类平衡动态边界卷烟真伪鉴别方法、装置、设备及系统与流程

本发明涉及视觉识别，尤其涉及一种类平衡动态边界卷烟真伪鉴别方法、装置、设备及系统。

背景技术：

1、卷烟外包装作为承载品牌规格、防伪标识及核心印刷工艺的物理载体，不仅是品牌价值的直观体现，更是目前卷烟真伪鉴别的最主要依据。真实的卷烟包装往往集成着全息缩微文字、变色油墨、精细网点等复杂的工业级防伪技术。

2、传统的人工稽查高度依赖执法人员的主观经验，不仅效率低下、标准难以统一，且面对极高逼真度的仿品时极易误判。为实现自动化，早期研究引入了传统机器视觉技术（如提取颜色直方图、局部纹理匹配等）。但在真实的基层执法拍摄现场，烟盒表面常面临不可控的角度倾斜、强光反光、塑料薄膜褶皱及物理磨损。传统手工提取的视觉特征在强烈的环境噪声干扰下显得极为脆弱，缺乏实际落地所需的泛化鲁棒性。

3、综上所述，现有类平衡动态边界卷烟真伪鉴别技术虽然在自动化和智能化方面取得了一定进展，但现有的常规机器视觉与传统数据驱动型深度学习方法，在应对高仿样本需要提取微观防伪特征以及处理极少样本数据时，均存在明显的理论与工程短板。

技术实现思路

1、有鉴于此，有必要提供一种类平衡动态边界卷烟真伪鉴别方法、装置、设备及系统，用以解决高仿样本和样本条件稀少情况下鉴别失真的问题。

2、为了解决上述问题，本发明提供一种类平衡动态边界卷烟真伪鉴别方法，包括：

3、获取待测卷烟外包装的原始采集图像，并基于训练完成的特征提取网络确定所述待测卷烟外包装对应的高维特征向量；所述特征提取网络是基于如下步骤训练得到：基于真品样本与假冒样本特征向量间的空间距离构建混淆因子，并结合样本数量分布的长尾特征计算类平衡权重，再融合所述混淆因子与所述类平衡权重构建自适应联合损失函数，通过所述自适应联合损失函数完成特征提取网络的训练；

4、将预设支撑集输入所述特征提取网络提取得到真品基准特征向量集，并对所述真品基准特征向量集的原始协方差矩阵重构得到目标协方差矩阵；

5、基于所述目标协方差矩阵计算所述高维特征向量到所述真品基准特征向量集的马氏距离，并基于所述马氏距离确定所述待测卷烟外包装的真伪鉴别结果。

6、在一些实施方式中，所述基于特征提取网络确定所述待测卷烟外包装对应的高维特征向量，包括：

7、基于所述原始采集图像进行区域裁剪，得到包含核心防伪特征区域的局部图像块；

8、将所述局部图像块输入特征提取网络，得到高维特征向量。

9、在一些实施方式中，所述基于特征提取网络确定所述待测卷烟外包装对应的高维特征向量之前，还包括：

10、计算真品样本与假冒样本的与样本欺骗难度呈正相关的混淆因子；

11、计算所述真品样本与所述假冒样本对应的类平衡权重；

12、基于所述混淆因子和类平衡权重构建自适应联合损失函数；

13、通过所述自适应联合损失函数训练得到特征提取网络。

14、在一些实施方式中，所述计算真品样本与假冒样本对应的类平衡权重，包括：

15、获取真品样本与假冒样本的样品数量分布信息；

16、基于所述样品数量分布信息确定长尾特征；

17、基于所述长尾特征计算得到类平衡权重。

18、在一些实施方式中，所述计算真品样本与假冒样本的与样本欺骗难度呈正相关的混淆因子，包括：

19、获取真品样本对应的真品样本特征向量与假冒样本对应的假冒样本特征向量；

20、计算所述真品样本特征向量与所述假冒样本特征向量在度量空间中的空间分布关系；

21、基于所述空间分布关系生成混淆因子。

22、在一些实施方式中，所述将预设支撑集输入所述特征提取网络提取得到真品基准特征向量集，并对所述真品基准特征向量集的原始协方差矩阵重构得到目标协方差矩阵，包括：

23、获取已知真品卷烟图像，并基于所述已知真品卷烟图像生成支撑集；

24、将所述支撑集输入所述特征提取网络，提取得到真品基准特征向量集；

25、通过最优收缩估计理论对所述真品基准特征向量集的原始协方差矩阵进行平滑与降秩处理，并动态重构出稳定非奇异且可逆的目标协方差矩阵。

26、在一些实施方式中，所述基于所述目标协方差矩阵计算所述高维特征向量到所述真品基准特征向量集的马氏距离，并基于所述马氏距离确定所述待测卷烟外包装的真伪鉴别结果，包括：

27、获取真品核心原型，并基于目标协方差矩阵计算所述真品核心原型和所述高维特征向量之间的马氏距离；

28、基于所述真品基准特征向量集确定马氏距离置信阈值；

29、将所述马氏距离与所述马氏距离置信阈值进行对比，并基于对比结果确定所述待测卷烟外包装的真伪鉴别结果。

30、第二方面，本技术实施例还提供一种类平衡动态边界卷烟真伪鉴别装置，包括：处理模块、重构模块以及鉴别模块；所述处理模块用于获取待测卷烟外包装的原始采集图像，并基于训练完成的特征提取网络确定所述待测卷烟外包装对应的高维特征向量；所述特征提取网络是基于如下步骤训练得到：基于真品样本与假冒样本特征向量间的空间距离构建混淆因子，并结合样本数量分布的长尾特征计算类平衡权重，再融合所述混淆因子与所述类平衡权重构建自适应联合损失函数，通过所述自适应联合损失函数完成特征提取网络的训练；所述重构模块用于将预设支撑集输入所述特征提取网络提取得到真品基准特征向量集，并对所述真品基准特征向量集的原始协方差矩阵重构得到目标协方差矩阵；所述鉴别模块用于基于所述目标协方差矩阵计算所述高维特征向量到所述真品基准特征向量集的马氏距离，并基于所述马氏距离确定所述待测卷烟外包装的真伪鉴别结果。

31、第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，

32、所述存储器，用于存储程序；

33、所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任意实现方式中所述的类平衡动态边界卷烟真伪鉴别方法中的步骤。

34、第四方面，本发明还提供了一种类平衡动态边界卷烟真伪鉴别系统，所述类平衡动态边界卷烟真伪鉴别系统包括电子设备、数据采集设备和结果输出设备，所述数据采集设备和所述结果输出设备分别与所述电子设备连接，所述数据采集设备用于采集待测卷烟外包装的原始采集图像，所述结果输出设备用于输出并显示所述待测卷烟外包装的真伪鉴别结果。

35、第五方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述任意实现方式中所述的类平衡动态边界卷烟真伪鉴别方法中的步骤。

36、本发明的有益效果是：本发明提供的类平衡动态边界卷烟真伪鉴别方法，首先采集待测卷烟外包装的原始图像，进行处理后得到高维特征向量，再通过预先训练完成的特征提取网络进行真品基准的特征向量提取，并重构得到目标协方差矩阵，最后基于目标协方差矩阵和高维特征向量进行马氏距离计算，进而进行真伪鉴别。通过这种方式，实现了基于有效样本容量与混淆因子的类平衡动态边界联合机制彻底解耦特征边缘混叠区，另一方面利用类平衡权重自适应放大了极少数假冒样本的惩罚梯度，不仅大幅压降了高仿样本的漏报率，更确保了模型在面临极端数据匮乏的新型高仿品规时，依然具备底层泛化与拦截能力。在推断阶段仅需测算待测特征至真品原型的马氏距离，面对新品规无需重新微调深度网络。同时，耗费算力的协方差收缩重构仅在部署支撑集时单次计算，推断期算力开销低。配合前端轻量化结构，使本系统具备部署于基层检测设备的工程落地条件，并且保证了卷烟外包装在高仿样本和少量样本的情况下的真伪鉴别准确度。