- \n
- \nHerausforderung<\/div>\nModellschulung zur Erkennung von F\u00e4lschungen<\/div>\n<\/li>\n
- \n
L\u00f6sung<\/div>\nDeep Learning-basiertes Modell f\u00fcr QR-Code-Erkennung<\/div>\n<\/li>\n- \n
Technologien und Werkzeuge<\/div>\nTensorFlow, PyTorch, TorchVision, Catalyst, Albumentations, zbar, OpenCV, Scikit Learn, NumPy<\/div>\n<\/li>\n<\/ul>\n<\/div>\nKunde<\/h2>\n
Der Kunde ist eine wissenschaftliche und gesch\u00e4ftsorientierte Organisation in Europa. Sie hat einen innovativen Ansatz zur Bek\u00e4mpfung von F\u00e4lschungen entwickelt, der sowohl von Herstellern und Verk\u00e4ufern physischer Waren als auch von Unternehmen des digitalen Handels genutzt werden kann.<\/p>\n
F\u00e4lschungen haben dramatische Auswirkungen auf Verk\u00e4ufer in verschiedenen Nischen. Sie erleiden Einkommensverluste, wenn sie eine Lieferung erhalten und darin F\u00e4lschungen finden. So geschieht es zum Beispiel in China auf dem Markt f\u00fcr Babynahrung. Selbst der Verk\u00e4ufer ist sich m\u00f6glicherweise nicht bewusst, dass er gef\u00e4lschte Waren verkauft, da die weit verbreiteten QR-Codes leicht zu f\u00e4lschen sind. Daher ist es notwendig, eine zus\u00e4tzliche Funktion zu implementieren, die das F\u00e4lschen von Codes unm\u00f6glich macht und somit die Wahrscheinlichkeit, F\u00e4lschungen zu erhalten, minimiert. Ein Produkt, das mit einer speziellen Markierung versehen ist, k\u00f6nnte der Ausweg sein. Anhand dieses Zeichens k\u00f6nnte dann die Herkunft und Herstellung eines Produkts \u00fcberpr\u00fcft werden.<\/p>\n
Unterschiedliche F\u00e4lschungsschutzkennzeichnungen bieten keinen ausreichenden Schutz, um Betr\u00fcger zu stoppen. F\u00fcr den Kunden war es von entscheidender Bedeutung, dass die \u00dcberpr\u00fcfungsmethode so benutzerfreundlich und kosteng\u00fcnstig wie m\u00f6glich ist.<\/p>\n
Das Problem, das es zu l\u00f6sen galt, war die gro\u00dfe Menge an F\u00e4lschungen, 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 f\u00fcr Computer Vision Software<\/a> und die Entwicklung von Deep-Learning-Anwendungen.<\/p>\n
Herausforderung: Modelltraining f\u00fcr die F\u00e4lschungserkennung<\/h2>\n
Die wichtigste Aufgabe, die sich unserem Team in der PoC-Phase stellte, war die Entwicklung einer Softwarel\u00f6sung zur Erkennung und \u00dcberpr\u00fcfung der auf QR-Codes aufgebrachten Zeichen. Dieses Muster kann unabh\u00e4ngig von den im QR-Code eingebetteten Informationen extrahiert werden.<\/p>\n
Im Falle der QR-Codes formt die Staubschicht \u00fcber 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 unm\u00f6glich ist, ein Muster f\u00fcr die eine oder andere Ware vorherzusehen und zu f\u00e4lschen, ist eine solche F\u00e4lschungssicherheitstechnik super sicher.<\/p>\n
L\u00f6sung: Deep-Learning-basiertes Modell f\u00fcr QR-Code-Erkennung<\/h2>\n
Unsere Aufgabe war \u00e4hnlich wie bei der Gesichtserkennung: das Aufsp\u00fcren und Erkennen einzigartiger Muster, aber f\u00fcr Dinge, nicht f\u00fcr Menschen. Der Kunde stellte uns einen Trainingsdatensatz mit einer halben Million Objekte zur Verf\u00fcgung. Unten sehen Sie ein Beispiel f\u00fcr einen QR-Code und einen PUF in der vergr\u00f6\u00dferten Ansicht:<\/p>\n
![\"qr](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2020\/04\/qr-code-example.png\")
![\"Beispiel](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2020\/04\/example-project.png\")
<\/p>\nWir haben verschiedene Ans\u00e4tze entwickelt, um das Problem zu l\u00f6sen und die Ergebnisse zu testen. Unser Team setzte ein Faltungsneuronales Netzwerk (CNN) ein, um das Modell zur Erkennung und \u00dcberpr\u00fcfung von Mustern zu trainieren.<\/p>\n
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 gel\u00f6st.<\/p>\n
Ergebnis: Android-App zur Authentifizierung von QR-Codes<\/h2>\n
Das Ergebnis der Arbeit in der PoC-Phase war eine Android-basierte Anwendung, die die technischen M\u00f6glichkeiten demonstrierte. Diese Anwendung funktioniert wie folgt:<\/p>\n
- \n
- Ein Benutzer macht ein Foto von einem QR<\/li>\n
- Unser CNN-basiertes Modell erkennt die PUF<\/li>\n
- Das Ergebnis wird automatisch mit den Informationen in der Datenbank abgeglichen<\/li>\n
- Die App gibt eine erfolgreiche Verifizierung oder eine F\u00e4lschungswarnung aus<\/li>\n<\/ul>\n
Das Gesch\u00e4ftspotenzial f\u00fcr die Anwendung der Technologie ist immens, ebenso wie die Bandbreite der Branchen, in denen diese neue F\u00e4lschungsschutzmethode sehr gefragt sein wird. So k\u00f6nnen beispielsweise spezielle Muster auf die Tinte aufgebracht oder in das Verpackungsdesign integriert werden usw.<\/p>\n
Die vom Kunden erfundene und mit Hilfe von ESSID Solutions fertiggestellte F\u00e4lschungsschutzl\u00f6sung kann auf unterschiedliche Weise genutzt werden. Unser Ingenieurteam hat die Herausforderung erfolgreich gemeistert und einen funktionierenden Prototyp der App geliefert.<\/p>\n
Starten Sie Ihr Projekt Computer Vision<\/a> mit ESSID-L\u00f6sungen<\/h3>","protected":false},"excerpt":{"rendered":"
- \n