[发明专利]确定消费品的真实性的基于机器学习的成像方法

说明书

提供了将消费品按真实性分类的经济且准确的基于机器学习的成像方法。所述基于机器学习的成像方法利用机器学习和在真实消费品上的隐写特征的使用。

技术领域

本发明涉及确定消费品的真实性的经济方法。

背景技术

伪造是世界性的问题。这在经济上损害了消费者和制造商，并且可能给消费者带来安全问题。已经提出了诸如全息图的显性技术和如标签剂(taggant)的隐蔽技术。但这些技术的实现是昂贵的和/或需要专业设备和/或专业技能/培训。这对于通常具有低利润率的快速流通消费品(例如，衣物洗涤剂、洗发水、沐浴液、尿布等)尤其成问题，因此需要成本有效的解决方案。此外，最终用户(即，消费者)需要易于实现/理解的解决方案，而制造商需要廉价且相当准确的解决方案。

一种提出的鉴别产品的方法基于成像微观变化和机器学习的使用。然而，该方法可能具有某些缺点，例如可能需要专业设备来捕获微观尺度的图像(例如，分析10微米范围内的微观变化)，需要从受检消费品的不同方面捕获多个图像(从而需要大量的努力，即，高度阻碍了最终用户的采用)，鉴于需要鉴别微观尺度的特征而导致的模型复杂性(从而降低处理速度/减少响应时间)。

因此，需要成本有效的解决方案，其提供合理的准确度并且利用消费者普遍使用的设备和技术，例如具有照相机的智能电话。

发明内容

本发明基于以下令人惊讶的发现：在产品规格中使用隐写特征结合机器学习可以产生低成本、对用户友好并且准确的伪造品检测方法/系统。基于使用本发明通过消费者采用的透镜比较标贴/标签的未公开的内部基准研究，本发明提供了更高成本效益的制止伪造品的方法，并且为制造商带来更好的投资回报。

此外，本发明至少部分地基于令人惊讶的发现，即照相机偏差对建模训练可以具有显著影响。因此，本发明基于解决这种偏差以具有来自针对本文描述的方法的机器学习模型的更高预测准确度。换而言之，模型学习对于学习以确定受检消费品是真实的还是非真实的才是重要的，而不是可以由照相机类型引入的偏差。

本发明的一个方面提供了用于对受检消费品是真实的还是非真实的进行分类的方法。方法步骤包括：a)获取包含受检产品规格的所述受检消费品的图像；b)将所述获取的图像输入模型中；以及c)输出来自所述模型的输出，所述输出将所述输入的所述受检消费品的图像分类为真实的或非真实的。所述模型被配置为将所述获取的图像分类为真实的或非真实的。所述模型由机器学习分类器构建。所述机器学习分类器由训练数据集训练。所述训练数据集包括：(i)由多种不同的照相机类型提取的包含真实产品规格的真实产品的图像，其中所述真实产品规格包括至少一个长度大于0.01mm的隐写特征；以及(ii)基于(所述真实产品的所述真实产品规格的)所述隐写特征的相关联分类定义。

本发明的另一个方面提供了用于对受检消费品是真实的还是非真实的进行分类的方法。方法步骤包括：a)获取包含受检产品规格的所述受检消费品的图像；b)将所述获取的图像输入模型中；以及d)输出来自所述模型的输出，所述输出将所述输入的所述受检消费品的图像分类为真实的或非真实的。所述模型被配置为将所述获取的图像分类为真实的或非真实的。所述模型由机器学习分类器构建。所述机器学习分类器由训练数据集训练。所述训练数据集包括：(i)由多种不同的照相机类型提取的包含真实产品规格的真实产品的图像，其中所述真实产品规格包括生产线可变打印代码(以下定义)；(ii)由所述多种不同的照相机类型提取的包含非真实产品规格的非真实产品的图像，其中所述非真实产品规格不同于所述至少一个隐写特征；以及(iii)基于(所述真实产品的所述真实产品规格的)所述生产线可变打印代码的相关联分类定义。