DE112019007487T5

DE112019007487T5 - Verfahren und gerät zur verifizierung der echtheit von produkten

Info

Publication number: DE112019007487T5
Application number: DE112019007487.3T
Authority: DE
Inventors: Yu Gao; Hui Xie; Wanlin Yang
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2019-11-28
Filing date: 2019-11-28
Publication date: 2022-03-31
Also published as: CN114746864A; WO2021102770A1

Abstract

Die vorliegende Erfindung betrifft ein Verfahren und ein Gerät zur Verifizierung der Echtheit von Produkten, wobei die Produkt-Identifizierungskennzeichnungen der Produkte zufällig verteilte Mikropunkte aufweisen, wobei das betreffende Verfahren umfasst: aus dem Bild der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts werden auf der Produkt-Identifizierungskennzeichnung des Produkts befindliche Mikropunktmerkmale extrahiert, mittels Algorithmen maschinellen Lernens wird aus dem Bild zumindest ein Teil der Bildmerkmale der Produkt-Identifizierungskennzeichnung extrahiert, und basierend auf den extrahierten Mikropunktmerkmalen und den Bildmerkmalen erfolgt die Verifizierung der Echtheit der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts. Das durch praktische Ausführungsbeispiele der vorliegenden Erfindung bereitgestellte Verfahren und das Gerät können die Genauigkeit der Verifizierung der Echtheit von Produkten verbessern.

Description

Technisches Gebiet
Die vorliegende Erfindung betrifft ein Verfahren und ein Gerät zur Verifizierung der Echtheit von Produkten.
Stand der Technik
Gefälschte minderwertige Produkte fügen sowohl Herstellern als auch Verbrauchern enormen Schaden zu, so dass diesbezüglich eine Kontrolle unter Verwendung von sicheren und zuverlässigen Fälschungsschutztechnologien erforderlich ist. Die Fälschungsschutztechnologien nach dem Stand der Technik umfassen die digitale Fälschungsschutztechnologie und die Textur-Fälschungsschutztechnologie.
Bei der digitalen Fälschungsschutztechnologie wird das Produkt unter Verwendung eines Strichcodes oder zweidimensionalen Codes mit einer unverwechselbaren Identifizierungskennzeichnung (ID) versehen, um die Verifizierung der Echtheit und die Nachverfolgbarkeit zu realisieren. Diese digitale Fälschungsschutztechnologie kann einfach kopiert werden, so dass die Sicherheit mangelhaft ist.
Bei der Textur-Fälschungsschutztechnologie werden zufällig generierte natürliche Texturen als Fälschungsschutzmerkmale verwendet, wobei diese Texturen physisch nicht kopiert werden können und über das Merkmal der Nichtreproduzierbarkeit verfügen. Der Textur-Fälschungsschutztechnologie nach dem Stand der Technik mangelt es allerdings an der automatischen Identifizierbarkeit der Fälschungsschutzmerkmale, wobei für die automatische Identifizierbarkeit verlangt wird, dass die Fälschungsschutzmerkmale über sichtbare Identifizierbarkeit verfügen, beziehungsweise dass im Verlauf der Herstellung Fasermaterial hinzugefügt wird, um die Fälschungsschutzmerkmale zu bilden, was allerdings die Kosten für die Fälschungsschutzprodukte erhöht und die Herstellung erschwert.
Es ist gegenwärtig bereits eine neue Technologie vorhanden, welche Strichcodes und zweidimensionale Codes mit Mikropunktmerkmalen des Drucks kombiniert, um die Fälschungsschutzeigenschaften der Produkt-Identifizierungskennzeichnung weiter zu verbessern, wobei gleichzeitig eine Vereinfachung der Herstellungstechnologie der Fälschungsschutzprodukte und eine Senkung der Herstellungskosten bewirkt wird. Allerdings ist im Verlauf der Verifizierung der Produkt-Identifizierungskennzeichnung zunächst der Erhalt eines Bildes der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts erforderlich. Beispielsweise muss der Nutzer mittels Mobiltelefon oder Digitalkamera ein Bild der Produkt-Identifizierungskennzeichnung aufnehmen, wobei die Kamerafunktion des Mobiltelefons oder der Digitalkamera, die Aufnahmeumgebung (beispielsweise Licht) sowie Faktoren wie das Aufnahmeniveau (beispielsweise Aufnahmewinkel, Aufnahmeabstand, Kamerastabilität) usw. Abweichungen aufweisen, so dass die Bildqualität Beeinträchtigungen unterschiedlichen Ausmaßes erfährt, was zu Abweichungen beim Ergebnis der Verifizierung führt. Beispielsweise wird das Bild der Produkt-Identifizierungskennzeichnung eines echten Produkts als gefälschtes Produkt verifiziert, oder das Bild der Produkt-Identifizierungskennzeichnung eines gefälschten Produkts wird als echtes Produkt verifiziert.
Inhalt der Erfindung
Hinsichtlich von zumindest einem der genannten Probleme beim Stand der Technik stellen die praktischen Ausführungsbeispiele der vorliegenden Erfindung ein Verfahren und ein Gerät zur Verifizierung der Echtheit von Produkten bereit, so dass die Genauigkeit der Verifizierung der Echtheit von Produkten verbessert werden kann.
Durch die praktischen Ausführungsbeispiele der vorliegenden Erfindung erfolgt die Bereitstellung eines Verfahrens zur Verifizierung der Echtheit von Produkten, wobei die Produkt-Identifizierungskennzeichnungen der vorstehend bezeichneten Produkte zufällig verteilte Mikropunkte aufweisen, wobei das vorstehend bezeichnete Verfahren umfasst: aus dem Bild der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts werden auf der Produkt-Identifizierungskennzeichnung des vorstehend bezeichneten Produkts befindliche Mikropunktmerkmale extrahiert, mittels Algorithmen maschinellen Lernens wird aus dem vorstehend bezeichneten Bild zumindest ein Teil der Bildmerkmale der vorstehend bezeichneten Produkt-Identifizierungskennzeichnung extrahiert und basierend auf den vorstehend bezeichneten extrahierten Mikropunktmerkmalen und den vorstehend bezeichneten Bildmerkmalen erfolgt die Verifizierung der Echtheit der Produkt-Identifizierungskennzeichnung des vorstehend bezeichneten zu verifizierenden Produkts.
Durch die praktischen Ausführungsbeispiele der vorliegenden Erfindung erfolgt die Bereitstellung einer Vorrichtung zur Verifizierung der Echtheit von Produkten, wobei die Produkt-Identifizierungskennzeichnungen der vorstehend bezeichneten Produkte zufällig verteilte Mikropunkte aufweisen, wobei die vorstehend bezeichnete Vorrichtung umfasst: Modul zur Extraktion von Mikropunktmerkmalen, welches dazu verwendet wird,
aus dem Bild der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts auf der Produkt-Identifizierungskennzeichnung des vorstehend bezeichneten Produkts befindliche Mikropunktmerkmale zu extrahieren, Modul zur Extraktion von Bildmerkmalen, welches dazu verwendet wird, mittels Algorithmen maschinellen Lernens aus dem vorstehend bezeichneten Bild zumindest einen Teil der Bildmerkmale der vorstehend bezeichneten Produkt-Identifizierungskennzeichnung zu extrahieren, und
Verifizierungsmodul, welches dazu verwendet wird, basierend auf den vorstehend bezeichneten extrahierten Mikropunktmerkmalen und den vorstehend bezeichneten Bildmerkmalen die Verifizierung der Echtheit der Produkt-Identifizierungskennzeichnung des vorstehend bezeichneten zu verifizierenden Produkts vorzunehmen.
Durch die praktischen Ausführungsbeispiele der vorliegenden Erfindung erfolgt die Bereitstellung eines Geräts zur Verifizierung der Echtheit von Produkten, wobei die Produkt-Identifizierungskennzeichnungen der vorstehend bezeichneten Produkte zufällig verteilte Mikropunkte aufweisen, wobei das vorstehend bezeichnete Gerät umfasst:

Speichervorrichtung zur Speicherung von Befehlen und mit der vorstehend bezeichneten Speichervorrichtung gekoppelte Verarbeitungsvorrichtung, wobei die vorstehend bezeichneten Befehle bei der Ausführung durch die vorstehend bezeichnete Verarbeitungsvorrichtung veranlassen, dass die vorstehend bezeichnete Verarbeitungsvorrichtung das vorstehend bezeichnete Verfahren nach den genannten praktischen Ausführungsbeispielen ausführt.

Durch die praktischen Ausführungsbeispiele der vorliegenden Erfindung erfolgt außerdem die Bereitstellung eines computerlesbaren Speichermediums, auf welchem ausführbare Befehle gespeichert sind, wobei die vorstehend bezeichneten ausführbaren Befehle bei der Ausführung durch einen Computer veranlassen, dass der vorstehend bezeichnete Computer das vorstehend bezeichnete Verfahren nach den genannten praktischen Ausführungsbeispielen ausführt.
Gemäß der Lösung nach den praktischen Ausführungsbeispielen der vorliegenden Erfindung ist vorgesehen, dass bei der Verifizierung der Echtheit der Produkt-Identifizierungskennzeichnungen nicht lediglich die Nutzung der auf der Produkt-Identifizierungskennzeichnung befindlichen Mikropunktmerkmale erfolgt, sondern dass außerdem die Nutzung von durch Algorithmen maschinellen Lernens aus dem Bild der Produkt-Identifizierungskennzeichnung extrahierter Bildmerkmale erfolgt, so dass die Genauigkeit der Verifizierung der Echtheit der Produkte erhöht werden kann.
Figurenliste
Die weiteren Merkmale, Besonderheiten, Nutzen und Vorteile der vorliegenden Erfindung werden in Verbindung mit den detaillierten Erläuterungen der beigefügten Figuren noch besser verständlich:

1 zeigt das Ablaufschema des Verfahrens zur Verifizierung der Echtheit von Produkten nach einem ersten praktischen Ausführungsbeispiel der vorliegenden Erfindung.
2 zeigt die Integration von Mikropunktmerkmalen in den zweidimensionalen Produktcode bei den praktischen Ausführungsbeispielen.
Die 3(a) und 3(b) zeigen das Bild der Wahrscheinlichkeitsdichtefunktion bei Verwendung der Funktion gleichmäßiger Verteilung als Funktion zufällig verteilter Mikropunkte sowie das durch Stichproben aus der zufälligen Verteilung erhaltene Bild der Mikropunktverteilung.
4 zeigt das Ablaufschema des Verfahrens zur Verifizierung der Echtheit von Produkten nach einem zweiten praktischen Ausführungsbeispiel der vorliegenden Erfindung.
Die 5A bis 5C zeigen die Struktur von drei bei dem Verfahren zur Extraktion von Bildmerkmalen der Produkt-Identifizierungskennzeichnung verwendeten gefalteten neuronalen Netzwerken nach den praktischen Ausführungsbeispielen der vorliegenden Erfindung.
6 zeigt die schematische Darstellung der Konstruktion der Vorrichtung zur Verifizierung der Echtheit von Produkten nach den praktischen Ausführungsbeispielen der vorliegenden Erfindung.

Praktische Ausführungsbeispiele
Nachstehend erfolgt anhand der beigefügten Figuren eine weitere Beschreibung von praktischen Ausführungsbeispielen der vorliegenden Erfindung.
1 zeigt das Ablaufschema des Verfahrens 100 zur Verifizierung der Echtheit von Produkten nach einem ersten praktischen Ausführungsbeispiel der vorliegenden Erfindung. Das in 1 gezeigte Verfahren 100 kann durch jedes beliebige Computergerät mit Computerfähigkeit realisiert werden. Bei dem betreffenden Computergerät kann es sich, allerdings ohne diesbezügliche Beschränkung, um einen Desktop-Computer, einen Notebook-Computer, einen Laptop-Computer, einen Server, ein Smartphone usw. handeln.
Wie in 1 gezeigt, umfasst das Verfahren 100 zur Verifizierung: aus dem Bild der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts werden auf der Produkt-Identifizierungskennzeichnung befindliche Mikropunktmerkmale extrahiert (Schritt 101), mittels Algorithmen maschinellen Lernens wird aus dem Bild zumindest ein Teil der Bildmerkmale der Produkt-Identifizierungskennzeichnung extrahiert (Schritt 102), und basierend auf den extrahierten Mikropunktmerkmalen und den Bildmerkmalen erfolgt die Verifizierung der Echtheit der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts (Schritt 103).
Bei den praktischen Ausführungsbeispielen der vorliegenden Erfindung umfasst der Verifizierungsschritt 103: Verwendung von durch Algorithmen maschinellen Lernens trainierten Klassifizierungsvorrichtungen zur Verifizierung der Echtheit der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts.
Bei den praktischen Ausführungsbeispielen der vorliegenden Erfindung handelt es sich bei den für die Extraktion der Bildmerkmale verwendeten Algorithmen maschinellen Lernens um ein gefaltetes neuronales Netzwerk. Bei den zum Training der Klassifizierungsvorrichtungen verwendeten Algorithmen maschinellen Lernens handelt es sich um Algorithmen maschinellen Lernens mit der Möglichkeit der Klassifizierung von charakteristischen Vektoren, beispielsweise eine Support Vector Machine (SVM), einen Boost-Baum (Boost Tree) usw. Bei dem gefalteten neuronalen Netzwerk handelt es sich um ein Faltung umfassendes, vorwärts gerichtetes neuronales Netzwerk tiefer Struktur, welches über die Fähigkeit zu charakteristischem Lernen verfügt und eine translationsinvariante Analyse von Eingabeinformationen gemäß seiner hierarchischen Struktur durchführen kann. Das gefaltete neuronale Netzwerk imitiert die Konstruktion eines biologischen visuellen Wahrnehmungsmechanismus, der überwachtes Lernen und nicht überwachtes Lernen durchführen kann. Die gemeinsame Nutzung von Faltungskernparametern in der verborgenen Schicht und die spärliche Verbindung zwischen den Schichten ermöglichen dem gefalteten neuronalen Netzwerk das Lernen von Gittermerkmalen (beispielsweise Pixeln und Frequenzen) mit relativ geringem Rechenaufwand.
Bei den praktischen Ausführungsbeispielen der vorliegenden Erfindung umfasst das Verfahren der Verifizierung außerdem: unter Verwendung mehrerer Identifizierungskennzeichnungen echter Produkte als positives Muster sowie unter Verwendung mehrerer Identifizierungskennzeichnungen gefälschter Produkte als negatives Muster werden das gefaltete neuronale Netzwerk und die Klassifizierungsvorrichtungen trainiert.
Bei den praktischen Ausführungsbeispielen der vorliegenden Erfindung umfasst der Schritt 102 der Extraktion der Bildmerkmale: unter Verwendung des trainierten gefalteten neuronalen Netzwerks werden die Bildmerkmale aus dem Bild extrahiert, um die charakteristischen Vektoren mit Beschreibung der Bildmerkmale auszugeben.
Bei den praktischen Ausführungsbeispielen der vorliegenden Erfindung umfassen die Klassifizierungsvorrichtungen eine erste Klassifizierungsvorrichtung, wobei die extrahierten Bildmerkmale Druckmerkmale umfassen, welche zumindest mit dem Druck eines Teils der vorstehend bezeichneten Produkt-Identifizierungskennzeichnungen zusammenhängen, wobei die erste Klassifizierungsvorrichtung basierend auf den vorstehend bezeichneten Druckmerkmalen die Unterscheidung bezüglich der Echtheit der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts vornimmt. Es können die positiven Muster und negativen Muster der Produkt-Identifizierungskennzeichnungen zum Training der ersten Klassifizierungsvorrichtung verwendet werden. Der Schritt 103 der Verifizierung kann umfassen: basierend auf den extrahierten Druckmerkmalen erfolgt die Verwendung der durch die trainierte erste Klassifizierungsvorrichtung ausgegebenen Wahrscheinlichkeit einer echten Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts, und/oder basierend auf den extrahierten Druckmerkmalen erfolgt die Verwendung der durch die trainierte erste Klassifizierungsvorrichtung ausgegebenen Wahrscheinlichkeit einer gefälschten Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts.
Bei praktischen Ausführungsbeispielen der vorliegenden Erfindung handelt es sich bei den Druckmerkmalen der Produkt-Identifizierungskennzeichnung der echten Produkte um Merkmale, welche zumindest mit einer von im Verlauf des Drucks der Produkt-Identifizierungskennzeichnung der echten Produkte verwendeten Faktoren Papier, Tinte oder Druckgerät zusammenhängen. Der Druck der Produkt-Identifizierungskennzeichnung kann als Druck digitaler Dokumente auf physisches Papier oder einen anderen Träger durchgeführt werden. Beim Druck identischer digitaler Dokumente führen komplexe Kombinationen unterschiedlicher Druckgeräte, unterschiedlicher Druckertypen, unterschiedlicher Tinte, Kohlenstoffpulver oder Farbauftragsmittel, unterschiedlicher Papiercharakteristika usw. dazu, dass nach dem Druck identischer digitaler Bilder diese in Detailbereichen nicht übereinstimmen. Diese Detailbereiche stellen die Druckmerkmale dar. Beispielsweise führen Unterschiedlichkeiten von verwendetem Papier, Tinte oder Druckgerät dazu, dass die gedruckten Linien feine Abweichungen aufweisen, welche sich im Randbereich als feine Sägezahnbereiche mit unterschiedlicher Gestalt oder Anordnung darstellen. Beispielsweise sind in dem zweidimensionaten Code der Produkt-Identifizierungskennzeichnung mehrere schwarze Elemente oder weiße Elemente enthalten, wobei an den jeweiligen Grenzen von schwarz und weiß bei unterschiedlichen Druckbedingungen Abweichungen auftreten. Außerdem bestehen Auswirkungen durch Papier, Tinte oder Druckgerät und Abweichungen von Farben und Graustufen des Drucks. Diese Druckabweichungen verteilen sich über den gesamten Druckbereich des zweidimensionalen Codes. Mittels dieser Abweichungen können die Druckmerkmale der Produkt-Identifizierungskennzeichnung extrahiert werden. Die Druckmerkmale der Produkt-Identifizierungskennzeichnungen von durch Kopiertechnologie hergestellten gefälschten Produkten weichen von den Druckmerkmalen der Produkt-Identifizierungskennzeichnungen echter Produkte ab. Unter Verwendung einer ausreichenden Anzahl von positiven Mustern und negativen Mustern können das gefaltete neuronale Netzwerk und die erste Klassifizierungsvorrichtung trainiert werden. Das gefaltete neuronale Netzwerk kann im Verlauf des Trainings die Druckmerkmale der positiven Muster lernen, ebenso wie die unterschiedlichen Druckmerkmale der negativen Muster und der positiven Muster. Das trainierte gefaltete neuronale Netzwerk verfügt über die Fähigkeit zur Extraktion der Druckmerkmale aus der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts. Die trainierte erste Klassifizierungsvorrichtung kann gemäß den in den durch das gefaltete neuronale Netzwerk extrahierten Bildmerkmalen enthaltenen Druckmerkmalen diese mit den in den Bildmerkmalen echter Produkte enthaltenen Druckmerkmalen vergleichen, um die Wahrscheinlichkeit der Echtheit der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts auszugeben.
Bei praktischen Ausführungsbeispielen der vorliegenden Erfindung umfassen die Klassifizierungsvorrichtungen außerdem eine zweite Klassifizierungsvorrichtung, wobei die zweite Klassifizierungsvorrichtung basierend auf der durch die erste Klassifizierungsvorrichtung ausgegebenen Wahrscheinlichkeit einer echten Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts sowie basierend auf den Mikropunktmerkmalen die Echtheit der Produkt-Identifizierungskennzeichnung beurteilt, wobei die positiven Muster und negativen Muster der Produkt-Identifizierungskennzeichnungen zum Training der zweiten Klassifizierungsvorrichtung verwendet werden. Der Schritt 103 der Verifizierung umfasst außerdem: die extrahierten Mikropunktmerkmale werden mit den während oder nach der Herstellung der Produkte vorab gespeicherten Mikropunktmerkmalen der Produkt-Identifizierungskennzeichnung verglichen, basierend auf dem Ergebnis des Vergleichs sowie auf der durch die erste Klassifizierungsvorrichtung ausgegebenen Wahrscheinlichkeit einer echten Produkt-Identifizierungskennzeichnung wird ein die Produkt-Identifizierungskennzeichnung beschreibender Vektor gebildet und basierend auf dem beschreibenden Vektor wird unter Verwendung der zweiten Klassifizierungsvorrichtung die Echtheit der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts beurteilt.
Bei praktischen Ausführungsbeispielen der vorliegenden Erfindung umfasst der beschreibende Vektor Daten in Zusammenhang mit zumindest einem der folgenden Faktoren: Übereinstimmungsrate zwischen den extrahierten Mikropunktmerkmalen und den vorab gespeicherten Mikropunktmerkmalen, statistische Parameter des Abstands der übereinstimmenden Mikropunkte im Bildkoordinatensystem und dem Pixelabstand der vorab gespeicherten Mikropunkte, Anzahl der Mikropunkte im Bild der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts ohne Übereinstimmung mit den vorab gespeicherten Mikropunktmerkmalen sowie Qualität des erhaltenen Bildes der Produkt-Identifizierungskennzeichnung.
Bei praktischen Ausführungsbeispielen der vorliegenden Erfindung kann der Schritt 101 der Extraktion der Mikropunktmerkmale umfassen: Verwendung von Bildverarbeitungstechnik, um aus dem Bild zumindest einen der Faktoren Formmerkmale, Positionsmerkmale, Graustufenmerkmale oder Farbmerkmale der vorstehend bezeichneten Mikropunkte zu extrahieren.
Bei praktischen Ausführungsbeispielen der vorliegenden Erfindung kann die Produkt-Identifizierungskennzeichnung zumindest einen Strichcode oder einen zweidimensionalen Bild-Code umfassen.
2 zeigt die Integration von Mikropunktmerkmalen in den zweidimensionalen Produktcode bei den praktischen Ausführungsbeispielen. Hierbei werden die Mikropunktmerkmale 202 wegen zu geringer Abmessungen in der Figur nicht detailliert gezeigt. Im Verlauf der Generierung der Mikropunktmerkmale erfolgt zunächst durch Algorithmen die Generierung des Bildes 201 zufälliger Verteilung charakteristischer hoher Dimensionalität der Mikropunkte als Verteilungscharakteristik zumindest eines der Faktoren Positionsverteilung, Graustufenverteilung, Farbverteilung oder Mikroerscheinungsform sämtlicher Mikropunktmerkmale. Bei Produkten identischer Klassen oder Chargen kann gemeinsam eine Verteilungscharakteristik befolgt werden, wobei die jeweiligen Produkte wiederum sonstige unterschiedliche Mikropunktmerkmale zur Darstellung von Unterscheidungen aufweisen. Beispielsweise können bei Produkten unterschiedlicher Chargen unterschiedliche Bilder der zufälligen Verteilung verwendet werden, während bei unterschiedlichen Produkten identischer Chargen unterschiedliche Mikropunkte verwendet werden. Anschließend erfolgt mittels Algorithmen die Probenerfassung des Bildes der zufälligen Verteilung der Mikropunkte, um für jedes Produkt (beziehungsweise die Identifizierungskennzeichnung oder das Etikett des Produkts) das unverwechselbare, identifizierende Mikropunktmerkmal 202 zu generieren und um danach gemäß zuvor festgelegten Vermeidungsregeln die generierten Mikropunktmerkmale in die digitale zweidimensionale Identifizierungskennzeichnung 203 (beispielsweise einen Quick-Response-Code, also einen zweidimensionalen Code) des Produkts zu integrieren. Der die Mikropunktmerkmale enthaltende zweidimensionale Code wird auf die Produktoberfläche oder auf die Oberfläche der Produktverpackung gedruckt, um als Produkt-Identifizierungskennzeichnung zu dienen, beziehungsweise erfolgt der Druck auf das Produktetikett, so dass eine Mikropunkte aufweisende digitale Produkt-Identifizierungskennzeichnung (ID) gebildet wird. Die Vermeidungsregeln können zumindest einen Faktor von charakteristischer Positionsverteilung, Graustufenverteilung oder Farbverteilung beschränken. Beispielsweise können die Vermeidungsregeln der Positionsverteilung gewährleisten, dass lediglich in dem weißen Modul des zweidimensionalen Codes schwarze oder dunkelfarbige Mikropunkte generiert werden, während die Vermeidungsregeln der Graustufenverteilung oder der Farbverteilung gewährleisten können, dass die Graustufen oder Farben der Mikropunkte die Beschränkungen hinsichtlich gewisser Graustufen oder Sättigungen einhalten und keine Störung des weißen Moduls des zweidimensionalen Codes auftritt. Diese Vermeidungsregeln korrespondieren miteinander und gewährleisten, dass das Auslesen des zweidimensionalen Codes als solchem keine Beeinträchtigung durch die integrierten Mikropunktmerkmale erfährt, ebenso wie bewirkt wird, dass der zweidimensionale Code nach der Hinzufügung der Mikropunktmerkmale nach wie vor die entsprechenden staatlichen Normen und/oder internationalen Normen erfüllt.
Bei einigen praktischen Ausführungsbeispielen können auch weiße Mikropunktmerkmale 202 in das schwarze Modul des zweidimensionalen Codes 203 integriert werden, wobei die Vermeidungsregeln die zu generierenden Mikropunkte lediglich auf das schwarze Modul des zweidimensionalen Codes beschränken, so dass der zweidimensionale Code nach der Hinzufügung der Mikropunktmerkmale nach wie vor die entsprechenden staatlichen Normen und/oder internationalen Normen erfüllt. Die weißen Mikropunkte bewahren in dem schwarzen Modul des zweidimensionalen Codes einen maximalen Kontrast und im Verlauf des Drucks erfolgt durch eine kurze Unterbrechung beim Sprühen der Drucktinte die Generierung weißer Mikropunkte.
Der Aufbau der Mikropunktmerkmale umfasst grundlegendste zweidimensionale Koordinaten (X, Y) als Positionsmerkmale, ebenso wie weitere optionale Merkmale umfasst sein können, wie Farbe, Graustufe, Form usw. Üblicherweise werden die Nichtreproduzierbarkeit und der Fälschungsschutz zunächst durch die zufällige Verteilung der zweidimensionalen Position der Mikropunkte realisiert. Die zufällige Verteilung der Mikropunktmerkmale kann auch zufällig verteilte Mikropunkttexturmerkmale bilden.
Nach oder während der Herstellung der Produkt-Identifizierungskennzeichnung müssen die Informationen zu den auf der Produkt-Identifizierungskennzeichnung befindlichen Mikropunktmerkmalen in einem Datenpool gespeichert werden, um der späteren Verifizierung der Echtheit der Produkte zu dienen. Die gespeicherten Informationen zu den Mikropunktmerkmalen umfassen beispielsweise zufällig verteilte Positionsmerkmale sowie weitere Merkmale wie Farbe, Graustufe oder Form usw.
Als ein Beispiel für Mikropunktmerkmale zeigen die 3(a) und 3(b) das Bild der Wahrscheinlichkeitsdichtefunktion bei Verwendung der Funktion gleichmäßiger Verteilung als Funktion zufällig verteilter Mikropunkte sowie das durch Stichproben aus der zufälligen Verteilung erhaltene Bild der Mikropunktverteilung. Hierbei ist die Wahrscheinlichkeitsdichtefunktion der Funktion gleichmäßiger Verteilung:
PDF (x, y) = const
In dem Bild der Wahrscheinlichkeitsdichtefunktion aus 3(a) ist die Z-Koordinate die Wahrscheinlichkeitsdichte, wobei die horizontale Koordinate X und die vertikale Koordinate Y die Positionen (x, y) der Mikropunkte repräsentieren. Das Bild der Mikropunktverteilung aus 3(b) wurde durch Stichproben aus dem Bild der zufälligen Verteilung aus 3(a) bei Generierung der Mikropunktkoordinaten (x, y) erhalten.
4 zeigt das Ablaufschema des Verfahrens 400 zur Verifizierung der Echtheit von Produkten nach einem zweiten praktischen Ausführungsbeispiel der vorliegenden Erfindung. Bei dem Verfahren 400 erfolgt zunächst der Erhalt des Bildes oder des Fotos der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts (Schritt 401). Beispielsweise kann der Nutzer nach dem Kauf des Produkts den Teil der Produkt-Identifizierungskennzeichnung, welcher einen Strichcode oder einen zweidimensionalen Code enthält, fotografieren und das durch Fotografieren erhaltene Bild der Produkt-Identifizierungskennzeichnung an die Verifizierungsstelle oder das Verifizierungsgerät übermitteln, um die Verifizierung der Echtheit des erhaltenen Bildes der Produkt-Identifizierungskennzeichnung vorzunehmen. Bei dem vorliegenden praktischen Ausführungsbeispiel umfasst die Verarbeitung des einen zweidimensionalen Code enthaltenden Bildes zwei Teile, nämlich den Teil der Verarbeitung durch das gefaltete neuronale Netzwerk (einschließlich der Schritte 402-405) sowie den Teil der Verarbeitung der Mikropunktmerkmale (einschließlich der Schritte 406-409). Bei den genannten beiden Teilen ist zunächst eine Vorverarbeitung des Bildes erforderlich (Schritte 402 und 406), beispielsweise eine Helligkeitsregulierung des Teilbereichs der im Bild enthaltenen effektiven Merkmale (beispielsweise des zweidimensionalen Codes), Beschneiden des effektiven Bereichs, Kontrastverstärkung, Scharfstellen des Bildes, Normalisierung des Bildes und ähnlich übliche Vorverarbeitungsverfahren aus der Bildverarbeitungstechnik.
Während des Teils der Verarbeitung mit Algorithmen durch das gefaltete neuronale Netzwerk erfolgt nach dem Schritt 402 der Vorverarbeitung unter Verwendung der Algorithmen des gefalteten neuronalen Netzwerks die Extraktion der Bildmerkmale (Schritt 403), wobei das in Schritt 402 der Vorverarbeitung unterzogene Bild als Eingabe fungiert, während das gefaltete neuronale Netzwerk als ein Gesamtmodul von Algorithmen fungiert und schließlich ein charakteristischer Vektor ausgegeben wird, was bedeutet, dass die Quantisierung des den zweidimensionalen Code enthaltenden Bildes zu einem charakteristischen Vektor durchgeführt wird. Dieser charakteristische Vektor kann eine Anzahl von k Gleitkommazahlen (beispielsweise eine Serie von 1x512 Gleitkommazahlen) umfassen, was auch als charakteristischer Vektor der Dimension k bezeichnet wird. Dieser dient der Beschreibung der Druckmerkmale, also derjenigen einzigartigen Mikromerkmale, welche im Verlauf des Drucks der Produkt-Identifizierungskennzeichnung durch die verwendeten Faktoren Papier, Tinte oder Druckgerät im Bild dargestellt werden. Bei den praktischen Ausführungsbeispielen der vorliegenden Erfindung können positive Muster und negative Muster mehrerer Produkt-Identifizierungskennzeichnungen sowie die daraus extrahierten Druckmerkmale für das Training der ersten Klassifizierungsvorrichtung verwendet werden. Diese vorab trainierte erste Klassifizierungsvorrichtung kann bezüglich der in Schritt 403 extrahierten Bildmerkmale die Analyse der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts vornehmen (Schritt 404), wobei beispielsweise mittels der Algorithmen eines gefalteten neuronalen Netzwerks die extrahierten Bildmerkmale jeweils mit den Druckmerkmalen der positiven Muster und den Druckmerkmalen der negativen Muster verglichen und analysiert werden, um somit die Wahrscheinlichkeit der Echtheit der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts auszugeben (Schritt 405).
In dem gefalteten neuronalen Netzwerk können Schichten wie linearl, ReLU, Dropout(), Linear2 und Linear3 umfasst sein, wobei letztendlich die Schicht Linear3 für die Ausgabe verwendet wird, weil hier lediglich die Klassifizierung als echt oder gefälscht beachtet wird. Somit ist die Ausgabe ein Vektor mit 2 Dimensionen. Hierbei drückt p1 die Wahrscheinlichkeit als echt und p2 die Wahrscheinlichkeit als gefälscht aus.
Beim Training verwendete Funktion des Verlusts der Kreuzentropie: $H (y, p) = - \sum_{i} y_{i} log (p_{i})$
Hierbei ist y der Wert der Echtheit [yl, y2] des Ziels, ein echtes Etikett ist [1.0, 0.0], ein gefälschtes Etikett ist [0.0, 1.0].
Im Verlauf des Trainings der ersten Klassifizierungsvorrichtung kann der Verlust anhand des bereits bekannten Echtheitswerts der Muster berechnet werden. Wenn sich bei der Beurteilung des Verlusts ( || y-y'||), also des absoluten Werts der Abweichung zwischen dem Echtheitswert und dem aktuell durch die Klassifizierungsvorrichtung ausgegebenen Vorabschätzungsergebnis, ein Wert kleiner als der zuvor festgelegte Schwellenwert ergibt, erfolgt die Beendigung des Trainings des gefalteten neuronalen Netzwerks. Wenn sich bei der Beurteilung des Verlusts ein Wert größer als der zuvor festgelegte Schwellenwert ergibt, kann anhand des Verlustwerts eine Aktualisierung der Parameter des gefalteten neuronalen Netzwerks und der Parameter der ersten Klassifizierungsvorrichtung vorgenommen werden. Anschließend erfolgt durch das aktualisierte gefaltete neuronale Netzwerk und die aktualisierte erste Klassifizierungsvorrichtung die weitere Extraktion der Bildmerkmale und die Beurteilung der Wahrscheinlichkeit als echt oder gefälscht. Wenn der Verlustwert nachhaltig abfällt und sich bei einem relativ niedrigen Verlustwert (also dem Schwellenwert) stabilisiert, kann die erste Klassifizierungsvorrichtung als bereits trainiert betrachtet werden.
Bei den positiven Mustern kann es sich um Etiketten mit zweidimensionalen Codes mehrerer echter Produkte handeln, während es sich bei den negativen Mustern um auf verschiedene Weise erhaltene kopierte Produkte dieser positiven Muster handeln kann. Die negativen Muster verfügen über identische Etiketten mit zweidimensionalen Codes, wobei deren Druckmerkmale allerdings feine Abweichungen im Vergleich zu den Etiketten mit zweidimensionalen Codes echter Produkte aufweisen. Nach der Initialisierung des gefalteten neuronalen Netzwerks besteht vor dem Training der ersten Klassifizierungsvorrichtung noch keine Möglichkeit der Extraktion der Druckmerkmale der Produkt-Identifizierungskennzeichnung. Wenn Abweichungen zwischen den Druckmerkmalen der positiven Muster und der negativen Muster bestehen, während die sonstigen Bilddetails sämtlich übereinstimmen, kann mittels dieser positiven Muster und negativen Muster das Training des gefalteten neuronalen Netzwerks zur Identifizierung der Druckmerkmale der positiven Muster und der Druckmerkmale der negativen Muster durchgeführt werden, beispielsweise des Typs (Linien, Farbe, Graustufe usw.), der Position, des Ausmaßes der Abweichung der Druckmerkmale usw. Nach dem kontinuierlichen Training des gefalteten neuronalen Netzwerks verfügt dieses über die Fähigkeit zur schnellen und exakten Extraktion der Druckmerkmale der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts.
Bei dem Teil der Verarbeitung der Mikropunkte erfolgt nach dem Schritt 406 der Vorverarbeitung mittels der Algorithmen zur Mikropunktextraktion die Extraktion der Mikropunktmerkmale in dem Bild (Schritt 407), wobei unter Verwendung von Bildverarbeitungstechnik das Auslesen der zufällig verteilten Mikropunktmerkmale innerhalb des Bereichs der zu verifizierenden Produkt-Identifizierungskennzeichnung durchgeführt werden kann, einschließlich der statistischen Daten basierend auf zumindest einem der Faktoren Position, Größe, Farbe, Graustufe usw. der Mikropunkte. Beispielsweise erfolgt die statistische Erfassung der Größe jedes Mikropunktbereichs (beispielsweise der Pixelanzahl, welche jeder Mikropunkt beinhaltet), oder es erfolgt die statistische Erfassung des durchschnittlichen RGB-Dreikanalwerts jedes Bereichs, um die Graustufen-Informationen des Mikropunktbereichs aus dem Bild zu erhalten. Anschließend werden im Datenpool die vorab gespeicherten Mikropunktmerkmale von Produkt-Identifizierungskennzeichnungen echter Produkte extrahiert und es erfolgt der Vergleich zwischen den ausgelesenen Mikropunktmerkmalen und den Mikropunktmerkmalen aus dem Datenpool (Schritt 408), um hierauf basierend das Ergebnis des Vergleichs der Mikropunktmerkmale auszugeben (Schritt 409), welches als eine Grundlage für die Beurteilung der Echtheit der Produkt-Identifizierungskennzeichnung dient.
Anschließend erfolgt die Verwendung der in Schritt 405 ausgegebenen Wahrscheinlichkeit der Echtheit der Produkt-Identifizierungskennzeichnung sowie des in Schritt 409 ausgegebenen Ergebnisses des Vergleichs der Mikropunktmerkmale (hierbei erfolgt eine Normalisierungsverarbeitung der unterschiedlichen statistischen Daten), um den beschreibenden Vektor X zu bilden (Schritt 410). Beispielsweise wird die Wahrscheinlichkeit der Echtheit der Produkt-Identifizierungskennzeichnung als Merkmalsdimension x1 behandelt. Das Ergebnis des Vergleichs der Mikropunktmerkmale kann mehrere statistische Daten umfassen, welche nach der Quantisierungsverarbeitung der Übereinstimmung der Mikropunktmerkmale des Vergleichs erhalten wurden. Beispielsweise gilt im Falle, dass die in dem zweidimensionalen Code des Ziels gefundenen Mikropunkte mit den Mikropunkten in dem im Datenpool befindlichen zweidimensionalen Code zu einem Prozentanteil von x2 übereinstimmen, dass die statistischen Parameter (wie Durchschnittswert und Abweichung) des Abstands der übereinstimmenden Mikropunkte im Bildkoordinatensystem und dem Pixelabstand der vorab gespeicherten Mikropunkte x3 und x4 sind, während die Sanktion für nicht übereinstimmende Bildpunkte (Fehlübereinstimmung) x5 usw. ist. Unter Verwendung der genannten Informationen kann ein 5-dimensionaler beschreibender Vektor bezüglich der zu verifizierenden Produkt-Identifizierungskennzeichnung gebildet werden.
Bei praktischen Ausführungsbeispielen der vorliegenden Erfindung kann eine Verarbeitung der Bilder der Produkt-Identifizierungskennzeichnungen sämtlicher gesammelter positiver und negativer Muster durchgeführt werden, um die entsprechende Wahrscheinlichkeit für echte oder gefälschte Produkte sowie statistische Merkmale der Mikropunkte zu erhalten. Anschließend werden die entsprechenden beschreibenden Vektoren als Musterdatensammlung erhalten, wovon ein Teil (beispielsweise 80%) als Trainingssammlung zum Training der zweiten Klassifizierungsvorrichtung dienen kann, während der andere Teil (beispielsweise 20%) als Testsammlung dienen kann. Basierend auf der betreffenden Musterdatensammlung können relativ gängige Algorithmen maschinellen Lernens Training der zweiten Klassifizierungsvorrichtung und Tests vornehmen, wobei die optionalen Typen von Klassifizierungsvorrichtungen beispielsweise Support Vector Machine (SVM), Boost-Baum (Boost Tree), Entscheidungsbaum, flaches neuronales Netzwerk, k-Nearest-Neighbor-Algorithmus, Random Forest usw. sind. Die vorab trainierte zweite Klassifizierungsvorrichtung kann basierend auf den beschreibenden Merkmalen (einschließlich: von der ersten Klassifizierungsvorrichtung ausgegebene Wahrscheinlichkeit der Echtheit bezüglich der zu verifizierenden Produkt-Identifizierungskennzeichnung sowie statistische Merkmale der Mikropunkte) aus den in Schritt 410 erhaltenen beschreibenden Vektoren die Klassifizierung der zu verifizierenden Produkt-Identifizierungskennzeichnung vornehmen (Schritt 411), wobei entsprechend die Ausgabe des Beurteilungsergebnisses bezüglich der Echtheit der zu verifizierenden Produkt-Identifizierungskennzeichnung erfolgt (Schritt 412).
Im Verlauf der Vorbereitung der Trainingsbildmuster können unterschiedliche am Markt erhältliche Mobiltelefone verwendet werden, um die Produkt-Identifizierungskennzeichnungen mehrerer echter Produkte in unterschiedlichen Beleuchtungsumgebungen zu fotografieren, wobei die so erhaltenen Bilder als positive Muster dienen. Unter Verwendung von unterschiedlichen am Markt erhältlichen Mobiltelefonen werden hergestellte unechte Etiketten in unterschiedlichen Beleuchtungsumgebungen fotografiert, wobei die so erhaltenen Bilder als negative Muster dienen. Anschließend werden die positiven und negativen Muster nach dem Zufallsprinzip gemäß ihrem Anteilsverhältnis in die Trainingsmustersammlung und die Testmustersammlung unterteilt.
Es ist möglich, unter Verwendung der gesammelten Muster von Produkt-Identifizierungskennzeichnungen das kontinuierliche Training der ersten Klassifizierungsvorrichtung und der zweiten Klassifizierungsvorrichtung vorzunehmen, um diese für eine präzisere Beurteilung der Echtheit zu nutzen.
Die 5A bis 5C zeigen die Struktur von drei bei dem Verfahren zur Extraktion von Bildmerkmalen der Produkt-Identifizierungskennzeichnung verwendeten gefalteten neuronalen Netzwerken nach den praktischen Ausführungsbeispielen der vorliegenden Erfindung. In 5A wird ein VGG-Netzwerk gezeigt, in 5B wird ein ResNet-Netzwerk gezeigt und in 5C wird ein Inception-Netzwerk gezeigt. Hierbei handelt es sich um die Darstellung von drei Weisen der Extraktion von Bildmerkmalen durch gefaltete neuronale Netzwerke, ohne dass die vorliegende Erfindung allerdings einer diesbezüglichen Beschränkung unterliegt.
In den 5A bis 5C repräsentiert 501 die Eingabeschicht, wobei die einer Vorverarbeitung unterzogenen Bilder von Produkt-Identifizierungskennzeichnungen eingegeben werden. 502 repräsentiert die Faltungsschicht, wobei die Funktion der Faltungsschicht in der Durchführung der Merkmalsextraktion aus den eingegebenen Bilddaten besteht. In der betreffenden Schicht sind mehrere Faltungskerne enthalten, wobei die den Faltungskern bildenden Elemente jeweils einem Gewichtungskoeffizienten und einer Abweichungsgröße entsprechen, ähnlich den Neuronen bei einem vorwärts gerichteten neuronalen Netzwerk. Innerhalb der Faltungsschicht ist jedes Neuron mit mehreren Neuronen des Bereichs benachbarter Position der vorherigen Schicht verbunden. In der Faltungsschicht erfolgt für jeden Mikrobereich des eingegebenen Bildes die Extraktion der Merkmale, wobei mehrere Filter zur Durchführung der Faltung verwendet werden, um mehrere Merkmalsbilder zu erhalten. 503 repräsentiert die Pooling-Schicht. Nach der Durchführung der Extraktion durch die Faltungsschicht 502 wird das ausgegebene Merkmalsbild an die Pooling-Schicht 503 zur Durchführung der Merkmalsauswahl und Informationsfilterung übermittelt. Die Pooling-Schicht 503 umfasst vorab eingestellte Pooling-Funktionen, deren Aufgabe darin besteht, die Ergebnisse von Einzelpunkten in dem Merkmalsbild in statistische Größen des Merkmalsbildes benachbarter Bereiche umzusetzen. 504 repräsentiert die vollständig verbundene Schicht, wobei die vollständig verbundene Schicht äquivalent zu der verborgenen Schicht in einem herkömmlichen vorwärts gerichteten neuronalen Netzwerk ist. Die vollständig verbundene Schicht befindet sich im hintersten Teil der verborgenen Schicht des neuronalen Netzwerks und übermittelt Signale lediglich an die übrigen vollständig verbundenen Schichten. Die Funktion der vollständig verbundenen Schicht besteht in der nicht linearen Kombination der extrahierten Merkmale, um die Ausgabe zu erhalten, wobei die vollständig verbundene Schicht als solche keine Fähigkeit zur Extraktion von Merkmalen aufweist, sondern das Lernen anhand der vorhandenen hochwertigen Merkmale anstrebt. 505 repräsentiert das verbleibende neuronale Netzwerk-Modul, welches eine Kombination mehrerer Faltungsschichten mit Sprungverbindung umfasst und ein Bauelement der ResNet-Netzwerk-Struktur darstellt. 506 repräsentiert das Inception-Modul, wobei das Inception-Modul den Baustein der verborgenen Schicht darstellt, welcher durch Überlagerung mehrerer Faltungsschichten und Pooling-Schichten gebildet wird. Konkret bedeutet dies, dass ein Inception-Modul gleichzeitig mehrere unterschiedliche Operationen von Faltung und Pooling umfasst, wobei identische Ergänzungen dazu führen, dass durch die vorstehend bezeichneten Operationen Merkmalsbilder identischer Abmessungen erhalten werden, um anschließend in den Datengruppen die Überlagerung der Kanäle dieser Merkmalsbilder vorzunehmen und die Funktion durchlaufen zu lassen. 510 repräsentiert die Ausgabeschicht, welche die durch das gefaltete neuronale Netzwerk extrahierten Bildmerkmale ausgibt.
Das durch praktische Ausführungsbeispiele der vorliegenden Erfindung bereitgestellte Gerät zur Verifizierung der Echtheit von Produkten kann umfassen: eine Speichervorrichtung zur Speicherung von Befehlen und eine mit der Speichervorrichtung gekoppelte Verarbeitungsvorrichtung, wobei die Befehle bei der Ausführung durch die Verarbeitungsvorrichtung veranlassen, dass die Verarbeitungsvorrichtung das Verfahren nach den vorstehend bezeichneten praktischen Ausführungsbeispielen ausführt. Ein Datenpool kann auch in der Speichervorrichtung gespeichert sein, wobei der Datenpool ein Mikropunktmerkmal einer während oder nach Produktherstellung gespeicherten verifizierten Produkt-Identifizierungskennzeichnung umfasst. Das Mikropunktmerkmal kann ein Formmerkmal und/oder ein Positionsmerkmal und/oder ein Graustufenmerkmal und/oder ein Farbmerkmal eines Mikropunkts umfassen.
In der Speichervorrichtung nach dem betreffenden praktischen Ausführungsbeispiel kann außerdem ein Musterpool gespeichert sein, wobei der vorstehend bezeichnete Musterpool mehrere Bilder von Identifizierungskennzeichnungen echter Produkte als positive Muster sowie mehrere Bilder von Identifizierungskennzeichnungen gefälschter Produkte als negative Muster enthält. Die Verarbeitungsvorrichtung ist dazu vorgesehen, unter Verwendung zumindLLest von einem Teil der in dem Musterpool enthaltenen Muster das gefaltete neuronale Netzwerk sowie die der Verifizierung der Produkt-Identifizierungskennzeichnungen dienende erste Klassifizierungsvorrichtung und zweite Klassifizierungsvorrichtung zu trainieren.
6 zeigt die schematische Darstellung der Konstruktion der Vorrichtung 600 zur Verifizierung der Echtheit von Produkten nach den praktischen Ausführungsbeispielen der vorliegenden Erfindung. Die Vorrichtung 600 umfasst: Modul 601 zur Extraktion von Mikropunktmerkmalen, welches dazu verwendet wird, aus dem Bild der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts auf der Produkt-Identifizierungskennzeichnung des vorstehend bezeichneten Produkts befindliche Mikropunktmerkmale zu extrahieren, Modul 602 zur Extraktion von Bildmerkmalen, welches dazu verwendet wird, mittels Algorithmen maschinellen Lernens aus dem Bild zumindest einen Teil der Bildmerkmale der Produkt-Identifizierungskennzeichnung zu extrahieren, und Verifizierungsmodul 603, welches dazu verwendet wird, basierend auf den extrahierten Mikropunktmerkmalen und den Bildmerkmalen die Verifizierung der Echtheit der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts vorzunehmen. Die in 6 gezeigte Vorrichtung 600 kann durch Software, Hardware oder durch Kombinationen von Software und Hardware realisiert werden und so konzipiert sein, dass entsprechende Module umfasst sind, um das Verfahren der Verifizierung der Echtheit von Produkten nach den praktischen Ausführungsbeispielen der vorliegenden Erfindung auszuführen.
Bei dem Verfahren und dem Gerät zur Verifizierung von Produkten nach praktischen Ausführungsbeispielen der vorliegenden Erfindung erfolgt die Nutzung von beispielsweise zweidimensionale Codes oder Strichcodes enthaltenden Produkt-Identifizierungskennzeichnungen und von Mikropunktmerkmalen, ebenso wie die Nutzung von Kombinationen von Bildmerkmalen, um eine erhebliche Verbesserung der Genauigkeit der Verifizierung der Echtheit von Produkten vorzunehmen, wobei es dem Nutzer der gekauften Produkte gestattet wird, unter jeweiligen Beleuchtungsbedingungen mit jeweiligen Mobiltelefonen oder Kameras Bilder der Produkt-Identifizierungskennzeichnung aufzunehmen und die exakte Verifizierung vorzunehmen.
Die wie vorstehend aufgeführt offenbarten praktischen Ausführungsbeispiele der vorliegenden Erfindung dienen lediglich der Veranschaulichung, ohne eine Beschränkung zu bedeuten. Ein Fachmann des betreffenden technischen Gebietes versteht, dass aus den vorstehend aufgeführten praktischen Ausführungsbeispielen ohne Abweichung vom Wesen der vorliegenden Erfindung unterschiedliche Modifikationen, Überarbeitungen und Änderungen erhalten werden können, wobei solche Modifikationen, Überarbeitungen und Änderungen sämtlich unter den Schutzumfang der vorliegenden Erfindung fallen. Der Schutzumfang der vorliegenden Erfindung wird somit durch die Ansprüche definiert.

Claims

Verfahren zur Verifizierung der Echtheit von Produkten, wobei die Produkt-Identifizierungskennzeichnungen der vorstehend bezeichneten Produkte zufällig verteilte Mikropunkte aufweisen, wobei das vorstehend bezeichnete Verfahren umfasst: aus dem Bild der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts werden auf der Produkt-Identifizierungskennzeichnung des vorstehend bezeichneten Produkts befindliche Mikropunktmerkmale extrahiert, mittels Algorithmen maschinellen Lernens wird aus dem vorstehend bezeichneten Bild zumindest ein Teil der Bildmerkmale der vorstehend bezeichneten Produkt-Identifizierungskennzeichnung extrahiert, und basierend auf den vorstehend bezeichneten extrahierten Mikropunktmerkmalen und den vorstehend bezeichneten Bildmerkmalen erfolgt die Verifizierung der Echtheit der Produkt-Identifizierungskennzeichnung des vorstehend bezeichneten zu verifizierenden Produkts.
Verfahren nach Anspruch 1, wobei die vorstehend bezeichneten Verifizierungsschritte umfassen: Verwendung von durch Algorithmen maschinellen Lernens trainierten Klassifizierungsvorrichtungen zur Verifizierung der Echtheit der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts.
Verfahren nach Anspruch 2, wobei es sich bei den für die Extraktion der vorstehend bezeichneten Bildmerkmale verwendeten Algorithmen maschinellen Lernens um ein gefaltetes neuronales Netzwerk handelt, wobei es sich bei den zum Training der vorstehend bezeichneten Klassifizierungsvorrichtungen verwendeten Algorithmen maschinellen Lernens um Algorithmen maschinelten Lernens mit der Möglichkeit der Klassifizierung von charakteristischen Vektoren handelt.
Verfahren nach Anspruch 3, wobei dieses außerdem umfasst: unter Verwendung mehrerer Identifizierungskennzeichnungen echter Produkte als positives Muster sowie unter Verwendung mehrerer Identifizierungskennzeichnungen gefälschter Produkte als negatives Muster werden das vorstehend bezeichnete gefaltete neuronale Netzwerk und die vorstehend bezeichneten Klassifizierungsvorrichtungen trainiert.
Verfahren nach Anspruch 4, wobei der Schritt der vorstehend bezeichneten Extraktion der Bildmerkmale umfasst: unter Verwendung des trainierten gefalteten neuronalen Netzwerks werden die vorstehend bezeichneten Bildmerkmale aus dem vorstehend bezeichneten Bild extrahiert, um die charakteristischen Vektoren mit Beschreibung der vorstehend bezeichneten Bildmerkmale auszugeben.
Verfahren nach Anspruch 2, wobei die vorstehend bezeichneten extrahierten Bildmerkmale Druckmerkmale umfassen, welche zumindest mit dem Druck eines Teils der vorstehend bezeichneten Produkt-Identifizierungskennzeichnungen zusammenhängen, wobei die vorstehend bezeichneten Klassifizierungsvorrichtungen eine erste Klassifizierungsvorrichtung umfassen, wobei die vorstehend bezeichnete erste Klassifizierungsvorrichtung basierend auf den vorstehend bezeichneten Druckmerkmalen die Unterscheidung bezüglich der Echtheit der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts vornimmt, wobei die positiven Muster und negativen Muster der Produkt-Identifizierungskennzeichnungen zum Training der vorstehend bezeichneten ersten Klassifizierungsvorrichtung verwendet werden, wobei der vorstehend bezeichnete Schritt der Verifizierung umfasst: basierend auf den vorstehend bezeichneten Druckmerkmalen erfolgt die Verwendung der durch die trainierte erste Klassifizierungsvorrichtung ausgegebenen Wahrscheinlichkeit einer echten Produkt-Identifizierungskennzeichnung des vorstehend bezeichneten zu verifizierenden Produkts, und/oder basierend auf den vorstehend bezeichneten Druckmerkmalen erfolgt die Verwendung der durch die trainierte erste Klassifizierungsvorrichtung ausgegebenen Wahrscheinlichkeit einer gefälschten Produkt-Identifizierungskennzeichnung des vorstehend bezeichneten zu verifizierenden Produkts.
Verfahren nach Anspruch 6, wobei es sich bei den vorstehend bezeichneten Druckmerkmalen um Merkmale handelt, welche zumindest mit einem von im Verlauf des Drucks der Produkt-Identifizierungskennzeichnung des positiven Musters verwendeten Faktoren Papier, Tinte oder Druckgerät zusammenhängen.
Verfahren nach Anspruch 6, wobei die vorstehend bezeichneten Klassifizierungsvorrichtungen außerdem eine zweite Klassifizierungsvorrichtung umfassen, wobei die vorstehend bezeichnete zweite Klassifizierungsvorrichtung basierend auf der durch die vorstehend bezeichnete erste Klassifizierungsvorrichtung ausgegebenen Wahrscheinlichkeit einer echten Produkt-Identifizierungskennzeichnung des vorstehend bezeichneten zu verifizierenden Produkts sowie auf den vorstehend bezeichneten Mikropunktmerkmalen die Echtheit der vorstehend bezeichneten Produkt-Identifizierungskennzeichnung beurteilt, wobei die positiven Muster und negativen Muster der Produkt-Identifizierungskennzeichnungen zum Training der vorstehend bezeichneten zweiten Klassifizierungsvorrichtung verwendet werden, wobei der vorstehend bezeichnete Schritt der Verifizierung umfasst: die extrahierten Mikropunktmerkmale werden mit den während oder nach der Herstellung der vorstehend bezeichneten fälschungsgeschützten Produkte vorab gespeicherten Mikropunktmerkmalen der vorstehend bezeichneten Produkt-Identifizierungskennzeichnung verglichen, basierend auf dem Ergebnis des vorstehend bezeichneten Vergleichs sowie auf der durch die vorstehend bezeichnete erste Klassifizierungsvorrichtung ausgegebenen Wahrscheinlichkeit einer echten Produkt-Identifizierungskennzeichnung wird ein die vorstehend bezeichnete Produkt-Identifizierungskennzeichnung beschreibender Vektor gebildet, und basierend auf dem vorstehend bezeichneten beschreibenden Vektor wird unter Verwendung der vorstehend bezeichneten zweiten Klassifizierungsvorrichtung die Echtheit der Produkt-Identifizierungskennzeichnung des vorstehend bezeichneten zu verifizierenden Produkts beurteilt.
Verfahren nach Anspruch 8, wobei der vorstehend bezeichnete beschreibende Vektor Daten in Zusammenhang mit zumindest einem der folgenden Faktoren umfasst: Übereinstimmungsrate zwischen den extrahierten Mikropunktmerkmalen und den vorab gespeicherten Mikropunktmerkmalen, statistische Parameter des Abstands der übereinstimmenden Mikropunkte im Bildkoordinatensystem und dem Pixelabstand der vorab gespeicherten Mikropunkte, Anzahl der Mikropunkte im Bild der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts ohne Übereinstimmung mit den vorab gespeicherten Mikropunktmerkmalen sowie Qualität des vorstehend bezeichneten Bildes.
Verfahren nach Anspruch 1, wobei der vorstehend bezeichnete Schritt der Extraktion der Mikropunktmerkmale umfasst: Verwendung von Bildverarbeitungstechnik, um aus dem vorstehend bezeichneten Bild zumindest einen der Faktoren Formmerkmale, Positionsmerkmale, Graustufenmerkmale oder Farbmerkmale der vorstehend bezeichneten Mikropunkte zu extrahieren.
Verfahren nach Anspruch 1, wobei die vorstehend bezeichnete Produkt-Identifizierungskennzeichnung zumindest einen Strichcode oder einen zweidimensionalen Bild-Code umfasst.
Vorrichtung zur Verifizierung der Echtheit von Produkten, wobei die Produkt-Identifizierungskennzeichnungen der vorstehend bezeichneten Produkte zufällig verteilte Mikropunkte aufweisen, wobei die vorstehend bezeichnete Vorrichtung umfasst: Modul zur Extraktion von Mikropunktmerkmalen, welches dazu verwendet wird, aus dem Bild der Produkt-Identifizierungskennzeichnung des zu verifizierenden Produkts auf der Produkt-Identifizierungskennzeichnung des vorstehend bezeichneten Produkts befindliche Mikropunktmerkmale zu extrahieren, Modul zur Extraktion von Bildmerkmalen, welches dazu verwendet wird, mittels Algorithmen maschinellen Lernens aus dem vorstehend bezeichneten Bild zumindest einen Teil der Bildmerkmale der vorstehend bezeichneten Produkt-Identifizierungskennzeichnung zu extrahieren, und Verifizierungsmodul, welches dazu verwendet wird, basierend auf den vorstehend bezeichneten extrahierten Mikropunktmerkmalen und den vorstehend bezeichneten Bildmerkmalen die Verifizierung der Echtheit der Produkt-Identifizierungskennzeichnung des vorstehend bezeichneten zu verifizierenden Produkts vorzunehmen.
Gerät zur Verifizierung der Echtheit von Produkten, wobei die Produkt-Identifizierungskennzeichnungen der vorstehend bezeichneten Produkte zufällig verteilte Mikropunkte aufweisen, wobei das vorstehend bezeichnete Gerät umfasst: Speichervorrichtung zur Speicherung von Befehlen, und mit der vorstehend bezeichneten Speichervorrichtung gekoppelte Verarbeitungsvorrichtung, wobei die vorstehend bezeichneten Befehle bei der Ausführung durch die vorstehend bezeichnete Verarbeitungsvorrichtung veranlassen, dass die vorstehend bezeichnete Verarbeitungsvorrichtung das vorstehend bezeichnete Verfahren nach einem der Ansprüche 1-11 ausführt.
Gerät nach Anspruch 13, wobei in der vorstehend bezeichneten Speichervorrichtung außerdem ein Datenpool gespeichert ist, wobei der vorstehend bezeichnete Datenpool die während oder nach der Herstellung der vorstehend bezeichneten Produkte gespeicherten Mikropunktmerkmale der Produkt-Identifizierungskennzeichnungen enthält, wobei die vorstehend bezeichneten Mikropunktmerkmale umfassen: zumindest einen der Faktoren Formmerkmale, Positionsmerkmale, Graustufenmerkmale oder Farbmerkmale der vorstehend bezeichneten Mikropunkte.
Gerät nach Anspruch 13, wobei in der vorstehend bezeichneten Speichervorrichtung außerdem ein Musterpool gespeichert ist, wobei der vorstehend bezeichnete Musterpool mehrere Bilder von Identifizierungskennzeichnungen echter Produkte als positive Muster sowie mehrere Bilder von Identifizierungskennzeichnungen gefälschter Produkte als negative Muster enthält, wobei die vorstehend bezeichnete Verarbeitungsvorrichtung dazu vorgesehen ist, unter Verwendung zumindest von einem Teil der in dem vorstehend bezeichneten Musterpool enthaltenen Muster das gefaltete neuronale Netzwerk sowie die der Verifizierung der Produkt-Identifizierungskennzeichnungen dienende erste Klassifizierungsvorrichtung und zweite Klassifizierungsvorrichtung zu trainieren.
Computerlesbares Speichermedium, auf welchem ausführbare Befehle gespeichert sind, wobei die vorstehend bezeichneten ausführbaren Befehle bei der Ausführung durch einen Computer veranlassen, dass der vorstehend bezeichnete Computer das vorstehend bezeichnete Verfahren nach einem der Ansprüche 1-11 ausführt.