基于正常样本学习的真伪卷烟小盒胶痕鉴别方法.pdf

2023 年 9 月第 56 卷第 9 期烟草科技Tobacco Science&TechnologySep.2023Vol.56 No.9摘要：为解决通过卷烟外包装、烟支物化参数等进行卷烟真伪鉴定难度大且耗时费力等问题，提出了一种基于卷烟小盒内部粘胶痕迹形态差异的卷烟真伪鉴别方法。首先利用胶痕图像采集装置获取烟盒内部的胶痕图像；然后去除原始图像的部分背景得到胶痕图像样本；基于深度学习异常检测方法，仅使用正常样本训练卷积神经网络分类模型，再通过模型对待测样本产生的最大预测概率进行阈值判别。以10种包装机型生产的真品烟盒以及假冒烟盒（烟盒样品涉及约60个卷烟规格）为对象，分别选用5个经典的卷积神经网络模型进行实验，并对1 294个待测样本进行鉴别。结果表明：当使用测试集样本的最大预测概率平均值作为阈值时，所有模型均具备一定的真伪判别能力。ResNet18、DenseNet121、InceptionV1的鉴别准确率约为94%，召回率约为93%94%，特异性约为93%95%，AUC（Area Under Curve）约为0.98；InceptionV1参数量较少，易于部署。本方法能够在完全不使用假样本的情况下构建鉴别模型，且适用于多种卷烟规格。该技术可为建立高效、可靠的卷烟真伪智能鉴别方法提供支持。关键词：卷烟烟盒；胶痕；真伪鉴别；机器视觉；深度学习；异常检测中图分类号：TS474；TS46文献标志码：A文章编号：1002-0861（2023）09-0091-09收稿日期：2023-04-11录用日期：2023-06-20基金项目：中国烟草总公司云南省公司科技计划重大项目“一种智能化卷烟产品真伪鉴别检验设备的研发”（2022530000241036）。第一作者：李郸（1992），男，硕士，工程师，从事卷烟真伪鉴别研究。E-mail：*通信作者：张榆锋（1965），男，博士，教授，博士生导师，从事信号检测与处理研究。E-mail：引用本文：李郸，梁洲源，马慧宇，等.基于正常样本学习的真伪卷烟小盒胶痕鉴别方法 J.烟草科技，2023，56（9）：91-99.（LI Dan,LIANG Zhouyuan,MAHuiyu,et al.Cigarette authentication via glue lines on packet label based on normal sample learningJ.Tobacco Science&Technology，2023，56（9）：91-99.DOI：10.16135/j.issn1002-0861.2023.0205）基于正常样本学习的真伪卷烟小盒胶痕鉴别方法李郸1，梁洲源2，马慧宇1，李海燕1，王春琼1，张轲1，张榆锋*21.云南省烟草质量监督检测站，昆明市高新技术开发区科医路41号6501042.云南大学信息学院，昆明市呈贡区大学城东外环南路650500Cigarette authentication via glue lines on packet label based on normalsample learningLI Dan1,LIANG Zhouyuan2,MA Huiyu1,LI Haiyan1,WANG Chunqiong1,ZHANG Ke1,ZHANG Yufeng*21.Yunnan Tobacco Quality Supervision and Test Station,Kunming 650104,China2.School of Information Science and Engineering,Yunnan University,Kunming 650500,ChinaAbstract：To authenticate cigarette effectively and conveniently,an authentication method based onthe morphology of the glue lines on cigarette packets was proposed.An image acquisition device wasadopted to capture glue line images on the packet labels.The background that had nothing to do withthe detection in the images was removed to obtain the glue line image samples.Based on the deeplearning anomaly detection method,only normal samples were used to train the convolutional neuralnetwork classification model,and the maximum prediction probability generated from the samples tobe tested with the model was used for threshold discrimination.Five classical convolutional neuralnetwork models were tested separately on authentic cigarette packets produced by 10 types ofcigarette packers and counterfeit cigarette packets involving about 60 cigarette specifications,and atotal of 1 294 cigarette packet samples were identified.The results showed that:1)All models were2023 年烟草科技鉴别检验卷烟真伪对于加强烟草专卖管理、防止假冒卷烟流入市场具有重要意义。鉴别卷烟真伪最常用的方法是感官检验法，主要依赖检测人员自身的经验知识，从包装、烟支、烟丝和吸味等多个方面对卷烟产品进行鉴定1-2。该方法对检测人员的专业技能要求较高，且存在主观性强等问题。因此，利用机器视觉技术和物化检验设备代替人类感官功能进行卷烟真伪鉴定成为当前研究热点。钟宇等3和肖楠等4基于卷烟外包装图像，分别通过传统机器学习和深度学习对真伪包装图像进行了鉴别。魏中华5基于烟支的总通风率、硬度和滤嘴通风率3个物理指标构建了SVM（Support Vector Machine）真伪预测模型。张灵帅等6采集真伪烟丝的近红外光谱数据，并通过主成分分析结合马氏距离方法建立了判别模型。田耀伟等7、聂磊等8和高莉等9分别利用电子嗅觉系统、顶空-气相色谱-质谱技术和顶空-离子分子反应质谱技术对卷烟的挥发性和半挥发性成分进行分析，以此区分真假卷烟。检验仪器的使用在很大程度上提高了卷烟真伪鉴别工作的客观性，但随着卷烟仿制技术水平的提升，真假烟的外观和内在结构差异极小，并且卷烟的包装样式繁多、理化特性复杂，从外包装和烟支、烟丝物化参数等方面进行卷烟真伪鉴别难度大且耗时费力，需要选择更加有效的鉴别方法。卷烟小盒（以下简称烟盒）内部的粘胶痕迹是反映卷烟包装机型的重要特征，由于制假者大多使用简单的包装设备和粗劣的包装工艺，因而真烟和假烟的胶痕形态存在显著差异10。目前，卷烟工业企业使用的主流包装机型有14种，对应14类真品胶痕，类别数量少，并且相较于不断推陈出新的包装样式和卷烟配方，卷烟包装工艺相对稳定，粘胶痕迹长期保持不变。因此，将胶痕作为检测对象可有效降低鉴别问题的复杂度，使鉴别方法具有更广泛、更长期的通用性。由于胶痕在自然光下人眼难以辨识，需要在特殊光照环境下采集图像再进行真伪鉴别处理。此外，考虑到假烟的辨别、收集、标定工作困难，并且制假者的生产工艺参差不齐，使得假样本具有数量少、特征不稳定等特点，因而引入异常检测技术，仅通过正常（真品）样本构建鉴别模型。异常检测作为机器学习领域的重要分支，主要解决机器学习模型在面对未知样本时的安全问题，对于保证机器学习系统的可靠性至关重要，被广泛应用于网络入侵检测11、欺诈行为检测12、农作物病害检测13和工业产品缺陷检测14等多个领域。深度学习通过深层神经网络自动获取数据的语义信息和潜在模式，无需人工设计特征，可提高异常检测的效率、准确率和鲁棒性15。为此，提出一种基于胶痕图像深度学习的卷烟真伪鉴别方法，通过构建适用于多种卷烟规格的卷烟真伪鉴别模型，以期利用机器视觉代替人眼视觉进行鉴别，提高卷烟真伪鉴别准确率。1材料与方法1.1材料收集10种常见包装机型生产的烟盒（硬盒卷烟包装机型5种，软盒卷烟包装机型5种）；假冒硬盒和软盒卷烟来源于云南省烟草质量监督检测站。拆解所有烟盒并去除内衬纸后得到平整的烟盒样品，包装机型类别、卷烟规格和烟盒样品数量见表1。1.2方法如图1所示，基于胶痕图像深度学习的卷烟真伪鉴别方法包括烟盒胶痕图像采集、胶痕图像样本产生、基于深度学习异常检测的真伪鉴别3个主要步骤。1.2.1烟盒胶痕图像采集烟盒包装过程中主要使用热熔胶或白乳胶作为粘接剂，产生的粘胶痕迹呈无色透明状或白色半透明状，主要分布于硬烟盒内部的正面和反面以及软烟盒内部的侧边。由于烟盒包装纸内部多为白色，使得胶痕在自然光或普通荧光灯照射下人眼辨识度低，难以通过普通拍摄或扫描方式采集到清晰的胶痕图像。借鉴刑侦学中的分色摄影技术16，利用特capable of identifying authenticity to some extents when the average of the maximum predictionprobability values of the test set samples was used as the threshold.2)The identification accuracy ofthe ResNet18,DenseNet121,and InceptionV1 models was approximately 94%,the recall rate wasapproximately 93%to 94%,the specificity was approximately 93%to 95%,and the AUC(AreaUnder Curve)was approximately 0.98.InceptionV1 model featured less parameters and easierdeployment.3)This method could construct an authentication model without counterfeit samples andwas suitable for cigarettes of various specifications.This technique provides support for theestablishmentofefficientandreliablemethodsfortheintelligentidentificationofcigaretteauthenticity.Keywords：Cigarette packet;Glue line;Authentication;Machine vision;Deep learning;Anomalydetection 92第 56 卷第 9 期图1卷烟真伪鉴别方法结构框图Fig.1Structure diagram of cigarette authentication method表1包装机型类别和烟盒样品数量Tab.1Packer types and number of cigarette packet samples包装机型硬盒包装机1（硬1）硬盒包装机2（硬2）硬盒包装机3（硬3）硬盒包装机4（硬4）硬盒包装机5（硬5）软盒包装机1（软1）软盒包装机2（软2）软盒包装机3（软3）软盒包装机4（软4）软盒包装机5（软5）假冒硬盒包装机（硬假）假冒软盒包装机（软假）卷烟规格红塔山（硬经典），红塔山（硬欣经典），红塔山（大经典1956），红塔山（硬经典100），云烟（硬云龙），云烟（祥瑞），云烟（紫），云烟（小熊猫家园），云烟（黑金刚印象），红河（A7），红河（硬88），红河（硬99），玉溪（初心），玉溪（硬），恭贺新禧（硬）红塔山（硬经典100），云烟（紫），云烟（中支云端），云烟（神秘花园），云烟（细支云龙），云烟（细支大重九），红河（硬88），玉溪（中支和谐），玉溪（双中支翡翠）红塔山（硬经典100），云烟（中支金腰带），云烟（紫），云烟（小熊猫家园），玉溪（硬）红塔山（硬欣经典），红塔山（硬经典），红塔山（硬经典100）红塔山（硬经典），云烟（紫），玉溪（硬和谐）红塔山（软新），红塔山（软经典1956），云烟（软如意），红河（软88），红梅（软黄），红梅（软白），阿诗玛（软），恭贺新禧（软）红塔山（软经典）红塔山（软世纪），红塔山（软新），红塔山（软经典），云烟（软紫），云烟（软珍品），红河（软99），红河（小熊猫世纪风），红河（软甲），玉溪（软），红梅（软白），红梅（软黄），红梅（软顺），红双喜（软），白沙（软），芙蓉王（软蓝），黄鹤楼（软蓝），红旗渠（软红黄），恭贺新禧（软），新兴（软94 mm）云烟（软珍品），玉溪（软）玉溪（软）红塔山（硬经典），红塔山（硬欣经典），红塔山（硬经典1956），红塔山（硬新势力），云烟（紫），红河（硬甲），红河（硬88），玉溪（硬），玉溪（和谐），黄鹤楼（硬金砂），中华（硬），芙蓉王（硬），南京（炫赫门），贵烟（跨越），贵烟（国酒香），利群（新版），白沙（精品）红塔山（软新），红塔山（软经典），云烟（软紫），云烟（软珍品），红河（软99），红河（软甲），玉溪（软），玉溪（软小庄园），中华（软），贵烟（福），黄鹤楼（软1916），红山茶（软），红双喜（软），阿诗玛（软），大重九（软）烟盒数量/个409421391393386397401407391378162158李郸，等：基于正常样本学习的真伪卷烟小盒胶痕鉴别方法 932023 年烟草科技殊光谱成分的可见光对烟盒样品进行照射，以增强胶痕与内部包装纸的区分度，并以此设计了一种胶痕图像采集装置，见图2。该装置主体为密闭的遮光箱（长29.2 cm，宽25.5 cm，高32.3 cm），以避免外界环境光干扰。顶部的LED灯带可提供均匀的光照，灯带额定电压5 V，3条灯带间隔2.5 cm。中间为白光灯带，波长400760 nm；两侧为蓝光灯带，波长400450 nm。装置下方的抽拉式铁质底板配备限位器和磁条，便于快速放置烟盒样品。拍摄手机型号为iPhone 11 Pro Max，拍摄软件为Lightroom，选择广角镜头，快门时间1/100 s，白平衡6 000 K，感光度250，画幅缩放200%。利用该装置采集烟盒胶痕图像，图像尺寸为2 000 px1 500 px，图像存储格式为JPG。1.2.2胶痕图像样本产生采集到的烟盒胶痕图像仍有大部分与检测无关的背景，需要通过图像处理技术剔除这些背景，以突出图像中的胶痕信息。如图3所示，硬烟盒与软烟盒的图像处理流程：读取烟盒胶痕图像；通过二值化生成黑白图像；对黑白图像进行开操作，先通过腐蚀操作去除烟盒外部的噪点和狭长突起部分，再通过膨胀操作还原烟盒外轮廓；基于处理后的黑白图像，得到胶痕分布区域的烟盒外轮廓点；根据相邻轮廓点之间的位置关系筛选得到4个关键点；获取4个关键点的最大外接矩形；基于最大外接矩形，对原始图像进行裁剪得到胶痕图像样本。图4展示了各包装机型胶痕图像样本，经过图像处理后，图像中的胶痕特征更加显著。1.2.3基于深度学习异常检测的真伪鉴别机器学习模型在面对训练期间未见过的样本时难以做出准确判别，这将严重干扰机器学习系统在实际应用中的安全性和可靠性。异常检测可以有效解决此类问题，该方法通过正常样本构建检测模型，检测与正常模式存在差异的异常样本17。Hendrycks等18的研究表明，由于正常样本与异常样本的分布不同，由正常样本训练得到的分类模型，通常会对同样来自正常分布的样本产生较大的最大预测概率值，而对来自异常分布的样本产生较小的最大预测概率值。为此，本研究中将数量多、胶痕特征稳定的真品胶痕样本视作正常样本，而将数量少、胶痕特征不稳定的假样本视作异常样本，基于深度学习异常检测方法对胶痕图像样本进行真伪鉴别。1.2.3.1模型训练数据集的建立和划分使用包装机型表示胶痕类别，按类别整理胶痕图像样本后，得到胶痕图像数据集。从该数据集的10个真品类别中，每类随机选取300个样本组成模型训练数据集，样本总量为3 000个，各类真品样本分别对应于09的数值标签。然后按721的比例将模型训练数据集随机划分为训练集、验证集和测1.蓝光LED灯带2.白光LED灯带3.手机4.遮光箱5.烟盒限位器6.烟盒7.磁条8.磁条限位器9.铁质底板图2胶痕图像采集装置结构示意图Fig.2Structure of glue line image capturing devicea.硬烟盒b.软烟盒1.烟盒胶痕图像2.二值化3.开操作4.外轮廓点5.4个关键点 6.最大外接矩形 7.胶痕图像样本图3烟盒图像处理流程Fig.3Process flow of cigarette packet images 94第 56 卷第 9 期试集。1.2.3.2模型分类训练卷积神经网络（Convolutional Neural Networks，简称CNN）作为重要的深度学习网络架构，被广泛应用于图像分类任务19。通过模型训练数据集对CNN进行分类训练，训练目标是使模型能够准确识别真样本的胶痕类别。图5展示了CNN分类模型的一般架构，将图像样本调整为指定大小后输入模型，通过一系列操作自动提取图像的深层语义信息，并通过softmax层对网络输出层进行处理，产生多个预测概率值p1，p2，pc，softmax层的计算公式可表示为：pi=exp（zi）eexp（zj）j=1，i=1，2，c（1）式中：zi表示输出层第i个节点的输出值；c表示节点个数，即类别数量；将最大预测概率值记为pmax，该值所对应的类别即为模型预测样本的类别。选 择 AlexNet20、VGG1121、ResNet1822、DenseNet12123、InceptionV124这5个经典的CNN作为分类模型，各模型通过不同结构改进方式提升自身性能，见表2。1.2.3.3模型真伪鉴别模型真伪鉴别流程见图6。首先，加载完成训练的分类模型，将测试集中所有样本调整为指定大小后输入模型，得到各样本的最大预测概率值。然后，基于最大预测概率值计算判别阈值R，选择两种阈值计算方式进行对比：将所有最大预测概率值由大到小排列，选取第95个百分位点对应的最大预测概率值作为阈值25-26，记为R_0.95；计算所有最大预图4不同包装机型的烟盒胶痕图像样本Fig.4Glue line image samples from different packers表2不同卷积神经网络模型的特点Tab.2Characteristics of different convolutional neural network models网络模型AlexNetVGG11ResNet18DenseNet121InceptionV1特点使用ReLU激活函数提升训练速度，通过Dropout操作防止模型过拟合增加网络深度，使用33的小卷积核堆叠代替大卷积核，减小模型参数规模使用残差连接缓解网络加深产生的梯度消失和网络退化问题，通过批量归一化加速网络收敛使用密集连接实现特征复用，并缓解梯度消失问题增加网络宽度，在网络同一层使用不同大小的卷积核，提升模型感知能力图5卷积神经网络分类模型Fig.5Convolutional neural network classification model李郸，等：基于正常样本学习的真伪卷烟小盒胶痕鉴别方法 952023 年烟草科技测概率值的平均值作为阈值27，记为 R_mean。最后，将待测样本调整为指定大小后输入分类模型，通过模型对待测样本产生的最大预测概率值pmax与阈值 R 进行比较，若 pmaxR，则将该待测样本判别为真，否则判别为假，以此实现模型真伪鉴别。2实验与结果分析2.1实验环境硬 件 环 境：Intel Core i7-10700 CPU 2.90GHz，32 GB内存，NVIDIA GeForce GTX 1650图形处理器。软件环境：Windows 10操作系统，Python3.9.7开发语言，图像处理操作基于OpenCV-Python4.5.5.64实现，深度学习框架基于PyTorch 1.10.2实现。2.2参数设置训练过程中超参数的设定值见表3。为避免模型训练过拟合，采用提前终止的训练策略，若模型的验证集损失值在连续5个训练周期内无下降，则终止训练。2.3模型分类性能训练后模型的分类性能见表4。可见，AlexNet的测试集准确率约为94%，表明该模型能够较好地区分真品胶痕类型，其训练集和验证集准确率相差约3百分点，说明模型存在轻微的过拟合。VGG11的测试集准确率在97%以上，其训练集和验证集准确率的差值在2百分点以内，表明模型具有良好的分类精度和泛化性。ResNet18、DenseNet121、InceptionV1的测试集准确率均能够达到99%，并且其训练集和验证集准确率的差值均在2百分点以内，表明这3个模型的分类性能优异，精度高且泛化性好。2.4模型鉴别性能将未参与模型训练的974个真样本和320个假样本作为待测样本进行真伪鉴别，结果见图7。基于混淆矩阵使用准确率、召回率和特异性28对模型的鉴别性能进行评估，结果见表5。可见，不同判别阈值对 ResNet18、DenseNet121、InceptionV1 的鉴别性能影响较小，但会显著影响AlexNet和VGG11对假样本的判别能力。当阈值R=R_0.95时，AlexNet和VGG11的特异性分别约为32%和52%，表明这两个模型对假样本的判别能力较差；当 R=R_mean 时，AlexNet和VGG11的召回率分别约为82%和92%，特异性分别约为61%和68%，表明这两个模型能够准确判别大部分真样本，并且具有一定的假样本判别能力。因此，相较于R_0.95，选择R_mean作为判别阈值能够保证所有模型对真伪样本均具备一定的鉴别能力。当阈值 R=R_mean 时，ResNet18、DenseNet121、InceptionV1的鉴别准确率约为94%，召回率和特异性分别约为93%94%和93%95%，表明这3个模型能够对绝大部分的真样本和假样本做出准确判别，表现出优异的鉴别性能。5个模型的检测时间均在10 ms左右，鉴别速度快，检测效率高。本研究中还引入受试者工作特性曲线（Receiver图6真伪鉴别流程Fig.6Authentication process flow类型输入图像大小样本批量大小最大训练周期损失函数学习率优化器一阶动量二阶动量学习率衰减策略衰减系数设定值128 px128 px32个100轮交叉熵损失函数0.000 1Adam0.90.999指数型衰减0.95表3超参数设置Tab.3Setting values of hyperparameters表4不同卷积神经网络模型的分类性能Tab.4Classification performance of different convolutionneural network models网络模型AlexNetVGG11ResNet18DenseNet121InceptionV1准确率/%训练集97.8698.24100.00100.00100.00验证集94.5096.8398.0098.3398.50测试集94.3397.6799.0099.0099.33 96第 56 卷第 9 期Operating Characteristic Curve，简称ROC曲线）和曲线下面积（Area Under Curve，简称AUC）29进一步评估模型的鉴别性能，结果见图8。可见，AlexNet的AUC约为0.82，表明模型的鉴别性能较好。VGG11的AUC约为0.92，表明模型具有良好的鉴别能力。ResNet18、DenseNet121、InceptionV1 的 AUC 约 为0.98，表明这3个模型的鉴别性能优异。结合2.3节模型分类性能进行对比可以看出，模型在训练过程中获得的分类性能越好，其真伪鉴别性能越好。3结论提出了一种基于正常样本学习的真伪卷烟胶痕鉴别方法，将卷烟包装外观检测转换为包装痕迹检测，将真伪鉴别问题由一般分类任务转换为异常检测任务。使用1 294个真伪样本进行鉴别测试，结果表明：采用本方法构建的鉴别模型能够在完全不使用假样本训练的前提下对待测样本进行真伪判别，因而无需进行大量的假样本收集和标定工作，并且保证了模型在面对未知假样本时的判别能力。AlexNet、VGG11、ResNet18、DenseNet121、InceptionV1 这 5 个CNN分类模型中，ResNet18、DenseNet121、InceptionV1的鉴别性能优异，考虑到InceptionV1的参数量比其他两个模型更少，有利于将来在移动端设备进行应用部署，因而可以优先使用InceptionV1构建判别模型。本方法简单、准确、高效，适用于多种常见规格表5不同卷积神经网络模型的鉴别性能Tab.5Identification performance of different convolution neural network models网络模型AlexNetVGG11ResNet18DenseNet121InceptionV1检测时间/ms10.310.910.210.710.5R=R_0.95准确率/%79.7584.0893.7493.5993.66召回率/%95.4894.6693.4393.6393.74特异性/%31.8851.8894.6993.4493.44R=R_mean准确率/%76.8986.2493.6693.7493.97召回率/%82.1492.0993.1293.9494.15特异性/%60.9468.4495.3193.1393.44注：检测时间是指模型鉴别单个样本的平均用时。图7不同卷积神经网络模型的混淆矩阵Fig.7Confusion matrixes of different convolution neural network models图8不同卷积神经网络模型的ROC曲线Fig.8ROC curves of different convolution neuralnetwork models李郸，等：基于正常样本学习的真伪卷烟小盒胶痕鉴别方法 972023 年烟草科技的卷烟产品。未来工作重点是收集其他包装机型生产的足量烟盒样品，构建更加完备的胶痕图像数据集，在新的数据集上进一步验证方法的有效性，并对鉴别模型进行优化，为建立高效、可靠的卷烟真伪智能鉴别方法提供支撑。参考文献1 苏红雪，赵航，王琼，等.卷烟真伪的鉴别 J.烟草科技，2001（12）：36-38.SUHongxue，ZHAOHang，WANGQiong，etal.Identificationofcounterfeitcigarettes J.TobaccoScience&Technology，2001（12）：36-38.2 吉绍长，李元崇，刘红，等.卷烟真伪鉴别的相关技术研究 J.中国科技信息，2013（10）：154-155.JIShaochang，LIYuanchong，LIUHong，etal.ResearchonrelevanttechniquesforcigaretteauthenticationJ.ChinaScienceandTechnologyInformation，2013（10）：154-155.3 钟宇，徐燕，刘德祥，等.基于计算机视觉和机器学习的真伪卷烟包装鉴别 J.烟草科技，2020，53（5）：83-92.ZHONGYu，XUYan，LIUDexiang，etal.Authentication of packed cigarettes based on computervision and machine learning J.Tobacco Science&Technology，2020，53（5）：83-92.4 肖楠，周明珠，邢军，等.基于高分辨率网络和注意力机制的真伪卷烟包装鉴别 J.数据与计算发展前沿，2021，3（5）：118-129.XIAONan，ZHOUMingzhu，XINGJun，etal.Authenticityidentificationofcigarettesbasedonattention mechanism and high-resolution network J.Frontiers of Data&Computing，2021，3（5）：118-129.5魏中华.基于 t 假设检验及 SVM 神经网络的卷烟真伪判定 J.烟草科技，2015，48（2）：75-78.WEIZhonghua.Methodforcigaretteauthenticitydiscrimination based on t test and SVM neural networkJ.Tobacco Science&Technology，2015，48（2）：75-78.6 张灵帅，王卫东，谷运红，等.近红外光谱的主成分分析-马氏距离聚类判别用于卷烟的真伪鉴别 J.光谱学与光谱分析，2011，31（5）：1254-1257.ZHANG Lingshuai，WANG Weidong，GU Yunhong，etal.Identification of authentic and fake cigarettes usingnearinfraredspectroscopycombinedwithprincipalcomponentanalysis-Mahalanobisdistance J.Spectroscopy and Spectral Analysis，2011，31（5）：1254-1257.7 田耀伟，杨雷玉，朱先约，等.电子鼻在卷烟真伪鉴别中的应用 J.食品工业科技，2011，32（4）：376-378，382.TIAN Yaowei，YANG Leiyu，ZHU Xianyue，et al.Applicationofelectronicnoseindiscriminatingcounterfeitcigarettefromgenuine J.ScienceandTechnology of Food Industry，2011，32（4）：376-378，382.8 聂磊，张福民，朱友，等.顶空-气相色谱-质谱技术应用于卷烟真伪鉴别 J.中国烟草学报，2012，18（3）：16-20.NIELei，ZHANGFumin，ZHU You，etal.Theapplicationofheadspace-gaschromatography-massspectroscopy in counterfeit cigarette identification J.Acta Tabacaria Sinica，2012，18（3）：16-20.9 高莉，王猛，廖头根，等.顶空-离子分子反应质谱在卷烟真伪鉴别中的应用 J.云南农业大学学报（自然科学），2018，33（6）：1099-1104.GAOLi，WANGMeng，LIAOTougen，etal.Application of headspace coupled with IMR-MS indiscriminating counterfeit cigarette from genuine J.Journal of Yunnan Agricultural University（NaturalScience），2018，33（6）：1099-1104.10 李慧，刘砚婷，郑连锋，等.卷烟包装痕迹分析 J.中国标准导报，2014（10）：61-67.LI Hui，LIU Yanting，ZHENG Lianfeng，et al.Analysisof cigarettes packaging traces J.China Quality andStandards Review，2014（10）：61-67.11 曾宏志，史洪松.面向光通信网络系统的异常入侵在线检测研究 J.激光杂志，2022，43（12）：139-143.ZENG Hongzhi，SHI Hongsong.Research on abnormalintrusion online detection for optical communicationnetwork systems J.Laser Journal，2022，43（12）：139-143.12 刘华玲，刘雅欣，许珺怡，等.图异常检测在金融反欺诈中的应用研究进展 J.计算机工程与应用，2022，58（22）：41-53.LIU Hualing，LIU Yaxin，XU Junyi，et al.Researchprogress in application of graph anomaly detection infinancialanti-fraudJ.ComputerEngineeringandApplications，2022，58（22）：41-53.13 张梓婷，韩金玉，张东辉，等.基于颜色矩的土豆、玉米、苹果叶片病害异常检测J.浙江农业学报，2022，34（10）：2230-2239.ZHANG Ziting，HAN Jinyu，ZHANG Donghui，et al.Anomaly detection of potato，maize and apple leafdiseases based on color moments J.Acta AgriculturaeZhejiangensis，2022，34（10）：2230-2239.14 王素琴，任琪，石敏，等.基于异常检测的产品表面缺陷 检 测 与 分 割J.图 学 学 报，2022，43（3）：377-386.WANG Suqin，REN Qi，SHI Min，et al.Productsurface defect detection and segmentation based onanomaly detectionJ.Journal of Graphics，2022，98第 56 卷第 9 期43（3）：377-386.15 Pang G S，Shen C H，Cao L B，et al.Deep learning foranomaly detection：A review J.ACM ComputingSurveys，2022，54（2）：38.16 单大国.刑事科学技术 M.北京：高等教育出版社，2016：267-269.SHAN Daguo.Criminal science and technologyM.Beijing：Higher Education Press，2016：267-269.17 吕承侃，沈飞，张正涛，等.图像异常检测研究现状综述 J.自动化学报，2022，48（6）：1402-1428.L Chengkan，SHEN Fei，ZHANG Zhengtao，et al.Review of image anomaly detection J.Acta Automatic