1.本发明涉及人工智能技术领域，具体涉及基于人工智能技术提高识别商品防伪图案准确性的方法。
背景技术：2.市场经济的加速繁荣，市场化的商品也越来越多，而商品的质量参差不齐，好坏聚集在一起，让消费者很难辨别，因此，商家在对商品进行包装时就加工制作了防伪图案，便于消费者进行识别。同时也方便了监管部门的管理。
3.商品比如一些药品、保健品在生产时就采用药用铝管或纯铝包装管等包装，在药用铝管或纯铝包装管等外壳上加工制作上防伪图案，具体可在包装管的正反两面或单面加工防伪图案。
4.在对商品包装完成加工后，需要进一步对完成后的商品包装进行质量检测，在检测过程中经常发现加工的防伪图案位置不准确，即相对于目标位置发生偏移，或整个防伪图案发生扭曲。
5.现有技术中通常采用图形识别技术或人工核查，采用图形识别防伪图案的过程中，必须要加工的防伪图案与目标防伪图案达到完全匹配才能识别，否则无法准确识别防伪图案或识别准确性低，而采用人工核查，核查效率低。
技术实现要素：6.本发明提供基于人工智能技术提高识别商品防伪图案准确性的方法，通过人工智能技术结合计算机视觉技术，对采集到的商品包装表面防伪图案的图像进行处理，分析图像特征，并对图像中的防伪图案进行识别，计算防伪图案偏离程度，从而对商品包装表面防伪图案包装质量进行判断评估，相对于现有的图像识别方法或人工检测防伪图案的印刷质量的方法，本技术方法通过变化的适配样板进行图像识别，进一步提高了识别商品防伪图案的准确性，解决了现有图形识别技术中存在对加工的防伪图案形状变形识别准确率低等技术问题。
7.本发明通过下述技术方案实现：
8.基于人工智能技术提高识别商品防伪图案准确性的方法，所述方法包括以下步骤：
9.s001、获取商品包装表面防伪图案连通区域灰度数字图像，根据每个样板图形在商品包装表面防伪图案连通区域灰度数字图像上的相应范围进行遍历，获得每个样板图形在商品包装表面防伪图案连通区域灰度数字图像上相应范围的全部单元图；
10.s002、通过分别采用每个样板图形或单元图上各个像素点与其位于同一行邻近像素点的两点间距，分别获得样板图形或单元图上各个像素点的变化度；
11.s003、通过每个样板图形的像素点和该样板图形获得的全部单元图相应像素点的变化度获得各个样板图形的像素点和该样板图形获得全部单元图相应像素点的灰度差别
占比，根据每个样板图形的像素点和该样板图形获得的全部单元图上相应像素点的形变度和灰度差别占比，获得各个样板图形和该样板图形获得的全部单元图的差别度；
12.s004、根据每个样板图形和该样板图形获得的全部单元图的差别度、该样板图形和该样板图形获得的全部单元图的差别度总和运算各个样板图形和该样板图形获得的全部单元图的适配度，选择每个样板图形和该样板图形的全部单元图的适配度的上限值相应的单元作为该样板图形的适配单元图；
13.s005、在全部样板图形以及与其适配的单元图中选择适配度最大的样板图形及其适配单元图作为最终样板图形和最终适配单元图；
14.s006、选择最终样板图形和最终适配单元图中准确适配的像素点对，将准确适配的像素点对中位于最终样板图形上的像素点对投射到商品包装表面防伪图案连通区域灰度数字图像上，获得投射像素点，通过投射像素点和准确适配的像素点对中位于最终适配的单元图上的像素点之间所有像素点的变化图获得防伪图案偏离程度；
15.s007、根据获得的防伪图案偏离程度的绝对值判定商品包装表面防伪图案质量是否达到合格标准。
16.可选地，步骤s001中，获得商品包装表面防伪图案连通区域灰度数字图像的方法为：
17.根据商品包装表面防伪图案特征来识别标记及防伪图案，首先采集商品包装表面图形，并识别商品表面包装图形中信息，在商品包装表面防伪图案侧安装相机拍摄商品包装表面图形，商品包装表面图形包括商品包装表面图形背景和商品包装表面防伪图案。
18.可选地，步骤s001中，获得商品包装表面防伪图案连通区域灰度数字图像的方法，还包括，采用深度神经网络算法识别商品表面包装图形，获得商品包装表面防伪图案连通区域信息，并将商品包装表面防伪图案连通区域信息转换为商品包装表面防伪图案连通区域灰度数字图像。
19.可选地，步骤s001中，样板图形的获取方法为，将样本防伪图案切割成大小为5x50的区域，通过灰度共生矩阵运算各个区域的熵值，选择熵值最大的10个区域作为样板图形，并根据样板图形左上角像素点横坐标值对样板图形进行排列，排列后的10个区域作为样板图形进行商品防伪图案的识别，即获得样板图形。
20.可选地，步骤s002中，分别获得样板图形或单元图上各个像素点的变化度的方法为，以计算商品包装表面防伪图案连通区域中第w行每个像素点的变化度为例：
21.商品包装表面防伪图案区域第w行像素点个数2z，样板图形中商品包装表面防伪图案连通区域第w行像素点在图形中横坐标为{x，x+1，...，x+2z-1}，这些像素点的中心点横坐标为x+b-1/2，商品包装表面防伪图案连通区域最后一行像素点个数为该位置横截面圆形直径2r，结合直径获得圆形商品的周长l＝2πr；
22.商品的横截面为椭圆形，其周长为l，l＝2πb+4(z-v)，计算获得椭圆短半轴v，即可获得椭圆方程(x2/z2)+(y2/v2)＝1，第w行像素点的横坐标为{1/2-z，1/2-z+1，...z-1/2}，记为(x
w1
，x
w2
，...x
w2z
)，根据椭圆方程获得商品包装表面防伪图案区域第w行每个点的纵坐标(y
w1
，y
w2
，...y
w2z
)，相邻亮点之间的弧长为两点之间的实际距离，即为dw，且相邻两点之间的横坐标差值为两点之间在图像上的距离，均为1，结合相邻两点(x
w1
，x
w2
)，(x
w1
，x
w2
)之间的直线距离d
w(1,2)
，获得(x
w1
，x
w2
)的变化度t
w,1
＝d
w(1,2)
/|x
w2-x
w1
|，(x
w1
，y
w1
)对应图形中第w行
第1个像素点，即第w行第1个像素点的变化度为t
w,1
，商品包装表面防伪图案连通区域中所有像素点的变化度为t＝{t
1,1
，t
1,2
...，t
2,1
,...}，获得单元图上每个像素点的变化度。
23.可选地，步骤s003中，通过每个样板图形的像素点和该样板图形获得的全部单元图相应像素点的变化度获得各个样板图形的像素点和该样板图形获得全部单元图相应像素点的灰度差别占比，灰度差别占比的计算方式为，以第u个样板图形上第r行第s列像素点与其在单元图中相应的像素点的灰度差别占比为例，
[0024][0025]
其中，t
u(r
,s
)
为第u个样板图形中第r行第s列像素点的变化度；t(
wu(r
,s))
ku(r
,s))为第u个样板图形上第r行第s列像素点相应的单元图的变化度；r表示样板图形上像素点的行数，t表示样板图形上像素点的列数。
[0026]
可选地，步骤s003中，根据每个样板图形的像素点和该样板图形获得的全部单元图上相应像素点的形变度和灰度差别占比，获得各个样板图形和该样板图形获得的全部单元图的差别度，其中差别度的计算方法为：
[0027]
第u个样板图形与该单元图的差别度为p
u(w,k)
为
[0028][0029]
其中，h
u(r,s)
为第u个样板图形第r行第s列像素点的灰度，(wu(r,s),ku(r,s))表示第u个样板图形上第r行第s列像素点相应的单元图(w，k)中像素点在商品包装表面防伪图案连通区域中第wu(r,s)行中第ku(r，s)个像素点，h
(wu(r,s),ku(r,s))
为第u个样板图形上第r行第s列像素点在单元图(w，k)中相应像素点的灰度，50为样板图形与单元图的列数，5为样板图形与单元图的行数。
[0030]
可选地，步骤s004中，根据每个样板图形和该样板图形获得的全部单元图的差别度、该样板图形和该样板图形获得的全部单元图的差别度总和运算各个样板图形和该样板图形获得的全部单元图的适配度，适配度的计算公式为，以差别度p
u(w,k)
获取第u个样板图形与单元图的适配度o
u(w,k)
，
[0031][0032]
其中，p
u(w,k)
为第u个样板图形与单元图(w,k)的差别度，p为第u个样板图形在相应适配范围内所有单元图与第u个样板图形的差别度总和，o
u(w,k)
表示差别度p
u(w,k)
获取第u个样板图形与单元图的适配度。
[0033]
可选地，步骤s005中，选择各个样板图形适配度最大的单元图作为适配单元，获得该样板图形的最终适配结果。
[0034]
可选地，步骤s006中，通过投射像素点和准确适配的像素点对中位于最终适配的单元图上的像素点之间所有像素点的变化图获得防伪图案偏离程度，防伪图案偏离程度的计算方法为：
[0035]
以列差异度最小的列为例，则该列第一个像素点及相应的单元图上的像素点为准确适配的像素点，则该两个像素点的位置，计算防伪图案偏离程度：
[0036][0037]
k0为第一个像素点在样板图形的横坐标，h
w,k0
为按照横坐标位置将该像素点相应的商品包装表面防伪图案连通区域中第w行第k0个像素点的变化度，h
w,k’为第一个像素点对应的单元图像素点在相应的商品包装表面防伪图案连通区域中第w行第k’个像素点的变化度，n表示第w行第k0个像素点与第i行第k’个像素点之间所有像素点的变化度进行计算获得的防伪图案偏离程度，h
w,b
为商品包装表面防伪图案连通区域中第w行第b个像素点的变化度；当k’＝k0时，防伪图案没有发生偏移，即防伪图案偏离程度为0，当k’＞k0或k’＜k0时，防伪图案向右或向左偏离。
[0038]
本发明与现有技术相比，具有如下的优点和有益效果：
[0039]
本技术技术方案通过人工智能技术结合计算机视觉技术，对采集到的商品包装表面防伪图案的图像进行处理，分析图像特征，并对图像中的防伪图案进行识别，计算防伪图案偏离程度，从而对商品包装表面防伪图案包装进行评估，相对于现有的图像识别方法或人工检测防伪图案的印刷质量的方法，本技术方法通过变化的适配样板进行图像识别，进一步提高了识别商品防伪图案的准确性。
附图说明
[0040]
图1为本发明的流程结构示意框图。
具体实施方式
[0041]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0042]
实施例1：
[0043]
如图1所示，基于人工智能技术提高识别商品防伪图案准确性的方法，所述方法包括以下步骤：
[0044]
s001、获取商品包装表面防伪图案连通区域灰度数字图像，根据每个样板图形在商品包装表面防伪图案连通区域灰度数字图像上的相应范围进行遍历，获得每个样板图形在商品包装表面防伪图案连通区域灰度数字图像上相应范围的全部单元图；
[0045]
其中，步骤s001中，获得商品包装表面防伪图案连通区域灰度数字图像的方法，还包括，采用深度神经网络算法识别商品表面包装图形，获得商品包装表面防伪图案连通区域信息，并将商品包装表面防伪图案连通区域信息转换为商品包装表面防伪图案连通区域灰度数字图像。
[0046]
深度神经网络算法具体可为dnn网络，通过dnn网络语义切割的方式来切割灰度数字图像的目标。具体使用的数据集为商品包装表面防伪图案图像数据网络。
[0047]
具体需要切割的灰度，包括两类，采用训练集合对相应标签进行标注，单一通道的语义标记，相应区域灰度为背景类别的标记为1，而为商品包装表面防伪图案连通区域的则标记为2。
[0048]
通过采用dnn网络实现了对商品包装表面防伪图案的处理获得商品包装表面防伪图案连通区域的信息，且将商品包装表面防伪图案联通区域转换灰度图像。
[0049]
本实施例中所述的商品包装包括一些药品、保健品等的内包装，如药用包装铝管包装，在药用包装铝管包装上进行印刷防伪图案时，如果印刷的位置不准确，比如多个药用包装铝管包装的位置不统一，则会导致印刷的药品或保健品的产品信息，防伪图案等的位置发生变化，如果正反两面都进行印刷防伪图案，印刷过程中一个地方发生偏移，则其他位置均很大可能发生偏移或变化，则包装的质量检测会出现不合格的情况。需要对印刷或制作的防伪图案进行识别扫描，获取防伪图案印刷的偏离程度。
[0050]
以药用包装铝管为例，由于药用包装铝管的横截面为椭圆形或圆形，在其表面上印刷防伪图案时，药用包装铝管的尾部没有封闭，如果印刷在其表面上的防伪图案在拍摄的图像中发现防伪图案中某些元素发生形变或扭曲，如果采用简单的模板对照将无法对发生变化的防伪图案进行精准性识别。
[0051]
而本实施例中通过样板图形像素点与防伪图案像素点的变化度，从而建立像素点适配占比，并与样板适配，对防伪图案进行精准识别，并计算偏离程度。
[0052]
具体地，步骤s001中，获得商品包装表面防伪图案连通区域灰度数字图像的方法为：
[0053]
根据商品包装表面防伪图案特征来识别标记及防伪图案，首先采集商品包装表面图形，并识别商品表面包装图形中信息，在商品包装表面防伪图案侧安装相机拍摄商品包装表面图形，商品包装表面图形包括商品包装表面图形背景和商品包装表面防伪图案。
[0054]
本实施例中，标准样品防伪图案即为样板图形，如果商品包装表面上印刷的防伪图案经过扫描后图像与样板图形上防伪图案的位置如果不同，则可能在印刷过程中将防伪图案中的一部分或局部印刷到其他位置，在商品包装表面上印刷的防伪图案经过扫描后图像不能看到。因此，直接使用标准样品防伪图案作为对照样板图形时，则无法实现商品包装表面防伪图案与样板图形的适配。
[0055]
其中，样板图形的获取方法为，将样本防伪图案切割成大小为5x50的区域，通过灰度共生矩阵运算各个区域的熵值，选择熵值最大的10个区域作为样板图形，并根据样板图形左上角像素点横坐标值对样板图形进行排列，排列后的10个区域作为样板图形进行商品防伪图案的识别，即获得样板图形。
[0056]
上述熵值最大的10个区域即为防伪图案中特征点最突出的10个区域，选择10个区域作为样板进行图像识别，极大的提高了适配的精准度。
[0057]
如果印刷在商品包装表面的位置不准确，则商品包装表面防伪图案会向其他地方发生偏移，该偏移可向左右偏移，不会出现上下偏移的情况。
[0058]
结合第u个样板图形在商品包装表面防伪图案扫描的图像中的位置，确定样板图形在商品包装表面防伪图案扫描的图像中适配范围，第u个样板图形在样板图形中的纵坐标为[yu1，yu2]，同时兼顾到实际扫描图像中的偏差，选择商品包装表面防伪图案扫描的图像中的纵坐标[yu1-3，yu1+3]的区域，在该区域内进行遍历移动第u个样板图形进行适配，
样板图形在该区域内移动，其中被样板图形覆盖的部分称为单元图，单元图左上角的像素点在商品包装表面防伪图案连通区域内第w行第k个像素点，标记为单元图(w,k)。
[0059]
s002、通过分别采用每个样板图形或单元图上各个像素点与其位于同一行邻近像素点的两点间距，分别获得样板图形或单元图上各个像素点的变化度；
[0060]
具体地，步骤s002中，分别获得样板图形或单元图上各个像素点的变化度的方法为，以计算商品包装表面防伪图案连通区域中第w行每个像素点的变化度为例：
[0061]
商品包装表面防伪图案区域第w行像素点个数2z，样板图形中商品包装表面防伪图案连通区域第w行像素点在图形中横坐标为{x，x+1，...，x+2z-1}，这些像素点的中心点横坐标为x+b-1/2，商品包装表面防伪图案连通区域最后一行像素点个数为该位置横截面圆形直径2r，结合直径获得圆形商品的周长l＝2πr；
[0062]
商品的横截面为椭圆形，其周长为l，l＝2πb+4(z-v)，计算获得椭圆短半轴v，即可获得椭圆方程(x2/z2)+(y2/v2)＝1，第w行像素点的横坐标为{1/2-z，1/2-z+1，...z-1/2}，记为(x
w1
，x
w2
，...x
w2z
)，根据椭圆方程获得商品包装表面防伪图案区域第w行每个点的纵坐标(y
w1
，y
w2
，...y
w2z
)，相邻亮点之间的弧长为两点之间的实际距离，即为dw，且相邻两点之间的横坐标差值为两点之间在图像上的距离，均为1，结合相邻两点(x
w1
，x
w2
)，(x
w1
，x
w2
)之间的直线距离d
w(1,2)
，获得(x
w1
，x
w2
)的变化度t
w,1
＝d
w(1,2)
/|x
w2-x
w1
|，(x
w1
，y
w1
)对应图形中第w行第1个像素点，即第w行第1个像素点的变化度为t
w,1
，商品包装表面防伪图案连通区域中所有像素点的变化度为t＝{t
1,1
，t
1,2
...，t
2,1
,...}，获得单元图上每个像素点的变化度。
[0063]
采用相同方法，结合样板图形在商品包装表面防伪图案连通区域扫描图像中的位置，可计算获得样板图形中各个像素点的变化度，如第u个样板图形中每个像素点的变化度为tu＝[tu(1,1),tu(1,2),...]。
[0064]
从而获得单元图上各个像素点的变化度与每个样板图形上每个像素点的变化度。
[0065]
s003、通过每个样板图形的像素点和该样板图形获得的全部单元图相应像素点的变化度获得各个样板图形的像素点和该样板图形获得全部单元图相应像素点的灰度差别占比，根据每个样板图形的像素点和该样板图形获得的全部单元图上相应像素点的形变度和灰度差别占比，获得各个样板图形和该样板图形获得的全部单元图的差别度；
[0066]
其中，步骤s003中，通过每个样板图形的像素点和该样板图形获得的全部单元图相应像素点的变化度获得各个样板图形的像素点和该样板图形获得全部单元图相应像素点的灰度差别占比，灰度差别占比的计算方式为，以第u个样板图形上第r行第s列像素点与其在单元图中相应的像素点的灰度差别占比为例，
[0067][0068]
其中，t
u(r,s)
为第u个样板图形中第r行第s列像素点的变化度；t
(wu(r,s)),ku(r,s))
为第u个样板图形上第r行第s列像素点相应的单元图的变化度；r表示样板图形上像素点的行数，t表示样板图形上像素点的列数。
[0069]
可选地，步骤s003中，根据每个样板图形的像素点和该样板图形获得的全部单元图上相应像素点的形变度和灰度差别占比，获得各个样板图形和该样板图形获得的全部单元图的差别度，其中差别度的计算方法为：
[0070]
第u个样板图形与该单元图的差别度为p
u(w,k)
为
[0071][0072]
其中，h
u(r,s)
为第u个样板图形第r行第s列像素点的灰度，(wu(r,s),ku(r,s))表示第u个样板图形上第r行第s列像素点相应的单元图(w，k)中像素点在商品包装表面防伪图案连通区域中第wu(r,s)行中第ku(r，s)个像素点，h
(wu(r,s),ku(r,s))
为第u个样板图形上第r行第s列像素点在单元图(w，k)中相应像素点的灰度，50为样板图形与单元图的列数，5为样板图形与单元图的行数。
[0073]qwku(r,s)
占比表示如果两个像素点的差别度相近时，则对该像素点所表示的防伪图案变化度基本一致，则该对灰度的适配结果相对准确，则在计算差别度时，重点关注对像素点的的灰度差异。
[0074]
如果一对像素点的变化度差别较大，则该对像素点原本可能为同一防伪图案，可能因为变化度的不同，导致该像素点灰度发生了改变，因此，直接比较两者的灰度差异可能准确度较低，在计算差别度时，更多关注对像素点的灰度差异。通过对占比的设置，使得在计算样板图形与单元图的差别度时，更加关注差别度相近的部分像素点，使得差别度结果更加精准。
[0075]
对于变化度相差较大的像素点对，在运算差别时，如果给与较大的占比，会造成适配结果不准确，误差相对较大，而如果给与较小的占比，反之，对于变化度相差较小的像素点对，在计算差别度时，如果给与较小的占比，也会造成适配不准确的结果。
[0076]
s004、根据每个样板图形和该样板图形获得的全部单元图的差别度、该样板图形和该样板图形获得的全部单元图的差别度总和运算各个样板图形和该样板图形获得的全部单元图的适配度，选择每个样板图形和该样板图形的全部单元图的适配度的上限值相应的单元作为该样板图形的适配单元图；
[0077]
其中，步骤s004中，根据每个样板图形和该样板图形获得的全部单元图的差别度、该样板图形和该样板图形获得的全部单元图的差别度总和运算各个样板图形和该样板图形获得的全部单元图的适配度，适配度的计算公式为，以差别度p
u(w,k)
获取第u个样板图形与单元图的适配度o
u(w,k)
，
[0078]ou(w,k)
＝1-(p
u(w,k)
/p)
[0079]
其中，p
u(w,k)
为第u个样板图形与单元图(w,k)的差别度，p为第u个样板图形在相应适配范围内所有单元图与第u个样板图形的差别度总和。
[0080]
同理，获取所有样板图形在商品包装表面防伪图案连通区域上的单元图以及样板图形与单元图的适配率。
[0081]
上一步获得了所有样板图形在商品包装表面防伪图案连通区域上相应的所有单元图以及样板图形与单元图之间的适配率。
[0082]
如果样板图形有多个单元图进行适配时，适配率都最大，则该样板图形的适配单元图为：
[0083]
样板图形的适配单元图上左上角的像素点的横坐标大于前一个样板图形的适配单元图上左上角像素点的横坐标；
[0084]
样板图形与前一个样板图形的适配单元图上左上角像素点的纵坐标差值等于该样板图形与前一个样板图形开始点的纵坐标之差。
[0085]
样板图形和该样板图形的适配单元图的适配率大于适配率临界值。
[0086]
具体地，如果一个样板图形存在多个适配率最大的单元图，则为获取样板图形在商品包装表面防伪图案连通区域中相应的准确图案位置，需要结合其他样板图形进行分析。
[0087]
例如第u+1个样板图形存在多个适配率最大的单元图，第一步获得相邻样板图形之间的开始纵坐标差值{
△y1,2
,
△y2,3
,....
△y19,20
}。假设第u个样板图形实际在商品包装表面防伪图案连通区域中对应的单元图(w,k)，则第u+1个样板图形与单元图(g，f)，则第u+1样板图形与单元图(g，f)之间满足以下关系：
[0088]
1)、f＝k+
△yu,u+1
，
△yu,u+1
为第u个样板与第u+1个样板图形之间的纵坐标差异，第u个样板与第u+1个样板图形对应的单元图之间纵向位置差别与样板图形一致，获得f＝k+
△yu,u+1
。
[0089]
2)、g＞w，防伪图案印刷位置可能不正确可能会导致位置移动，但防伪图案移动为整体偏离，防伪图案内部横向顺序不会发生变化，第u+1个样板图形开始的横坐标值大于第u个样板图形最初横坐标值，因此对应单元图最初横坐标u＞w。
[0090]
3)、p
u+1(g,,f)
＞α，设置临界值α，如果适配率较小，且小于临界值α，则样板图形与相应单元图无法适配。因此适配率需要满足p
u+1(g,f)
＞α，α由人工进行设置，经验值可为0.3。
[0091]
达到以上条件，则可确定第u+1个样板图形的适配单元图。通过以上步骤，样板图形在商品包装表面防伪图案连通区域中都有相应的适配单元图，即实现了对商品包装表面防伪图案连通区域中部分防伪图案的识别。
[0092]
s005、在全部样板图形以及与其适配的单元图中选择适配度最大的样板图形及其适配单元图作为最终样板图形和最终适配单元图；
[0093]
在步骤s005中，选择各个样板图形适配度最大的单元图作为适配单元，获得该样板图形的最终适配结果。
[0094]
上述步骤中获得多个样板图形与商品包装表面防伪图案连通区域中部分位置图案的相对应关系，为获取准确的防伪图案偏离程度，首先选择适配结果中适配率最大的样板图形与相应的适配单元图作为最终样板图形集最终适配单元，标记为第u个样板图形与适配单元图(w,k)。
[0095]
s006、选择最终样板图形和最终适配单元图中准确适配的像素点对，将准确适配的像素点对中位于最终样板图形上的像素点对投射到商品包装表面防伪图案连通区域灰度数字图像上，获得投射像素点，通过投射像素点和准确适配的像素点对中位于最终适配的单元图上的像素点之间所有像素点的变化图获得防伪图案偏离程度；
[0096]
由于样板图形与单元图中相应位置的变化度不相同，因此在计算样板图形与单元图差别度时，增加变化度相关的占比，对于变化度相差比较大的像素点对，在计算差别度时占比较小，相当于将变化度相差较大的像素点对进行笼统适配，变化度相差较小的像素点对作为精准适配。要计算防伪图案准确的偏离程度，需要选择样板图形与单元图中精准适配的像素点对。
[0097]
其中，获取最终样板图形及最终适配单元图中精准适配的像素点对的方法为：
[0098]
通过最终样板图形上全部列各个像素点和最终适配单元图上相应列的像素点的变化度获得最终样板图形上全部列中各个像素点和最终适配单元图上相应列的像素点和
灰度差别占比。
[0099]
通过最终样板图形上每列每个像素点和最终适配单元图上相应列的像素点的灰度值以及灰度差别占比获得最终样板图形上每列和最终适配单元图上相应列的差别度。
[0100]
选择最终样板图形上全部列和最终适配单元图上相应列的差别度中差别度最小的相应列，该相应列的第一个像素点为样板图形和最终适配单元图中精准适配的像素点对。
[0101]
上述获得的最终样板图形和最终适配单元图中精准适配的像素点对的方法即为对照差别度p
u(w,k)
[0102]
的运算方法，仅仅计算样板图形各列像素点和适配单元图中相应像素点的灰度差别占比之和作为各列像素点的差别度。
[0103]
步骤s006中，通过投射像素点和准确适配的像素点对中位于最终适配的单元图上的像素点之间所有像素点的变化图获得防伪图案偏离程度，防伪图案偏离程度的计算方法为：
[0104]
以列差异度最小的列为例，则该列第一个像素点及相应的单元图上的像素点为准确适配的像素点，则该两个像素点的位置，计算防伪图案偏离程度：
[0105][0106]
k0为第一个像素点在样板图形的横坐标，h
w,k0
为按照横坐标位置将该像素点相应的商品包装表面防伪图案连通区域中第w行第k0个像素点的变化度，h
w,k’为第一个像素点对应的单元图像素点在相应的商品包装表面防伪图案连通区域中第w行第k’个像素点的变化度，n表示第w行第k0个像素点与第i行第k’个像素点之间所有像素点的变化度进行计算获得的防伪图案偏离程度，h
w,b
为商品包装表面防伪图案连通区域中第w行第b个像素点的变化度；当k’＝k0时，防伪图案没有发生偏移，即防伪图案偏离程度为0，当k’＞k0或k’＜k0时，防伪图案向右或向左偏离。
[0107]
s007、根据获得的防伪图案偏离程度的绝对值判定商品包装表面防伪图案质量是否达到合格标准。
[0108]
如果防伪图案偏离程度|n|≤α，则商品包装表面防伪图案的防伪图案偏离程度较小，可忽略，此时商品包装表面防伪图案包装质量达标。
[0109]
如果防伪图案偏离程度|n|＞α，则商品包装表面防伪图案的防伪图案偏离程度较大，此时，商品包装表面防伪图案包装质量不达标。
[0110]
上述步骤根据印刷图案偏离程度绝对值的大小判断商品包装表面防伪图案质量是否合格，可根据不合格的情况，进一步展开对产生质量问题的原因进行分析，其中，α可为人工设置，经验值为8。
[0111]
本实施例所述方案通过人工智能技术结合计算机视觉技术，对采集到的商品包装表面防伪图案的图像进行处理，分析图像特征，并对图像中的防伪图案进行识别，计算防伪图案偏离程度，从而对商品包装表面防伪图案包装质量进行评估，相对于现有的图像识别
方法或人工检测防伪图案的印刷质量的方法，本技术方法通过变化的适配样板进行图像识别，进一步提高了识别商品表面加工的防伪图案的准确性，也利于商品包装质量的提高。
[0112]
本实施例所述的提高识别商品防伪图案准确性的方法，不仅仅应用于药品中包装铝管、纯铝包装管，还应用于纸壳包装的商品，以及其他领域比如物流领域商品。
[0113]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.基于人工智能技术提高识别商品防伪图案准确性的方法，其特征在于：所述方法包括以下步骤：s001、获取商品包装表面防伪图案连通区域灰度数字图像，根据每个样板图形在商品包装表面防伪图案连通区域灰度数字图像上的相应范围进行遍历，获得每个样板图形在商品包装表面防伪图案连通区域灰度数字图像上相应范围的全部单元图；s002、通过分别采用每个样板图形或单元图上各个像素点与其位于同一行邻近像素点的两点间距，分别获得样板图形或单元图上各个像素点的变化度；s003、通过每个样板图形的像素点和该样板图形获得的全部单元图相应像素点的变化度获得各个样板图形的像素点和该样板图形获得全部单元图相应像素点的灰度差别占比，根据每个样板图形的像素点和该样板图形获得的全部单元图上相应像素点的形变度和灰度差别占比，获得各个样板图形和该样板图形获得的全部单元图的差别度；s004、根据每个样板图形和该样板图形获得的全部单元图的差别度、该样板图形和该样板图形获得的全部单元图的差别度总和运算各个样板图形和该样板图形获得的全部单元图的适配度，选择每个样板图形和该样板图形的全部单元图的适配度的上限值相应的单元作为该样板图形的适配单元图；s005、在全部样板图形以及与其适配的单元图中选择适配度最大的样板图形及其适配单元图作为最终样板图形和最终适配单元图；s006、选择最终样板图形和最终适配单元图中准确适配的像素点对，将准确适配的像素点对中位于最终样板图形上的像素点对投射到商品包装表面防伪图案连通区域灰度数字图像上，获得投射像素点，通过投射像素点和准确适配的像素点对中位于最终适配的单元图上的像素点之间所有像素点的变化图获得防伪图案偏离程度；s007、根据获得的防伪图案偏离程度的绝对值判定商品包装表面防伪图案质量是否达到合格标准。2.根据权利求1所述的基于人工智能技术提高识别商品防伪图案准确性的方法，其特征在于：步骤s001中，获得商品包装表面防伪图案连通区域灰度数字图像的方法为：根据商品包装表面防伪图案特征来识别标记及防伪图案，首先采集商品包装表面图形，并识别商品表面包装图形中信息，在商品包装表面防伪图案侧安装相机拍摄商品包装表面图形，商品包装表面图形包括商品包装表面图形背景和商品包装表面防伪图案。3.根据权利求2所述的基于人工智能技术提高识别商品防伪图案准确性的方法，其特征在于：步骤s001中，获得商品包装表面防伪图案连通区域灰度数字图像的方法，还包括，采用深度神经网络算法识别商品表面包装图形，获得商品包装表面防伪图案连通区域信息，并将商品包装表面防伪图案连通区域信息转换为商品包装表面防伪图案连通区域灰度数字图像。4.根据权利要求1所述的基于人工智能技术提高识别商品防伪图案准确性的方法，其特征在于，步骤s001中，样板图形的获取方法为，将样本防伪图案切割成大小为5x50的区域，通过灰度共生矩阵运算各个区域的熵值，选择熵值最大的10个区域作为样板图形，并根据样板图形左上角像素点横坐标值对样板图形进行排列，排列后的10个区域作为样板图形进行商品防伪图案的识别，即获得样板图形。5.根据权利要求4所述的基于人工智能技术提高识别商品防伪图案准确性的方法，其
特征在于：步骤s002中，分别获得样板图形或单元图上各个像素点的变化度的方法为，商品包装表面防伪图案区域第w行像素点个数2z，样板图形中商品包装表面防伪图案连通区域第w行像素点在图形中横坐标为{x，x+1，...，x+2z-1}，这些像素点的中心点横坐标为x+b-1/2，商品包装表面防伪图案连通区域最后一行像素点个数为该位置横截面圆形直径2r，结合直径获得圆形商品的周长l＝2πr；商品的横截面为椭圆形，其周长为l，l＝2πb+4(z-v)，计算获得椭圆短半轴v，即可获得椭圆方程(x2/z2)+(y2/v2)＝1，第w行像素点的横坐标为{1/2-z，1/2-z+1，...z-1/2}，记为(x
w1
，x
w2
，...x
w2z
)，根据椭圆方程获得商品包装表面防伪图案区域第w行每个点的纵坐标(y
w1
，y
w2
，...y
w2z
)，相邻亮点之间的弧长为两点之间的实际距离，即为d
w
，且相邻两点之间的横坐标差值为两点之间在图像上的距离，均为1，结合相邻两点(x
w1
，x
w2
)，(x
w1
，x
w2
)之间的直线距离d
w(1,2)
，获得(x
w1
，x
w2
)的变化度t
w,1
＝d
w(1,2)
/|x
w2-x
w1
|，(x
w1
，y
w1
)对应图形中第w行第1个像素点，即第w行第1个像素点的变化度为t
w,1
，商品包装表面防伪图案连通区域中所有像素点的变化度为t＝{t
1,1
，t
1,2
...，t
2,1
,...}，获得单元图上每个像素点的变化度。6.根据权利要求1所述的基于人工智能技术提高识别商品防伪图案准确性的方法，其特征在于：步骤s003中，通过每个样板图形的像素点和该样板图形获得的全部单元图相应像素点的变化度获得各个样板图形的像素点和该样板图形获得全部单元图相应像素点的灰度差别占比，灰度差别占比的计算方式为，其中，t
u(r,s)
为第u个样板图形中第r行第s列像素点的变化度；t
(wu(r,s)ku(r,s))
为第u个样板图形上第r行第s列像素点相应的单元图的变化度；r表示样板图形上像素点的行数，t表示样板图形上像素点的列数。7.根据权利要求6所述的基于人工智能技术提高识别商品防伪图案准确性的方法，其特征在于：步骤s003中，根据每个样板图形的像素点和该样板图形获得的全部单元图上相应像素点的形变度和灰度差别占比，获得各个样板图形和该样板图形获得的全部单元图的差别度，其中差别度的计算方法为：第u个样板图形与该单元图的差别度为p
u(w,k)
为：其中，h
u(r,s)
为第u个样板图形第r行第s列像素点的灰度，(wu(r,s),ku(r,s))表示第u个样板图形上第r行第s列像素点相应的单元图(w，k)中像素点在商品包装表面防伪图案连通区域中第wu(r,s)行中第k
u(r，s)
个像素点，h
(wu(r,s),kj(r,s))
为第u个样板图形上第r行第s列像素点在单元图(w，k)中相应像素点的灰度，50为样板图形与单元图的列数，5为样板图形与单元图的行数。8.根据权利要求7所述的基于人工智能技术提高识别商品防伪图案准确性的方法，其特征在于：步骤s004中，根据每个样板图形和该样板图形获得的全部单元图的差别度、该样板图形和该样板图形获得的全部单元图的差别度总和运算各个样板图形和该样板图形获得的全部单元图的适配度，适配度的计算公式为，以差别度p
u(w,k)
获取第u个样板图形与单元图的适配度o
u(w,k)
，
o
u(w,k)
＝1-(p
u(w,k)
/p)其中，p
u(w,k)
为第u个样板图形与单元图(w,k)的差别度，p为第u个样板图形在相应适配范围内所有单元图与第u个样板图形的差别度总和。9.根据权利要求1所述的基于人工智能技术提高识别商品防伪图案准确性的方法，其特征在于：步骤s005中，选择各个样板图形适配度最大的单元图作为适配单元，获得该样板图形的最终适配结果。10.根据权利要求1所述的基于人工智能技术提高识别商品防伪图案准确性的方法，其特征在于：步骤s006中，通过投射像素点和准确适配的像素点对中位于最终适配的单元图上的像素点之间所有像素点的变化图获得防伪图案偏离程度，防伪图案偏离程度的计算方法为：计算防伪图案偏离程度：k0为第一个像素点在样板图形的横坐标，h
w,k0
为按照横坐标位置将该像素点相应的商品包装表面防伪图案连通区域中第w行第k0个像素点的变化度，h
w,k’为第一个像素点对应的单元图像素点在相应的商品包装表面防伪图案连通区域中第w行第k’个像素点的变化度，n表示第w行第k0个像素点与第i行第k’个像素点之间所有像素点的变化度进行计算获得的防伪图案偏离程度，h
w,b
为商品包装表面防伪图案连通区域中第w行第b个像素点的变化度；当k’＝k0时，防伪图案没有发生偏移，即防伪图案偏离程度为0，当k’＞k0或k’＜k0时，防伪图案向右或向左偏离。
技术总结本发明属于人工智能领域，公开了基于人工智能技术提高识别商品防伪图案准确性的方法，步骤为：S001、获得每个样板图形在商品包装表面防伪图案连通区域灰度数字图像上相应范围的全部单元图；S002、分别获得样板图形或单元图上各个像素点的变化度；S003、获得各个样板图形和该样板图形获得的全部单元图的差别度；S004、选择每个样板图形和该样板图形的全部单元图的适配度的上限值相应的单元作为该样板图形的适配单元图；S005、选择适配度最大的样板图形及其适配单元图作为最终样板图形和最终适配单元图；S006、获得防伪图案偏离程度；S007、判定防伪图案质量是否达到合格标准。通过对采集到的商品包装表面防伪图案的图像进行处理提高了识别商品防伪图案的准确性。行处理提高了识别商品防伪图案的准确性。行处理提高了识别商品防伪图案的准确性。
技术研发人员：方媛媛
受保护的技术使用者：方媛媛
技术研发日：2022.07.24
技术公布日：2022/11/1
