[发明专利]一种基于卷积神经网络的布料图像检索方法

权利要求书

1.一种基于卷积神经网络的布料图像检索方法，其特征在于，包括以下步骤：

S1、对采集到的布料图像库进行缩放到固定尺寸300*300，并进行归类，作为训练样本集，所述步骤S1具体包括：

S11、采用双线性插值算法对布料图像进行缩放到300*300大小；

S12、按照布料类别进行归类，归类类型为最小布料型号，构建4万张的训练集;

S13、对图像进行增强，这里首先对图像所有像素缩放到0-1之间，再对rgb通道进行0均值单位方差归一化操作，

再对图像进行水平和垂直方向翻转以及亮度增强操作；

S2、设计卷积神经网络分类模型，所述步骤S2具体包括：

S21、本发明的卷积神经网络采用多个卷积、池化、dropout和inception block方式堆叠，最后用全连接层做为分类层；

S22、Inception block块结构由多个卷积采用串+并联的方式构成，特征图先分别经过3个1*1卷积和一个最大池化进行降采样，再经过1个3*3、1个5*5、1个1*1卷积，最后将4个输出按照通道维度拼接到一起作为下一层的输入；

S3、利用softmax交叉熵损失函数，来计算网络输出值与类别标签的误差，所述步骤S3具体包括：

S31、所有的训练图像经过网络计算输出结果，再经过一个softmax函数输出类别概率yⁱ；

S32、根据下面的公式，计算与标签的误差值

S4、将上述误差对网络中的参数进行梯度反向传播，并多次迭代训练获取模型，所述步骤S4具体包括：

S41、这里采用学习率0.001，Adam的梯度优化方法，batch_size＝32，对模型进行10k次迭代训练，最后一个step分类精度达到0.98，存储模型；

S5、取模型的最后一个全连接层的作为最后网络输出节点，把输入到该节点的网络作为特征提取器，所述步骤S5具体包括：

S51、去除固化后的模型最后softmax分类层，保留剩下的层，作为特征提取器；

S6、利用训练好的网络特征提取器提取待检索的纺织品面料图的特征以及面料库的特征并存储为特征数据库，所述步骤S6具体包括：

S61、对已有布料图进行扫描缩放并提特征建库，作为检索的特征数据库，每一个布料通过特征提取器后输出1024维的float向量，存储到服务器硬盘中；

S62、对于待检索的布料，也需要通过卷积特征提取器输出1024维向量；

S7、带检索特征与布料库特征向量计算欧式距离均值，对距离进行排序，获得检索结果，所述步骤S7具体包括：

S71、对待检索的布料图特征向量v＝[v₁，v₂，...，v₁₀₂₄]，与库中的所有带检索图进行计算欧式距离：

S72、对所有的欧式距离进行升序排序，取前15个结果作为最终的参考检索结果，将对应的库中布料型号返回出来。