基于深度学习的卷烟真伪识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的卷烟真伪识别方法及系统，所述卷烟真伪识别方法通过滑窗将样本图像划分为多个图像块，再将每个图像块网格化分割为多个子图像块，然后在模型训练过程中，先利用预训练的卷积神经网络提取出细粒度特征，再将提取出的细粒度特征输入至循环神经网络中，利用循环神经网络挖掘出多个子图像块对应的提取特征之间的关联性，从而基于细粒度特征和特征之间的关联性联合决策每个图像块的真伪，大大提高了每个图像块的真伪识别准确度，保证训练出的模型具有很高的识别准确度，从而可以快速、准确地识别出卷烟的真伪。准确地识别出卷烟的真伪。准确地识别出卷烟的真伪。

【技术实现步骤摘要】
基于深度学习的卷烟真伪识别方法及系统


[0001]本专利技术涉及卷烟真伪识别
，特别地，涉及一种基于深度学习的卷烟真伪识别方法及系统。

技术介绍

[0002]我国烟草制品消费量极大，其每年所带来的税收利润是国家重要的金融来源，近年来，卷烟行业中的假冒伪劣现象比较普遍，大量假冒伪劣的卷烟混入市场，严重影响了国家经济、市场秩序以及人民健康，因此，如何对卷烟的真伪进行快速、准确的识别具有重要意义。目前，基于机器视觉和机器学习技术的卷烟真伪识别方法主要包括基于特征点的卷烟商标纸配准、图像特征向量相似度计算、基于传统机器学习模型对特征向量进行分类、基于多层神经网络的图像分类等技术，上述方法的提出虽然在一定程度上缓解了卷烟包装真伪识别任务中人工识别效率低的问题，但是由于上述分类识别方法一般是基于卷烟的整体外形图像直接进行分类识别，特征的提取粒度较粗以及尚未对不同特征之间的关联性进行模型学习，容易导致模型特征学习能力不足，进而影响模型的真伪鉴别性能，识别准确度较低。

技术实现思路

[0003]本专利技术提供了一种基于深度学习的卷烟真伪识别方法及系统，以解决现有卷烟真伪识别方法的特征提取粒度较粗、未对不同特征之间的关联性进行学习导致的识别准确度低的技术问题。
[0004]根据本专利技术的一个方面，提供一种基于深度学习的卷烟真伪识别方法，包括以下内容：
[0005]步骤S1：收集正样本数据和负样本数据并进行贴标签处理，其中，正样本数据包括真烟的扫描图像，负样本数据包括假烟的扫描图像；
[0006]步骤S2：利用滑窗将每张扫描图像划分为多个图像块，并对每个图像块进行网格化分割得到多个子图像块，从而构建得到子图像块数据集；
[0007]步骤S3：构建卷烟真伪识别模型，其中，所述卷烟真伪识别模型包括用于提取特征的预训练的卷积神经网络和用于基于提取的特征进行真伪识别的循环神经网络；
[0008]步骤S4：利用子图像块数据集对卷烟真伪识别模型进行训练，直至模型收敛，在训练过程中，先利用预训练的卷积神经网络从每个图像块对应的多个子图像块中提取出特征集合，再将提取出的特征集合输入至循环神经网络，循环神经网络基于多个子图像块的提取特征之间的关联性识别该图像块的真伪；
[0009]步骤S5：将待识别卷烟的扫描图像输入至训练好的卷烟真伪识别模型中，输出卷烟真伪识别结果。
[0010]进一步地，所述步骤S1包括以下内容：
[0011]步骤S11：通过扫描仪设备扫描真烟和假烟的正反两面图像，其中，卷烟的外形为
条烟或盒烟；
[0012]步骤S12：采用Canny边缘算子计算出条烟或盒烟的主体轮廓信息，得到条烟或盒烟的主体区域图像，以消除扫描仪背景图像。
[0013]进一步地，所述步骤S2包括以下内容：
[0014]步骤S21：填充扫描图像的边界至滑窗窗口大小的整数倍，以特定步长和预设重叠率从左至右、从上至下对填充后的扫描图像进行滑窗切割，得到多个图像块；
[0015]步骤S22：对每个图像块进行网格化分割，以将每个图像块均匀分割成多个子图像块，并按照从左至右、从上至下的顺序构建每个图像块对应的子图数据集，所有样本数据对应的若干个子图数据集则构成子图像块数据集。
[0016]进一步地，所述步骤S2在步骤S21和步骤S22之间还包括以下内容：
[0017]步骤S211：去除无特征图像块和低特征图像块。
[0018]进一步地，所述步骤S211包括：将所有图像块转换为灰度图，计算每个图像块中的总像素量，当某个图像块的总像素量低于预设阈值时，去除该图像块。
[0019]进一步地，所述步骤S211还包括：通过构建包含有特征图像块和低特征图像块的训练数据集对ResNet50神经网络模型进行二分类训练，利用训练好的ResNet50神经网络模型过滤掉低特征图像块；
[0020]或者，先将图像块通过预训练的MobileNetV3
‑
Small模型提取图像特征集合，然后采用K
‑
Means聚类算法将图像块聚类为高特征图像块和低特征图像块，从而完成低特征图像块的过滤。
[0021]进一步地，所述步骤S5包括以下内容：
[0022]步骤S51：获取待识别卷烟的扫描图像，并在扫描图像中选取ROI区域；
[0023]步骤S52：在ROI区域中随机裁剪出多个不重叠的图像块，并对每个图像块进行网格化分割得到多个子图像块；
[0024]步骤S53：将每个图像块对应的多个子图像块输入至训练好的卷烟真伪识别模型中，输出每个图像块的真伪识别结果；
[0025]步骤S54：基于多个图像块的真伪识别结果采取投票法得到最终的卷烟真伪识别结果。
[0026]另外，本专利技术还提供一种基于深度学习的卷烟真伪识别系统，包括：
[0027]样品数据收集模块，用于收集正样本数据和负样本数据并进行贴标签处理，其中，正样本数据包括真烟的扫描图像，负样本数据包括假烟的扫描图像；
[0028]数据集构建模块，用于利用滑窗将每张扫描图像划分为多个图像块，并对每个图像块进行网格化分割得到多个子图像块，从而构建得到子图像块数据集；
[0029]模型构建模块，用于构建卷烟真伪识别模型，其中，所述卷烟真伪识别模型包括用于提取特征的预训练的卷积神经网络和用于基于提取的特征进行真伪识别的循环神经网络；
[0030]模型训练模块，用于利用子图像块数据集对卷烟真伪识别模型进行训练，直至模型收敛，在训练过程中，先利用预训练的卷积神经网络从每个图像块对应的多个子图像块中提取出特征集合，再将提取出的特征集合输入至循环神经网络，循环神经网络基于多个子图像块的提取特征之间的关联性识别该图像块的真伪；
[0031]真伪识别模块，用于将待识别卷烟的扫描图像输入至训练好的卷烟真伪识别模型中，输出真伪识别结果。
[0032]本专利技术具有以下效果：
[0033]本专利技术的基于深度学习的卷烟真伪识别方法，通过滑窗将样本图像划分为多个图像块，再将每个图像块网格化分割为多个子图像块，然后在模型训练过程中，先利用预训练的卷积神经网络提取出细粒度特征，再将提取出的细粒度特征输入至循环神经网络中，利用循环神经网络挖掘出多个子图像块对应的提取特征之间的关联性，从而基于细粒度特征和特征之间的关联性联合决策每个图像块的真伪，大大提高了每个图像块的真伪识别准确度，保证训练出的模型具有很高的识别准确度，从而可以快速、准确地识别出卷烟的真伪。
[0034]另外，本专利技术的基于深度学习的卷烟真伪识别系统同样具有上述优点。
[0035]除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。下面将参照图，对本专利技术作进一步详细的说明。
附图说明
[0036]构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的卷烟真伪识别方法，其特征在于，包括以下内容：步骤S1：收集正样本数据和负样本数据并进行贴标签处理，其中，正样本数据包括真烟的扫描图像，负样本数据包括假烟的扫描图像；步骤S2：利用滑窗将每张扫描图像划分为多个图像块，并对每个图像块进行网格化分割得到多个子图像块，从而构建得到子图像块数据集；步骤S3：构建卷烟真伪识别模型，其中，所述卷烟真伪识别模型包括用于提取特征的预训练的卷积神经网络和用于基于提取的特征进行真伪识别的循环神经网络；步骤S4：利用子图像块数据集对卷烟真伪识别模型进行训练，直至模型收敛，在训练过程中，先利用预训练的卷积神经网络从每个图像块对应的多个子图像块中提取出特征集合，再将提取出的特征集合输入至循环神经网络，循环神经网络基于多个子图像块的提取特征之间的关联性识别该图像块的真伪；步骤S5：将待识别卷烟的扫描图像输入至训练好的卷烟真伪识别模型中，输出卷烟真伪识别结果。2.如权利要求1所述的基于深度学习的卷烟真伪识别方法，其特征在于，所述步骤S1包括以下内容：步骤S11：通过扫描仪设备扫描真烟和假烟的正反两面图像，其中，卷烟的外形为条烟或盒烟；步骤S12：采用Canny边缘算子计算出条烟或盒烟的主体轮廓信息，得到条烟或盒烟的主体区域图像，以消除扫描仪背景图像。3.如权利要求1所述的基于深度学习的卷烟真伪识别方法，其特征在于，所述步骤S2包括以下内容：步骤S21：填充扫描图像的边界至滑窗窗口大小的整数倍，以特定步长和预设重叠率从左至右、从上至下对填充后的扫描图像进行滑窗切割，得到多个图像块；步骤S22：对每个图像块进行网格化分割，以将每个图像块均匀分割成多个子图像块，并按照从左至右、从上至下的顺序构建每个图像块对应的子图数据集，所有样本数据对应的若干个子图数据集则构成子图像块数据集。4.如权利要求3所述的基于深度学习的卷烟真伪识别方法，其特征在于，所述步骤S2在步骤S21和步骤S22之间还包括以下内容：步骤S211：去除无特征图像块和低特征图像块。5.如权利要求4所述的基于深度学习的卷烟真伪识别方法，其特征在于，所述步骤S211包括：将所有图像块转换为灰度图，计算每个图像块中的总像素量，当某...

【专利技术属性】
技术研发人员：李晓辉，肖国荣，任壮宗，禹舰，徐羽鹏，周明珠，杨进，
申请(专利权)人：国家烟草质量监督检验中心，
类型：发明
国别省市：