CN115471734B - 木质包装ippc标识的辩伪方法、装置及服务器 - Google Patents
木质包装ippc标识的辩伪方法、装置及服务器 Download PDFInfo
- Publication number
- CN115471734B CN115471734B CN202211167937.9A CN202211167937A CN115471734B CN 115471734 B CN115471734 B CN 115471734B CN 202211167937 A CN202211167937 A CN 202211167937A CN 115471734 B CN115471734 B CN 115471734B
- Authority
- CN
- China
- Prior art keywords
- eca
- ippc
- image
- subunit
- current
- 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
- 239000002023 wood Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000000007 visual effect Effects 0.000 claims abstract description 77
- 238000003709 image segmentation Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000005070 sampling Methods 0.000 claims description 63
- 238000011524 similarity measure Methods 0.000 claims description 26
- 238000004806 packaging method and process Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- VXPLXMJHHKHSOA-UHFFFAOYSA-N propham Chemical compound CC(C)OC(=O)NC1=CC=CC=C1 VXPLXMJHHKHSOA-UHFFFAOYSA-N 0.000 claims 24
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 230000004927 fusion Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000003958 fumigation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种木质包装IPPC标识的辩伪方法、装置及服务器,包括:获取待辩伪的目标木质包装图像,并对所述目标木质包装图像进行图像分割处理,得到待辩伪IPPC标识图像;提取所述待辩伪IPPC标识图像的第一视觉特征;基于预先配置的视觉特征库和所述第一视觉特征,确定所述待辩伪IPPC标识图像对应的真伪结果。本发明可以显著提高IPPC辩伪的可靠性,还可以有效降低辩伪成本和操作难度。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种木质包装IPPC标识的辩伪方法、装置及服务器。
背景技术
木质包装是用于承重、装载、运输物品的木质材料,常见的木质包装有木箱、木托盘、木托板等,它具有耐腐蚀、耐酸性碱性、方便回收、可重复利用等优点。目前,需要对进出境木质包装实行检疫管理,诸如检验木质包装是否加盖IPPC(International PlantProtection Convention,国际木质包装检疫措施标准)标识以及判断IPPC标识的真伪,以防止外来有害生物入侵,是保证进出境贸易安全进行的重要管理措施。但是,现有IPPC辩伪技术存在可靠性较差、成本较高、操作难度较高等问题。
发明内容
有鉴于此,本发明的目的在于提供一种木质包装IPPC标识的辩伪方法、装置及服务器,可以显著提高IPPC辩伪的可靠性,还可以有效降低辩伪成本和操作难度。
第一方面,本发明实施例提供了一种木质包装IPPC标识的辩伪方法,包括:获取待辩伪的目标木质包装图像,并对所述目标木质包装图像进行图像分割处理,得到待辩伪IPPC标识图像;提取所述待辩伪IPPC标识图像的第一视觉特征;基于预先配置的视觉特征库和所述第一视觉特征,确定所述待辩伪IPPC标识图像对应的真伪结果。
在一种实施方式中,所述对所述目标木质包装图像进行图像分割处理,得到待辩伪IPPC标识图像的步骤,包括:通过预先训练得到的图像分割网络,对所述目标木质包装图像进行图像分割处理,得到所述图像分割网络输出的目标木质包装图像分割结果;其中,所述图像分割网络包括改进编码器和改进解码器;基于所述目标木质包装图像分割结果,确定待辩伪IPPC标识图像。
在一种实施方式中,所述改进编码器包括依次连接的下采样子网络和Transformer子网络,所述下采样子网络包括线性层和级联的多个ECA下采样单元,每个所述ECA下采样单元均包括第一卷积层和第一ECA子单元;其中,当前ECA下采样单元中的所述第一ECA子单元的输入端与所述当前ECA下采样单元中的所述第一卷积层的输出端连接,所述当前ECA下采样单元中的所述第一ECA子单元的输出端与下一ECA下采样单元中的所述第一卷积层的输入端连接,位于末端的ECA下采样单元的第一ECA子单元的输出端与所述线性层的输入端连接;所述当前ECA下采样单元中的所述第一ECA子单元用于:对所述当前ECA下采样单元中的所述第一卷积层输出的特征图进行通道加权处理。
在一种实施方式中,所述改进解码器包括级联的多个ECA上采样单元,每个所述ECA上采样单元均包括每个所述ECA上采样单元均包括第二卷积层和第二ECA子单元;其中,如果当前ECA上采样单元位于首端,则所述当前ECA上采样单元中的所述第二卷积层的输入端与所述Transformer子网络输出reshape后的卷积层、指定ECA下采样单元中的所述第一ECA子单元的输出端融合后进行连接;如果所述当前ECA上采样单元未位于首端,则所述当前ECA上采样单元中的所述第二卷积层的输入端与前一ECA上采样单元中的所述第二ECA子单元的输出端、指定ECA下采样单元中的所述第一ECA子单元的输出端连接;所述当前ECA上采样单元中的所述第二卷积层的输出端与所述当前ECA上采样单元中的所述第二ECA子单元的输入端融合后进行连接,所述当前ECA上采样单元中的所述第二ECA子单元用于:对所述当前ECA上采样单元中的所述第二卷积层输出的特征图进行通道加权处理。
在一种实施方式中,所述提取所述待辩伪IPPC标识图像的第一视觉特征的步骤,包括:提取所述待辩伪IPPC标识图像的局部纹理特征、全局纹理特征和颜色特征;利用相似性乘积算法对所述局部纹理特征和所述全局纹理特征进行特征融合处理,得到所述待辩伪IPPC标识图像对应的目标纹理特征;利用相似性权重分配对所述目标纹理特征和所述颜色特征进行特征融合处理,得到所述待辩伪IPPC标识图像对应的第一视觉特征。
在一种实施方式中,所述提取所述待辩伪IPPC标识图像的局部纹理特征、全局纹理特征和颜色特征的步骤,包括:基于局部二值算法,提取所述待辩伪IPPC标识图像的局部纹理特征;以及,基于灰度共生矩阵算法,提取所述待辩伪IPPC标识图像的全局纹理特征;以及,基于HSV颜色空间下的颜色矩算法,提取所述待辩伪IPPC标识图像的颜色特征。
在一种实施方式中,所述基于预先配置的视觉特征库和所述第一视觉特征,确定所述待辩伪IPPC标识图像对应的真伪结果的步骤,包括:分别确定预先配置的视觉特征库中存储的每个第二视觉特征,与所述第一视觉特征之间的相似性度量;其中,所述第二视觉特征是基于已辩伪IPPC标识图像提取得到的;如果所述相似性度量大于第一预设阈值,确定所述待辩伪IPPC标识图像对应的真伪结果为真;如果所述相似性度量小于所述第一预设阈值且大于第二预设阈值,将所述待辩伪IPPC标识图像发送至指定关联终端,并接收所述指定关联终端针对所述待辩伪IPPC标识图像反馈的真伪结果;如果所述相似性度量小于所述第二预设阈值,确定所述待辩伪IPPC标识图像对应的真伪结果为伪。
第二方面,本发明实施例还提供一种木质包装IPPC标识的辩伪装置,包括:图像分割模块,用于获取待辩伪的目标木质包装图像,并对所述目标木质包装图像进行图像分割处理,得到待辩伪IPPC标识图像;特征提取模块,用于提取所述待辩伪IPPC标识图像的第一视觉特征;辩伪模块,用于基于预先配置的视觉特征库和所述第一视觉特征,确定所述待辩伪IPPC标识图像对应的真伪结果。
第三方面,本发明实施例还提供一种服务器,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种木质包装IPPC标识的辩伪方法、装置及服务器,首先获取待辩伪的目标木质包装图像,并对目标木质包装图像进行图像分割处理,得到待辩伪IPPC标识图像,通过提取待辩伪IPPC标识图像的第一视觉特征,即可基于预先配置的视觉特征库和第一视觉特征,确定待辩伪IPPC标识图像对应的真伪结果。上述方法通过对目标木质包装图像进行图像分割得到待辩伪IPPC标识图像,再基于待辩伪IPPC标识图像的第一视觉图像在视觉特征库中进行图像检索,以实现对待辩伪IPPC标识图像的真伪进行查验,本发明实施例可以显著提高IPPC辩伪的可靠性,还可以有效降低辩伪成本和操作难度。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1为本发明实施例提供的一种木质包装IPPC标识的辩伪方法的流程示意图;
图2为本发明实施例提供的一种目标木质包装图像的示意图;
图3为本发明实施例提供的一种待辩伪IPPC标识图像的示意图;
图4为本发明实施例提供的一种图像分割网络的结构示意图;
图5为本发明实施例提供的一种ECA子单元的结构示意图;
图6为本发明实施例提供的一种木质包装IPPC标识的辩伪装置的结构示意图;
图7为本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,具权威机构统计,全国进出境贸易中绝大多数的物品和运输原料使用木质包装作为材料,是境内外贸易的关键材料。然而在进出境贸易中,木质包装也是传播病害的关键载体,因此非常有必要在入境时对木质包装进行检疫管理。如果木质包装没有按照相关要求进行检疫管理,会对我国生态平衡和环境稳定造成破坏,直接威胁到生态安全。因此对于进出境木质包装实行检疫管理,十分有必要,能够防止外来有害生物入侵,是保证进出境贸易安全进行的重要管理措施。
IPPC公约发布了木质包装的管理条例,要求在进出境之前对木质包装进行有效的熏蒸和热处理,保证木质包装有效消杀,并在消杀后的木质包装上盖印IPPC标识。当成员国入境时只需检查IPPC标识,无需检查其他证件。然而,在条例发布后,检疫工作者多次发现不法分子为了谋取暴利伪造IPPC标识,不对木质包装进行消杀,直接进行进出境贸易活动,类似做法会危害进口国的生态平衡,侵犯了进口国的利益,造成非常恶劣的国际影响。因此,对木质包装IPPC标识进行真伪检验,防范伪造、变造、盗用IPPC标识的行为是非常有必要的。由于出入境时只需要检验木质包装是否加盖了IPPC标识而无需提供其他检验证件,这导致检验检疫人员在查验时没有相关凭证,只能凭肉眼和经验来判断该IPPC标识的真伪,该种判断方式准确率、效率低下,无法达到监管要求。
目前,通常采用工艺防伪或基于电子技术的IPPC辨伪方法。具体的:(1)工艺防伪大多使用材料辨伪,如防伪膜、防伪油墨等,通过采用特定方法制作特殊材料达到对IPPC防伪和辨伪的目的,但是这种方式易于仿制,且成本较高;(2)基于电子技术的IPPC辨伪方法,如GPS(Global Positioning System,全球定位系统)数码辨伪通过GPS定位技术对仪器所在地进行准确定位,获取所在地的经度、纬度和高度值,并且结合木质包装特定的材料、规格等本身特有属性共同构建防伪码,根据防伪码独一无二且难以仿造的特性,最终达到木质包装有效辨伪的结果,但是该方法成本较高,操作较为复杂。
基于此,本发明实施提供了一种木质包装IPPC标识的辩伪方法、装置及服务器,可以显著提高IPPC辩伪的可靠性,还可以有效降低辩伪成本和操作难度。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种木质包装IPPC标识的辩伪方法进行详细介绍,参见图1所示的一种木质包装IPPC标识的辩伪方法的流程示意图,该方法主要包括以下步骤S102至步骤S106:
步骤S102,获取待辩伪的目标木质包装图像,并对目标木质包装图像进行图像分割处理,得到待辩伪IPPC标识图像。在一种实施方式中,可以通过图像采集设备对木质包装进行图像采集,以获取到目标木质包装图像,木质包装上加盖有IPPC标识,且该目标木质包装图像所显示的内容至少包括IPPC标识,通过对目标木质包装图像进行图像分割处理,以将IPPC标识从目标木质包装图像中分割出来,得到目标木质包装图像分割结果,再对该目标木质包装图像分割结果进行仿射变换,以校正该目标木质包装图像分割结果,即可得到待辩伪的IPPC标识图像。
步骤S104,提取待辩伪IPPC标识图像的第一视觉特征。其中,第一视觉特征可以由目标纹理特征和颜色特征采用相似性权重分配的方法相互融合组成,目标纹理特征又可以由全局纹理特征和局部纹理特征采用相似性相乘的方法互相融合组成。
在一种实施方式中,可以采用灰度共生矩阵算法提取待辩伪IPPC标识图像的全局纹理特征,以及通过局部二值算法提取待辩伪IPPC标识图像的局部纹理特征,通过分配全局纹理特征和局部纹理特征的权重,对全局纹理特征和局部纹理特征进行加权处理即可得到特征融合后的目标纹理特征,另外,通过颜色矩算法提取待辩伪IPPC标识图像的颜色特征,最后将目标纹理特征和颜色特征相乘即可得到特征融合后的第一视觉特征。
步骤S106,基于预先配置的视觉特征库和第一视觉特征,确定待辩伪IPPC标识图像对应的真伪结果。其中,视觉特征库存储有多个第二视觉特征,第二视觉特征是对已辩伪的IPPC标识图像进行特征提取得到的,真伪结果包括“真IPPC标识图像”和“伪IPPC标识图像”。在一种实施方式中,可以预先采集已辩伪的木质包装图像,并对该木质包装图像进行图像分割处理得到已辩伪IPPC标识图像,进而提取已辩伪IPPC标识图像的第二视觉特征。
在具体实现时,可以分别确定视觉特征库中每个第二视觉特征与第一视觉特征之间的相似性度量,从而根据相似性度量从视觉特征库中检索到与待辩伪IPPC标识图像最相似的已辩伪IPPC标识图像和该已辩伪IPPC标识图像对应的已辩伪木质包装图像。进一步的,如果该相似性度量大于第一预设阈值,即可确定待辩伪IPPC标识图像为真;如果该相似性度量小于第二预设阈值,即可确定待辩伪IPPC标识图像为伪,其中,第二预设阈值小于第一预设阈值;如果该相似性度量在第一预设阈值和第二预设阈值之间,即可将待辩伪IPPC标识图像发送至指定关联终端进行人工辩伪,并接收指定关联终端反馈的真伪结果。
本发明实施例提供的木质包装IPPC标识的辨伪方法,通过对目标木质包装图像进行图像分割得到待辩伪IPPC标识图像,再基于待辩伪IPPC标识图像的第一视觉图像在视觉特征库中进行图像检索,以实现对待辩伪IPPC标识图像的真伪进行查验,本发明实施例可以显著提高IPPC辩伪的可靠性,还可以有效降低辩伪成本和操作难度。
为便于对前述步骤S102进行理解,本发明实施例提供了一种对目标木质包装图像进行图像分割处理,得到待辩伪IPPC标识图像的实施方式,具体的,可以通过预先训练得到的图像分割网络,对目标木质包装图像进行图像分割处理,得到图像分割网络输出的目标木质包装图像分割结果,再基于目标木质包装图像分割结果,确定待辩伪IPPC标识图像。诸如图2所示的一种目标木质包装图像的示意图以及图3所示的一种待辩伪IPPC标识图像的示意图,可以看出图像分割之前木质包装图像较为杂乱,而图像分割之后得到的待辩伪IPPC标识图像可以更为直观地展现IPPC标识。
由于受图像拍摄角度的影响,图像分割网络输出的目标木质包装图像分割结果可能为畸形的IPPC标识图像,因此需要进一步基于目标木质包装图像分割结果,确定待辩伪IPPC标识图像,具体的,通过图像分割网络对目标木质包装图像进行分割,得到目标木质包装图像分割结果掩码图,根据掩码图定位IPPC标识在目标木质包装图像中四个顶点的像素坐标,利用四个顶点的像素坐标对IPPC标识区域像素进行仿射变换,以对目标木质包装图像分割结果进行校正,从而得到待辩伪IPPC标识图像。
其中,图像分割网络可以为改进的TansUnet模型,本发明实施例提供了一种改进的TansUnet模型,称之为ECA-TransUnet模型,该ECA-TransUnet模型是在基础网络TransUnet中,融合了ECA通道注意力机制。目前基础网络TransUnet是U型的编码器和解码器架构,编码器是由CNN-Transformer混合编码组成,具体包括卷积层、下采样、线性层、Transformer层,解码器是由卷积层和上采样组成,编码器和解码器通过跳跃连接操作进行链接,本发明实施例中ECA通道注意力机制融入的位置为基础网络TransUnet中编码器卷积层尾部,以及在解码器中将跳跃连接融合后的特征进行卷积操作后加入ECA模块,从而得到改进的TansUnet模型。改进的TansUnet模型中编码器又可称之为改进编码器,改进的TansUnet模型中解码器又可称之为改进解码器,也即本发明实施例中所采用的图像分割网络包括改进编码器和改进解码器。
为便于对前述实施例提供的图像分割网络进行理解,本发明实施例提供了一种图像分割网络的具体结构,参见图4所示的一种图像分割网络的结构示意图,图4中示意出图像分割网络的改进编码器包括依次连接的下采样子网络和Transformer子网络,下采样子网络包括线性层和级联的多个ECA(Efficient Channel Attention,高效通道注意力)下采样单元,每个ECA下采样单元均包括第一卷积层和第一ECA子单元。
其中,当前ECA下采样单元中的第一ECA子单元的输入端与当前ECA下采样单元中的第一卷积层的输出端连接,当前ECA下采样单元中的第一ECA子单元的输出端与下一ECA下采样单元中的第一卷积层的输入端连接,位于末端的ECA下采样单元的第一ECA子单元的输出端与线性层的输入端连接。以下采样子网络包括3个ECA下采样单元为例,第一个ECA下采样单元包括第一卷积层1和第一ECA子单元1,第二个ECA下采样单元包括第一卷积层2和第一ECA子单元2,第三个ECA下采样单元包括第一卷积层3和第一ECA子单元3。在此基础上,第一卷积层1的输出端与第一ECA子单元1的输入端连接,第一ECA子单元1的输出端还与第一卷积层2的输入端连接;第一卷积层2的输出端与第一ECA子单元2的输入端连接,第一ECA子单元2的输出端与第一卷积层3的输入端连接;第一卷积层3的输出端与第一ECA子单元3的输入端连接,第一ECA子单元3的输出端与线性层的输入端连接。
在前述结构的基础上,本发明实施例提供了一种第一ECA子单元的作用,当前ECA下采样单元中的第一ECA子单元用于:对当前ECA下采样单元中的第一卷积层输出的特征图进行通道加权处理。具体的,编码器是由CNN-Transformer混合编码组成,CNN(Convolutional Neural Network,卷积神经网络)模块(也即,前述第一卷积层)先对图像进行特征提取,再通过ECA模块对特征图进行通道加权处理。示例性的,以第二个ECA下采样单元为例,第一卷积层2用于对第一ECA子单元1输出的特征图进行特征提取,第一ECA子单元2用于对第一卷积层2输出的特征图进行通道加权处理,通道加权处理也即对特征图的特征通道进行加权,以关注更为重要的特征通道,并抑制无关特征通道。
进一步的,通过线性层将第一ECA子单元3输出的特征图重塑为多个大小相同的图像块,通过线性嵌入操作和位置编码张量对图像块进行标记。将标记后的张量输入至Transformer模块中。示例性的,Transformer模块包括多个(诸如12个)Transformer层,每个Transformer层由一个多头注意力机制和一个多层感知机组成。
请继续参见图4,图4还示意出图像分割网络的改进解码器包括级联的多个ECA上采样单元,每个ECA上采样单元均包括第二卷积层和第二ECA子单元。
如果当前ECA上采样单元位于首端,则当前ECA上采样单元中的第二卷积层的输入端与Transformer子网络输出reshape后的卷积层、指定ECA下采样单元中的第一ECA子单元的输出端融合后进行连接;如果当前ECA上采样单元未位于首端,则当前ECA上采样单元中的第二卷积层的输入端与前一ECA上采样单元中的第二ECA子单元的输出端、指定ECA下采样单元中的第一ECA子单元的输出端融合后进行连接,当前ECA上采样单元中的第二卷积层的输出端与当前ECA上采样单元中的第二ECA子单元的输入端连接。
以改进解码器包括级联的3个ECA上采样单元为例,第一个ECA上采样单元包括第二卷积层1和第二ECA子单元1,第二个ECA上采样单元包括第二卷积层2和第二ECA子单元2,第三个ECA上采样单元包括第二卷积层3和第二ECA子单元3。在此基础上,第二卷积层1的输出端与Transformer子网络输出reshape后的卷积层、第一ECA子单元3的输出端融合后进行连接,第二卷积层1的输出端与第二ECA子单元1的输入端连接;第二卷积层2的输入端与第二ECA子单元1的输出端、第一ECA子单元2的输出端融合后进行连接,第二卷积层2的输出端与第二ECA子单元2的输入端连接;第二卷积层3的输入端与第二ECA子单元2的输出端、第一ECA子单元1的输出端融合后进行连接,第二卷积层3的输出端与第二ECA子单元3的输入端连接。另外,图4还示意出第二ECA子单元3的输出端经两个卷积层后输出目标木质包装图像分割结果。
在前述结构的基础上,本发明实施例提供了一种第二卷积层和第二ECA子单元各自的作用,当前ECA上采样单元中的第二卷积层用于:将前一ECA上采样单元中的第二ECA子单元输出的特征图和指定ECA下采样单元中的第一ECA子单元输出的特征图进行特征融合后,对得到的特征图进行特征提取;当前ECA上采样单元中的第二ECA子单元用于:对当前ECA上采样单元中的第二卷积层输出的特征图进行通道加权处理。示例性的,以第二个ECA上采样单元为例,第二卷积层2的输入为第一ECA子单元2输出的特征图和第二ECA子单元1输出的特征图进行特征融合后的特征图,以对该特征融合后的特征图进行特征提取,第二ECA子单元2则对第二卷积层2输出的特征图进行通道加权处理。
本发明实施例提供的改进解码器,通过级联多个ECA上采样单元对编码器提取的隐含特征进行解码,恢复特征图的全分辨率。改进编码器与改进解码器通过跳跃连接的方式,将编码阶段提取的浅层特征与解码阶段提取的深层特征进行融合,获得更加丰富的语义信息。将跳跃连接融合后的特征进行卷积操作输入至ECA模块中,强化重要的特征通道,抑制无关特征通道,提升分割精度。
进一步的,本发明实施例还提供了一种ECA子单元的具体结构,参见图5所示的一种ECA子单元的结构示意图,ECA子单元是一种轻量级的通道注意力机制,可以对特征通道进行加权,关注更加重要的特征通道。ECA子单元是由全局平均池化,一维卷积,sigmoid激活函数组成,W为宽、H为高、C为特征通道数,ECA子单元的加入可以高效计算通道注意力,提升模型性能,提高分割精度。本发明实施例提供的ECA-TransUnet模型将两者进行结合,在基础网络TransUnet模型的编码器中的卷积层尾部加入ECA模块,在解码器中将跳跃连接融合后的特征进行卷积操作后加入ECA模块,以提升模型的表达能力。
为便于对前述步骤S104进行理解,本发明实施例提供了一种提取待辩伪IPPC标识图像的第一视觉特征的实施方式,参见如下步骤1至步骤3:
步骤1,提取待辩伪IPPC标识图像的局部纹理特征、全局纹理特征和颜色特征。本发明实施例分别提供了提取局部纹理特征、全局纹理特征和颜色特征的实施方式,参见如下(1)至(3):
(1)基于局部二值算法(LBP,Local Binary Patterns),提取待辩伪IPPC标识图像的局部纹理特征,计算公式如下所示:
其中,L表示二维空间尺度的相邻像素个数,U表示角空间分辨率的领域半径,gc表示中心点像素灰度值,gl表示领域内像素的灰度值,s(x)为门限函数,用以判断中心点的像素值和相邻点像素值的大小关系,计算公式如下所示:
(2)基于灰度共生矩阵算法(GLCM,Gray Level Concurrence Matrix),提取待辩伪IPPC标识图像的全局纹理特征。在具体实现时,可以选择灰度共生矩阵算法中的5个特征参数表征全局纹理特征,包括:角二阶矩、对比度、均值和、方差和、熵。
(3)基于HSV颜色空间下的颜色矩算法,提取待辩伪IPPC标识图像的颜色特征。在具体实现时,计算公式如下所示:
其中,Pi,j表示图像的第j个像素的第i个分量,N表示图像的像素个数,i=0,1,2分别代表H、S、V的分量,μi、δi和Si分别代表第i个颜色通道的一阶矩、二阶矩和三阶矩,三个矩组成了一个9维直方图向量,即图像的颜色特征表示如下所示:
Fcolor=[μH,δH,SH,μS,δS,SS,μV,δV,SV]。
步骤2,利用相似性乘积算法对局部纹理特征和全局纹理特征进行特征融合处理,得到待辩伪IPPC标识图像对应的目标纹理特征。在具体实现时,将局部纹理特征和全局纹理特征相乘,即可得到目标纹理特征。
步骤3,利用相似性权重分配对目标纹理特征和颜色特征进行特征融合处理,得到待辩伪IPPC标识图像对应的第一视觉特征。在具体实现时,分配目标纹理特征和颜色特征各自的权重,再对目标纹理特征和颜色特征进行加权求和即可得到第一视觉特征。
为便于对前述步骤S106进行理解,本发明实施例提供了一种基于预先配置的视觉特征库和第一视觉特征,确定待辩伪IPPC标识图像对应的真伪结果的实施方式,参见如下步骤a至步骤d:
步骤a,分别确定预先配置的视觉特征库中存储的每个第二视觉特征,与第一视觉特征之间的相似性度量。其中,第二视觉特征是基于已辩伪IPPC标识图像提取得到的,在实际应用中,提取已辩伪的木质包装图像的第二视觉特征的具体过程可参见前述提取目标木质包装图像的第一视觉特征,本发明实施例对此不在进行赘述。在具体实现时,可以分别确定每个第二视觉特征与第一视觉特征之间的相似性度量,并针对最高的相似性度量执行如下步骤b至步骤d,在确定相似性度量D时,可以采用欧式距离度量方法,其计算公式如下所示:
D=1-d(X,Y);
其中,X、Y为给定n维空间中的特征向量,分别表示第一视觉特征和第二视觉特征,X=(x1,x2,...,xn),=(x1,x2,...,xn),当d(X,Y)越接近于0时,特征向量的相似性越大,即1-d(X,Y)越接近于1时,特征向量的相似性越大。
步骤b,如果相似性度量大于第一预设阈值,确定待辩伪IPPC标识图像对应的真伪结果为真。示例性的,假设第一预设阈值为0.95,则当相似性度量达到0.95以上,则判定所述待辩伪IPPC标识图像为真。
步骤c,如果相似性度量小于第一预设阈值且大于第二预设阈值,将待辩伪IPPC标识图像发送至指定关联终端,并接收指定关联终端针对待辩伪IPPC标识图像反馈的真伪结果。示例性的,假设第一预设阈值为0.95,第二预设阈值为0.85,则当相似性度量在0.95-0.85之间,则需要人工判断所述待辩伪IPPC标识图像与所述特征库中输出的图像是否出自同一木源。
步骤d,如果相似性度量小于第二预设阈值,确定待辩伪IPPC标识图像对应的真伪结果为伪。示例性的,假设第二预设阈值为0.85,则当相似性度量在0.85以下,则判定所述待辩伪IPPC标识图像为假。
可选的,还可以将最高的相似性度量对应的已辩伪IPPC标识图像和/或已辩伪木质包装图像发送至指定关联终端。
随着网络信息的不断发展,图像信息爆炸式增长,图像检索技术可以从足量图像数据集中精准匹配到领域所需求的数据,极大地促进了视觉信息时代的发展,因此本发明实施例提供了上述基于图像检索技术的木质包装IPPC标识辨伪思路,具体为:拍摄带有IPPC标识的木质包装图像,并进行图像分割得到已辩伪IPPC标识图像,将已辩伪IPPC标识图像存入图像数据库中,作为检验木质包装真伪的依据库。当检验检疫人员检查木质包装的真伪时,可以拍摄待预测图像,并进行图像分割得到待辩伪IPPC标识图像,上传至图像检索模型中进行检索,当在图像数据库中找到和待辩伪IPPC标识图像几近相同的图像时,则可以大致得出该IPPC标识为真,反之,可能为假,需要检验检疫人员进行进一步查验。上述图像检索技术应用于辨伪中,可以极大的减轻工作负担、提升查验效率、且成本低、易于推广。
综上所述,为了能够准确鉴别进出境木质包装IPPC标识的真伪,本发明实施例提出基于图像检索技术的木质包装IPPC标识辨伪的研究,在木质包装IPPC标识的真伪检验中,旨在达到易于识别、难以仿制、成本低、操作简单、易于推广的效果,对于减轻海关检验检疫人员的工作量,提升辨伪效率和准确率等都具有非常重要的实际意义。
对于前述实施例提供的木质包装IPPC标识的辩伪方法,本发明实施例提供了一种木质包装IPPC标识的辩伪装置,参见图6所示的一种木质包装IPPC标识的辩伪装置的结构示意图,该装置主要包括以下部分:
图像分割模块602,用于获取待辩伪的目标木质包装图像,并对目标木质包装图像进行图像分割处理,得到待辩伪IPPC标识图像;
特征提取模块604,用于提取待辩伪IPPC标识图像的第一视觉特征;
辩伪模块606,用于基于预先配置的视觉特征库和第一视觉特征,确定待辩伪IPPC标识图像对应的真伪结果。
本发明实施例提供的木质包装IPPC标识的辩伪装置,通过对目标木质包装图像进行图像分割得到待辩伪IPPC标识图像,再基于待辩伪IPPC标识图像的第一视觉图像在视觉特征库中进行图像检索,以实现对待辩伪IPPC标识图像的真伪进行查验,本发明实施例可以显著提高IPPC辩伪的可靠性,还可以有效降低辩伪成本和操作难度。
在一种实施方式中,图像分割模块602还用于:通过预先训练得到的图像分割网络,对目标木质包装图像进行图像分割处理,得到图像分割网络输出的目标木质包装图像分割结果;其中,图像分割网络包括改进编码器和改进解码器;基于目标木质包装图像分割结果,确定待辩伪IPPC标识图像。
在一种实施方式中,改进编码器包括依次连接的下采样子网络和Transformer子网络,下采样子网络包括线性层和级联的多个ECA下采样单元,每个ECA下采样单元均包括第一卷积层和第一ECA子单元;其中,当前ECA下采样单元中的第一ECA子单元的输入端与当前ECA下采样单元中的第一卷积层的输出端连接,当前ECA下采样单元中的第一ECA子单元的输出端与下一ECA下采样单元中的第一卷积层的输入端连接,位于末端的ECA下采样单元的第一ECA子单元的输出端与线性层的输入端连接;当前ECA下采样单元中的第一ECA子单元用于:对当前ECA下采样单元中的第一卷积层输出的特征图进行通道加权处理。
在一种实施方式中,改进解码器包括级联的多个ECA上采样单元,每个ECA上采样单元均包括每个所述ECA上采样单元均包括第二卷积层和第二ECA子单元;其中,如果当前ECA上采样单元位于首端,则当前ECA上采样单元中的第二卷积层的输入端与Transformer子网络输出reshape后的卷积层、指定ECA下采样单元中的第一ECA子单元的输出端融合后进行连接;如果当前ECA上采样单元未位于首端,则当前ECA上采样单元中的第二卷积层的输入端与前一ECA上采样单元中的第二ECA子单元的输出端、指定ECA下采样单元中的第一ECA子单元的输出端融合后进行连接,所述当前ECA上采样单元中的所述第二卷积层的输出端与所述当前ECA上采样单元中的所述第二ECA子单元的输入端连接;所述当前ECA上采样单元中的所述第二ECA子单元用于:对所述当前ECA上采样单元中的所述第二卷积层输出的特征图进行通道加权处理。
在一种实施方式中,特征提取模块604还用于:提取待辩伪IPPC标识图像的局部纹理特征、全局纹理特征和颜色特征;利用相似性乘积算法对局部纹理特征和全局纹理特征进行特征融合处理,得到待辩伪IPPC标识图像对应的目标纹理特征;利用相似性权重分配对目标纹理特征和颜色特征进行特征融合处理,得到待辩伪IPPC标识图像对应的第一视觉特征。
在一种实施方式中,特征提取模块604还用于:基于局部二值算法,提取待辩伪IPPC标识图像的局部纹理特征;以及,基于灰度共生矩阵算法,提取待辩伪IPPC标识图像的全局纹理特征;以及,基于HSV颜色空间下的颜色矩算法,提取待辩伪IPPC标识图像的颜色特征。
在一种实施方式中,辩伪模块606还用于:分别确定预先配置的视觉特征库中存储的每个第二视觉特征,与第一视觉特征之间的相似性度量;其中,第二视觉特征是基于已辩伪IPPC标识图像提取得到的;如果相似性度量大于第一预设阈值,确定待辩伪IPPC标识图像对应的真伪结果为真;如果相似性度量小于第一预设阈值且大于第二预设阈值,将待辩伪IPPC标识图像发送至指定关联终端,并接收指定关联终端针对待辩伪IPPC标识图像反馈的真伪结果;如果相似性度量小于第二预设阈值,确定待辩伪IPPC标识图像对应的真伪结果为伪。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种服务器,具体的,该服务器包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图7为本发明实施例提供的一种服务器的结构示意图,该服务器100包括:处理器70,存储器71,总线72和通信接口73,所述处理器70、通信接口73和存储器71通过总线72连接;处理器70用于执行存储器71中存储的可执行模块,例如计算机程序。
其中,存储器71可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线72可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器71用于存储程序,所述处理器70在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器70中,或者由处理器70实现。
处理器70可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器70中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器70可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器71,处理器70读取存储器71中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (7)
1.一种木质包装IPPC标识的辩伪方法,其特征在于,包括:
获取待辩伪的目标木质包装图像,并对所述目标木质包装图像进行图像分割处理,得到待辩伪IPPC标识图像;
提取所述待辩伪IPPC标识图像的第一视觉特征;
基于预先配置的视觉特征库和所述第一视觉特征,确定所述待辩伪IPPC标识图像对应的真伪结果;
所述对所述目标木质包装图像进行图像分割处理,得到待辩伪IPPC标识图像的步骤,包括:
通过预先训练得到的图像分割网络,对所述目标木质包装图像进行图像分割处理,得到所述图像分割网络输出的目标木质包装图像分割结果;其中,所述图像分割网络包括改进编码器和改进解码器;
基于所述目标木质包装图像分割结果,确定待辩伪IPPC标识图像;
所述改进编码器包括依次连接的下采样子网络和Transformer子网络,所述下采样子网络包括线性层和级联的多个ECA下采样单元,每个所述ECA下采样单元均包括第一卷积层和第一ECA子单元;
其中,当前ECA下采样单元中的所述第一ECA子单元的输入端与所述当前ECA下采样单元中的所述第一卷积层的输出端连接,所述当前ECA下采样单元中的所述第一ECA子单元的输出端与下一ECA下采样单元中的所述第一卷积层的输入端连接,位于末端的ECA下采样单元的第一ECA子单元的输出端与所述线性层的输入端连接;
所述当前ECA下采样单元中的所述第一ECA子单元用于:对所述当前ECA下采样单元中的所述第一卷积层输出的特征图进行通道加权处理;
所述改进解码器包括级联的多个ECA上采样单元,每个所述ECA上采样单元均包括第二卷积层和第二ECA子单元;其中,
如果当前ECA上采样单元位于首端,则所述当前ECA上采样单元中的所述第二卷积层的输入端与所述Transformer子网络输出reshape后的卷积层、指定ECA下采样单元中的所述第一ECA子单元的输出端融合后进行连接;
如果所述当前ECA上采样单元未位于首端,则所述当前ECA上采样单元中的所述第二卷积层的输入端与前一ECA上采样单元中的所述第二ECA子单元的输出端、指定ECA下采样单元中的所述第一ECA子单元的输出端融合后进行连接;
所述当前ECA上采样单元中的所述第二卷积层的输出端与所述当前ECA上采样单元中的所述第二ECA子单元的输入端连接,所述当前ECA上采样单元中的所述第二ECA子单元用于:对所述当前ECA上采样单元中的所述第二卷积层输出的特征图进行通道加权处理。
2.根据权利要求1所述的方法,其特征在于,所述提取所述待辩伪IPPC标识图像的第一视觉特征的步骤,包括:
提取所述待辩伪IPPC标识图像的局部纹理特征、全局纹理特征和颜色特征;
利用相似性乘积算法对所述局部纹理特征和所述全局纹理特征进行特征融合处理,得到所述待辩伪IPPC标识图像对应的目标纹理特征;
利用相似性权重分配对所述目标纹理特征和所述颜色特征进行特征融合处理,得到所述待辩伪IPPC标识图像对应的第一视觉特征。
3.根据权利要求2所述的方法,其特征在于,所述提取所述待辩伪IPPC标识图像的局部纹理特征、全局纹理特征和颜色特征的步骤,包括:
基于局部二值算法,提取所述待辩伪IPPC标识图像的局部纹理特征;
以及,基于灰度共生矩阵算法,提取所述待辩伪IPPC标识图像的全局纹理特征;
以及,基于HSV颜色空间下的颜色矩算法,提取所述待辩伪IPPC标识图像的颜色特征。
4.根据权利要求1所述的方法,其特征在于,所述基于预先配置的视觉特征库和所述第一视觉特征,确定所述待辩伪IPPC标识图像对应的真伪结果的步骤,包括:
分别确定预先配置的视觉特征库中存储的每个第二视觉特征,与所述第一视觉特征之间的相似性度量;其中,所述第二视觉特征是基于已辩伪IPPC标识图像提取得到的;
如果所述相似性度量大于第一预设阈值,确定所述待辩伪IPPC标识图像对应的真伪结果为真;
如果所述相似性度量小于所述第一预设阈值且大于第二预设阈值,将所述待辩伪IPPC标识图像发送至指定关联终端,并接收所述指定关联终端针对所述待辩伪IPPC标识图像反馈的真伪结果;
如果所述相似性度量小于所述第二预设阈值,确定所述待辩伪IPPC标识图像对应的真伪结果为伪。
5.一种木质包装IPPC标识的辩伪装置,其特征在于,包括:
图像分割模块,用于获取待辩伪的目标木质包装图像,并对所述目标木质包装图像进行图像分割处理,得到待辩伪IPPC标识图像;
特征提取模块,用于提取所述待辩伪IPPC标识图像的第一视觉特征;
辩伪模块,用于基于预先配置的视觉特征库和所述第一视觉特征,确定所述待辩伪IPPC标识图像对应的真伪结果;
所述图像分割模块还用于:
通过预先训练得到的图像分割网络,对所述目标木质包装图像进行图像分割处理,得到所述图像分割网络输出的目标木质包装图像分割结果;其中,所述图像分割网络包括改进编码器和改进解码器;
基于所述目标木质包装图像分割结果,确定待辩伪IPPC标识图像;
所述改进编码器包括依次连接的下采样子网络和Transformer子网络,所述下采样子网络包括线性层和级联的多个ECA下采样单元,每个所述ECA下采样单元均包括第一卷积层和第一ECA子单元;
其中,当前ECA下采样单元中的所述第一ECA子单元的输入端与所述当前ECA下采样单元中的所述第一卷积层的输出端连接,所述当前ECA下采样单元中的所述第一ECA子单元的输出端与下一ECA下采样单元中的所述第一卷积层的输入端连接,位于末端的ECA下采样单元的第一ECA子单元的输出端与所述线性层的输入端连接;
所述当前ECA下采样单元中的所述第一ECA子单元用于:对所述当前ECA下采样单元中的所述第一卷积层输出的特征图进行通道加权处理;
所述改进解码器包括级联的多个ECA上采样单元,每个所述ECA上采样单元均包括第二卷积层和第二ECA子单元;其中,
如果当前ECA上采样单元位于首端,则所述当前ECA上采样单元中的所述第二卷积层的输入端与所述Transformer子网络输出reshape后的卷积层、指定ECA下采样单元中的所述第一ECA子单元的输出端融合后进行连接;
如果所述当前ECA上采样单元未位于首端,则所述当前ECA上采样单元中的所述第二卷积层的输入端与前一ECA上采样单元中的所述第二ECA子单元的输出端、指定ECA下采样单元中的所述第一ECA子单元的输出端融合后进行连接;
所述当前ECA上采样单元中的所述第二卷积层的输出端与所述当前ECA上采样单元中的所述第二ECA子单元的输入端连接,所述当前ECA上采样单元中的所述第二ECA子单元用于:对所述当前ECA上采样单元中的所述第二卷积层输出的特征图进行通道加权处理。
6.一种服务器,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211167937.9A CN115471734B (zh) | 2022-09-23 | 2022-09-23 | 木质包装ippc标识的辩伪方法、装置及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211167937.9A CN115471734B (zh) | 2022-09-23 | 2022-09-23 | 木质包装ippc标识的辩伪方法、装置及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115471734A CN115471734A (zh) | 2022-12-13 |
CN115471734B true CN115471734B (zh) | 2023-04-25 |
Family
ID=84335526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211167937.9A Active CN115471734B (zh) | 2022-09-23 | 2022-09-23 | 木质包装ippc标识的辩伪方法、装置及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471734B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706451A (zh) * | 2021-07-07 | 2021-11-26 | 杭州脉流科技有限公司 | 颅内动脉瘤识别检测的方法、装置、系统和计算机可读存储介质 |
CN114882047A (zh) * | 2022-04-19 | 2022-08-09 | 厦门大学 | 一种基于半监督与Transformers的医学图像分割方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610320A (zh) * | 2017-09-06 | 2018-01-19 | 深圳怡化电脑股份有限公司 | 一种票据识别方法和装置 |
CN109784384B (zh) * | 2018-12-28 | 2023-04-07 | 佛山科学技术学院 | 一种自动辨别商标真伪的方法及装置 |
CN111353396A (zh) * | 2020-02-20 | 2020-06-30 | 江苏东印智慧工程技术研究院有限公司 | 一种基于SCSEOCUnet的混凝土裂缝分割方法 |
US20220108097A1 (en) * | 2020-10-05 | 2022-04-07 | Rakuten, Inc. | Dual encoder attention u-net |
CN114049339B (zh) * | 2021-11-22 | 2023-05-12 | 江苏科技大学 | 一种基于卷积神经网络的胎儿小脑超声图像分割方法 |
-
2022
- 2022-09-23 CN CN202211167937.9A patent/CN115471734B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706451A (zh) * | 2021-07-07 | 2021-11-26 | 杭州脉流科技有限公司 | 颅内动脉瘤识别检测的方法、装置、系统和计算机可读存储介质 |
CN114882047A (zh) * | 2022-04-19 | 2022-08-09 | 厦门大学 | 一种基于半监督与Transformers的医学图像分割方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115471734A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190287204A1 (en) | Neural network based insertion of watermark into images and tampering detection thereof | |
CN108875727B (zh) | 图文标识的检测方法及装置、存储介质、处理器 | |
CN104537544A (zh) | 带覆盖层的基于背景纹理特征提取的商品二维码防伪方法及系统 | |
CN110502694A (zh) | 基于大数据分析的律师推荐方法及相关设备 | |
CN111738979B (zh) | 证件图像质量自动检查方法及系统 | |
CN113963147B (zh) | 一种基于语义分割的关键信息提取方法及系统 | |
JP2022115892A (ja) | 情報処理システム、情報コード生成システム、情報処理方法、及び情報コード生成方法 | |
CN116911883B (zh) | 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 | |
CN109214834A (zh) | 基于区块链的产品溯源方法和装置 | |
CN111191657B (zh) | 一种文字识别方法、装置及计算机可读存储介质 | |
CN109784384B (zh) | 一种自动辨别商标真伪的方法及装置 | |
CN110533704A (zh) | 油墨标签的识别验伪方法、装置、设备及介质 | |
CN115471734B (zh) | 木质包装ippc标识的辩伪方法、装置及服务器 | |
CN113553876A (zh) | 条形码识别方法、装置、设备及存储介质 | |
CN117523586A (zh) | 支票印章的验证方法、装置、电子设备和介质 | |
CN116168275B (zh) | 基于特征分组和通道置换的轻量型双注意力机制识别方法 | |
CN115982388B (zh) | 案件质控图谱建立、案件文书质检方法、设备及存储介质 | |
CN117058723A (zh) | 掌纹识别方法、装置及存储介质 | |
WO2023045535A1 (zh) | 识别图片的方法和装置 | |
CN116797534A (zh) | 一种基于多模态融合的桥梁病害识别方法及装置 | |
CN113989759B (zh) | 用于自动驾驶的基于BiSeNet的车道线识别方法及装置 | |
CN113888760A (zh) | 基于软件应用的违规信息监控方法、装置、设备及介质 | |
Baviskar et al. | Auto Number Plate Recognition | |
CN116563898A (zh) | 基于GhostNet网络的掌静脉图像识别方法、装置、设备及介质 | |
CN115392938B (zh) | 一种基于区块链的电商平台仿冒商品大数据识别方法 |
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 |