物品鉴别方法、系统、设备及存储介质技术方案

本申请提供一种物品鉴别方法、系统、设备及存储介质。所述方法包括以下步骤：获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点；依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值；依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值；以及依据所述单点分值或/及所述总分值鉴别所述物品的真伪。本申请利用卷积神经网络对各图像中描述物品的目标鉴别点进行识别，构建评价机制以及通过对识别结果的评价确定物品真伪，有效解决了伪造商品无法快速鉴别的问题。

Article identification method, system, equipment and storage medium

The application provides an identification method, a system, an apparatus and a storage medium. The method comprises the following steps: acquiring a plurality of images captured on the object to be identified, each of which includes at least one target discrimination point; recognizing the plurality of images according to a plurality of convolution neural network models corresponding to the trained at least one target discrimination point to obtain each target discrimination. A single point score of a point is obtained; the single point score of a plurality of the target discrimination points is weighted and summed to obtain a total score according to the weight obtained from the test of the training set; and the authenticity of the item is identified according to the single point score or/and the total score. The application uses convolution neural network to identify the object discriminant points of the items described in the images, constructs an evaluation mechanism, and determines the authenticity of the items through the evaluation of the identification results, thus effectively solving the problem that the forged goods can not be quickly identified.

【技术实现步骤摘要】
物品鉴别方法、系统、设备及存储介质
本申请涉及机器学习
，特别是涉及一种物品鉴别方法、系统、设备及存储介质。
技术介绍
如今，居民购买力提升、购入奢侈品增多，然而奢侈品真伪混合销售的情况层出不穷，奢侈品鉴别已成为消费者多渠道购入奢侈品的核心需求。目前国内外奢侈品鉴别的主要方式是人工鉴别，还没有通过深度学习方法鉴别奢侈品的论文或专利。人工方式鉴别奢侈品尽管已经取得一些发展，但仍存在诸多问题。第一，国内目前没有奢侈品鉴别行业的职业资格证书，缺乏对于从业者所必备的学识、技术和能力的基本要求，且没有正规的培养方式，从业人员的职业素质很难保证。第二，培养奢侈品鉴别师的代价大，符合要求的鉴别师少，难以满足日益增大的市场需求。且奢侈品鉴别时效性强，所需知识储备量大，而人对于物品真假的理解是非常主观的，不同人依照自身的知识、经验、情绪等情况可能做出不同的判断，难以保证鉴别结果的准确率。第三，人工奢侈品鉴别行业利润空间大，易形成黑色利益链条，难以取得消费者的信任。且对比于去线下找实体店鉴别、寄送给平台鉴别等费时费力的方案，通过图片即可得到结果的方式更符合如今人们的使用习惯。深度学习是机器学习中一种对数据进行表征学习的算法。源于人工神经网络的研究，其动机在于建立模拟人脑进行分析学习的神经网络，通过模仿人脑的机制来解释图像，声音和文本数据。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。Hinton等人于2006年提出了基于深度置信网络(DBN)的非监督贪心逐层训练算法，开启了深度学习在学术界和工业界的新浪潮。当前，深度学习已成为一种代表性的机器学习技术，被广泛应用于图像、声音、文本等领域。因此，如何利用深度学习技术对奢侈品进行鉴别以提高鉴别准确率并降低鉴别成为业已成为本领域业者亟待解决的技术问题。
技术实现思路
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种物品鉴别方法、系统、设备及存储介质，用于解决现有技术中无法快速鉴别物品真伪的问题。为实现上述目的及其他相关目的，本申请的第一方面提供一种物品鉴别方法，包括以下步骤：获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点；依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值；依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值；以及依据所述单点分值或/及所述总分值鉴别所述物品的真伪。在所述第一方面的某些实时方式中，所述方法还包括对所述多幅图像进行预处理的步骤。在所述第一方面的某些实时方式中，所述预处理的步骤包括对所述图像进行尺寸修改、按比例缩放、加噪、反转、旋转、平移、缩放变换、剪切、对比度变换、随机通道偏移中的一种或多种处理。在所述第一方面的某些实时方式中，所述方法还包括对至少一幅所述幅图像进行聚类处理的步骤。在所述第一方面的某些实时方式中，所述对至少一幅图像进行聚类处理的步骤包括利用VGG19网络特征分类模型对至少一幅所述图像进行特征近似程度聚类，以确定对所述多幅图像的训练模型。在所述第一方面的某些实时方式中，所述训练的对应各该目标鉴别点的多个卷积神经网络模型包括：VGG19网络模型，RESNET54网络模型，以及WRESNET16网络模型中的至少两个网络模型。在所述第一方面的某些实时方式中，所述依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值还包括：保存所述至少一个目标鉴别点的多个卷积神经网络模型的输出结果以及提取到的特征；以及将所述多个卷积神经网络模型分别提取到的特征拼接处理，使用决策树算法进一步分类，获得对应每一目标鉴别点的单点分值。在所述第一方面的某些实时方式中，所述的依据所述单点分值与所述总分值鉴别所述物品的真伪的步骤包括：预设第一阈值及第二阈值；判定为所述单点分值低于所述第一阈值时输出判定所述物品为伪的结果；以及在判定为所述单点分值高于所述第一阈值的条件下，判定为所述总分值低于所述第二阈值时输出判定所述物品为伪的结果。在所述第一方面的某些实时方式中，所述方法还包括防止过拟合的步骤。在所述第一方面的某些实时方式中，所述物品为奢侈品。本申请第二方面提供一种物品鉴别系统，包括：预处理模块，用于获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点；识别模块，用于依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值；评价模块，用于依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值；以及依据所述单点分值或/及所述总分值鉴别所述物品的真伪。在所述第二方面的某些实时方式中，所述预处理模块还用于对所述多幅图像进行预处理。在所述第二方面的某些实时方式中，所述预处理模块对所述图像进行尺寸修改、按比例缩放、加噪、反转、旋转、平移、缩放变换、剪切、对比度变换、随机通道偏移中的一种或多种处理。在所述第二方面的某些实时方式中，所述预处理模块还用于对至少一幅所述幅图像进行聚类处理。在所述第二方面的某些实时方式中，所述预处理模块利用VGG19网络特征分类模型对至少一幅所述图像进行特征近似程度聚类，以确定对所述多幅图像的训练模型。在所述第二方面的某些实时方式中，所述训练的对应各该目标鉴别点的多个卷积神经网络模型包括：VGG19网络模型，RESNET54网络模型，以及WRESNET16网络模型中的至少两个网络模型。在所述第二方面的某些实时方式中，所述识别模块用于执行以下步骤：保存所述至少一个目标鉴别点的多个卷积神经网络模型的输出结果以及提取到的特征；以及将所述多个卷积神经网络模型分别提取到的特征拼接处理，使用决策树算法进一步分类，获得对应每一目标鉴别点的单点分值。在所述第二方面的某些实时方式中，所述评价模块用于执行以下步骤：预设第一阈值及第二阈值；判定为所述单点分值低于所述第一阈值时输出判定所述物品为伪的结果；以及在判定为所述单点分值高于所述第一阈值的条件下，判定为所述总分值低于所述第二阈值时输出判定所述物品为伪的结果。在所述第二方面的某些实时方式中，所述系统还包括训练模块，用于训练各卷积神经网络模型，其中，所述训练模块执行防止过拟合的步骤。在所述第二方面的某些实时方式中，所述物品为奢侈品。本申请第三方面提供一种物品识别设备，包括：存储器，用于存储程序代码；一个或多个处理器；其中，所述处理器用于调用所述存储器中存储的程序代码来执行上述第一方面任一项所述的物品鉴别方法。本申请第四方面提供一种计算机可读存储介质，存储有用于鉴别物品的计算机程序，其特征在于，所述计算机程序被执行时实现上述第一方面任一项所述的物品鉴别方法。如上所述，本申请物品鉴别方法、系统、设备及存储介质，利用卷积神经网络对各图像中描述物品的目标鉴别点进行识别，构建评价机制以及通过对识别结果的评价确定物品真伪，有效解决了伪造商品无法快速鉴别的问题，大大简化了电子交易或其他远程购物方式所产生的物品真伪争议。附图说明图1显示为本申请的物品鉴别方法在一实施方式中的流本文档来自技高网...

【技术保护点】
1.一种物品鉴别方法，其特征在于，包括以下步骤：获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点；依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值；依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值；以及依据所述单点分值或/及所述总分值鉴别所述物品的真伪。

【技术特征摘要】
1.一种物品鉴别方法，其特征在于，包括以下步骤：获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点；依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值；依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值；以及依据所述单点分值或/及所述总分值鉴别所述物品的真伪。2.根据权利要求1所述的物品鉴别方法，其特征在于，还包括对所述多幅图像进行预处理的步骤。3.根据权利要求2所述的物品鉴别方法，其特征在于，所述预处理的步骤包括对所述图像进行尺寸修改、按比例缩放、加噪、反转、旋转、平移、缩放变换、剪切、对比度变换、随机通道偏移中的一种或多种处理。4.根据权利要求1所述的物品鉴别方法，其特征在于，还包括对至少一幅所述幅图像进行聚类处理的步骤。5.根据权利要求4所述的物品鉴别方法，其特征在于，所述对至少一幅图像进行聚类处理的步骤包括利用VGG19网络特征分类模型对至少一幅所述图像进行特征近似程度聚类，以确定对所述多幅图像的训练模型。6.根据权利要求1所述的物品鉴别方法，其特征在于，所述训练的对应各该目标鉴别点的多个卷积神经网络模型包括：VGG19网络模型，RESNET54网络模型，以及WRESNET16网络模型中的至少两个网络模型。7.根据权利要求1所述的物品鉴别方法，其特征在于，所述依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值还包括：保存所述至少一个目标鉴别点的多个卷积神经网络模型的输出结果以及提取到的特征；以及将所述多个卷积神经网络模型分别提取到的特征拼接处理，使用决策树算法进一步分类，获得对应每一目标鉴别点的单点分值。8.根据权利要求1所述的物品鉴别方法，其特征在于，所述的依据所述单点分值与所述总分值鉴别所述物品的真伪的步骤包括：预设第一阈值及第二阈值；判定为所述单点分值低于所述第一阈值时输出判定所述物品为伪的结果；以及在判定为所述单点分值高于所述第一阈值的条件下，判定为所述总分值低于所述第二阈值时输出判定所述物品为伪的结果。9.根据权利要求1所述的物品鉴别方法，其特征在于，还包括防止过拟合的步骤。10.根据权利要求1所述的物品鉴别方法，其特征在于，所述物品为奢侈品。11.一种物品鉴别系统，其特征在于，包括：预处理模块，用于获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点；识别模块，用于依据训练的...

【专利技术属性】
技术研发人员：唐平中，李元齐，汪勋，戚婧晨，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11