陳 雨 ，陳 桂 雄 ，周 雄 圖 ，2，張 永 愛 ，2，林 志 賢 ，2，吳 朝 興 ，2，郭 太 良 ，2

(1.福州大學(xué) 物理與信息工程學(xué)院，福建 福州350116；2.中國福建光電信息科學(xué)與技術(shù)創(chuàng)新實(shí)驗(yàn)室，福建 福州350116)

0 引言

市場中假冒產(chǎn)品的存在會對國家、社會和個人帶來巨大經(jīng)濟(jì)損失，防偽成為應(yīng)用廣泛的反制技術(shù)。 由于整個防偽市場不規(guī)范，防偽技術(shù)產(chǎn)品水平偏低，妨礙了市場的健康發(fā)展，公眾對防偽產(chǎn)品的信任度在降低。 目前，許多被開發(fā)的防偽標(biāo)簽具有物理上不可克隆的特征，如散射表面的隨機(jī)圖案、隨機(jī)分布的納米顆粒圖案和液晶紋理等。褶皺圖案是自然界生物體和工程材料領(lǐng)域常見的特殊現(xiàn)象，是一種微觀的隨機(jī)地形，擁有著廣泛而不可復(fù)制的信息，在防偽技術(shù)上有廣泛的應(yīng)用前景。

通常，在聚合物襯底受熱膨脹的狀態(tài)下，在其表面上沉積一層與之熱膨脹系數(shù)差異較大的薄膜，在冷卻過程中，表面上的薄膜受到基底壓縮應(yīng)力作用。 當(dāng)壓縮應(yīng)力超過表面金屬薄膜的承受范圍，會導(dǎo)致薄膜失穩(wěn)產(chǎn)生復(fù)雜隨機(jī)的褶皺圖案[1]，如PDMS/Au 褶皺圖案結(jié)構(gòu)[2]。 這種隨機(jī)褶皺結(jié)構(gòu)具有穩(wěn)定、不可克隆的防偽標(biāo)簽特性，引起人們廣泛研究興趣。當(dāng)前國內(nèi)外常用的褶皺類紋理識別方法有局部二值分類器[3]、多光譜精細(xì)紋理提取和識別[4]、K 均值聚類算法[5]、灰度共生矩陣[6]等。這些方法通常需要對防偽標(biāo)簽先進(jìn)行特征提取，基于熱膨脹系數(shù)失配形成的隨機(jī)褶皺圖案特征不夠明顯，往往不利于防偽標(biāo)簽的識別。角度、光線、清晰度等條件會影響部分細(xì)節(jié)特征提取，降低褶皺圖像的正確識別率。同時，現(xiàn)有方法往往存在著檢測時間長、識別率低等缺陷，不能滿足現(xiàn)實(shí)生活中防偽識別的需求。

如今，深度學(xué)習(xí)已在圖像識別、語音識別和自然語言處理等領(lǐng)域獲得了廣泛的應(yīng)用。 其中，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)已成功應(yīng)用于像素級的語義分割技術(shù)中。 在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，LONG J 等人提出了使用卷積層代替全連接層的全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolution Network，F(xiàn)CN)[7]。 2015 年RONNEBERGER O 等 人 為 解 決 小數(shù)量級樣本的分割，提出了編解碼結(jié)構(gòu)的U-Net網(wǎng)絡(luò)[8]。 隨后，CHEN L C[9]等人提出將空洞卷積代替普通卷積的思想，創(chuàng)建了DeepLab 模型，使用ASPP(Atrous Spatial Pyramid Pooling)模塊解決多尺度信息，分別提出了v2[10]、v3[11]、v3+[12]三個版本，不斷優(yōu)化模型和改進(jìn)訓(xùn)練策略，將語義分割精度提高到新的高度。 本文將DeepLabv3 語義分割模型應(yīng)用于褶皺防偽標(biāo)簽圖案的特征提取， 并對DeepLabv3 模型進(jìn)行改寫， 使優(yōu)化后的DeepLabv3 網(wǎng)絡(luò)能夠很好地適用于褶皺紋理防偽圖案分類識別。

1 識別方法

如圖1 所示，利用人眼可初步在宏觀尺度上辨別標(biāo)簽圖案的真假；采用搭配放大鏡的手機(jī)對雙重防偽標(biāo)識“笑臉”點(diǎn)陣中的特定點(diǎn)的褶皺圖案進(jìn)行圖像獲取，采用深度學(xué)習(xí)圖像識別方法，對比商品上的防偽標(biāo)識褶皺特征信息與數(shù)據(jù)庫中真實(shí)褶皺特征信息，實(shí)現(xiàn)高級防偽功能。

隨機(jī)褶皺紋理圖案呈個性化條形卷曲迷宮狀，細(xì)節(jié)信息豐富具有不可重復(fù)性，但由于不同類別圖案均由同一機(jī)理制備，會增加識別難度。 K 均值聚類算法對選取初始聚類中心的敏感性較高，會直接影響結(jié)果的準(zhǔn)確性和穩(wěn)定性。 灰度共生矩陣法提取紋理圖像特征可以獲得理想的識別結(jié)果，但是計算工作量大。 對比多種方法后本文選擇DeepLabv3 語義分割網(wǎng)絡(luò)提取出細(xì)膩的圖像特征，結(jié)合后端的全連接層進(jìn)行圖像分類，匹配已有的防偽褶皺紋理圖案實(shí)現(xiàn)高級防偽識別。

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種基于感受野概念的針對二維圖像的多層神經(jīng)認(rèn)知器。 網(wǎng)絡(luò)結(jié)構(gòu)包括數(shù)據(jù)輸入層、卷積層、池化層和全連接層，其中卷積層和池化層是卷積神經(jīng)網(wǎng)絡(luò)的核心功能層，用來自動提取目標(biāo)特征信息。 邏輯回歸分類器進(jìn)而處理特征圖的結(jié)構(gòu)，使用全連接層將提取到的圖像特征綜合以獲得最終的圖像分類。 采用卷積神經(jīng)網(wǎng)絡(luò)算法對褶皺紋理圖像進(jìn)行分類，避免了復(fù)雜的數(shù)據(jù)重建，有效減少了自由參數(shù)的數(shù)量，分類精度得到了顯著提高的同時，還避免了過擬合現(xiàn)象。

1.2 ResNet

理論上神經(jīng)網(wǎng)絡(luò)的深度與性能之間成正比，然而實(shí)際中會造成梯度爆炸和梯度消失的問題。權(quán)重參數(shù)更新困難， 導(dǎo)致準(zhǔn)確率飽和甚至下降。深度殘差網(wǎng)絡(luò)(Residual Neural Network，ResNet)最早由HE K 等人提出[13]，利用殘差學(xué)習(xí)原理實(shí)現(xiàn)網(wǎng)絡(luò)的加深以對抗梯度退化問題，將基本的網(wǎng)絡(luò)單元增加了一個恒等的快捷連接(shortcut connections)，把原始輸入信息引到輸出層，通過直接學(xué)習(xí)上層網(wǎng)絡(luò)輸出的殘差，有效地簡化了學(xué)習(xí)難度和目標(biāo)。

圖1 雙重防偽標(biāo)識識別方法示意圖

1.3 DeepLabv3

Deeplabv3 是以ResNet 為骨干構(gòu)建的語義分割網(wǎng)絡(luò)。 在使用FCN 實(shí)現(xiàn)圖像分割后，引入了空洞卷積以獲得多尺度的特征信息，通過金字塔結(jié)構(gòu)挖掘更多語義特征信息以提升分類效果。

空洞卷積(Atrous convolution)是指通過設(shè)置膨脹率(rate)來對原圖進(jìn)行采樣，如圖2 所示。 當(dāng)rate=1時，它的作用與標(biāo)準(zhǔn)卷積無異，即全部像素采樣。當(dāng)rate ＞1 時，它將通過膨脹率對卷積核進(jìn)行擴(kuò)張，在原圖上每隔(rate-1)個像素點(diǎn)進(jìn)行采樣，用零來填充空白，擴(kuò)大了感受野的范圍，在不增加參數(shù)量和計算量的條件下提取到更大范圍的語義特征。

圖2 空洞卷積

空洞空間卷積池化金字塔(Atrous Spatial Pyramid Pooling，ASPP)是指采用不同膨脹率的空洞卷積并行來學(xué)習(xí)多尺度特征，可以對任意尺度的區(qū)域進(jìn)行更為準(zhǔn)確的分類。

DeepLabv3 以ResNet 為網(wǎng)絡(luò)基礎(chǔ)。ResNet 網(wǎng)絡(luò)共有四個殘差塊，將第四個殘差塊復(fù)制三次后以級聯(lián)的方式連接在在殘差單元后，殘差塊4 ～7 采用不同膨脹率的空洞卷積，當(dāng)輸出步長為16 時，殘差塊4～7 的膨脹率分別為2、4、8、16 來進(jìn)行采樣，保證在卷積過程中圖像大小保持不變。 同時，采用一個并行的ASPP 結(jié)構(gòu)處理前面輸出的特征圖，在feature map 的頂部采用4 個不同膨脹率(6、12、18、24)的空洞卷積核，通過全局平均池化層來捕獲上下文信息，再將ASPP 結(jié)構(gòu)分支處理好的特征使用1×1 的卷積實(shí)現(xiàn)融合。

DeepLabv3 網(wǎng)絡(luò)模型中采用了編碼器-解碼器模塊(Enconder-Decoder)，其中解碼器模塊使用了16倍的雙線性上采樣， 恢復(fù)圖像特征的細(xì)節(jié)和空間維度，以得到分割結(jié)果。 本文基于褶皺紋理圖案的防偽分類目的，將用于分割的此解碼器模塊更換為全連接層結(jié)構(gòu)，softmax 為輸出層，將每一個神經(jīng)元都與輸出相連，實(shí)現(xiàn)對輸入圖像的分類。 本文所用網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。

2 試驗(yàn)結(jié)果及分析

2.1 隨機(jī)褶皺防偽標(biāo)識圖案的制備

實(shí)驗(yàn)方法采用兩種熱膨脹系數(shù)不同的材料，在冷卻過程中產(chǎn)生壓縮應(yīng)力形成隨機(jī)褶皺防偽標(biāo)識圖案。 首先，將PDMS 原液與固化劑以10：1 的比例混合攪拌均勻， 放置于負(fù)壓環(huán)境30 min 消除氣泡。取干凈的玻璃基板，利用酒精、丙酮和去離子水分別超聲清洗15 min，通過絲網(wǎng)印刷將PDMS 印刷于玻璃基片上形成宏觀防偽標(biāo)簽圖案。

采用原子層沉積技術(shù)，在PDMS 襯底表面上生長一層Al2O3無機(jī)膜層。 制備Al2O3的前驅(qū)體是三甲基鋁(Trimethylaluminum，TMA)和水(H2O)，反應(yīng)過程中高純氮?dú)?N2，99.999%)作為載氣，沉積溫度為90 ℃。 單個氧化鋁制備循環(huán)過程包括：TMA 脈沖0.2 s、N2吹掃6 s、H2O 脈沖0.15 s、N2吹掃10 s。

圖3 網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 數(shù)據(jù)集采集與擴(kuò)增

圖4所示為實(shí)驗(yàn)制備的具有不同亮度的隨機(jī)褶皺防偽標(biāo)識圖案。 隨機(jī)選擇六個防偽褶皺紋理圖案來建立防偽“真”圖類數(shù)據(jù)集，在手動采集過程中通過對同一張相同褶皺紋理圖案隨機(jī)移動和改變光照強(qiáng)度，獲得每個圖案的120 張圖像，共720 張“真”圖類圖像。同時用相同方法隨機(jī)采集了各不相同的200 張褶皺紋理圖案作為“偽”圖類數(shù)據(jù)集。 為了降低訓(xùn)練過程中因數(shù)據(jù)樣本過少導(dǎo)致的欠擬合問題，并增強(qiáng)模型的泛化能力和分類精度，本文采用了旋轉(zhuǎn)、翻轉(zhuǎn)的數(shù)據(jù)增強(qiáng)方法豐富數(shù)據(jù)集，最終由720 張“真”圖類原始數(shù)據(jù)集擴(kuò)充至2 800 張，200張“偽”圖類原始數(shù)據(jù)集擴(kuò)充至800 張。 擴(kuò)增后共獲得3 600 張圖像作為數(shù)據(jù)集。

圖4 具有不同亮度褶皺圖案示例

數(shù)據(jù)集中3 600 張圖像80%作為訓(xùn)練集，20%作為驗(yàn)證集。 實(shí)驗(yàn)于Linux(Ubuntu18.04)系統(tǒng)上進(jìn)行，CPU 型號為i7-9700，GPU 為型號GTX1080，基于Pytorch 深度學(xué)習(xí)框架實(shí)現(xiàn)，數(shù)據(jù)集圖像為1 318 像素×1 132 像素大小的防偽褶皺紋理圖案。 為了保證網(wǎng)絡(luò)學(xué)習(xí)效率，防止過擬合，本文網(wǎng)絡(luò)采用帶動量隨機(jī)梯度下降方法進(jìn)行訓(xùn)練實(shí)驗(yàn)，動量因子為0.9，學(xué)習(xí)率初始值為0.001，batch_size 為16， 權(quán)重衰減為0.000 2。

2.3 結(jié)果及分析

為了實(shí)現(xiàn)對褶皺紋理圖案的防偽分類識別，本文將DeepLabv3 語義分割結(jié)構(gòu)的解碼器部分更替為全連接層結(jié)構(gòu)，最后使用softmax 激活函數(shù)作為分類訓(xùn)練。 為了提高網(wǎng)絡(luò)的識別準(zhǔn)確率和實(shí)時性，且減少冗余現(xiàn)象，簡化模型復(fù)雜度，實(shí)驗(yàn)將全連接層數(shù)量分別設(shè)置為一層、二層、三層，神經(jīng)節(jié)點(diǎn)數(shù)為1 024，結(jié)果如圖5、圖6 所示。

圖5 全連接層數(shù)對準(zhǔn)確率的影響

圖6 全連接層數(shù)對損失值的影響

由圖5、圖6 可知，當(dāng)全連接層為三層時，識別準(zhǔn)確率最高；全連接層數(shù)減少為兩層時，識別準(zhǔn)確率略有降低，但并沒有明顯變化；當(dāng)全連接層數(shù)繼續(xù)減少至一層時，識別準(zhǔn)確率明顯下降。 這可能是因?yàn)閮蓪踊騼蓪右陨系娜B接層能夠有效地解決非線性問題。 從穩(wěn)定性分析，三層全連接層的變化幅度最為明顯，當(dāng)全連接層數(shù)為一層時，識別性能多展現(xiàn)出小幅度攀升趨勢，從網(wǎng)絡(luò)整體的變化趨勢觀察與比較可知，二層全連接層表現(xiàn)出的穩(wěn)定性最為突出。 說明由于全連接層產(chǎn)生大量的參數(shù)，容易產(chǎn)生過擬合問題，但全連接層起到的是將學(xué)到的“分布式特征表示”映射到樣本標(biāo)記空間的作用[14]，層數(shù)過少時導(dǎo)致模型性能下降。 所以本文網(wǎng)絡(luò)選擇二層全連接層。

為了進(jìn)一步提高網(wǎng)絡(luò)識別準(zhǔn)確率，減少網(wǎng)絡(luò)參數(shù)，構(gòu)建輕量級網(wǎng)絡(luò)模型，通過調(diào)整全連接層神經(jīng)節(jié)點(diǎn)數(shù)來確定網(wǎng)絡(luò)模型最優(yōu)值。 不同神經(jīng)節(jié)點(diǎn)數(shù)對網(wǎng)絡(luò)模型性能影響如表1 所示。

表1 神經(jīng)節(jié)點(diǎn)數(shù)對模型訓(xùn)練效果的影響

由表1 可知，神經(jīng)元節(jié)點(diǎn)數(shù)過多時可能會造成過擬合現(xiàn)象，空間語義信息丟失，減少全連接層神經(jīng)元節(jié)點(diǎn)數(shù)可以精簡網(wǎng)絡(luò)模型結(jié)構(gòu)，在降低計算消耗的提前下提高分類準(zhǔn)確率和運(yùn)算速度。 當(dāng)全連接層神經(jīng)節(jié)點(diǎn)數(shù)由4 096 減少至512 時， 訓(xùn)練識別準(zhǔn)確率提高了0.92%；神經(jīng)節(jié)點(diǎn)數(shù)為128 時，比4 096個神經(jīng)節(jié)點(diǎn)的訓(xùn)練耗時節(jié)省了0.77 h。 盡管全連接層權(quán)重值個數(shù)占比較大，但由于網(wǎng)絡(luò)訓(xùn)練的時間開銷主要來自于卷積運(yùn)算，因此減少全連接層神經(jīng)節(jié)點(diǎn)數(shù)對網(wǎng)絡(luò)運(yùn)算速度的提高是有限的。 神經(jīng)節(jié)點(diǎn)數(shù)繼續(xù)減少至64 時， 訓(xùn)練耗時不減反增，16 個神經(jīng)節(jié)點(diǎn)時所需的訓(xùn)練時間比128 個神經(jīng)節(jié)點(diǎn)訓(xùn)練所獲得的最短耗時4.69 h 增加了0.45 h。 綜合對比網(wǎng)絡(luò)識別準(zhǔn)確率、穩(wěn)定性和訓(xùn)練耗時，本文最終采用二層全連接層，將神經(jīng)節(jié)點(diǎn)數(shù)確定在256。

為了驗(yàn)證本文所提出的隨機(jī)褶皺防偽圖案識別分類模型的有效性，本文與三種經(jīng)典方法進(jìn)行了對比試驗(yàn)，分類效果精度對比如表2 所示。 在其他的經(jīng)典方法中，ResNet 獲得較高的識別準(zhǔn)確率91.77% ，VGGNet 和 AlexNet 分 別 獲 得 85.23% 和83.96%的識別準(zhǔn)確率，本文的分類識別模型效果是有效的。

表2 與經(jīng)典方法的對比

3 結(jié)論

綜上所述，本文提出一種利用PDMS 聚合物上AL2O3薄膜形成規(guī)則有序的褶皺圖案來制備宏觀及微觀雙重防偽標(biāo)識，并構(gòu)建相應(yīng)網(wǎng)絡(luò)的特征提取和識別模塊證明其可行性。 本文所提供的PDMS/AL2O3 防偽褶皺圖案制備方法具有多重防偽、難以偽造、工藝簡單和成本低等優(yōu)勢，通過對DeepLabv3網(wǎng)絡(luò)改進(jìn)優(yōu)化，使本實(shí)驗(yàn)網(wǎng)絡(luò)的更好地權(quán)衡了運(yùn)行時間和識別準(zhǔn)確率，訓(xùn)練耗時明顯縮短，獲得了96.58%的訓(xùn)練準(zhǔn)確率。 試驗(yàn)證明，相較于其他傳統(tǒng)的經(jīng)典方法，本文方法取得了更高的識別準(zhǔn)確率，具有一定的實(shí)際應(yīng)用價值。