技术特征：
1.被配置为分析产品的像素数据以检测产品假冒的基于人工智能(ai)的隐写系统，所述基于ai的隐写系统包括：一个或多个处理器；隐写应用程序(app)，所述隐写应用程序包括被配置为在所述一个或多个处理器上执行的计算指令；和基于ai的成像模型，所述基于ai的成像模型能够由所述隐写应用程序访问并且通过多个训练图像的像素数据进行训练，所述多个训练图像包括(1)各自描绘具有一个或多个真实隐写特征的所述产品的至少一部分的图像的第一子集，和(2)各自描绘不含所述一个或多个真实隐写特征的所述产品的至少一部分的图像的第二子集，其中所述基于ai的成像模型被配置为输出与所述一个或多个真实隐写特征的基于像素的特征存在或不存在对应的一个或多个图像分类，其中所述隐写应用程序的所述计算指令在由所述一个或多个处理器执行时被配置为致使所述一个或多个处理器：接收所述产品的新图像，所述新图像包括由数字相机捕获的数字图像，并且所述新图像包括所述产品的至少一部分的像素数据，由所述基于ai的成像模型针对所述一个或多个真实隐写特征的所述基于像素的特征存在或不存在分析所述新图像的所述像素数据以确定所述产品的图像分类，所述图像分类选自所述基于ai的成像模型的所述一个或多个图像分类，以及基于所述图像分类来检测所述产品是真实的还是假冒的。2.根据权利要求1所述的基于ai的隐写系统，其中所述隐写应用程序的所述计算指令在由所述一个或多个处理器执行时被进一步配置为致使所述一个或多个处理器：选择所述一个或多个真实隐写特征的集合以用于在不同版本的所述产品上打印，以及生成打印提交以用于由打印机在所述不同版本的所述产品的基底上打印或增强所述一个或多个真实隐写特征的所述集合。3.根据权利要求1所述的基于ai的隐写系统，其中所述图像的第一子集的所述一个或多个真实隐写特征通过选择或更改一个或多个预定隐写特征来生成。4.根据权利要求3所述的基于ai的隐写系统，其中所述图像的第二子集包括通过删除或注释所述一个或多个预定隐写特征的至少一部分来生成的合成图像。5.根据权利要求1所述的基于ai的隐写系统，其中所述图像的第二子集包括通过删除或注释所述一个或多个真实隐写特征的至少一部分来生成的合成图像。6.根据权利要求1所述的基于ai的隐写系统，其中所述图像的第二子集中的每一者包括基于所述一个或多个真实隐写特征的所述基于像素的特征存在或不存在的与所述图像的第一子集中的每一者的视觉或像素差异。7.根据权利要求6所述的基于ai的隐写系统，其中所述视觉或像素差异通过生成对抗网络(gan)的一个或多个迭代来生成。8.根据权利要求1所述的基于ai的隐写系统，其中所述一个或多个图像分类包括以下中的一者或多者：(1)假冒产品分类；和(2)真实产品分类。9.根据权利要求1所述的基于ai的隐写系统，其中所述多个训练图像还包括各自描绘具有一个或多个现实假冒特征的所述产品的至少一部分的图像的第三子集，并且其中通过所述图像的第三子集进一步训练所述基于ai的成像模型。
10.根据权利要求1所述的基于ai的假冒检测系统，其中所述一个或多个真实隐写特征包括以下中的至少一者：(1)条形码的一个或多个部分；(2)qr码的一个或多个部分；(3)数据矩阵代码的一个或多个部分；(4)可扫描代码的一个或多个部分；(5)一个或多个字母数字字符；(6)一个或多个打印符号；(7)一个或多个增强文本字符或字体；(8)一个或多个图形更改；或(9)一个或多个包装更改。11.根据权利要求1所述的基于ai的假冒检测系统，其中二维(2d)数据矩阵被描绘为在所述产品的所述真实隐写特征中的一者或多者的附近，并且其中所述隐写应用程序的所述计算指令在由所述一个或多个处理器执行时被进一步配置为致使所述一个或多个处理器：通过分析所述2d数据矩阵相对于所述真实隐写特征中的一者或多者的对准来检测所述产品是真实的还是假冒的。12.根据权利要求1所述的基于ai的隐写系统，其中所述多个训练图像中的一者或多者各自包括与相应原始图像相比具有减小的像素计数的裁剪图像，所述裁剪图像描绘所述一个或多个真实隐写特征或所述产品的不含所述一个或多个真实隐写特征的部分。13.根据权利要求1所述的基于ai的隐写系统，其中所述多个训练图像中的一者或多者包括所述产品的多个角度或视角。14.根据权利要求1所述的基于ai的隐写系统，其中所述隐写应用程序的所述计算指令在由所述一个或多个处理器执行时被进一步配置为致使所述一个或多个处理器：在计算设备的显示屏上呈现所述产品是真实的还是假冒的指示。15.根据权利要求1所述的基于ai的隐写系统，其中所述产品被分类为假冒的，并且其中所述隐写应用程序的计算指令在由所述一个或多个处理器执行时被进一步配置为致使所述一个或多个处理器：在计算设备的显示屏上呈现所述产品的所述新图像内的所述一个或多个真实隐写特征的基于像素的特征存在或不存在的视觉指示。16.用于分析产品的像素数据以检测产品假冒的基于人工智能(ai)的隐写方法，所述基于ai的隐写方法包括：由计算设备的一个或多个处理器通过多个训练图像的像素数据训练基于ai的成像模型，所述多个训练图像包括(1)各自描绘具有一个或多个真实隐写特征的所述产品的至少一部分的图像的第一子集，和(2)各自描绘不含所述一个或多个真实隐写特征的所述产品的至少一部分的图像的第二子集，其中所述基于ai的成像模型被配置为输出与所述一个或多个真实隐写特征的基于像素的特征存在或不存在对应的一个或多个图像分类；由所述一个或多个处理器接收所述产品的新图像，所述新图像包括由数字相机捕获的数字图像，并且所述新图像包括所述产品的至少一部分的像素数据；由所述基于ai的成像模型针对所述一个或多个真实隐写特征的所述基于像素的特征存在或不存在分析所述新图像的所述像素数据以确定所述产品的图像分类，所述图像分类选自所述基于ai的成像模型的所述一个或多个图像分类；以及由所述一个或多个处理器基于所述图像分类来检测所述产品是真实的还是假冒的。17.有形的非暂态计算机可读介质，所述有形的非暂态计算机可读介质存储用于分析产品的像素数据以检测产品假冒的指令，所述指令当由计算设备的一个或多个处理器执行时致使所述计算设备的所述一个或多个处理器：
由计算设备的一个或多个处理器通过多个训练图像的像素数据训练基于ai的成像模型，所述多个训练图像包括(1)各自描绘具有一个或多个真实隐写特征的所述产品的至少一部分的图像的第一子集，和(2)各自描绘不含所述一个或多个真实隐写特征的所述产品的至少一部分的图像的第二子集，其中所述基于ai的成像模型被配置为输出与所述一个或多个真实隐写特征的基于像素的特征存在或不存在对应的一个或多个图像分类；由所述一个或多个处理器接收所述产品的新图像，所述新图像包括由数字相机捕获的数字图像，并且所述新图像包括所述产品的至少一部分的像素数据；由所述基于ai的成像模型针对所述一个或多个真实隐写特征的所述基于像素的特征存在或不存在分析所述新图像的所述像素数据以确定所述产品的图像分类，所述图像分类选自所述基于ai的成像模型的所述一个或多个图像分类；以及由所述一个或多个处理器基于所述图像分类来检测所述产品是真实的还是假冒的。
技术总结
本发明题为“用于分析产品的像素数据以检测产品假冒的基于人工智能的隐写系统和方法”。本发明公开了用于分析产品的像素数据以检测产品假冒的基于AI的隐写系统和方法。基于AI的成像模型通过多个训练图像的像素数据进行训练，该多个训练图像包括(1)各自描绘具有一个或多个真实隐写特征的产品的至少一部分的图像的第一子集，和(2)各自描绘不含一个或多个真实隐写特征的产品的至少一部分的图像的第二子集。包括产品的像素数据的新图像可由基于AI的成像模型接收和分析以检测真实隐写特征的基于像素的特征存在或不存在，从而确定产品的图像分类。该基于AI的隐写系统和方法可基于图像分类来检测产品是真实的还是假冒的。基于图像分类来检测产品是真实的还是假冒的。基于图像分类来检测产品是真实的还是假冒的。
技术研发人员：乔纳森
受保护的技术使用者：宝洁公司
技术研发日：2022.02.28
技术公布日：2022/9/19