CN115099836B - 一种全网智能营销防伪数据监控系统 - Google Patents
一种全网智能营销防伪数据监控系统 Download PDFInfo
- Publication number
- CN115099836B CN115099836B CN202211029340.8A CN202211029340A CN115099836B CN 115099836 B CN115099836 B CN 115099836B CN 202211029340 A CN202211029340 A CN 202211029340A CN 115099836 B CN115099836 B CN 115099836B
- Authority
- CN
- China
- Prior art keywords
- counterfeiting
- dimensional code
- hidden space
- data
- vector
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06K19/06037—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 multi-dimensional coding
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Electromagnetism (AREA)
- Accounting & Taxation (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据传输技术领域,具体涉及一种全网智能营销防伪数据监控系统。该系统包括数据采集模块用于获取全网营销过程中产品的防伪二维码数据;数据编码模块对所述产品的防伪二维码数据进行编码,获取所述产品的防伪二维码数据的特征向量;隐空间变形模块用于训练中心自编码神经网络,并根据所述产品的防伪二维码数据的特征向量对产品的防伪二维码数据的特征向量的隐空间进行变形;异常检测与数据传输检索模块,基于变形的隐空间向量进行异常判断,并依据结果进行防伪信息的检索与传输。本发明采用对防伪二维码编码的方式,来实现其是否异常的检测,若异常则不进行数据传输,降低二维码解译工作量,提高了防伪数据获取的效率。
Description
技术领域
本发明涉及数据传输技术领域,具体涉及一种全网智能营销防伪数据监控系统。
背景技术
随着经济全球化的快速发展和信息技术的不断变革,传统中小企业的营销模式已明显无法适应互联网的发展需求,最突出的表现是产品滞销、实体店倒闭关门。为了在激烈的市场竞争中获得优势,传统中小企业必须适应互联网的变革需求,不断改革营销模式和手段,制定适应企业自身发展和市场需求的营销战略,只有建立互联网时代全新的市场营销模式,才能使企业获得长远发展。在此背景下,探索开创多样化的营销模式成为传统中小企业的当务之急。
获取全网的营销数据,并对时序的全网营销数据进行异常检测,可以降低数据检索工作量,提高防伪监控系统的运行效率。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种全网智能营销防伪数据监控系统,所采用的技术方案具体如下:
本发明提出一种全网智能营销防伪数据监控系统,所述系统包括:
数据采集模块用于获取全网营销过程中产品的防伪二维码数据;
数据编码模块用于构建自编码网络并对所述产品的防伪二维码数据进行编码,获取所述产品的防伪二维码数据的特征向量;
隐空间变形模块用于训练中心自编码神经网络,并根据所述产品的防伪二维码数据的特征向量对产品的防伪二维码数据的特征向量的隐空间进行变形;
异常检测与数据传输检索模块,基于变形的隐空间向量进行异常判断,并依据结果进行防伪信息的检索与传输。
进一步地,所述获取全网营销过程中产品的防伪二维码数据包括:
利用智能手机拍照功能扫描产品外包装印刷或者粘贴上的二维码图形,最终可以得到防伪二维码的图像数据,然后通过智能手机网络通信将拍摄防伪二维码的图像数据传输给二维码服务器。
进一步地,所述对所述产品的防伪二维码数据进行编码包括:
将产品的防伪二维码数据输入到自编码器中,所述防伪二维码图像要经过大津阈值处理;然后利用交叉熵损失函数初次训练自编码器神经网络。
进一步地,所述对产品的防伪二维码数据的特征向量的隐空间进行变形,包括:
利用初次训练好的自编码神经网络对所有的防伪二维码数据进行推理,得到所有防伪二维码的特征向量,然后计算特征向量的平均值,得到防伪二维码的隐空间中心向量;
对自编码神经网络添加变形因子层,度量分类层,得到中心自编码神经网络;
获取比例均衡的防伪二维码与伪造二维码数据,然后利用隐空间变形向量损失函数结合防伪二维码的隐空间中心向量对所述中心自编码神经网络进行训练。
进一步地,所述根据变形因子层的计算包括:
将变形因子层与二维码图像编码器的输出进行下述变形计算:
所述变形因子层在训练过程需要进行初始化,采用正态分布初始化。
进一步地,所述根据度量分类层的计算包括:
度量分类层包含多层全连接层,其输入为防伪二维码的隐空间变形向量,分类二维码是否为防伪二维码和伪造二维码。
进一步地,所述利用隐空间变形向量损失函数结合防伪二维码的隐空间中心向量对所述中心自编码神经网络进行训练包括:
隐空间变形向量损失函数包含两部分,一个是解码器的交叉熵损失函数,另外一个是隐空间变形向量损失函数;
获取训练中心自编码神经网络时的批次样本,对于该批次样本每次训练都可以通过中心自编码神经网络得到其每个样本的隐空间向量,然后利用PCA方法对样本的隐空间向量进行降维,降维到二维空间,得到二维的防伪二维码隐空间坐标、伪造二维码隐空间坐标、防伪二维码的隐空间中心坐标;
然后对于上述二维的防伪二维码隐空间坐标、伪造二维码隐空间坐标分别拟合圆,得到防伪二维码隐空间拟合圆形区域、伪造二维码隐空间圆形区域;然后构建类间约束损失、类内约束损失;
基于类内约束损失、类内约束损失、交叉熵损失构建隐空间变形向量损失函数,利用隐空间变形向量损失函数训练中心自编码神经网络。
进一步地,所述基于变形的隐空间向量进行异常判断,并依据结果进行防伪信息的检索与传输包括:
对于训练集中的所有防伪二维码数据利用训练好后的中心自编码神经网络进行推理,获取所有防伪二维码的隐空间变形特征向量,然后计算防伪二维码的隐空间变形特征向量的平均值,得到防伪二维码的隐空间变形中心向量;利用Kd-Tree算法获取与防伪二维码的隐空间变形中心向量欧式距离最远的防伪二维码的隐空间变形向量,该距离作为分类半径;
对于后面每次推理后的样本,计算其与防伪二维码的隐空间变形中心向量的距离,若大于分类半径则该样本为异常样本,可能属于伪造二维码,若处于分类半径内,则进行数据库检索,看是否存在该防伪二维码,若存在,则获取防伪信息,并传输给客户端进行信息展示,若不存在,则该样本属于伪造二维码,并反馈给客户。
本发明具有如下有益效果:
本发明方法采用中心自动编码器与空间的变形相结合,可以有效的提高异常检测的精度。以数据集中心的自动编码器能够自然地基于空间几何检测未知的异常。
本发明通过对防伪二维码进行编码,通过变形隐向量来控制数据的传输,可以加快防伪二维码系统的监控效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种全网智能营销防伪数据监控系统框图。
图2为本发明一个实施例所提供的一种中心自编码神经网络示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种全网智能营销防伪数据监控系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种全网智能营销防伪数据监控系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的全网智能营销防伪数据监控系统框图,该系统包括:数据采集模块、数据编码模块、隐空间变形模块和异常检测与数据传输检索模块。
数据采集模块,获取全网营销过程中产品的防伪数据。
伴随着国民的消费水平迅速提升,商品的消费市场日益扩大,商家为了保证自身利益越来越注重品牌效益,随之而来对商业防伪的需求也日益提升。由于互联网技术的发展以及互联网商业的普及,目前全网营销已经称为潮流,现在的防伪系统也已经转为利用互联网网上认证的第三代防伪系统,互联网防伪系统具有查询便捷、防伪精度高、成本较低的优势。
该模块首先采集通过全网智能营销的防伪数据,本发明的防伪数据以防伪二维码为例,防伪二维码数据的获取主要是利用智能手机拍照功能扫描产品外包装印刷或者粘贴上的二维码图形,最终可以得到防伪二维码的图像数据,然后通过智能手机网络通信将拍摄图像传输给二维码服务器,服务器通过对图像二维码进行识别、译码、解密等一系列过程后,得到二维码中所蕴含的防伪信息,从数据库中获取对应的商品防伪信息,通过比对该防伪信息后将判决的结果反馈给消费者。
其中防伪二维码的防伪信息可采用图像信息隐藏的技术,对该二维码数字图像进行处理,并在其中进行数字水印的隐藏,实现防伪。
数据编码模块,利用自编码网络对产品的防伪数据进行编码。
互联网防伪系统往往具有成本较高的问题,需要服务器对图像二维码进行识别、译码、解密等一系列过程后,从数据库中获取对应的商品防伪信息,涉及识别解译以及数据检索,因此其成本较高,其检索通常也需要性能较强的服务器及优化后的算法,否则检索速度会很慢,导致商品防伪信息获取较慢,此处为快速实现商品防伪信息获取,采用对防伪二维码编码的方式,来实现其是否异常的检测,若异常则不进行数据库检索,降低计算工作量,提高防伪数据获取的效率。
然后对防伪数据进行编码,所述编码利用自编码神经网络进行。
网络具体的过程如下:
将防伪二维码图像输入到自编码器中,所述防伪二维码图像要经过阈值处理,由其二维码是由黑色、白色组成,因此其符合二值分布。所述阈值处理,可采用大津阈值法。所述防伪二维码为基于信息隐藏的二维码,利用信息隐藏中的数字水印的方式进行防伪,通过数字水印对二维码进行加密,使得二维码在蕴含原有信息的基础之上,通过数字水印的方式将防伪信息隐藏在二维码图像之中。
自编码器为二维码图像编码器、二维码图像解码器结构,其整体实现降维的功能,将防伪二维码映射为隐空间的一个向量,编码器、解码器可套用Unet网络。
二维码图像编码器实现对输入数据的拟合,输出为特征向量,该向量的经验维数为64,即输出64维的特征向量,然后输入到二维码图像解码器中,解码器进行拟合输出二维码图像。该二维码图像为原始二维码图像,不包含水印的。
由于二维码其符合二值分布,因此所述自编码器采用的损失函数为交叉熵。
该网络第一次训练时候的数据应为全网营销产品的防伪二维码数据,为真实的防伪二维码。
至此,即可通过上述自编码网络获取每一个防伪二维码的特征向量。
隐空间变形模块,用于对防伪数据的隐空间坐标进行变形。
自编码器可以检测异常:考虑到正常点的质心,重建具有半径,最大半径最有可能指示异常点。我们进行数据的变形和自动编码器训练。使用数据中心的自动编码器在本方案被称为中心自动编码器(cAE)。cAE可以与空间的变形相结合,从而提高其分类分数。在基于几何的异常实时检测中,以数据集中心的自动编码器将成为不可替代的对象,这是因为它们能够自然地基于几何算法检测未知的异常类型。
进一步地,进行中心自动编码器训练,首先进行防伪二维码数据的中心计算:
对上面训练好的防伪二维码自编码神经网络对所有的防伪二维码数据进行推理,得到所有防伪二维码的特征向量,然后计算特征向量的平均值,得到防伪二维码的隐空间中心向量。然后进行第二次神经网络训练,获取防伪二维码隐空间变形向量,并进行异常检测。
然后对于神经网络,添加变形因子层,其经验的个数为64个,然后将变形因子层与二维码图像编码器的输出进行下述变形计算:
所述变形因子层在训练过程需要进行初始化,采用正态分布初始化,即初始化的变形因子向量,该层可以进行训练,最终得到最优的变形因子向量。
然后再添加度量分类层,该步骤主要用于对防伪二维码的隐空间变形向量进行分类,使得数据异常检测的效果更鲁棒。对于分类层,可采用多层全连接网络进行,其输入为防伪二维码的隐空间变形向量,输出为分类结果,即是否异常。
所述第二次训练要基于第一次训练后的神经网络再次进行,所述此次训练过程数据集要进行扩充,其扩充大量的异常防伪二维码数据,即伪造的二维码。防伪二维码与伪造二维码数据要尽量比例平衡。
所述网络训练的损失函数为:
所述损失函数包含两部分,其中一个是自编码器中解码器的交叉熵损失函数,另外一个是隐空间变形向量损失函数。
隐空间变形向量损失函数:
对于防伪二维码的隐空间变形向量需要保证一定的约束,以提高其分类的准确性。
每次训练都需要以批次的形式把样本送进神经网络进行训练,该参数称为BatchSize,经验值根据计算资源进行,本发明以128为例。每个批次都要尽量保证防伪二维码与伪造防伪码数据比例平衡。
对于每次训练得到的隐空间向量,首先利用PCA方法进行降维,降维到二维空间,此步主要是为了降低计算量,对于隐空间向量可以划分为防伪二维码隐空间向量,伪造二维码隐空间向量。因此可以得到二维的防伪二维码隐空间坐标、伪造二维码隐空间坐标。同时也需要对防伪二维码的隐空间中心向量进行降维,得到防伪二维码的隐空间中心坐标,该坐标的获取为全局训练数据集的,二维的防伪二维码隐空间坐标、伪造二维码隐空间坐标为通过每一个批次数据获取的。
然后对于上述二维的防伪二维码隐空间坐标、伪造二维码隐空间坐标分别拟合圆,得到防伪二维码隐空间拟合圆形区域、伪造二维码隐空间圆形区域。对于隐空间而言,越靠近数据集中心的其越为防伪二维码,处在防伪二维码隐空间拟合圆形区域之外的应为伪造二维码。
得到类间约束损失:
上述损失函数尽可能扩大类间的差异,使得伪造二维码隐空间分布尽最大分布在防伪二维码隐空间圆形区域外。
另一方面要保证防伪二维码隐空间向量尽可能接近,得到类内约束损失:
该损失前一项保证其防伪二维码隐空间圆形区域的半径尽可能小,后面保证每个批次的样本在隐空间中尽可能与数据集质心接近。为权重系数,经验值为0.8。n为批次中防伪二维码的样本数量,为防伪二维码的隐空间中心坐标。d表示求取两点的欧式距离。为批次中第i个防伪二维码的隐空间坐标。
最终隐空间变形向量损失函数即为:
最终,即可完成变形自编码神经网络的训练,对于每个样本都能通过变形自编码神经网络获取其变形隐空间向量。
异常检测与数据传输检索模块,基于变形的隐空间向量进行异常判断,并依据结果进行防伪信息的检索与传输。
利用训练好的中心自编码神经网络对于训练集中的所有防伪二维码数据进行推理,即可获取所有防伪二维码的隐空间变形特征向量,然后计算特征向量的平均值,得到防伪二维码的隐空间变形中心向量。然后利用Kd-Tree算法获取与防伪二维码的隐空间变形中心向量欧式距离最远的防伪二维码的隐空间变形向量,该距离作为分类半径。
对于后面每次推理后的样本,计算其与防伪二维码的隐空间变形中心向量的距离,若大于分类半径则该样本为异常样本,可能属于伪造二维码,若处于分类半径内,则进行数据库检索,看是否存在该防伪二维码,若存在,则获取防伪信息,并传输给客户端进行信息展示,若不存在,则该样本属于伪造二维码,从此实现防伪二维码的快速检索与应用。如图2所示,较深颜色的圆形区域即为防伪二维码的隐空间范围,通过中心自编码神经网络可以使得伪造的二维码的隐空间位置处在变形后的防伪二维码隐空间范围之外,从而可以基于防伪二维码隐空间范围半径快速实现伪造二维码的识别,提高防伪数据的监控效率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种全网智能营销防伪数据监控系统,其特征在于,所述系统包括:
数据采集模块用于获取全网营销过程中产品的防伪二维码数据;
数据编码模块用于构建自编码网络并对所述产品的防伪二维码数据进行编码,获取所述产品的防伪二维码数据的特征向量;
隐空间变形模块用于训练中心自编码神经网络,并根据所述产品的防伪二维码数据的特征向量对产品的防伪二维码数据的特征向量的隐空间进行变形;
所述对产品的防伪二维码数据的特征向量的隐空间进行变形,包括:
利用初次训练好的自编码神经网络对所有的防伪二维码数据进行推理,得到所有防伪二维码的特征向量,然后计算特征向量的平均值,得到防伪二维码的隐空间中心向量;
对自编码神经网络添加变形因子层,度量分类层,得到中心自编码神经网络;
其中,变形因子层的计算包括:
将变形因子层与二维码图像编码器的输出进行下述变形计算:
所述变形因子层在训练过程需要进行初始化,采用正态分布初始化;
度量分类层的计算包括:
度量分类层包含多层全连接层,其输入为防伪二维码的隐空间变形向量,分类二维码是否为防伪二维码和伪造二维码;
获取比例均衡的防伪二维码与伪造二维码数据,然后利用隐空间变形向量损失函数结合防伪二维码的隐空间中心向量对所述中心自编码神经网络进行训练;
所述利用隐空间变形向量损失函数结合防伪二维码的隐空间中心向量对所述中心自编码神经网络进行训练包括:
隐空间变形向量损失函数包含两部分,一个是解码器的交叉熵损失函数,另外一个是隐空间变形向量损失函数;
获取训练中心自编码神经网络时的批次样本,对于该批次样本每次训练都可以通过中心自编码神经网络得到其每个样本的隐空间向量,然后利用PCA方法对样本的隐空间向量进行降维,降维到二维空间,得到二维的防伪二维码隐空间坐标、伪造二维码隐空间坐标、防伪二维码的隐空间中心坐标;
然后对于上述二维的防伪二维码隐空间坐标、伪造二维码隐空间坐标分别拟合圆,得到防伪二维码隐空间拟合圆形区域、伪造二维码隐空间圆形区域;然后构建类间约束损失、类内约束损失;
基于类内约束损失、类内约束损失、交叉熵损失构建隐空间变形向量损失函数,利用隐空间变形向量损失函数训练中心自编码神经网络;异常检测与数据传输检索模块,基于变形的隐空间向量进行异常判断,并依据结果进行防伪信息的检索与传输;
所述基于变形的隐空间向量进行异常判断,并依据结果进行防伪信息的检索与传输包括:
对于训练集中的所有防伪二维码数据利用训练好后的中心自编码神经网络进行推理,获取所有防伪二维码的隐空间变形特征向量,然后计算防伪二维码的隐空间变形特征向量的平均值,得到防伪二维码的隐空间变形中心向量;利用Kd-Tree算法获取与防伪二维码的隐空间变形中心向量欧式距离最远的防伪二维码的隐空间变形向量,该距离作为分类半径;
对于后面每次推理后的样本,计算其与防伪二维码的隐空间变形中心向量的距离,若大于分类半径则该样本为异常样本,可能属于伪造二维码,若处于分类半径内,则进行数据库检索,看是否存在该防伪二维码,若存在,则获取防伪信息,并传输给客户端进行信息展示,若不存在,则该样本属于伪造二维码,并反馈给客户。
2.根据权利要求1所述的一种全网智能营销防伪数据监控系统,其特征在于,所述获取全网营销过程中产品的防伪二维码数据包括:
利用智能手机拍照功能扫描产品外包装印刷或者粘贴上的二维码图形,最终可以得到防伪二维码的图像数据,然后通过智能手机网络通信将拍摄防伪二维码的图像数据传输给二维码服务器。
3.根据权利要求1所述的一种全网智能营销防伪数据监控系统,其特征在于,所述对所述产品的防伪二维码数据进行编码包括:
将产品的防伪二维码数据输入到自编码器中,所述防伪二维码图像要经过大津阈值处理;然后利用交叉熵损失函数初次训练自编码器神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211029340.8A CN115099836B (zh) | 2022-08-26 | 2022-08-26 | 一种全网智能营销防伪数据监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211029340.8A CN115099836B (zh) | 2022-08-26 | 2022-08-26 | 一种全网智能营销防伪数据监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115099836A CN115099836A (zh) | 2022-09-23 |
CN115099836B true CN115099836B (zh) | 2022-11-11 |
Family
ID=83300654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211029340.8A Active CN115099836B (zh) | 2022-08-26 | 2022-08-26 | 一种全网智能营销防伪数据监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099836B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779740A (zh) * | 2016-12-02 | 2017-05-31 | 覃勇 | 一种数字隐形二维码验证防伪系统及隐形二维码调制方法 |
CN109919223A (zh) * | 2019-03-05 | 2019-06-21 | 北京联合大学 | 基于深度神经网络的目标检测方法及装置 |
CN112417919A (zh) * | 2020-11-18 | 2021-02-26 | 珠海格力电器股份有限公司 | 一种防伪二维码的检测识别方法及系统、存储介质 |
CN112839141A (zh) * | 2019-11-25 | 2021-05-25 | 佳能株式会社 | 图像处理系统、图像处理方法和存储介质 |
CN114863191A (zh) * | 2022-07-06 | 2022-08-05 | 南通大学 | 基于区块链的防伪信息识别与传输方法 |
CN115035269A (zh) * | 2022-06-06 | 2022-09-09 | 华北电力大学 | 基于变分自编码器的三维服装变形预测方法 |
-
2022
- 2022-08-26 CN CN202211029340.8A patent/CN115099836B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779740A (zh) * | 2016-12-02 | 2017-05-31 | 覃勇 | 一种数字隐形二维码验证防伪系统及隐形二维码调制方法 |
CN109919223A (zh) * | 2019-03-05 | 2019-06-21 | 北京联合大学 | 基于深度神经网络的目标检测方法及装置 |
CN112839141A (zh) * | 2019-11-25 | 2021-05-25 | 佳能株式会社 | 图像处理系统、图像处理方法和存储介质 |
CN112417919A (zh) * | 2020-11-18 | 2021-02-26 | 珠海格力电器股份有限公司 | 一种防伪二维码的检测识别方法及系统、存储介质 |
CN115035269A (zh) * | 2022-06-06 | 2022-09-09 | 华北电力大学 | 基于变分自编码器的三维服装变形预测方法 |
CN114863191A (zh) * | 2022-07-06 | 2022-08-05 | 南通大学 | 基于区块链的防伪信息识别与传输方法 |
Non-Patent Citations (1)
Title |
---|
基于RFID的供应链多维防伪异常监控模型;罗梦洁;《信息科技》;20200601;1-44 * |
Also Published As
Publication number | Publication date |
---|---|
CN115099836A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Surface defect saliency of magnetic tile | |
Zhou et al. | Salient object detection in stereoscopic 3D images using a deep convolutional residual autoencoder | |
CN110163286B (zh) | 一种基于混合池化的领域自适应图像分类方法 | |
CN114677346B (zh) | 基于记忆信息的端到端的半监督图像表面缺陷的检测方法 | |
CN114972213A (zh) | 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法 | |
CN113128271A (zh) | 脸部图像的伪造检测 | |
CN110175248B (zh) | 一种基于深度学习和哈希编码的人脸图像检索方法和装置 | |
Huo et al. | Research on QR image code recognition system based on artificial intelligence algorithm | |
CN115937655A (zh) | 多阶特征交互的目标检测模型及其构建方法、装置及应用 | |
CN116664961B (zh) | 基于信码的防伪标签智能识别方法及系统 | |
CN116308754B (zh) | 一种银行信贷风险预警系统及其方法 | |
CN109711442B (zh) | 无监督逐层生成对抗特征表示学习方法 | |
Moh’d Shamaileh et al. | A new feature-based wavelet completed local ternary pattern (Feat-WCLTP) for texture image classification | |
Tueller et al. | Target detection using features for sonar images | |
Zhang et al. | Hybrid cross deep network for domain adaptation and energy saving in visual internet of things | |
CN114882599A (zh) | 基于双分支神经网络的离线手写签名分割系统和方法 | |
Lu et al. | DAC–deep autoencoder-based clustering: A general deep learning framework of representation learning | |
CN117197727B (zh) | 一种基于全局时空特征学习的行为检测方法与系统 | |
CN115099836B (zh) | 一种全网智能营销防伪数据监控系统 | |
CN116630727B (zh) | 模型训练方法、深伪图像检测方法、装置、设备及介质 | |
CN117635418A (zh) | 生成对抗网络的训练方法、双向图像风格转换方法和装置 | |
Lu et al. | Bearing defect classification algorithm based on autoencoder neural network | |
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 | |
CN116994114A (zh) | 一种基于改进YOLOv8的轻量化家居小目标检测模型构建方法 | |
Do et al. | Smart inference for multidigit convolutional neural network based barcode decoding |
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 |