基于部件检测与分割的服装图像检索研究与应用
这是一篇关于服装图像检索,Mask R-CNN,VGG16,相似度,加权和的论文, 主要内容为随着互联网的不断普及和服装电子商务的兴起,越来越多的用户通过电商平台购物服装,网上购买服装已经逐渐成了人们的重要消费方式之一,如何在海量的服装商品中高效准确地检索出用户心仪的服装成为了热门的研究方向。目前“以图搜图”技术主要依赖于整张图像特征提取的结果,不能关注到服装的部件,并且服装图像拍摄时背景一般比较复杂,导致服装图像检索准确率低,因此,本文提出一种基于部件检测与分割的服装图像检索方法。本文调研了目前比较流行的服装图像检索方法,并对其优劣点进行了深入研究,主要完成了以下工作:首先,本文通过对服装实例分割数据集iMaterialist Fashion进行转换,并进一步将衣袖分为短袖、中袖、长袖等类别,在较大样本服装图像标注数据集的基础上,训练Mask R-CNN以建立服装图像检测与分割的深度学习模型,从而实现服装图像的检测与分割。利用自训练的Mask R-CNN模型提取服装主体图像、衣领图像、衣袖类别、口袋位置,同时对衣袖类别、口袋位置进行编码以便于相似性比较。其次,在服装图像检索中,本文首先利用Mask R-CNN对图像进行检测与分割得到服装主体、衣领部件、衣袖类别和口袋位置等信息;然后采用VGG16对服装主体与衣领部件提取512维的特征;基于这些信息,将待检索服装与数据库中的服装逐一计算相似度。相似度的计算方式为服装主体及衣领的512维特征的余弦相似度以及衣袖、口袋相似度的加权和,其中衣袖是比较其类别的相似性,口袋是比较其位置的相似性。根据相似度的降序排列,向用户呈现检索结果。实验结果表明,该方法可以关注服装整体以及各个部件,从而能够实现服装款式或风格的检索。并且允许用户调整相似度的权值,可以返回最符合用户个性化需求的检索结果。最后,针对目前服装图像检索中忽略服装部件相似性的问题,本文设计并实现了基于部件检测与分割的服装检索方法的商城系统,通过使用本文提出的检索方法来实现服装商品检索。整个系统使用前后端分离的技术实现,客户端采用小程序框架,服务端采用Spring Boot框架,充分的考虑到了系统的跨平台性和横向扩展性。系统的功能主要包括登录注册模块、商品浏览与检索模块、购物车及支付模块、个人中心管理模块等。
基于部件检测与分割的服装图像检索研究与应用
这是一篇关于服装图像检索,Mask R-CNN,VGG16,相似度,加权和的论文, 主要内容为随着互联网的不断普及和服装电子商务的兴起,越来越多的用户通过电商平台购物服装,网上购买服装已经逐渐成了人们的重要消费方式之一,如何在海量的服装商品中高效准确地检索出用户心仪的服装成为了热门的研究方向。目前“以图搜图”技术主要依赖于整张图像特征提取的结果,不能关注到服装的部件,并且服装图像拍摄时背景一般比较复杂,导致服装图像检索准确率低,因此,本文提出一种基于部件检测与分割的服装图像检索方法。本文调研了目前比较流行的服装图像检索方法,并对其优劣点进行了深入研究,主要完成了以下工作:首先,本文通过对服装实例分割数据集iMaterialist Fashion进行转换,并进一步将衣袖分为短袖、中袖、长袖等类别,在较大样本服装图像标注数据集的基础上,训练Mask R-CNN以建立服装图像检测与分割的深度学习模型,从而实现服装图像的检测与分割。利用自训练的Mask R-CNN模型提取服装主体图像、衣领图像、衣袖类别、口袋位置,同时对衣袖类别、口袋位置进行编码以便于相似性比较。其次,在服装图像检索中,本文首先利用Mask R-CNN对图像进行检测与分割得到服装主体、衣领部件、衣袖类别和口袋位置等信息;然后采用VGG16对服装主体与衣领部件提取512维的特征;基于这些信息,将待检索服装与数据库中的服装逐一计算相似度。相似度的计算方式为服装主体及衣领的512维特征的余弦相似度以及衣袖、口袋相似度的加权和,其中衣袖是比较其类别的相似性,口袋是比较其位置的相似性。根据相似度的降序排列,向用户呈现检索结果。实验结果表明,该方法可以关注服装整体以及各个部件,从而能够实现服装款式或风格的检索。并且允许用户调整相似度的权值,可以返回最符合用户个性化需求的检索结果。最后,针对目前服装图像检索中忽略服装部件相似性的问题,本文设计并实现了基于部件检测与分割的服装检索方法的商城系统,通过使用本文提出的检索方法来实现服装商品检索。整个系统使用前后端分离的技术实现,客户端采用小程序框架,服务端采用Spring Boot框架,充分的考虑到了系统的跨平台性和横向扩展性。系统的功能主要包括登录注册模块、商品浏览与检索模块、购物车及支付模块、个人中心管理模块等。
基于深度学习的表面缺陷检测方法研究
这是一篇关于迁移学习,VGG16,小样本,缺陷检测,生成对抗网络的论文, 主要内容为工业表面缺陷检测是指使用各种技术和设备来检测工业产品表面的缺陷,以确保产品质量和生产效率。在复杂的工业表面缺陷检测环境中,人工检测方式难以应对,成本较高。随着机器视觉技术的发展,大量的机器学习和深度学习方法被应用于工业表面缺陷检测中,这类方法相较于人工检测方式,具有更高的精度、效率以及更低的成本。然而机器学习方法通常需要大量的数据样本,缺乏足够的数据样本容易导致训练模型过拟合,且难以获得较好的泛化能力。另外在实际检测中,还存在着缺陷数据类别不平衡的问题,容易导致训练的模型偏向常见类别和评估指标失真。针对上述问题,论文设计了三种缺陷检测模型,在六种表面缺陷数据集进行验证其检测效果。具体工作如下:(1)提出了一种基于迁移学习的表面缺陷分类方法。该方法首先在Image Net数据集上预训练深层卷积神经网络VGG16,然后针对目标数据集对网络结构做出调整并微调训练。在磁瓦缺陷数据集上测试模型的分类效果,验证该方法的有效性。六类磁瓦缺陷识别准确率达到98.69%,明显高于人工分类精度和传统机器视觉分类方法识别精度。实验结果表明,该方法实现了较高的磁瓦缺陷分类准确率,同时也极大地缩短了训练时间。(2)设计了一种基于生成对抗网络的表面缺陷检测框架,使用生成对抗网络生成合成图像来进行数据增强,训练了深度卷积生成对抗网络(Deep Convolution Generative Adversarial Networks,DCGAN)和带辅助分类器的生成对抗网络(Auxiliary Classifier Generative Adversarial Network,ACGAN)两个GAN架构,并将这两种GAN架构与传统的数据增强方法进行对比。针对东北大学热轧钢表面缺陷数据集NEU-CLS实现了整个数据增强流程。热轧钢表面缺陷分类召回率和精确率达到了95.33%和99.16%。实验结果显示,该方法显著提高了卷积神经网络对表面缺陷分类的性能,训练得到的模型具有较强的泛化能力。(3)设计了一种像素级分割和图像级分类网络。模型由三个阶段的网络架构组成,可以分别提取关键特征、空间位置信息和语义信息,并完成缺陷分割和图像分类任务。采用两阶段的训练模式,使得分割网络和分类网络的参数没有约束,并且不会导致混淆或不收敛。改进了损失函数,使得参数能够快速准确地收敛。在三个表面缺陷数据集上进行验证,取得了较好的检测效果。该网络能够快速而准确地对缺陷进行分类和分割。论文主要研究基于机器视觉的工业表面缺陷检测方法,研究成果为工业生产中的实际应用提供了可靠的依据,在基于机器视觉的工业产品制造技术中具有重要的理论和应用价值。
日光温室大樱桃叶面病虫害识别系统的设计与实现
这是一篇关于大棚大樱桃,温湿度监测,图像识别,Faster RCNN模型,VGG16的论文, 主要内容为河北省张家口市是适合大棚樱桃种植的地区,目前,张家口蔚县以大樱桃的设施栽培作为一项扶贫项目,由于优质的大樱桃种植对生长环境要求比较高,同时大樱桃树生长过程容易出现病虫害,因此,能够实时监测大樱桃生长的温湿度、准确快速的识别樱桃病虫害,及时采取有效防治措施是非常重要的。本文提出的日光温室大樱桃叶片病虫害识别系统,旨在为樱桃种植的大棚管理者提供完善的功能性服务系统,以及相应的基础服务功能:用户的登录与注册、数据信息的维护。实现对温湿度监测预警、叶片病虫害精确诊治,为大樱桃大棚实现现代化的管理。本系统的核心功能在于对大樱桃温度湿度监控、预警功能,叶片病虫害的识别、并提供相应的诊治意见。本文在设计与实现上对以下两个方面进行了创新:(1)实现了对大樱桃生长温湿度的实时监测,利用温湿度模块对大樱桃生长环境进行实时监测。湿度和温度的大小值的设定,可以通过单片机按键或者手机端手动设定。当监控出现异常即刻发出警告,报警时手机客户端进行预警提示。(2)利用图像处理技术,先对图像进行预处理,将预处理之后的图片上传到云端服务器,将预处理好的图片送入服务器上的检测算法,进行检测,通过主干特征提取网络VGG 16模型提取大樱桃叶片病虫害的图像特征,将生成的特征图送入区域建议网络生成检测框,通过Fast RCNN模块确定它们的位置、大小、种类,得到病虫害识别结果,给出防治建议。本研究开发的系统是对大樱桃大棚的精准化、大樱桃生产信息化、降低生产管理成本的实现,通过改进图片宽和高的比例,对比验证其几何定位和精度anchor尺寸设置,选择最佳的宽高比,来提升检测精度,获得检测框最终的精确位置,提高了大樱桃叶片病虫害识别率并提供有效的防治建议,具有一定的针对性和可靠性。经过在张家口市蔚县暖泉镇千字村河北垣道农业开发有限公司的大樱桃大棚内的实验,日光温室大樱桃叶面病虫害识别系统的研发具有显著的实用性及通用性。
基于深度学习的表面缺陷检测方法研究
这是一篇关于迁移学习,VGG16,小样本,缺陷检测,生成对抗网络的论文, 主要内容为工业表面缺陷检测是指使用各种技术和设备来检测工业产品表面的缺陷,以确保产品质量和生产效率。在复杂的工业表面缺陷检测环境中,人工检测方式难以应对,成本较高。随着机器视觉技术的发展,大量的机器学习和深度学习方法被应用于工业表面缺陷检测中,这类方法相较于人工检测方式,具有更高的精度、效率以及更低的成本。然而机器学习方法通常需要大量的数据样本,缺乏足够的数据样本容易导致训练模型过拟合,且难以获得较好的泛化能力。另外在实际检测中,还存在着缺陷数据类别不平衡的问题,容易导致训练的模型偏向常见类别和评估指标失真。针对上述问题,论文设计了三种缺陷检测模型,在六种表面缺陷数据集进行验证其检测效果。具体工作如下:(1)提出了一种基于迁移学习的表面缺陷分类方法。该方法首先在Image Net数据集上预训练深层卷积神经网络VGG16,然后针对目标数据集对网络结构做出调整并微调训练。在磁瓦缺陷数据集上测试模型的分类效果,验证该方法的有效性。六类磁瓦缺陷识别准确率达到98.69%,明显高于人工分类精度和传统机器视觉分类方法识别精度。实验结果表明,该方法实现了较高的磁瓦缺陷分类准确率,同时也极大地缩短了训练时间。(2)设计了一种基于生成对抗网络的表面缺陷检测框架,使用生成对抗网络生成合成图像来进行数据增强,训练了深度卷积生成对抗网络(Deep Convolution Generative Adversarial Networks,DCGAN)和带辅助分类器的生成对抗网络(Auxiliary Classifier Generative Adversarial Network,ACGAN)两个GAN架构,并将这两种GAN架构与传统的数据增强方法进行对比。针对东北大学热轧钢表面缺陷数据集NEU-CLS实现了整个数据增强流程。热轧钢表面缺陷分类召回率和精确率达到了95.33%和99.16%。实验结果显示,该方法显著提高了卷积神经网络对表面缺陷分类的性能,训练得到的模型具有较强的泛化能力。(3)设计了一种像素级分割和图像级分类网络。模型由三个阶段的网络架构组成,可以分别提取关键特征、空间位置信息和语义信息,并完成缺陷分割和图像分类任务。采用两阶段的训练模式,使得分割网络和分类网络的参数没有约束,并且不会导致混淆或不收敛。改进了损失函数,使得参数能够快速准确地收敛。在三个表面缺陷数据集上进行验证,取得了较好的检测效果。该网络能够快速而准确地对缺陷进行分类和分割。论文主要研究基于机器视觉的工业表面缺陷检测方法,研究成果为工业生产中的实际应用提供了可靠的依据,在基于机器视觉的工业产品制造技术中具有重要的理论和应用价值。
基于深度学习的表面缺陷检测方法研究
这是一篇关于迁移学习,VGG16,小样本,缺陷检测,生成对抗网络的论文, 主要内容为工业表面缺陷检测是指使用各种技术和设备来检测工业产品表面的缺陷,以确保产品质量和生产效率。在复杂的工业表面缺陷检测环境中,人工检测方式难以应对,成本较高。随着机器视觉技术的发展,大量的机器学习和深度学习方法被应用于工业表面缺陷检测中,这类方法相较于人工检测方式,具有更高的精度、效率以及更低的成本。然而机器学习方法通常需要大量的数据样本,缺乏足够的数据样本容易导致训练模型过拟合,且难以获得较好的泛化能力。另外在实际检测中,还存在着缺陷数据类别不平衡的问题,容易导致训练的模型偏向常见类别和评估指标失真。针对上述问题,论文设计了三种缺陷检测模型,在六种表面缺陷数据集进行验证其检测效果。具体工作如下:(1)提出了一种基于迁移学习的表面缺陷分类方法。该方法首先在Image Net数据集上预训练深层卷积神经网络VGG16,然后针对目标数据集对网络结构做出调整并微调训练。在磁瓦缺陷数据集上测试模型的分类效果,验证该方法的有效性。六类磁瓦缺陷识别准确率达到98.69%,明显高于人工分类精度和传统机器视觉分类方法识别精度。实验结果表明,该方法实现了较高的磁瓦缺陷分类准确率,同时也极大地缩短了训练时间。(2)设计了一种基于生成对抗网络的表面缺陷检测框架,使用生成对抗网络生成合成图像来进行数据增强,训练了深度卷积生成对抗网络(Deep Convolution Generative Adversarial Networks,DCGAN)和带辅助分类器的生成对抗网络(Auxiliary Classifier Generative Adversarial Network,ACGAN)两个GAN架构,并将这两种GAN架构与传统的数据增强方法进行对比。针对东北大学热轧钢表面缺陷数据集NEU-CLS实现了整个数据增强流程。热轧钢表面缺陷分类召回率和精确率达到了95.33%和99.16%。实验结果显示,该方法显著提高了卷积神经网络对表面缺陷分类的性能,训练得到的模型具有较强的泛化能力。(3)设计了一种像素级分割和图像级分类网络。模型由三个阶段的网络架构组成,可以分别提取关键特征、空间位置信息和语义信息,并完成缺陷分割和图像分类任务。采用两阶段的训练模式,使得分割网络和分类网络的参数没有约束,并且不会导致混淆或不收敛。改进了损失函数,使得参数能够快速准确地收敛。在三个表面缺陷数据集上进行验证,取得了较好的检测效果。该网络能够快速而准确地对缺陷进行分类和分割。论文主要研究基于机器视觉的工业表面缺陷检测方法,研究成果为工业生产中的实际应用提供了可靠的依据,在基于机器视觉的工业产品制造技术中具有重要的理论和应用价值。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设项目助手 ，原文地址：https://bishedaima.com/lunwen/48619.html
