CN114746864B 用于验证产品的真伪的方法和设备 （罗伯特·博世有限公司）

2022.05.26PCT/CN2019/1214462019.11.28WO2021/102770ZH2021.06.03本发明涉及用于验证产品真伪的方法和设以及基于所提取的微点特征和图像特征来验证提供的方法和设备可以改善验证产品真伪的准2从被验证产品的产品标识的图像中提取所述产品标识上的使用机器学习算法从所述图像中提取所述产品标识的至少一部分的图像特征，其中，印制特征指印制的产品标识在印刷过程中所产生独一无二的、且可以反映在图像中的特基于所提取的所述微点特征和所述图像特征来验证所述被验证产品的产品标识的真使用经机器学习算法训练的分类器来验证被验证产品的产品通过采用多个真品标识图像作为正样本、以及采用多个伪品标识图像使用训练后的卷积神经网络从所述图像中提取所述图像特基于所述印制特征，使用被训练后的所述第一分类器来输出所基于所述印制特征，使用被训练后的所述第一分类器来输出所将所提取的微点特征与在制作防伪产品期间或之后预先保存的所述产品标识的微点基于比较结果和所述第一分类器输出的所述产品标识的真伪概率3微点特征提取模块，用于从被验证产品的产品标识的图像中提取所述验证模块，用于基于所提取的所述微点特征和所述图像特征来验使用经机器学习算法训练的分类器来验证被验证产品的产品耦合到所述存储器的处理器，所述指令在由所述处理器执行时行时使得所述计算机执行根据权利要求1至10中任一项4[0003]数字防伪技术利用条形码或二维码来给产品一个唯一的身份识别(ID)用于防伪述微点特征和所述图像特征来验证所述被验证产品的产5可执行指令在由计算机执行时使得所述计算机执[0015]图3(a)和图3(b)示出采用均匀分布函数作为微点的随机分布函数时的概率密度[0017]图5A至图5C示出在本发明的实施例中用于提取产品标识的图像特征的方法使用[0020]图1示出根据本发明的第一实施例的用于验证产品真伪的方法100的流程图。图1所示的方法100可以由具有计算能力的任何计算设备来实现。该计算设备可以是但不局限上的微点特征(步骤101)；使用机器学习算法从产品标识的图像中提取产品标识的至少一部分的图像特征(步骤102)；以及基于所提取的微点特征和图像特征来验证被验证产品的练分类器的机器学习算法是可对特征向量进行分类的机器学习算法，例如支持向量机(SVM)或提升树(BoostTree)等。卷积神经网络是一类包含卷积计算且具有深度结构的前核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征(如67了微点特征之后仍然满足相应的国家标准和/或仍然满足相应的国家标准和/或国际标准。白色微点在二维码的黑色模块中保持最高的对[0034]微点特征的构成包括最基本的二维坐标(8中，可以利用多个产品标识的正样本和负样本及其从中提取的印刷特征来训练第一分类器。预先训练好的第一分类器可以针对步骤403中所提取的图像特征来分析被验证产品的产品标识(步骤404)，例如可以利用卷积神经网络算法将所提取的图像特征分别与正样本正样本和负样本可以训练卷积神经网络来识别正样本的印制特征、以及负样本的印制特不断的训练后具备快速准确提取被验证产品标识的印制特征特征(步骤407)，其中可利用图像处理技术来读取被验证的产品标识所处区域内随机分布统计每个微点区域的大小(如每个微点包含的像素数目)，或者统计每个区域的平均RGB三所具有的相应微点特征，并将所读取的微点特征与数据库中的微点特征进行比对(步骤9微点的像素距离的统计参数(如均值和方差)作为x3和x4，没有匹配上的微点的惩罚(误匹[0052]图5A至图5C示出在本发明的实施例中用于提取产品标识的图像特征的方法使用Inception模块是对多个卷积层和池化层进行堆叠所得的隐含层构筑。具体而言，一个Inception模块会同时包含多个不同类型的卷积和池化操作，并使用相同填充使上述操作