- \n
- \nDesaf\u00edo<\/div>\nformaci\u00f3n de modelos para la identificaci\u00f3n de falsificaciones<\/div>\n<\/li>\n
- \n
Soluci\u00f3n<\/div>\nmodelo basado en aprendizaje profundo para el reconocimiento de c\u00f3digos QR<\/div>\n<\/li>\n- \n
Tecnolog\u00edas y herramientas<\/div>\nTensorFlow, PyTorch, TorchVision, Catalyst, Albumentations, zbar, OpenCV, Scikit Learn, NumPy<\/div>\n<\/li>\n<\/ul>\n<\/div>\nCliente<\/h2>\n
El cliente es una organizaci\u00f3n cient\u00edfica y empresarial de Europa. Han desarrollado un enfoque innovador de la lucha contra la falsificaci\u00f3n, que pueden utilizar tanto los fabricantes y vendedores de bienes f\u00edsicos como las empresas de comercio digital.<\/p>\n
La falsificaci\u00f3n afecta dram\u00e1ticamente a los vendedores de diversos nichos. Sufren p\u00e9rdidas de ingresos al recibir un env\u00edo y encontrar falsificaciones en \u00e9l. As\u00ed ocurre en China en el mercado de alimentos infantiles, por ejemplo. Incluso el vendedor puede no ser consciente de estar vendiendo productos falsificados, ya que los c\u00f3digos QR, muy extendidos, son bastante f\u00e1ciles de falsificar. Esto plantea la necesidad de implementar una funci\u00f3n adicional que haga imposible falsificar los c\u00f3digos y minimice as\u00ed la posibilidad de recibir falsificaciones. Y tener un producto etiquetado con una marca especial podr\u00eda ser la soluci\u00f3n. Entonces ser\u00eda posible utilizar esa marca para verificar el origen y la fabricaci\u00f3n de un producto.<\/p>\n
Los distintos etiquetados antifalsificaci\u00f3n permiten una protecci\u00f3n insuficiente para detener a los defraudadores. Para el Cliente, era crucial conseguir que el m\u00e9todo de verificaci\u00f3n fuera lo m\u00e1s f\u00e1cil y barato posible.<\/p>\n
El problema a resolver era la enorme cantidad de falsificaciones que se produc\u00edan en todos los sectores. El equipo del cliente propuso un concepto y buscaba especialistas en tecnolog\u00eda que le ayudaran a hacer viable su idea. El cliente recurri\u00f3 a ESSID Solutions como experto en software de visi\u00f3n artificial<\/a> y desarrollo de aplicaciones de aprendizaje profundo.<\/p>\n
Reto: formaci\u00f3n de modelos para la identificaci\u00f3n de falsificaciones<\/h2>\n
La tarea clave a la que se enfrent\u00f3 nuestro equipo en la fase de PoC fue crear una soluci\u00f3n de software para reconocer y verificar las marcas aplicadas sobre los c\u00f3digos QR. Este patr\u00f3n \u0441an extraerse independientemente de la informaci\u00f3n incrustada dentro del c\u00f3digo QR.<\/p>\n
En el caso de los QR, el espolvoreado sobre los c\u00f3digos da forma a patrones pr\u00e1cticamente imperceptibles a primera vista. Esta caracter\u00edstica no impide la lectura de los c\u00f3digos. Al mismo tiempo, al ser resultado del mismo proceso de aplicaci\u00f3n, cada patr\u00f3n, sin embargo, es imposible de replicar, incluso para el mismo fabricante. Y puesto que es imposible predecir un patr\u00f3n para uno u otro bien y falsificarlo, eso hace que dicha t\u00e9cnica antifalsificaci\u00f3n sea supersegura.<\/p>\n
Soluci\u00f3n: modelo basado en aprendizaje profundo para el reconocimiento de c\u00f3digos QR<\/h2>\n
Nuestra tarea era similar a la del reconocimiento facial: detectar y reconocer patrones \u00fanicos, pero de cosas, no de personas. El cliente nos proporcion\u00f3 un conjunto de datos de entrenamiento con medio mill\u00f3n de objetos. A continuaci\u00f3n se muestra un ejemplo de un c\u00f3digo QR y un PUF ampliado:<\/p>\n
![\"ejemplo](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2020\/04\/qr-code-example.png\")
![\"ejemplo](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2020\/04\/example-project.png\")
<\/p>\nSe nos ocurrieron varios enfoques posibles para resolver el problema y comprobar los resultados. Nuestro equipo emple\u00f3 una red neuronal convolucional (CNN) para entrenar el modelo de reconocimiento y verificaci\u00f3n de patrones.<\/p>\n
Fue todo un reto alcanzar un valor de 99% en la m\u00e9trica de identificaci\u00f3n. Tambi\u00e9n resolvimos la dificultad de la detecci\u00f3n de patrones falsos en la base de datos.<\/p>\n
Resultados: Aplicaci\u00f3n Android para autenticar c\u00f3digos QR<\/h2>\n
El resultado del trabajo realizado en la fase PoC fue la aplicaci\u00f3n basada en Android que demostr\u00f3 las capacidades tecnol\u00f3gicas. Dicha aplicaci\u00f3n funciona de la siguiente manera:<\/p>\n
- \n
- Un usuario hace una foto de un QR<\/li>\n
- Nuestro modelo basado en CNN reconoce el PUF<\/li>\n
- El resultado se coteja autom\u00e1ticamente con la informaci\u00f3n de la base de datos.<\/li>\n
- La aplicaci\u00f3n emite una alerta de verificaci\u00f3n correcta o de falsificaci\u00f3n<\/li>\n<\/ul>\n
El potencial comercial de la aplicaci\u00f3n de la tecnolog\u00eda es inmenso, as\u00ed como la gama de industrias en las que este nuevo m\u00e9todo contra la falsificaci\u00f3n tendr\u00e1 una gran demanda. Por ejemplo, se pueden aplicar patrones especiales sobre la tinta o integrarlos en el dise\u00f1o del envase, etc.<\/p>\n
La soluci\u00f3n contra la falsificaci\u00f3n, inventada por el Cliente y finalizada con la ayuda de ESSID Solutions, puede utilizarse de forma diferente. Nuestro equipo de ingenieros super\u00f3 el reto con \u00e9xito y entreg\u00f3 un prototipo funcional de la aplicaci\u00f3n.<\/p>\n
Comienza tu Proyecto de visi\u00f3n por ordenador<\/a> con ESSID Solutions<\/h3>","protected":false},"excerpt":{"rendered":"
- \n