[发明专利]基于深度学习的面料属性图片采集和识别方法及识别系统

说明书

技术领域

本发明涉及计算机深度学习技术领域，特别是涉及一种基于深度学习的面料属性图片采集和识别方法及识别系统。

背景技术

面料的自动识别技术有着广泛的应用,它可以帮助商家及终端用户准确而方便地识别面料属性,可以帮助线上平台做准确的面料检索。市场上应用图像识别技术对面料进行识别的产品还非常少见.。目前市面上唯一一款使用图像识别技术进行面料识别的产品只能对面料上的图案进行识别,无法对面料的材质,工艺等进行识别。为了对面料的材质,工艺等细分信息的识别,我们必须要采集到包含这些精细信息的图片来进行算法模型的训练。现在市面上还没有可以方便而且准确地采集到上述精细信息的图像采集设备。

现有的最先进图像识别技术都是使用的深度卷积神经网。跟传统的手工设计的图像描述子如SIFT相比,深度学习特征具备层级结构,对浅层的局部信息进行多次的非线性组合而能够抓取图像里更抽象的信息,因此可以产生更鲁邦更准确的识别性能。在图形识别的各个领域,甚至于图像处理的各个领域,深度学习模型都表现出了优于传统的手工设计的图像描述子的性能。但深度学习的模型通常比较大,参数太多,导致占用太多CPU,计算机资源。尤其是当模型部署到只有低功耗CPU的移动端,往往导致运行效率低下。所以如何对训练后的深度模型进行有效的压缩变得很重要。神经网络的一个特点是很多神经元其实在网络前向推理过程中一直处于休眠状态,没有被激活。网络压缩就是寻找这些休眠的神经元,将其删掉,然后重新微调网络。现有的网络压缩算法普遍存在压缩率不高,实现复杂,通用性差的缺点。

现有的图像识别都是整体对整体匹配。例如输入图片上是一只猫,则如果数据库里有猫的图片,则会被识别/检索到。但如果输入图片的猫的局部,如猫的肚子,猫的尾巴,这样数据库里的整猫的图片就很难匹配成功。目前还没有技术可以进行这种物体的局部和整体的匹配。在面料识别领域,局部和全局的匹配是很常见的。例如我们对面料或衣服进行拍照时,经常只拍了面料和衣服图案的一部分,但我们希望去数据库里识别出具备完整图案的面料和衣服。

由此可见，如何帮助用户解决传统技术中对面料属性识别的受限性、繁琐性与低效性是一个亟待解决的问题。

发明内容

基于此，有必要针对传统技术存在的问题，提供一种基于深度学习的面料属性图片采集和识别方法和系统，能够解决传统技术中对面料属性识别的受限性、繁琐性与低效性，对完成训练的深度学习模型，通过余弦距离进行面料的识别，该方法解决了多种面料属性识别的问题,包含织法工艺,底部颜色工艺,表面工艺,印花工艺,防线工艺等，同时训练的模型同时包含局部信息和全局信息,提高了对面料局部图案和全局图案的准确识别率及匹配率，同时，增强了用户的体验性。

第一方面，本发明实施例提供了一种基于深度学习的面料属性图片采集和识别方法，所述方法包括：获取多张面料属性图片，并对所述多张面料属性图片的宏观信息和微观信息进行采集，生成训练集；对所述训练集通过深度学习模型进行训练；提取通过所述深度学习模型进行训练的同时包含全局信息和局部信息的深度特征，并对所述深度特征进行线性判别分析完成所述深度学习模型的训练；对完成训练的所述深度学习模型，通过余弦距离进行面料的识别。

在其中一个实施例中，所述宏观信息包括：面料上的花色、图案或者所述花色与所述图案的结合；所述微观信息包括：面料的工艺属性、面料的材质属性；其中，所述面料的工艺属性包括：面料的织法工艺、面料的底部颜色工艺、面料的表面工艺；面料的底面工艺、面料的花型工艺、面料的印花工艺、面料的纺线工艺、面料的功能工艺；所述面料的材质属性包括：面料的弹力、面料的棉类成分、面料的麻类成分、面料的化纤成分、面料的混纺成分、面料的皮毛成分、面料的新型纤维成分。

在其中一个实施例中，对所述训练集通过深度学习模型进行训练包括：保留VGG-16模型的前2层特征，对后续层的特征根据训练需求调整，完成对所述训练集通过所述VGG-16模型的训练，其中，所述VGG-16模型包含：13个卷积层，2个全连接层和1个分类层。

在其中一个实施例中，还包括：通过剪枝法对所述深度学习模型进行压缩。