[发明专利]物品鉴别方法、系统、设备及存储介质

权利要求书

1.一种物品鉴别方法，其特征在于，包括以下步骤：

获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点；

依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值；包括：将所获取的每幅所述图像送入不同的卷积神经网络模型，以利用各卷积神经网络模型分别识别至少一个目标鉴别点并得到能识别出的每个目标鉴别点的单点分值；其中，对应识别同一目标鉴别点的卷积神经网络模型为多个；

依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值；以及

依据所述单点分值或/及所述总分值鉴别所述物品的真伪，包括：

预设第一阈值及第二阈值；

判定为所述单点分值低于所述第一阈值时输出判定所述物品为伪的结果；以及

在判定为所述单点分值高于所述第一阈值的条件下，判定为所述总分值低于所述第二阈值时输出判定所述物品为伪的结果。

2.根据权利要求1所述的物品鉴别方法，其特征在于，还包括对所述多幅图像进行预处理的步骤。

3.根据权利要求2所述的物品鉴别方法，其特征在于，所述预处理的步骤包括对所述图像进行尺寸修改、按比例缩放、加噪、反转、旋转、平移、缩放变换、剪切、对比度变换、随机通道偏移中的一种或多种处理。

4.根据权利要求1所述的物品鉴别方法，其特征在于，还包括对至少一幅所述幅图像进行聚类处理的步骤。

5.根据权利要求4所述的物品鉴别方法，其特征在于，所述对至少一幅图像进行聚类处理的步骤包括利用VGG19网络特征分类模型对至少一幅所述图像进行特征近似程度聚类，以确定对所述多幅图像的训练模型。

6.根据权利要求1所述的物品鉴别方法，其特征在于，所述训练的对应各该目标鉴别点的多个卷积神经网络模型包括：VGG19网络模型，RESNET54网络模型，以及WRESNET16网络模型中的至少两个网络模型。

7.根据权利要求1所述的物品鉴别方法，其特征在于，所述依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值还包括：

保存所述至少一个目标鉴别点的多个卷积神经网络模型的输出结果以及提取到的特征；以及

将所述多个卷积神经网络模型分别提取到的特征拼接处理，使用决策树算法进一步分类，获得对应每一目标鉴别点的单点分值。

8.根据权利要求1所述的物品鉴别方法，其特征在于，还包括防止过拟合的步骤。

9.根据权利要求1所述的物品鉴别方法，其特征在于，所述物品为奢侈品。

10.一种物品鉴别系统，其特征在于，包括：

预处理模块，用于获取拍摄于待鉴别物品的多幅图像，每幅所述图像中包括有至少一个目标鉴别点；

识别模块，用于依据训练的对应所述至少一个目标鉴别点的多个卷积神经网络模型分别对所述多幅图像进行识别获得对应每一目标鉴别点的单点分值；所述识别模块用于将所获取的每幅所述图像送入不同的卷积神经网络模型，以利用各卷积神经网络模型分别识别至少一个目标鉴别点并得到能识别出的每个目标鉴别点的单点分值；其中，对应识别同一目标鉴别点的卷积神经网络模型为多个；

评价模块，用于依据所述训练的训练集中测试获得的权重，将多个所述目标鉴别点的单点分值进行加权求和处理获得总分值；以及依据所述单点分值或/及所述总分值鉴别所述物品的真伪；其中，所述评价模块用于执行以下步骤：

预设第一阈值及第二阈值；

判定为所述单点分值低于所述第一阈值时输出判定所述物品为伪的结果；以及

在判定为所述单点分值高于所述第一阈值的条件下，判定为所述总分值低于所述第二阈值时输出判定所述物品为伪的结果。