KR20190126430A - 이미지 기반 위조 검출 - Google Patents

이미지 기반 위조 검출 Download PDF

Info

Publication number
KR20190126430A
KR20190126430A KR1020197031137A KR20197031137A KR20190126430A KR 20190126430 A KR20190126430 A KR 20190126430A KR 1020197031137 A KR1020197031137 A KR 1020197031137A KR 20197031137 A KR20197031137 A KR 20197031137A KR 20190126430 A KR20190126430 A KR 20190126430A
Authority
KR
South Korea
Prior art keywords
patch
image
images
model
classification algorithm
Prior art date
Application number
KR1020197031137A
Other languages
English (en)
Inventor
제니퍼 에프 슈마허
제임스 비 스나이더
니콜라스 에이 아센도르프
Original Assignee
쓰리엠 이노베이티브 프로퍼티즈 컴파니
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 쓰리엠 이노베이티브 프로퍼티즈 컴파니 filed Critical 쓰리엠 이노베이티브 프로퍼티즈 컴파니
Publication of KR20190126430A publication Critical patent/KR20190126430A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/76—Architectures of general purpose stored program computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G01N2021/177—Detector of the video camera type
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

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

Abstract

재료 샘플들을 인증하기 위한 시스템 및 방법이 제공된다. 샘플들의 디지털 이미지들이 처리되어, 분류 알고리즘을 훈련하는 데 사용되는 컴퓨터 비전 특징을 추출한다. 테스트 샘플의 컴퓨터 비전 특징은 훈련된 분류 알고리즘에 의해 평가되어 테스트 샘플을 식별한다.

Description

이미지 기반 위조 검출
본 개시는 재료 샘플의 이미지에 기초한 위조 검출을 위한 방법 및 시스템에 관한 것이다.
위조는 세계적인 문제이다. 상품, 제품, 또는 재료를 인증하기 위한 다양한 시스템 및 방법이 설명된다. 미국 특허 출원 공개 제20040197535호, 미국 특허 제7,495,214호, 미국 특허 제7,706,700호, 및 미국 특허 제7,715,733호는 위조를 해결하고 상품, 제품 또는 재료를 인증하기 위한 다양한 기술을 설명하고 있다.
다수의 산업과 응용에서, 재료, 상품, 또는 제품을 효율적이고 비용-효과적인 방식으로 인증하려는 요망이 있다. 전형적으로, 제품 또는 샘플이 위조품으로 의심되는 경우, 그것은 제공자에게 배송되고, 결국에는 기술 전문가에게 전달되며, 기술 전문가는 특정 실험실 테스트 하에서 제품을 검사하여 그것이 위조품인지를 결정한다. 위조품을 식별하는 그러한 프로세스는 시간이 매우 많이 걸릴 수 있다. 본 개시는 사전 예방적(예를 들어, 실험실 테스트 없이 현장에서 사용됨)이고 비침습적(예를 들어, 테스트될 제품 또는 패키징에 대한 어떠한 변경도 요구하지 않음)일 수 있는 위조 방지 방법 및 시스템을 제공한다.
간단히, 일 태양에서, 본 개시는 컴퓨터 구현 방법으로서, 복수의 재료 샘플 각각에 대한 하나 이상의 디지털 이미지를 프로세서에 제공하는 단계; 프로세서를 통해, 디지털 이미지들을 처리하여 컴퓨터 비전 특징(computer-vision feature)들을 추출하는 단계; 프로세서를 통해, 컴퓨터 비전 특징들로 분류 알고리즘을 훈련하여 훈련된 분류 알고리즘을 획득하는 단계; 프로세서를 통해, 테스트 샘플의 디지털 이미지로부터 컴퓨터 비전 특징들을 추출하는 단계; 및 프로세서와 관련된 훈련된 분류 알고리즘을 통해, 테스트 샘플의 컴퓨터 비전 특징들을 평가하여 테스트 샘플을 식별하는 단계를 포함하는, 방법을 기술한다. 몇몇 실시예에서, 방법은 테스트 샘플이 위조품인지 또는 진품인지를, 또는 테스트 샘플이 재료 샘플들의 배치(batch)에 속하는지를 결정할 수 있다.
다른 태양에서, 본 개시는 모바일 디바이스에 제공된 그래픽 사용자 인터페이스(GUI)를 포함하는 위조 방지 시스템을 기술한다. 모바일 디바이스는, GUI를 통해, 테스트될 샘플에 대한 하나 이상의 디지털 이미지를 획득할 수 있다. 시스템은 모바일 디바이스에 기능적으로 접속되고, GUI로부터 이미지들을 수신하고 이미지들을 처리하여 이미지들로부터 컴퓨터 비전 특징들을 추출하도록 구성된 계산 컴포넌트를 추가로 포함한다. 샘플의 컴퓨터 비전 특징들을 평가하여 샘플이 진품인지 또는 위조품인지를 결정하고, 결정을 원격 모바일 디바이스의 GUI로 반환하도록 구성된, 훈련된 분류 알고리즘이 계산 컴포넌트와 관련된다.
다양한 예상치 못한 결과 및 이점이 본 개시의 예시적인 실시예에서 얻어진다. 본 개시의 예시적인 실시예의 하나의 그러한 이점은 컴퓨터 비전 특징들이 재료 샘플들의 이미지들로부터 자동으로 추출되고, 새로운 샘플을 식별하기 위해 분류 알고리즘을 훈련하기 위해 적용될 수 있다는 것이다. 본 개시는 사전 예방적(예를 들어, 실험실 테스트 없이 현장에서 사용됨)이고 비침습적(예를 들어, 테스트될 제품 또는 패키징에 대한 어떠한 변경도 요구하지 않음)일 수 있는 위조 방지 방법 및 시스템을 제공한다.
본 개시의 예시적인 실시예의 다양한 태양 및 이점이 요약되었다. 상기의 '발명의 내용'은 본 개시의, 각각의 예시된 실시예 또는 본 소정의 예시적인 실시예의 모든 구현예를 기술하고자 하는 것은 아니다. 하기의 '도면' 및 '발명을 실시하기 위한 구체적인 내용'은 본 명세서에 개시된 원리를 이용하는 소정의 바람직한 실시예를 보다 구체적으로 예시한다.
첨부 도면과 관련하여 본 개시의 다양한 실시예의 하기의 상세한 설명을 고찰할 때 본 개시가 더 완전히 이해될 수 있다.
도 1은 일 실시예에 따른, 재료 샘플을 인증하기 위한 방법의 흐름도이다.
도 2는 일 실시예에 따른, 샘플 이미지를 처리하고 선택적으로 샘플 이미지를 라벨링하기 위한 방법의 흐름도이다.
도 3a는 일 실시예에 따른, 샘플 이미지로부터 패치(patch)를 추출하는 프로세스를 예시한다.
도 3b는 다른 실시예에 따른, 샘플 이미지로부터 패치를 추출하는 프로세스를 예시한다.
도 4는 일 실시예에 따른, 패치 이미지에 필터를 적용하는 프로세스를 예시한다.
도 5는 일 실시예에 따른, 필터링된 패치 이미지의 크기/차원을 감소시키는 프로세스를 예시한다.
도 6은 일 실시예에 따른, 훈련된 분류 알고리즘을 획득하고 훈련된 분류 알고리즘을 사용하여 테스트 샘플을 평가하는 방법의 흐름도이다.
도 7a는 일 실시예에 따른, 예시적인 의사 결정 트리 모델의 블록도이다.
도 7b는 일 실시예에 따른, 필터들에 의해 조직화된 상위 48개 특징의 플롯을 예시한다.
도 8은 일 실시예에 따른, 테스트 샘플을 식별하기 위한 방법의 흐름도이다.
도 9는 일 실시예에 따른, 재료 샘플을 인증하는 시스템에 대한 블록도를 예시한다.
도 10은 일 실시예에 따른, 재료 샘플을 인증하기 위해 클라우드 컴퓨팅 환경에 접속된 모바일 디바이스의 개략도를 예시한다.
도면에서, 동일한 도면 부호는 동일한 요소를 지시한다. 일정한 축척으로 작성된 것이 아닐 수 있는 전술된 도면이 본 개시의 다양한 실시예를 제시하지만, '발명을 실시하기 위한 구체적인 내용'에 언급된 바와 같이, 다른 실시예가 또한 고려된다. 모든 경우에, 본 개시는 현재 개시되는 개시 내용을 명백한 제한으로서가 아니라 예시적인 실시예의 표현으로서 기술한다. 본 개시의 범주 및 사상에 속하는 많은 다른 변형 및 실시예가 당업자에 의해 고안될 수 있음을 이해하여야 한다.
다수의 산업과 응용에서, 재료, 상품, 또는 제품을 효율적이고 비용-효과적인 방식으로 인증하려는 요망이 있다. 전형적으로, 제품이 위조품으로 의심되는 경우, 그것은 제공자에게 배송되고, 결국에는 기술 전문가에게 전달되며, 기술 전문가는 특정 실험실 테스트 하에서 제품을 검사하여 그것이 위조품인지를 결정한다. 위조품을 식별하는 그러한 프로세스는 시간이 매우 많이 걸릴 수 있다. 본 개시는 사전 예방적(예를 들어, 실험실 테스트 없이 현장에서 사용됨)이고 비침습적(예를 들어, 테스트될 제품 또는 패키징에 대한 어떠한 변경도 요구하지 않음)일 수 있는 위조 방지 방법 및 시스템을 제공한다.
본 명세서에 설명된 시스템 및 방법은 재료 샘플을 진품, 위조품, 또는 재료 샘플들의 배치의 멤버로서 식별하기 위해 제공된다. 재료 샘플의 인증은 샘플의 재료 특성에 기초할 수 있다. 몇몇 실시예에서, 특정 재료 특성은 샘플의 이미지로부터 추출된 컴퓨터 비전 특징에 의해 표현될 수 있다.
도 1은 일 실시예에 따른, 재료 샘플들을 인증하는 컴퓨터 구현 방법(100)을 예시한다. 재료 샘플들은 진품 샘플들의 세트 및 선택적으로 위조 샘플들의 세트를 포함할 수 있다. 몇몇 실시예에서, 재료 샘플들의 세트는 각각 실질적으로 동일한 재료 구성들을 포함하고/하거나 실질적으로 동일한 프로세스들에 의해 생성되는 재료 샘플들의 배치에 속할 수 있다. 몇몇 실시예에서, 재료 샘플들은 예를 들어 미국 미네소타주 세인트 폴 소재의 쓰리엠 컴퍼니(3M Company)로부터 구매 가능한 연마제, 광학 필름, 부직포 및 이들로부터 제조된 제품, 또는 이들의 위조품으로부터 선택될 수 있다. 하나의 전형적인 재료 샘플은 부직포 재료를 포함하는 호흡기(예를 들어, 성형 호흡기 또는 플랫폴드 호흡기(flat-fold respirator))이다.
110에서, 물체(예를 들어, 재료 샘플)에 대한 하나 이상의 디지털 이미지가 프로세서에 제공된다. 디지털 이미지는 예를 들어 모바일 폰과 같은 모바일 디바이스에 통합된 디지털 카메라와 같은 임의의 적합한 카메라에 의해 캡처될 수 있다. 캡처된 이미지의 크기는 예를 들어 약 200x200 픽셀 내지 약 10,000x10,000 픽셀일 수 있다. 캡처된 이미지는 예를 들어 JPEG, Exif, TIFF, BMP, GIF, PNG 등과 같은 임의의 적합한 포맷일 수 있다. 이어서 방법(100)은 120으로 진행한다.
120에서, 디지털 이미지는, 프로세서를 통해, 컴퓨터 비전 특징을 추출하도록 처리된다. 컴퓨터 비전 특징은 재료 샘플의 특성적 특징을 나타낼 수 있다. 예를 들어, 재료 샘플의 디지털 이미지는 재료 샘플의 구조, 하위구조, 또는 텍스처에 관련될 수 있는 다양한 세기/컬러를 갖는 픽셀들을 포함할 수 있다. 몇몇 실시예에서, 호흡기의 이미지의 처리는 호흡기 재료(예를 들어, 부직포 재료)의 텍스처를 나타내는 컴퓨터 비전 특징을 추출할 수 있다. 재료 샘플의 특성적 특징은 예를 들어 광학 특징(예를 들어, 세기, 컬러 등), 표면 패턴 특징, 음향 특징(예를 들어, 주파수 흡수), 탄성 특징(예를 들어, 모듈러스), 구조 특징(예를 들어, 형상), 전자 특징(예를 들어, 저항), 자기 특징(예를 들어, 장 강도), 일렉트릿 관련 특징(예를 들어, 유전성), 기계 특징(예를 들어, 항복 강도) 등을 포함할 수 있다. 이어서 방법(100)은 130으로 진행한다.
130에서, 분류 알고리즘이 훈련 데이터(예를 들어, 추출된 컴퓨터 비전 특징)를 사용함으로써 훈련되어 훈련된 분류 알고리즘을 획득한다. 본 명세서에 설명된 분류 알고리즘은 미지의 물체 또는 재료 샘플을 식별하는 데 사용되는 컴퓨터 구현 방법/모델/알고리즘을 지칭한다. 분류 알고리즘에 대한 입력은 미지의 물체의 이미지일 수 있고, 출력은 물체를 식별하는 라벨(예를 들어, 1 또는 0)일 수 있다. 전형적으로 분류 알고리즘은 설정된 물체 이미지를 제공함으로써 훈련될 수 있다. 이미지는 알려진 아이덴티티 또는 라벨을 갖거나 갖지 않을 수 있다. 분류 알고리즘을 훈련함으로써, 알고리즘에 필요한 모든 필요한 모델 파라미터가 결정되어 훈련된 분류 알고리즘을 획득할 수 있다.
몇몇 실시예에서, 분류 알고리즘은 예를 들어 다수의 무작위 의사 결정 트리를 훈련 데이터에 융합하는 엑스트라-트리 분류기(extra-trees classifier)와 같은 감독 분류 알고리즘을 포함할 수 있다. 예시적인 의사 결정 트리 모델이 도 7a에 예시되며, 이는 아래에서 더 설명될 것이다. 예를 들어 의사 결정 트리 모델, 무작위 포레스트 모델(random forest model), 엑스트라-트리 모델(extra-trees model), 신경망 모델, 그라디언트 부스팅 모델(gradient boosting model), 배깅 모델(bagging model), 적응형 부스팅 모델, 선형 판별 분석 모델, 2차 판별 분석 모델, 나이브 베이즈 모델(
Figure pct00001
Bayes model), 최근접 이웃 모델, 반경 최근접 모델, 로지스틱 회귀 모델 등 중 하나 이상을 포함할 수 있는 임의의 적합한 알려진 분류 알고리즘이 사용될 수 있음을 이해해야 한다. 훈련 데이터(예를 들어, 컴퓨터 비전 특징)로 분류 알고리즘을 훈련함으로써, 알고리즘 또는 모델의 다양한 파라미터들이 결정될 수 있으며, 이는 훈련된 분류 알고리즘을 생성할 수 있다. 이어서 방법(100)은 140으로 진행한다.
140에서, 테스트될 재료 샘플의 디지털 이미지로부터 컴퓨터 비전 특징이 추출된다. 테스트될 재료 샘플 또는 테스트 샘플은 진품 샘플 또는 위조품, 식별된 재료 샘플들(진품 또는 위조품)의 배치에 속하는 샘플, 또는 식별될 새로운 샘플일 수 있다. 테스트 샘플의 컴퓨터 비전 특징은 120에서의 재료 샘플의 것에 대해서와 유사한 방식으로 추출될 수 있으며, 이는 아래에서 더 설명될 것이다. 이어서 방법(100)은 150으로 진행한다.
150에서, 훈련된 분류 알고리즘을 통해, 테스트 샘플의 컴퓨터 비전 특징이 평가되어, 테스트 샘플을 식별하는데, 예를 들어 테스트 샘플이 진품인지 또는 위조품인지를 결정하고, 테스트 샘플이 식별된 재료 샘플들의 배치에 속하는지를 결정하고, 기타 등등을 행한다. 몇몇 실시예에서, 테스트 샘플의 컴퓨터 비전 특징은 훈련된 분류 알고리즘에 대한 입력 데이터로서 사용될 수 있고, 훈련된 분류 알고리즘으로부터의 출력은 이진수 0/1일 수 있다. 예를 들어, 테스트 샘플이 진품일 때, 출력은 1이고, 테스트 샘플이 위조품일 때, 출력은 0이다.
도 2는 일 실시예에 따른, 샘플 이미지를 처리하기 위한 방법(200)의 흐름도를 예시한다. 선택적인 210에서, 재료 샘플의 디지털 이미지가 분할될 수 있다. 선택적인 이미지 분할 단계는 물체(예를 들어, 호흡기와 같은 재료 샘플)를 이미지 내의 배경으로부터 분리할 수 있다. 몇몇 실시예에서, 이미지 분할은 예를 들어 물체가 컬러, 콘트라스트 등에 의해 배경과는 상이할 때 LAB 공간에서 이미지를 임계화함으로써 달성될 수 있다. 이미지 분할은 또한 이미지에서 에지 영역 및 불순물(예를 들어, 구멍)을 제거하는 것을 도울 수 있다. 일반적으로, 선택적인 이미지 분할 단계(210)는 물체에 속하는 이미지 내의 픽셀을 더 잘 식별하는 것을 도울 수 있다. 이어서 방법(200)은 220으로 진행한다.
220에서, 하나 이상의 패치가 샘플 이미지로부터 추출된다. 패치는 임의의 적합한 방식, 예를 들어 무작위 샘플링, 균일 샘플링 또는 다른 지능형 샘플링 접근법으로 이미지 픽셀을 샘플링함으로써 추출될 수 있다. 패치의 수(l)는 예를 들어 1 내지 10,000일 수 있다. 전형적인 수는 약 수십 내지 수천일 수 있다. 패치는 예를 들어 1x1 픽셀 내지 1000x1000 픽셀의 패치 크기를 갖는 다각형 형상(예를 들어, 정사각형 형상, 삼각형 형상, 육각형 형상 등)을 가질 수 있다. 적합한 패치 수, 적합한 패치 형상 및 적합한 패치 크기는 샘플 이미지의 특성(예를 들어, 크기, 해상도, 형상, 품질 등)에 의존할 수 있음을 이해해야 한다. 도 3a는 패치 추출의 예를 예시하는데, 20개의 패치(201x201 픽셀)가 호흡기의 이미지 상에 플로팅된다. 도 3b는 패치 추출의 다른 예를 예시하는데, 1000개의 패치(201x201 픽셀)가 호흡기 이미지 상에 플로팅되어 커버리지를 보여준다. 이어서 방법(200)은 230으로 진행한다.
230에서, 하나 이상의 필터가 각각의 패치에 적용되어 패치당 하나 이상의 필터링된 패치 이미지를 획득한다. 몇몇 실시예에서, 각각의 패치는 예를 들어 가버 필터(Gabor filter)와 같은 일련의 필터를 통과할 수 있다. 필터는 샘플의 재료 특성과 관련된 정보를 추출하는 데 사용된다. 예를 들어, 가버 필터는 부직포 재료의 텍스처 정보를 추출하는 데 사용될 수 있다. 일련의 필터는 패치에 적용될 때 일련의 각자의 파라미터를 가질 수 있으며, 이는 일련의 필터링된 패치 이미지를 생성할 수 있다. 즉, 다수(m개)의 필터가 패치에 적용되어 다수(m개)의 필터링된 패치 이미지를 생성할 수 있으며, 여기서 m은 정수(예를 들어, 8, 16, 32 등)이다. 예를 들어, 가버 필터는 일련의 커널(예를 들어, 0 내지 15의 16개의 커널)과 함께 적용될 수 있으며, 이는 각각의 패치에 대한 일련의 필터링된 이미지(예를 들어, 16개의 필터링된 이미지)를 생성할 수 있다. 도 4는 일련의 필터링된 패치 이미지 중 하나를 얻기 위해 일련의 가버 필터 중 하나를 오리지널 패치 이미지에 적용하는 예시적인 프로세스를 예시한다. 도 4의 필터링된 패치 이미지는 해당 패치의 재료(예를 들어, 부직포)의 텍스처 정보를 포함한다.
적합한 재료 특성과 관련된 정보를 추출하기 위해 임의의 적합한 디지털 필터가 사용될 수 있음을 이해해야 한다. 적합한 디지털 필터는 많은 다른 것들 중에서 예를 들어 푸리에 변환(주파수 특성 추출용), 라플라스 변환(주파수 특성 추출용), 가우시안 필터(텍스처 특성 추출용), 고역 통과 필터(고주파 성분 추출용), 저역 통과 필터(평탄 특징 추출용), 대역 통과 필터(특정 주파수 성분 추출용), 중앙값 필터(잡음 감소 추출용), 평균 필터(잡음 감소 추출용), 국지적 이진 패턴(텍스처 추출용), 가우시안의 라플라시안(에지 특성 추출용), 소벨 필터(Sobel filter)(에지 특성 추출용), 프리위트 필터(Prewitt filter)(에지 특성 추출용)를 포함할 수 있다.
몇몇 실시예에서, 다수의 디지털 필터 세트가 각각의 패치에 동시에 또는 순차적으로 적용될 수 있다. 몇몇 실시예에서, 제1 필터 세트(예를 들어, 일련의 가버 필터)가 각각의 패치에 적용되어 필터링된 패치 이미지를 획득할 수 있고; 제2 필터(예를 들어, 국지적 이진 패턴(LBP) 필터)가 각각의 필터링된 패치 이미지에 적용되어 필터링된 패치 이미지를 추가의 필터링된 패치 이미지(예를 들어, LBP 이미지)로 변화시킬 수 있다. LBP 필터의 알고리즘은 패치 이미지 내의 각각의 픽셀을 검사하고, 각각의 픽셀에 대해, 8개의 이웃 픽셀을 검사한다. 이웃 픽셀이 타겟 픽셀보다 큰 경우 그것은 '1'을 수신하고, 이웃 픽셀이 타겟 픽셀보다 작은 경우 그것은 '0'을 수신한다. 이어서 이러한 8개의 비트는 0 내지 255의 값을 취하는 8 비트 시퀀스를 형성하도록 연결된다. 이러한 방식으로, 필터링된 패치 이미지는 0 내지 255의 값을 갖는 LBP 패치 이미지 또는 0 내지 9의 값을 갖는 "균일한" LBP 패치 이미지로 변환될 수 있다. 각각의 패치에 대한 필터링된 패치 이미지를 획득한 후에, 방법(200)은 240으로 진행한다.
240에서, 각각의 필터링된 패치 이미지의 크기 또는 차원이 감소된다. 필터링된 패치 이미지가 패치의 재료 특성(예를 들어, 텍스처)을 효과적으로 보여줄 수 있지만, 샘플 이미지의 결과적인 컴퓨터 비전 관련 데이터는 많은 수의 패치(예를 들어, 1000개 이상의 패치), 각각의 패치에 적용된 필터 수(m)(예를 들어, 16개 이상), 각각의 필터링된 패치 이미지의 크기(예를 들어, 101x101 픽셀) 등을 고려할 때 클 수 있다. 이 단계는 각각의 패치에 대한 필터링된 패치 이미지의 크기 또는 차원을 감소시킴으로써 컴퓨터 비전 관련 데이터의 크기를 효과적으로 감소시킬 수 있다.
몇몇 실시예에서, 필터링된 패치 이미지의 크기 또는 차원은 이미지를 벡터화함으로써 감소될 수 있다. 몇몇 실시예에서, 필터링된 패치 이미지는 n 차원 히스토그램으로, 그리고 추가로 n 차원 벡터로 전환되거나 변환될 수 있으며, 여기서 n은 임의의 적합한 정수(예를 들어, 1 내지 256)일 수 있다. 예를 들어, 도 4에 도시된 바와 같은 각각의 필터링된 패치 이미지에 대해, 국지적 이진 패턴(LBP) 알고리즘이 LBP 이미지를 얻기 위해 적용될 수 있다. 균일한 LBP는 회전 불변성이며, 이에 따라 데이터를 나타내기 위해 더 적은 비트를 필요로 한다. 이어서 각각의 LBP 패치 이미지는 특정 값을 취하는 픽셀 수를 계수함으로써 히스토그램으로 변환될 수 있다. 도 5는 도 4의 필터링된 패치 이미지를 LBP 패치 이미지로 변화시키고 LBP 패치 이미지를 히스토그램(예를 들어, 10 차원 히스토그램)으로 변화시키는 예시적인 프로세스를 예시한다. 몇몇 실시예에서, 필터링된 패치 이미지들의 평균 및 분산은 대응하는 히스토그램의 끝에 연결되어, 필터링된 패치 이미지마다(예를 들어, 커널마다) 12 차원 벡터를 생성할 수 있다. 필터링된 패치 이미지를 n 차원 벡터로 변환하기 위해 임의의 적합한 벡터화 방법이 사용될 수 있음을 이해해야 한다. 이어서 방법(200)은 250으로 진행한다.
250에서, 필터링된 패치 이미지와 관련된 컴퓨터 비전 데이터가 각각의 패치에 대해 결합된다. 230 및 240에서 설명된 바와 같이, 몇몇 실시예에서, 각각의 패치에 대해, 다수(m개)의 필터링된 패치 이미지가 다양한 파라미터(예를 들어, m개의 커널)를 이용하여 얻어질 수 있으며; 각각의 필터링된 패치 이미지에 대해, n 차원 벡터가 획득될 수 있다. m개의 필터링된 패치 이미지에 대한 n 차원 벡터는 각각의 패치에 대한 d 차원 패치 특징 벡터(x patch)를 형성하도록 연결될 수 있으며, 여기서 d = (m × n)이다. 예를 들어, 가버 필터가 일련의 커널(예를 들어, 16개의 필터링된 이미지에 대응하는 0 내지 15의 16개의 커널)과 함께 적용되는 경우, 16개의 필터링된 이미지의 12 차원 벡터가 연결되어 패치에 대한 최종 특징 벡터(x patch), 예를 들어 아래에 표시된 바와 같은 192(12x16) 차원 특징 벡터를 형성할 수 있다:
Figure pct00002
필터링된 패치 이미지들을 결합하기 위한 상기 프로세스는 각각의 패치에 대해 반복되어 각각의 이미지에 대한 다수(l개)의 그러한 d 차원 패치 특징 벡터를 획득할 수 있으며, 여기서 l은 샘플 이미지로부터 추출된 패치의 총 수이고, d = (m × n)는 패치 특징 벡터(x patch)의 차원이다.
260에서, 패치들에 대한 컴퓨터 비전 데이터가 각각의 이미지에 대해 결합된다. l개의 패치를 갖는 이미지의 경우, 다수(l개)의 그러한 d 차원 패치 특징 벡터(x patch)가 결합되어 특징 벡터들의 (l × d) 행렬을 형성할 수 있다. 모든 이미지에 대한 행렬들이 더 결합되어 특징 벡터들의 (k × l) × d 행렬을 형성할 수 있으며, 여기서 k는 샘플 이미지들의 총 수이다.
선택적으로, 방법(200)은 각각의 이미지에 대한 라벨을 제공할 수 있다. 210'에서, 각각의 샘플 이미지는 진품 또는 위조품으로 라벨링될 수 있다. 예를 들어, 진품 샘플은 값 "1"을 할당받을 수 있고, 위조품은 값 "0"을 할당받을 수 있다. 220에서, 다수(l개)의 패치가 각각의 샘플 이미지로부터 추출된다. 230'에서, 각각의 패치는 그의 부모 이미지로부터 라벨을 상속받는다. 예를 들어, 진품 샘플로부터의 모든 패치는 "1"로 라벨링되고, 위조품으로부터의 모든 패치는 "0"으로 라벨링된다. 240'에서, 패치 라벨들이 라벨 벡터로 연결된다. 라벨 벡터는 이진(1/0) 라벨의 l 차원 벡터일 수 있으며, 여기서 l은 샘플 이미지로부터의 패치의 수이다. 각각의 이미지에 대한 라벨들이 더 결합되어 (k × l) × 1 벡터를 형성할 수 있으며, 여기서 k는 샘플 이미지의 총 수이다.
샘플 이미지를 처리하는 방법(200)으로부터 기인하는 데이터는 분류 알고리즘을 훈련하기 위한 훈련 데이터로서 적용되어 훈련된 분류 알고리즘을 획득할 수 있다. 도 6은 일 실시예에 따른, 분류 알고리즘을 훈련하고 훈련된 분류 알고리즘을 사용하여 테스트 샘플을 평가하는 방법(600)을 예시한다. 610에서, 예를 들어, 샘플 이미지를 처리하는 방법(200)으로부터 훈련 데이터가 제공된다. 훈련 데이터는 예를 들어 특징 벡터들의 (k × l) × d 행렬과 같은 컴퓨터 비전 데이터 및 선택적으로 이진 라벨의 (k × l) × 1 벡터와 같은 이미지 라벨을 포함할 수 있다.
620에서, 적합한 분류 알고리즘이 선택된다. 분류 알고리즘은 훈련 데이터의 특성, 예를 들어 샘플 이미지를 처리함으로써 얻어진 컴퓨터 비전 특징에 기초하여 선택될 수 있다. 적합한 분류 알고리즘은 예를 들어 의사 결정 트리 모델, 무작위 포레스트 모델, 엑스트라-트리 모델, 신경망 모델, 그라디언트 부스팅 모델, 배깅 모델, 적응형 부스팅 모델, 선형 판별 분석 모델, 2차 판별 분석 모델, 나이브 베이즈 모델, 최근접 이웃 모델, 반경 최근접 모델, 로지스틱 회귀 모델 등 중 하나 이상을 포함할 수 있다. 적합한 분류 알고리즘은 테스트 샘플에 대한 정확한 예측/식별을 제공하거나, 훈련 에러를 최소화하거나, 유효성 검사 데이터 세트에 대한 에러를 최소화하도록 선택될 수 있다.
도 7a는 예시적인 의사 결정 트리 모델(700)을 예시한다. 훈련 데이터(예를 들어, 방법(200)으로부터의 특징 벡터들의 (k × l) × d 행렬)는 모델을 훈련하고 모델 내의 파라미터를 결정하기 위한 입력 데이터로서 적용될 수 있다. 결정된 파라미터를 이용하여, 훈련된 의사 결정 트리 모델이 획득된다. 예를 들어, 패치에 대한 d 차원 벡터 x의 입력으로, 모델 내의 파라미터(예를 들어, 스칼라 y 1 , y 2 및 y3, 인덱스 i 1 , i 2 및 i 3 등).
다른 예시적인 분류 알고리즘은 아래의 식에 의해 표현되는 로지스틱 회귀 모델이다:
Figure pct00003
훈련 데이터(예를 들어, 방법(200)으로부터의 특징 벡터들의 (k × l) × d 행렬)는 모델을 훈련하고 파라미터(예를 들어, 스칼라 c, 벡터 b 등)를 결정하기 위한 입력 데이터(예를 들어, d 차원 벡터 x)로서 적용될 수 있다. 결정된 파라미터를 이용하여, 훈련된 로지스틱 회귀 모델이 얻어진다.
몇몇 실시예에서, 패치 특징 벡터(예를 들어, 특징 벡터들의 (k × l) × d 행렬)의 크기 또는 차원은 분류 알고리즘의 훈련 동안 더 감소될 수 있다. 몇몇 실시예에서, 패치 특징 벡터(x patch)에 대해, 더 높은 중요도 가중치를 갖는 특징을 선택함으로써 크기 또는 차원이 더 감소될 수 있다. 예를 들어, 상기 식 (1)에 나타낸 바와 같은 일련의 커널(예를 들어, 16개의 필터링된 이미지에 대응하는 0 내지 15의 16개의 커널)을 갖는 가버 필터에 대응하는 192(12x16) 차원 특징 벡터에 대해, 분류 알고리즘, 예를 들어, 엑스트라 트리 분류 알고리즘의 훈련은 192개의 특징 각각에 대한 특징 중요도 가중치를 제공할 수 있다.
도 7b는 일련의 필터(예를 들어, 0 내지 15의 16개의 커널을 가짐)에 의해 조직화된 (192개의 특징 중) 상위 48개의 특징의 플롯을 예시한다. 그러한 특징 중요도 가중치는 더 중요한 특징을 선택함으로써 차원수를 줄이는 데 사용될 수 있다. 이는 특히 전체 특징 세트(예를 들어, 특정 필터와 관련된 특징)가 제거될 때 잡음을 줄이고 계산 속도를 높인다. 도 7b로부터, 제한된 수의 필터가 사용되도록 선택된다. 상위 48개의 특징 중 가장 많은 수를 갖는 그러한 필터가 사용 타겟이 된다. 이러한 특징 선택은 훈련 및 특징 계산을 더 줄일 수 있다.
다시 도 6을 참조하면, 테스트 샘플을 식별하기 위해, 예를 들어 650에서 테스트 샘플이 진품 샘플인지 또는 위조품인지를 결정하기 위해, 640에서의 테스트 샘플로부터의 컴퓨터 비전 특징이 630에서 훈련된 분류 알고리즘에 의해 평가될 수 있으며, 이는 이하에서 더 설명될 것이다.
테스트 샘플의 컴퓨터 비전 특징은 테스트 샘플의 디지털 이미지로부터 추출되고, 일 실시예에 따른 도 8의 방법(800)에 의해 평가될 수 있다. 805에서, 테스트 샘플의 디지털 이미지가 제공된다. 선택적인 단계 810에서, 디지털 이미지가 도 2의 210에서와 유사하게 분할될 수 있다. 이어서 방법(800)은 820으로 진행한다.
820에서, 도 2의 220에서와 유사하게, 하나 이상의 패치가 테스트 샘플 이미지로부터 추출된다. 패치의 수(l)는 예를 들어 1 내지 1,000,000일 수 있다. 전형적인 수는 약 수백 내지 수천일 수 있다. 패치는 예를 들어 1x1 픽셀 내지 1000x1000 픽셀의 패치 크기를 갖는 다각형 형상(예를 들어, 정사각형 형상, 삼각형 형상, 육각형 형상 등)을 가질 수 있다. 적합한 패치 수 및 적합한 패치 크기는 샘플 이미지의 특성(예를 들어, 크기, 해상도, 형상, 품질 등)에 의존할 수 있음을 이해해야 한다. 이어서 방법(800)은 830으로 진행한다.
830에서, 도 2의 230에서와 유사하게, 하나 이상의 필터가 각각의 패치에 적용되어 하나 이상의 필터링된 패치 이미지를 획득한다. 몇몇 실시예에서, 다수(m개)의 필터가 패치에 적용되어 다수(m개)의 필터링된 패치 이미지를 생성할 수 있으며, 여기서 m은 정수(예를 들어, 8, 16, 32 등)이다. 예를 들어, 가버 필터는 일련의 커널(예를 들어, 0 내지 15의 16개의 커널)과 함께 적용될 수 있으며, 이는 각각의 패치에 대한 일련의 필터링된 이미지(예를 들어, 16개의 필터링된 이미지)를 생성할 수 있다. 이어서 방법(800)은 840으로 진행한다.
840에서, 도 2의 240에서와 유사하게, 각각의 필터링된 패치 이미지의 크기 또는 차원이 감소된다. 몇몇 실시예에서, 필터링된 패치 이미지의 크기 또는 차원은 각각의 패치 이미지를 n 차원 패치 특징 벡터로 벡터화함으로써 감소될 수 있으며, 여기서 n은 정수이다. 필터링된 패치 이미지를 n 차원 벡터로 변환하기 위해 임의의 다른 방법이 사용될 수 있음을 이해해야 한다. 이어서 방법(800)은 850으로 진행한다.
850에서, 감소된 크기/차원을 갖는 필터링된 패치 이미지에 대한 컴퓨터 비전 데이터는 도 2의 250에서와 유사하게 각각의 패치에 대해 결합된다. 830 및 840에 설명된 바와 같이, 각각의 패치에 대해, 다수(m개)의 필터링된 패치 이미지가 얻어질 수 있고; 각각의 필터링된 패치 이미지에 대해, n 차원 벡터가 얻어질 수 있다. m개의 필터링된 패치 이미지에 대한 n 차원 벡터는 각각의 패치에 대한 d 차원 패치 특징 벡터(x' patch)를 형성하도록 연결될 수 있으며, 여기서 d = (m × n)이다. 예를 들어, 가버 필터가 일련의 커널(예를 들어, 16개의 필터링된 이미지에 대응하는 0 내지 15의 16개의 커널)과 함께 적용되는 경우, 16개의 필터링된 이미지의 12 차원 벡터는 상기 식 (1)에서와 유사하게 패치에 대한 최종 특징 벡터(x' patch), 예를 들어 192(12x16) 차원 특징 벡터를 형성하도록 연결될 수 있다. 이러한 프로세스는 각각의 패치에 대해 반복되어, 다수(l개)의 그러한 d 차원 패치 특징 벡터를 얻을 수 있으며, 여기서 l은 테스트 샘플 이미지로부터 추출된 패치의 총 수이고, d = (m × n)은 패치 특징 벡터(x' patch)의 차원이다. 이어서 방법(800)은 870으로 진행한다.
870에서, 각각의 패치 특징 벡터(x patch)는 860에서 훈련된 알고리즘에 의해 평가되어 대응하는 패치가 진품인지 또는 위조품인지를 결정한다. 패치 특징 벡터(x patch)를 입력 데이터로서 이용하여, 훈련된 알고리즘은 각각의 패치에 대한 이진수 0/1을 출력할 수 있다. 예를 들어, 패치가 진품 샘플로부터의 것인 경우 출력은 "1"이고, 패치가 위조품으로부터의 것인 경우 출력은 "0"이다. 훈련된 알고리즘은 도 6의 방법(600)에 의해 획득될 수 있다. 이어서 방법(800)은 880으로 진행한다.
880에서, 각각의 패치에 대한 출력 또는 투표를 분석함으로써 테스트 샘플을 식별하기 위한 최종 결정이 이루어진다. 몇몇 실시예에서, 패치들의 대다수가 진품인지 또는 위조품인지가 결정되는 경우 다수결 투표 전략이 적용될 수 있다. 패치들의 대다수가 진품인 경우, 방법(800)은 890으로 진행하여 테스트 샘플이 진품인 것으로 결정한다. 패치들의 대다수가 위조품인 경우, 방법(800)은 895로 진행하여 테스트 샘플이 위조품인 것으로 결정한다. 각각의 패치에 대한 출력 또는 투표를 분석함으로써 다른 투표 전략이 적용될 수 있음을 이해해야 한다.
도 9는 몇몇 실시예에 따른, 예를 들어, 방법들(100, 200, 600, 700, 800) 중 하나 이상과 같은 본 명세서에 설명된 컴퓨터 구현 방법들 중 임의의 하나를 구현함으로써 재료 샘플을 인증하기 위한 시스템(900)을 예시한다. 시스템(900)은 측정 컴포넌트(924), 계산 컴포넌트(926), 및 하나 이상의 입력/출력 디바이스(916)를 포함한다.
측정 컴포넌트(924)는 재료 샘플의 하나 이상의 특성적 특징/특성을 측정하도록 구성된다. 측정 컴포넌트(924)는 예를 들어 광학 특징, 텍스처 특징, 음향 특징, 탄성 특징, 구조 특징, 전자 특징, 자기 특징, 일렉트릿, 또는 기계 특징 중 하나 이상을 비롯한 재료 특성을 측정하는 다양한 측정 도구일 수 있다. 몇몇 실시예에서, 측정 컴포넌트(924)는 예를 들어 재료 샘플의 하나 이상의 이미지를 캡처하기 위한 모바일 폰의 디지털 카메라를 포함할 수 있다.
도 9의 실시예에서, 계산 컴포넌트(926)는 프로세서(912) 및 메모리(914)를 포함한다. 계산 컴포넌트(926)는 측정 컴포넌트(924)(예를 들어, 디지털 카메라)에 기능적으로 접속되고, 측정 컴포넌트(924)로부터 측정된 특징(예를 들어, 재료 샘플에 대한 디지털 이미지)과 관련된 신호를 수신한다. 이어서 프로세서(912)는 디지털 이미지를 처리하여 컴퓨터 비전 특징을 추출하고 선택적으로 몇몇 실시예에 따른 방법(200)을 구현함으로써 이미지 라벨링 데이터를 획득할 수 있다. 입력 훈련 데이터(예를 들어, 컴퓨터 비전 특징 및 선택적인 이미지 라벨링 데이터)를 이용하여, 프로세서(912)는 몇몇 실시예에 따른 방법(600)을 구현함으로써 분류 알고리즘을 더 훈련하여 훈련된 분류 알고리즘을 획득할 수 있다.
이미지 데이터 및 훈련된 분류 알고리즘은 메모리(914)에 저장될 수 있다. 몇몇 실시예에서, 메모리(914)는 예를 들어 모든 캡처된 샘플 이미지 및 이미지의 메타데이터를 포함한 이미지 관련 데이터를 저장하는 데이터베이스를 가질 수 있다. 메타데이터는 예를 들어 이미지의 타임스탬프, 디바이스 시간, IP 주소, 사용자 정보, 위치 등을 포함할 수 있다.
몇몇 실시예에서, 테스트 재료 샘플이 인증되도록 의도되는 경우, 테스트 재료 샘플의 하나 이상의 대응하는 특성적 특징(디지털 이미지)이 측정 컴포넌트(924)(예컨대, 디지털 카메라)에 의해 측정될 수 있다. 계산 컴포넌트(926)는 측정 컴포넌트(924)로부터 측정된 특징(예를 들어, 재료 샘플에 대한 디지털 이미지)과 관련된 신호를 수신하고 그 신호를 처리할 수 있다. 프로세서(912)는 몇몇 실시예에 따른 방법(800)을 구현함으로써 컴퓨터 비전 기능(예를 들어, 각각의 패치에 대한 패치 특징 벡터)을 추출하기 위해 디지털 이미지를 처리할 수 있다. 이어서 프로세서(912)는, 훈련된 분류 알고리즘을 통해, 각각의 패치에 대한 패치 특징 벡터를 평가하여 각각의 패치를 식별할 수 있는데, 예를 들어 패치가 진품인지 또는 위조품인지를 결정할 수 있다. 테스트 샘플에 관한 최종 의사 결정은, 프로세서(912)를 통해, 각각의 패치의 투표를 분석함으로써 이루어질 수 있다.
몇몇 실시예에서, 측정 컴포넌트(924)는 현장에서 작동할 수 있는 모바일 디바이스(예를 들어, 모바일 폰)의 디지털 카메라일 수 있다. 측정 컴포넌트(924)는 신호를 송신하고 수신함으로써, 예를 들어 계산 컴포넌트(926)와 같은 원격 계산 디바이스와 무선으로 통신할 수 있다. 계산 컴포넌트(926)는, 예를 들어 컴퓨터, 서버, 모바일 폰 등과 통합될 수 있다. 계산 컴포넌트(926)는 수신된 재료 특성 신호를 처리하고 인증 정보를 입력/출력 디바이스(916) 상에 표시하기 위해 그것에 전송할 수 있다.
메모리(914)는 정보를 저장한다. 몇몇 실시예에서, 메모리(914)는 본 명세서에 기술된 방법 또는 프로세스를 수행하기 위한 명령어를 저장할 수 있다. 몇몇 실시예에서, 컴퓨터 비전 특징 데이터 및 훈련되지 않은, 훈련된 분류 알고리즘은 메모리(914)에 미리 저장될 수 있다. 컴퓨터 비전 특징 데이터는 재료 샘플로부터의 다양한 재료 특성, 예를 들어 광학 특징, 텍스처 특징, 음향 특징, 탄성 특징, 구조 특징, 전자 특징, 자기 특징, 일렉트릿 관련 특징, 또는 기계 특징을 나타낼 수 있다.
메모리(914)는 임의의 휘발성 또는 비휘발성 저장 요소를 포함할 수 있다. 예는 동기식 동적 랜덤 액세스 메모리(SDRAM)와 같은 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 비휘발성 랜덤 액세스 메모리(NVRAM), 전기적 소거 가능 프로그램 가능 판독 전용 메모리(EEPROM), 및 플래시(FLASH) 메모리를 포함할 수 있다. 예는 또한 하드 디스크, 자기 테이프, 자기 또는 광학 데이터 저장 매체, 컴팩트 디스크(CD), 디지털 다용도 디스크(DVD), 블루레이 디스크, 및 홀로그래픽 데이터 저장 매체를 포함할 수 있다.
프로세서(912)는 예를 들어 하나 이상의 범용 마이크로프로세서, 특수 설계된 프로세서, 주문형 집적 회로(ASIC), 필드 프로그래머블 게이트 어레이(FPGA), 개별 로직의 집합, 및/또는 본 명세서에 설명된 기술을 실행할 수 있는 임의의 유형의 처리 디바이스를 포함할 수 있다. 몇몇 실시예에서, 프로세서(912)(또는 본 명세서에 기술된 임의의 다른 프로세서)는 컴퓨팅 디바이스로 기술될 수 있다. 몇몇 실시예에서, 메모리(914)는 본 명세서에 기술된 프로세스 또는 방법을 수행하기 위해 프로세서(912)에 의해 실행되는 프로그램 명령어(예를 들어, 소프트웨어 명령어)를 저장하도록 구성될 수 있다. 다른 실시예에서, 본 명세서에 기술된 프로세스 또는 방법은 프로세서(912)의 특별히 프로그램된 회로에 의해 실행될 수 있다. 몇몇 실시예에서, 프로세서(912)는 이에 따라 본 명세서에 설명된 재료 샘플을 인증하기 위한 기술을 실행하도록 구성될 수 있다. 프로세서(912)(또는 본 명세서에 기술된 임의의 다른 프로세서)는 하나 이상의 프로세서를 포함할 수 있다.
입력/출력 디바이스(916)는 사용자 또는 다른 디바이스로부터 정보를 입력하거나 그것에 정보를 출력하도록 구성된 하나 이상의 디바이스를 포함할 수 있다. 몇몇 실시예에서, 입력/출력 디바이스(916)는 사용자가 재료 샘플들의 인증을 제어할 수 있는, 예컨대 그래픽 사용자 인터페이스(GUI)(918)와 같은, 사용자 인터페이스를 제공할 수 있다. 예를 들어, 입력/출력(916)은 사용자에게 시각 정보를 제시하기 위한 디스플레이 스크린을 포함할 수 있다. 몇몇 실시예에서, 디스플레이 스크린은 터치 감응식 디스플레이를 포함한다. 몇몇 실시예에서, 입력/출력(916)은 사용자에게 정보를 제시하기 위한 하나 이상의 상이한 유형의 디바이스를 포함할 수 있다. 입력/출력(916)은 예를 들어 임의의 수의 시각(예를 들어, 디스플레이 디바이스, 라이트 등), 가청(예를 들어, 하나 이상의 스피커) 및/또는 촉각(예를 들어, 키보드, 터치 스크린, 또는 마우스) 피드백 디바이스를 포함할 수 있다. 몇몇 실시예에서, 입력/출력 디바이스(916)는 디스플레이 스크린(예를 들어, 액정 디스플레이 또는 발광 다이오드 디스플레이) 및/또는 프린터(예를 들어, 인쇄 디바이스 또는 인쇄 디바이스에 명령을 출력하기 위한 컴포넌트) 중 하나 이상을 나타낼 수 있다. 몇몇 실시예에서, 입력/출력 디바이스(916)는 본 명세서에 기술된 실시예를 수행하기 위해 프로세서(912)에 의해 실행되는 프로그램 명령어(예를 들어, 소프트웨어 명령어)를 수용하거나 수신하도록 구성될 수 있다.
시스템(900)은 또한 다른 컴포넌트를 포함할 수 있으며, 프로세서(912), 메모리(914), 및 입력/출력 디바이스(916)를 비롯한 예시된 컴포넌트 중 임의의 것의 기능은 다수의 컴포넌트 및 예를 들어 컴퓨터와 같은 별개의 디바이스에 걸쳐 분산될 수 있다. 시스템(900)은 워크스테이션, 데스크톱 컴퓨팅 디바이스, 노트북 컴퓨터, 태블릿 컴퓨터, 모바일 컴퓨팅 디바이스, 또는 임의의 다른 적합한 컴퓨팅 디바이스 또는 컴퓨팅 디바이스의 집합으로서 구성될 수 있다. 시스템(900)은 로컬 네트워크 상에서 동작하거나 클라우드 컴퓨팅 환경에서 호스팅될 수 있다. 도 9의 예시된 컴포넌트는 단지 본 개시의 다양한 태양을 설명하기 위해 도시되어 있으며, 컴포넌트의 추가 또는 제거가 당업자에게 명백할 것이다.
도 10은 다른 실시예에 따른 위조 방지 시스템(1000)을 예시한다. 시스템은 모바일 디바이스(2)에 제공된 그래픽 사용자 인터페이스(GUI)(20)를 포함한다. 모바일 디바이스(2)는, GUI(20)를 통해, 재료 샘플에 대한 하나 이상의 디지털 이미지를 얻을 수 있다. 도시된 실시예에서, 모바일 디바이스(2)는 디지털 카메라(도시되지 않음)를 포함하는 스마트폰이다. GUI(20)는 샘플 이미지를 캡처하도록 사용자를 안내하는 시각 보조기(22)를 포함한다. 시각 보조기(22)는 테스트될 샘플(예를 들어, 호흡기)의 이미지를 수용하도록 형상화된 박스를 포함할 수 있다. 원하는 조명 조건 하에서 재료 샘플에 대한 이미지를 캡처하기 위해 임의의 적합한 카메라가 사용될 수 있음을 이해해야 한다. 몇몇 실시예에서, 샘플 이미지는 별도의 카메라에 의해 캡처되고 모바일 디바이스(2)로 임포트될 수 있다. GUI(20)는 샘플 이미지에 액세스하고 이미지를 계산 컴포넌트로 전송하여 처리할 수 있다. 예시적인 계산 컴포넌트(926)가 도 9에 도시되어 있다. 훈련된 분류 알고리즘이 계산 컴포넌트와 관련된다. 훈련된 분류 알고리즘은 샘플을 식별하기 위해(예를 들어, 샘플이 진품인지 또는 위조품인지를 결정하기 위해) 샘플 이미지의 컴퓨터 비전 특징을 평가하고, 결정을 GUI(20)로 반환하여 사용자에게 표시하도록 구성된다.
모바일 디바이스(2)는 클라우드 컴퓨팅 환경(4)에 무선으로 접속될 수 있다. 몇몇 실시예에서, 계산 컴포넌트는, 클라우드 컴퓨팅 환경(4) 내에 위치되고 모바일 디바이스에 기능적으로 접속되며, GUI(20)로부터 이미지를 수신하고 이미지를 처리하도록 구성된 원격 계산 컴포넌트일 수 있다. 몇몇 실시예에서, 계산 컴포넌트는 모바일 디바이스(2) 내에 위치될 수 있다. 몇몇 실시예에서, 계산 컴포넌트는 클라우드 컴퓨팅 환경(4) 및 모바일 디바이스(2) 내에 분산된 다수의 기능적으로 접속된 프로세서를 포함할 수 있다. 샘플 이미지는 분산 컴퓨팅 방식으로 처리될 수 있다. 이미지 처리의 결과는 데이터베이스에 국지적으로 또는 클라우드 컴퓨팅 환경(4)에 저장될 수 있다.
예시적인 실시예의 목록
예시적인 실시예가 하기에 열거된다. 실시예 1 내지 실시예 16과 실시예 17 내지 실시예 26 중 임의의 것이 조합될 수 있다는 것이 이해되어야 한다.
실시예 1은, 컴퓨터 구현 방법으로서,
복수의 재료 샘플 각각에 대한 하나 이상의 디지털 이미지를 프로세서에 제공하는 단계;
프로세서를 통해, 디지털 이미지들을 처리하여 컴퓨터 비전 특징들을 추출하는 단계;
프로세서를 통해, 컴퓨터 비전 특징들로 분류 알고리즘을 훈련하여 훈련된 분류 알고리즘을 획득하는 단계;
프로세서를 통해, 테스트 샘플의 디지털 이미지로부터 컴퓨터 비전 특징들을 추출하는 단계; 및
프로세서와 관련된 훈련된 분류 알고리즘을 통해, 테스트 샘플의 컴퓨터 비전 특징들을 평가하여 테스트 샘플을 식별하는 단계를 포함하는, 방법이다.
실시예 2는, 이미지들을 처리하는 단계는 각각의 이미지에 대한 하나 이상의 패치를 추출하는 단계를 추가로 포함하는, 실시예 1의 방법이다.
실시예 3은, 이미지들을 처리하는 단계는 각각의 이미지로부터 하나 이상의 분할된 영역을 획득하는 단계를 추가로 포함하며, 패치들은 분할된 영역들에서 추출되는, 실시예 2의 방법이다.
실시예 4는, 이미지들을 처리하는 단계는 각각의 패치에 대한 패치 특징 벡터를 획득하는 단계를 추가로 포함하며, 패치 특징 벡터는 각자의 패치의 재료 특성을 나타내고, 디지털 이미지들의 컴퓨터 비전 특징들은 패치 특징 벡터들의 행렬에 의해 표현되는, 실시예 2 또는 실시예 3의 방법이다.
실시예 5는, 패치 특징 벡터는 부직포 재료의 텍스처 특성을 나타내는, 실시예 4의 방법이다.
실시예 6은, 이미지들을 처리하는 단계는, 프로세서를 통해, 각각의 패치에 대한 하나 이상의 필터링된 패치 이미지를 획득하는 단계를 추가로 포함하는, 실시예 4 또는 실시예 5의 방법이다.
실시예 7은, 이미지들을 처리하는 단계는 각각의 필터링된 패치 이미지의 크기 또는 차원을 특징 벡터로 감소시키는 단계를 추가로 포함하는, 실시예 6의 방법이다.
실시예 8은, 이미지들을 처리하는 단계는 특징 벡터들을 연결하여 각각의 패치에 대한 패치 특징 벡터를 획득하는 단계를 추가로 포함하는, 실시예 7의 방법이다.
실시예 9는, 분류 알고리즘을 훈련하는 단계는 패치 특징 벡터들의 차원을 감소시키는 단계를 추가로 포함하는, 실시예 4 내지 실시예 8 중 어느 한 실시예의 방법이다.
실시예 10은, 분류 알고리즘을 훈련하는 단계는 의사 결정 트리 모델, 무작위 포레스트 모델, 엑스트라-트리 모델, 신경망 모델, 그라디언트 부스팅 모델, 배깅 모델, 적응형 부스팅 모델, 선형 판별 분석 모델, 2차 판별 분석 모델, 나이브 베이즈 모델, 최근접 이웃 모델, 반경 최근접 모델, 로지스틱 회귀 모델 중 하나 이상을 훈련하는 단계를 추가로 포함하는, 실시예 1 내지 실시예 9 중 어느 한 실시예의 방법이다.
실시예 11은, 각각의 이미지를 진품 또는 위조품인 것으로 라벨링하는 단계를 추가로 포함하는, 실시예 1 내지 실시예 10 중 어느 한 실시예의 방법이다.
실시예 12는, 패치들을 진품 또는 위조품인 것으로 라벨링하는 단계를 추가로 포함하는, 실시예 2 내지 실시예 11 중 어느 한 실시예의 방법이다.
실시예 13은, 테스트 샘플을 식별하는 단계는 테스트 샘플이 위조품인지 또는 진품인지를 결정하는 단계를 추가로 포함하는, 실시예 1 내지 실시예 12 중 어느 한 실시예의 방법이다.
실시예 14는, 테스트 샘플을 식별하는 단계는 테스트 샘플이 재료 샘플들의 배치에 속하는지를 결정하는 단계를 추가로 포함하는, 실시예 1 내지 실시예 13 중 어느 한 실시예의 방법이다.
실시예 15는, 결정을 모바일 디바이스 상의 그래픽 사용자 인터페이스(GUI)로 반환하는 단계를 추가로 포함하는, 실시예 13 또는 실시예 14의 방법이다.
실시예 16은, 프로세서는 클라우드 컴퓨팅 환경에 위치하는, 실시예 1 내지 실시예 15 중 어느 한 실시예의 방법이다.
실시예 17은, 위조 방지 시스템으로서,
모바일 디바이스에 제공된 그래픽 사용자 인터페이스(GUI) - 모바일 디바이스는, GUI를 통해, 테스트될 샘플에 대한 하나 이상의 디지털 이미지를 획득할 수 있음 -;
모바일 디바이스에 기능적으로 접속되고, GUI로부터 이미지들을 수신하고 이미지들을 처리하여 이미지들로부터 컴퓨터 비전 특징들을 추출하도록 구성된 계산 컴포넌트; 및
계산 컴포넌트와 관련된 훈련된 분류 알고리즘 - 훈련된 분류 알고리즘은 샘플의 컴퓨터 비전 특징들을 평가하여 샘플을 식별하고, 결정을 모바일 디바이스의 GUI로 반환하도록 구성됨 - 을 포함하는, 시스템이다.
실시예 18은, 계산 컴포넌트는 이미지들을 처리하여 각각의 이미지로부터 하나 이상의 패치를 추출하도록 추가로 구성되는, 실시예 17의 시스템이다.
실시예 19는, 계산 컴포넌트는 패치를 각각의 패치에 대한 패치 특징 벡터로 변환하도록 추가로 구성되며, 패치 특징 벡터는 각자의 패치의 재료 특성을 나타내는, 실시예 18의 시스템이다.
실시예 20은, 계산 컴포넌트는 각각의 패치에 대한 복수의 필터링된 패치 이미지를 획득하도록 추가로 구성되는, 실시예 19의 시스템이다.
실시예 21은, 계산 컴포넌트는 각각의 필터링된 패치 이미지에 대한 특징 벡터를 획득하도록 추가로 구성되는, 실시예 20의 시스템이다.
실시예 22는, 계산 컴포넌트는 특징 벡터들을 연결하여 각각의 패치에 대한 패치 특징 벡터를 획득하도록 추가로 구성되는, 실시예 21의 시스템이다.
실시예 23은, 계산 컴포넌트에 기능적으로 접속되고 이미지 데이터 및 메타데이터를 저장하도록 구성된 데이터베이스를 추가로 포함하는, 실시예 17 내지 실시예 22 중 어느 한 실시예의 시스템이다.
실시예 24는, 계산 컴포넌트는 데이터베이스의 이미지 데이터를 처리하여 컴퓨터 비전 특징들을 추출하고, 컴퓨터 비전 특징들로 분류 알고리즘을 훈련하여 훈련된 분류 알고리즘을 획득하도록 추가로 구성되는, 실시예 23의 시스템이다.
실시예 25는, GUI는 이미지들을 획득하도록 사용자를 안내하는 시각 보조기를 포함하는, 실시예 17 내지 실시예 24 중 어느 한 실시예의 시스템이다.
실시예 26은, 모바일 디바이스의 GUI는 계산 컴포넌트가 위치하는 클라우드 컴퓨팅 환경에 기능적으로 접속되는, 실시예 17 내지 실시예 25 중 어느 한 실시예의 시스템이다.
본 개시의 예시적인 실시예는 본 개시의 사상 및 범주로부터 벗어남이 없이 다양한 변형 및 변경을 취할 수 있다. 따라서, 본 개시의 실시예는 설명된 예시적인 실시예로 제한되는 것이 아니라, 청구범위에 기재된 한정 및 그것의 임의의 등가물에 의해 좌우되어야 한다는 것이 이해되어야 한다.
본 명세서 전체에 걸쳐 "일 실시예", "소정 실시예", "하나 이상의 실시예" 또는 "실시예"에 대한 언급은, 용어 "실시예"에 선행하는 용어 "예시적인"을 포함하든지 또는 포함하지 않든지 간에, 그 실시예와 관련하여 설명된 특정한 특징, 구조, 재료 또는 특성이 본 개시의 소정의 예시적인 실시예들 중 적어도 하나의 실시예에 포함됨을 의미한다. 따라서, 본 명세서 전체에 걸쳐 다양한 곳에서의 "하나 이상의 실시예에서", "소정 실시예에서", "일 실시예에서" 또는 "실시예에서"와 같은 어구의 출현은 반드시 본 개시의 소정의 예시적인 실시예 중 동일한 실시예를 말하는 것은 아니다. 더욱이, 특정한 특징, 구조, 재료, 또는 특성은 하나 이상의 실시예에서 임의의 적합한 방식으로 조합될 수 있다.
본 명세서가 소정의 예시적인 실시예를 상세히 기술하였지만, 당업자가, 전술한 것을 이해할 때, 이들 실시예에 대한 변경, 변형, 및 등가물을 쉽게 안출할 수 있음이 인식될 것이다. 따라서, 본 개시가 상기에 기재된 예시적인 실시예로 부당하게 제한되어서는 안된다는 것이 이해되어야 한다. 특히, 본 명세서에 사용된 바와 같이, 종점에 의한 수치 범위의 언급은 그 범위 내에 포함되는 모든 수를 포함하도록 의도된다(예를 들어, 1 내지 5는 1, 1.5, 2, 2.75, 3, 3.80, 4, 및 5를 포함함). 또한, 본 명세서에 사용된 모든 숫자는 용어 "약"에 의해 수식되는 것으로 가정된다. 더욱이, 다양한 예시적인 실시예가 기술되었다. 이들 및 다른 실시예는 하기 청구범위의 범주 내에 속한다.

Claims (26)

  1. 컴퓨터 구현 방법으로서,
    복수의 재료 샘플 각각에 대한 하나 이상의 디지털 이미지를 프로세서에 제공하는 단계;
    상기 프로세서를 통해, 상기 디지털 이미지들을 처리하여 컴퓨터 비전 특징(computer-vision feature)들을 추출하는 단계;
    상기 프로세서를 통해, 상기 컴퓨터 비전 특징들로 분류 알고리즘을 훈련하여 훈련된 분류 알고리즘을 획득하는 단계;
    상기 프로세서를 통해, 테스트 샘플의 디지털 이미지로부터 컴퓨터 비전 특징들을 추출하는 단계; 및
    상기 프로세서와 관련된 상기 훈련된 분류 알고리즘을 통해, 상기 테스트 샘플의 상기 컴퓨터 비전 특징들을 평가하여 상기 테스트 샘플을 식별하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서, 상기 이미지들을 처리하는 단계는 각각의 이미지에 대한 하나 이상의 패치를 추출하는 단계를 추가로 포함하는, 방법.
  3. 제2항에 있어서, 상기 이미지들을 처리하는 단계는 각각의 이미지로부터 하나 이상의 분할된 영역을 획득하는 단계를 추가로 포함하며, 상기 패치들은 상기 분할된 영역들에서 추출되는, 방법.
  4. 제2항에 있어서, 상기 이미지들을 처리하는 단계는 각각의 패치에 대한 패치 특징 벡터를 획득하는 단계를 추가로 포함하며, 상기 패치 특징 벡터는 각자의 패치의 재료 특성을 나타내고, 상기 디지털 이미지들의 상기 컴퓨터 비전 특징들은 상기 패치 특징 벡터들의 행렬에 의해 표현되는, 방법.
  5. 제4항에 있어서, 상기 패치 특징 벡터는 부직포 재료의 텍스처 특성을 나타내는, 방법.
  6. 제4항에 있어서, 상기 이미지들을 처리하는 단계는, 상기 프로세서를 통해, 각각의 패치에 대한 하나 이상의 필터링된 패치 이미지를 획득하는 단계를 추가로 포함하는, 방법.
  7. 제6항에 있어서, 상기 이미지들을 처리하는 단계는 각각의 필터링된 패치 이미지를 특징 벡터로 변환하는 단계를 추가로 포함하는, 방법.
  8. 제7항에 있어서, 상기 이미지들을 처리하는 단계는 상기 특징 벡터들을 연결하여 각각의 패치에 대한 상기 패치 특징 벡터를 획득하는 단계를 추가로 포함하는, 방법.
  9. 제4항에 있어서, 분류 알고리즘을 훈련하는 단계는 상기 패치 특징 벡터들의 차원을 감소시키는 단계를 추가로 포함하는, 방법.
  10. 제1항에 있어서, 분류 알고리즘을 훈련하는 단계는 의사 결정 트리 모델, 무작위 포레스트 모델(random forest model), 엑스트라-트리 모델(extra-trees model), 신경망 모델, 그라디언트 부스팅 모델(gradient boosting model), 배깅 모델(bagging model), 적응형 부스팅 모델, 선형 판별 분석 모델, 2차 판별 분석 모델, 나이브 베이즈 모델(
    Figure pct00004
    Bayes model), 최근접 이웃 모델, 반경 최근접 모델, 로지스틱 회귀 모델 중 하나 이상을 훈련하는 단계를 추가로 포함하는, 방법.
  11. 제1항에 있어서, 각각의 이미지를 진품 또는 위조품인 것으로 라벨링하는 단계를 추가로 포함하는, 방법.
  12. 제2항에 있어서, 패치들을 진품 또는 위조품인 것으로 라벨링하는 단계를 추가로 포함하는, 방법.
  13. 제1항에 있어서, 상기 테스트 샘플을 식별하는 단계는 상기 테스트 샘플이 위조품인지 또는 진품인지를 결정하는 단계를 추가로 포함하는, 방법.
  14. 제1항에 있어서, 상기 테스트 샘플을 식별하는 단계는 상기 테스트 샘플이 재료 샘플들의 배치(batch)에 속하는지를 결정하는 단계를 추가로 포함하는, 방법.
  15. 제13항 또는 제14항에 있어서, 상기 결정을 모바일 디바이스 상의 그래픽 사용자 인터페이스(GUI)로 반환하는 단계를 추가로 포함하는, 방법.
  16. 제1항에 있어서, 상기 프로세서는 클라우드 컴퓨팅 환경에 위치하는, 방법.
  17. 위조 방지 시스템으로서,
    모바일 디바이스에 제공된 그래픽 사용자 인터페이스(GUI) - 상기 모바일 디바이스는, 상기 GUI를 통해, 테스트될 샘플에 대한 하나 이상의 디지털 이미지를 획득할 수 있음 -;
    상기 모바일 디바이스에 기능적으로 접속되고, 상기 GUI로부터 상기 이미지들을 수신하고 상기 이미지들을 처리하여 상기 이미지들로부터 컴퓨터 비전 특징들을 추출하도록 구성된 계산 컴포넌트; 및
    상기 계산 컴포넌트와 관련된 훈련된 분류 알고리즘 - 상기 훈련된 분류 알고리즘은 상기 샘플의 상기 컴퓨터 비전 특징들을 평가하여 상기 샘플을 식별하고, 결정을 상기 모바일 디바이스의 상기 GUI로 반환하도록 구성됨 -
    을 포함하는, 시스템.
  18. 제17항에 있어서, 상기 계산 컴포넌트는 상기 이미지들을 처리하여 각각의 이미지로부터 하나 이상의 패치를 추출하도록 추가로 구성되는, 시스템.
  19. 제18항에 있어서, 상기 계산 컴포넌트는 상기 패치를 각각의 패치에 대한 패치 특징 벡터로 변환하도록 추가로 구성되며, 상기 패치 특징 벡터는 각자의 패치의 재료 특성을 나타내는, 시스템.
  20. 제19항에 있어서, 상기 계산 컴포넌트는 각각의 패치에 대한 복수의 필터링된 패치 이미지를 획득하도록 추가로 구성되는, 시스템.
  21. 제20항에 있어서, 상기 계산 컴포넌트는 각각의 필터링된 패치 이미지에 대한 특징 벡터를 획득하도록 추가로 구성되는, 시스템.
  22. 제21항에 있어서, 상기 계산 컴포넌트는 상기 특징 벡터들을 연결하여 각각의 패치에 대한 상기 패치 특징 벡터를 획득하도록 추가로 구성되는, 시스템.
  23. 제17항에 있어서, 상기 계산 컴포넌트에 기능적으로 접속되고 이미지 데이터를 저장하도록 구성된 데이터베이스를 추가로 포함하는, 시스템.
  24. 제23항에 있어서, 상기 계산 컴포넌트는 상기 데이터베이스의 상기 이미지 데이터를 처리하여 컴퓨터 비전 특징들을 추출하고, 상기 컴퓨터 비전 특징들로 분류 알고리즘을 훈련하여 상기 훈련된 분류 알고리즘을 획득하도록 추가로 구성되는, 시스템.
  25. 제17항에 있어서, 상기 GUI는 상기 이미지들을 획득하도록 사용자를 안내하는 시각 보조기를 포함하는, 시스템.
  26. 제17항에 있어서, 상기 모바일 디바이스의 상기 GUI는 상기 계산 컴포넌트가 위치하는 클라우드 컴퓨팅 환경에 기능적으로 접속되는, 시스템.
KR1020197031137A 2017-03-31 2018-03-22 이미지 기반 위조 검출 KR20190126430A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762479480P 2017-03-31 2017-03-31
US62/479,480 2017-03-31
PCT/IB2018/051954 WO2018178822A1 (en) 2017-03-31 2018-03-22 Image based counterfeit detection

Publications (1)

Publication Number Publication Date
KR20190126430A true KR20190126430A (ko) 2019-11-11

Family

ID=63677824

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197031137A KR20190126430A (ko) 2017-03-31 2018-03-22 이미지 기반 위조 검출

Country Status (5)

Country Link
US (1) US11386540B2 (ko)
EP (1) EP3602488A4 (ko)
KR (1) KR20190126430A (ko)
CN (1) CN110770711B (ko)
WO (1) WO2018178822A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102472427B1 (ko) * 2022-02-25 2022-11-30 피노키오랩 주식회사 인공지능 기반 위조품 선별 검사 및 디지털 증명서 발급 방법, 장치 및 프로그램
KR102635727B1 (ko) * 2023-05-02 2024-02-08 권순주 인공지능에 기반한 재활용품 분류를 위한 장치, 시스템, 및 방법

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11816946B2 (en) 2018-06-28 2023-11-14 3M Innovative Properties Company Image based novelty detection of material samples
US11308492B2 (en) 2019-07-03 2022-04-19 Sap Se Anomaly and fraud detection with fake event detection using pixel intensity testing
US20210004795A1 (en) 2019-07-03 2021-01-07 Sap Se Anomaly and fraud detection using duplicate event detector
US11562371B2 (en) 2020-04-15 2023-01-24 Merative Us L.P. Counterfeit pharmaceutical and biologic product detection using progressive data analysis and machine learning

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1259634C (zh) 2001-12-30 2006-06-14 北京兆日科技有限责任公司 一种基于物质特性的加密防伪方法
US20040197535A1 (en) 2003-01-07 2004-10-07 Frederick Bleckmann Method and label for authenticating goods
US9208394B2 (en) 2005-09-05 2015-12-08 Alpvision S.A. Authentication of an article of manufacture using an image of the microstructure of it surface
WO2007028799A1 (en) 2005-09-05 2007-03-15 Alpvision S.A. Means for using microstructure of materials surface as a unique identifier
US7920714B2 (en) 2006-07-31 2011-04-05 Canadian Bank Note Company, Limited Method and apparatus for comparing document features using texture analysis
US7706700B2 (en) 2007-03-21 2010-04-27 Xerox Corporation System and method for authenticating an electrostatographic material in an image forming apparatus
US7715733B2 (en) 2007-03-21 2010-05-11 Xerox Corporation System and method for authenticating a fuser lubricant in an image forming apparatus
US7495214B2 (en) 2007-03-21 2009-02-24 Xerox Corporation Systems and methods for material authentication
US7991214B1 (en) * 2007-04-18 2011-08-02 Avaya Inc. Method to enhance X-ray and optical images and locate nano-scale cracks in electric devices and components
CN102034086A (zh) 2009-09-28 2011-04-27 上海柯斯造纸防伪技术有限公司 一种随机纹理的防伪方法及其识别器
US8190279B2 (en) 2009-11-12 2012-05-29 Systech International Production line management system
WO2011077459A2 (en) 2009-12-23 2011-06-30 Alexia Technologies Private Limited A method of extracting naturally encrypted features from a natural surface of a product
US8565536B2 (en) * 2010-04-01 2013-10-22 Microsoft Corporation Material recognition from an image
CN101908241B (zh) * 2010-08-03 2012-05-16 广州广电运通金融电子股份有限公司 有价文件识别方法及其识别系统
WO2012083769A1 (zh) 2010-12-24 2012-06-28 深圳兆日科技股份有限公司 一种利用物质自身物理特征的防伪方法和系统
US9471882B2 (en) 2011-07-25 2016-10-18 International Business Machines Corporation Information identification method, program product, and system using relative frequency
US9092842B2 (en) * 2011-08-04 2015-07-28 Sharp Laboratories Of America, Inc. System for defect detection and repair
US9361695B2 (en) 2012-12-11 2016-06-07 Honda Motor Co., Ltd. Method of recognizing a position of a workpiece from a photographed image
CN103236055A (zh) 2013-04-19 2013-08-07 海南大学 一种基于dwt-dft变换的智能纹理防伪方法
US20150371107A1 (en) * 2014-06-23 2015-12-24 Canon Kabushiki Kaisha Material classification using brdf feature vector
US20170032285A1 (en) * 2014-04-09 2017-02-02 Entrupy Inc. Authenticating physical objects using machine learning from microscopic variations
KR101494874B1 (ko) 2014-05-12 2015-02-23 김호 사용자 인증 방법, 이를 실행하는 장치 및 이를 저장한 기록 매체
US10043101B2 (en) * 2014-11-07 2018-08-07 Adobe Systems Incorporated Local feature representation for image recognition
AU2015383073A1 (en) 2014-12-03 2017-06-15 3M Innovative Properties Company Systems and methods for generating random numbers using physical variations present in material samples
EP3234556B1 (en) * 2014-12-18 2023-02-22 3M Innovative Properties Company Batch authentication of materials for automated anti counterfeiting
KR101623431B1 (ko) * 2015-08-06 2016-05-23 주식회사 루닛 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템
US9996902B2 (en) * 2016-01-19 2018-06-12 Google Llc Image upscaling
CA3053368A1 (en) * 2017-02-14 2018-08-23 Dignity Health Systems, methods, and media for selectively presenting images captured by confocal laser endomicroscopy

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102472427B1 (ko) * 2022-02-25 2022-11-30 피노키오랩 주식회사 인공지능 기반 위조품 선별 검사 및 디지털 증명서 발급 방법, 장치 및 프로그램
KR102635727B1 (ko) * 2023-05-02 2024-02-08 권순주 인공지능에 기반한 재활용품 분류를 위한 장치, 시스템, 및 방법

Also Published As

Publication number Publication date
US11386540B2 (en) 2022-07-12
CN110770711A (zh) 2020-02-07
EP3602488A4 (en) 2021-05-26
CN110770711B (zh) 2023-12-22
US20200104992A1 (en) 2020-04-02
WO2018178822A1 (en) 2018-10-04
EP3602488A1 (en) 2020-02-05

Similar Documents

Publication Publication Date Title
CN110770711B (zh) 基于图像的伪造品检测
US11847661B2 (en) Image based counterfeit detection
US11816946B2 (en) Image based novelty detection of material samples
Haddad et al. Multifeature, sparse-based approach for defects detection and classification in semiconductor units
US20190213449A1 (en) Image quality assessment using adaptive non-overlapping mean estimation
US10043071B1 (en) Automated document classification
Makandar et al. Wavelet statistical feature based malware class recognition and classification using supervised learning classifier
Dachowicz et al. Microstructure-based counterfeit detection in metal part manufacturing
AU2015363041B2 (en) Batch authentication of materials for automated anti counterfeiting
Ghosh et al. Automated defective pin detection for recycled microelectronics identification
Dhivya et al. Detection of structural defects in fabric parts using a novel edge detection method
Hauri Detecting signatures in scanned document images
Beljadid et al. Automatic fabric defect detection employing deep learning
Tomaszewski et al. Object Description Based on Local Features Repeatability
Harrison et al. A novel ensemble of distance measures for feature evaluation: Application to sonar imagery
Vyas et al. Identification and classification of powder microscopic images of Indian herbal plants
Vella et al. Footwear impressions retrieval through textures and local features
Tică et al. A method for automatic coin classification
Lin A novel edge feature description method for blur detection in manufacturing processes
Khan et al. Logarithmically improved property regression for crowd counting
Mahaseni et al. Asian Stamps Identification and Classification System
Wu et al. Leaf recognition based on BGP texture matching
Goutham et al. IFSI: Identification of Forged and Stego Images using Deep Learning Method
Dhali et al. Pattern Recognition Techniques in Image-Based Material Classification of Ancient Manuscripts
Bhogal et al. 37 Plant species recognition using CNN