一种具有防攻功能的瓦楞纸箱商标鲁棒检测方法技术

本发明专利技术涉及一种具有防攻功能的瓦楞纸箱商标鲁棒检测方法，该方法通过AI防御手段和对抗性攻击风格转移模块对瓦楞纸箱商标名称的图像数据和尾部类别图像数据处理得到风格化、攻击后的模型训练集和模型测试集，基于模型训练集在自适应空间特征融合的YOLOv5xB模型构建得到目标检测模型，从而提高模型检测准确率，采用该目标检测模型对瓦楞纸箱商标检测，实现检测容易、效率高、准确率高，解决了现有对瓦楞纸箱商标检测存在难度大、效率低、准确率低的技术问题。低的技术问题。低的技术问题。

【技术实现步骤摘要】
一种具有防攻功能的瓦楞纸箱商标鲁棒检测方法


[0001]本专利技术涉及视觉检测
，尤其涉及一种具有防攻功能的瓦楞纸箱商标鲁棒检测方法、系统及设备。

技术介绍

[0002]随着全球电子商务平台的发展，越来越多瓦楞纸箱品牌入驻电商平台，瓦楞纸箱的使用数目也持续增长。与此同时，瓦楞纸箱的知识产权受到越来越多的关注。在瓦楞纸箱的包装生产中，瓦楞纸箱的知识产权包括产品的图案设计和品牌。所以瓦楞纸箱商标的识别和检测是瓦楞纸箱知识产权保护的重要组成部分和有效手段，它将保护企业家和企业主来之不易的创作和想法不受不公平竞争的影响。
[0003]现有关于瓦楞纸箱识别和检测的研究大多数是基于小规模的数据集，在探索新兴的深度学习技术时不够全面。而瓦楞纸商标检测是计算机视觉中通用对象检测的一个特例，瓦楞纸具有独特外观、实例多样性、大规模对象检测、可扩展的网络和品牌相似性，导致瓦楞纸的检测存在难度大、效率低、准确率低的问题。具体地，瓦楞纸的独特外观指的是瓦楞纸箱造型独特、新颖，此外观才能引顾客的注意力。比如酒瓶造型，一般以圆柱体为主，有的酒瓶运用模仿造型，规划成复杂的锚形或人体形，在一批以圆柱体、长方体造型的酒瓶中，会显得非常突出美观。但是独特外观瓦楞纸箱会带来了检测的复杂性，一种瓦楞纸箱的商标可能存在于多个外观下，增加检测难度。
[0004]实例多样性指的是以衬托瓦楞纸箱商标为主，充分显现瓦楞纸箱商标的特征的箱子，会使顾客从包装上当即能识别产品，包装上夺目商标的可以当即起到招来顾客的作用。质地雅致的工艺品包装纸箱，比起一般的纸盒包装更具有艺术性。同一瓦楞纸箱商标在现实世界中可能会因为不同的尺寸、旋转、照明、着色和遮挡等而有很大的不同。此外，同一个瓦楞纸箱商标可能拥有不同的商标形式，如图标、英文字、中文和卡通图片，这些都导致了瓦楞纸箱商标数据集的多样性。
[0005]大规模的检测方法要求每个类别都有特定的过滤器组，导致了该大规模的检测方法在大量类别的检测中非常复杂并且很难实现。例如，R
‑
FCN/DeformableR
‑
FCN需要为每个类提供49/197个特定位置的过滤器，RetinaNet在每个卷积特征图上的每个类需要9个过滤器。对于电子商务数据库中的数十亿产品与数百万瓦楞纸箱商标，若使用以上方法就需要数以亿计的过滤器来检测巨大的瓦楞纸箱商标，这使得它们在实际应用中非常缓慢和困难。
[0006]可扩展的网络指的是在PASCAL VOC、MS COCO和OpenImages等数据集上检测时，类别的数量是固定的。然而，实际上瓦楞纸箱商标会随着市场的变化而动态变化，所以类别的动态扩展是瓦楞纸箱商标检测的一个必要条件。
[0007]品牌相似性指的是有些瓦楞纸箱商标是非常相似的，相似的图片具有误导性，从而会导致使用通用检测网络时，模型的错误率增加，效果不好。

技术实现思路

[0008]本专利技术实施例提供了一种具有防攻功能的瓦楞纸箱商标鲁棒检测方法、系统及设备，用于解决现有对瓦楞纸箱商标检测存在难度大、效率低、准确率低的技术问题。
[0009]为了实现上述目的，本专利技术实施例提供如下技术方案：
[0010]一种具有防攻功能的瓦楞纸箱商标鲁棒检测方法，包括以下步骤：
[0011]获取瓦楞纸箱商标名称以及与所述瓦楞纸箱商标名称对应的图像数据和尾部类别图像数据；
[0012]对与每个所述瓦楞纸箱商标名称对应的所述尾部类别图像数据进行处理生成伪标签训练集；
[0013]对所述图像数据、所述尾部类别图像数据和所述伪标签训练集采用AI防御手段和对抗性攻击风格转移模块进行处理，得到鲁棒增强训练集；
[0014]根据所述图像数据、所述尾部类别图像数据、所述伪标签训练集和所述鲁棒增强训练集构建模型训练集和模型测试集；
[0015]构建YOLOv5xB模型，基于所述YOLOv5xB模型和所述模型训练集训练得到的第一训练模型、第二训练模型和第三训练模型；
[0016]根据所述第一训练模型、所述第二训练模型和所述第三训练模型的权重进行融合处理，得到最佳权重，将所述最佳权重加载至YOLOv5xB模型中，得到目标检测模型；
[0017]采用所述目标检测模型对所述模型测试集进行推理检测，输出检测结果。
[0018]优选地，构建YOLOv5xB模型包括：基于YOLO v5x作为基础模型，将所述基础模型的颈部Neck换为具有自适应空间特征融合功能的ASFF构建YOLOv5xB模型。
[0019]优选地，对与每个所述瓦楞纸箱商标名称对应的所述尾部类别图像数据进行处理生成伪标签训练集包括：对与每个所述瓦楞纸箱商标名称对应的所述尾部类别图像数据通过泊松融合、中值滤波融合和空间融合生成对抗网络方式进行裁剪、映射、放射贴合，生成伪标签训练集；或
[0020]采用传统方法和空间融合生成对抗网络方式对与每个瓦楞纸箱商标名称对应的尾部类别图像数据进行处理生成伪标签训练集。
[0021]优选地，根据所述第一训练模型、所述第二训练模型和所述第三训练模型的权重进行融合处理，得到最佳权重包括：对所述第一训练模型、所述第二训练模型和所述第三训练模型的权重进行均值处理，得到的权重平均值作为最佳权重。
[0022]优选地，基于所述YOLOv5xB模型和所述模型训练集训练得到的第一训练模型、第二训练模型和第三训练模型包括：采用YOLOv5xB模型对图像数据和尾部类别图像数据进行训练，得到第一训练模型；采用YOLOv5xB模型对所述模型训练集的图像数据、尾部类别图像数据和伪标签训练集进行训练，得到第二训练模型；采用YOLOv5xB模型的神经网络对所述模型训练集的图像数据、尾部类别图像数据、伪标签训练集和鲁棒增强训练集进行训练，得到第三训练模型。
[0023]优选地，采用所述目标检测模型对所述模型测试集进行推理检测，输出检测结果包括：在所述目标检测模型中，采用多尺度检测和通过动态调整阈值的非极大值抑制方式输出检测结果为目标图像位置点坐标张量。
[0024]本专利技术还提供一种具有防攻功能的瓦楞纸箱商标鲁棒检测系统，包括数据获取模
块、第一处理模块、第二处理模块、模型数据模块、模型建立模块、权重分析模块和输出模块；
[0025]所述数据获取模块，用于获取瓦楞纸箱商标名称以及与所述瓦楞纸箱商标名称对应的图像数据和尾部类别图像数据；
[0026]所述第一处理模块，用于对与每个所述瓦楞纸箱商标名称对应的所述尾部类别图像数据进行处理生成伪标签训练集；
[0027]所述第二处理模块，用于对所述图像数据、所述尾部类别图像数据和所述伪标签训练集采用AI防御手段和对抗性攻击风格转移模块进行处理，得到鲁棒增强训练集；
[0028]所述模型数据模块，用于根据所述图像数据、所述尾部类别图像数据、所述伪标签训练集和所述鲁棒增强训练集构建模型训练集和模型测试集；
[0029]所述模型建立模块，用于构建YOLOv5xB模型，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有防攻功能的瓦楞纸箱商标鲁棒检测方法，其特征在于，包括以下步骤：获取瓦楞纸箱商标名称以及与所述瓦楞纸箱商标名称对应的图像数据和尾部类别图像数据；对与每个所述瓦楞纸箱商标名称对应的所述尾部类别图像数据进行处理生成伪标签训练集；对所述图像数据、所述尾部类别图像数据和所述伪标签训练集采用AI防御手段和对抗性攻击风格转移模块进行处理，得到鲁棒增强训练集；根据所述图像数据、所述尾部类别图像数据、所述伪标签训练集和所述鲁棒增强训练集构建模型训练集和模型测试集；构建YOLOv5xB模型，基于所述YOLOv5xB模型和所述模型训练集训练得到的第一训练模型、第二训练模型和第三训练模型；根据所述第一训练模型、所述第二训练模型和所述第三训练模型的权重进行融合处理，得到最佳权重，将所述最佳权重加载至YOLOv5xB模型中，得到目标检测模型；采用所述目标检测模型对所述模型测试集进行推理检测，输出检测结果。2.根据权利要求1所述的具有防攻功能的瓦楞纸箱商标鲁棒检测方法，其特征在于，构建YOLOv5xB模型包括：基于YOLO v5x作为基础模型，将所述基础模型的颈部Neck换为具有自适应空间特征融合功能的ASFF构建YOLOv5xB模型。3.根据权利要求1所述的具有防攻功能的瓦楞纸箱商标鲁棒检测方法，其特征在于，对与每个所述瓦楞纸箱商标名称对应的所述尾部类别图像数据进行处理生成伪标签训练集包括：对与每个所述瓦楞纸箱商标名称对应的所述尾部类别图像数据通过泊松融合、中值滤波融合和空间融合生成对抗网络方式进行裁剪、映射、放射贴合，生成伪标签训练集；或采用传统方法和空间融合生成对抗网络方式对与每个瓦楞纸箱商标名称对应的尾部类别图像数据进行处理生成伪标签训练集。4.根据权利要求1所述的具有防攻功能的瓦楞纸箱商标鲁棒检测方法，其特征在于，根据所述第一训练模型、所述第二训练模型和所述第三训练模型的权重进行融合处理，得到最佳权重包括：对所述第一训练模型、所述第二训练模型和所述第三训练模型的权重进行均值处理，得到的权重平均值作为最佳权重。5.根据权利要求1所述的具有防攻功能的瓦楞纸箱商标鲁棒检测方法，其特征在于，基于所述YOLOv5xB模型和所述模型训练集训练得到的第一训练模型、第二训练模型和第三训练模型包括：采用YOLOv5xB模型对图像数据和尾部类别图像数据进行训练，得到第一训练模型；采用YOLOv5xB模型对所述模型训练集的图像数据、尾部类别图像数据和伪标签训练集进行训练，得到第二训练模型；采用YOLOv5xB模型的神经网络对所述模型训练集的图像数据、尾部类别图像数据、伪标签训练集和鲁棒增强训练集进行训练，得到第...

【专利技术属性】
技术研发人员：程良伦，蓝嘉颖，何琴，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：