基于人工智能技术提高识别商品防伪图案准确性的方法技术

本发明专利技术属于人工智能领域，公开了基于人工智能技术提高识别商品防伪图案准确性的方法，步骤为：S001、获得每个样板图形在商品包装表面防伪图案连通区域灰度数字图像上相应范围的全部单元图；S002、分别获得样板图形或单元图上各个像素点的变化度；S003、获得各个样板图形和该样板图形获得的全部单元图的差别度；S004、选择每个样板图形和该样板图形的全部单元图的适配度的上限值相应的单元作为该样板图形的适配单元图；S005、选择适配度最大的样板图形及其适配单元图作为最终样板图形和最终适配单元图；S006、获得防伪图案偏离程度；S007、判定防伪图案质量是否达到合格标准。通过对采集到的商品包装表面防伪图案的图像进行处理提高了识别商品防伪图案的准确性。行处理提高了识别商品防伪图案的准确性。行处理提高了识别商品防伪图案的准确性。

【技术实现步骤摘要】
基于人工智能技术提高识别商品防伪图案准确性的方法


[0001]本专利技术涉及人工智能
，具体涉及基于人工智能技术提高识别商品防伪图案准确性的方法。

技术介绍

[0002]市场经济的加速繁荣，市场化的商品也越来越多，而商品的质量参差不齐，好坏聚集在一起，让消费者很难辨别，因此，商家在对商品进行包装时就加工制作了防伪图案，便于消费者进行识别。同时也方便了监管部门的管理。
[0003]商品比如一些药品、保健品在生产时就采用药用铝管或纯铝包装管等包装，在药用铝管或纯铝包装管等外壳上加工制作上防伪图案，具体可在包装管的正反两面或单面加工防伪图案。
[0004]在对商品包装完成加工后，需要进一步对完成后的商品包装进行质量检测，在检测过程中经常发现加工的防伪图案位置不准确，即相对于目标位置发生偏移，或整个防伪图案发生扭曲。
[0005]现有技术中通常采用图形识别技术或人工核查，采用图形识别防伪图案的过程中，必须要加工的防伪图案与目标防伪图案达到完全匹配才能识别，否则无法准确识别防伪图案或识别准确性低，而采用人工核查，核查效率低。

技术实现思路

[0006]本专利技术提供基于人工智能技术提高识别商品防伪图案准确性的方法，通过人工智能技术结合计算机视觉技术，对采集到的商品包装表面防伪图案的图像进行处理，分析图像特征，并对图像中的防伪图案进行识别，计算防伪图案偏离程度，从而对商品包装表面防伪图案包装质量进行判断评估，相对于现有的图像识别方法或人工检测防伪图案的印刷质量的方法，本技术方法通过变化的适配样板进行图像识别，进一步提高了识别商品防伪图案的准确性，解决了现有图形识别技术中存在对加工的防伪图案形状变形识别准确率低等技术问题。
[0007]本专利技术通过下述技术方案实现：
[0008]基于人工智能技术提高识别商品防伪图案准确性的方法，所述方法包括以下步骤：
[0009]S001、获取商品包装表面防伪图案连通区域灰度数字图像，根据每个样板图形在商品包装表面防伪图案连通区域灰度数字图像上的相应范围进行遍历，获得每个样板图形在商品包装表面防伪图案连通区域灰度数字图像上相应范围的全部单元图；
[0010]S002、通过分别采用每个样板图形或单元图上各个像素点与其位于同一行邻近像素点的两点间距，分别获得样板图形或单元图上各个像素点的变化度；
[0011]S003、通过每个样板图形的像素点和该样板图形获得的全部单元图相应像素点的变化度获得各个样板图形的像素点和该样板图形获得全部单元图相应像素点的灰度差别
占比，根据每个样板图形的像素点和该样板图形获得的全部单元图上相应像素点的形变度和灰度差别占比，获得各个样板图形和该样板图形获得的全部单元图的差别度；
[0012]S004、根据每个样板图形和该样板图形获得的全部单元图的差别度、该样板图形和该样板图形获得的全部单元图的差别度总和运算各个样板图形和该样板图形获得的全部单元图的适配度，选择每个样板图形和该样板图形的全部单元图的适配度的上限值相应的单元作为该样板图形的适配单元图；
[0013]S005、在全部样板图形以及与其适配的单元图中选择适配度最大的样板图形及其适配单元图作为最终样板图形和最终适配单元图；
[0014]S006、选择最终样板图形和最终适配单元图中准确适配的像素点对，将准确适配的像素点对中位于最终样板图形上的像素点对投射到商品包装表面防伪图案连通区域灰度数字图像上，获得投射像素点，通过投射像素点和准确适配的像素点对中位于最终适配的单元图上的像素点之间所有像素点的变化图获得防伪图案偏离程度；
[0015]S007、根据获得的防伪图案偏离程度的绝对值判定商品包装表面防伪图案质量是否达到合格标准。
[0016]可选地，步骤S001中，获得商品包装表面防伪图案连通区域灰度数字图像的方法为：
[0017]根据商品包装表面防伪图案特征来识别标记及防伪图案，首先采集商品包装表面图形，并识别商品表面包装图形中信息，在商品包装表面防伪图案侧安装相机拍摄商品包装表面图形，商品包装表面图形包括商品包装表面图形背景和商品包装表面防伪图案。
[0018]可选地，步骤S001中，获得商品包装表面防伪图案连通区域灰度数字图像的方法，还包括，采用深度神经网络算法识别商品表面包装图形，获得商品包装表面防伪图案连通区域信息，并将商品包装表面防伪图案连通区域信息转换为商品包装表面防伪图案连通区域灰度数字图像。
[0019]可选地，步骤S001中，样板图形的获取方法为，将样本防伪图案切割成大小为5x50的区域，通过灰度共生矩阵运算各个区域的熵值，选择熵值最大的10个区域作为样板图形，并根据样板图形左上角像素点横坐标值对样板图形进行排列，排列后的10个区域作为样板图形进行商品防伪图案的识别，即获得样板图形。
[0020]可选地，步骤S002中，分别获得样板图形或单元图上各个像素点的变化度的方法为，以计算商品包装表面防伪图案连通区域中第w行每个像素点的变化度为例：
[0021]商品包装表面防伪图案区域第w行像素点个数2z，样板图形中商品包装表面防伪图案连通区域第w行像素点在图形中横坐标为{x，x+1，...，x+2z
‑
1}，这些像素点的中心点横坐标为x+b
‑
1/2，商品包装表面防伪图案连通区域最后一行像素点个数为该位置横截面圆形直径2r，结合直径获得圆形商品的周长L＝2πr；
[0022]商品的横截面为椭圆形，其周长为L，L＝2πb+4(z
‑
v)，计算获得椭圆短半轴v，即可获得椭圆方程(x2/z2)+(y2/v2)＝1，第w行像素点的横坐标为{1/2
‑
z，1/2
‑
z+1，...z
‑
1/2}，记为(x
w1
，x
w2
，...x
w2z
)，根据椭圆方程获得商品包装表面防伪图案区域第w行每个点的纵坐标(y
w1
，y
w2
，...y
w2z
)，相邻亮点之间的弧长为两点之间的实际距离，即为d
w
，且相邻两点之间的横坐标差值为两点之间在图像上的距离，均为1，结合相邻两点(x
w1
，x
w2
)，(x
w1
，x
w2
)之间的直线距离d
w(1,2)
，获得(x
w1
，x
w2
)的变化度T
w,1
＝d
w(1,2)
/|x
w2
‑
x
w1
|，(x
w1
，y
w1
)对应图形中第w行
第1个像素点，即第w行第1个像素点的变化度为t
w,1
，商品包装表面防伪图案连通区域中所有像素点的变化度为T＝{t
1,1<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能技术提高识别商品防伪图案准确性的方法，其特征在于：所述方法包括以下步骤：S001、获取商品包装表面防伪图案连通区域灰度数字图像，根据每个样板图形在商品包装表面防伪图案连通区域灰度数字图像上的相应范围进行遍历，获得每个样板图形在商品包装表面防伪图案连通区域灰度数字图像上相应范围的全部单元图；S002、通过分别采用每个样板图形或单元图上各个像素点与其位于同一行邻近像素点的两点间距，分别获得样板图形或单元图上各个像素点的变化度；S003、通过每个样板图形的像素点和该样板图形获得的全部单元图相应像素点的变化度获得各个样板图形的像素点和该样板图形获得全部单元图相应像素点的灰度差别占比，根据每个样板图形的像素点和该样板图形获得的全部单元图上相应像素点的形变度和灰度差别占比，获得各个样板图形和该样板图形获得的全部单元图的差别度；S004、根据每个样板图形和该样板图形获得的全部单元图的差别度、该样板图形和该样板图形获得的全部单元图的差别度总和运算各个样板图形和该样板图形获得的全部单元图的适配度，选择每个样板图形和该样板图形的全部单元图的适配度的上限值相应的单元作为该样板图形的适配单元图；S005、在全部样板图形以及与其适配的单元图中选择适配度最大的样板图形及其适配单元图作为最终样板图形和最终适配单元图；S006、选择最终样板图形和最终适配单元图中准确适配的像素点对，将准确适配的像素点对中位于最终样板图形上的像素点对投射到商品包装表面防伪图案连通区域灰度数字图像上，获得投射像素点，通过投射像素点和准确适配的像素点对中位于最终适配的单元图上的像素点之间所有像素点的变化图获得防伪图案偏离程度；S007、根据获得的防伪图案偏离程度的绝对值判定商品包装表面防伪图案质量是否达到合格标准。2.根据权利求1所述的基于人工智能技术提高识别商品防伪图案准确性的方法，其特征在于：步骤S001中，获得商品包装表面防伪图案连通区域灰度数字图像的方法为：根据商品包装表面防伪图案特征来识别标记及防伪图案，首先采集商品包装表面图形，并识别商品表面包装图形中信息，在商品包装表面防伪图案侧安装相机拍摄商品包装表面图形，商品包装表面图形包括商品包装表面图形背景和商品包装表面防伪图案。3.根据权利求2所述的基于人工智能技术提高识别商品防伪图案准确性的方法，其特征在于：步骤S001中，获得商品包装表面防伪图案连通区域灰度数字图像的方法，还包括，采用深度神经网络算法识别商品表面包装图形，获得商品包装表面防伪图案连通区域信息，并将商品包装表面防伪图案连通区域信息转换为商品包装表面防伪图案连通区域灰度数字图像。4.根据权利要求1所述的基于人工智能技术提高识别商品防伪图案准确性的方法，其特征在于，步骤S001中，样板图形的获取方法为，将样本防伪图案切割成大小为5x50的区域，通过灰度共生矩阵运算各个区域的熵值，选择熵值最大的10个区域作为样板图形，并根据样板图形左上角像素点横坐标值对样板图形进行排列，排列后的10个区域作为样板图形进行商品防伪图案的识别，即获得样板图形。5.根据权利要求4所述的基于人工智能技术提高识别商品防伪图案准确性的方法，其
特征在于：步骤S002中，分别获得样板图形或单元图上各个像素点的变化度的方法为，商品包装表面防伪图案区域第w行像素点个数2z，样板图形中商品包装表面防伪图案连通区域第w行像素点在图形中横坐标为{x，x+1，...，x+2z
‑
1}，这些像素点的中心点横坐标为x+b
‑
1/2，商品包装表面防伪图案连通区域最后一行像素点个数为该位置横截面圆形直径2r，结合直径获得圆形商品的周长L＝2πr；商品的横截面为椭圆形，其周长为L，L＝2πb+4(z
‑
v)，计算获得椭圆短半轴v，即可获得椭圆方程(x2/z2)+(y2/v2)＝1，第w行像素点的横坐标为{1/2
‑
z，1/2
‑
z+1，...z
‑
1/2}，记为(x
w1
，x
w2
，...x
w2z
)，根据椭圆方程获得商品包装表面防伪图案区域第w行每个点的纵坐标(y
w1
，y
w2
，...y
w2z
)，相邻亮点之间的弧长为两点之间的实际距离，即为d
w
，且相邻两点之间的横坐标差值为两点之间在图像上的距离，均为1，结合相邻两点(x
w1
，x
w2
)，(x
w1
，x
w2
)之间的直线距...

【专利技术属性】
技术研发人员：方媛媛，
申请(专利权)人：方媛媛，
类型：发明
国别省市：