[发明专利]一种基于深度学习的布匹分类检索方法

权利要求书

1.一种基于深度学习的布匹分类检索方法，其特征在于，包括如下步骤：

S1.对布匹样本确认所属类别，拍照采集所述布匹样本的布匹图像，建立图像数据库；

S2.对全部布匹图像进行特征提取，建立特征数据库；

S3.对所述图像数据库中的布匹图像进行数据增强处理，扩充图像数据库；

S4.建立基于深度学习的布匹分类模型；

S5.采用所述扩充后的图像数据库训练布匹分类模型并保存其参数，得到完成训练的布匹分类模型；

S6.将待检索的布匹图像载入到完成训练的布匹分类模型中进行分类，获得在所述特征数据库中置信度最高的A类分类结果，其中A为正整数；

S7.在所述特征数据库中，选取所述置信度最高的A类分类结果对应的图像特征子集，组成一个临时的检索数据库；

S8.在临时的检索数据库中对待检索的布匹图像进行检索并输出结果。

2.根据权利要求1所述的一种基于深度学习的布匹分类检索方法，其特征在于，步骤S1中，所述布匹图像使用电子成像装置进行拍照采集，在进行图像拍照采集时采取多样化的拍摄环境和手法，所述多样化的拍摄环境和手法包括：在拍摄时选取多个拍摄角度、多种环境光亮度、多种光源类型、多个光照角度、多种拍摄设备、多种镜头清洁度、开启或关闭电子成像装置的闪光灯。

3.根据权利要求1所述的一种基于深度学习的布匹分类检索方法，其特征在于，步骤S2中利用预训练的VGG16特征提取模型对每个类别布匹图像进行所述特征提取。

4.根据权利要求3所述的一种基于深度学习的布匹分类检索方法，其特征在于，所述VGG16特征提取模型的权重由ImageNet训练得到。

5.根据权利要求1所述的一种基于深度学习的布匹分类检索方法，其特征在于，步骤S3中，所述数据增强处理包括对图像数据库中的一部分布匹图像同时进行旋转、平移、加噪处理，并得到一组数据增强后的图像数据；对另一部分布匹图像分别单独进行旋转、平移、加噪处理，得到三组数据增强后的图像数据。

6.根据权利要求1所述的一种基于深度学习的布匹分类检索方法，其特征在于，步骤S4中，所述基于深度学习的布匹分类模型包括：卷积神经网络VGG16、残差网络Resnet50、1*1的卷积核、双线性池化层、Softmax分类器；其中：

所述卷积神经网络VGG16中包括13个卷积层；

所述残差网络Resnet50中包括依次连接的48个卷积层，所述卷积层中第一层为7*7卷积层，其余为1*1卷积层或3*3卷积层，特殊功能单元为残差单元；

所述残差网络Resnet50输出端与1*1的卷积核的输入端连接，1*1的卷积核和卷积神经网络VGG16的输出端分别与所述双线性池化层的输入端连接，所述双线性池化层的输出端与Softmax分类器的输入端连接，Softmax分类器的输出端作为所述布匹分类模型的输出端，输出分类结果。

7.根据权利要求1所述的一种基于深度学习的布匹分类检索方法，其特征在于，步骤S5所述布匹分类模型训练阶段中的训练包括布匹分类模型通过反向传播BP算法在数据集上进行训练。

8.根据权利要求7所述的一种基于深度学习的布匹分类检索方法，其特征在于，步骤S5所述布匹分类模型训练阶段，其具体步骤如下：

S5.1：将步骤3数据增强处理后的图像数据库按照预设比例划分为训练集和验证集；

S5.2：采用预训练的方法将分类模型通过反向传播BP算法在训练集上进行训练。

9.据权利要求1所述的一种基于深度学习的布匹分类检索方法，其特征在于，步骤S8中，所述进行检索包括对待检索图像和临时的检索数据库中的图像之间在视觉特征上的相似度匹配进行计算。

10.根据权利要求9所述的一种基于深度学习的布匹分类检索方法，其特征在于，通过余弦相似度计算所述视觉特征上的相似度匹配，具体地，通过将待检索的布匹图像的特征向量与临时的检索数据库中每一张布匹图像的特征向量进行余弦相似度的计算，选择余弦值最接近1的若干张布匹图像即相似度最高的若干张布匹图像进行输出。