CN115222000B
有效
一种防伪图签制作方法、智能鉴别系统与鉴别方法
技术领域
[0001]本发明涉及防伪技术、人工智能、信息处理技术、工业互联网领域，具体涉及一种防伪图签制作方法、智能鉴别系统与鉴别方法。
背景技术
[0002]近年来在医药、食品、金融等领域对现有电码防伪(也称数码防伪)本身的安全性和防伪有效性的提高有着迫切的需求。当前电码防伪常见的漏洞包括：1、简单电码的“一码多印”，如常规二维码由于其算法开源，只要通过非法手段获得编码信息，就可以大批量生成可编解码二维码；2、通过抄码、回收旧码进行解码再编码的复制造假；3、通过非法手段盗取防伪数据库大量防伪数据信息(如数码、颜色、图形)进行印刷伪造。而当前的防伪系统大多都只是对电码解码后校验编码信息，各类组合式的防伪技术也只是主观刻意提高仿制难度。因此，基于以上所述防伪漏洞，一旦不法分子获得电码编码或防伪数据信息后，就可以通过任意印刷公司进行防伪电码喷印，随之带来的则是防伪系统工程的全线崩溃。
[0003]中国发明专利公告CN103358741A提供的一种“晃动喷印防伪方法”，它采用晃动喷头的工艺使得编码和图文发生随机形变，并将变形码以图像媒介存储在计算机防伪网络查询系统数据库作为鉴别参考。但其存在以下缺陷：为了便于用户进行主观自主进行图像对比，其随机变形或随机错位是宏观图像级可观察到的，这导致该工艺生产的电码防伪图像外观不统一不利于产品包装一致性；常规电码防伪电码图像喷印生产的数量级为百万级至千万级，以图像作为备案防伪信息的媒介进行存储将带来巨大的存储和带宽成本；用户自主以肉眼观察形式完成防伪电码图像的对比，不仅增加带宽成本，无形间也带来鉴别难度以及较差的用户体验；一旦防伪信息数据库出现防伪信息泄露，仿造者将获取所有防伪电码图像进而导致整个防伪系统失效。
[0004]中国发明专利公告CN104794629A提供的一种“手机识别编码锯齿方法”，它采用了随机生成个性化锯齿边的编码和图文作为防伪信息，并将锯齿边或图文以图像形式作为备案防伪信息的媒介存储在计算机防伪网络查询系统数据库作为鉴别的参考。但其存在以下缺陷：为了保证终端所拍摄的锯齿边清晰度，对终端镜头的分辨率和拍摄距离均有严格要求，同时要求对锯齿边和图文进行局部拍摄，这对用户的采集终端配置以及采集操作提出了挑战；同样，即使仅存储局部性化锯齿边图像，但局部放大的锯齿边图像或图文图像作为备案防伪信息的媒介，仍然带来无法忽视的存储和带宽成本；防伪信息单一且不安全，个性化锯齿边的编码和图文作为防伪信息，仅是提高了仿制难度，仍然无法避免数据库出现防伪信息泄露而导致的防伪系统失效。
发明内容
[0005]为了克服前述技术问题，本发明提供了一种防伪图签制作方法、智能鉴别系统与方法，可解决现有电码防伪技术安全漏洞而导致的防伪系统失效。
[0006]产品信息编码构造出具备多重防伪信息的防伪图签；所述印刷防伪属性包括但不限于：印刷颜色、印刷网点、印刷精度、墨层厚度、渐变过度、图案疏密、折射光角度等印刷预设参数；所述视觉防伪信息包括但不限于字符图形、几何图形、动植物造型图形等视觉图像；所述产品信息编码包括但不限于条形码、二维码、三维码等。
[0007]所述防伪图签制作方法，采用数码喷印技术组合预设印刷防伪属性、视觉防伪信息、产品信息编码构造出具备多重防伪信息的防伪图签，所述方法包括以下步骤：
[0008]步骤一：采用印刷技术根据印刷防伪属性以印刷工艺包括但不限于：平板印刷、凸版印刷、凹版印刷、数码印刷、全息压花等，用油墨包括但不限于：红外光反射油墨、紫外光反射油墨、磁性油墨、偏振光效果油墨、水性油墨、UV油墨、电子油墨等，印刷或喷印防伪图签信息视觉区域，在预设中心坐标(x,y)位置预留预设宽为W高为H的空白区域R；
[0009]步骤二：采用数码喷印技术或印刷技术将上述视觉防伪信息的预设图像在步骤一预留空白区域R喷印/喷刷视觉防伪信息B；
[0010]步骤三：采用数码喷印技术在步骤一所述预设预设宽为W高为H范围内，以步骤一预设中心坐标(x,y)位置为参考坐标，以-1mm至1mm随机位移偏差，在步骤二所述视觉防伪信息B上喷印所述产品信息编码I，实现合成图形化编码M；
[0011]由生成线采集终端拍摄的备案防伪图签表示为Xa，由移动终端拍摄的低分辨率防伪图签表示为Xl。
[0012]通过采用所述的防伪图签制方法，所述防伪图签能够具备多重防伪信息，以图形化作为防伪信息媒介，包含但不限用于防伪鉴别的印刷颜色、印刷网点、印刷精度等印刷属性防伪信息；以及用于防伪鉴别的所述图形化编码M可编解码的字符型防伪信息、具备唯一性的图形结构防伪信息。通过所提防伪图签制作方法，能够以低成本方式实现了防伪图签的唯一性且包含多重防伪信息，后续所提供的智能鉴别系统与方法无需以图像作为防伪备案信息的存储媒介，可解决现有电码防伪技术安全漏洞而导致的防伪系统失效。
[0013]本发明还提供面向上述防伪图签所设计的智能鉴别系统，包括云端鉴别请求处理模块和边缘备案存储检索模块；云端鉴别请求处理模块用于处理由移动终端发送的包含上述低分辨率防伪图签Xl进行防伪信息鉴定的请求；边缘备案存储检索模块用于处理由生成线采集终端拍摄的备案防伪图签Xa的防伪信息；
[0014]所述云端鉴别请求处理模块包括：
[0015]第一关键点定位组件，用于对低分辨率防伪图签Xl计算图形化编码M在防伪图签中所处坐标信息，并得到低分辨率防伪图签Xl的终端低分辨率图形化编码防伪识别区域Ml和低分辨率印刷防伪信息识别区域Cl；
[0016]盲超分辨率图像生成组件，用于基于终端低分辨率防伪图签Xl的图形化编码防伪识别区域Ml和低分率印刷防伪信息识别区域Cl，生成高分辨率终端图形化编码防伪识别区域Mh和高分辨率终端印刷防伪信息识别区域Ch，
[0017]第一合成图像化编码解码组件，包括一个或多个解码模型，用于将高分辨率终端图形化编码防伪识别区域Mh进行解码计算输出终端字符型编码信息Ih；
[0018]第一印刷属性智能识别组件，用于将高分辨率终端印刷防伪信息识别区域Ch作为输入，输出印刷精度的印刷属性防伪信息；
[0019]第一图形化编码深度特征提取组件，用于将高分辨率终端图形化编码防伪识别区域Mh作为输入，输出终端特征编码信息eh；
[0020]第一度量对比计算组件，用于将备案深度特征编码信息ea或终端特征编码信息eh作为输入，经过度量对比计算输出特征相似度分数D；
[0021]所述边缘备案存储检索模块包括：
[0022]第二关键点定位组件，用于对备案防伪图签Xa计算图形化编码M在防伪图签中所处坐标信息，并得到备案图形化编码防伪识别区域Ma和备案印刷属性防伪信息识别区域Ca；
[0023]第二合成图像化编码解码组件，包括一个或多个解码模型，用于将备案图形化编码防伪识别区域Ma进行解码计算输出备案字符型编码信息Ia；
[0024]第二印刷属性智能识别组件，用于将备案印刷属性防伪信息识别区域Ca作为输入，输出印刷精度的防伪信息；
[0025]第二图形化编码深度特征提取组件，用于将将备案图形化编码防伪识别区域Ma作为输入，输出备案深度特征编码信息ea；
[0026]防伪信息存储检索组件，用于存储防伪印刷属性信息、防伪编码信息、图形化编码M深度特征编码信息。
[0027]第一关键点定位组件和第二关键点定位组件均是基于深度卷积神经网络构建的关键点定位模型Fkp，所述关键点定位模型Fkp用于对备案防伪图签Xa或终端低分辨率防伪图签Xl计算上述图形化编码M在防伪图签中所处坐标信息，计算定义如下：
[0028][xtop，ytop，xbottom，ybottom]＝Fkp(X)；
[0029]其中，X可表示备案防伪图签Xa或终端低分辨率防伪图签Xi，[xtop，ytop，xbottom，ybottom]可分别表示为备案防伪图签Xa或Xl中图形化编码M所在矩形区域的左上顶部坐标和右下底部坐标，基于上述坐标信息作为输入，通过图像裁剪技术输出备案防伪图签Xa或终端低分辨率防伪图签Xl中的备案图形化编码防伪识别区域Ma或终端低分辨率图形化编码防伪识别区域Ml；
[0030]将上述坐标信息作为输入，通过计算输出印刷防伪属性信息防伪信息识别区域坐标，计算公式如下：
[0031]
[0032]
[0033]
[0034]
[0035]其中
分别表示印刷防伪属性信息防伪信息识别区域的左上顶部坐标和右下底部坐标，基于上述坐标信息作为输入，通过图像裁剪技术输出备案印刷属性防伪信息识别区域Ca或终端低分辨率印刷防伪信息识别区域Cl，α、β、γ为缩放参数用于调整印刷防伪信息识别区域的面积。
[0036]进一步地，盲超分辨率图像生成组件，是基于深度卷积神经网络所构建的盲超分辨率图像生成模型Gsr，用于对终端低分辨率防伪图签Xl的低分辨率图形化编码防伪识别区域Ml和低分率印刷防伪信息识别区域Cl作为输入，输出高分辨率终端图形化编码防伪识别区域Mh和高分辨率终端印刷防伪信息识别区域Ch，表达式如下：
[0037]Mh＝Gsr(Ml)，
[0038]Ch＝Gsr(Cl)。
[0039]第一和第二印刷属性智能识别组件，均包括印刷精度识别模型，所述印刷精度识别模型分别用于将备案印刷属性防伪信息识别区域Ca和高分辨率终端印刷防伪信息识别区域Ch作为输入，输出印刷精度防伪信息，所述印刷精度的防伪信息包括喷印墨点所形成的夹角角度和加网线数防伪信息，步骤如下：
[0040]Sl、以备案印刷属性防伪信息识别区域Ca或高分辨率终端印刷防伪信息识别区域Ch作为输入，通过包含但不限于局部极值的分水岭算法实现对Ca或Ch中的因防伪图签制作方法步骤一中，由喷印工艺形成的圆形喷印墨点，进行墨点检测，输出Ca或Ch识别区域内所有墨点的坐标矩阵；
[0041]S2、检索上述坐标矩阵中心位置的墨点坐标(dota，doth)，进一步检索n2-1个与其最近邻的墨点坐标，组合输出一个维度为(n×n×2)的坐标矩阵；
[0042]S3、根据行列索引位，以步骤S2输出坐标矩阵中的第一列第一行墨点坐标(ax，ay)、第一列第n行墨点坐标(bx，by)以及第n列第n行墨点坐标(cx，cy)，计算三个圆形喷印墨点所形成的夹角角度∠，计算过程如下：
[0043]基于墨点坐标(ax，ay)和墨点坐标(cx，cy)，计算两点的斜率K1，计算公式如下：
[0044]K1＝(cy-ay)/(cx-ax)；
[0045]基于墨点坐标(bx，by)和墨点坐标(cx，cy)，计算两点的斜率K2，计算公式如下：
[0046]K2＝(cy-by)/(cx-bx)；
[0047]基于斜率K1和K2计算墨点夹角正切值θ，计算公式如下：
[0048]θ＝(K2-K1)/(1+K2*K1)；
[0049]基于墨点夹角正切值tanθ计算墨点夹角度数∠，计算公式如下：
[0050]∠＝atan(θ)*180.0/3.14
[0051]其中，atan(·)表示反正切计算；
[0052]S4、根据上述墨点坐标(ax，ay)和墨点坐标(bx，by)，计算加网线数防伪信息v，计算公式如下：
[0053]v＝|by-ay|。
[0054]第一图形化编码深度特征提取组件和第二图形化编码深度特征提取组件均包括由深度神经卷积网络构建的特征提取网络F和特征编码器E，所述特征提取网络F用于将备案图形化编码防伪识别区域Ma或高分辨率终端图形化编码防伪识别区域Mh作为输入，经过网络前向传播计算输出深度特征信息fa或fh，深度特征信息fa或fh作为输入经上述特征编码器E输出备案深度特征编码信息ea或终端特征编码信息eh。
[0055]上述的特征提取网络F和特征编码器E，是基于联合全局相似性学习和局部相似性学习的训练方法得到；所述全局相似性学习，以备案深度特征编码信息ea和终端特征编码信息eh作为输入，通过全局对比损失函数Lgobal输出全局损失值，全局损失函数如下：
[0056]
[0057]其中，ea表示备案深度特征编码信息，evh表示来自终端的正样本，即用于提取eph的终端防伪图签Xl与用于提取ea的备案防伪图签Xa是同一张防伪图签；enh表示来自终端的负样本(防止防伪图签)，与用于提取ea的备案防伪图签Xa不是同一张防伪图签；Y为正负样本对标签，Y＝1时为正样本对，Y＝0时为负样本对；m为超参，用于控制负样本对的
平方L2损失值大于所设定m值；
[0058]所述局部相似性学习，以备案深度特征编码信息ea或终端特征编码信息eh作为输入，通过KL散度(Kullback-Leibler divergence)计算输出特特征编码的结构相关性向量表示，计算公式如下：
[0059]
[0060]其中，
表示备案深度特征编码信息ea或终端特征编码信息eh中的任一位置i处的特征编码，
表示与位置i相临近的j处的特征编码；所输出S∈RH×W×N(N表示近邻特征编码的个数)，是由每个特征编码的N个成对近邻特征编码所拼接而成的结构相关性向量表示，即特征编码结构性向量。进一步，将上述特征编码结构性向量作为输入，通过局部相似性对比损失输出局部损失值，局部相似性对比损失函数定义Llocal如下：
[0061]
[0062]其中，Sp和Sn分别表示上述正样本和负样本的特征编码结构性向量，Sa表示上述备案样本的特征编码结构性向量。
[0063]第一度量对比计算组件，用于将备案深度特征编码信息ea或终端特征编码信息eh作为输入，经过度量对比计算输出特征相似度得分D，计算公式如下：
[0064]D＝||ea-eh||2
[0065]采用边缘备案存储检索模块对备案防伪图签Xa进行多重防伪信息备案存储方法，包括以下步骤：
[0066]A1、采集上述备案防伪图签Xa；
[0067]A2、将备案防伪图签Xa输入关键点定位组件，经关键点定位模型Fkp输出图形化编码防伪识别区域Ma和备案印刷属性防伪信息识别区域Ca；
[0068]A3、将上述图形化编码防伪识别区域Ma输入合成图像化编码解码组件输出备案防伪字符型编码信息Ia；
[0069]A4、将上述备案印刷属性防伪信息识别区域Ca输入印刷属性智能识别组件输出备案防伪印刷精度信息∠a和va；
[0070]A5、将上述图形化编码防伪识别区域Ma输入图形化编码深度特征提取组件输出备案防伪深度特征编码信息ea；
[0071]A6、将上述备案防伪字符型编码信息Ia、备案防伪印刷精度信息∠a、va、备案防伪深度特征编码信息ea以数据表形式存储在边缘储存数据库中。
[0072]所提供的防伪信息备案存储方法，不是将生产印刷的防伪图签Xa以图像作为媒介进行备案防伪信息的存储，而是将防伪图签Xa作为输入通过图形化编码深度特征提取组件所提取的备案防伪深度特征编码信息ea进行存储；即使备案防伪信息数据库出现数据泄露安全问题，造假者也无法通过所述备案深度特征编码信息进行防伪图签仿制；同时备案防伪深度特征编码信息ea以较低的低存储空间代价实现防伪信息备案存储。
[0073]将云端鉴别请求处理模块用于对由移动终端发送的包含低分辨率终端防伪图签Xl进行鉴别请求处理的云边协同智能鉴定方法，包括以下步骤：
[0074]J1、移动终端发送包含上述低分辨率防伪图签Xl的智能鉴别请求包至云端鉴别请求处理模块；
[0075]J2、将低分辨率防伪图签Xl输入关键点定位组件，经关键点定位模型Fkp输出低分辨率终端图形化编码防伪识别区域Ml和低分辨率终端印刷防伪信息识别区域Cl；
[0076]J3、将上述图低分辨率终端图形化编码防伪识别区域Ml和低分辨率终端印刷防伪信息识别区域Cl输入盲超分辨率图像生成组件，经盲超分辨率图像生成模型Gsr输出待鉴别高分辨率终端图形化编码防伪识别区域Mh和待鉴别高分辨率终端印刷防伪信息识别区域Ch；
[0077]J4、将上述高分辨率终端图形化编码防伪识别区域Mh输入合成图像化编码解码组件输出待鉴别终端字符型编码信息Ih；
[0078]J5、将上述待鉴别终端字符型编码信息Ih输入边缘储存数据库中有无相同编码信息的备案防伪字符型编码信息Ia，若检索无上述终端字符型编码信息Ih向移动终端返回鉴别失败信号；若查询存在该上述字符型编码信息Ih，向云端鉴别请求处理模块返回编码验证通过信号，以及字符型编码信息Ih所关联备案防伪图签印刷精度信息∠a、va和备案防伪深度特征编码信息ea，并继续后续防伪鉴别计算；
[0079]J6、若步骤J5终端防伪字符型编码信息鉴别通过，将上述待鉴别高分辨率终端印刷防伪信息识别区域Ch输入至印刷属性智能识别组件输出印刷精度信息∠h和vh，将∠h和vh与步骤J5所返回的备案防伪印刷精度防伪信息∠a和va进行数值对比，若误差大于阈值范围向移动终端返回鉴别失败信号；若误差小于阈值范围判定防伪印刷防伪属性信息校验通过返回防伪印刷防伪属性信息校验通过信号，并继续后续防伪鉴别计算；
[0080]J7、若步骤J6终端防伪印刷防伪属性信息鉴别通过，将上述待鉴别高分辨率终端图形化编码防伪识别区域Mh输入图形化编码深度特征提取组件输出待鉴别深度特征编码信息eh，将eh和步骤J5所返回的备案防伪深度特征编码信息ea输入至第一度量对比计算组件，若特征相似度得分D大于阈值范围向移动终端返回鉴别失败信号；若特征相似度得分D小于阈值范围，判定防伪鉴别通过并向移动终端返回防伪图签鉴定通过信号。
[0081]所提供的云边协同智能鉴定方法，能够以较低的网络带宽代价实现对具备多重防伪信息的防伪伪图签的智能鉴定；用户只需使用终端拍摄并发出防伪图签鉴别请求，鉴定过程由智能鉴别系统自动完成；终端防伪鉴别页面可实时显示编码信息、印刷防伪属性信息、图签鉴定防伪的智能鉴别状态。
附图说明
[0082]图1为本发明实施例提供的防伪图签制作方法流程示意图。
[0083]图2为采用本发明的一个具备多重防伪信息的防伪图签示意图。
[0084]图3为采用本发明防伪图签制作工艺喷印两次局部差异示意图。
[0085]图4为本发明实施例公开的一种智能鉴别系统示意图。
[0086]图5为本发明实施例公开的图形化编码深度特征提取网络训练示意图。
具体实施方式
[0087]在下面的描述中结合具体图示阐述了技术方案以便充分理解本发明申请。但是本发申请能够以很多不同于在此描述的的其他方法来实施，本领域普通技术人员在没有作出创造性劳动前提下所做类似推广实施例，都属于本发明保护的范围。
[0088]在本说明书中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0089]应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语，这些术语仅用与区别类似的对象，不必用于本说明书一个或多个实施例所描述特征的先后顺序或次序。此外，术语“具备”、“包含”以此相似表达，意图在于说明覆盖不排它的一个范围，例如，包含了一系列的步骤或者模块的过程、方法、系统、产品或设备不必限于详细列出的内容，而是可包括没有列出的对于这些步骤或模块所涉及的固有内容。
[0090]首先，对本发明一个或多个实施例设计的专业术语进行说明。
[0091]防伪图签：与传统的防伪电码不同，所设计防伪图签以图形化作为防伪信息媒介，具备印刷防伪属性、视觉防伪信息、产品信息编码多重防伪信息。
[0092]深度特征编码信息：是指基于深度网络构建的模型对所输入图形提取的特征编码信息表示，通常为具有一定维度的向量，可以字符串形式在常规数据中存储。
[0093]云边协同：是一种“在靠近数据源头处就近提供边缘智能服务，并与云端服务器相互配合”的工业互联网工作模式。
[0094]实施例1：
[0095]在本实施例中，提出了一种防伪图签制作方法，采用数码喷印技术组合预设印刷防伪属性信息、视觉防伪信息、产品信息编码构造出具备多重防伪信息的防伪图签。其中，所述印刷防伪属性信息包括但不限于：印刷精度、加网线数、印刷颜色、印刷网点、墨层厚度、渐变过度、图案疏密、折射光角度等印刷预设参数；所述视觉防伪信息包括但不限于字符图形、几何图形、动植物造型图形等视觉图像；所述产品信息编码包括但不限于条形码、二维码、三维码等。
[0096]其中，所述印刷防伪属性的印刷工艺包括：平板印刷、凸版印刷、凹版印刷、数码印刷、全息压花等，用油墨包括但不限于：红外光反射油墨、紫外光反射油墨、磁性油墨、偏振光效果油墨、水性油墨、UV油墨、电子油墨等。
[0097]请参阅图1，本实施例所提供的一种防伪图签制作方法，包括以下步骤：
[0098]步骤101：采用数码喷印技术或印刷技术根据印刷防伪属性信息(印刷精度、加网线数)以喷印/喷刷工艺喷印/喷刷预设的印刷参数，生成防伪图签信息视觉区域，在预设中心坐标(x,y)位置预留预设宽为W高为H的空白区域R；
[0099]步骤102：采用数码喷印技术或印刷技术将预设的视觉防伪信息图像在步骤101预留的空白区域R喷印/喷刷视觉防伪信息B；
[0100]步骤103：采用数码喷印技术在步骤101所述预设预设宽为W高为H的空白区域R范围内，以步骤101预设中心坐标(x,y)位置为参考坐标，以-1mm至1mm随机位移偏差，在步骤102所述视觉防伪信息B表面喷印产品信息编码I，在步骤101预留的空白区域R合成图形化编码M。
[0101]由生成线采集终端拍摄的备案防伪图签表示为Xa，由移动终端拍摄的低分辨率防伪图签表示为Xl。
[0102]图2为一个具备多重防伪信息的备案防伪图签Xa示意图，其中201为上述预设印刷属性以步骤101喷印生成的印刷防伪属性信息(印刷精度、加网线数)局部图；202为本实施例1中以视觉防伪信息和产品信息编码为防伪信息，并基于前述所提防伪图签制作方法生成的步骤103所述图形化编码M。
[0103]基于所述的防伪图签制作方法，防伪图签具备多重防伪信息，以图形化作为防伪信息媒介，本实施例中，图2所示201包含用于防伪鉴别印刷颜色、印刷精度、印刷网点、加网线数的印刷防伪属性信息防伪信息；图2所示202用于防伪鉴别的所述图形化编码M为可编解码的字符型访问信息、具备唯一性的图形结构防伪信息。
[0104]其中，上述具备唯一性的图形结构防伪信息可以由图3所展示进行理解，在相同的印刷设置条件下；301和302所示，在视觉感知上两次印刷成品是相似的，但是基于上述防伪图签制作方法步骤103的随机位移偏差喷印方法，303和304所示图像结构在细节上存在差异；这样的目的有两个：
[0105]1、造假者无法制作1∶1的仿制防伪图签；
[0106]2、即使造假者仿制出视觉感知上相同的防伪图签，但通过本发明所提智能鉴别系统，能够识别出仿制图签与备案防伪图签在深度特征编码信息级别上的差异。
[0107]实施例2
[0108]本实施例提供，面向实施例1所提防伪图签所设计的智能鉴别系统如图4所示，包括：
[0109]云端鉴别请求处理模块40，用于处理由移动终端发送的包含低分辨率防伪图签Xl进行防伪信息鉴定的请求；以及
[0110]边缘备案存储检索模块41，用于处理由生成线采集终端拍摄的备案防伪图签Xa的防伪信息。
[0111]上述云端鉴别请求处理模块40包括，第一关键点定位组件401、盲超分辨率图像生成组件402、第一合成图像化编码解码组件403、第一印刷属性智能识别组件404、第一图形化编码深度特征提取组件405和第一度量对比计算组件406；
[0112]上述边缘备案存储检索模块41包括，第二关键点定位组件411、第二合成图像化编码解码组件412、第二印刷属性智能识别组件413、第二图形化编码深度特征提取组件414和防伪信息存储检索组件415。
[0113]第一关键点定位组件401和第二关键点定位组件411，均是基于深度卷积神经网络所构建的关键点定位模型Fkp；本实施例中所述关键点定位模型Fkp采用但不限于SSD网络、YOLO网络、Faster-Rcnn网络等作为检测模型，基于所述防伪图签作为训练数据，图形化编码M所在坐标作为标签，经过训练后用于对备案防伪图签Xa或终端低分辨率防伪图签Xi计算图形化编码M在防伪图签中所处坐标信息，计算定义如下：
[0114][xtop，ytop，xbottom，ybottom]＝Fkp(X)
[0115]其中，X表示备案防伪图签Xa或终端低分辨率防伪图签Xl，[xtop，ytop，xbottom，ybottom]分别表示为备案防伪图签Xa或Xl中图形化编码M所在矩形区域的左上顶部坐标和右下底部坐标，基于上述坐标信息可截取输出防伪图签Xa或Xl中的备案图形化编码防伪识别区域Ma或终端低分辨率图形化编码防伪识别区域Ml；
[0116]优选地，将所述坐标信息作为输入，通过计算输出印刷属性防伪信息所在区域，计算公式如下：
[0117]
[0118]
[0119]
[0120]
[0121]其中
用于获取备案防伪图签Xa或低分辨率防伪图签Xl中备案印刷属性防伪信息识别区域Ca或终端低分辨率印刷防伪信息识别区域Cl，α、β、γ为缩放参数，用于控制印刷防伪信息识别区域的长宽。
[0122]盲超分辨率图像生成组件402，是基于深度卷积神经网络所构建的盲超分辨率图像生成模型Gsr；本实施例中采用但不限于RealSR网络、EDSR网络以及ESRGAN网络等实现，以备案防伪图签Xa作为训练数据，经过训练后用于基于终端低分辨率防伪图签Xl的低分辨率图形化编码防伪识别区域Ml和低分率印刷防伪信息识别区域Cl，生成高分辨率终端图形化编码防伪识别区域Mh和高分辨率终端印刷防伪信息识别区域Ch，表达式如下：
[0123]Mh＝Gsr(Ml)，
[0124]Ch＝Gsr(Cl)。
[0125]第一合成图像化编码解码组件403和第二合成图像化编码解码组件412，均分别包括一个或多个解码模型，本实施例采用但不限于：Quirc、ZXing、BoofCV等解码库作为解码模型，用于将备案图形化编码防伪识别区域Ma和高分辨率终端图形化编码防伪识别区域Mh进行解码计算输出备案字符型编码信息Ia或终端字符型编码信息Ih。
[0126]本实施例中，第一印刷属性智能识别组件404和第二印刷属性智能识别组件413，均包括印刷精度识别模型，所述印刷精度识别模型分别用于识别备案印刷属性防伪信息识别区域Ca和高分辨率终端印刷防伪信息识别区域Ch中印刷精度的识别计算，本实施例中的印刷精度包括喷印墨点所形成的夹角角度和加网线数防伪信息v，步骤如下：
[0127]S1、以备案印刷属性防伪信息识别区域Ca或高分辨率终端印刷防伪信息识别区域Ch作为输入，通过包括但不限局部极值的分水岭算法、微分检测器等方法实现对Ca或Ch中的因防伪图签制作方法步骤101中，由喷印工艺形成的圆形喷印墨点，进行墨点检测，输出在Ca或Ch中识别区域中所有墨点的坐标矩阵；
[0128]S2、检索上述坐标矩阵中心位置的墨点坐标(dota，doth)，进一步检索n2-1个与墨点坐标(dota，doth)最近邻的墨点坐标，其中n表示用于印刷精度识别所选择墨点的数量，组合输出一个维度为(n×n×2)的墨点坐标矩阵；本实施例中，设定n＝5，组合输出一个维度为(25×25×2)的坐标矩阵；
[0129]S3、根据行列索引位，选取步骤S2输出坐标矩阵中的第一列第一行墨点坐标(ax，ay)、第一列第r行墨点坐标(bx，by)以及第r列第r行的墨点坐标(cx，cy)，其中r表示墨点坐标矩阵中不等于1的行数，本实施例中的r＝5，计算三个圆形喷印墨点所形成的夹角角度∠，计算过程如下：
[0130]基于墨点坐标(ax，ay)和墨点坐标(cx，cy)，计算两点的斜率K1，计算公式如下：
[0131]K1＝(cy-ay)/(cx-ax)；
[0132]基于墨点坐标(bx，by)和墨点坐标(cx，cy)，计算两点的斜率K2，计算公式如下：
[0133]K2＝(cy-by)/(cx-bx)；
[0134]基于斜率K1和K2计算墨点夹角正切值θ，计算公式如下：
[0135]θ＝(K2-K1)/(1+K2*K1)；
[0136]基于墨点夹角正切值tanθ计算墨点夹角度数∠，计算公式如下：
[0137]∠＝atan(θ)*180.0/3.14
[0138]其中，atan(·)表示反正切计算；
[0139]S4、根据上述墨点坐标(ax，ay)和墨点坐标(bx，by)，计算加网线数防伪信息v，计算公式如下：
[0140]v＝|by-ay|。
[0141]第一图形化编码深度特征提取组件405和第二图形化编码深度特征提取组件414，包括由深度神经卷积网络构建的特征提取网络F和特征编码器E，本实施例中，特征提取网络F用于将备案图形化编码防伪识别区域Ma或高分辨率终端图形化编码防伪识别区域Mh作为输入，经过网络前向传播计算输出深度特征信息fa或fh，深度特征信息fa或fh作为输入经特征编码器E输出备案深度特征编码信息ea或终端特征编码信息eh。
[0142]如图5所示，本实施例中的特征提取网络F采用包括但不限于vgg19网络、resnet19网络等实现，特征编码器E由一个全卷积网络Conv(1×1)实现，模型参数基于联合全局相似性学习和局部相似性学习的训练方法得到；所述全局相似性学习，以备案深度特征编码信息ea和终端特征编码信息eh作为输入，通过全局对比损失函数Lgobal输出全局损失值，全局损失函数如下：
[0143]
[0144]其中，ea表示备案深度特征编码信息，eph表示来自终端的正样本，即用于提取eph的终端防伪图签Xl与用于提取ea的备案防伪图签Xa是同一张防伪图签；enh表示来自终端的负样本(防止防伪图签)，与用于提取ea的备案防伪图签Xa不是同一张防伪图签；Y为正负样本对标签，Y＝1时为正样本对，Y＝0时为负样本对；m为超参，用于控制负样本对的
平方L2损失值大于所设定m值；
[0145]所述局部相似性学习，以备案深度特征编码信息ea或终端特征编码信息eh作为输入，本实施例采用包括但不限于通过KL散度(Kullback-Leibler divergence)、余弦距离、欧氏距离等计算输出特特征编码的结构相关性向量表示，计算公式如下：
[0146]
[0147]其中，
表示备案深度特征编码信息ea或终端特征编码信息eh中的任一位置i处的特征编码，
表示与位置i相临近的j处的特征编码；所输出S∈RH×W×N，N表示近邻特征编码的个数，是由每个特征编码的N个成对近邻特征编码所拼接而成的结构相关性向量表示，即特征编码结构性向量。进一步，将上述特征编码结构性向量作为输入，通过局部相似性对比损失输出局部损失值，局部相似性对比损失函数定义Llocal如下：
[0148]
[0149]其中，Sp和Sn分别表示上述正样本和负样本的特征编码结构性向量，Sa表示上述备案样本的特征编码结构性向量。
[0150]第一度量对比计算组件406，用于将备案深度特征编码信息ea或终端特征编码信息eh作为输入，经过度量对比计算输出特征相似度分数D，计算公式如下：
[0151]D＝||ea-eh||2。
[0152]防伪信息存储检索组件415，用于存储实施例1中所述防伪印刷属性信息、防伪编码信息、图形化编码M深度特征编码信息，本实施例采用但不限于mysql数据库作为边缘储存数据库。
[0153]实施例3：
[0154]基于实施例2所述边缘备案存储检索模块41，本实施例提供了对备案防伪图签Xa进行防伪信息备案存储的方法，包括以下步骤：
[0155]A1、采集上述备案防伪图签Xa；
[0156]A2、将备案防伪图签Xa输入实施例2第二关键点定位组件411，经关键点定位模型Fkp输出图形化编码防伪识别区域Ma和备案印刷属性防伪信息识别区域Ca；
[0157]A3、将上述图形化编码防伪识别区域Ma输入实施例2的第二合成图像化编码解码组件412输出备案防伪字符型编码信息Ia；
[0158]A4、将上述备案印刷属性防伪信息识别区域Ca输入实施例2的第二印刷属性智能识别组件413输出备案防伪印刷精度信息∠a和va；
[0159]A5、将上述图形化编码防伪识别区域Ma输入实施例2的第二图形化编码深度特征提取组件414输出备案防伪深度特征编码信息ea；
[0160]A6、将上述备案防伪字符型编码信息Ia、备案防伪印刷精度信息∠a、va、备案防伪深度特征编码信息ea以数据表形式存储在防伪信息存储检索组件415。
[0161]本实施例所设计的防伪信息备案存储方法，不是将生产印刷的防伪图签Xa以图像作为媒介进行备案防伪信息的存储，而是将防伪图签Xa作为输入通过图形化编码深度特征提取组件所提取的备案防伪深度特征编码信息ea进行存储；即使备案防伪信息数据库出现数据泄露安全问题，造假者也无法通过所述备案深度特征编码信息进行防伪图签仿制；同时备案防伪深度特征编码信息ea能够以较低的低存储空间代价实现防伪信息备案存储。
[0162]实施例4：
[0163]基于实施例2所述云端鉴别请求处理模块40，本实施例提供了用于对由移动终端发送的包含低分辨率终端防伪图签Xl进行鉴别请求处理的云边协同智能鉴定方法，包括以下步骤：
[0164]J1、移动终端发送包含上述低分辨率防伪图签Xl的智能鉴别请求包至云端鉴别请求处理模块；
[0165]J2、将低分辨率防伪图签Xi输入第一关键点定位组件401，经关键点定位模型Fkp输出低分辨率终端图形化编码防伪识别区域Ml和低分辨率终端印刷防伪信息识别区域Cl；
[0166]J3、将上述图低分辨率终端图形化编码防伪识别区域Ml和低分辨率终端印刷防伪信息识别区域Cl输入盲超分辨率图像生成组件402，经盲超分辨率图像生成模型Gsr输出待鉴别高分辨率终端图形化编码防伪识别区域Mh和待鉴别高分辨率终端印刷防伪信息识别区域Ch；
[0167]J4、将上述高分辨率终端图形化编码防伪识别区域Mh输入第一合成图像化编码解码组件403输出待鉴别终端字符型编码信息Ih；
[0168]J5、将上述待鉴别终端字符型编码信息Ih输入边缘储存数据库中检索有无相同编码信息的备案防伪字符型编码信息Ia，若检索无上述终端字符型编码信息Ih，向移动终端返回鉴别失败信号；若检索存在该上述字符型编码信息Ih，向云端鉴别请求处理模块返回编码验证通过信号，以及字符型编码信息Ih所关联备案防伪图签印刷精度信息∠a、va和备案防伪深度特征编码信息ea，并继续后续防伪鉴别计算；
[0169]J6、若步骤J5终端防伪字符型编码信息鉴别通过，将上述待鉴别高分辨率终端印刷防伪信息识别区域Ch输入至第一印刷属性智能识别组件404输出印刷精度信息∠h和vh，将∠h和vh与步骤J5所述返回的备案防伪印刷精度印刷防伪信息∠a和va进行数值对比，若误差大于阈值范围向移动终端返回鉴别失败信号；若误差小于阈值范围判定防伪印刷防伪属性信息校验通过返回防伪印刷防伪属性信息校验通过信号，并继续后续防伪鉴别计算；
[0170]J7、若步骤J6终端防伪印刷防伪属性信息鉴别通过，将上述待鉴高分辨率终端图形化编码防伪识别区域Mh输入图形化编码深度特征提取组件405，输出深度特征编码信息eh，将eh和步骤J5所返回的备案防伪深度特征编码信息ea输入至第一度量对比计算组件406，输出特征相似度得分D；若特征相似度得分D大于阈值范围则向移动终端返回鉴别失败信号；若特征相似度得分D小于阈值范围，则判定防伪鉴别通过并向移动终端返回防伪图形结构鉴定通过信号。
[0171]本实施例所设计云边协同智能鉴定方法，以较低的网络带宽代价实现对具备多重防伪信息的防伪伪图签的智能鉴定；用户只需使用终端拍摄并发出防伪图签鉴别请求，鉴定过程由智能鉴别系统自动完成；终端防伪鉴别页面可实时显示编码信息、印刷防伪属性信息、图签鉴定防伪的智能鉴别状态。
[0172]以上公开的本申请优选实施例只是用于帮助理解本发明及核心思想。对于本领域的一般技术人员，依据本发明的思想，在具体应用场景和实施操作上均会有改变之处，本说明书不应理解对本发明的限制。本发明仅受权利要求书及其全部范围和等效物的限制。
[0032]
[0033]
[0034]
[0035]其中分别表示印刷防伪属性信息防伪信息识别区域的左上顶部坐标和右下底部坐标，基于上述坐标信息作为输入，通过图像裁剪技术输出备案印刷属性防伪信息识别区域Ca或终端低分辨率印刷防伪信息识别区域Cl，α、β、γ为缩放参数用于调整印刷防伪信息识别区域的面积。
[0036]进一步地，盲超分辨率图像生成组件，是基于深度卷积神经网络所构建的盲超分辨率图像生成模型Gsr，用于对终端低分辨率防伪图签Xl的低分辨率图形化编码防伪识别区域Ml和低分率印刷防伪信息识别区域Cl作为输入，输出高分辨率终端图形化编码防伪识别区域Mh和高分辨率终端印刷防伪信息识别区域Ch，表达式如下：
[0037]Mh＝Gsr(Ml)，
[0038]Ch＝Gsr(Cl)。
[0039]第一和第二印刷属性智能识别组件，均包括印刷精度识别模型，所述印刷精度识别模型分别用于将备案印刷属性防伪信息识别区域Ca和高分辨率终端印刷防伪信息识别区域Ch作为输入，输出印刷精度防伪信息，所述印刷精度的防伪信息包括喷印墨点所形成的夹角角度和加网线数防伪信息，步骤如下：
[0040]Sl、以备案印刷属性防伪信息识别区域Ca或高分辨率终端印刷防伪信息识别区域Ch作为输入，通过包含但不限于局部极值的分水岭算法实现对Ca或Ch中的因防伪图签制作方法步骤一中，由喷印工艺形成的圆形喷印墨点，进行墨点检测，输出Ca或Ch识别区域内所有墨点的坐标矩阵；
[0041]S2、检索上述坐标矩阵中心位置的墨点坐标(dota，doth)，进一步检索n2-1个与其最近邻的墨点坐标，组合输出一个维度为(n×n×2)的坐标矩阵；
[0042]S3、根据行列索引位，以步骤S2输出坐标矩阵中的第一列第一行墨点坐标(ax，ay)、第一列第n行墨点坐标(bx，by)以及第n列第n行墨点坐标(cx，cy)，计算三个圆形喷印墨点所形成的夹角角度∠，计算过程如下：
[0043]基于墨点坐标(ax，ay)和墨点坐标(cx，cy)，计算两点的斜率K1，计算公式如下：
[0044]K1＝(cy-ay)/(cx-ax)；
[0045]基于墨点坐标(bx，by)和墨点坐标(cx，cy)，计算两点的斜率K2，计算公式如下：
[0046]K2＝(cy-by)/(cx-bx)；
[0047]基于斜率K1和K2计算墨点夹角正切值θ，计算公式如下：
[0048]θ＝(K2-K1)/(1+K2*K1)；
[0049]基于墨点夹角正切值tanθ计算墨点夹角度数∠，计算公式如下：
[0050]∠＝atan(θ)*180.0/3.14
[0051]其中，atan(·)表示反正切计算；
[0052]S4、根据上述墨点坐标(ax，ay)和墨点坐标(bx，by)，计算加网线数防伪信息v，计算公式如下：
[0053]v＝|by-ay|。
[0054]第一图形化编码深度特征提取组件和第二图形化编码深度特征提取组件均包括由深度神经卷积网络构建的特征提取网络F和特征编码器E，所述特征提取网络F用于将备案图形化编码防伪识别区域Ma或高分辨率终端图形化编码防伪识别区域Mh作为输入，经过网络前向传播计算输出深度特征信息fa或fh，深度特征信息fa或fh作为输入经上述特征编码器E输出备案深度特征编码信息ea或终端特征编码信息eh。
[0055]上述的特征提取网络F和特征编码器E，是基于联合全局相似性学习和局部相似性学习的训练方法得到；所述全局相似性学习，以备案深度特征编码信息ea和终端特征编码信息eh作为输入，通过全局对比损失函数Lgobal输出全局损失值，全局损失函数如下：
[0056]
[0057]其中，ea表示备案深度特征编码信息，evh表示来自终端的正样本，即用于提取eph的终端防伪图签Xl与用于提取ea的备案防伪图签Xa是同一张防伪图签；enh表示来自终端的负样本(防止防伪图签)，与用于提取ea的备案防伪图签Xa不是同一张防伪图签；Y为正负样本对标签，Y＝1时为正样本对，Y＝0时为负样本对；m为超参，用于控制负样本对的平方L2损失值大于所设定m值；
[0058]所述局部相似性学习，以备案深度特征编码信息ea或终端特征编码信息eh作为输入，通过KL散度(Kullback-Leibler divergence)计算输出特特征编码的结构相关性向量表示，计算公式如下：
[0059]
[0060]其中，表示备案深度特征编码信息ea或终端特征编码信息eh中的任一位置i处的特征编码，表示与位置i相临近的j处的特征编码；所输出S∈RH×W×N(N表示近邻特征编码的个数)，是由每个特征编码的N个成对近邻特征编码所拼接而成的结构相关性向量表示，即特征编码结构性向量。进一步，将上述特征编码结构性向量作为输入，通过局部相似性对比损失输出局部损失值，局部相似性对比损失函数定义Llocal如下：
[0061]
[0062]其中，Sp和Sn分别表示上述正样本和负样本的特征编码结构性向量，Sa表示上述备案样本的特征编码结构性向量。
[0063]第一度量对比计算组件，用于将备案深度特征编码信息ea或终端特征编码信息eh作为输入，经过度量对比计算输出特征相似度得分D，计算公式如下：
[0064]D＝||ea-eh||2
[0065]采用边缘备案存储检索模块对备案防伪图签Xa进行多重防伪信息备案存储方法，包括以下步骤：
[0066]A1、采集上述备案防伪图签Xa；
[0067]A2、将备案防伪图签Xa输入关键点定位组件，经关键点定位模型Fkp输出图形化编码防伪识别区域Ma和备案印刷属性防伪信息识别区域Ca；
[0068]A3、将上述图形化编码防伪识别区域Ma输入合成图像化编码解码组件输出备案防伪字符型编码信息Ia；
[0069]A4、将上述备案印刷属性防伪信息识别区域Ca输入印刷属性智能识别组件输出备案防伪印刷精度信息∠a和va；
[0070]A5、将上述图形化编码防伪识别区域Ma输入图形化编码深度特征提取组件输出备案防伪深度特征编码信息ea；
[0071]A6、将上述备案防伪字符型编码信息Ia、备案防伪印刷精度信息∠a、va、备案防伪深度特征编码信息ea以数据表形式存储在边缘储存数据库中。
[0072]所提供的防伪信息备案存储方法，不是将生产印刷的防伪图签Xa以图像作为媒介进行备案防伪信息的存储，而是将防伪图签Xa作为输入通过图形化编码深度特征提取组件所提取的备案防伪深度特征编码信息ea进行存储；即使备案防伪信息数据库出现数据泄露安全问题，造假者也无法通过所述备案深度特征编码信息进行防伪图签仿制；同时备案防伪深度特征编码信息ea以较低的低存储空间代价实现防伪信息备案存储。
[0073]将云端鉴别请求处理模块用于对由移动终端发送的包含低分辨率终端防伪图签Xl进行鉴别请求处理的云边协同智能鉴定方法，包括以下步骤：
[0074]J1、移动终端发送包含上述低分辨率防伪图签Xl的智能鉴别请求包至云端鉴别请求处理模块；
[0075]J2、将低分辨率防伪图签Xl输入关键点定位组件，经关键点定位模型Fkp输出低分辨率终端图形化编码防伪识别区域Ml和低分辨率终端印刷防伪信息识别区域Cl；
[0076]J3、将上述图低分辨率终端图形化编码防伪识别区域Ml和低分辨率终端印刷防伪信息识别区域Cl输入盲超分辨率图像生成组件，经盲超分辨率图像生成模型Gsr输出待鉴别高分辨率终端图形化编码防伪识别区域Mh和待鉴别高分辨率终端印刷防伪信息识别区域Ch；
[0077]J4、将上述高分辨率终端图形化编码防伪识别区域Mh输入合成图像化编码解码组件输出待鉴别终端字符型编码信息Ih；
[0078]J5、将上述待鉴别终端字符型编码信息Ih输入边缘储存数据库中有无相同编码信息的备案防伪字符型编码信息Ia，若检索无上述终端字符型编码信息Ih向移动终端返回鉴别失败信号；若查询存在该上述字符型编码信息Ih，向云端鉴别请求处理模块返回编码验证通过信号，以及字符型编码信息Ih所关联备案防伪图签印刷精度信息∠a、va和备案防伪深度特征编码信息ea，并继续后续防伪鉴别计算；
[0079]J6、若步骤J5终端防伪字符型编码信息鉴别通过，将上述待鉴别高分辨率终端印刷防伪信息识别区域Ch输入至印刷属性智能识别组件输出印刷精度信息∠h和vh，将∠h和vh与步骤J5所返回的备案防伪印刷精度防伪信息∠a和va进行数值对比，若误差大于阈值范围向移动终端返回鉴别失败信号；若误差小于阈值范围判定防伪印刷防伪属性信息校验通过返回防伪印刷防伪属性信息校验通过信号，并继续后续防伪鉴别计算；
[0080]J7、若步骤J6终端防伪印刷防伪属性信息鉴别通过，将上述待鉴别高分辨率终端图形化编码防伪识别区域Mh输入图形化编码深度特征提取组件输出待鉴别深度特征编码信息eh，将eh和步骤J5所返回的备案防伪深度特征编码信息ea输入至第一度量对比计算组件，若特征相似度得分D大于阈值范围向移动终端返回鉴别失败信号；若特征相似度得分D小于阈值范围，判定防伪鉴别通过并向移动终端返回防伪图签鉴定通过信号。
[0081]所提供的云边协同智能鉴定方法，能够以较低的网络带宽代价实现对具备多重防伪信息的防伪伪图签的智能鉴定；用户只需使用终端拍摄并发出防伪图签鉴别请求，鉴定过程由智能鉴别系统自动完成；终端防伪鉴别页面可实时显示编码信息、印刷防伪属性信息、图签鉴定防伪的智能鉴别状态。
附图说明
[0082]图1为本发明实施例提供的防伪图签制作方法流程示意图。
[0083]图2为采用本发明的一个具备多重防伪信息的防伪图签示意图。
[0084]图3为采用本发明防伪图签制作工艺喷印两次局部差异示意图。
[0085]图4为本发明实施例公开的一种智能鉴别系统示意图。
[0086]图5为本发明实施例公开的图形化编码深度特征提取网络训练示意图。
具体实施方式
[0087]在下面的描述中结合具体图示阐述了技术方案以便充分理解本发明申请。但是本发申请能够以很多不同于在此描述的的其他方法来实施，本领域普通技术人员在没有作出创造性劳动前提下所做类似推广实施例，都属于本发明保护的范围。
[0088]在本说明书中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0089]应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语，这些术语仅用与区别类似的对象，不必用于本说明书一个或多个实施例所描述特征的先后顺序或次序。此外，术语“具备”、“包含”以此相似表达，意图在于说明覆盖不排它的一个范围，例如，包含了一系列的步骤或者模块的过程、方法、系统、产品或设备不必限于详细列出的内容，而是可包括没有列出的对于这些步骤或模块所涉及的固有内容。
[0090]首先，对本发明一个或多个实施例设计的专业术语进行说明。
[0091]防伪图签：与传统的防伪电码不同，所设计防伪图签以图形化作为防伪信息媒介，具备印刷防伪属性、视觉防伪信息、产品信息编码多重防伪信息。
[0092]深度特征编码信息：是指基于深度网络构建的模型对所输入图形提取的特征编码信息表示，通常为具有一定维度的向量，可以字符串形式在常规数据中存储。
[0093]云边协同：是一种“在靠近数据源头处就近提供边缘智能服务，并与云端服务器相互配合”的工业互联网工作模式。
[0094]实施例1：
[0095]在本实施例中，提出了一种防伪图签制作方法，采用数码喷印技术组合预设印刷防伪属性信息、视觉防伪信息、产品信息编码构造出具备多重防伪信息的防伪图签。其中，所述印刷防伪属性信息包括但不限于：印刷精度、加网线数、印刷颜色、印刷网点、墨层厚度、渐变过度、图案疏密、折射光角度等印刷预设参数；所述视觉防伪信息包括但不限于字符图形、几何图形、动植物造型图形等视觉图像；所述产品信息编码包括但不限于条形码、二维码、三维码等。
[0096]其中，所述印刷防伪属性的印刷工艺包括：平板印刷、凸版印刷、凹版印刷、数码印刷、全息压花等，用油墨包括但不限于：红外光反射油墨、紫外光反射油墨、磁性油墨、偏振光效果油墨、水性油墨、UV油墨、电子油墨等。
[0097]请参阅图1，本实施例所提供的一种防伪图签制作方法，包括以下步骤：
[0098]步骤101：采用数码喷印技术或印刷技术根据印刷防伪属性信息(印刷精度、加网线数)以喷印/喷刷工艺喷印/喷刷预设的印刷参数，生成防伪图签信息视觉区域，在预设中心坐标(x,y)位置预留预设宽为W高为H的空白区域R；
[0099]步骤102：采用数码喷印技术或印刷技术将预设的视觉防伪信息图像在步骤101预留的空白区域R喷印/喷刷视觉防伪信息B；
[0100]步骤103：采用数码喷印技术在步骤101所述预设预设宽为W高为H的空白区域R范围内，以步骤101预设中心坐标(x,y)位置为参考坐标，以-1mm至1mm随机位移偏差，在步骤102所述视觉防伪信息B表面喷印产品信息编码I，在步骤101预留的空白区域R合成图形化编码M。
[0101]由生成线采集终端拍摄的备案防伪图签表示为Xa，由移动终端拍摄的低分辨率防伪图签表示为Xl。
[0102]图2为一个具备多重防伪信息的备案防伪图签Xa示意图，其中201为上述预设印刷属性以步骤101喷印生成的印刷防伪属性信息(印刷精度、加网线数)局部图；202为本实施例1中以视觉防伪信息和产品信息编码为防伪信息，并基于前述所提防伪图签制作方法生成的步骤103所述图形化编码M。
[0103]基于所述的防伪图签制作方法，防伪图签具备多重防伪信息，以图形化作为防伪信息媒介，本实施例中，图2所示201包含用于防伪鉴别印刷颜色、印刷精度、印刷网点、加网线数的印刷防伪属性信息防伪信息；图2所示202用于防伪鉴别的所述图形化编码M为可编解码的字符型访问信息、具备唯一性的图形结构防伪信息。
[0104]其中，上述具备唯一性的图形结构防伪信息可以由图3所展示进行理解，在相同的印刷设置条件下；301和302所示，在视觉感知上两次印刷成品是相似的，但是基于上述防伪图签制作方法步骤103的随机位移偏差喷印方法，303和304所示图像结构在细节上存在差异；这样的目的有两个：
[0105]1、造假者无法制作1∶1的仿制防伪图签；
[0106]2、即使造假者仿制出视觉感知上相同的防伪图签，但通过本发明所提智能鉴别系统，能够识别出仿制图签与备案防伪图签在深度特征编码信息级别上的差异。
[0107]实施例2
[0108]本实施例提供，面向实施例1所提防伪图签所设计的智能鉴别系统如图4所示，包括：
[0109]云端鉴别请求处理模块40，用于处理由移动终端发送的包含低分辨率防伪图签Xl进行防伪信息鉴定的请求；以及
[0110]边缘备案存储检索模块41，用于处理由生成线采集终端拍摄的备案防伪图签Xa的防伪信息。
[0111]上述云端鉴别请求处理模块40包括，第一关键点定位组件401、盲超分辨率图像生成组件402、第一合成图像化编码解码组件403、第一印刷属性智能识别组件404、第一图形化编码深度特征提取组件405和第一度量对比计算组件406；
[0112]上述边缘备案存储检索模块41包括，第二关键点定位组件411、第二合成图像化编码解码组件412、第二印刷属性智能识别组件413、第二图形化编码深度特征提取组件414和防伪信息存储检索组件415。
[0113]第一关键点定位组件401和第二关键点定位组件411，均是基于深度卷积神经网络所构建的关键点定位模型Fkp；本实施例中所述关键点定位模型Fkp采用但不限于SSD网络、YOLO网络、Faster-Rcnn网络等作为检测模型，基于所述防伪图签作为训练数据，图形化编码M所在坐标作为标签，经过训练后用于对备案防伪图签Xa或终端低分辨率防伪图签Xi计算图形化编码M在防伪图签中所处坐标信息，计算定义如下：
[0114][xtop，ytop，xbottom，ybottom]＝Fkp(X)
[0115]其中，X表示备案防伪图签Xa或终端低分辨率防伪图签Xl，[xtop，ytop，xbottom，ybottom]分别表示为备案防伪图签Xa或Xl中图形化编码M所在矩形区域的左上顶部坐标和右下底部坐标，基于上述坐标信息可截取输出防伪图签Xa或Xl中的备案图形化编码防伪识别区域Ma或终端低分辨率图形化编码防伪识别区域Ml；
[0116]优选地，将所述坐标信息作为输入，通过计算输出印刷属性防伪信息所在区域，计算公式如下：
[0117]
[0118]
[0119]
[0120]
[0121]其中用于获取备案防伪图签Xa或低分辨率防伪图签Xl中备案印刷属性防伪信息识别区域Ca或终端低分辨率印刷防伪信息识别区域Cl，α、β、γ为缩放参数，用于控制印刷防伪信息识别区域的长宽。
[0122]盲超分辨率图像生成组件402，是基于深度卷积神经网络所构建的盲超分辨率图像生成模型Gsr；本实施例中采用但不限于RealSR网络、EDSR网络以及ESRGAN网络等实现，以备案防伪图签Xa作为训练数据，经过训练后用于基于终端低分辨率防伪图签Xl的低分辨率图形化编码防伪识别区域Ml和低分率印刷防伪信息识别区域Cl，生成高分辨率终端图形化编码防伪识别区域Mh和高分辨率终端印刷防伪信息识别区域Ch，表达式如下：
[0123]Mh＝Gsr(Ml)，
[0124]Ch＝Gsr(Cl)。
[0125]第一合成图像化编码解码组件403和第二合成图像化编码解码组件412，均分别包括一个或多个解码模型，本实施例采用但不限于：Quirc、ZXing、BoofCV等解码库作为解码模型，用于将备案图形化编码防伪识别区域Ma和高分辨率终端图形化编码防伪识别区域Mh进行解码计算输出备案字符型编码信息Ia或终端字符型编码信息Ih。
[0126]本实施例中，第一印刷属性智能识别组件404和第二印刷属性智能识别组件413，均包括印刷精度识别模型，所述印刷精度识别模型分别用于识别备案印刷属性防伪信息识别区域Ca和高分辨率终端印刷防伪信息识别区域Ch中印刷精度的识别计算，本实施例中的印刷精度包括喷印墨点所形成的夹角角度和加网线数防伪信息v，步骤如下：
[0127]S1、以备案印刷属性防伪信息识别区域Ca或高分辨率终端印刷防伪信息识别区域Ch作为输入，通过包括但不限局部极值的分水岭算法、微分检测器等方法实现对Ca或Ch中的因防伪图签制作方法步骤101中，由喷印工艺形成的圆形喷印墨点，进行墨点检测，输出在Ca或Ch中识别区域中所有墨点的坐标矩阵；
[0128]S2、检索上述坐标矩阵中心位置的墨点坐标(dota，doth)，进一步检索n2-1个与墨点坐标(dota，doth)最近邻的墨点坐标，其中n表示用于印刷精度识别所选择墨点的数量，组合输出一个维度为(n×n×2)的墨点坐标矩阵；本实施例中，设定n＝5，组合输出一个维度为(25×25×2)的坐标矩阵；
[0129]S3、根据行列索引位，选取步骤S2输出坐标矩阵中的第一列第一行墨点坐标(ax，ay)、第一列第r行墨点坐标(bx，by)以及第r列第r行的墨点坐标(cx，cy)，其中r表示墨点坐标矩阵中不等于1的行数，本实施例中的r＝5，计算三个圆形喷印墨点所形成的夹角角度∠，计算过程如下：
[0130]基于墨点坐标(ax，ay)和墨点坐标(cx，cy)，计算两点的斜率K1，计算公式如下：
[0131]K1＝(cy-ay)/(cx-ax)；
[0132]基于墨点坐标(bx，by)和墨点坐标(cx，cy)，计算两点的斜率K2，计算公式如下：
[0133]K2＝(cy-by)/(cx-bx)；
[0134]基于斜率K1和K2计算墨点夹角正切值θ，计算公式如下：
[0135]θ＝(K2-K1)/(1+K2*K1)；
[0136]基于墨点夹角正切值tanθ计算墨点夹角度数∠，计算公式如下：
[0137]∠＝atan(θ)*180.0/3.14
[0138]其中，atan(·)表示反正切计算；
[0139]S4、根据上述墨点坐标(ax，ay)和墨点坐标(bx，by)，计算加网线数防伪信息v，计算公式如下：
[0140]v＝|by-ay|。
[0141]第一图形化编码深度特征提取组件405和第二图形化编码深度特征提取组件414，包括由深度神经卷积网络构建的特征提取网络F和特征编码器E，本实施例中，特征提取网络F用于将备案图形化编码防伪识别区域Ma或高分辨率终端图形化编码防伪识别区域Mh作为输入，经过网络前向传播计算输出深度特征信息fa或fh，深度特征信息fa或fh作为输入经特征编码器E输出备案深度特征编码信息ea或终端特征编码信息eh。
[0142]如图5所示，本实施例中的特征提取网络F采用包括但不限于vgg19网络、resnet19网络等实现，特征编码器E由一个全卷积网络Conv(1×1)实现，模型参数基于联合全局相似性学习和局部相似性学习的训练方法得到；所述全局相似性学习，以备案深度特征编码信息ea和终端特征编码信息eh作为输入，通过全局对比损失函数Lgobal输出全局损失值，全局损失函数如下：
[0143]
[0144]其中，ea表示备案深度特征编码信息，eph表示来自终端的正样本，即用于提取eph的终端防伪图签Xl与用于提取ea的备案防伪图签Xa是同一张防伪图签；enh表示来自终端的负样本(防止防伪图签)，与用于提取ea的备案防伪图签Xa不是同一张防伪图签；Y为正负样本对标签，Y＝1时为正样本对，Y＝0时为负样本对；m为超参，用于控制负样本对的平方L2损失值大于所设定m值；
[0145]所述局部相似性学习，以备案深度特征编码信息ea或终端特征编码信息eh作为输入，本实施例采用包括但不限于通过KL散度(Kullback-Leibler divergence)、余弦距离、欧氏距离等计算输出特特征编码的结构相关性向量表示，计算公式如下：
[0146]
[0147]其中，表示备案深度特征编码信息ea或终端特征编码信息eh中的任一位置i处的特征编码，表示与位置i相临近的j处的特征编码；所输出S∈RH×W×N，N表示近邻特征编码的个数，是由每个特征编码的N个成对近邻特征编码所拼接而成的结构相关性向量表示，即特征编码结构性向量。进一步，将上述特征编码结构性向量作为输入，通过局部相似性对比损失输出局部损失值，局部相似性对比损失函数定义Llocal如下：
[0148]
[0149]其中，Sp和Sn分别表示上述正样本和负样本的特征编码结构性向量，Sa表示上述备案样本的特征编码结构性向量。
[0150]第一度量对比计算组件406，用于将备案深度特征编码信息ea或终端特征编码信息eh作为输入，经过度量对比计算输出特征相似度分数D，计算公式如下：
[0151]D＝||ea-eh||2。
[0152]防伪信息存储检索组件415，用于存储实施例1中所述防伪印刷属性信息、防伪编码信息、图形化编码M深度特征编码信息，本实施例采用但不限于mysql数据库作为边缘储存数据库。
[0153]实施例3：
[0154]基于实施例2所述边缘备案存储检索模块41，本实施例提供了对备案防伪图签Xa进行防伪信息备案存储的方法，包括以下步骤：
[0155]A1、采集上述备案防伪图签Xa；
[0156]A2、将备案防伪图签Xa输入实施例2第二关键点定位组件411，经关键点定位模型Fkp输出图形化编码防伪识别区域Ma和备案印刷属性防伪信息识别区域Ca；
[0157]A3、将上述图形化编码防伪识别区域Ma输入实施例2的第二合成图像化编码解码组件412输出备案防伪字符型编码信息Ia；
[0158]A4、将上述备案印刷属性防伪信息识别区域Ca输入实施例2的第二印刷属性智能识别组件413输出备案防伪印刷精度信息∠a和va；
[0159]A5、将上述图形化编码防伪识别区域Ma输入实施例2的第二图形化编码深度特征提取组件414输出备案防伪深度特征编码信息ea；
[0160]A6、将上述备案防伪字符型编码信息Ia、备案防伪印刷精度信息∠a、va、备案防伪深度特征编码信息ea以数据表形式存储在防伪信息存储检索组件415。
[0161]本实施例所设计的防伪信息备案存储方法，不是将生产印刷的防伪图签Xa以图像作为媒介进行备案防伪信息的存储，而是将防伪图签Xa作为输入通过图形化编码深度特征提取组件所提取的备案防伪深度特征编码信息ea进行存储；即使备案防伪信息数据库出现数据泄露安全问题，造假者也无法通过所述备案深度特征编码信息进行防伪图签仿制；同时备案防伪深度特征编码信息ea能够以较低的低存储空间代价实现防伪信息备案存储。
[0162]实施例4：
[0163]基于实施例2所述云端鉴别请求处理模块40，本实施例提供了用于对由移动终端发送的包含低分辨率终端防伪图签Xl进行鉴别请求处理的云边协同智能鉴定方法，包括以下步骤：
[0164]J1、移动终端发送包含上述低分辨率防伪图签Xl的智能鉴别请求包至云端鉴别请求处理模块；
[0165]J2、将低分辨率防伪图签Xi输入第一关键点定位组件401，经关键点定位模型Fkp输出低分辨率终端图形化编码防伪识别区域Ml和低分辨率终端印刷防伪信息识别区域Cl；
[0166]J3、将上述图低分辨率终端图形化编码防伪识别区域Ml和低分辨率终端印刷防伪信息识别区域Cl输入盲超分辨率图像生成组件402，经盲超分辨率图像生成模型Gsr输出待鉴别高分辨率终端图形化编码防伪识别区域Mh和待鉴别高分辨率终端印刷防伪信息识别区域Ch；
[0167]J4、将上述高分辨率终端图形化编码防伪识别区域Mh输入第一合成图像化编码解码组件403输出待鉴别终端字符型编码信息Ih；
[0168]J5、将上述待鉴别终端字符型编码信息Ih输入边缘储存数据库中检索有无相同编码信息的备案防伪字符型编码信息Ia，若检索无上述终端字符型编码信息Ih，向移动终端返回鉴别失败信号；若检索存在该上述字符型编码信息Ih，向云端鉴别请求处理模块返回编码验证通过信号，以及字符型编码信息Ih所关联备案防伪图签印刷精度信息∠a、va和备案防伪深度特征编码信息ea，并继续后续防伪鉴别计算；
[0169]J6、若步骤J5终端防伪字符型编码信息鉴别通过，将上述待鉴别高分辨率终端印刷防伪信息识别区域Ch输入至第一印刷属性智能识别组件404输出印刷精度信息∠h和vh，将∠h和vh与步骤J5所述返回的备案防伪印刷精度印刷防伪信息∠a和va进行数值对比，若误差大于阈值范围向移动终端返回鉴别失败信号；若误差小于阈值范围判定防伪印刷防伪属性信息校验通过返回防伪印刷防伪属性信息校验通过信号，并继续后续防伪鉴别计算；
[0170]J7、若步骤J6终端防伪印刷防伪属性信息鉴别通过，将上述待鉴高分辨率终端图形化编码防伪识别区域Mh输入图形化编码深度特征提取组件405，输出深度特征编码信息eh，将eh和步骤J5所返回的备案防伪深度特征编码信息ea输入至第一度量对比计算组件406，输出特征相似度得分D；若特征相似度得分D大于阈值范围则向移动终端返回鉴别失败信号；若特征相似度得分D小于阈值范围，则判定防伪鉴别通过并向移动终端返回防伪图形结构鉴定通过信号。
[0171]本实施例所设计云边协同智能鉴定方法，以较低的网络带宽代价实现对具备多重防伪信息的防伪伪图签的智能鉴定；用户只需使用终端拍摄并发出防伪图签鉴别请求，鉴定过程由智能鉴别系统自动完成；终端防伪鉴别页面可实时显示编码信息、印刷防伪属性信息、图签鉴定防伪的智能鉴别状态。
[0172]以上公开的本申请优选实施例只是用于帮助理解本发明及核心思想。对于本领域的一般技术人员，依据本发明的思想，在具体应用场景和实施操作上均会有改变之处，本说明书不应理解对本发明的限制。本发明仅受权利要求书及其全部范围和等效物的限制。
