机器学习程序识别假冒产品

造假是一门大生意。在全球范围内，经济合作与发展组织 (OECD) 和欧盟 (EU) 的知识产权局估计，假冒商品占全球贸易额超过 5000 亿美元，或超过 2.5%

Authentic Vision 是产品认证领域的全球领导者，了解识别真品所固有的挑战以及假货带来的风险。我们开发了机器学习和计算机视觉算法，可以立即验证产品的真伪，保护制造商、渠道合作伙伴和最终用户。

带有 Authentic Vision 标签的应用程序称为 CheckIfReal。它可以在每部智能手机上运行——考虑到它在设备上执行繁重的计算机视觉，这本身就是一项令人难以置信的技术成就。（在此处查看智能手机列表）。每当使用智能手机应用程序扫描标签时，应用程序必须验证标签并通知用户他们是否拥有真品或假冒产品。

确定特定产品是真货还是假货的过程很复杂。老练的造假者可以复制复杂产品的设计、采购相似的原材料、复制包装和徽标，甚至将假冒产品滑入销售和分销渠道——这使得识别假货极具挑战性。

验证真品的最佳解决方案是在制造商处对其进行标记，并能够在它们离开制造工厂后立即实时验证它们是真品。Authentic Vision 已开发出利用专利标签的技术，应用于产品或包装。该专利标签具有多项独特功能，当与机器学习和 Check-if-Real 智能手机应用程序结合使用时，可以立即验证产品是否为真品。

标签由两部分组成：获得专利的随机全息“指纹”图像和数字打印的唯一标签标识符。获得专利的全息“指纹”图像是解决方案整体密码安全性的关键要素。唯一标签标识符基于封装在后端数据库中的序列号和加密哈希，使其独一无二，难以猜测和复制，但可验证。

. 手持 CheckifRealfApp

一旦标签贴在真品上，识别真品的挑战就变成了验证标签本身是真品。这是机器学习发挥关键作用的时候。

主要的机器学习任务是计算机视觉之一。视觉机器学习算法通过一个称为训练的过程来学习识别真假标签，呈现一个带有识别为真标签的神经网络。神经网络可以学习正确的潜在模式，并能够识别出一个新的、从未见过的标签是真实的。Authentic Vision 能够对真实标签的全息图像做出一些假设，因为它知道标签的规格以及用户如何扫描全息图像。

识别假标签更具挑战性。一些假标签与真实标签几乎无法区分，因此正确识别用于训练神经网络的假标签可能很困难。此外，造假者试图复制获得专利的全息“指纹”图像的不同方式是无限且未知的。因此，不可能知道现场可能发现的所有不同版本的假标签。这一挑战的解决方案在于使用异常检测——神经网络可以很好地学习真实标签是如何出现的，如果扫描的标签看起来不同，它就会被宣布为异常和伪造。

由于神经网络正在学习获得专利的全息标签，它也可能无意中学习相机和智能手机的特征。以神经网络只学习有用的特征而不是在标签数据集中发现的这些不受欢迎的伪影的方式来管理标签数据集，既是艺术也是科学。

如果数据集的结构不正确，神经网络可能会表现出出色的性能，但在具有新标签的真实场景中却不能很好地工作。这种使神经网络能够可靠地处理训练集中不存在的样本的能力称为泛化。Authentic Vision 擅长通过只有几百个标签的相对较小的数据集实现对数百万个标签的良好泛化。数据集记录既昂贵又费力。

Authentic Vision 开发的机器学习算法还必须经过优化，才能在各种智能手机上运行，每款智能手机都具有不同的硬件、存储和成像能力。这些程序旨在以最小的占地面积运行，同时使用机器学习和传统的手工设计的计算机视觉算法提供最大的准确性。

计算机视觉机器学习模型的大小通常超过一 (1) Gb，但通过使用精心设计的分类器和管道，Authentic Vision 已经能够将这些模型打包以在占用空间小的设备上运行。

每当使用智能手机应用程序扫描标签时，应用程序必须验证标签并通知用户他们是否拥有真品或假冒产品。读取 Authentic Vision 标签的应用程序称为 CheckIfReal。该应用程序可在每部智能手机上运行——这本身就是一项令人难以置信的技术成就，因为它在设备上完成了繁重的计算机视觉任务。

审核编辑 黄昊宇