基于区块链技术的产品证书管理方法与流程

本发明涉及区块链领域下的产品证书管理，且更为具体地，涉及一种基于区块链技术的产品证书管理方法、基于区块链技术的产品证书管理系统和电子设备。

背景技术：

区块链是一个分布式的共享账本和数据库，具有去中心化、不可篡改、全程留痕、可以追溯、集体维护、公开透明等特点。这些特点保证了区块链的“诚实”与“透明”，为区块链创造信任奠定基础。近年来，随着区块链技术的成熟与发展，由于区块链具有独特的不可更改特征，各种基于区块链技术的数据管理技术及其应用应运而生。

以往消费者通常凭经验和有限的知识挑选商品，消费者在购买结构比较复杂且价格昂贵的商品，只凭个人经验、外观检查、手感等主观性手段则无法判断其内在质量。实行产品认证后，凡是经过认证的商品都带有特定的产品证书，这就向消费者提供了一种质量信息：该商品经过公正的第三方——认证机构对其进行的鉴定和评价，其质量符合国家规定的标准。

由于单件产品可能需要满足多个工业标准，相应地，对于单件产品来说，可能存在多个产品证书。并且，除了产品本身的证书以外，还可能存在产品的关键件(原材料)的证书，这就对产品证书的管理提出了很大挑战，例如，用户可能希望通过产品的某个证书号就能够查询到所有相关的产品证书信息，包括整机和关键件的产品证书信息，而不希望逐个查询。因此，如何通过产品的某个证书号查询到所有相关的产品证书信息成为亟需解决的技术问题。

因此，期待一种优化地用于产品证书管理的技术方案。

技术实现要素：

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于区块链技术的产品证书管理方法、基于区块链技术的产品证书管理系统和电子设备，其针对区块链本身的分布式存储和管理特性和区块链所存储的数据的不可篡改和溯源特性，采用深度学习技术来对产品证书进行图像和文本语义两方面的识别，并进行分类，以实现对于待识别的产品证书的准确标注和索引，便于后续的产品证书的调取和使用。这样，通过采用区块链来对产品证书进行存储和管理，可以利用区块链的去中心化分布式存储特性和不可修改特性，来确保产品证书管理和查询的便利性和安全性。

根据本申请的一个方面，提供了一种基于区块链技术的产品证书管理方法，其包括：

获取待识别的产品证书的第一图像和第一相关文本信息，以及，参考产品证书的第二图像和第二相关文本信息；

将所述第一图像输入第一卷积神经网络，以从所述第一图像中提取出第一特征图；

将所述第二图像输入第二卷积神经网络，以从所述第二图像中提取出第二特征图，其中，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；

将所述第一相关文本信息和所述第二相关文本信息输入基于深度学习的语义理解模型，以获得对应于所述第一相关文本信息的第一文本特征向量和对应于所述第二相关文本信息的第二文本特征向量；

以所述第一文本特征向量的各个位置的特征值作为权重对所述第一特征图进行通道维度上的加权处理，以获得第一加权特征图；

基于所述第一文本特征向量和所述第二文本特征向量，对所述第二特征图进行通道维度上的加权处理，以获得第二加权特征图；

计算所述第一加权特征图和所述第二加权特征图的差分，以获得差分分类特征图；

将所述差分分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示待识别的产品证书是否是与参考产品证书相关的证书；

基于所述分类结果，对所述待识别的产品证书进行标注和索引；以及

将标注和索引后的所述待识别的产品证书上传到区块链结构的区块中。

根据本申请的另一方面，提供了一种基于区块链技术的产品证书管理系统，其包括：

信息获取单元，用于获取待识别的产品证书的第一图像和第一相关文本信息，以及，参考产品证书的第二图像和第二相关文本信息；

第一特征图生成单元，用于将所述信息获取单元获得的所述第一图像输入第一卷积神经网络，以从所述第一图像中提取出第一特征图；

第二特征图生成单元，用于将所述信息获取单元获得的所述第二图像输入第二卷积神经网络，以从所述第二图像中提取出第二特征图，其中，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；

文本特征向量生成单元，用于将所述信息获取单元获得的所述第一相关文本信息和所述第二相关文本信息输入基于深度学习的语义理解模型，以获得对应于所述第一相关文本信息的第一文本特征向量和对应于所述第二相关文本信息的第二文本特征向量；

第一加权特征图生成单元，用于以所述文本特征向量生成单元获得的所述第一文本特征向量的各个位置的特征值作为权重对所述第一特征图生成单元获得的所述第一特征图进行通道维度上的加权处理，以获得第一加权特征图；

第二加权特征图生成单元，用于基于所述文本特征向量生成单元获得的所述第一文本特征向量和所述第二文本特征向量，对所述第二特征图生成单元获得的所述第二特征图进行通道维度上的加权处理，以获得第二加权特征图；

差分分类特征图生成单元，用于计算所述第一加权特征图生成单元获得的所述第一加权特征图和所述第二加权特征图生成单元获得的所述第二加权特征图的差分，以获得差分分类特征图；

分类结果生成单元，用于将所述差分分类特征图生成单元获得的所述差分分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示待识别的产品证书是否是与参考产品证书相关的证书；

标注单元，用于基于所述分类结果生成单元获得的所述分类结果，对所述待识别的产品证书进行标注和索引；以及

存储单元，用于将所述标注单元获得的所述标注和索引后的所述待识别的产品证书上传到区块链结构的区块中。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于区块链技术的产品证书管理方法。

根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于区块链技术的产品证书管理方法。

与现有技术相比，本申请提供的基于区块链技术的产品证书管理方法、基于区块链技术的产品证书管理系统和电子设备，其针对区块链本身的分布式存储和管理特性和区块链所存储的数据的不可篡改和溯源特性，采用深度学习技术来对产品证书进行图像和文本语义两方面的识别，并进行分类，以实现对于待识别的产品证书的准确标注和索引，便于后续的产品证书的调取和使用。这样，通过采用区块链来对产品证书进行存储和管理，可以利用区块链的去中心化分布式存储特性和不可修改特性，来确保产品证书管理和查询的便利性和安全性。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的基于区块链的产品证书数据库的架构示意图；

图2图示了根据本申请实施例的基于区块链技术的产品证书管理方法的应用场景图；

图3图示了根据本申请实施例的基于区块链技术的产品证书管理方法的流程图；

图4图示了根据本申请实施例的基于区块链技术的产品证书管理方法的系统架构示意图；

图5图示了根据本申请实施例的基于区块链技术的产品证书管理方法中，以所述第一文本特征向量的各个位置的特征值作为权重对所述第一特征图进行通道维度上的加权处理，以获得第一加权特征图的流程图；

图6图示了根据本申请实施例的基于区块链技术的产品证书管理方法中，基于所述第一文本特征向量和所述第二文本特征向量，对所述第二特征图进行通道维度上的加权处理，以获得第二加权特征图的流程图；

图7图示了根据本申请实施例的基于区块链技术的产品证书管理系统的框图；

图8图示了根据本申请实施例的基于区块链技术的产品证书管理系统中第一加权特征图生成单元的框图；

图9图示了根据本申请实施例的基于区块链技术的产品证书管理系统中第二加权特征图生成单元的框图；

图10图示了根据本申请实施例的基于区块链技术的产品证书管理系统中文本特征向量生成单元的框图；

图11图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

区块链架构概述

图1图示了根据本申请实施例的基于区块链的产品证书数据库的架构示意图。如图1所示，根据本申请实施例的基于区块链的产品证书数据库采用典型的区块链架构，产品证书，例如整机和关键件的产品证书p1、p2、…、pn存储在以区块链构造的各个存储区块b1、b2、…、bn中。当然，本领域技术人员可以理解，不同类型的产品证书也可以分别存储在单独的区块中，例如，某个区块专用于存储整机的产品证书，而另一区块专用于存储关键件的产品证书。

按照典型的区块链存储架构，每个区块b1、b2、…、bn包括指针h1、h2、…、hn和数据部分d1、d2、…、dn。指针h1、h2、…、hn可以是各种类型的哈希指针，比如区块链存储架构中常用的sha-256哈希函数，该哈希指针指向上一个区块。

在本申请实施例中，下一区块的哈希指针的值基于上一区块的哈希指针的值与数据部分的哈希函数值，例如，h2＝h1×h(d1)，h(d1)表示数据部分d1的哈希函数值。首个区块的哈希指针的值可以是随机数值。这样，任何对某个区块内的数据部分的修改都将反应在下一区块的哈希指针的值上，并进一步改变后续所有区块的哈希指针的值，使得对于数据部分的修改实质上不可能的。

这里，本领域技术人员可以理解，根据本申请实施例的基于区块链的产品证书数据库可以采用任意的通用的区块链架构，本申请实施例并不意在限制区块链架构的具体实现。并且，在本申请实施例中，区块链优选地采用私有链或者联盟链，从而利于在产品证书提供商或者产品证书提供商联盟的公司或者企业内部进行产品证书存储管理，相应地，用于存储产品证书的各个存储区块可以预先配置，而不需要基于共识算法生成，这样，可以避免共识算法所导致的计算资源的消耗。

也就是说，根据本申请实施例的基于区块链的产品证书数据库的区块链架构聚焦于产品证书的存储管理，而不涉及类似电子货币的基于区块链的价值传递功能，因此，该区块链架构可以由公司或者企业内部的管理部门预先配置在云端，并由各个技术部门从终端接入，进行产品证书的上传，并在云端进行统一存储和管理。所以，由于各个技术部门很可能分布在不同的地理位置，应用区块链架构可以方便地实现产品证书的分布式存储。

另一方面，根据本申请实施例的区块链架构中的各个区块也可以与公有链的区块相关联，以使得每个区块具有与公有链的关联区块相对应的时间戳信息。这样，当需要记录需要时间属性的信息，比如产品证书的上传时间，从而确定产品证书是否为早期版本时，就可以利用区块链中各区块的时间顺序属性。

场景概述

如前所述，由于单件产品可能需要满足多个工业标准，相应地，对于单件产品来说，可能存在多个产品证书。并且，除了产品本身的证书以外，还可能存在产品的关键件(原材料)的证书，这就对产品证书的管理提出了很大挑战，例如，用户可能希望通过产品的某个证书号就能够查询到所有相关的产品证书信息，包括整机和关键件的产品证书信息，而不希望逐个查询。

基于此，本申请的发明人考虑到由于目前产品需要多次验证，因而需要经过很多验证流程，且这些验证流程具有分布性的特点，且另一方面，产品证书需要保证真实性，而这正符合区块链技术的分布式存储和管理特性和区块链所存储的数据的不可篡改和溯源特性，因此，本申请的发明人通过使用区块链技术来对如上所述的产品证书信息进行管理。

并且，如上所述，由于目前关于单个产品的多个验证过程相关联，也就是，产生的多个证书相关联，且产品除本身的证书以外，还涉及到其关键件(原材料)的证书，而且由于使用区块链技术后，存储到区块中的数据不可更改，因此需要在存储数据之前对于数据进行准确的标注和索引，才能够使得用户在查询时，通过单个产品的证书信息就可以查询到所有与其相关的该产品的其它证书信息以及关键件(原材料)的证书信息。

随着深度神经网络在图像识别以及语义理解等方面取得的巨大进步，本申请的发明人考虑使用深度学习技术来对产品证书进行图像和文本语义两方面的识别，并进行分类，也就是，确定待识别的产品证书是否是与参考产品证书相关的证书，这样，可以实现对于待识别的产品证书的准确标注和索引。

具体地，在本申请的技术方案中，首先获取待识别的产品证书的第一图像及第一相关文本信息，例如产品验证流程，产品验证报告等，以及参考产品证书的第二图像及第二相关文本信息，以作为原始数据。然后，将第一图像和第二图像分别输入具有相同结构的第一卷积神经网络和第二卷积神经网络，以获得第一特征图和第二特征图。并且，将第一相关文本信息和第二相关文本信息输入到语义理解模型，例如双向lstm网络，以获得第一文本特征向量和第二文本特征向量。

这里，由于在本申请的技术方案中，图像识别和文本语义识别是相互关联的，因此也有必要将所提取出的高维图像信息和高维文本语义信息相互关联。进一步地，因为图像证书中主要待识别的也是图像中的对象信息，比如颁证机关标识、证书关键词的图像等，因此在使用卷积神经网络提取高维特征时，本申请主要关心的是每个卷积核作为过滤器所提取出的高维特征的全局信息。所以，本申请基于通道注意力的思想，采用文本特征向量作为权重来对相应的特征图进行通道加权，也就是，将第一特征图进行通道维度的变换以将其通道数转换为第一文本特征向量的长度，然后再以第一文本特征向量的每个位置的值对第一特征图的每个通道进行加权以获得第一加权特征图。然后，为了在参考特征图中并入比较信息，首先对第一文本特征向量和第二文本特征向量计算按位置差值以获得差分特征向量，然后对第二特征图进行通道加权以获得第二加权特征图。

最后，通过将第一加权特征图和第二加权特征图进行各个位置的归一化以后计算按位置差值，就可以获得差分分类特征图，并以此差分分类特征图输入分类器获得分类结果，该分类结果用于表示待识别的产品证书是否是与参考产品证书相关的证书。然后，根据所述分类结果对于待识别的产品证书进行标注和索引，并上传到区块链存储架构中。

图2图示了根据本申请实施例的基于区块链技术的产品证书管理方法的应用场景图。如图2所示，在该应用场景中，首先，获取待识别的产品证书的第一图像和第一相关文本信息，以及，参考产品证书的第二图像和第二相关文本信息。在该应用场景中，可通过对产品证书进行电子扫描以生成产品证书的图像，并通过文本识别技术识别出所述图像中的相关文本信息。当然，还可以通过其他方式来生成产品证书的图像和获取其相关文本信息，对此，并不为该应用场景所局限。然后，将获取的所述第一图像、第一相关文本信息、第二图像和第二相关文本信息输入至部署有基于区块链技术的产品证书管理算法的服务器中(例如，如图2中所示意的云服务器s)，其中，所述服务器能够基于区块链技术的产品证书管理算法对所述第一图像、第一相关文本信息、第二图像和第二相关文本信息进行处理，以生成表示待识别的产品证书是否是与参考产品证书相关的证书的分类结果。继而，基于所述分类结果，对所述待识别的产品证书进行标注和索引并将标注和索引后的所述待识别的产品证书上传到区块链结构(例如，如图1中所示意的t)的区块中。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图3图示了基于区块链技术的产品证书管理方法的流程图。如图3所示，根据本申请实施例的基于区块链技术的产品证书管理方法，包括：s110，获取待识别的产品证书的第一图像和第一相关文本信息，以及，参考产品证书的第二图像和第二相关文本信息；s120，将所述第一图像输入第一卷积神经网络，以从所述第一图像中提取出第一特征图；s130，将所述第二图像输入第二卷积神经网络，以从所述第二图像中提取出第二特征图，其中，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；s140，将所述第一相关文本信息和所述第二相关文本信息输入基于深度学习的语义理解模型，以获得对应于所述第一相关文本信息的第一文本特征向量和对应于所述第二相关文本信息的第二文本特征向量；s150，以所述第一文本特征向量的各个位置的特征值作为权重对所述第一特征图进行通道维度上的加权处理，以获得第一加权特征图；s160，基于所述第一文本特征向量和所述第二文本特征向量，对所述第二特征图进行通道维度上的加权处理，以获得第二加权特征图；s170，计算所述第一加权特征图和所述第二加权特征图的差分，以获得差分分类特征图；s180，将所述差分分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示待识别的产品证书是否是与参考产品证书相关的证书；s190，基于所述分类结果，对所述待识别的产品证书进行标注和索引；以及，s200，将标注和索引后的所述待识别的产品证书上传到区块链结构的区块中。

图4图示了根据本申请实施例的基于区块链技术的产品证书管理方法的架构示意图。如图4所示，在所述基于区块链技术的产品证书管理方法的网络架构中，首先，获取待识别的产品证书的第一图像(例如，如图4中所示意的in1)和第一相关文本信息(例如，如图4中所示意的in2)，以及，参考产品证书的第二图像(例如，如图4中所示意的in3)和第二相关文本信息(例如，如图4中所示意的in4)；接着，将所述第一图像输入第一卷积神经网络(例如，如图4中所示意的cnn1)，以从所述第一图像中提取出第一特征图(例如，如图4中所示意的f1)；接着，将所述第二图像输入第二卷积神经网络(例如，如图4中所示意的cnn2)，以从所述第二图像中提取出第二特征图(例如，如图4中所示意的f2)；接着，将所述第一相关文本信息和所述第二相关文本信息输入基于深度学习的语义理解模型(例如，如图4中所示意的sum)，以获得对应于所述第一相关文本信息的第一文本特征向量(例如，如图4中所示意的v1)和对应于所述第二相关文本信息的第二文本特征向量(例如，如图4中所示意的v2)；接着，以所述第一文本特征向量的各个位置的特征值作为权重对所述第一特征图进行通道维度上的加权处理，以获得第一加权特征图(例如，如图4中所示意的fw1)；接着，基于所述第一文本特征向量和所述第二文本特征向量，对所述第二特征图进行通道维度上的加权处理，以获得第二加权特征图(例如，如图4中所示意的fw2)；接着，计算所述第一加权特征图和所述第二加权特征图的差分，以获得差分分类特征图(例如，如图4中所示意的fc)；接着，将所述差分分类特征图通过分类器(例如，如图4中所示意的分类器)以获得分类结果；然后，基于所述分类结果，对所述待识别的产品证书进行标注和索引；最后，将标注和索引后的所述待识别的产品证书上传到区块链结构(例如，如图4中所示意的t)的区块中。

在步骤s110中，获取待识别的产品证书的第一图像和第一相关文本信息，以及，参考产品证书的第二图像和第二相关文本信息。如前所述，本申请发明人考虑使用深度学习技术来对产品证书进行图像和文本语义两方面的识别，并进行分类，也就是，确定待识别的产品证书是否是与参考产品证书相关的证书，以实现对于待识别的产品证书的准确标注和索引。

在本申请实施例中，所述产品证书的图像可以是产品证书的电子扫描文档，或者，通过对产品证书进行拍照获得。所述第一相关文本信息，为与所述产品证书相关联的信息，其包括但不限于：与所述待识别的产品证书相关联的产品验证流程和产品验证报告；所述第二相关文本信息为与所述参考产品证书相关联的信息，其包括但不限于：与参考产品证书相关联的产品验证流程和产品验证报告。

在步骤s120中，将所述第一图像输入第一卷积神经网络，以从所述第一图像中提取出第一特征图。也就是，以第一卷积神经网络提取出所述第一图像中的高维特征。本领域普通技术人员应知晓，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此，采用卷积神经网络能够提取到想要的高维特征。

在步骤s130中，将所述第二图像输入第二卷积神经网络，以从所述第二图像中提取出第二特征图，其中，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构。也就是，以第二卷积神经网络提取出所述第二图像中的高维特征，应可以理解，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构，也就是，第一卷积神经网络与第二卷积神经网络部分权值共享，以减小训练过程中的计算量，有利于避免梯度消失。同时，具有相同网络结构的第一、第二卷积神经网络输出的第一特征图与第二特征图具有相同的尺度，利于后续计算。

在步骤s140中，将所述第一相关文本信息和所述第二相关文本信息输入基于深度学习的语义理解模型，以获得对应于所述第一相关文本信息的第一文本特征向量和对应于所述第二相关文本信息的第二文本特征向量。

具体地，在本申请实施例中，将所述第一相关文本信息和所述第二相关文本信息输入基于深度学习的语义理解模型，以获得对应于所述第一相关文本信息的第一文本特征向量和对应于所述第二相关文本信息的第二文本特征向量的过程，包括：首先，将所述第一相关文本信息和所述第二相关文本信息输入词嵌入模型，以获得第一相关文本词向量和第二相关文本词向量。本领域普通技术人员应知晓，文本是一类非常重要的非结构化数据，通过词嵌入模型可以将文本转化为结构化数据，即，以向量的形式表示文本数据。然后，将所述第一相关文本词向量和所述第二相关文本词向量输入双向长短期记忆模型，以获得所述第一文本特征向量和所述第二文本特征向量。本领域普通技术人员应知晓，双向长短期记忆模型(bi-directionallongshort-termmemory)是由前向lstm与后向lstm组合而成，两者在自然语言处理任务中都常被用来建模上下文信息。前向lstm可以学习到当前词的前文信息而后向lstm可以学习到当前词后续文本的信息，所以bilstm学习到了上下文的信息，更好的捕捉双向的语义依赖。

在步骤s150中，以所述第一文本特征向量的各个位置的特征值作为权重对所述第一特征图进行通道维度上的加权处理，以获得第一加权特征图。具体地，在本申请实施例中，以所述第一文本特征向量的各个位置的特征值作为权重对所述第一特征图进行通道维度上的加权处理，以获得第一加权特征图的过程，包括：首先，将所述第一特征图进行通道维度的变换以将所述第一特征图的通道数转换为所述第一文本特征向量的长度，以获得第一通道变换特征图，具体地，可通过卷积或反卷积操作改变图像的通道数。然后，以所述第一文本特征向量的各个位置的特征值作为权重对所述第一通道变换特征图的各个通道进行加权，以获得所述第一加权特征图。

图5图示了根据本申请实施例的基于区块链技术的产品证书管理方法中，以所述第一文本特征向量的各个位置的特征值作为权重对所述第一特征图进行通道维度上的加权处理，以获得第一加权特征图的流程图。如图5所示，在本申请实施例中，以所述第一文本特征向量的各个位置的特征值作为权重对所述第一特征图进行通道维度上的加权处理，以获得第一加权特征图，包括：s310，将所述第一特征图进行通道维度的变换以将所述第一特征图的通道数转换为所述第一文本特征向量的长度，以获得第一通道变换特征图；及，s320，以所述第一文本特征向量的各个位置的特征值作为权重对所述第一通道变换特征图的各个通道进行加权，以获得所述第一加权特征图。

在步骤s160中，基于所述第一文本特征向量和所述第二文本特征向量，对所述第二特征图进行通道维度上的加权处理，以获得第二加权特征图。具体地，在本申请实施例中，基于所述第一文本特征向量和所述第二文本特征向量，对所述第二特征图进行通道维度上的加权处理，以获得第二加权特征图的过程，包括：首先，计算所述第一文本特征向量和所述第二文本特征向量的按位置差值以获得差分特征向量。也就是，为了在参考特征图中并入比较信息，计算所述第一文本特征向量和所述第二文本特征向量的按位置差值以获得差分特征向量。接着，将所述第二特征图进行通道维度的变换以将所述第二特征图的通道数转换为所述差分特征向量的长度，以获得第二通道变换特征图。应可以理解，通过将第二特征图的通道维度变换为所述差分特征向量的长度，可以便于后续的加权运算。然后，以所述差分特征向量的各个位置的特征值作为权重对所述第二通道变换特征图的各个通道进行加权，以获得所述第二加权特征图。

图6图示了根据本申请实施例的基于区块链技术的产品证书管理方法中，基于所述第一文本特征向量和所述第二文本特征向量，对所述第二特征图进行通道维度上的加权处理，以获得第二加权特征图的流程图。如图6所示，在本申请实施例中，基于所述第一文本特征向量和所述第二文本特征向量，对所述第二特征图进行通道维度上的加权处理，以获得第二加权特征图，包括：s410，计算所述第一文本特征向量和所述第二文本特征向量的按位置差值以获得差分特征向量；s420，将所述第二特征图进行通道维度的变换以将所述第二特征图的通道数转换为所述差分特征向量的长度，以获得第二通道变换特征图；以及，s430，以所述差分特征向量的各个位置的特征值作为权重对所述第二通道变换特征图的各个通道进行加权，以获得所述第二加权特征图。

在步骤s170中，计算所述第一加权特征图和所述第二加权特征图的差分，以获得差分分类特征图。具体地，在本申请实施例中，计算所述第一加权特征图和所述第二加权特征图的差分，以获得差分分类特征图的过程，包括：首先，对所述第一加权特征图的各个位置的特征值进行归一化处理，以获得第一归一化特征图。接着，对所述第二加权特征图的各个位置的特征值进行归一化处理，以获得第二归一化特征图。具体地，可以使用线性函数归一化将各个位置的特征值映射到[0,1]的范围内，或者，采用零均值归一化将各个位置的特征值映射到均值为0，标准差为1的分布上，当然，还可以采用其他归一化处理手段进行归一化处理，对此，并不为本申请所局限。然后，计算所述第一归一化特征图和所述第二归一化特征图的按位置差值，以获得所述差分分类特征图。应可以理解，对所述第一归一化特征图和所述第二归一化特征图进行像素级别的差分，获得的差分分类特征图的每个像素位置都能表达所述特征图之间按像素位置的特征差异。

在步骤s180中，将所述差分分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示待识别的产品证书是否是与参考产品证书相关的证书。具体地，在本申请实施例中，将所述差分分类特征图通过分类器以获得分类结果的过程，包括：首先，将所述差分分类特征图通过一个或多个全连接层，以通过所述一个或多个全连接层对所述差分分类特征图进行处理，以获得分类特征向量。也就是，通过全连接层对所述差分分类特征图进行编码，以充分利用差分分类特征图的各个位置信息，以获得分类特征向量。然后，将所述分类特征向量输入softmax分类函数，以获得所述分类结果。

在步骤s190中，基于所述分类结果，对所述待识别的产品证书进行标注和索引。应可以理解，通过基于所述分类结果对所述待识别的产品证书进行标注和索引，就可以使得用户在查询时，通过单个产品的证书信息查询到所有与其相关的该产品的其它证书信息以及关键件的证书信息。

在步骤s200中，将标注和索引后的所述待识别的产品证书上传到区块链结构的区块中。也就是，通过使用区块链技术来对产品证书信息进行管理，存储到区块中的数据不可更改。

综上，本申请实施例的基于区块链技术的产品证书管理方法被阐明，其针对区块链本身的分布式存储和管理特性和区块链所存储的数据的不可篡改和溯源特性，采用深度学习技术来对产品证书进行图像和文本语义两方面的识别，并进行分类，以实现对于待识别的产品证书的准确标注和索引，便于后续的产品证书的调取和使用。这样，通过采用区块链来对产品证书进行存储和管理，可以利用区块链的去中心化分布式存储特性和不可修改特性，来确保产品证书管理和查询的便利性和安全性。

示例性系统

图7图示了根据本申请实施例的基于区块链技术的产品证书管理系统的框图。如图7所示，根据本申请实施例的基于区块链技术的产品证书管理系统1000，包括：信息获取单元1010，用于获取待识别的产品证书的第一图像和第一相关文本信息，以及，参考产品证书的第二图像和第二相关文本信息；第一特征图生成单元1020，用于将所述信息获取单元1010获得的所述第一图像输入第一卷积神经网络，以从所述第一图像中提取出第一特征图；第二特征图生成单元1030，用于将所述信息获取单元1010获得的所述第二图像输入第二卷积神经网络，以从所述第二图像中提取出第二特征图，其中，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；文本特征向量生成单元1040，用于将所述信息获取单元1010获得的所述第一相关文本信息和所述第二相关文本信息输入基于深度学习的语义理解模型，以获得对应于所述第一相关文本信息的第一文本特征向量和对应于所述第二相关文本信息的第二文本特征向量；第一加权特征图生成单元1050，用于以所述文本特征向量生成单元1040获得的所述第一文本特征向量的各个位置的特征值作为权重对所述第一特征图生成单元1020获得的所述第一特征图进行通道维度上的加权处理，以获得第一加权特征图；第二加权特征图生成单元1060，用于基于所述文本特征向量生成单元1040获得的所述第一文本特征向量和所述第二文本特征向量，对所述第二特征图生成单元1030获得的所述第二特征图进行通道维度上的加权处理，以获得第二加权特征图；差分分类特征图生成单元1070，用于计算所述第一加权特征图生成单元1050获得的所述第一加权特征图和所述第二加权特征图生成单元1060获得的所述第二加权特征图的差分，以获得差分分类特征图；分类结果生成单元1080，用于将所述差分分类特征图生成单元1070获得的所述差分分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示待识别的产品证书是否是与参考产品证书相关的证书；标注单元1090，用于基于所述分类结果生成单元1080获得的所述分类结果，对所述待识别的产品证书进行标注和索引；以及，存储单元1100，用于将所述标注单元1090获得的所述标注和索引后的所述待识别的产品证书上传到区块链结构的区块中。

在一个示例中，在上述产品证书管理系统1000中，如图8所示，所述第一加权特征图生成单元1050，包括：第一通道变换子单元1051，用于将所述第一特征图进行通道维度的变换以将所述第一特征图的通道数转换为所述第一文本特征向量的长度，以获得第一通道变换特征图；以及，第一加权子单元1052，用于以所述第一文本特征向量的各个位置的特征值作为权重对所述第一通道变换子单元1051获得的所述第一通道变换特征图的各个通道进行加权，以获得所述第一加权特征图。

在一个示例中，在上述产品证书管理系统1000中，如图9所示，所述第二加权特征图生成单元1060，包括：差分特征向量生成子单元1061，用于计算所述第一文本特征向量和所述第二文本特征向量的按位置差值以获得差分特征向量；第二通道变换子单元1062，用于将所述第二特征图进行通道维度的变换以将所述第二特征图的通道数转换为所述差分特征向量生成子单元1061获得的所述差分特征向量的长度，以获得第二通道变换特征图；以及，第二加权子单元1063，用于以所述差分特征向量生成子单元1061获得的所述差分特征向量的各个位置的特征值作为权重对所述第二通道变换子单元1062获得的所述第二通道变换特征图的各个通道进行加权，以获得所述第二加权特征图。

在一个示例中，在上述产品证书管理系统1000中，如图10所示，所述文本特征向量生成单元1040，包括：词向量生成子单元1041，用于将所述第一相关文本信息和所述第二相关文本信息输入词嵌入模型，以获得第一相关文本词向量和第二相关文本词向量；以及，特征向量生成子单元1042，用于将所述词向量生成子单元1041获得的所述第一相关文本词向量和所述第二相关文本词向量输入双向长短期记忆模型，以获得所述第一文本特征向量和所述第二文本特征向量。

这里，本领域技术人员可以理解，上述产品证书管理系统1000中的各个单元和模块的具体功能和操作已经在上面参考图1到图9的基于区块链技术的产品证书管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。

示例性电子设备

下面，参考图11来描述根据本申请实施例的电子设备。如图11所示，电子设备包括10包括一个或多个处理器11和存储器12。处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于区块链技术的产品证书管理方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如第一加权特征图、差分分类特征图等各种内容。

在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入系统13可以包括例如键盘、鼠标等等。

该输出系统14可以向外部输出各种信息，包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图11中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。