Wichtige Details

Einzigartiges, auf Deep Learning basierendes Modell zur Erkennung von QR-Codes.

Kunde

Der Kunde ist eine wissenschaftliche und geschäftsorientierte Organisation in Europa. Sie hat einen innovativen Ansatz zur Bekämpfung von Fälschungen entwickelt, der sowohl von Herstellern und Verkäufern physischer Waren als auch von Unternehmen des digitalen Handels genutzt werden kann.

Fälschungen haben dramatische Auswirkungen auf Verkäufer in verschiedenen Nischen. Sie erleiden Einkommensverluste, wenn sie eine Lieferung erhalten und darin Fälschungen finden. So geschieht es zum Beispiel in China auf dem Markt für Babynahrung. Selbst der Verkäufer ist sich möglicherweise nicht bewusst, dass er gefälschte Waren verkauft, da die weit verbreiteten QR-Codes leicht zu fälschen sind. Daher ist es notwendig, eine zusätzliche Funktion zu implementieren, die das Fälschen von Codes unmöglich macht und somit die Wahrscheinlichkeit, Fälschungen zu erhalten, minimiert. Ein Produkt, das mit einer speziellen Markierung versehen ist, könnte der Ausweg sein. Anhand dieses Zeichens könnte dann die Herkunft und Herstellung eines Produkts überprüft werden.

Unterschiedliche Fälschungsschutzkennzeichnungen bieten keinen ausreichenden Schutz, um Betrüger zu stoppen. Für den Kunden war es von entscheidender Bedeutung, dass die Überprüfungsmethode so benutzerfreundlich und kostengünstig wie möglich ist.

Das Problem, das es zu lösen galt, war die große Menge an Fälschungen, die in verschiedenen Branchen produziert wurden. Das Team auf der Seite des Kunden bot ein Konzept an und suchte nach technisch versierten Spezialisten, die bei der Umsetzung ihrer Idee helfen sollten. Der Kunde wandte sich an ESSID Solutions als Experte für Computer Vision Software und die Entwicklung von Deep-Learning-Anwendungen.

Herausforderung: Modelltraining für die Fälschungserkennung

Die wichtigste Aufgabe, die sich unserem Team in der PoC-Phase stellte, war die Entwicklung einer Softwarelösung zur Erkennung und Überprüfung der auf QR-Codes aufgebrachten Zeichen. Dieses Muster kann unabhängig von den im QR-Code eingebetteten Informationen extrahiert werden.

Im Falle der QR-Codes formt die Staubschicht über den Codes Muster, die auf den ersten Blick praktisch nicht zu erkennen sind. Dieses Merkmal behindert das Lesen der Codes nicht. Da jedoch jedes Muster das Ergebnis desselben Aufbringungsprozesses ist, kann es nicht reproduziert werden, auch nicht von ein und demselben Hersteller. Und da es unmöglich ist, ein Muster für die eine oder andere Ware vorherzusehen und zu fälschen, ist eine solche Fälschungssicherheitstechnik super sicher.

Lösung: Deep-Learning-basiertes Modell für QR-Code-Erkennung

Unsere Aufgabe war ähnlich wie bei der Gesichtserkennung: das Aufspüren und Erkennen einzigartiger Muster, aber für Dinge, nicht für Menschen. Der Kunde stellte uns einen Trainingsdatensatz mit einer halben Million Objekte zur Verfügung. Unten sehen Sie ein Beispiel für einen QR-Code und einen PUF in der vergrößerten Ansicht:

Wir haben verschiedene Ansätze entwickelt, um das Problem zu lösen und die Ergebnisse zu testen. Unser Team setzte ein Faltungsneuronales Netzwerk (CNN) ein, um das Modell zur Erkennung und Überprüfung von Mustern zu trainieren.

Es war eine Herausforderung, einen Wert von 99% in der Identifikationsmetrik zu erreichen. Wir haben auch das Problem der Erkennung falscher Muster in der Datenbank gelöst.

Ergebnis: Android-App zur Authentifizierung von QR-Codes

Das Ergebnis der Arbeit in der PoC-Phase war eine Android-basierte Anwendung, die die technischen Möglichkeiten demonstrierte. Diese Anwendung funktioniert wie folgt:

• Ein Benutzer macht ein Foto von einem QR
• Unser CNN-basiertes Modell erkennt die PUF
• Das Ergebnis wird automatisch mit den Informationen in der Datenbank abgeglichen
• Die App gibt eine erfolgreiche Verifizierung oder eine Fälschungswarnung aus

Das Geschäftspotenzial für die Anwendung der Technologie ist immens, ebenso wie die Bandbreite der Branchen, in denen diese neue Fälschungsschutzmethode sehr gefragt sein wird. So können beispielsweise spezielle Muster auf die Tinte aufgebracht oder in das Verpackungsdesign integriert werden usw.

Die vom Kunden erfundene und mit Hilfe von ESSID Solutions fertiggestellte Fälschungsschutzlösung kann auf unterschiedliche Weise genutzt werden. Unser Ingenieurteam hat die Herausforderung erfolgreich gemeistert und einen funktionierenden Prototyp der App geliefert.

Starten Sie Ihr Projekt Computer Vision mit ESSID-Lösungen