(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221021975 0.2 (22)申请日 2022.03.08 (71)申请人 浙江理工大 学 地址 310018 浙江省杭州市杭州经济开发 区白杨街道 2号大街9 28号 (72)发明人 何杰　桂江生　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 专利代理师 杨天娇 (51)Int.Cl. G06F 16/583(2019.01) G06F 16/51(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/44(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) (54)发明名称 一种基于深度学习的织物图像检索方法及 装置 (57)摘要 本发明公开了一种基于深度学习的织物图 像检索方法及装置， 通过构建织物图像特征提取 网络模型， 所述织物图像特征提取网络模型包括 去除分类器层的Den seNet骨干网络层、 平均池 化 层、 第一哈希层和第二哈希层， 来提取织物图像 的图片特征， 进行检索。 本发明构造两个哈希层， 既充分利用了标签信息， 又使得分类中心不受哈 希码长度的限制， 同时通过使用较短的哈希码， 解决了织物检索过程中速度慢的问题， 从而实现 了丝绸织物 图像在真实场景中省时省力又准确 的有效检索。 权利要求书2页 说明书7页 附图1页 CN 114579788 A 2022.06.03 CN 114579788 A 1.一种基于深度学习的织物图像检索方法， 其特征在于， 所述基于深度学习的织物图 像检索方法， 包括： 构建织物图像特征提取网络模型， 所述织物图像特征提取网络模型包括去除分类器层 的DenseNet骨干网络层、 平均池化层、 第一哈希层和第二哈希层； 准备训练样本， 对织物图像特征提取网络模型进行训练， 得到训练好的织物图像特征 提取网络模型； 在织物图像检索时， 将所检索的织物图像输入到训练好的织物图像特征提取网络模 型， 得到所检索的织物图像对应的图片特征， 与检索数据库织物图像图片特征进行汉明距 离的相似度匹配， 得到最相似的检索数据库织物图像作为检索结果进行展示。 2.根据权利要求1所述的基于深度学习的织物图像检索方法， 其特征在于， 所述织物图 像特征提取网络模型的损失函数为： Lf＝L+α Q+β L0 其中， Lf表示织物图像特征提取 网络模型的损失函数， α、 β 是损失的权重参数， L0是第一 哈希层的损失， L和Q是第二哈希层的损失； 其中： 其中， N为训练样本的批量， ci表示第一哈希层输出特征， mi属于[MK，‑MK]， MK为哈达玛矩 阵， mi表示ci对应于[MK，‑MK]中的标签信息， K为输出特征的维度； wij是权重系数， sij表示图 像对xi、 xj的相似性， i和j属于N， γ为汉明距离参数， hi、 hj为图像对xi、 xj经过第二哈希层输 出的哈希码， d(hi， hj)表示hi和hj之间的汉明距离； d(|hi|， 1)代表hi的绝对值和1的汉明距 离。 3.根据权利要求2所述的基于深度学习的织物图像检索方法， 其特征在于， 所述权重系 数wij， 满足如下公式： 其中， S为相似性 集合， S1＝{sij∈S： sij＝1}， S0＝{sij∈S： sij＝0}。 4.根据权利要求2所述的基于深度学习的织物 图像检索方法， 其特征在于， 所述d(hi， hj)计算公式如下：权　利　要　求　书 1/2 页 2 CN 114579788 A 25.根据权利要求2所述的基于深度学习的织物图像检索方法， 其特征在于， 所述图像对 xi、 xj为从一个批量的训练样本中随机挑选其中两个训练样本组成的图像对。 6.一种基于深度学习的织物图像检索装置， 包括处理器以及存储有若干计算机指令的 存储器， 其特征在于， 所述计算机指令被处理器执行时实现权利要求1至权利要求5中任意 一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114579788 A 3