基于轻量化检测识别框架的卷烟激光码真伪鉴别技术研究

针对卷烟包装复杂背景下激光码检测识别难题，研究人员提出轻量化检测识别框架LDRF，集成LDNet（ShufflePConv+BiFPN）和LRNet（BiTCN-Transformer），在真实数据集上实现SOTA性能，为烟草打假提供高效技术方案。

　　

随着互联网和物流业的快速发展，假冒卷烟产销问题日益猖獗。中国要求每包卷烟包装必须印有32位激光码作为防伪标识，但人工查验效率低下且成本高昂。现有方法如Yang等（2020）的CNN模型参数量大，Zhou等（2024）的CLCRNet仅关注识别而忽略检测环节。卷烟包装背景复杂、激光码位置随机、低对比度等特点，使得传统文本检测模型难以适用。

针对这一技术瓶颈，重庆某高校（根据基金编号CSTB2024NSCQ-LZX0025推断）的研究团队在《Engineering Applications of Artificial Intelligence》发表研究，提出轻量化检测识别框架LDRF。该框架通过LDNet模块的ShufflePConv特征提取和BiFPN-ASFF多尺度融合实现精准定位，LRNet模块采用BiTCN-Transformer混合架构增强字符区分能力，最终在真实数据集上实现检测精度与运算效率的平衡。关键技术包括：1）基于DownSampling的输入尺寸调整；2）双向特征金字塔网络（BiFPN）融合ASFF方法；3）双向时序卷积网络（BiTCN）与Transformer的集成设计。

【LDNet轻量化检测网络】
通过ShufflePConv（通道混洗部分卷积）构建轻量化特征金字塔，结合BiFPN进行跨尺度特征融合，经ASFF加权对齐后，使32×32像素的小目标检测召回率提升12.3%，参数量减少41%。

【LRNet轻量化识别网络】
采用三阶段DownSampling策略（1/4→1/8→1/16）压缩空间维度，BiTCN捕获字符时序特征，Transformer建模字符间依赖关系，在氧化磨损样本中识别准确率达98.7%。

【实验验证】
在包含15个品牌、2000张真实图像的测试集上，LDRF的mAP达94.5%，推理速度达47FPS，较CLCRNet参数量减少63%。消融实验证实ASFF模块使误检率降低5.8%，BiTCN-Transformer组合使模糊字符识别率提升9.2%。

该研究首次实现卷烟激光码检测识别的一体化轻量化解决方案，其创新性体现在：1）ShufflePConv在保持精度的同时减少3.7×10⁶参数；2）BiTCN-Transformer架构使F1-score提升至96.4%；3）为烟草稽查提供可部署于移动端的技术支撑。未来可扩展至其他包装防伪领域，具有重要产业应用价值。