af)。
在其他方面，一旦被训练，基于AI的成像模型(例如，基于AI的成像模型108)就可用于：(1)接收包括产品的至少一部分的像素数据(例如，特征500d1af的像素数据)的产品(例如，图像500d1a)的新图像；(2)由基于AI的成像模型(例如，基于AI的成像模型108)针对一个或多个真实隐写特征的基于像素的特征存在或不存在分析新图像的像素数据以确定产品的图像分类，图像分类选自基于AI的成像模型的一个或多个图像分类；以及(3)基于图像分类来检测产品是真实的还是假冒的。
例如，在一些方面，当由计算设备(例如，用户计算设备112c1)的一个或多个处理器执行时，隐写应用程序的计算指令被配置为致使一个或多个处理器在计算设备的显示屏(例如，显示屏201)上呈现产品是真实的还是假冒的指示(例如，指示210)。
另外地或另选地，在一些方面，当由计算设备(例如，用户计算设备112c1)的一个或多个处理器执行时，隐写应用程序的计算指令被配置为致使一个或多个处理器在计算设备的显示屏(例如，显示屏201)上呈现产品的新图像内的一个或多个真实隐写特征的基于像素的特征存在或不存在的视觉或图形指示。例如，在图2的示例中，特征500d1af可通过突出显示、颜色、缩放、画圆圈等进行视觉或图形注释以指示图像500d1a中存在特征500d1af。在其他方面，在不存在特征的情况下，可显示或示出消息或图形(未示出)以指示未示出此类特征。此类消息或图形可指示产品是假冒的，因为在图像中缺失或未找到特征(例如，真实隐写特征)。
在各个方面，新图像(例如，图像500d1a)(例如，具有产品(例如，产品500d1ap)的新图像内的一个或多个真实隐写特征(例如，特征500d1af)的基于像素的特征存在或不存在的视觉或图形指示，和/或产品是真实的还是假冒的指示(例如，指示210))可经由计算机网络(例如，从成像服务器102和/或一个或多个处理器)传输到用户计算设备112c1，以用于在显示屏201上呈现。在其他方面，没有发生用户的特定图像到成像服务器的传输，其中产品(例如，产品500d1ap)的新图像内的一个或多个真实隐写特征(例如，特征500d1af)的基于像素的特征存在或不存在的视觉或图形指示和/或产品是真实的还是假冒的指示(例如，指示210)可替代地由在用户的移动设备(例如，用户计算设备112c1)上执行和/或实现的基于AI的成像模型(例如，基于AI的成像模型108)本地生成，并且由移动设备的处理器呈现在移动设备(例如，用户计算设备112c1)的显示屏201上。
在一些方面，产品(例如，产品500d1ap)的新图像内的一个或多个真实隐写特征(例如，特征500d1af)的基于像素的特征存在或不存在的视觉或图形指示和/或产品是真实的还是假冒的指示(例如，指示210)中的任一者或多者可在接收或捕获新图像(例如，图像500d1a)期间或之后实时或接近实时地呈现(例如，在显示屏201上本地呈现)。在其中由成像服务器102分析新图像的方面，可由成像服务器102实时或接近实时地传输和分析图像。
在一些方面，用户可提供新图像，该新图像可被传输到成像服务器102以用于由基于AI的成像模型108更新、重新训练或重新分析。在其他方面，新图像可在计算设备112c1上本地接收，并且由基于AI的成像模型108在计算设备112c1上分析。
在各个方面，产品(例如，产品500d1ap)的新图像内的一个或多个真实隐写特征(例如，特征500d1af)的基于像素的特征存在或不存在的视觉或图形指示和/或产品是真实的还是假冒的指示(例如，指示210)可经由计算机网络从服务器102传输到用户的用户计算设备以用于在用户计算设备(例如，用户计算设备112c1)的显示屏201上呈现。
在其他方面，没有发生用户的新图像到成像服务器的传输，其中产品(例如，产品500d1ap)的新图像内的一个或多个真实隐写特征(例如，特征500d1af)的基于像素的特征存在或不存在的视觉或图形指示和/或产品是真实的还是假冒的指示(例如，指示210)可替代地由在用户的移动设备(例如，用户计算设备112c1)上执行和/或实现的基于AI的成像模型(例如，基于AI的成像模型108)本地生成，并且由移动设备的处理器呈现在移动设备(例如，用户计算设备112c1)的显示屏上。
图3示出了根据本文公开的各个方面的用于分析产品的像素数据以检测产品假冒的示例性基于人工智能(AI)的隐写方法300。在框302处，基于AI的隐写方法300包括由计算设备的一个或多个处理器通过多个训练图像的像素数据来训练基于AI的成像模型(例如，基于AI的成像模型108)。基于AI的成像模型可被实现和/或训练为或具有卷积神经网络(CNN)模型和/或基于决策树的模型，如本文针对图4A和图4B所述的。
基于AI的成像模型(例如，基于AI成像模型108)被训练或以其他方式配置为输出对应于一个或多个真实隐写特征的基于像素的特征存在或不存在的一个或多个图像分类。
在各个方面，基于AI的成像模型(例如，基于AI的成像模型108)是通过至少一个AI算法训练的基于人工智能(AI)的模型。基于AI的成像模型108的训练涉及用于配置基于AI的成像模型108的权重的训练图像的图像分析，以及用于预测和/或分类未来图像的其潜在算法(例如，机器学习或人工智能算法)。例如，在本文的各个方面，基于AI的成像模型108的生成涉及通过多个训练图像来训练基于AI的成像模型108，该多个训练图像包括：(1)图像的第一子集，其各自描绘具有一个或多个真实隐写特征(例如，在图像500d1a的像素数据内描绘的特征500d1af)的产品(例如，产品500d1ap)的至少一部分，和(2)图像的第二子集，其各自描绘不含一个或多个真实隐写特征的产品(例如，产品500d1np)的至少一部分。在一些方面，服务器或基于云的计算平台(例如，成像服务器102)的一个或多个处理器可经由计算机网络(例如，计算机网络120)接收多个训练图像。在此类方面中，服务器和/或基于云的计算平台可通过多个训练图像的像素数据来训练基于AI的成像模型。
在各个方面，可使用监督或无监督的机器学习程序或算法来训练如本文所述的机器学习成像模型(例如，基于AI的成像模型108)。机器学习程序或算法可采用神经网络，该神经网络可以是卷积神经网络、深度学习神经网络、或组合学习模块或程序，其学习在特定感兴趣区域中的两个或更多个特征或特征数据集(例如，像素数据)。机器学习程序或算法还可包括自然语言处理、语义分析、自动推理、回归分析、支持向量机(SVM)分析、决策树分析、随机森林分析、K最近邻分析、朴素初贝叶斯分析、聚类、增强学习和/或其他机器学习算法和/或技术。在一些方面，基于人工智能和/或机器学习的算法可被包括为在成像服务器102上执行的库或分组。例如，库可包括基于TENSORFLOW的库、PYTORCH库和/或SCIKIT-LEARN Python库。
机器学习可涉及识别和确认现有数据中的模式(诸如在如本文所述的图像的像素数据中的真实隐写特征(或其缺乏))以便促进针对后续数据进行预测、分类和/或识别(诸如对新图像的新像素数据使用模型以便确定或生成针对产品是真实的还是假冒的或与其相关联的分类或预测，基于图像分类或预测来检测产品是真实的还是假冒的)。
可基于示例性数据(例如，“训练数据”和相关像素数据)输入或数据(其可被称为“特征”和“标签”)来创建和训练机器学习模型(诸如本文针对一些方面所述的基于AI的成像模型)以便对新输入(诸如测试水平或生产水平数据或输入)进行有效且可靠的预测。在监督机器学习中，在服务器、计算设备或另外的处理器上操作的机器学习程序可被设置有示例性输入(例如，“特征”)及其相关联的或观察到的输出(例如，“标签”)，以便例如通过跨各种特征类别确定权重或其他度量和/或将权重或其他度量分配给模型来使机器学习程序或算法确定或发现将此类输入(例如，“特征”)映射到输出(例如，“标签”)的规则、关系、模式或另外的机器学习“模型”。然后，此类规则、关系或另外的模型可被提供作为后续输入以便使在服务器、计算设备或另外的处理器上执行的模型基于所发现的规则、关系或模型来预测预期输出。
在无监督机器学习中，可能要求服务器、计算设备或另外的处理器在未标记的示例性输入中找到其自身的结构，其中例如多个训练迭代由服务器、计算设备或另外的处理器执行以训练多个模型生成，直到生成了令人满意的模型，例如在被给予测试水平或生产水平数据或输入时提供足够预测准确度的模型。
监督学习和/或无监督机器学习还可包括重新训练模型、重新学习模型、或通过新的或不同的信息以其他方式更新模型，该信息可包括随时间推移接收、摄入、生成或以其他方式使用的信息。本文的公开内容可使用此类监督或无监督机器学习技术中的一者或两者。
在各个方面，基于AI的成像模型(例如，基于AI的成像模型108)由一个或多个处理器(例如，服务器102的一个或多个处理器104和/或计算机用户设备诸如移动设备的处理器)通过多个训练图像的像素数据来训练，例如，(1)图像的第一子集(例如，如针对图5A至图5G所述的图像501a1、500ba1-500ba7、500c1a-500c2a、500d1a、500e1a1-500e1a2、500f1-500f2和/或500gc中的任一者或多者)，其各自描绘具有一个或多个真实隐写特征(例如，特征500af、500ba1f、500ba2f、500ba3f、500ba4f、500ba5f、500ba6f1、500ba6f2、500ba7f、500c1af、500c2af、500d1af、500ea1f、500ea2f、500fdm、500fqr和/或500grf)的产品的至少一部分，和(2)图像的第二子集(例如，如针对图5A至图5G所述的图像500bn、500c1n-500c2n、500d1n、500e1n和/或500gr中的任一者或多者)，其各自描绘不含一个或多个真实隐写特征的产品的至少一部分。在各个方面，基于AI的成像模型(例如，基于训练AI的成像模型108)被配置为输出产品的图像分类。
在各个方面，基于训练AI的成像模型108可以是包括多个模型或子模型的集成模型，包括如本文所述的由相同和/或不同AI算法训练并且被配置为一起操作的模型。例如，在一些方面，可训练每个模型以识别或预测给定图像的图像分类，其中每个模型可输出或确定图像的分类，使得可通过一个或多个图像分类对给定图像进行识别、分配、确定或分类。
训练基于AI的成像模型(例如，基于成像模型108)以基于对产品的正常和/或更改图像中的图像进行的图像分析以及此类图像是否具有(或没有)给定图像内的隐写特征的一些或全部来确定产品是真实的还是假冒的。在各个方面，多个训练图像可包括：(1)图像的第一子集(例如，如针对图5A至图5G所述的图像501a1、500ba1-500ba7、500c1a-500c2a、500d1a、500e1a1-500e1a2、500f1-500f2和/或500gc中的任一者或多者)，其各自描绘具有一个或多个真实隐写特征(例如，特征500af、500ba1f、500ba2f、500ba3f、500ba4f、500ba5f、500ba6f1、500ba6f2、500ba7f、500c1af、500c2af、500d1af、500ea1f、500ea2f、500fdm、500fqr和/或500grf)的产品的至少一部分，和(2)图像的第二子集(例如，如针对图5A至图5G所述的图像500bn、500c1n-500c2n、500d1n、500e1n和/或500gr中的任一者或多者)，其各自描绘不含一个或多个真实隐写特征的产品的至少一部分。
图像的第一子集和图像的第二子集的每个图像包括像素数据。此类像素数据可在各个方面使用，包括例如(1)训练基于AI的成像模型108；(2)由基于AI的成像模型针对一个或多个真实隐写特征的基于像素的特征存在或不存在分析新图像的像素数据以确定产品(例如，如本文针对图2和图5D所述的图像500d1a中描绘的产品500d1ap)的图像分类；和/或(3)基于图像分类来检测产品是真实的还是假冒的，如本文针对图4A和图4B所述。
在一些方面，多个训练图像中的一者或多者可包括产品(例如，如本文针对图2和图5D所述的图像500d1a中描绘的产品500d1ap)的多个角度或视角。由于计算指令被训练或以其他方式配置为分析新图像(用于确定给定图像的真实性或假冒)，因此产品的此类多个角度提高了基于AI的成像模型108的准确性，其中新图像可由数字相机以各种或多个角度、视角和/或不同的有利点捕获。
另外地或另选地，用于训练基于AI的成像模型108的多个训练图像中的一者或多者可各自包括与相应原始图像相比具有减小的像素计数的裁剪图像。在此类方面，裁剪图像将包括隐写特征(例如，特征500af、500ba1f、500ba2f、500ba3f、500ba4f、500ba5f、500ba6f1、500ba6f2、500ba7f、500c1af、500c2af、500d1af、500ea1f、500ea2f、500fdm、500fqr和/或500grf中的任一者或多者)，其用于训练或执行基于AI的成像模型108以检测真实或假冒的产品。例如，裁剪特征可包括具有一个或多个真实隐写特征的产品(例如，具有特征500d1af的产品500d1ap)的一部分或不含一个或多个真实隐写特征的产品(例如，缺乏任何特征诸如特征500d1af的产品500d1np)的一部分。
在一些方面，多个训练图像可包括图像的第三子集，其各自描绘具有一个或多个现实假冒特征的给定产品的至少一部分。在此类方面，可通过图像的第三子集进一步训练基于AI的成像模型。以这种方式，基于AI的成像模型(例如，基于AI的成像模型108)可通过附加训练数据(包括附加图像和/或特征(或其缺乏))来更新、增强或改进，以便提高基于AI的成像模型108基于图像分类来检测或确定产品是真实的还是假冒的准确度。
在各个方面，基于AI的成像模型108优选地分析或使用如可能在图像中检测到的多个真实隐写特征(例如，特征500af、500ba1f、500ba2f、500ba3f、500ba4f、500ba5f、500ba6f1、500ba6f2、500ba7f、500c1af、500c2af、500d1af、500ea1f、500ea2f、500fdm、500fqr和/或500grf中的两者或更多者)以基于图像分类来确定给定产品是真实的还是假冒的。例如，基于AI的成像模型优选地被提供具有多个隐写特征(或其缺乏)的新图像并且可检测两个或更多个(例如，可能六个)特征的存在或不存在，以便基于图像分类来检测或确定产品是真实的还是假冒的。
参考图3，在框304处，基于AI的隐写方法300包括由一个或多个处理器(例如，服务器102和/或用户计算设备112c1的处理器)接收产品(例如，如本文针对图2和图5D所述的图像500d1a中描绘的产品500d1ap)的新图像(例如，图像500d1a)。新图像可包括由(例如，用户计算设备112c1的)数字相机捕获的数字图像。新图像还可包括产品特征的至少一部分的像素数据(例如，具有对应于特征500d1af的像素数据的产品500d1ap)。
参考图3，在框306处，基于AI的隐写方法300包括由基于AI的成像模型(例如，基于AI的成像模型108)针对一个或多个真实隐写特征(例如，特征500d1af)的基于像素的特征存在或不存在分析新图像(例如，图像500d1a)的像素数据以确定产品的图像分类。图像分类可选自基于AI的成像模型的一个或多个图像分类。例如，在各个方面，图像分类可包括以下中的一者或多者：(1)假冒产品分类；和(2)真实产品分类，如本文针对图4A和图4B所述。
参考图3，在框308处，基于AI的隐写方法300包括由一个或多个处理器基于图像分类来检测产品是真实的还是假冒的。给定产品是真实的还是假冒的检测可经由显示屏经由文本、图形或另外的视觉指示(例如，如本文针对图2所描述的，例如，指示210和/或对给定产品图像的叠加或注释)来指示。
图4A和图4B描述了用于分析给定(例如，新)图像以及基于确定的图像分类来检测产品是真实的还是假冒的基于AI的成像模型108的示例性版本，其被实现为基于CNN的AI模型和决策树模型。参考图4A和图4B，一个或多个处理器(例如，服务器102和/或用户计算设备112c1的处理器)可训练基于AI的成像模型108(例如，如图4A的CNN模型400)以针对产品的给定(例如，可疑)图像检测和/或识别隐写特征(例如，真实隐写特征1-64(422-428)或其缺乏，如针对图4A所述的)。决策树(例如，决策树450)可用于基于各种隐写特征(例如，真实隐写特征1-64(422-428))的图像分类来检测产品是真实的还是假冒的。
图4A示出了根据本文公开的各个方面的示例性基于AI的成像模型(CNN模型400)。在图4A的示例中，基于AI的成像模型108可使用卷积神经网络(“ConvNet”或“CNN”)模型来对图像进行分类。CNN包括可用于图像识别和分类的机器学习类型的预测模型。CNN可对数字图像进行操作，其中例如此类图像被表示为像素值。在某些方面，CNN模型400可用于基于所提供图像的真实隐写特征1-64(422-428)或其缺乏来确定产品的图像分类。
CNN模型400可使用从如下文所讨论的卷积、池化和非线性和/或完全连接的操作或层学习的特征，以用于基于训练数据集将输入图像(例如，图像500d1a)分类或确定成各种类别。训练CNN可涉及根据训练集确定CNN的最佳权重和参数(如本文所述的各种CNN操作中使用的)以准确地对图像进行分类，并且因此允许更好的预测。如本文所述，卷积、非线性和池化操作(例如，操作402-408中的任一者或多者)充当从输入图像的特征提取器，并且完全连接层(例如，神经网络412)充当分类器。例如，当新(未看过)图像被输入到CNN中时，CNN可执行正向传播以输出每个类别的概率或值(例如，作为针对真实隐写特征1-64(422-428)的输出)。
通常，CNN可用于通过使图像穿过一系列计算操作层来确定给定图像的一个或多个分类。通过针对各种层进行训练和利用各种层，CNN模型可确定图像属于特定类别或具有特定类别的概率。
例如，CNN模型400可被训练或以其他方式配置为输出对应于隐写特征的图像分类。例如，真实隐写特征1 422可对应于如图2和图5D所示的特征500d1af。真实隐写特征2424可对应于如图5C所示的特征500c1af。真实隐写特征3 426可对应于如图5E所示的特征500ea2f。应理解，CNN模型400可输出对应于其他隐写特征的其他分类，包括如本文针对图5A至图5G所描述的那些。
CNN模型400可被训练或以其他方式配置为输出图像分类，该图像分类可包括布尔值、标量值、百分比值、或指示隐写特征(例如，在给定图像内检测到或未检测到的真实隐写特征1-64(422-428)))的存在或不存在的其他此类值。
更一般地，针对给定图像或图像数据，CNN可在CNN的不同或多个层处使用若干图像处理操作，其可包括卷积(例如，卷积操作402或406)、池化(例如，池化操作404或408)、非线性(例如，ReLU激活)和分类(例如，通过完全连接神经网络412的分类)。卷积操作可从输入图像(例如，图像500d1a)中提取特征(例如，像素)。例如，图像500d1a可包括由8兆像素数字相机(例如，用户计算设备112c1的数字相机)捕获的3840×2160(4K)图像。然而，应理解，具有不同兆像素能力的其他相机类型所捕获的其他图像尺寸和大小可用于捕获用于输入到CNN模型400中的图像。
通常，卷积操作通过使用来自图像的输入数据的小正方形(诸如图像(诸如图像500d1a)的像素或像素组)学习图像特征来保持图像(例如，图像500d1a)的像素之间的空间关系。输入数据取自原始图像的不同部分(例如，区块或正方形)，其中每个输入部分可被描述为“特征检测器”(即，“滤波器”或“核”)。卷积操作在原始图像的像素上应用(即，在图形或位置操作中，滑动)滤波器以生成描述图像的一个或多个相应“卷积特征”(即，“激活映射”或“特征映射”)。以此方式，滤波器充当原始输入图像的特征检测器，其可用于确定感兴趣的物品(例如，如针对图5A至图5G所述的图像501a1、500ba1-500ba7、500c1a-500c2a、500d1a、500e1a1-500e1a2、500f1-500f2和/或500gc中的任一者或多者内的隐写特征(例如，特征500af、500ba1f、500ba2f、500ba3f、500ba4f、500ba5f、500ba6f1、500ba6f2、500ba7f、500c1af、500c2af、500d1af、500ea1f、500ea2f、500fdm、500fqr和/或500grf)中的任一者或多者)。
CNN模型(诸如CNN模型400)可在训练过程期间自己学习滤波器的值。通常，滤波器越多(例如，如由卷积操作402和406确定)，提取的图像特征越多，并且更多改进的CNN模型变得善于识别图像中的模式或重要特征。特征映射的尺寸404s可由在执行卷积操作之前和/或在执行卷积操作时确定的参数来控制。这些参数可包括卷积操作的“深度”(例如，404d或408d)或用于卷积操作的滤波器的数量，该卷积操作可用于产生不同的特征映射。可将特征映射设想为图像的堆叠2D矩阵(例如，404d或408d)，使得使用三个滤波器的特征映射将具有为三的深度。另一个参数可以是“步幅”值，其是滤波器在图像上滑动的像素数。具有较大步幅将产生较小特征映射。另一个参数涉及“零填补”，其是在边界周围用零填补输入图像的方法。填补允许控制特征映射的尺寸。另一个参数是通道的数量(例如，n1 404c或n2 408c)，其是像素或像素区域的变化(诸如颜色变化(例如，RGB颜色光谱中的不同颜色的RGB通道))的数量。
池化是可在CNN模型中使用的另一个操作或层(例如，池化操作404或408)。池化(即，也“子采样”或“下采样”)减小每个特征映射的大小(例如，像素值的数量)，但保留最重要的信息，诸如特征映射的最大值、平均值、总和等，其可聚焦于图像的特征(例如，特征500af、500ba1f、500ba2f、500ba3f、500ba4f、500ba5f、500ba6f1、500ba6f2、500ba7f、500c1af、500c2af、500d1af、500ea1f、500ea2f、500fdm、500fqr和/或500grf)。例如，在最大池化方面，可识别来自经整合的特征映射的最大元素(例如，图块或像素组中的最大值)，并且将其用作整个图块或组的代表性值。在另一个方面，可使用该组或图块中的所有元素的平均值值(平均池化)或总和。
池化减小了输入表示的空间尺寸并且提供对整个CNN模型的若干增强，包括使输入表示(特征大小)更小且更可控，从而减小网络中的参数和计算的数量，因此控制过拟合，并且使CNN对于输入图像中的小失真和平移有承受力。因此，池化允许检测特征，诸如图像中的感兴趣的物品(例如，如针对图5A至图5G描述的图像501a1、500ba1-500ba7、500c1a-500c2a、500d1a、500e1a1-500e1a2、500f1-500f2和/或500gc中的任一者或多者内的隐写特征中的任一者或多者)，尽管在特定类别的图像中存在差异。
非线性是可用于CNN模型(例如，基于AI的成像模型108)的另一个操作或层。该层用于将非线性引入到CNN模型中，因为大多数的现实世界图像和图像数据包括非线性模式。相比之下，卷积操作是线性的并且提供逐元素矩阵相乘和相加。因此，可经由非线性函数410r(诸如ReLU、Tanh或Sigmoid)将非线性引入模型中以提高预测模型的准确度。例如，ReLU代表经整合的线性单元，并且是逐元素操作(对于每个像素应用)，并且可用不同值(诸如零值)替换特征映射中的所有负像素值。ReLU函数的输出特征映射可被称为“经整合的”特征映射410fm，其可被称为“扁平”数据(诸如阵列中的数据)，该数据可用作完全连接层(例如，神经网络412)的输入，该完全连接层可为图像内检测到的特征提供分类或确定(例如，如在给定图像内检测到或未检测到的一个或多个真实隐写特征1-64(422-428)的分类或确定)。
在各个方面，各个倍数或排列和数量的卷积、非线性和池化操作和/或层可用于训练或实现CNN模型(例如，CNN模型400)。例如，如4A的示例中所示，图像500d1a被提供作为输入(如3840×2160×1像素数据)。第一卷积操作(402)可包括应用5×5滤波器以减小图像的维度(称为“有效填补”)。可应用于最大池化操作(404)以分析第一卷积操作的输出的2×2图块部分，从而确定每个图块部分的最大值。在一些方面，可应用卷积操作和最大池化操作(例如，406和408)以进一步减小维度或利用像素数据改善重要特征。然后可将ReLU函数(410r)应用于池化图像数据以向池化图像数据提供非线性。这些操作一起可从图像中提取有用特征(例如，感兴趣的物品，例如，如针对图5A至图5G所述的图像501a1、500ba1-500ba7、500c1a-500c2a、500d1a、500e1a1-500e1a2、500f1-500f2和/或500gc中的任一者或多者的隐写特征中的任一者或多者)以在CNN模型(例如，CNN模型400)中引入非线性，并且可减小特征大小以增强计算性能。以上操作可针对单个CNN模型重复任何次数。例如，一些CNN模型可具有数十个卷积层和池化层。应理解，在不同方面，卷积、非线性和池化操作的顺序可不同。例如，不必在每个卷积操作之后具有池化操作。
来自卷积、池化和非线性操作的输出可表示输入图像的高级特征，并且可进一步用于生成完全连接层，该完全连接层最终提供分类或确定值，例如，将像素分类或确定为真实隐写特征1-64(422-428)或其缺乏。在CNN中，术语“完全连接”意味着CNN模型400的神经网络(例如，神经网络412)的可为输入层的先前层(例如，层412l1)中的每个“神经元”(或节点)(例如，节点412l1n1)连接到下一层(例如，节点412l2n2)上的每个神经元(例如，节点412l2n1)。例如，相对于上述方面，在神经网络412的层412l1中可能存在128个完全连接层，其中在后续层(例如，层412l2中的64个层)中减小(“丢失”)层。完全连接层的输出层，诸如神经网络412的64节点输出层(层412l2n1)可用于生成或提供来自CNN模型的分类、确定和/或预测，例如，真实隐写特征1-64(422-428)或其缺乏。在一些方面，针对每个真实隐写特征1-64(422-428)或其缺乏的作为输出的值可以是基于布尔的，例如“1”或“0”(或“真”或“假”)，针对图像(例如，图像500d1a)中的给定特征分别指示检测到或没有检测到。在其他方面，针对每个真实隐写特征1-4 422-428的作为输出的值可以是基于标量或百分比的，诸如0.00至1.00或0至100的值，从而指示图像(例如，图像500d1a)中的特征的存在(或不存在)的量值或程度。
对于新图像(例如，图像500dpa)，使用优化的权重来计算输出概率以正确地对所有先前训练示例进行分类和/或最小化CNN模型400内的误差。例如，相对于基于图像分类来检测产品是真实的还是假冒的，在一个方面，训练和测试CNN可包括采取大图像数据集，诸如以下中的10,000s个图像：(1)图像的第一子集(例如，包括如针对图5A至图5G所述的图像501a1、500ba1-500ba7、500c1a-500c2a、500d1a、500e1a1-500e1a2、500f1-500f2和/或500gc中的任一者或多者)，其各自描绘具有一个或多个真实隐写特征的产品的至少一部分，和(2)图像的第二子集(例如，如针对图5A至图5G所述的图像500bn、500c1n-500c2n、500d1n、500e1n和/或500gr中的任一者或多者)，其各自描绘不含一个或多个真实隐写特征的产品的至少一部分。输入数据集可分成训练和验证集以及测试集。原始CNN模型的滤波器和权重可首先用随机值初始化。使用测试集作为输入，然后CNN可通过将训练集应用于卷积、ReLU、池化和完全连接操作来正向传播以确定多个分类中的每一者的输出概率。此时，“反向传播”技术可用于计算相对于网络中的所有权重的误差率。因此，可通过针对每个图像将预测类别与图像属于的实际类别进行比较来确定每个随机输出概率的误差率。然后可基于各种误差率计算模型的总误差。所有滤波器值和权重在CNN中更新以最小化总输出误差。权重和其他值可与其对总误差的贡献成比例地进行调整以最小化模型的总误差。
在已经通过减小误差率来训练模型(例如，CNN模型400)之后，然后可输入验证集以测试更新的模型，这可给出相对于实际图像为更准确的不同输出值或概率。以此方式，验证集可用于进一步训练CNN模型，从而通过调整模型的权重或滤波器以使得输出误差进一步减少来正确地对特定图像进行分类。在一些方面，如滤波器的数量、滤波器大小、网络的架构的参数可在训练CNN模型之前全部为固定的，并且因此需要在训练过程期间需要更新。在这种方面，仅与CNN的滤波器和权重相关联的值被更新。
最后，然后可使用测试数据集来进一步确定CNN模型的准确度，例如，CNN模型是否正确对新图像进行分类或分类的程度。
一个或多个处理器(例如，服务器102和/或用户计算设备112c1的处理器)可被配置为训练CNN模型400和/或生成如本文所述的由CNN模型400输出的预测、分类或确定中的任一者。
图4B示出了根据本文公开的各个方面的用于确定一个或多个图像分类的示例性决策树450或另外的算法。在一些方面，算法450可包括基于AI的成像模型108或CNN模型400的一部分。在其他方面，算法可与基于AI的成像模型108和/或CNN模型400分开地实现、执行和/或存储在存储器中。
决策树450采用或基于来自CNN模型400的输出来提供、输出或以其他方式确定图像(例如，图像500d1au)的图像分类。在各个方面，所确定的分类可包括以下中的一者或多者：(1)假冒产品分类；和(2)真实产品分类。例如，一个或多个处理器(例如，服务器102和/或用户计算设备112c1的处理器)使用此类分类来检测图像中的产品(例如，产品500dpa)是真实的还是假冒的。
例如，决策树450开始(452)于分析CNN模型400的一个或多个输出值，例如决策节点454处的真实隐写特征1 422。真实隐写特征1 422的值可以是基于布尔的(例如，“0”或“1”；或“真”或“假”)或者可以是基于标量或百分比的，诸如0.00至1.00或0至100的值，从而指示图像(例如，图像500d1a)中的特征的存在(或不存在)的量值或程度。在存在真实隐写特征1 422的情况下，例如，如正布尔值(例如，“真”或“1”)所指示的，或其中基于标量或百分比的值超过阈值量(例如，0.75或75％)，则决策树450算法行进到分析下一个真实隐写特征存在于何处。否则，如果不存在真实隐写特征1 422，例如，如负布尔值(“假”或“0”)所指示；或在基于标量或百分比的值低于阈值量(例如，0.75或75％)的情况下，则决策树450算法结束，并且输出或以其他方式提供假冒产品分类455(指示在图像内检测到假冒产品)。
假设在图像内检测到真实隐写特征1 422，则决策节点456处的真实隐写特征2424的值的分析开始。真实隐写特征1 424的值可以是基于布尔的(例如，“0”或“1”；或“真”或“假”)或者可以是基于标量或百分比的，诸如0.00至1.00或0至100的值，从而指示图像(例如，图像500d1a)中的特征的存在(或不存在)的量值或程度。在存在真实隐写特征1 424的情况下，例如，如正布尔值(例如，“真”或“1”)所指示的，或在基于标量或百分比的值超过阈值量(例如，0.60或60％)的情况下，则决策树450算法行进到分析下一个真实隐写特征存在于何处。否则，如果不存在真实隐写特征1 424，例如，如负布尔值(例如，“假”或“0”)所指示；或在基于标量或百分比的值低于阈值量(例如，0.60或60％)的情况下，决策树450算法结束，并且输出或以其他方式提供假冒产品分类457(指示在图像内检测到假冒产品)。
假设在图像内检测到真实隐写特征1 426，则决策节点458处的真实隐写特征3426的值的分析开始。真实隐写特征1 426的值可以是基于布尔的(例如，“0”或“1”；或“真”或“假”)或者可以是基于标量或百分比的，诸如0.00至1.00或0至100的值，从而指示图像(例如，图像500d1a)中的特征的存在(或不存在)的量值或程度。在存在真实隐写特征1 426的情况下，例如，如正布尔值(例如，“真”或“1”)所指示的，或在基于标量或百分比的值超过阈值量(例如，0.90或90％)的情况下，则决策树450算法行进到分析下一个真实隐写特征存在于何处。否则，如果不存在真实隐写特征1 426，例如，如负布尔值(例如，“假”或“0”)所指示，或在基于标量或百分比的值低于阈值量(例如，0.90或90％)的情况下，决策树450算法结束，并且输出或以其他方式提供假冒产品分类459(指示在图像内检测到假冒产品)。
在所有真实隐写特征(例如，真实隐写特征1-3(422-426))已经被分析并确定为存在之后，则基于AI的成像模型108和/或实现决策450算法的另外的一个或多个处理器(例如，服务器102和/或用户计算设备112c1的处理器)输出产品的真实产品分类460。
产品的图像分类(例如，此分类是假冒产品分类455-459中的一者还是真实产品分类460)可用于基于图像分类来检测产品(例如，产品500dpa)是真实的还是假冒的。
应当理解，附加或更少的决策节点、层、分支或另外的块可用于决策树450，使得本文考虑了节点或分支的任何和所有水平和/或数量，以用于基于图像分类来确定或检测产品是真实的还是假冒的。
图5A至图5G示出了隐写特征的示例性图像。具体地，图5A至图5G示出了可用于训练和/或执行基于AI的成像模型108的示例性图像，其中此类图像包括：图像的第一子集，其各自描绘具有一个或多个真实隐写特征的产品的至少一部分，和(2)图像的第二子集，其各自描绘不含一个或多个真实隐写特征的产品的至少一部分，或者另外包括如本文所述的图像内的一个或多个真实隐写特征的基于像素的存在或不存在。应当理解，对于图5A至图5G的示例性图像的公开内容在本质上是示例性的，并且还可分析或使用产品和/或隐写特征的其他类似或不同图像，诸如用于训练或执行如本文所述的基于AI的成像模型108、CNN模型400和/或决策树450。
在各个方面，图5A至图5G的图像可包括由如本文所述的数字相机捕获的图像。例如，像素数据可由用户计算设备(例如，一个或多个用户计算机设备112c1-112c3)中的一者的数字相机捕获。图5A至图5G的图像中的任何图像可经由计算机网络120传输到服务器102，如图1所示。
另外地或另选地，图5A至图5G的图像中的任何图像和/或其相应隐写特征可如本文所述的那样根据其他图像生成、更新和/或注释。例如，可通过选择或更改一个或多个预定隐写特征来生成图像的一个或多个真实隐写特征。另外地或另选地，不含真实隐写特征的图像可包括通过从最初描绘此类特征的图像中删除或注释一个或多个预定隐写特征的至少一部分来生成的合成图像。更进一步地，另外地或另选地，不含真实隐写特征的图像可包括通过删除或注释一个或多个真实隐写特征的至少一部分来生成的合成图像。更进一步，基于给定图像或图像集内的一个或多个真实隐写特征的基于像素的特征存在或不存在，不含真实隐写特征的图像可包括与具有真实隐写特征的图像的视觉或像素差异。应理解，可通过向现有图像添加和/或删除此类特征来生成和创建具有隐写特征和/或不具有(不含)隐写特征的任何数量的图像，由此创建用于训练AI模型(例如，基于AI的成像模型108和/或CNN模型400等)的图像。在各个方面，可通过修改正常(未修改或原始)艺术品或批次代码来添加或更改此类隐写特征，以便提供如本文所述的用于打印在产品和/或产品基底上以提供防伪措施的隐写代码。
图5A至图5G的图像包括可用于训练和/或实施基于AI的成像模型108和/或CNN模型400的像素数据，如本文所述。也就是说，图5A至图5G的图像中的每一者可包括像素数据(例如，红绿蓝(RGB)数据)，该像素数据包括对应于相应图像内的隐写特征或其缺乏的特征数据。通常，相对于如本文所述的数字图像，像素数据(例如，图4A的图像的包装更改特征500af的像素数据)包括图像内的数据的单独点或正方形，其中每个点或正方形表示图像内的单个像素(例如，图4A的图像的包装更改特征500af的像素中的每一者)。每个像素可位于图像内的特定位置处。此外，每个像素可具有特定颜色(或缺乏其)。像素颜色可通过与给定像素相关联的颜色格式和相关通道数据来确定。例如，流行的颜色格式包括具有红色、绿色和蓝色通道的RGB格式。也就是说，在RGB格式中，像素的数据由三个数字RGB分量(红色、绿色、蓝色)表示，其可被称为通道数据，以操纵图像内的像素区域的颜色。在一些实施方案中，三个RGB分量可表示为每个像素的三个8位数字。三个8位字节(针对每个RGB有一个字节)可用于生成24位颜色。每个8位RGB分量可具有256个可能值，范围从0到255(即，在基础2二进制系统中，8位字节可包含在0到255范围内的256个数字值中的一者)。这个通道数据(R、G和B)可被分配可用于设置像素颜色的0到255的值。例如，三个值如(250,165,0)(意味着(红色＝250，绿色＝165，蓝色＝0))可表示一个橙色像素。作为另一示例，(红色＝255，绿色＝255，蓝色＝0)意味着各自完全饱和(255是8位可为的明亮)的红色和绿色，没有蓝色(零)，其中所得颜色为黄色。作为又一示例，颜色黑色具有RGB值(红色＝0，绿色＝0，蓝色＝0)并且白色具有RGB值(红色＝255，绿色＝255，蓝色＝255)。灰色的性质为具有相等或类似RGB值，例如(红色＝220，绿色＝220，蓝色＝220)是浅灰色(近似白色)，并且(红色＝40，绿色＝40，蓝色＝40)深灰色(近似黑色)。
以此方式，三个RGB值的复合为给定像素产生最终颜色。关于24位RGB颜色图像，使用3个字节来定义颜色，可能存在256个红色阴影和256个绿色阴影及256个蓝色阴影。这为24位RGB颜色图像提供256×256×256，即16.7百万个可能的组合或颜色。因此，像素的RGB数据值指示红色、绿色和蓝色像素中的每一者组成的颜色或光的程度。三种颜色和其强度水平在该图像像素处组合，即在显示屏上的该像素位置处，以在该位置处用该颜色照亮显示屏。然而，应理解，具有更少或更多位的其他位大小，例如10位，可用于产生更少或更多的总体颜色和范围。
作为整体，以网格模式定位在一起的各种像素(例如，图4A的图像的包装更改特征500af的像素数据)形成数字图像或其部分。单个数字图像可包括数千或数百万个像素。图像可以多种格式(诸如JPEG、TIFF、PNG和GIF)捕获、生成、存储和/或传输，。这些格式使用像素来存储或表示图像。
在一些方面，图像(诸如图5A至图5G的那些)可在成像服务器102处收集或聚集，并且可由基于AI的成像模型分析和/或用于训练基于AI的成像模型(例如，AI模型诸如CNN成像模型，例如，如本文所述的示例性决策树450)。
图5A示出了根据本文的各个方面的打印符号隐写特征的示例性图像500a。图像500a描绘了一个或多个真实隐写特征作为打印符号500af。在图像500a中，打印符号500af被描绘为打印在产品上，例如洗发剂瓶的底部基底上。打印符号500af包括额外的打印符号或独特图案，其中打印符号的特定布置、点数、定位、尺寸设置和/或其他属性指示给定产品(例如，500ap)的真实性(或其缺乏，如果此类图案不同于预期或预定义打印符号)。打印符号可使用打印机(例如，打印机130)来打印，诸如在线打印机、连续喷墨、激光打印机、热传递打印机、压花打印机等。更一般地，打印符号可包括标点，诸如句号、点、连字符或解释点等。
图5B示出了根据本文的各个方面的字母数字、文本字符和基于字体的隐写特征的示例性图像500b。图像500b对应于图像的集合或子集，其示出了可在产品和/或产品的基底上打印的字母数字、文本字符和基于字体的隐写特征的示例。例如，图像500bn描绘了正常(非更改)的字母数字值、文本字符和字体，并且图像500ba1至500ba7中的每一者描绘了包括隐写特征的字母数字值、文本字符和字体的更改的集合，其可对应于如本文所述的真实隐写特征。
例如，此类隐写特征包括对图像500bn的更改，包括例如选定字符的不同字体(图像500ba1的特征500ba1f)，其可以是例如标准tru-type字体或定制字体；选定字符的不同尺寸(图像500ba2的特征500ba2f)；选定字符的不同颜色(图像500ba3的特征500ba3f)；选定字符的位移/取向(图像500ba4的特征500ba4f和图像500ba5的特征500ba5f)；添加的附加看似随机的元素(图像500ba6的特征500ba6f1和500ba6f2)；和/或一些字符的加粗(图像500ba7的特征500ba7f)。
图5C示出了根据本文的各个方面的图形更改隐写特征的示例性图像。图像500c对应于图像的集合或子集，示出了图形更改的示例，该图形更改提供如可打印或以其他方式附连在产品和/或产品的基底上的隐写特征。例如，图像500c1n描绘了正常(非更改)图形徽标500c1n。图像500c1a描绘了具有经更改的隐写特征500c1af的另选图形徽标，其可被使用或实现为如本文所述的真实隐写特征。类似地，图像500c2n描绘正常(非更改)图形500c2n。图像500c2a描绘了具有经更改的隐写特征500c2af的另选图形，其可被使用或对应于如本文所述的真实隐写特征。
在一些方面中，图像500c1a和500c2a中的每一者是包括通过删除或注释图像或其特征(例如，分别如针对特征500c1af和500c2af所描绘的)的至少一部分而生成的合成图像的图像的示例，在一些方面，这些特征可包括被选择用于删除或更改的预定隐写特征。以此方式，此类合成图像可用于训练如本文所述的基于AI的成像模型108。
另外地或另选地，图像500c1a和500c2a是包括通过删除或注释如在现有、已知的图像的第一子集中识别的一个或多个真实隐写特征(例如，如分别针对特征500c1af和500c2af所描绘的)的至少一部分而生成的合成图像的图像的示例。此类合成图像还可用于训练基于AI的成像模型(例如，如本文所述的基于AI的成像模型108和/或CNN模型450)。
通常，合成图像包括图像、艺术品或打印代码，而无需已知的真实特征。在各个方面，训练基于AI的成像模型108以基于由图像像素数据确定的此类特征的存在或不存在来识别隐写特征是否存在。以此方式，生成用于训练基于AI的成像模型108的合成数据的两个训练集，其中一组具有艺术品(或其他打印代码)中的特征，并且另一组没有特征。训练基于AI的成像模型108和CNN模型400以学习识别特征是否存在，从而允许如本文所述的基于成像进行的假冒分类。
图5D示出了根据本文的各个方面的包装更改隐写特征的示例性图像500d。图像500d对应于图像的集合或子集，示出了产品和/或产品的基底的包装更改的示例。例如，图像500d1n描绘了正常(非更改)产品500d1np，并且图像500d1a描绘了具有隐写特征(例如，特征500d1af，包括凸起的凸块或凹陷)的经更改的产品500d1ap的图像，该隐写特征可对应于如本文所述的真实隐写特征。图5D中描绘的产品500d1np和500d1ap可对应于相同或不同的消费品产品和/或用于保持此类产品的容器。
包装更改相关特征的示例包括但不限于：在产品或产品的基底上的看似随机或额外的纹理/元素的添加；在产品或产品的基底上的凹陷或纹理化符号的更改；在产品或产品的基底中的切割的形状的更改；和/或对产品或产品的基底的压花的更改。可对例如塑料、纸板或产品和/或其包装的其他物理部分进行此类包装更改。
图5E示出了根据本文的各个方面的基于包装更改的隐写特征的另外示例性图像。图像500e对应于图像的集合或子集，示出了产品500ep和/或产品500ep的基底的包装更改的示例，如图500e1所示的。例如，图像500e1n描绘了产品500e1的正常(非更改)顶部部分。图像500e1a1描绘了具有隐写特征(例如，特征500ea1f，包括纹理更改或热密封更改)的经更改的顶部部分产品500ep的图像，该隐写特征可对应于如本文所述的真实隐写特征。类似地，图像500e1a2描绘了具有隐写特征(例如，特征500ea2f，包括切割边缘)的经更改的顶部部分产品500ep的图像，该隐写特征可对应于如本文所述的真实隐写特征。
更一般地，并且如图5D的图像500d1n和图像500d1a之间以及图5E的500e1n与500e1a1和500e1a2相比的包装更改中的差异所例示的，此类产品更改或如本文所述的其他修改包括相应图像内的视觉或像素差异，该差异描绘了正常产品的图像(例如，分别为500d1n和500e1n)和经更改产品的图像(例如，分别为图像500d1a、500e1a1和500e1a2)，从而示出一个或多个真实隐写特征(例如，分别为特征500d1af、特征500ea1f和特征500ea2f)的基于像素的特征存在或不存在。此类像素差异可用于训练如本文所述的基于AI的成像模型108。此外，此类像素差异还用于使用基于AI的成像模型108、CNN模型400和/或示例性决策树450对图像进行分类，以基于如本文所述的图像分类来检测产品是真实的还是假冒的。
图5F示出了根据本文的各个方面的基于QR码、数据矩阵代码或另外的可扫描代码的隐写特征的示例性图像。图像500f包括QR码、数据矩阵代码或可包括隐写特征的另外的可扫描代码的示例。例如，图像500f1描绘了其上附连有数据矩阵代码500fdm的产品500f1p。图像500f2描绘了其上附连有QR码500fqr的产品500f2p。隐写特征可被打印作为数据矩阵代码和/或QR码的一部分，诸如字母数字代码的一部分或这些可扫描的2D代码的其他信息。另外地或另选地，可将数据矩阵代码或QR码打印在产品上的字母数字代码的附近(诸如旁边)。也就是说，在一些方面，数据矩阵代码(例如，数据矩阵代码500fdm)或QR码(例如，QR码500fqr)可被打印在产品的字母数字代码旁边(其中字母数字代码可包括批次代码、日期、时间等，因此字母数字代码中的每一者被序列化)。在其他方面，数据矩阵代码或QR码可包含字母数字代码。在此类方面，可在打印的字母数字代码内找到隐写特征。此类数据矩阵代码(例如，数据矩阵代码500fdm)和/或QR码可提供以下优点：结合数据矩阵代码和/或QR码的定位允许扫描仪或打印机更好地对准图像以读取字母数字代码(包括嵌入其中的任何隐写特征(例如，字体样式、偏移打印等))。此外，相对于产品的其他特征或部分，定位此类数据矩阵代码(例如，数据矩阵代码500fdm)和/或QR码可提供本身中和本身所具有的认证特征。
在特定方面，可在产品的真实隐写特征中的一者或多者(例如，诸如本文针对图5A至图5G所述的隐写特征中的任一者)的附近描绘二维(2D)数据矩阵或QR码。当由一个或多个处理器执行时，隐写应用程序的计算指令可被配置为致使一个或多个处理器通过分别相对于真实隐写特征中的一者或多者分析2D数据矩阵或QR码的对准或位置来检测产品(例如，产品500f1p)是真实的还是假冒的。然后例如基于AI的成像模型108、CNN模型400和/或示例性决策树450可使用此类对准或位置来确定或分类产品是真实的还是假冒的。
图5G示出了根据本文的各个方面的基于条形码的隐写特征的示例性图像。图像500g对应于图像的集合或子集，其示出了如可打印在产品和/或产品的基底上的基于条形码的隐写特征的示例，该隐写特征在条形码的一个或多个部分中具有差异。例如，图像500gc描绘正常(非更改)条形码。图像500gr描绘了经更改、经修改或参考条形码，其中图像500gr中的条形码包括与图像500gc中的非缩短条500gcf相比缩短的条500grf。图像500gr中的缩短条可表示用于认证图像500gr附连到的产品的真实特征。相比之下，非缩短条500gcf可表示非真实特征，其表明图像500gc附连到的产品是假冒产品。以此方式，缩短条500grf可对应于如本文所述的真实隐写特征，其中图像500gr与图像500gc之间的像素差异可用于基于那些图像的像素的图像分类来检测产品是真实的还是假冒的。
另外地或另选地，图像500gc可表示标准条形码图像，根据该标准条形码图像通过选择或更改一个或多个预定隐写特征(例如，预定隐写特征)来生成真实隐写特征(例如，缩短条500grf)，在该示例中，该更改包括缩短图像500gc的条形码的一个或多个条。应理解，本文考虑了对条形码(或其他特征)的其他更改，例如，对条形码的缩短、延长、重新定位或其他更改，其允许条形码保持功能(例如，可扫描)而且还允许修改或以其他方式包括隐写特征。
应当理解，本文考虑了用于生成真实隐写特征的其他方面，除了图5A至图5G的图像的示例中的那些之外或与其不同。此类图像包括或包含被包括或生成以用于隐写目标的视觉差异，以及如本文所描述的用于假冒检测目标的那些图像的像素的相关图像分类。
更一般地，图像之间的视觉或像素差异可通过修改或删除基本图像集的特征来生成。例如，在一些方面，可生成图像之间的视觉或像素差异，其中基本图像集(例如，图像的第一子集(例如，如针对图5A至图5G所述的图像500a1、500ba1-500ba7、500c1a-500c2a、500d1a、500e1a1-500e1a2、500f1-500f2和/或500gc中的任一者或多者)，其各自描绘具有一个或多个真实隐写特征的产品的至少一部分)被更改，诸如通过修改或删除特征，使得基本图像集变为新图像集或致使生成新图像集，例如，图像的第二子集(例如，如针对图5A至图5G所述的图像500bn、500c1n-500c2n、500d1n、500e1n和/或500gr中的任一者或多者)，其各自描绘不含一个或多个真实隐写特征的产品的至少一部分。此类图像和特征可用于训练基于AI的成像模型108、CNN模型400和/或示例性决策树450。
另外地或另选地，可通过生成对抗网络(GAN)的一个或多个迭代来生成图像之间的视觉或像素差异，其中基本图像集(例如，图像的第一子集(例如，如针对图5A至图5G所述的图像501a1、500ba1-500ba7、500c1a-500c2a、500d1a、500e1a1-500e1a2、500f1-500f2和/或500gc中的任一者或多者)，其各自描绘具有一个或多个真实隐写特征的产品的至少一部分)被更改，诸如通过在GAN的一个或多个迭代内修改或删除特征，使得基本图像集变为新图像集或致使生成新图像集，例如，图像的第二子集(例如，如针对图5A至图5G所述的图像500bn、500c1n-500c2n、500d1n、500e1n和/或500gr中的任一者或多者)，其各自描绘不含一个或多个真实隐写特征的产品的至少一部分。此类图像和特征可用于训练基于AI的成像模型108、CNN模型400和/或示例性决策树450。
本公开的方面
以下方面作为根据本文公开内容的示例提供，并且不旨在限制公开内容的范围。
1.一种被配置为分析产品的像素数据以检测产品假冒的基于人工智能(AI)的隐写系统，所述基于AI的隐写系统包括：一个或多个处理器；隐写应用程序(app)，所述隐写应用程序包括被配置为在所述一个或多个处理器上执行的计算指令；和基于AI的成像模型，所述基于AI的成像模型可由隐写应用程序访问并且通过多个训练图像的像素数据进行训练，所述多个训练图像包括(1)各自描绘具有一个或多个真实隐写特征的所述产品的至少一部分的图像的第一子集，和(2)各自描绘不含所述一个或多个真实隐写特征的所述产品的至少一部分的图像的第二子集，其中所述基于AI的成像模型被配置为输出对应于所述一个或多个真实隐写特征的基于像素的特征存在或不存在的一个或多个图像分类，其中所述隐写应用程序的所述计算指令在由所述一个或多个处理器执行时被配置为致使所述一个或多个处理器：接收所述产品的新图像，所述新图像包括由数字相机捕获的数字图像，并且所述新图像包括所述产品的至少一部分的像素数据，由所述基于AI的成像模型针对所述一个或多个真实隐写特征的所述基于像素的特征存在或不存在分析所述新图像的所述像素数据以确定所述产品的图像分类，所述图像分类选自所述基于AI的成像模型的所述一个或多个图像分类，以及基于所述图像分类来检测所述产品是真实的还是假冒的。
2.根据方面1所述的基于AI的隐写系统，其中所述隐写应用程序的所述计算指令在由所述一个或多个处理器执行时被进一步配置为致使所述一个或多个处理器：选择所述一个或多个真实隐写特征的集合以用于在不同版本的所述产品上打印，以及生成打印提交以用于由打印机在所述不同版本的所述产品的基底上打印或增强所述一个或多个真实隐写特征的所述集合。
3.根据方面1至2中任一项所述的基于AI的隐写系统，其中所述图像的第一子集的所述一个或多个真实隐写特征通过选择或更改一个或多个预定隐写特征来生成。
4.根据方面3所述的基于AI的隐写系统，其中所述图像的第二子集包括通过删除或注释所述一个或多个预定隐写特征的至少一部分来生成的合成图像。
5.根据方面1至4中任一项所述的基于AI的隐写系统，其中所述图像的第二子集包括通过删除或注释所述一个或多个真实隐写特征的至少一部分来生成的合成图像。
6.根据方面1至5中任一项所述的基于AI的隐写系统，其中所述图像的第二子集中的每一者包括基于所述一个或多个真实隐写特征的所述基于像素的特征存在或不存在的与所述图像的第一子集中的每一者的视觉或像素差异。
7.根据方面6所述的基于AI的隐写系统，其中所述视觉或像素差异通过生成对抗网络(GAN)的一个或多个迭代来生成。
8.根据方面1至7中任一项所述的基于AI的隐写系统，其中所述一个或多个图像分类包括以下中的一者或多者：(1)假冒产品分类；和(2)真实产品分类。
9.根据方面1至8中任一项所述的基于AI的隐写系统，其中所述多个训练图像还包括各自描绘具有一个或多个现实假冒特征的所述产品的至少一部分的图像的第三子集，并且其中通过所述第三图像子集进一步训练所述基于AI的成像模型。
10.根据方面1至9中任一项所述的基于AI的假冒检测系统，其中所述一个或多个真实隐写特征包括以下中的至少一者：(1)条形码的一个或多个部分；(2)QR码的一个或多个部分；(3)数据矩阵代码的一个或多个部分；(4)可扫描代码的一个或多个部分；(5)一个或多个字母数字字符；(6)一个或多个打印符号；(7)一个或多个增强文本字符或字体；(8)一个或多个图形更改；或(9)一个或多个包装更改。
11.根据方面1至10中任一项所述的基于AI的假冒检测系统，其中二维(2D)数据矩阵被描绘为在所述产品的所述真实隐写特征中的一者或多者的附近，并且其中所述隐写应用程序的所述计算指令在由所述一个或多个处理器执行时被进一步配置为致使所述一个或多个处理器：通过分析所述2D数据矩阵相对于所述真实隐写特征中的一者或多者的对准来检测所述产品是真实的还是假冒的。
12.根据方面1至11中任一项所述的基于AI的隐写系统，其中所述多个训练图像中的一者或多者各自包括与相应原始图像相比具有减小的像素计数的裁剪图像，所述裁剪图像描绘所述一个或多个真实隐写特征或所述产品的不含所述一个或多个真实隐写特征的部分。
13.根据方面1至12中任一项所述的基于AI的隐写系统，其中所述多个训练图像中的一者或多者包括所述产品的多个角度或视角。
14.根据方面1至13中任一项所述的基于AI的隐写系统，其中所述隐写应用程序的所述计算指令在由所述一个或多个处理器执行时被进一步配置为致使所述一个或多个处理器：在计算设备的显示屏上呈现所述产品是真实的还是假冒的指示。
15.根据方面1至14中任一项所述的基于AI的隐写系统，其中所述产品被分类为假冒的，并且其中所述隐写应用程序的所述计算指令在由所述一个或多个处理器执行时被进一步配置为致使所述一个或多个处理器：在计算设备的显示屏上呈现所述产品的所述新图像内的所述一个或多个真实隐写特征的基于像素的特征存在或不存在的视觉指示。
16.一种用于分析产品的像素数据以检测产品假冒的基于人工智能(AI)的隐写方法，所述基于AI的隐写方法包括：由计算设备的一个或多个处理器通过多个训练图像的像素数据训练基于AI的成像模型，所述多个训练图像包括(1)各自描绘具有一个或多个真实隐写特征的所述产品的至少一部分的图像的第一子集，和(2)各自描绘不含所述一个或多个真实隐写特征的所述产品的至少一部分的图像的第二子集，其中所述基于AI的成像模型被配置为输出对应于所述一个或多个真实隐写特征的基于像素的特征存在或不存在的一个或多个图像分类；由所述一个或多个处理器接收所述产品的新图像，所述新图像包括由数字相机捕获的数字图像，并且所述新图像包括所述产品的至少一部分的像素数据；由所述基于AI的成像模型针对所述一个或多个真实隐写特征的所述基于像素的特征存在或不存在分析所述新图像的所述像素数据以确定所述产品的图像分类，所述图像分类选自所述基于AI的成像模型的所述一个或多个图像分类；以及由所述一个或多个处理器基于所述图像分类来检测所述产品是真实的还是假冒的。
17.一种有形的非暂态计算机可读介质，所述有形的非暂态计算机可读介质存储用于分析产品的像素数据以检测产品假冒的指令，所述指令当由计算设备的一个或多个处理器执行时致使所述计算设备的所述一个或多个处理器：由计算设备的一个或多个处理器通过多个训练图像的像素数据训练基于AI的成像模型，所述多个训练图像包括(1)各自描绘具有一个或多个真实隐写特征的所述产品的至少一部分的图像的第一子集，和(2)各自描绘不含所述一个或多个真实隐写特征的所述产品的至少一部分的图像的第二子集，其中所述基于AI的成像模型被配置为输出对应于所述一个或多个真实隐写特征的基于像素的特征存在或不存在的一个或多个图像分类；由所述一个或多个处理器接收所述产品的新图像，所述新图像包括由数字相机捕获的数字图像，并且所述新图像包括所述产品的至少一部分的像素数据；由所述基于AI的成像模型针对所述一个或多个真实隐写特征的所述基于像素的特征存在或不存在分析所述新图像的所述像素数据以确定所述产品的图像分类，所述图像分类选自所述基于AI的成像模型的所述一个或多个图像分类；以及由所述一个或多个处理器基于所述图像分类来检测所述产品是真实的还是假冒的。
附加的考虑
虽然本公开陈述了多个不同方面的具体实施方式，但应当理解，本说明书的法律范围由本专利结尾处所陈述的权利要求书及其等同物的内容来限定。具体实施方式被理解为仅是示例性的，而非描述每一种可能的方面，因为描述每一种可能的方面是不切实际的。可使用当前技术或在本专利的申请日期之后开发的技术来实施众多另选的方面，该另选的方面将仍然落入本权利要求书的范围内。
以下附加的考虑适用于前述讨论。在本说明书通篇中，多个实例可实现被描述为单个实例的部件、操作或结构。虽然一个或多个方法的各个操作被示出和描述为单独的操作，但各个操作中的一个或多个操作可同时执行，并且不需要按所示顺序来执行这些操作。在示例性配置中作为单独部件展示的结构和功能可被实现为组合的结构或部件。类似地，展示为单个部件的结构和功能可被实现为单独的部件。这些型、修改、添加和改进以及其他变型、修改、添加和改进均属于本文主题范围之内。
另外，某些方面在本文中被描述为包括逻辑或多个例程、子例程、应用程序或指令。这些可构成软件(例如，机器可读介质上或传输信号中体现的代码)或硬件。在硬件中，例程等是能够执行某些操作的有形单元并且可按某种方式进行配置或布置。在示例性方面中，一个或多个计算机系统(例如，独立的客户端或服务器计算机系统)或计算机系统的一个或多个硬件模块(例如，处理器或处理器组)可通过软件(例如，应用程序或应用程序部分)配置为用于执行如本文所述的某些操作的硬件模块。
本文所述的示例性方法的各种操作可至少部分地由经临时配置(例如，由软件)或永久性配置以执行相关操作的一个或多个处理器来执行。无论是临时配置还是永久性配置，此类处理器都可构成处理器实现型模块，用以执行一个或多个操作或功能。在一些示例性方面中，本文提及的模块可包括处理器实现型模块。
类似地，本文所述的方法或例程可至少部分地由处理器实现。例如，方法的至少一些操作可由一个或多个处理器或处理器实现型硬件模块来执行。操作中的某些操作的执行可分配给一个或多个处理器，这些处理器不仅驻留在单个机器内，而且部署于多个机器之间。在一些示例性方面中，一个或多个处理器可位于单个位置，而在其他方面中，处理器可分布于多个位置。
操作中的某些操作的执行可分配给一个或多个处理器，这些处理器不仅驻留在单个机器内，而且部署于多个机器之间。在一些示例性方面中，一个或多个处理器或处理器实现型模块可位于单个地理位置(例如，服务器群)。在其他方面中，一个或多个处理器或处理器实现型模块可分布于多个地理位置。
本具体实施方式被理解为仅是示例性的，而非描述每一种可能的方面，因为描述每一种可能的方面即使可能也是不切实际的。本领域普通技术人员可使用当前技术或在本申请提交日期之后所开发的技术来实现众多另选的方面。
本领域的普通技术人员将认识到，在不脱离本发明范围的前提下，可对上述方面进行多种修改、更改和组合，并且这些修改、更改和组合应视为落入本发明构思的范围内。
本专利申请末尾的专利权利要求不旨在根据35U.S.C.§112(f)来解释，除非明确引用了传统的装置加功能语言，诸如权利要求中明确引用的“用于......的装置”或“用于......的步骤”语言。本文所述的系统和方法涉及对计算机功能的改进，以及改进常规计算机的功能。
本文所公开的量纲和值不应理解为严格限于所引用的精确数值。相反，除非另外指明，否则每个此类量纲旨在表示所述值以及围绕该值功能上等同的范围。例如，公开为“40mm”的量纲旨在表示“约40mm”。
除非明确排除或以其它方式限制，本文中引用的每一篇文献，包括任何交叉引用或相关专利或专利申请以及本申请对其要求优先权或其有益效果的任何专利申请或专利，均据此全文以引用方式并入本文。对任何文献的引用不是对其作为与本发明的任何所公开或本文受权利要求书保护的现有技术的认可，或不是对其自身或与任何一个或多个参考文献的组合提出、建议或公开任何此类发明的认可。此外，当本发明中术语的任何含义或定义与以引用方式并入的文献中相同术语的任何含义或定义矛盾时，应当服从在本发明中赋予该术语的含义或定义。
虽然已经举例说明和描述了本发明的具体方面，但是对于本领域的技术人员来说显而易见的是，在不背离本发明的实质和范围的情况下可以做出各种其它改变和变型。因此，本文旨在于所附权利要求中涵盖属于本发明范围内的所有此类变化和修改。

Claims (17)

1.被配置为分析产品的像素数据以检测产品假冒的基于人工智能(AI)的隐写系统，所述基于AI的隐写系统包括：
一个或多个处理器；
隐写应用程序(app)，所述隐写应用程序包括被配置为在所述一个或多个处理器上执行的计算指令；和
基于AI的成像模型，所述基于AI的成像模型能够由所述隐写应用程序访问并且通过多个训练图像的像素数据进行训练，所述多个训练图像包括(1)各自描绘具有一个或多个真实隐写特征的所述产品的至少一部分的图像的第一子集，和(2)各自描绘不含所述一个或多个真实隐写特征的所述产品的至少一部分的图像的第二子集，
其中所述基于AI的成像模型被配置为输出与所述一个或多个真实隐写特征的基于像素的特征存在或不存在对应的一个或多个图像分类，其中所述隐写应用程序的所述计算指令在由所述一个或多个处理器执行时被配置为致使所述一个或多个处理器：
接收所述产品的新图像，所述新图像包括由数字相机捕获的数字图像，并且所述新图像包括所述产品的至少一部分的像素数据，由所述基于AI的成像模型针对所述一个或多个真实隐写特征的所述基于像素的特征存在或不存在分析所述新图像的所述像素数据以确定所述产品的图像分类，所述图像分类选自所述基于AI的成像模型的所述一个或多个图像分类，以及
基于所述图像分类来检测所述产品是真实的还是假冒的。
2.根据权利要求1所述的基于AI的隐写系统，其中所述隐写应用程序的所述计算指令在由所述一个或多个处理器执行时被进一步配置为致使所述一个或多个处理器：
选择所述一个或多个真实隐写特征的集合以用于在不同版本的所述产品上打印，以及
生成打印提交以用于由打印机在所述不同版本的所述产品的基底上打印或增强所述一个或多个真实隐写特征的所述集合。
3.根据权利要求1所述的基于AI的隐写系统，其中所述图像的第一子集的所述一个或多个真实隐写特征通过选择或更改一个或多个预定隐写特征来生成。
4.根据权利要求3所述的基于AI的隐写系统，其中所述图像的第二子集包括通过删除或注释所述一个或多个预定隐写特征的至少一部分来生成的合成图像。
5.根据权利要求1所述的基于AI的隐写系统，其中所述图像的第二子集包括通过删除或注释所述一个或多个真实隐写特征的至少一部分来生成的合成图像。
6.根据权利要求1所述的基于AI的隐写系统，其中所述图像的第二子集中的每一者包括基于所述一个或多个真实隐写特征的所述基于像素的特征存在或不存在的与所述图像的第一子集中的每一者的视觉或像素差异。
7.根据权利要求6所述的基于AI的隐写系统，其中所述视觉或像素差异通过生成对抗网络(GAN)的一个或多个迭代来生成。
8.根据权利要求1所述的基于AI的隐写系统，其中所述一个或多个图像分类包括以下中的一者或多者：(1)假冒产品分类；和(2)真实产品分类。
9.根据权利要求1所述的基于AI的隐写系统，其中所述多个训练图像还包括各自描绘具有一个或多个现实假冒特征的所述产品的至少一部分的图像的第三子集，并且其中通过所述图像的第三子集进一步训练所述基于AI的成像模型。
10.根据权利要求1所述的基于AI的假冒检测系统，其中所述一个或多个真实隐写特征包括以下中的至少一者：(1)条形码的一个或多个部分；(2)QR码的一个或多个部分；(3)数据矩阵代码的一个或多个部分；(4)可扫描代码的一个或多个部分；(5)一个或多个字母数字字符；(6)一个或多个打印符号；(7)一个或多个增强文本字符或字体；(8)一个或多个图形更改；或(9)一个或多个包装更改。
11.根据权利要求1所述的基于AI的假冒检测系统，其中二维(2D)数据矩阵被描绘为在所述产品的所述真实隐写特征中的一者或多者的附近，并且其中所述隐写应用程序的所述计算指令在由所述一个或多个处理器执行时被进一步配置为致使所述一个或多个处理器：
通过分析所述2D数据矩阵相对于所述真实隐写特征中的一者或多者的对准来检测所述产品是真实的还是假冒的。
12.根据权利要求1所述的基于AI的隐写系统，其中所述多个训练图像中的一者或多者各自包括与相应原始图像相比具有减小的像素计数的裁剪图像，所述裁剪图像描绘所述一个或多个真实隐写特征或所述产品的不含所述一个或多个真实隐写特征的部分。
13.根据权利要求1所述的基于AI的隐写系统，其中所述多个训练图像中的一者或多者包括所述产品的多个角度或视角。
14.根据权利要求1所述的基于AI的隐写系统，其中所述隐写应用程序的所述计算指令在由所述一个或多个处理器执行时被进一步配置为致使所述一个或多个处理器：
在计算设备的显示屏上呈现所述产品是真实的还是假冒的指示。
15.根据权利要求1所述的基于AI的隐写系统，其中所述产品被分类为假冒的，并且其中所述隐写应用程序的计算指令在由所述一个或多个处理器执行时被进一步配置为致使所述一个或多个处理器：
在计算设备的显示屏上呈现所述产品的所述新图像内的所述一个或多个真实隐写特征的基于像素的特征存在或不存在的视觉指示。
16.用于分析产品的像素数据以检测产品假冒的基于人工智能(AI)的隐写方法，所述基于AI的隐写方法包括：
由计算设备的一个或多个处理器通过多个训练图像的像素数据训练基于AI的成像模型，所述多个训练图像包括(1)各自描绘具有一个或多个真实隐写特征的所述产品的至少一部分的图像的第一子集，和(2)各自描绘不含所述一个或多个真实隐写特征的所述产品的至少一部分的图像的第二子集，其中所述基于AI的成像模型被配置为输出与所述一个或多个真实隐写特征的基于像素的特征存在或不存在对应的一个或多个图像分类；
由所述一个或多个处理器接收所述产品的新图像，所述新图像包括由数字相机捕获的数字图像，并且所述新图像包括所述产品的至少一部分的像素数据；
由所述基于AI的成像模型针对所述一个或多个真实隐写特征的所述基于像素的特征存在或不存在分析所述新图像的所述像素数据以确定所述产品的图像分类，所述图像分类选自所述基于AI的成像模型的所述一个或多个图像分类；以及
由所述一个或多个处理器基于所述图像分类来检测所述产品是真实的还是假冒的。
17.有形的非暂态计算机可读介质，所述有形的非暂态计算机可读介质存储用于分析产品的像素数据以检测产品假冒的指令，所述指令当由计算设备的一个或多个处理器执行时致使所述计算设备的所述一个或多个处理器：
由计算设备的一个或多个处理器通过多个训练图像的像素数据训练基于AI的成像模型，所述多个训练图像包括(1)各自描绘具有一个或多个真实隐写特征的所述产品的至少一部分的图像的第一子集，和(2)各自描绘不含所述一个或多个真实隐写特征的所述产品的至少一部分的图像的第二子集，其中所述基于AI的成像模型被配置为输出与所述一个或多个真实隐写特征的基于像素的特征存在或不存在对应的一个或多个图像分类；
由所述一个或多个处理器接收所述产品的新图像，所述新图像包括由数字相机捕获的数字图像，并且所述新图像包括所述产品的至少一部分的像素数据；
由所述基于AI的成像模型针对所述一个或多个真实隐写特征的所述基于像素的特征存在或不存在分析所述新图像的所述像素数据以确定所述产品的图像分类，所述图像分类选自所述基于AI的成像模型的所述一个或多个图像分类；以及
由所述一个或多个处理器基于所述图像分类来检测所述产品是真实的还是假冒的。
CN202210186072.4A 2021-03-15 2022-02-28 用于分析产品的像素数据以检测产品假冒的基于人工智能的隐写系统和方法 Pending CN115082929A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202163160994P 2021-03-15 2021-03-15
US63/160,994 2021-03-15

Publications (1)

Publication Number Publication Date
CN115082929A true CN115082929A (zh) 2022-09-20

Family

ID=81254963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210186072.4A Pending CN115082929A (zh) 2021-03-15 2022-02-28 用于分析产品的像素数据以检测产品假冒的基于人工智能的隐写系统和方法

Country Status (3)

Country Link
US (1) US20220292856A1 (zh)
CN (1) CN115082929A (zh)
GB (1) GB2607160A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE2251170A1 (en) * 2022-10-07 2024-04-08 Wiretronic Ab Method and system for identifying embedded information

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017102723A1 (en) * 2015-12-17 2017-06-22 Sicpa Holding Sa Security element formed from at least two materials present in partially or fully overlapping areas, articles carrying the security element, and authentication methods
DE102016001465A1 (de) * 2016-02-09 2017-08-10 Giesecke & Devrient Gmbh Verifikation eines mit einem Sicherheitselement versehenen Gegenstands
US10885531B2 (en) * 2018-01-29 2021-01-05 Accenture Global Solutions Limited Artificial intelligence counterfeit detection
US11074592B2 (en) * 2018-06-21 2021-07-27 The Procter & Gamble Company Method of determining authenticity of a consumer good
US20210192340A1 (en) * 2019-12-20 2021-06-24 The Procter & Gamble Company Machine learning based imaging method of determining authenticity of a consumer good
IT202000020218A1 (it) * 2020-08-17 2022-02-17 Certilogo S P A Metodo automatico per determinare l’autenticità di un prodotto

Also Published As

Publication number Publication date
GB202203498D0 (en) 2022-04-27
GB2607160A (en) 2022-11-30
US20220292856A1 (en) 2022-09-15

Similar Documents

Publication Publication Date Title
US11625805B2 (en) Learning systems and methods
CN109840531B (zh) 训练多标签分类模型的方法和装置
US20240029192A1 (en) Detecting conflicts between multiple different signals within imagery
US20210107229A1 (en) Method and system for generating and printing three dimensional barcodes
CN107016387B (zh) 一种识别标签的方法及装置
US20210217129A1 (en) Detection of encoded signals and icons
US20190080164A1 (en) Classification of character strings using machine-learning
US20210192340A1 (en) Machine learning based imaging method of determining authenticity of a consumer good
KR102235215B1 (ko) 위조 방지용 2차 부호화로 바코드 보강
CN102292700A (zh) 用于增强安全印刷的系统和方法
CN116664961B (zh) 基于信码的防伪标签智能识别方法及系统
KR20140087084A (ko) 라벨을 이용한 인증 서버 및 방법, 그리고 모바일 디바이스
CN115293311B (zh) 基于微点码的彩色水印防伪方法和装置
EP3776335A2 (en) Classification of piping and instrumental diagram information using machine-learning
CN109831309A (zh) 一种具有多重验证的安全码原理和方法
CN115082929A (zh) 用于分析产品的像素数据以检测产品假冒的基于人工智能的隐写系统和方法
CN110009080B (zh) 二维码生成方法、验证方法、服务器及二维码
KR102208688B1 (ko) 데이터 증강 기반 사물 분석 모델 학습 장치 및 방법
WO2021102770A1 (zh) 用于验证产品的真伪的方法和设备
Ribeiro et al. Brazilian mercosur license plate detection: a deep learning approach relying on synthetic imagery
EP3982289A1 (en) Method for validation of authenticity of an image present in an object, object with increased security level and method for preparation thereof, computer equipment, computer program and appropriate reading means
US20230222775A1 (en) Methods and systems for enabling robust and cost-effective mass detection of counterfeited products
Ugail et al. Deep transfer learning for visual analysis and attribution of paintings by Raphael
CN109299770B (zh) 防伪二维码及其激光全息图加密方法和生产应用系统
Jung et al. Analysing Adversarial Examples for Deep Learning.

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