基于深度学习的产品鉴伪方法、装置、服务器及存储介质制造方法及图纸

本发明专利技术公开了一种基于深度学习的产品鉴伪方法、装置、设备及存储介质。该方法包括：获取产品的验证纹理图片；基于第一模型识别所述验证纹理图片的第一纹理特征；基于第二模型比对第一纹理特征和第二纹理特征确定产品的真伪，所述第二纹理特征通过对所述产品内置的纹理特征二维码进行解码得到。该方法通过提取纹理特征进行纹理特征比对判断相似度，进而识别产品的真伪，在出现新类产品时也能提供较好的识别效果，不需要频繁地根据新类产品更新产品的已有类。

【技术实现步骤摘要】
基于深度学习的产品鉴伪方法、装置、服务器及存储介质
本专利技术涉及产品防伪
，尤其涉及一种基于深度学习的产品鉴伪方法、装置、服务器及存储介质。
技术介绍
搭建一个低成本的，便捷的，通用的产品防伪系统来统一解决假冒产品问题具有十分重要的研究意义。其中，纹理作为一种重要的视觉线索，是图像中普遍存在而又难以描述的特征，也是产品内在的固有属性。纹理本身与产品材质是紧密联系的，而产品材质又与产品的真伪紧密联系。故，可从计算机视觉的角度出发，利用产品的深度纹理来验证产品的真假。此外，厂商会不断迭代更新自家产品。在出现新产品后，厂商，商家和消费者均需对新产品也能辨别真伪。即，当新产品等新类出现时，不需重新训练整个网络更新产品，便可对新旧产品均进行有效的鉴别真伪，这样的防伪系统方案更具有现实意义。这就必须提出一套可以对未见类产品进行辨别的，并且是低成本的、有效的、通用的和抗攻击性强的防伪新方法。现有技术中，位于纽约一家名为Entrupy的初创公司提出了一种利用产品的表面纹理的微观特征对产品进行防伪的方法。其已经在实际生活中用于鉴伪皮跟纹理产品。具体使用显微设备采集20种皮革产品的3万张显微图片储存在线上数据库中，用于训练经典的深度学习的分类网络。其中，先通过四层卷积层，再经过两层全连接层，采集的纹理图像提取4096维深度纹理特征。最后经过softmax分类器对20类皮革纹理图片进行多分类。当商家，消费者使用该防伪方法时，需先购买该公司的显微扫描仪，扫描并上传所购买产品的显微图像与线上存储的数据库进行比对，比对成功则辨别为正品，反之，则为伪劣产品。现有技术中，“RealorFake:MobileDeviceDrugPackagingAuthentication”中提出了一种利用药品包装盒的纹理图像对药品进行防伪的方法。具体使用移动设备采集来自28家厂商制备的45种不同的药品盒正反面以及药品的外包装的三种模态的图片和药品的药品码图片。再将采集的图像利用局部二值模式(LocalBinaryPattern,LBP)，尺度不变特征转换(scaleinvariantfeaturetransform,SIFT)和灰度共生矩阵(Gray-levelCo-occurenceMatrix,CLCM)等传统纹理提取方法提取药品外包装和药品盒图片的浅层特征，最后将所提取的特征分别放入线性支持向量机(supportvectormachine,SVM)分类器中进行分类。因此，可以对现有的真的药品进行分类，在鉴伪过程，仅对真的药品有分类效果，故可识别假冒产品。
技术实现思路
有鉴于此，本专利技术实施例提供了一种基于深度学习的产品鉴伪方法、装置、服务器及存储介质，以解决识别新类产品困难的问题。第一方面，本专利技术实施例提供了一种基于深度学习的产品鉴伪方法，包括：获取产品的验证纹理图片；基于第一模型识别所述验证纹理图片的第一纹理特征；基于第二模型比对第一纹理特征和第二纹理特征确定产品的真伪，所述第二纹理特征通过对所述产品内置的纹理特征二维码进行解码得到。第二方面，本专利技术实施例还提供了一种基于深度学习的产品鉴伪装置，包括：图片获取模块，用于获取产品的验证纹理图片；第一纹理特征提取模块，用于基于第一模型识别所述验证纹理图片的第一纹理特征；鉴别模块，用于基于第二模型比对第一纹理特征和第二纹理特征确定产品的真伪，所述第二纹理特征通过对所述产品内置的纹理特征二维码进行解码得到。第三方面，本专利技术实施例还提供了一种服务器，包括存储器和处理器，所述存储器上存储有可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如前述的基于深度学习的产品鉴伪方法。第四方面，本专利技术实施例提供了一种计算机可读存储介质，存储介质存储有计算机程序，该计算机程序被处理器执行时实现如前述的基于深度学习的产品鉴伪方法。本专利技术实施例提供的技术方案，基于用户拍摄的产品的验证纹理图片，通过第一模型识别验证纹理图片的第一纹理特征，对产品附带的纹理二维码解码得到第二纹理特征，基于第二模型对第一纹理特征和第二纹理特征比对，根据比对结果判断产品的真伪，第一模型和第二模型不是简单的对产品基于已有类别进行检索或分类，而是通过提取纹理特征进行纹理特征比对判断相似度，进而识别产品的真伪，在出现新类产品时也能提供较好的识别效果，不需要频繁的根据新类产品更新产品的已有类别。附图说明图1是本专利技术实施例一中的基于深度学习的产品鉴伪方法的流程图；图2是本专利技术实施例一中的基于深度学习的产品鉴伪方法的子流程图；图3是本专利技术实施例一中的基于深度学习的产品鉴伪方法的子流程图；图4是本专利技术实施例二中的基于深度学习的产品鉴伪方法的子流程图；图5是本专利技术实施例二中的模型训练流程图；图6是本专利技术实施例三中的基于深度学习的产品鉴伪装置的结构示意图；图7是本专利技术实施例四中的一种服务器的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，“多个”、“批量”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。实施例一图1为本专利技术实施例一的基于深度学习的产品鉴伪方法的流程图，该方法可以由终端或服务器执行，本实施例以服务器为例，该方法具体包括：S110、获取产品的验证纹理图片。验证纹理图片为用户在验证产品真伪时，通过图像采集装置拍摄的包括产品纹理信息的图片。用户在拿到待验证的产品时，可以使用移动设备如手机拍摄产品的验证纹理图片，服务器通过网络等方式接受移动设备发送的验证纹理图片。S120、基于第一模型识别所述验证纹理图片的第一纹理特征。第一模型是一个训练好的深度学习神经网络，用于提取图像中的深度纹理特征。第一纹理特征为第一模型根据用户拍摄的验证纹理图片所提取出的纹理特征本文档来自技高网...

【技术保护点】
1.一种基于深度学习的产品鉴伪方法，其特征在于，包括：/n获取产品的验证纹理图片；/n基于第一模型识别所述验证纹理图片的第一纹理特征；/n基于第二模型比对第一纹理特征和第二纹理特征确定产品的真伪，所述第二纹理特征通过对所述产品内置的纹理特征二维码进行解码得到。/n

【技术特征摘要】
1.一种基于深度学习的产品鉴伪方法，其特征在于，包括：
获取产品的验证纹理图片；
基于第一模型识别所述验证纹理图片的第一纹理特征；
基于第二模型比对第一纹理特征和第二纹理特征确定产品的真伪，所述第二纹理特征通过对所述产品内置的纹理特征二维码进行解码得到。


2.根据权利要求1所述的基于深度学习的产品鉴伪方法，其特征在于，所述获取产品的验证纹理图片之前，还包括：
采集产品的样品纹理图片；
基于第一模型识别所述样品纹理图片的第二纹理特征；
基于所述第二纹理特征生成纹理特征二维码，将所述纹理特征二维码附于产品上。


3.根据权利要求2所述的基于深度学习的产品鉴伪方法，其特征在于，所述基于第一模型识别所述样品纹理图片的第二纹理特征包括：
基于所述样品纹理图片提取深度纹理特征；
对所述深度纹理特征进行后处理，得到低维紧凑的第二纹理特征。


4.根据权利要求1所述的基于深度学习的产品鉴伪方法，其特征在于，所述第一模型用于提取纹理图片的通用特征和区分特征，所述通用特征表示不同纹理图片共有的纹理特征，所述区分特征表示不同纹理图片特有的纹理特征。


5.根据权利要求1所述的基于深度学习的产品鉴伪方法，其特征在于，所述基于第二模型比对第一纹理特征和第二纹理特征确定产品的真伪包括：
将所述第一纹理特征和所述第二纹理特征映射到距离空间上，确定所述第一纹理特征和所述第二纹理特征之间的相似度和距离；
若所述相似度大于等于相似度阈值且距离小于等于距离阈值，则产品为真，若所述相似度小于相似度阈值或距离大于距离阈值，则产品为伪。


6.根据权利要求1所述的...

【专利技术属性】
技术研发人员：陈昌盛，蔡素到，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44