[发明专利]图像检索方法、装置、计算机设备和存储介质

权利要求书

1.一种图像检索方法，其特征在于，所述图像检索方法包括：

通过扫描快递单获取图片，将所述图片收集形成图片库，将所述图片库中的图片分为训练图片集和测试图片集；

基于ResNet50卷积神经网络提取所述训练图片集的对象特征向量与属性信息；

搭建并训练Faiss模型，优化所述Faiss模型，将所述对象特征向量与属性信息输入所述Faiss模型，计算相似度并筛选出最相似的1至10张图片并输出；

利用所述测试图片集检验训练的所述Faiss模型效果，若效果达到预定需求，则停止模型训练，得到度量模型；

获取客户发送的一张图片，输入所述图片，应用所述度量模型进行检索，输出所述图片库中与所述检索图片最相似的1至10张图片，匹配得到对应的物品名称和编号。

2.根据权利要求1所述的图像检索方法，其特征在于，所述搭建并训练Faiss模型，优化所述Faiss模型，将所述对象特征向量与属性信息输入所述Faiss模型，计算相似度并筛选出最相似的1至10张图片并输出包括：

获取所述对象特征向量与属性信息；

将所述对象特征向量与属性信息压缩、编码、生成子聚类中心；

计算所述子聚类中心的距离并将训练图片按批、当前查询样本的每个子空间、查询样本的顺序进行遍历；

判断所有子空间是否遍历完，若遍历完，则生成查询索引，若未遍历完，则继续遍历；

将所述查询索引与索引库中的本地索引集逐一遍历比对；

判断所述本地索引集是否遍历完，若遍历完，则计算最近距离，输出1至10个最近距离的索引库中的索引，若未遍历完，则继续遍历。

3.根据权利要求1所述的图像检索方法，其特征在于，所述搭建并训练Faiss模型，优化所述Faiss模型，将所述对象特征向量与属性信息输入所述Faiss模型，计算相似度并筛选出最相似的1至10张图片并输出包括：

获取所述对象特征向量与属性信息；

标记所述对象特征向量与属性信息，对所述对象特征向量压缩、编码、利用聚类算法生成样本类中心；

根据查询特征，匹配对应的样本类中心，计算残差特征；

根据所述残差特征，计算子聚类中心距离；

根据所述子聚类中心距离，判断素有子空间是否遍历完，若遍历完，则生成查询残差索引，若未遍历完，则继续遍历；

将所述查询残差索引与同类别的训练残差索引集逐一遍历比对；

判断所述同类别的训练残差索引集是否遍历完，若遍历完，则计算最近距离，输出1至10个最近距离的索引库中的索引，若未遍历完，则继续遍历。

4.根据权利要求1所述的图像检索方法，其特征在于，所述基于ResNet50卷积神经网络提取所述训练图片集的对象特征向量与属性信息还包括：

对获取的图片进行预处理，筛选和提取出有效的数据样本；

对图片样本不平衡进行数据增强操作；

对ResNet50卷积神经网络进行调整，提取预训练所述ResNet50卷积神经网络的权重参数作为初始值进行迁移学习。

5.根据权利要求4所述的图像检索方法，其特征在于，所述对ResNet50卷积神经网络进行调整包括：

设置第一层卷积层中卷积核大小为7×7，stride为4，通道数为64，激活函数为Relu；

设置Max pool层中核大小为3×3，stride为2；

在残差模块stride＝2的1×1的卷积核做下采样前加入一层2×2的平均池化层整合空间信息。

6.根据权利要求4所述的图像检索方法，其特征在于，所述对ResNet50卷积神经网络进行调整包括：

在组块1的第1个bottleneck残差结构的输出添加64维的1×1卷积层跨越连接至组块4的第1个bottleneck残差结构；

在组块1的第2个bottleneck残差结构的输出添加128维的1×1卷积层跨越连接至组块4的第2个bottleneck残差结构。