[發明專利]基于殘差卷積神經網絡的卷煙真假識別方法、裝置和設備

在審

• 申請號: 202011377312.6
• 申請日: 2020-11-30
• 公開（公告）號: CN112508072A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 李海燕;李淳;馬慧宇;肖燕;李鄲;蔡潔云;孫浩巍;張軻
• 申請（專利權）人: 云南省煙草質量監督檢測站
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/36;G06N3/04;G06N3/08
• 代理公司: 北京知呱呱知識產權代理有限公司 11577
• 代理人: 康震

本發明實施例公開了基于殘差卷積神經網絡的卷煙真假識別方法、裝置和設備，該方法包括：獲取包括真煙樣品圖片和假煙樣品圖片的特征區域放大圖片集；對圖片集中圖片的指定位置進行裁剪得到N個特征圖片；對N個特征圖片進行預處理得到M個圖片；對M個圖片進行標準化處理和圖像縮放后作為訓練集，使用ResNet34殘差卷積神經網絡進行訓練，并采用交叉熵損失函數進行真假二分類，以準確率作為訓練模型的測量指標得到卷煙真假識別模型；根據卷煙真假識別模型進行卷煙真假識別。本發明采用無損檢測的方式識別卷煙真假，并采用細節放大特征采集，機器識別難度低，采用殘差卷積神經網絡識別能達到較高的準確率。

技術領域

本發明實施例涉及卷煙真假識別領域，具體涉及基于殘差卷積神經網絡的卷煙真假識別方法、裝置和設備。

背景技術

目前，卷煙真假識別主要通過人眼識別方式。近年來由于假煙包裝紙的仿真程度越來越高，為解決人工鑒別真假卷煙的主觀性等問題，相關技術采用掃描儀對真假卷煙整張包裝紙進行全彩模式掃描，對掃描圖像進行圖像增強、圖像濾波、圖像二值化、圖像輪廓檢測等圖像預處理、將每張圖像劃分為多個矩形塊，對訓練集進行有監督的支持向量機(support vector machines,SVM)分類模型訓練，并用測試集預測真假。

近年來高仿真假煙與真煙都采用凹印印刷方式，油墨色彩及印刷質量均較為相似。但是卷煙商標為注冊商標，仿冒印刷注冊商標屬于違法行為，因此仿冒印刷廠家多為小印刷廠家，其印刷細節處存在差異。相關技術采用的對真假卷煙整張包裝紙進行全彩模式掃描會忽略了仿真度較高的假煙與真煙包裝紙的細節差異，且全彩模式掃描需要把卷煙拆開展開包裝紙掃描，屬于破壞性檢測。

發明內容

本發明實施例的目的在于提供基于殘差卷積神經網絡的卷煙真假的識別方法、裝置和設備，用以解決現有卷煙真假識別忽略的包裝紙的細節差異、且會破壞卷煙包裝的問題。

為實現上述目的，本發明實施例主要提供如下技術方案：

第一方面，本發明實施例提供了一種基于殘差卷積神經網絡的卷煙真假識別方法，包括：

獲取包括真煙樣品圖片和假煙樣品圖片的特征區域放大圖片集，所述真煙樣品圖片和所述假煙樣品圖片具有表示樣本真假的標簽；

對所述圖片集中圖片的指定位置進行裁剪得到N個特征圖片；

對所述N個特征圖片進行預處理得到M個圖片，M和N均為大于0的整數，且MN；

對M個圖片進行標準化處理和圖像縮放后作為訓練集，使用ResNet34殘差神經網絡進行訓練，并采用交叉熵損失函數進行真假二分類，以準確率作為訓練模型的測量指標得到卷煙真假識別模型；

根據所述卷煙真假識別模型進行卷煙真假識別。

根據本發明的一個實施例，所述預處理包括圖像銳化、圖像水平調整、圖像垂直調整、圖像旋轉調整、圖像鏡像處理、圖像轉置處理、亮度變換、色調變換和噪聲擾動中的至少一種。

根據本發明的一個實施例，所述交叉熵損失函數為：

其中，H(p,q)表示交叉熵，x_i表示第i個標簽，i取1時標簽為真；i取2時標簽為假，p(x_i)表示真實概率，q(x_i)表示預測概率。

根據本發明的一個實施例，還包括：

選擇Dropout對ResNet34殘差神經網絡進行泛化處理；

通過遷移學習方式對所述卷煙真假識別模型進行微調；

使用VGG16_bn作為預測模型。

第二方面，本發明實施例還提供一種基于殘差卷積神經網絡的卷煙真假識別裝置，包括：