基于卷积神经网络的面料检索系统

摘要：

针对目前市场上纺织面料图像种类多、视觉特征复杂、数据量大的特点,为解决传统图像检索方法存在的检索速度慢、检索精度低的问题,提出一种基于深度学习的面料检索方法.该方法采用迁移学习,微调VGG16 网络的结构,加入BN层提高模型的泛化能力,调整FC层神经元的数量减少计算量.同时优化损失函数以约束模型学习相似或相同的面料的特征也相似.以纺织企业提供的面料为数据集训练模型,得到提取面料特征的网络模型.进行在线面料检索时,使用faiss向量检索工具,快速计算待检索的面料的特征与特征库的相似度,得到相似度top-k的检索结果.经过实验证明,在企业面料数据集上,该系统检索mAP可达到0.892,检索时间仅为0.012 s,均优于以往的算法,从而验证了其可行性.

关键词：迁移学习、VGG16、损失函数、faiss、面料检索

所属期刊栏目：33

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金61806160

在线出版日期：2023-09-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：52-56