1.基于区块链的防伪信息识别与传输方法，其特征在于,该方法步骤包括：步骤S1：利用神经网络计算训练样本和基准图像的欧氏卷积防伪码距离，建立神经网络训练的对比损失函数，同时对神经网络训练的对比损失函数进行结果分类；

步骤S2：对训练过程中的卷积编码器进行交替优化，对优化结果取最小值；

步骤S3：对防伪信息进行分类编码，进行各标志类别概率计算；

步骤S4：对分类器进行训练，计算交叉熵损失，同时建立总损失函数模型；

步骤S5：计算防伪信息传输时可用的传输带宽，上传防伪信息所占用的带宽；

步骤S6：建立防伪信息传输时延模型，以及计算传输前的压缩时间；

步骤S7：建立传输时延回报函数；

步骤S8：建立带宽占用代价函数和传输总效率函数，对防伪信息传输效率进行计算。

2.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述训练样本和基准图像的欧氏卷积防伪码距离，表达式为：其中，Ab表示训练样本和基准图像的欧氏卷积编码距离，Bb(cn)表示训练样本图像的欧氏卷积编码，Bb(dm)表示基准图像的欧氏卷积防伪码;所述神经网络训练的对比损失函数，表达式为：其中，Ce表示神经网络训练的对比损失函数，μ表示判断训练样本和基准图像是否为同种防伪码标志的变，f表示异类标志卷积编码区分阈值，所述对神经网络训练的对比损失函数进行结果分类，表达式为：其中，μ=0时表示同类，μ=1时表示时为异类。

3.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述对训练过程中的卷积编码器进行交替优化，表达式为：其中，ω表示由标志基准图像得到的卷积编码模板，ωc表示输入c对应类别基准图像的卷积编码，Ec,λ表示优化过程运算，λ(c)表示输入c对应类别的训练样本的卷积编码，C(b,ω)表示优化结果；

所述对优化结果取最小值，表达式为：

其中， 表示优化结果的最小值。

4.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述分类编码，表达式为：其中，h表示变换矩阵参数，g表示偏置向量，F表示输出分类编码，i表示输入标志训练样本图像对应的卷积编码;所述进行各标志类别概率计算，表达式为：

其中，jk表示分类编码对应第k类标志的概率,Fk表示全连接层第k位输出，Fl表示全连接层总输出，l表示第l类标志，M表示标志总数，e表示自然常数。

5.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述对分类器进行训练，计算交叉熵损失，表达式为：其中，Co表示交叉熵损失，cnk表示输入训练标志图像类别，jk表示分类编码对应第k类标志的概率，M表示标志总数，k表示第k次迭代；

所述总损失函数模型，表达式为：

其中，C表示总损失函数，Ce表示神经网络训练的对比损失函数，Co表示交叉熵损失。

6.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述可用的传输带宽，表达式为：其中， 表示可用的传输带宽，H2服务器总带宽， 表示区块信息洪泛需占用的传输带宽;所述上传防伪信息所占用的带宽,表达式为：

其中，Hp表示上传防伪信息所占用的带宽， 表示单个防伪信息上传时的带宽，t表示传输时长，p表示服务器运行时长。

7.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述传输时延，表达式为：其中，R1表示传输时延，T表示光纤环网的传输速率， 表示防伪信息的数据规模；

所述压缩时间，表达式为：

其中，R2表示压缩时间，表示压缩比，θ表示所选用的压缩系数， 表示原始数据规模，表示边缘服务器的计算能力， 表示每个信息上传完成处理需要的周期。

8.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述时延回报函数，表达式为：其中，W(y)表示时延回报函数， 表示不同防伪信息的实际重要度，y表示需要传输的单个防伪信息，c表示防伪信息总数；

其中，R(y)表示时延等级，S(y)表示不同防伪信息所占比例。

9.如权利要求1所述的基于区块链的防伪信息识别与传输方法，其特征在于，所述带宽占用代价函数，表达式为：其中，Uc表示服务器c上传的防伪信息数目，k表示带宽单价， 表示传输速度；

所述传输总效率函数，表达式为：

其中，c表示传输总效率值，H2表示带宽总值。