技术特征：
1.一种基于图像识别的卷烟陈列防作弊检测方法，其特征在于，包括步骤：s100：获取卷烟陈列图像，对所述卷烟陈列图像进行预处理，得到预识别图像；s200：将所述预识别图像送入卷烟陈列防作弊模型中进行识别，得到所述预识别图像的摆拍概率；s300：将所述摆拍概率与设定阈值进行比较，输出识别结果。2.根据权利要求1所述的一种基于图像识别的卷烟陈列防作弊检测方法，其特征在于，所述s300步骤中，若所述摆拍概率大于所述设定阈值，所述预识别图像为非摆拍图像；若所述摆拍概率小于所述设定阈值，所述预识别图像为摆拍图像。3.根据权利要求1所述的一种基于图像识别的卷烟陈列防作弊检测方法，其特征在于，所述s100步骤中，预处理的过程包括：s110：将所述卷烟陈列图像统一缩放到224*224的尺寸；s120：对统一尺寸后的图片进行数据增强处理；所述数据增强处理包括上下翻转、左右翻转、高斯模糊和旋转中的一种或多种。4.一种基于图像识别的卷烟陈列防作弊模型训练方法，其特征在于，权利要求1-3中任一所述的卷烟陈列防作弊检测方法通过所述训练方法得到所述卷烟陈列防作弊模型，包括步骤：s10：收集多张卷烟训练图像，对所述卷烟训练图像进行分类，后进行预处理，得到预检图像和标签概率；s20：将所述预检图像送入初始识别模型中进行训练，得到所述预检图像为摆拍图像的预测概率；s30：将所述标签概率、预测概率送入损失函数中计算损失，该损失通过反向传播算法更新所述初始识别模型的参数；s40：所述参数更新完成后，得到参数矩阵，将所述参数矩阵加载进所述初始识别模型，得到所述卷烟陈列防作弊模型。5.根据权利要求4所述的一种基于图像识别的卷烟陈列防作弊模型训练方法，其特征在于，所述损失函数的计算公式为：；其中，l为损失，n为总样本数，y
i
为第i个样本的所述标签概率，p
i
为第i个样本的所述预测概率。6.根据权利要求4所述的一种基于图像识别的卷烟陈列防作弊模型训练方法，其特征在于，所述s10步骤中，对所述卷烟训练图像进行分类，具体包括：将所述卷烟训练图像分成三个样本集；所述样本集包括摆拍样本集、非摆拍样本集和存疑摆拍样本集；所述存疑摆拍样本集不进行预处理。7.根据权利要求6所述的一种基于图像识别的卷烟陈列防作弊模型训练方法，其特征在于，所述步骤s10中，预处理的过程包括：s11：将所述摆拍样本集、非摆拍样本集的图像统一缩放到224*224的尺寸；s12：对统一尺寸后的图片进行数据增强处理；所述数据增强处理包括上下翻转、左右翻转、高斯模糊和旋转中的一种或多种；
s13：为数据增强处理后的摆拍样本集图像、非摆拍样本集图像设置标签；s14：将所述摆拍样本集图像的标签概率赋值为0.0001，所述非摆拍样本集图像的标签概率赋值为0.9999；s15：将设置有所述标签、标签概率的样本集图像输出为所述预检图像。8.根据权利要求4所述的一种基于图像识别的卷烟陈列防作弊模型训练方法，其特征在于，所述卷烟陈列防作弊模型包括获取模块、预处理模块、特征提取模块和识别模块；所述获取模块、预处理模块、特征提取模块、识别模块通信连接。9.根据权利要求8所述的一种基于图像识别的卷烟陈列防作弊模型训练方法，其特征在于，所述获取模块，采集用户上传的卷烟陈列待识别图像；所述预处理模块，对所述卷烟陈列待识别图像进行处理，得到目标图像；所述特征提取模块，对所述目标图像进行特征提取，得到目标特征向量；所述识别模块，将所述目标特征向量送入全连接神经网络，得到一个输出，该输出通过sigmoid函数进行映射，得到摆拍概率。10.根据权利要求8所述的一种基于图像识别的卷烟陈列防作弊模型训练方法，其特征在于，所述特征提取模块采用了resnet算法。
技术总结
本发明公开了一种基于图像识别的卷烟陈列防作弊检测方法及模型训练方法，涉及图像识别技术领域，解决了现有技术中存在的没有针对卷烟陈列图像是否摆拍的自动化审查手段，有些人根据该漏洞在卷烟拍照获利活动不当得利的技术问题。该卷烟陈列防作弊检测方法包括步骤：S100：获取卷烟陈列图像，对卷烟陈列图像进行预处理，得到预识别图像；S200：将预识别图像送入卷烟陈列防作弊模型中进行识别，得到预识别图像的摆拍概率；S300：将摆拍概率与设定阈值进行比较，输出识别结果。本发明用于判断用户上传的卷烟陈列图像是否为摆拍图像，限制有些人通过卷烟拍照获利活动不当得利。些人通过卷烟拍照获利活动不当得利。些人通过卷烟拍照获利活动不当得利。
技术研发人员：龙涛 杨恒 李轩
受保护的技术使用者：深圳爱莫科技有限公司
技术研发日：2022.04.29
技术公布日：2022/6/1