[发明专利]基于卷积神经网络的印花织物图像检索方法有效

专利信息
申请号: 201710418004.5 申请日: 2017-06-06
公开(公告)号: CN107256246B 公开(公告)日: 2019-12-10
发明(设计)人: 景军锋;王妙;苏泽斌;张缓缓;李鹏飞 申请(专利权)人: 西安工程大学
主分类号: G06F16/583 分类号: G06F16/583;G06F16/55;G06F16/51;G06N3/02
代理公司: 61214 西安弘理专利事务所 代理人: 罗磊
地址: 710048 *** 国省代码: 陕西;61
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 卷积 神经网络 印花 织物 图像 检索 方法
【权利要求书】:

1.基于卷积神经网络的印花织物图像检索方法,其特征在于,具体按照以下步骤实施:

步骤1,建立印花织物图像数据库,并批量进行预处理;

所述步骤1具体按照以下步骤实施:

步骤1.1,准备用于检索的印花织物图像库,对库中所有的图像进行手动分类,并按其所在类别进行重命名;

步骤1.2,将经步骤1.1重命名的所有的印花织物图像分为训练集train和测试集test两个部分,训练集和测试集中均包括图像的每一个类,然后根据图像所属类对训练集和测试集的图像加上对应的标签生成train.txt和test.txt标签文件;

步骤1.3,将所有图像统一缩放至256×256像素,并将其转换为lmdb格式;

步骤1.4,计算训练集图像的均值,生成对应的均值文件mean.binaryproto;

步骤2,基于AlexNet网络模型训练印花织物卷积神经网络模型;

利用步骤1中建立的数据库训练印花织物卷积神经网络模型,包括五个卷积层和三个全连接层;

步骤2中所述的五个卷积层包括第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4和第五卷积层Conv5,三个全连接层分别为第六全连接层Fc6、第七全连接层Fc7和第八全连接层Fc8,并且第一卷积层至第五卷积层直接依次级联,第六全连接层至第八全连接层直接依次级联,第六全连接层直接连接到第五卷积层上;

步骤2中所述的利用步骤1中建立的数据库训练印花织物卷积神经网络模型具体过程为:将Alex Net神经网络输入数据source及均值路径mean_file改为步骤1中生成的文件路径,并修改solver.prototxt中的训练参数,用步骤1中建立的数据库图像进行模型训练;

步骤3,采集待检索图像,并对其进行预处理;

步骤4,用步骤2建立的印花织物的卷积神经网络模型对步骤1建立的图像数据库中的图像及步骤3采集的待检索图像进行4096维特征向量提取;

步骤5,对待检索图像的4096维特征向量与图像数据库图像中的每一个4096维特征向量进行欧式距离计算,对数据库图像按照欧式距离由小到大的顺序排列,按顺序将对应的top k织物图像反馈给用户,完成检索。

2.根据权利要求1所述的基于卷积神经网络的印花织物图像检索方法,其特征在于,所述步骤3中具体为:一定光照条件下,成像设备将印花织物成像并放大,然后经过图像采集系统将数字图像信号传给计算机,形成二维灰度矩阵,即原始图像,计算机图像处理模块对采集到的图像进行预处理。

3.根据权利要求1所述的基于卷积神经网络的印花织物图像检索方法,其特征在于,所述步骤1.2中生成的train.txt和test.txt文件为包含训练集train和测试集test中所有图像名的txt格式文件,其文件内容为“XX/X,X”格式,其中前两个X为图像名称,第三个X表示图像格式,最后一个X为图像对应的标签。

4.根据权利要求1所述的基于卷积神经网络的印花织物图像检索方法,其特征在于,所述第一卷积层、第二卷积层均进行卷积操作后依次进行ReLU激活、归一化LRN和Pooling池化操作,第三卷积层和第四卷积层均进行卷积操作后再进行ReLU激活,第五卷积层进行卷积操作后再依次进行了ReLU激活和pooling池化操作,第六全连接层和第七全连接层均进行了Dropout操作,第八全连接层依次进行了Accuracy和Softmax-loss操作。

5.根据权利要求3所述的基于卷积神经网络的印花织物图像检索方法,其特征在于,所述步骤1.4中计算训练集图像的均值的计算公式为:

式中,m表示图像像素个数,x(i)为第i个元素的像素值,E(x(k))即为图像的均值。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安工程大学,未经西安工程大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201710418004.5/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top