CN116935140B - 基于油墨的奢侈品鉴定模型训练方法、鉴定方法及装置 - Google Patents

基于油墨的奢侈品鉴定模型训练方法、鉴定方法及装置 Download PDF

Info

Publication number
CN116935140B
CN116935140B CN202310981638.7A CN202310981638A CN116935140B CN 116935140 B CN116935140 B CN 116935140B CN 202310981638 A CN202310981638 A CN 202310981638A CN 116935140 B CN116935140 B CN 116935140B
Authority
CN
China
Prior art keywords
ink
luxury
image data
image
data
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
Application number
CN202310981638.7A
Other languages
English (en)
Other versions
CN116935140A (zh
Inventor
杨榆
颜鹏
邹积鑫
周琳娜
郭信生
雷敏
陈秀波
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202310981638.7A priority Critical patent/CN116935140B/zh
Publication of CN116935140A publication Critical patent/CN116935140A/zh
Application granted granted Critical
Publication of CN116935140B publication Critical patent/CN116935140B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/82—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)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供基于油墨的奢侈品鉴定模型训练方法、鉴定方法及装置，方法包括：获取基于油墨模式印制的奢侈品皮料的多个外表面图像样本各自对应的包含有油墨颗粒图像的印花区域图像数据；构建以各个所述印花区域图像数据分别作为前景并以不同的各个干扰背景图像数据分别作为背景的融合图像样本数据，以训练细粒度网络模型，得到用于输出真伪鉴定结果数据的基于油墨模式的奢侈品鉴定模型。本申请提出了全新的基于油墨模式的AI鉴伪方法，能够提高奢侈品真伪鉴定的通用性及适用广泛性，并能够在模型训练过程中有效切断其他强信号与标签之间的关联，引导细粒度网络模型学习油墨颗粒特性，能够提高训练得到的奢侈品鉴定模型的应用准确性及灵敏性。

Description

基于油墨的奢侈品鉴定模型训练方法、鉴定方法及装置
技术领域
本申请涉及图像识别技术领域，尤其涉及基于油墨的奢侈品鉴定模型训练方法、鉴定方法及装置。
背景技术
在奢侈品皮质鉴伪的过程中，随着奢侈品仿造工艺水平的升级，基于品牌标志LOGO字体布局风格等鉴伪点进行真伪鉴别的方式主要是靠专家经验来做出判断，若想针对这些鉴伪点实现自动鉴别，则无法保证鉴定的准确性。
目前，现有的奢侈品皮质鉴伪方式通常是采用五金、LOGO、缝线或皮签等图形图案为特征输入人工智能神经网络模型来进行真伪鉴定，该种方式虽然能够实现自动化鉴定，但由于即使是同一品牌的具备皮料的奢侈品，不同系列的形态也有可能存在差异，需要针对各个系列单独训练模型进行识别。不仅需要非常大的训练数据量，且训练过程耗时及所需资源也会大幅增加，同时用户在进行自动鉴定时还需要选取或切换模型，降低了用户使用的便捷度。另外，随着仿制工艺的提高，五金、LOGO或皮签等鉴伪点的可区分性越来越弱，即使融合多个鉴伪点进行模型训练，也可能遭遇真假难辨的情况。也就是说，现有的奢侈品皮料鉴伪方式存在训练复杂度高、应用通用性差且鉴别结果不够准确的问题。
发明内容
鉴于此，本申请实施例提供了基于油墨的奢侈品鉴定模型训练方法、鉴定方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷。
本申请的一个方面提供了一种基于油墨的奢侈品鉴定模型训练方法，包括：
获取基于油墨模式印制的奢侈品皮料的多个外表面图像样本各自对应的包含有油墨颗粒图像的印花区域图像数据；
构建以各个所述印花区域图像数据分别作为前景并以不同的各个干扰背景图像数据分别作为背景的融合图像样本数据；
基于各个所述融合图像样本数据和预获取的各个所述融合图像样本数据各自对应的用于表示真或伪的标签训练预设的细粒度网络模型，以得到用于根据输入的印花区域图像数据对应输出真伪鉴定结果数据的基于油墨模式的奢侈品鉴定模型。
在本申请的一些实施例中，所述构建以各个所述印花区域图像数据分别作为前景并以不同的各个干扰背景图像数据分别作为背景的融合图像样本数据，包括：
获取包含有不同纹理特征的图像数据作为干扰背景图像数据；
将各个所述印花区域图像数据分别作为前景图像，针对每一个所述前景图像随机与不同的所述干扰背景图像数据进行前景背景融合，得到各个所述印花区域图像数据各自对应的各个融合图像样本数据。
在本申请的一些实施例中，所述针对每一个所述前景图像随机与不同的所述干扰背景图像数据进行前景背景融合，包括：
将当前的所述前景图像转化为灰度图，得到当前的所述前景图像的掩膜，并确定该掩膜对应的反掩膜；
对当前的所述前景图像和对应的掩膜进行比特与运算，得到对应的前景图层，并对随机选取的一干扰背景图像数据与所述反掩膜进行比特与运算，得到对应的背景图层；
基于所述前景图层和所述背景图像得到当前的所述前景图像对应的融合图像样本数据。
在本申请的一些实施例中，所述获取基于油墨模式印制的奢侈品皮料的多个外表面图像样本各自对应的包含有油墨颗粒图像的印花区域图像数据，包括：
基于预设的语义分割模型对基于油墨模式印制的奢侈品皮料的多个外表面图像样本分别进行前景和背景的分割，以得到各个所述外表面图像样本中作为前景的印花区域，其中，所述印花区域中包含有油墨颗粒图像。
在本申请的一些实施例中，在所述获取基于油墨模式印制的奢侈品皮料的多个外表面图像样本各自对应的包含有油墨颗粒图像的印花区域图像数据之前，还包括：
获取基于油墨模式印制的奢侈品皮料的多个外表面图像数据；
对各个所述外表面图像数据进行数据清洗及数据规范化处理，得到对应的各个待重建外表面图像数据；
对各个所述待重建外表面图像数据进行图像质量重建，以得到对应的各个外表面图像样本。
在本申请的一些实施例中，所述对各个所述待重建外表面图像数据进行图像质量重建，以得到对应的各个外表面图像样本，包括：
基于Gamma校正算法对各个所述待重建外表面图像数据进行亮度校正，并采用自适应对比度增强算法对各个所述待重建外表面图像数据进行对比度校正；
基于插值算法将各个所述待重建外表面图像数据的大小调整为同一尺寸阈值，以得到各个所述待重建外表面图像数据各自对应的外表面图像样本。
本申请的第二个方面提供了一种基于油墨的奢侈品鉴定方法，包括：
接收基于油墨模式印制的奢侈品皮料的目标外表面图像数据；
获取所述目标外表面图像数据对应的目标印花区域图像数据；
将所述目标印花区域图像数据输入基于油墨模式的奢侈品鉴定模型，以使该奢侈品鉴定模型输出所述目标外表面图像数据对应的真伪鉴定结果数据，其中，所述基于油墨模式的奢侈品鉴定模型预先基于所述的基于油墨的奢侈品鉴定模型训练方法训练得到；
以热力图的形式对所述真伪鉴定结果数据进行可视化处理。
本申请的第三个方面提供了一种基于油墨的奢侈品鉴定模型训练装置，包括：
印花剥离模块，用于获取基于油墨模式印制的奢侈品皮料的多个外表面图像样本各自对应的包含有油墨颗粒图像的印花区域图像数据；
样本合成模块，用于构建以各个所述印花区域图像数据分别作为前景并以不同的各个干扰背景图像数据分别作为背景的融合图像样本数据；
模型训练模块，用于基于各个所述融合图像样本数据和预获取的各个所述融合图像样本数据各自对应的用于表示真或伪的标签训练预设的细粒度网络模型，以得到用于根据输入的印花区域图像数据对应输出真伪鉴定结果数据的基于油墨模式的奢侈品鉴定模型。
本申请的第四个方面提供了一种基于油墨的奢侈品鉴定装置，包括：
数据接收模块，用于接收基于油墨模式印制的奢侈品皮料的目标外表面图像数据；
印花分割模块，用于获取所述目标外表面图像数据对应的目标印花区域图像数据；
真伪鉴定模块，用于将所述目标印花区域图像数据输入基于油墨模式的奢侈品鉴定模型，以使该奢侈品鉴定模型输出所述目标外表面图像数据对应的真伪鉴定结果数据，其中，所述基于油墨模式的奢侈品鉴定模型预先基于所述的基于油墨的奢侈品鉴定模型训练方法训练得到；
可视化模块，用于以热力图的形式对所述真伪鉴定结果数据进行可视化处理。
本申请的第五个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于油墨的奢侈品鉴定模型训练方法，和/或，实现所述的基于油墨的奢侈品鉴定方法。
本申请的第六个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于油墨的奢侈品鉴定模型训练方法，和/或，实现所述的基于油墨的奢侈品鉴定方法。
本申请提供的基于油墨的奢侈品鉴定模型训练方法，获取基于油墨模式印制的奢侈品皮料的多个外表面图像样本各自对应的包含有油墨颗粒图像的印花区域图像数据；构建以各个所述印花区域图像数据分别作为前景并以不同的各个干扰背景图像数据分别作为背景的融合图像样本数据；基于各个所述融合图像样本数据和预获取的各个所述融合图像样本数据各自对应的用于表示真或伪的标签训练预设的细粒度网络模型，以得到用于根据输入的印花区域图像数据对应输出真伪鉴定结果数据的基于油墨模式的奢侈品鉴定模型。通过采用印花区域图像数据作为前景对模型进行训练，而非完整的外表面图像样本，能够有效抑制奢侈品皮料外表面中皮质材料表面凹凸等材质属性对训练过程的干扰，能够有效提高基于油墨模式的奢侈品鉴定模型对印花区域图像中油墨颗粒特征的学习强度，进而能够有效提高训练得到的奢侈品鉴定模型的应用准确性及灵敏性；通过构建以各个所述印花区域图像数据分别作为前景并以不同的各个干扰背景图像数据分别作为背景的融合图像样本数据，能够有效切断其他强信号与标签之间的关联，能够进一步引导细粒度网络模型学习油墨颗粒特性，能够进一步提高训练得到的奢侈品鉴定模型的应用准确性及灵敏性；通过采用细粒度网络模型作为基于油墨模式的奢侈品鉴定模型的模型架构，能够进一步提高对印花区域图像中油墨颗粒特征的学习强度，进而能够采用训练得到的基于油墨模式的奢侈品鉴定模型针对基于油墨模式印制的奢侈品皮料外表面的印花区域图像，对基于油墨模式印制的奢侈品进行真伪鉴定，也就是说，本申请提出了全新的基于油墨模式的AI鉴伪方法，并能够有效提高基于油墨模式印制的奢侈品真伪鉴定的通用性及适用广泛性，能够提高用户进行基于油墨模式印制的奢侈品真伪鉴定的便捷性及效率，并降低模型训练所需资源及复杂度，提高模型训练效率，并能够有效提高真伪鉴定结果的准确性及灵敏性。
本申请的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本申请的实践而获知。本申请的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是，能够用本申请实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本申请能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。附图中的部件不是成比例绘制的，而只是为了示出本申请的原理。为了便于示出和描述本申请的一些部分，附图中对应部分可能被放大，即，相对于依据本申请实际制造的示例性装置中的其它部件可能变得更大。在附图中：
图1为本申请一实施例中的基于油墨的奢侈品鉴定模型训练方法的第一种流程示意图。
图2为本申请一实施例中的基于油墨的奢侈品鉴定模型训练方法的第二种流程示意图。
图3为本申请一实施例中的基于油墨的奢侈品鉴定模型训练方法中步骤220的执行流程示意图。
图4为本申请一实施例中的基于油墨的奢侈品鉴定模型训练方法中步骤030的执行流程示意图。
图5为本申请一应用实例中的基于油墨的奢侈品鉴定模型训练方法的流程示意图。
图6分别显示了正品和假品的印花区域图像数据的原始图像、随机切割后的效果、增强后的效果、分割后的效果、合成样本后的效果和模型识别效果之间的对比举例。
图7为本申请一实施例中的基于油墨的奢侈品鉴定方法的流程示意图。
图8为本申请一实施例中的基于油墨的奢侈品鉴定模型训练装置的结构示意图。
图9为本申请一实施例中的基于油墨的奢侈品鉴定装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本申请做进一步详细说明。在此，本申请的示意性实施方式及其说明用于解释本申请，但并不作为对本申请的限定。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本申请，在附图中仅仅示出了与根据本申请的方案密切相关的结构和/或处理步骤，而省略了与本申请关系不大的其他细节。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。
在下文中，将参考附图描述本申请的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
为了解决现有的奢侈品鉴伪方式存在训练复杂度高、应用通用性差且鉴别结果不够准确等问题，本申请实施例分别提供一种基于油墨的奢侈品鉴定模型训练方法、基于油墨的奢侈品鉴定方法、用于执行该基于油墨的奢侈品鉴定模型训练方法的基于油墨的奢侈品鉴定模型训练装置、实体设备和计算机可读存储介质，用于执行所述基于油墨的奢侈品鉴定方法的基于油墨的奢侈品鉴定装置、实体设备和计算机可读存储介质，能够有效提高基于油墨模式印制的奢侈品真伪鉴定的通用性及适用广泛性，并能够在模型训练过程中有效切断其他强信号与标签之间的关联，引导细粒度网络模型学习油墨颗粒特性，能够提高用户进行基于油墨模式印制的奢侈品真伪鉴定的便捷性及效率，并降低模型训练所需资源及复杂度，提高模型训练效率，能够提高训练得到的奢侈品鉴定模型的应用准确性及灵敏性。
具体通过下述实施例进行详细说明。
本申请的设计人经研究发现，现有的人工智能神经网络模型的注意力主要都集中在皮包的强信号区域上，对真伪奢侈品间弱信号区域关注较少，很难使用人工智能神经网络模型的手段去直接学习到真假奢侈品喷墨模式间细微的特征差别。以路易斯威登(LOUISVUITTON)品牌为例，放大其真假皮包的细节图片观察可以发现，正品图案中的印花部分墨点均匀，边缘清晰，墨点间彼此无粘连。仿品通常不使用此类高水平、高成本工艺。然而，墨点形态布局等“微观特征”，相对于品牌LOGO、花纹、图案等“宏观特征”而言，难以被自动化的方法提取和表达。因此使得通过人工智能相关方法来进行奢侈品皮包真伪鉴定也就成为了一大难题，本申请则是针对这一难题，提出了全新的基于油墨模式的AI鉴伪方法，利用油墨模式鉴伪的自动化技术，能够有效检测高仿级伪品。基于油墨模式的AI鉴伪，比基于LOGO字样、五金或皮签的鉴伪有优势，对各个系列都通用，例如，路易斯威登(LOUIS VUITTON)品牌的各个系列：牛角包、信封包、邮差包、双肩包等均可以用本申请提供的这一种方式鉴定。
基于此，本申请实施例提供一种可由基于油墨的奢侈品鉴定模型训练装置实现的基于油墨的奢侈品鉴定模型训练方法，参见图1，所述基于油墨的奢侈品鉴定模型训练方法具体包含有如下内容：
步骤100：获取基于油墨模式印制的奢侈品皮料的多个外表面图像样本各自对应的包含有油墨颗粒图像的印花区域图像数据。
在本申请的一个或多个实施例中，所述奢侈品均是指包含有基于油墨模式印制的皮质材料的奢侈品，例如印制有油墨印花的皮包、皮衣裤、皮质家具等等，皮料可以指动物皮加工后的皮料，也可以为非动物的环保皮料等。可以理解的是，凡是能够应用油墨模式印制的皮料或其他材料，均在本申请的可实施范围中。基于油墨模式印制是指用油墨以喷墨等形式印制。
可以理解的是，本申请中提及的所述奢侈品并不由物品价格限定，凡是被认定为奢侈品类的品牌出售的物品，都可被称之为奢侈品。
步骤200：构建以各个所述印花区域图像数据分别作为前景并以不同的各个干扰背景图像数据分别作为背景的融合图像样本数据。
在本申请的一个或多个实施例中，所述干扰背景图像数据用于引导细粒度网络模型将注意力从背景转移到细粒度的具有分类特征的印花区域图像数据中的油墨颗粒，放弃从噪声复杂的背景中寻找具有区分度的特征，具体可以采用不同的纹理数据集、环境数据集(森林图像、海洋图像等)。
步骤300：基于各个所述融合图像样本数据和预获取的各个所述融合图像样本数据各自对应的用于表示真或伪的标签训练预设的细粒度网络模型，以得到用于根据输入的印花区域图像数据对应输出真伪鉴定结果数据的基于油墨模式的奢侈品鉴定模型。
在步骤300中，所述细粒度网络模型包括：MMAL-Net网络。MMAL-Net网络是多分支多尺度学习网络，基于全局特征的弱监督细粒度分类方法。沿用了另一种局部特征分类所用到的方法，以三级级联作为整体架构。MMAL-Net网络分类的准确性较高。
本申请实施例采用MMAL-Net网络，相较于AlexNet网络等，通过将原始数据集改造成前景背景混淆数据集，将该数据集送到细粒度神经网络中(MMAL-Net)，能够在原始数据基础上大幅提高鉴伪准确率。
从上述描述可知，本申请实施例提供的基于油墨的奢侈品鉴定模型训练方法，是一种全新的基于油墨模式的AI鉴伪方法，通过采用印花区域图像数据作为前景对模型进行训练，而非完整的外表面图像样本，能够有效抑制奢侈品皮料外表面中皮质材料表面凹凸等材质属性对训练过程的干扰，能够有效提高基于油墨模式的奢侈品鉴定模型对印花区域图像中油墨颗粒特征的学习强度，进而能够有效提高训练得到的奢侈品鉴定模型的应用准确性及灵敏性；通过构建以各个所述印花区域图像数据分别作为前景并以不同的各个干扰背景图像数据分别作为背景的融合图像样本数据，能够有效切断其他强信号与标签之间的关联，能够进一步引导细粒度网络模型学习油墨颗粒特性，能够进一步提高训练得到的奢侈品鉴定模型的应用准确性及灵敏性；通过采用细粒度网络模型作为基于油墨模式的奢侈品鉴定模型的模型架构，能够进一步提高对印花区域图像中油墨颗粒特征的学习强度，进而能够采用训练得到的基于油墨模式的奢侈品鉴定模型针对基于油墨模式印制的奢侈品皮料外表面的印花区域图像，对基于油墨模式印制的奢侈品进行真伪鉴定，能够有效提高基于油墨模式印制的奢侈品真伪鉴定的通用性及适用广泛性，能够提高用户进行基于油墨模式印制的奢侈品真伪鉴定的便捷性及效率，并降低模型训练所需资源及复杂度，提高模型训练效率，并能够有效提高真伪鉴定结果的准确性及灵敏性。
为了进一步提高基于油墨的奢侈品鉴定模型训练的有效性及适用广泛性，在本申请实施例提供的一种基于油墨的奢侈品鉴定模型训练方法中，参见图2，所述基于油墨的奢侈品鉴定模型训练方法中的步骤200具体包含有如下内容：
步骤210：获取包含有不同纹理特征的图像数据作为干扰背景图像数据。
步骤220：将各个所述印花区域图像数据分别作为前景图像，针对每一个所述前景图像随机与不同的所述干扰背景图像数据进行前景背景融合，得到各个所述印花区域图像数据各自对应的各个融合图像样本数据。
为了进一步提高基于油墨的奢侈品鉴定模型训练的有效性及适用广泛性，在本申请实施例提供的一种基于油墨的奢侈品鉴定模型训练方法中，参见图3，所述基于油墨的奢侈品鉴定模型训练方法中的步骤220具体包含有如下内容：
步骤221：将当前的所述前景图像转化为灰度图，得到当前的所述前景图像的掩膜，并确定该掩膜对应的反掩膜；
步骤222：对当前的所述前景图像和对应的掩膜进行比特与运算，得到对应的前景图层，并对随机选取的一干扰背景图像数据与所述反掩膜进行比特与运算，得到对应的背景图层；
步骤223：基于所述前景图层和所述背景图像得到当前的所述前景图像对应的融合图像样本数据。
具体来说，假设x∈RW×H×C表示训练图片(即外表面图像样本)，y分别x对应的标签，R表示由各个外表面图像样本构成的数据集，W、H和C分别代表训练图片的宽、高和特征图通道数。算法的核心目标是从训练样本(xA，y)分割出印花图案(xB，y)，即印花区域图像数据；随机挑选一张强信号背景图像xC，即干扰背景图像数据，将印花图案(xB，y)与xC进行结合得到融合图像样本数据(xD，y)，生成的融合图像样本数据(xD，yD)被用于训练细粒度网络模型。
定义结合的公式如下：
xD＝xB⊙xC
yD＝y
其中，⊙符号表示先将其左边的图像xB转为灰度图，得到掩膜mask，再求得mask的反掩膜mask_inv，对前景图和mask进行比特与运算，得到只包含前景物体的图层fg，对背景图和mask_inv进行比特与运算，得到剩余的背景部分bg，将fg和bg相加，得到最终的融合结果xD。xD即为样本合成的最终结果。
也就是说，为了引导模型学习油墨颗粒属性，必须切断其他强信号和标签之间的关联。本申请使用多样化策略，为正品和仿品印花随机配备背景，生成新的样本并训练细粒度网络模型MMAL-Net。同时，本申请实施例的核心在于构造奢侈品印花喷墨混淆数据集，训练数据改变了，并不需要改变原有模型结构，能够进一步降低模型训练的计算复杂度并提高效率。
为了进一步提高基于油墨的奢侈品鉴定模型训练的有效性及适用广泛性，在本申请实施例提供的一种基于油墨的奢侈品鉴定模型训练方法中，参见图2，所述基于油墨的奢侈品鉴定模型训练方法中的步骤100具体包含有如下内容：
步骤110：基于预设的语义分割模型对基于油墨模式印制的奢侈品皮料的多个外表面图像样本分别进行前景和背景的分割，以得到各个所述外表面图像样本中作为前景的印花区域，其中，所述印花区域中包含有油墨颗粒图像。
具体来说，印花的油墨模式，即油墨颗粒清晰度、布局规范化等属性，相较于图像中的其他对象而言是弱信号。缝线、皮签、锁扣等等“宏观”轮廓图案自不必言，即使是材质属性，例如皮质材料表面凹凸呈现的图像模式，比起油墨模式，也是更强的信号，更容易被模型学习。为了抑制这种干扰，必须把印花从图像中剥离。本申请使用语义分割模型中的Deeplabv3+技术进行分割。Deeplabv3+模型引入了可任意控制编码器提取特征的分辨率，通过空洞卷积平衡精度和耗时。
为了进一步提高基于油墨的奢侈品鉴定模型训练的有效性及可靠性，在本申请实施例提供的一种基于油墨的奢侈品鉴定模型训练方法中，参见图2，所述基于油墨的奢侈品鉴定模型训练方法中的步骤100之前还具体包含有如下内容：
步骤010：获取基于油墨模式印制的奢侈品皮料的多个外表面图像数据；
步骤020：对各个所述外表面图像数据进行数据清洗及数据规范化处理，得到对应的各个待重建外表面图像数据。
具体来说，数据清洗及数据规范化处理可以包含有：从多个外表面图像数据构成的数据集中去除数据集中存在的脏数据、失效数据和异常值，并将样本调整到一个特定的范围内，该范围具体可以根据实际情况设定，让样本各属性之间具有可比性。
步骤030：对各个所述待重建外表面图像数据进行图像质量重建，以得到对应的各个外表面图像样本。
为了进一步提高基于油墨的奢侈品鉴定模型训练的有效性及可靠性，在本申请实施例提供的一种基于油墨的奢侈品鉴定模型训练方法中，参见图4，所述基于油墨的奢侈品鉴定模型训练方法中的步骤030具体包含有如下内容：
步骤031：基于Gamma校正算法对各个所述待重建外表面图像数据进行亮度校正，并采用自适应对比度增强算法对各个所述待重建外表面图像数据进行对比度校正；
步骤032：基于插值算法将各个所述待重建外表面图像数据的大小调整为同一尺寸阈值，以得到各个所述待重建外表面图像数据各自对应的外表面图像样本。
具体来说，本申请需要针对油墨颗粒这一“微观”特征进行识别，因此要求图像清晰度、对比度足够高。服务使用者提供的整包照片或印花区域照片通常存在模糊、失焦(焦点在其他对象)、曝光不足、曝光过渡等情况。对此，本申请可以首先使用Gamma矫正优化图像的亮度，使得印花区域亮度适中。而后，本申请使用自适应对比度增强算法(ACE)改进印花区域油墨颗粒的清晰度并通过插值算法将样本大小调整为240×240。
现有技术需要对数据增强、提取感兴趣区域、扩充数据，具体是阈值分割(将彩图转化为灰度图)；对灰度图像进行二值化处理，得到二值化图像，并截取ROI区域来扩充数据，而本申请则是对数据集进行样本图像质量重建、印花剥离(这里使用DeepLab V3+算法)、以及样本合成，从图像样本中直接分割出印花喷墨前景数据集，将准备好的背景纹理数据集与印花喷墨前景数据集使用样本合成算法进行前景背景混合得到前景背景混合数据集，最后将前景背景混合数据集与原数据集进行按类别混合得到最终的数据集，将最终数据集送入细粒度模型中训练即可。
为了进一步说明上述方案，本申请还提供一种基于油墨的奢侈品鉴定模型训练方法的具体应用实例，提出了针对奢侈品皮包上喷墨模式有效鉴定的方法，包括对奢侈品喷墨印花数据集进行四步数据处理以及对处理之后数据送入神经网络模型进行分类训练验证测试这两大部分内容。参见图5，所述基于油墨的奢侈品鉴定模型训练方法的应用实例具体包含有如下内容：
S1：数据清洗和规范：针对初始喷墨数据集进行数据清洗和规范。
S2：图像质量重建：根据亮度、色度和对比度属性，滑动窗口，按局部自适应方法，增强图像样本质量。
具体来说，利用亮度和对比度校正算法对奢侈品皮包印花喷墨数据集进行一个初步的对比度、色度和亮度增强，使得印花区域亮度适中，增强印花区域的喷墨细节的同时也抑制了图像的噪声影响，使得图像更加干净、清晰。
本申请需要针对油墨颗粒这一“微观”特征进行识别，因此要求图像清晰度、对比度足够高。服务使用者提供的整包照片或印花区域照片通常存在模糊、失焦(焦点在其他对象)、曝光不足、曝光过渡等情况。对此，本申请首先使用Gamma矫正优化图像的亮度，使得印花区域亮度适中。而后，本申请使用自适应对比度增强算法(ACE)改进印花区域油墨颗粒的清晰度，并通过插值算法将样本大小调整为240×240。
S3：印花剥离：定位图案或LOGO等包含墨点的模式，将其从图像中剥离，从而实现对象和背景的分割。
具体来说，可以使用语义分割模型中的Deeplabv3+技术进行分割。
S4：样本合成：基于多样化原理，用步骤S3剥离的模式，随机地与材质混合形成新样本。
为了引导模型学习油墨颗粒属性，必须切断其他强信号和标签之间的关联。本申请使用多样化策略，使用Deeplabv3+语义分割算法对进行过前两部分数据处理之后的数据集进行前景背景分离处理，得到只有印花的前景数据集，为正品和仿品印花随机配备背景，生成新的样本并训练模型。
由于神经网络模型对材质背景区域较为关注，几乎忽略了用于分类的弱信号喷墨模式，使用主流的语义分割模型DeepLab V3+将强信号材质背景区域从图像中移除，保留只有印花喷墨的前景数据集；再利用前景背景融合算法为前景数据集融合多样的强信号材质背景图，相当于在原有数据集的基础上将相同的强信号材质背景替换成不同的背景，增加背景的多样性，引导模型的注意力到数据集中图片的喷墨模式区域，实现模型对弱信号喷墨区域的关注。
经过相应的预处理之后，得到最终预处理之后可用于训练的待鉴定的喷墨印花数据集，采用细粒度神经网络模型MMAL提取待鉴定喷墨印花细节数据集的特征用于真伪分类训练。实验结果表明，处理之后的奢侈品细节数据集在常规的神经网络模型上的准确率相对于未经处理的奢侈品喷墨印花细节数据集有了明显提升，且模型生成的热力图高热区域几乎都集中于印花喷墨区域。举例来说，图6分别显示了正品和伪品的印花区域图像数据的原始图像、随机切割后的效果图、增强后的效果图、分割后的效果图、合成样本后的效果图和模型识别效果图之间的对比结果。需要说明的是，图6仅为不同阶段的对比之用，在实际应用过程中，步骤700中以热力图可视化显示的可以仅包含有最后的模型识别效果图。
本应用实例的核心之处在于使用多样化策略，构造背景混淆数据集，对奢侈品喷墨印花样本中强信号材质背景区域进行背景替换，让喷墨印花数据集中的强信号材质背景多样化、弱信号印花喷墨区域单一化，达到引导模型关注奢侈品图像中模型难以关注的弱信号喷墨区域特征差异的目的。常规奢侈品样本的“宏观”模式(如凹凸不平的材质和纹理)容易被模型所关注，因为它们从机器学习的角度来说更显著，训练所得模型会忽略了油墨模式这一细节、微观特征，无法学习到真伪奢侈品油墨模式的差异。本方法运用混淆样本，解耦了宏观模式和真伪结论之间的关联，引导模型学习了油墨模式这一微观特征。
综上所述，本申请应用实例提供的基于油墨的奢侈品鉴定模型训练方法，区别于传统的基于五金、LOGO、缝线或皮签等以“宏观”图形图案为特征的鉴伪方式，选择油墨模式这一“微观”级别的图形图案为鉴伪点。该解决申请的优势表现为至少以下两点：
第一：通用性。五金、LOGO或皮签等鉴伪点因系列而差异，即使是同一品牌，不同系列的形态也有可能有差异，需要针对各个系列单独训练模型进行识别。不仅需要的数据量大，而且效率不高。油墨模式则不同，基于油墨模式训练的模型具有通用性。
第二：灵敏性。随着仿制工艺的提高，五金、LOGO或皮签等鉴伪点的可区分性越来越弱，即使融合多个鉴伪点进行判别，也可能遭遇真假难辨的情况。相交而言，油墨模式属于“微观”鉴伪点，正品墨点颗粒清晰无粘连、排列布局规范，受成本和工艺难度约束，仿品很难在这个粒度上接近正品。因此，基于油墨模式的鉴伪可以分辨各种水准的仿制品。
基于上述基于油墨的奢侈品鉴定模型训练方法的实施例，本申请还提供一种基于油墨的奢侈品鉴定方法，参见图7，所述基于油墨的奢侈品鉴定方法具体包含有如下内容：
步骤400：接收基于油墨模式印制的奢侈品皮料的目标外表面图像数据。
可以理解的是，步骤400中的目标外表面图像数据也可以采用步骤010至步骤030等方式进行处理。
步骤500：获取所述目标外表面图像数据对应的目标印花区域图像数据。
可以理解的是，步骤500中的目标印花区域图像数据也可以采用步骤110等方式进行处理。
步骤600：将所述目标印花区域图像数据输入基于油墨模式的奢侈品鉴定模型，以使该奢侈品鉴定模型输出所述目标外表面图像数据对应的真伪鉴定结果数据，其中，所述基于油墨模式的奢侈品鉴定模型预先基于所述基于油墨的奢侈品鉴定模型训练方法训练得到。
在步骤600中，所述目标印花区域图像数据中至少包含有所述目标外表面图像数据对应的奢侈品为真的概率值、奢侈品为假的概率值以及无法分辨的概率值。
步骤700：以热力图的形式对所述真伪鉴定结果数据进行可视化处理。
从软件层面来说，本申请还提供一种用于执行所述基于油墨的奢侈品鉴定模型训练方法中全部或部分内的基于油墨的奢侈品鉴定模型训练装置，参见图8，所述基于油墨的奢侈品鉴定模型训练装置具体包含有如下内容：
印花剥离模块10，用于获取基于油墨模式印制的奢侈品皮料的多个外表面图像样本各自对应的包含有油墨颗粒图像的印花区域图像数据。
样本合成模块20，用于构建以各个所述印花区域图像数据分别作为前景并以不同的各个干扰背景图像数据分别作为背景的融合图像样本数据。
模型训练模块30，用于基于各个所述融合图像样本数据和预获取的各个所述融合图像样本数据各自对应的用于表示真或伪的标签训练预设的细粒度网络模型，以得到用于根据输入的印花区域图像数据对应输出真伪鉴定结果数据的基于油墨模式的奢侈品鉴定模型。
本申请提供的基于油墨的奢侈品鉴定模型训练装置的实施例具体可以用于执行上述实施例中的基于油墨的奢侈品鉴定模型训练方法的实施例的处理流程，其功能在此不再赘述，可以参照上述基于油墨的奢侈品鉴定模型训练方法实施例的详细描述。
所述基于油墨的奢侈品鉴定模型训练装置进行基于油墨的奢侈品鉴定模型训练的部分可以在服务器中执行，也可以在客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器，用于基于油墨的奢侈品鉴定模型训练的具体处理。
上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
上述服务器与所述客户端设备端之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。
从上述描述可知，本申请实施例提供的基于油墨的奢侈品鉴定模型训练装置，通过采用印花区域图像数据作为前景对模型进行训练，而非完整的外表面图像样本，能够有效抑制奢侈品皮料外表面中皮质材料表面凹凸等材质属性对训练过程的干扰，能够有效提高基于油墨模式的奢侈品鉴定模型对印花区域图像中油墨颗粒特征的学习强度，进而能够有效提高训练得到的奢侈品鉴定模型的应用准确性及灵敏性；通过构建以各个所述印花区域图像数据分别作为前景并以不同的各个干扰背景图像数据分别作为背景的融合图像样本数据，能够有效切断其他强信号与标签之间的关联，能够进一步引导细粒度网络模型学习油墨颗粒特性，能够进一步提高训练得到的奢侈品鉴定模型的应用准确性及灵敏性；通过采用细粒度网络模型作为基于油墨模式的奢侈品鉴定模型的模型架构，能够进一步提高对印花区域图像中油墨颗粒特征的学习强度，进而能够采用训练得到的基于油墨模式的奢侈品鉴定模型针对基于油墨模式印制的奢侈品皮料外表面的印花区域图像，对基于油墨模式印制的奢侈品进行真伪鉴定，能够有效提高基于油墨模式印制的奢侈品真伪鉴定的通用性及适用广泛性，能够提高用户进行基于油墨模式印制的奢侈品真伪鉴定的便捷性及效率，并降低模型训练所需资源及复杂度，提高模型训练效率，并能够有效提高真伪鉴定结果的准确性及灵敏性。
从软件层面来说，本申请还提供一种用于执行所述基于油墨的奢侈品鉴定方法中全部或部分内的基于油墨的奢侈品鉴定装置，参见图9，所述基于油墨的奢侈品鉴定装置具体包含有如下内容：
数据接收模块40，用于接收基于油墨模式印制的奢侈品皮料的目标外表面图像数据。
印花分割模块50，用于获取所述目标外表面图像数据对应的目标印花区域图像数据。
真伪鉴定模块60，用于将所述目标印花区域图像数据输入基于油墨模式的奢侈品鉴定模型，以使该奢侈品鉴定模型输出所述目标外表面图像数据对应的真伪鉴定结果数据，其中，所述基于油墨模式的奢侈品鉴定模型预先基于所述的基于油墨的奢侈品鉴定模型训练方法训练得到。
可视化模块70，用于对所述目标印花区域图像数据以及所述真伪鉴定结果数据进行可视化处理。
本申请提供的基于油墨的奢侈品鉴定装置的实施例具体可以用于执行上述实施例中的基于油墨的奢侈品鉴定方法的实施例的处理流程，其功能在此不再赘述，可以参照上述基于油墨的奢侈品鉴定方法实施例的详细描述。
所述基于油墨的奢侈品鉴定装置进行基于油墨的奢侈品鉴定的部分可以在服务器中执行，也可以在客户端设备中完成。
本申请实施例还提供了一种电子设备，该电子设备可以包括处理器、存储器、接收器及发送器，处理器用于执行上述实施例提及的基于油墨的奢侈品鉴定模型训练和/或基于油墨的奢侈品鉴定方法，其中处理器和存储器可以通过总线或者其他方式连接，以通过总线连接为例。该接收器可通过有线或无线方式与处理器、存储器连接。
处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的基于油墨的奢侈品鉴定模型训练和/或基于油墨的奢侈品鉴定方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的基于油墨的奢侈品鉴定模型训练和/或基于油墨的奢侈品鉴定方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行实施例中的基于油墨的奢侈品鉴定模型训练和/或基于油墨的奢侈品鉴定方法。
在本申请的一些实施例中，用户设备可以包括处理器、存储器和收发单元，该收发单元可包括接收器和发送器，处理器、存储器、接收器和发送器可通过总线系统连接，存储器用于存储计算机指令，处理器用于执行存储器中存储的计算机指令，以控制收发单元收发信号。
作为一种实现方式，本申请中接收器和发送器的功能可以考虑通过收发电路或者收发的专用芯片来实现，处理器可以考虑通过专用处理芯片、处理电路或通用芯片实现。
作为另一种实现方式，可以考虑使用通用计算机的方式来实现本申请实施例提供的服务器。即将实现处理器，接收器和发送器功能的程序代码存储在存储器中，通用处理器通过执行存储器中的代码来实现处理器，接收器和发送器的功能。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述基于油墨的奢侈品鉴定模型训练和/或基于油墨的奢侈品鉴定方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
本申请中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于油墨的奢侈品鉴定模型训练方法，其特征在于，包括：
获取基于油墨模式印制的奢侈品皮料的多个外表面图像样本各自对应的包含有油墨颗粒图像的印花区域图像数据；
构建以各个所述印花区域图像数据分别作为前景并以不同的各个干扰背景图像数据分别作为背景的融合图像样本数据；
基于各个所述融合图像样本数据和预获取的各个所述融合图像样本数据各自对应的用于表示真或伪的标签训练预设的细粒度网络模型，以得到用于根据输入的印花区域图像数据对应输出真伪鉴定结果数据的基于油墨模式的奢侈品鉴定模型。
2.根据权利要求1所述的基于油墨的奢侈品鉴定模型训练方法，其特征在于，所述构建以各个所述印花区域图像数据分别作为前景并以不同的各个干扰背景图像数据分别作为背景的融合图像样本数据，包括：
获取包含有不同纹理特征的图像数据作为干扰背景图像数据；
将各个所述印花区域图像数据分别作为前景图像，针对每一个所述前景图像随机与不同的所述干扰背景图像数据进行前景背景融合，得到各个所述印花区域图像数据各自对应的各个融合图像样本数据。
3.根据权利要求2所述的基于油墨的奢侈品鉴定模型训练方法，其特征在于，所述针对每一个所述前景图像随机与不同的所述干扰背景图像数据进行前景背景融合，包括：
将当前的所述前景图像转化为灰度图，得到当前的所述前景图像的掩膜，并确定该掩膜对应的反掩膜；
对当前的所述前景图像和对应的掩膜进行比特与运算，得到对应的前景图层，并对随机选取的一干扰背景图像数据与所述反掩膜进行比特与运算，得到对应的背景图层；
基于所述前景图层和所述背景图像得到当前的所述前景图像对应的融合图像样本数据。
4.根据权利要求1所述的基于油墨的奢侈品鉴定模型训练方法，其特征在于，所述获取基于油墨模式印制的奢侈品皮料的多个外表面图像样本各自对应的包含有油墨颗粒图像的印花区域图像数据，包括：
基于预设的语义分割模型对基于油墨模式印制的奢侈品皮料的多个外表面图像样本分别进行前景和背景的分割，以得到各个所述外表面图像样本中作为前景的印花区域，其中，所述印花区域中包含有油墨颗粒图像。
5.根据权利要求1至4任一项所述的基于油墨的奢侈品鉴定模型训练方法，其特征在于，在所述获取基于油墨模式印制的奢侈品皮料的多个外表面图像样本各自对应的包含有油墨颗粒图像的印花区域图像数据之前，还包括：
获取基于油墨模式印制的奢侈品皮料的多个外表面图像数据；
对各个所述外表面图像数据进行数据清洗及数据规范化处理，得到对应的各个待重建外表面图像数据；
对各个所述待重建外表面图像数据进行图像质量重建，以得到对应的各个外表面图像样本。
6.根据权利要求5所述的基于油墨的奢侈品鉴定模型训练方法，其特征在于，所述对各个所述待重建外表面图像数据进行图像质量重建，以得到对应的各个外表面图像样本，包括：
基于Gamma校正算法对各个所述待重建外表面图像数据进行亮度校正，并采用自适应对比度增强算法对各个所述待重建外表面图像数据进行对比度校正；
基于插值算法将各个所述待重建外表面图像数据的大小调整为同一尺寸阈值，以得到各个所述待重建外表面图像数据各自对应的外表面图像样本。
7.一种基于油墨的奢侈品鉴定方法，其特征在于，包括：
接收基于油墨模式印制的奢侈品皮料的目标外表面图像数据；
获取所述目标外表面图像数据对应的目标印花区域图像数据；
将所述目标印花区域图像数据输入基于油墨模式的奢侈品鉴定模型，以使该奢侈品鉴定模型输出所述目标外表面图像数据对应的真伪鉴定结果数据，其中，所述基于油墨模式的奢侈品鉴定模型预先基于权利要求1至6任一项所述的基于油墨的奢侈品鉴定模型训练方法训练得到；
以热力图的形式对所述真伪鉴定结果数据进行可视化处理。
8.一种基于油墨的奢侈品鉴定模型训练装置，其特征在于，包括：
印花剥离模块，用于获取基于油墨模式印制的奢侈品皮料的多个外表面图像样本各自对应的包含有油墨颗粒图像的印花区域图像数据；
样本合成模块，用于构建以各个所述印花区域图像数据分别作为前景并以不同的各个干扰背景图像数据分别作为背景的融合图像样本数据；
模型训练模块，用于基于各个所述融合图像样本数据和预获取的各个所述融合图像样本数据各自对应的用于表示真或伪的标签训练预设的细粒度网络模型，以得到用于根据输入的印花区域图像数据对应输出真伪鉴定结果数据的基于油墨模式的奢侈品鉴定模型。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于油墨的奢侈品鉴定模型训练方法，和/或，实现如权利要求7所述的基于油墨的奢侈品鉴定方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于油墨的奢侈品鉴定模型训练方法，和/或，实现如权利要求7所述的基于油墨的奢侈品鉴定方法。
CN202310981638.7A 2023-08-04 2023-08-04 基于油墨的奢侈品鉴定模型训练方法、鉴定方法及装置 Active CN116935140B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310981638.7A CN116935140B (zh) 2023-08-04 2023-08-04 基于油墨的奢侈品鉴定模型训练方法、鉴定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310981638.7A CN116935140B (zh) 2023-08-04 2023-08-04 基于油墨的奢侈品鉴定模型训练方法、鉴定方法及装置

Publications (2)

Publication Number Publication Date
CN116935140A CN116935140A (zh) 2023-10-24
CN116935140B true CN116935140B (zh) 2024-04-16

Family

ID=88378987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310981638.7A Active CN116935140B (zh) 2023-08-04 2023-08-04 基于油墨的奢侈品鉴定模型训练方法、鉴定方法及装置

Country Status (1)

Country Link
CN (1) CN116935140B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117392684B (zh) * 2023-11-02 2024-05-14 北京邮电大学 奢侈品鉴定模型训练方法、奢侈品鉴定方法及其装置
CN117809138B (zh) * 2024-02-23 2024-05-14 中国电子科技集团公司第二十九研究所 一种多余物检测图像数据集增强方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096971A (zh) * 2015-05-01 2016-11-09 海南亚元防伪技术研究所（普通合伙） 墨沿防伪方法及墨沿防伪网络鉴别系统
CN108520285A (zh) * 2018-04-16 2018-09-11 清华大学 物品鉴别方法、系统、设备及存储介质
CN112651410A (zh) * 2019-09-25 2021-04-13 图灵深视(南京)科技有限公司 用于鉴别的模型的训练、鉴别方法、系统、设备及介质
CN112699726A (zh) * 2020-11-11 2021-04-23 中国科学院计算技术研究所数字经济产业研究院 图像增强方法、真伪商品鉴别方法及设备
CN113610545A (zh) * 2021-08-10 2021-11-05 山西农业大学 产品防伪方法、系统、设备及存储介质
CN115994997A (zh) * 2021-10-15 2023-04-21 上海翩行网络科技有限公司 具有鉴定功能的二手奢侈品交易平台、系统及方法
CN116128530A (zh) * 2023-01-17 2023-05-16 薛峰技术咨询(上海)工作室 一种物品鉴定方法、系统、电子设备及可读存储介质
WO2023137914A1 (zh) * 2022-01-18 2023-07-27 平安科技（深圳）有限公司 图像处理方法、装置、电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096971A (zh) * 2015-05-01 2016-11-09 海南亚元防伪技术研究所（普通合伙） 墨沿防伪方法及墨沿防伪网络鉴别系统
CN108520285A (zh) * 2018-04-16 2018-09-11 清华大学 物品鉴别方法、系统、设备及存储介质
CN112651410A (zh) * 2019-09-25 2021-04-13 图灵深视(南京)科技有限公司 用于鉴别的模型的训练、鉴别方法、系统、设备及介质
CN112699726A (zh) * 2020-11-11 2021-04-23 中国科学院计算技术研究所数字经济产业研究院 图像增强方法、真伪商品鉴别方法及设备
CN113610545A (zh) * 2021-08-10 2021-11-05 山西农业大学 产品防伪方法、系统、设备及存储介质
CN115994997A (zh) * 2021-10-15 2023-04-21 上海翩行网络科技有限公司 具有鉴定功能的二手奢侈品交易平台、系统及方法
WO2023137914A1 (zh) * 2022-01-18 2023-07-27 平安科技（深圳）有限公司 图像处理方法、装置、电子设备及存储介质
CN116128530A (zh) * 2023-01-17 2023-05-16 薛峰技术咨询(上海)工作室 一种物品鉴定方法、系统、电子设备及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于孪生网络相似性度量的奢侈品鉴别;郭晨阳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20220515(第5期);第1-60页 *

Also Published As

Publication number Publication date
CN116935140A (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN116935140B (zh) 基于油墨的奢侈品鉴定模型训练方法、鉴定方法及装置
CN105740402B (zh) 数字图像的语义标签的获取方法及装置
US8947736B2 (en) Method for binarizing scanned document images containing gray or light colored text printed with halftone pattern
CN102081731B (zh) 一种从图像中提取文本的方法和装置
Gebhardt et al. Document authentication using printing technique features and unsupervised anomaly detection
CN111415316A (zh) 基于生成对抗网络的缺陷数据合成算法
CN112907595B (zh) 一种表面缺陷检测方法及装置
JP2007235951A (ja) 車両画像認識装置およびその方法
Lee et al. License plate detection using local structure patterns
CN110427972B (zh) 证件视频特征提取方法、装置、计算机设备和存储介质
Radha et al. A novel approach to extract text from license plate of vehicles
CN110956167B (zh) 一种基于定位字符的分类判别强化分离的方法
CN113191358B (zh) 金属零件表面文本检测方法和系统
CN113688838B (zh) 红色笔迹提取方法、系统、可读存储介质及计算机设备
CN116664961B (zh) 基于信码的防伪标签智能识别方法及系统
US8610963B2 (en) Image corner sharpening method and system
Chaban et al. Machine learning attack on copy detection patterns: are $1\times 1$ patterns cloneable?
Kim et al. Effective character segmentation for license plate recognition under illumination changing environment
CN110533704B (zh) 油墨标签的识别验伪方法、装置、设备及介质
CN109784384A (zh) 一种自动辨别商标真伪的方法及装置
CN110619594B (zh) 一种半色调图像隐写分析方法
CN110428264A (zh) 基于点阵屏防伪标签的识别验伪方法、装置、设备及介质
Juang et al. Inspection of lead frame defects using deep CNN and cycle-consistent GAN-based defect augmentation
CN115359345A (zh) 一种基于异类别元学习的x光下重叠物体识别方法
US20060269132A1 (en) Apparatus and method for detecting white areas within windows and selectively merging the detected white areas into the enclosing window

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