TWI754972B - 影像驗證方法及產品即時認證系統 - Google Patents

Abstract

本發明係提供一種影像驗證方法及產品即時認證系統，此方法係用於針對一銷售品之複數個品項類別所建立之一深度學習模型，其方法包含下列步驟。在訓練階段中，係輸入一訓練影像。將此訓練影像分割成複數個訓練子影像。利用此複數個訓練子影像以訓練此深度學習模型，其中每一訓練子影像係包含一全局特徵識別屬性。在測試階段中，係包含輸入一測試影像，並將此測試影像分割成複數個測試子影像。對每一複數個測試子影像進行是否關聯於該複數個品項類別之其中之一之測試。輸出一驗證結果以辨別所述測試影像是否關聯於此複數個品項類別之其中之一。

Description

影像驗證方法及產品即時認證系統

本發明係有關於一種影像驗證方法及應用此影像驗證方法之一產品即時認證系統，特別是有關於使用一種深度學習模型以對一影像進行驗證之方法及應用此方法來驗證產品真偽之一即時認證系統。

在現代社會中，由於每一戶家庭的成員人數減少，導致消費型態逐漸改變，消費者已越來越重視產品品質。過去生產者在市場上銷售其優良農產品時，由於缺少辨識性，消費者要再次確保能購買到相同產品便有極大的困難度。

現行之農產品辨識方法主要是以建立產銷履歷制度為主，其可以消費者一目瞭然生產者以及供應商的資訊，且消費者可更容易地在市場上找到優質的農產品。換言之，此產銷履歷標章的辨識性能夠幫助生產者和消費者溝通，進而培養認同感。除此之外，此種認證方式同時也可以提供第三方驗證稽核以及追溯回收的功能。

然而，上述之認證方式極為容易遭到有心人士利用，由於此種產銷履歷標章通常是以一QR-Code的方式黏貼於農產品之外包裝上，由已知的習知 技術可以得知，有心人士可以偽造特定之生產資訊並將此生產資訊加入至此QR-Code內，消費者於購買產品之當下也無法直接對其真偽進行辨別。

此外，對於特定之農產品，例如不同的茶葉、稻米或是咖啡豆，其可以依據不同的等級而有不同的價格之分，通常等級愈高之茶葉或稻米，由於其價格極高，也常常成為有心人士覬覦的目標，其通常使用的手法可以是以劣質商品來取代高品質商品，或是滲雜劣質商品進高品質商品，進而獲取不當之利益。然而，由些這些農產品的外觀極為相似，除非是生產者本身，否則其他人極難辨別出在市場上流通的產品是真是假，對於生產者及消費者而言，均有可能造成莫大的成本或金錢損失。

因此，若能夠有一種機制可以讓消費者在產品開箱時即可有效地判別出產品之真偽，特別是有關於茶葉、稻米、咖啡豆等高價值且分辨不易之農產品時，將可以有效地提高產品辨識性、培養消費者認同、增加產品競爭力以及加強風險控管與責任釐清。

綜觀前所述，本發明之發明人思索並設計一種影像驗證方法及產品即時認證系統，以期針對習知技術之缺失加以改善，進而增進產業上之實施利用。

基於上述目的，本發明係提供一種影像驗證方法，其係用於針對一銷售品之複數個品項類別所建立之一深度學習模型，其方法包含下列步驟。

在訓練階段中，係輸入一訓練影像。

將此訓練影像分割成複數個訓練子影像。

利用此複數個訓練子影像以訓練此深度學習模型，其中每一訓練子影像係包含一全局特徵識別屬性。

在測試階段中，係包含輸入一測試影像，並將此測試影像分割成複數個測試子影像。

對每一複數個測試子影像進行是否關聯於該複數個品項類別之其中之一之測試。

輸出一驗證結果以辨別所述測試影像是否關聯於此複數個品項類別之其中之一。

較佳地，此訓練影像係透過對屬於此複數個品項類別之其中之一之銷售品進行影像擷取。

較佳地，此銷售品係包含茶葉、咖啡豆或稻米。

較佳地，此複數個訓練子影像之分割方式係利用一矩型在此訓練影像中之移動擷取而產生。

較佳地，此複數個訓練子影像之至少兩兩之間係重疊部份之影像。

較佳地，此驗證結果係由深度學習模型對每一複數個測試子影像執行一投票策略而產生。

基於上述目的，本發明再提供一種產品即時驗證系統，其係包含一智慧模型模組，所述智慧模型模組用於實現如申請專利範圍第1項至第6項中任意一項所述之影像驗證方法。

較佳地，本發明之產品即時驗證系統更包含一交易識別條碼以及一影像上傳模組，此交易識別條碼係顯示或標示於銷售品上，且此交易識別條 碼係崁入一網路鏈結及銷售品之一交易碼，影像上傳模組係供使用者上傳一待驗證影像，並傳送至此智慧模型模組之測試階段以產出驗證結果，其中此影像上傳模組係位於網路鏈結所開啟之頁面中，所述交易碼係包含此銷售品之複數次品質參數及一智慧模型索引值。

較佳地，本發明之產品即時驗證系統更包含一資料庫模組及一處理應用模組，此資料庫模組係儲存對應所述交易碼之一成品外觀影像，處理應用模組係輸入此成品外觀影像至該智慧模型模組以作為該訓練影像，並用以驗證該待驗證影像之該驗證結果。

較佳地，本發明之產品即時驗證系統更包含一區塊鏈模組，所述區塊鏈模組係用以儲存和管理銷售品之複數個品質參數及所述智慧模型模組，此區塊鏈模組中之複數個品質參數係形成所述銷售品之一產銷履歷，且此區塊鏈模組係透過所述交易碼以包含指向智慧模型模組之所述智慧模型索引值，並將此交易碼崁入至交易識別條碼之中。

綜合以上可以得知，本發明所提出之影像驗證方法可以應用於一人工智慧模型中，本發明可用以偵測出隱藏有全局特徵屬性之一影像，例如茶葉、稻米或是咖啡豆等之影像，而非如同習知技術一般，僅能偵測出具有局部特徵之一影像，如人臉、三明治或是家具等影像，更甚者，本發明更提出一種應用此影像驗證方法之產品即時認證系統，其可以提供消費者一種快速且方便之產品認證機制，以協助消費者確認其所購買到的產品的確為真品，如此一來，可以完全避免銷售端產品遭到混摻或是以劣質品進行替換之風險，對於生產者以及消費者均有極大的保障。

除此之外，本發明所提出之影像驗證方法可以偵測使用者輸入之一待驗證影像是否有隱藏有全局特徵屬性之一影像，此技術特徵也可以進一步地驗證此待驗證影像是否有經過修圖之痕跡，可有助於打擊假新聞或是事後人工製圖等之非法情事。

S11~S13,S21~S23:步驟

A:銷售品

100:產品即時驗證系統

10:智慧模型模組

101:深度學習模型

11:訓練階段

111:訓練影像

111':訓練子影像

12:測試階段

121:測試影像

121':測試子影像

13:驗證結果

20:交易識別條碼

21:網路鏈結

22:交易碼

221:品質參數

222:智慧模型索引值

30:影像上傳模組

40:資料庫模組

41:成品外觀影像

50:處理應用模組

60:區塊鏈模組

90:待驗證影像

第1圖係為本發明之影像驗證方法之第一流程圖。

第2圖係為本發明之影像驗證方法之第二流程圖。

第3圖係為本發明之影像驗證方法之驗證結果示意圖。

第4圖係為本發明之產品即時認證系統之方塊圖。

第5圖係為本發明之產品即時認證系統之示意圖。

第6圖係為本發明另一實施例之產品即時認證系統之方塊圖。

第7圖係為本發明第二實施例之產品即時認證系統之方塊圖。

第8圖係為本發明第二實施例之產品即時認證系統之示意圖。

為利貴審查員瞭解本發明之發明特徵、內容與優點及其所能達成之功效，茲將本發明配合附圖，並以實施例之表達形式詳細說明如下，而其中所使用之圖式，其主旨僅為示意及輔助說明書之用，未必為本發明實施後之真實比例與精準配置，故不應就所附之圖式的比例與配置關係解讀、侷限本發明於實際實施上的權利範圍。

本發明之優點、特徵以及達到之技術方法將參照例示性實施例及所附圖式進行更詳細地描述而更容易理解，且本發明可以不同形式來實現，故不應被理解僅限於此處所陳述的實施例，相反地，對所屬技術領域具有通常知 識者而言，所提供的實施例將使本揭露更加透徹與全面且完整地傳達本發明的範疇，且本發明將僅為所附加的申請專利範圍所定義。

請參閱第1圖及第2圖，其係為本發明之影像驗證方法之第一流程圖及第二流程圖。如圖所示，本發明所提出之影像驗證方法可以為一演算法，並實作於一程式碼之中，此影像驗證方法係適用於對一銷售品之複數個品項類別所建立之一深度學習模型。透過此影像驗證方法，深度學習模型可以偵測出所輸入之一影像是否屬於或關聯於此銷售品之複數個品項類別之其中之一，其中此影像係透過對實際產品進行影像擷取而產生，並以此來驗證出實際產品之真偽。

具體言之，本發明之影像驗證方法包含兩個階段：訓練階段及測驗階段，係分別顯示於第1圖及第2圖中，其中在訓練階段的步驟包含如下。

步驟S11係輸入一訓練影像。其中此訓練影像之來源是透過對屬於此複數個品項類別之其中之一之銷售品進行實物之影像擷取，舉例來說，當銷售品為一咖啡豆時，其品項類別可以包含阿拉比卡咖啡豆、羅巴斯塔咖啡豆、利伯利卡咖啡豆等三種，則此訓練影像便必須對此三類咖啡豆進行影像擷取之照片，以輸入至此深度學習模型以進行訓練。

步驟S12係將此訓練影像分割成複數個訓練子影像。

步驟S13係利用複數個訓練子影像以訓練此深度學習模型，其中每一複數個訓練子影像係包含一全局特徵識別屬性。

在步驟S12中，此複數個訓練子影像之分割方式係利用一矩型在所述訓練影像中之移動擷取而產生，進一步地來說，每一訓練子影像之大小可以為訓練影像大小的1/20至1/100之比例，而其在訓練影像中擷取之方式可以以 一訓練子影像為中心，並逐步地進行橫向或直向之固定移動，也就是說，所移動之矩型大小即為訓練子影像之大小，然而在本實施例中，此訓練子影像之移動方式並不以上述為限，其亦可以為隨機在訓練影像之內容中進行擷取而產生，而此訓練影像所分割出來之訓練子影像之個數則可以從數百張至數千張不等。

值得一提的是，在本發明中之銷售品可以包含茶葉、咖啡豆或稻米等農產品，該些農產品之共通特色在於其均沒有顯著的區域外觀特徵得以識別，其中此區域外觀特徵指的是一物件之識別依據，例如人臉辨識中之眼、耳、鼻等等，一般的人臉識別方法可以依據此去辨識出個別之人臉。而不同於此種區域外觀特徵，本發明所涵蓋之銷售品上彼此只有存在極為雷同之外觀、顏色及形狀，申請人將此種銷售品間具有極為相似之外觀及形狀稱之為”全局特徵識別屬性”，在每一個被分割出來之訓練子影像中，均包含有一個單位以上的該銷售品，故每一訓練子影像亦理應具備有此全局特徵識別屬性，本發明即根據此發現來對含有該類銷售品之影像進行驗證。

而在一較佳的實施例中，在這些訓練子影像中，至少兩兩之間的訓練子影像將會重疊部份之影像，而此重疊部份影像之訓練資料將有助於深度學習模型在測驗階段時對待測影像之一驗證正確性。

而在此深度學習模型之測驗階段步驟則包含如下：

步驟S21係輸入一測試影像，並將此測試影像分割成複數個測試子影像，其中測試影像可以為一欲檢測商品之照片，而此測試子影像之分割方式可如同訓練子影像之分割方式。

步驟S22係對每一複數個測試子影像進行是否關聯於所述複數個品項類別之其中之一之測試。

步驟S23係輸出一驗證結果以辨別此測試影像是否關聯於所述複數個品項類別之其中之一。

在一較佳的實施例中，步驟S22中所進行之測試可以包含一投票策略，在此階段中，此深度學習模型可以對每一個測試子影像進行投票，以表決其是否關聯於所定義之複數個品項類別之其中之一，而最後所產出之驗證結果便可以是此投票之表決結果。

有別於習知技術，本發明在測驗階段中將測試影像分割成複數個測試子影像，並針對此每一個測試子影像進行辨別，本實施例中之測試子影像分割方式係同於訓練子影像之分割方式，但不以此為限，亦可以將其分割為彼此獨立之子影像以進行測試。

若是此測試影像中所擷取商品之影像不同於此深度學習模型所事先定義之品項類別，則可預期的是每一個測試子影像之表決結果將會被否決，一般而言，本發明之表決結果可以採多數決來決定，但不以此為限，本發明亦可以以一使用者自訂之較高門檻值來決定驗證是否通過，當其門檻值訂的較高時，則表示驗證通過之結果其準確度亦較高。

茲以另一實施例來說明本發明之影像驗證方法，表1係顯示在本發明深度學習模型中所事先定義之六個茶葉品項類別，分別係自Class 0至Class 5，其中包含來自合歡山、竹山及阿里山之不同茶葉，值得一提的是，在合歡山不同向陽面所種植之茶葉，其因日照、風向等環境因素，而導致其外觀、形狀則稍有不同，所泡出來之茶香亦有所不同，一般消費者僅能依靠茶葉外包裝之 說明來認定所購買茶葉之品項類別，而有別於習知技術，本實施例係根據上述之影像驗證方法來對開封後之茶葉進行品項類別之辨識。

本發明之影像驗證方法係先將此六種茶葉之照片分別輸入至此深度學習模型，以供此深度學習模型進行學習，其中學習之內容則可參照上述實施例中步驟S11~S13所述。而若有一消費者訂購了一批聲稱屬於Class 0之茶葉產品時，則此消費者只需對此開封後之茶葉進行影像擷取，並將此影像輸入至深度學習模組之測驗階段進行檢驗。第3圖係顯示本實施例中將影像輸入至深度學習模型中之驗證結果，其中True class是深度學習模型中所事先定義之0號品項類別模型，而Predict class則是消費者所實際輸入測試影像之品項類別，而Voting Score Percentage代表測試影像所切割出來之測試子影像個數比率，Image order代表測試影像個數。在本實施例中係以每類別六個測試影像來舉例實施。

由圖可以得知，在Predict class 1~5之間，每一張測試子影像之投票結果均是否決(negative)比例大於同意(positive)比例，其代表的意思即為每一測 試子影像所包含之全局特徵識別屬性均不同於深度學習模型中所事先定義之0號品項類別模型，而在Predict class 0之數據中，其六張測試影像之投票結果均為同意比例大於否決比例，則表示此每一測試子影像中所包含之全局特徵識別屬性大多數與Class 0相同。以上述消費者購買Class 0之茶葉為例，最後，此消費者由此驗證結果便可以得知所購買之茶葉產品的確屬於Class 0之品項類別。

更進一步的說明，利用本發明之影像驗證方法可以檢驗出原始影像是否遭遇過修改，由於本發明於測驗階段中將會把測試影像分割成複數個測試子影像，並針對每一測試子影像進行投票以確認此測試子影像是否含有全局特徵識別屬性。可以理解的是，在一測試影像中，若僅有少部份之測試子影像不含有全局特徵識別屬性時，即該些測試子影像之否決比例大於同意比例時，則表示該些測試子影像可能並不為當初原始影像之內容，即此原始影像已遭遇到特定人士之修改，藉此，可以提早預防以假新聞或P圖以進行不法盈利之情事。

請參閱第4圖，其係為本發明之產品即時認證系統之方塊圖。如圖所示，本發明之產品即時驗證系統100係包含一智慧模型模組10、一交易識別條碼20以及一影像上傳模組30，其中此智慧模型模組10以及影像上傳模組30均可為一軟體應用程式，在智慧模型模組10內具有一深度學習模型101，其中此深度學習模型101係採用本發明所提出之影像驗證方法，其內容包含一訓練階段11以及一測試階段12，訓練階段11中係供使用者輸入一訓練影像111並將其分割成多個訓練子影像111’，而測試階段12中，則係供使用者輸入一測試影像121並分割多個測試子影像121’，最後再產出此測試影像121之一驗證結果13，其中此影像驗證方法之內容已於上述實施例說明，故此處不再進行贅述。

在本實施例中，影像上傳模組30可供使用者上傳一待驗證影像90至包含有此智慧模型模組10之一電腦或伺服器上，較佳的情況是，此影像上傳模組30與智慧模型模組10可併存於同一系統主機上，但不以此為限。

本實施例之交易識別條碼20可標示於一銷售品A之包裝上，且此交易識別條碼20上可崁入一網路鏈結21及此銷售品A之一交易碼22，其中交易碼22除了包含此銷售品A之複數次品質參數221，也包含了搜索此銷售品A所對應之一智慧模型索引值222。詳細地說，此品質參數221至少包含此銷售品A在產銷過程中不同製程點之一記錄影像，包含外觀、型態及說明事項等等，而在本發明中，可以擷取其中一品質參數221之記錄影像以作為影像驗證方法之訓練影像111，藉以本發明之深度學習模型101。

較佳的情況是，此交易識別條碼20可以以一QR code的方式實施，且此影像上傳模組30係位於此網路鏈結21所開啟之頁面中，使用者只需使用行動裝置掃描此交易識別條碼20，便可以直接被引導至影像上傳模組30之網頁，而在開啟網頁的同時，交易識別條碼中20之智慧模型索引值222也將一併被傳送至智慧模型模組10，再由智慧模型模組10根據此智慧模型索引值222以搜尋並選擇與銷售品A品項類別相關之深度學習模型101，以作為後續之影像驗證所使用。而之後使用者只需提供所述之待驗證影像，便可以將其傳送至所述智慧模型模組10之測試階段12，以作為測試階段12中之測試影像121，進而產出驗證結果13。

請參閱第5圖，其係為本發明之產品即時認證系統之示意圖，並請一併參閱第4圖。本實施例中係以一茶葉產品來舉例說明本發明之即時認證機制。使用者於一開始時可以多種不同茶葉產品作為預先定義之品項類別(本實施 例以五項為例)，並輸入此五項茶葉產品之影像至產品即時認證系統100中，再透過上述之影像驗證方法，來完成產品即時認證系統100中之深度學習模型101之訓練學習。

而當使用者購買相關之茶葉產品時，只需要透過其智慧型手機來擷取此茶葉產品之影像，再將此影像上傳至產品即時認證系統100，透過本發明所設計之影像驗證方法，便可以即時地驗證出其所購買之茶葉產品之真偽，而非僅能盲目地從產品之外包裝來進行產品識別。

請參閱第6圖，其係為本發明另一實施例之產品即時認證系統之方塊圖，並請一併參閱第4圖。在本實施例中，產品即時認證系統100包含一智慧模型模組10、一交易識別條碼20、一影像上傳模組30、一資料庫模組40及一處理應用模組50，其中智慧模型模組10、交易識別條碼20及影像上傳模組30之技術特徵同於上述實施例中之說明，故此處不進行贅述。

在本實施例中，資料庫模組40可以為一資料庫管理系統，如Access,Oracle Database,SQL Server等，處理應用模組50可以為一軟體應用程式。如前述實施例之說明，交易碼22係包含一銷售品A的複數次品質參數221及智慧模型索引值222，其中此品質參數221可包含此銷售品A之相關影像、型態及說明事項，而智慧模型索引值222則為銷售品A之品項類別所對應之深度學習模型101，而較佳的情況是，本實施例中資料庫模組40可用以儲存對應交易碼22中之最末一筆登錄之品質參數，通常此即為銷售品A之一成品外觀影像41(即封裝之前之產品影像)，再由此處理應用模組50輸入成品外觀影像41至智慧模型模組10，以作為深度學習模型101中之訓練影像111，並用以驗證該待驗證影像90之該驗證結果13。

請參閱第7圖，其係為本發明另一實施例之產品即時認證系統之方塊圖，並請一併參閱第6圖。在本實施例中，產品即時認證系統100所包含之智慧模型模組10、交易識別條碼20、影像上傳模組30、資料庫模組40及處理應模組50之技術特徵係同於上述實施例中之說明，故此處不進行贅述。

而相異於上述實施例，本實施例更包含了一區塊鏈模組60，針對一銷售品A，其從生產、運送、製造、檢驗、包裝至銷售之一產銷履歷中，其在每一點之使用者均可以產生此銷售品A之品質參數61(即此銷售品A之影像、產銷資訊及相關簡介等)，並上傳此品質參數61至區塊鏈模組60中，使此銷售品A之一產銷履歷存在於一區塊鏈。而消費者若對此銷售品A之產銷履歷有興趣時，則可以利用掃描交易識別條碼20來進一步地得知相關訊息，其說明請參閱下述實施例。

請參閱第8圖，其係為本發明另一實施例之產品即時認證系統之示意圖。在本實施例中係以一茶葉產品作為產品即時認證之標的，該茶葉產品初始時由生產者(即Farmer)採收並自行包裝之前，一方面利用影像擷取裝置(如智慧型手機)將此茶葉產品進行影像擷取，並產生相關之品質參數61，以上傳至本發明之區塊鏈模組60上，同時，其係將品質參數61中之一成品外觀影像41透過影像上傳模組30上傳至資料庫模組40，以事先在深度學習模型101對此成品外觀影像41進行訓練。

在另一方面，生產者係產生包含網路鏈結21及交易碼22之一交易識別條碼20，並將此交易識別條碼20貼附至此茶葉產品之包裝上，而透過經銷商或通路(sales distribution channels and merchants)之販售，最後再輾轉由消費者(customer)購入此茶葉產品，而此交易碼22除了包含此茶葉產品的品質參數221 之外，也包含了在資料庫模組40及區塊鏈模組60上搜索此茶葉產品之智慧模型索引值222。

此時在消費者端，其可以透過自有之智慧型手機M來掃描茶葉產品包裝(如Tea can)上之交易識別條碼20，其中此網路鏈結21將會引導智慧型手機M之網頁瀏覽程式自動地開啟一網頁，而同時此交易識別條碼20中之交易碼22亦會被一併傳送處理應用模組50上，此處理應用模組50可根據此交易碼22以查詢出此茶葉產品儲存在區塊鏈模組60上之所有品質參數61，進而形成此茶葉產品之一產銷履歷，並將此產銷履歷顯示於所開啟的網頁上，如此一來，使用者便可以清楚地了解此茶葉產品之產銷過程。

另一方面，當使用者想檢驗所購買之茶葉是否為真品時，此時使用者可以對開封後之茶葉進行影像擷取，進而產生一待驗證影像90，再透過影像上傳模組30以上傳此待驗證影像90至智慧模型模組10中，較佳的情況是，此影像上傳模組30可以存在於網路鏈結21所開啟的網頁中。

值得一提的是，本發明之區塊鏈模組60除了可以儲存產品之品質參數61之外，亦可以作為儲存不同智慧模型模組10之用途，當使用者掃描交易碼22之後，交易碼22中所包含之智慧模型索引值222便會指出此產品在區塊鏈模組60上所儲存之智慧模型模組10之位置，而之後使用者上傳待驗證影像90至影像上傳模組30時，便得以正確尋找出與此產品有關之智慧模型模組10。

而透過智慧模型模組10裡的深度學習模型101，其將會把待驗證影像90作為一測試影像121，並分割成多個測試子影像121’以分別進行測試，而其中此測試之方法已於本發明之影像驗證方法中說明，故在此不進行贅述，而驗證結果13將由影像驗證方法中之一投票機制來決定，最後再將此驗證結果13 傳輸回使用者之智慧型手機M上，透過此種驗證方式以達到即時驗證產品真偽之特性。

綜合以上可以得知，本發明所提出之影像驗證方法可以應用於一深度學習模型中，其可用以偵測出隱藏有全局特徵屬性之一影像，例如茶葉、稻米或是咖啡豆等之影像，基於此影像驗證方法，本發明更提出一種產品即時認證系統，其可以提供消費者一種快速且方便之產品認證機制，讓使用者透過智慧型手機便可以自行檢驗產品之真偽，如此一來，可以完全避免銷售端產品遭到混摻或是以劣質品進行替換之風險，對於生產者以及消費者均有極大的保障。

而當消費者想進一步了解產品之資訊時，本發明所提出之產品即時認證系統也提供了檢視相關產銷履歷之功能，並利用區塊鏈之安全性技術特徵，以有效地儲存並管理欲檢視產品之一產銷履歷內容。進一步地，也利用了此區塊鏈來儲存並管理本發明之智慧模型模組，大幅度地降低了本產品即時認證系統被入侵或破解之可能性。

除此之外，本發明所提出之影像驗證方法除了利用全局特徵屬性來驗證影像之真偽之外，此技術特徵也可以進一步地偵測影像是否有經過修改或P圖之痕跡，因其若有經過修改圖片之情事時，其所分割之測試子影像將會被檢驗出不符合全局特徵屬性之結果，使用者可以輕易的得知在影像中曾被修改過後的位置，可有助於打擊假新聞或是事後人工製圖等之非法情事。

以上所述之實施例僅係為說明本發明之技術思想及特點，其目的在使熟習此項技藝之人士能夠瞭解本發明之內容並據以實施，當不能以之限定 本發明之專利範圍，即大凡依本發明所揭示之精神所作之均等變化或修飾，仍應涵蓋在本發明之專利範圍內。

100:產品即時驗證系統

10:智慧模型模組

101:深度學習模型

11:訓練階段

111:訓練影像

111':訓練子影像

12:測試階段

121:測試影像

121':測試子影像

13:驗證結果

20:交易識別條碼

21:網路鏈結

22:交易碼

221:品質參數

222:智慧模型索引值

30:影像上傳模組

90:待驗證影像

Claims (8)

1. 一種影像驗證方法，其用於針對一銷售品之複數個品項類別所建立之一深度學習模型，其包含：一訓練階段，包含：輸入一訓練影像；將該訓練影像分割成複數個訓練子影像，該複數個訓練子影像之分割方式係利用一矩型在該訓練影像中之移動擷取而產生，該複數個訓練子影像之至少兩兩之間係重疊部份之影像；以及利用該複數個訓練子影像以訓練該深度學習模型，其中每一該複數個訓練子影像係包含一全局特徵識別屬性，該全局特徵識別屬性係該銷售品間具有極為相似之外觀及形狀；以及一測試階段，其包含輸入一測試影像，並將該測試影像分割成複數個測試子影像；對每一該複數個測試子影像進行是否關聯於該複數個品項類別之其中之一之測試；以及輸出一驗證結果以辨別該測試影像是否關聯於該複數個品項類別之其中之一。
2. 如申請專利範圍第1項所述之影像驗證方法，其中該訓練影像係透過對屬於該複數個品項類別之其中之一之該銷售品進行影像擷取。
3. 如申請專利範圍第1項所述之影像驗證方法，其中該銷售品係包含茶葉、咖啡豆或稻米。
4. 如申請專利範圍第1項所述之影像驗證方法，其中該複數個訓練子影像之分割方式係利用一矩型在該訓練影像中之移動擷取而產生。
5. 一種產品即時驗證系統，其包含一智慧模型模組，該智慧模型模組用於實現如申請專利範圍第1項至第4項中任意一項所述之影像驗證方法。
6. 如申請專利範圍第5項所述之產品即時驗證系統，更包含一交易識別條碼以及一影像上傳模組，其中該交易識別條碼係顯示或標示於該銷售品上，該交易識別條碼係崁入一網路鏈結及該銷售品之一交易碼，該影像上傳模組係供使用者上傳一待驗證影像，並傳送至該智慧模型模組之該測試階段以產出該驗證結果，其中該影像上傳模組係位於該網路鏈結所開啟之頁面中，該交易碼係包含該銷售品之複數次品質參數及一智慧模型索引值。
7. 如申請專利範圍第6項所述之產品即時驗證系統，更包含一資料庫模組及一處理應用模組，該資料庫模組係儲存對應該交易碼之一成品外觀影像，該處理應用模組係輸入該成品外觀影像至該智慧模型模組以作為該訓練影像，並用以驗證該待驗證影像之該驗證結果。
8. 如申請專利範圍第7項所述之產品即時驗證系統，更包含一區塊鏈模組，該區塊鏈模組係用以儲存並管理該銷售品之複數個品質參數及該智慧模型模組，該複數個品質參數係形成該銷售品之一產銷履歷。

Images