(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 202210192933.X (22)申请日 2022.02.28 (71)申请人 华南师范大学 地址 528225 广东省佛山市南海区狮山 南 海软件园华 南师范大学软件学院 (72)发明人 余松森　蒋洋　杨欢　 (74)专利代理 机构 广州骏思知识产权代理有限 公司 44425 专利代理师 张金龙 (51)Int.Cl. G06F 16/583(2019.01) G06F 16/55(2019.01) G06F 16/51(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06K 9/62(2022.01) G06V 10/80(2022.01) G06V 10/74(2022.01) (54)发明名称 一种瓷砖图像检索方法、 装置、 电子设备及 存储介质 (57)摘要 本发明涉及一种瓷砖图像检索方法、 装置、 电子设备及存储介质。 本发明所述的一种瓷砖图 像检索方法包括： 获取待检索的瓷砖图像， 并将 所述待检索的瓷砖图像转化为4D张量； 将4D张量 输入训练好的特征提取网络， 得到所述待检索的 瓷砖图像对应的特征张量； 对所述特征张量进行 归一化处理， 得到所述待检索的瓷砖图像对应的 标准特征向量； 检索预先建立的瓷砖特征数据库 中所有的特征向量， 计算所述标准特征向量与所 述瓷砖特征数据库中所有的特征向量的相似分 数； 输出相似分数大于预设阈值的所有特征向量 对应的瓷砖图像。 本发明所述的一种瓷砖图像检 索方法， 能够实现瓷砖图像的自动检索， 提高了 检索结果的准确率。 权利要求书2页 说明书12页 附图5页 CN 114610936 A 2022.06.10 CN 114610936 A 1.一种瓷砖图像 检索方法， 其特 征在于， 包括以下步骤： 获取待检索的瓷砖图像， 并将所述待检索的瓷砖图像转 化为4D张量； 将所述4D张量输入训练好的特征提取网络， 得到所述待检索的瓷砖图像对应的特征张 量； 其中， 所述特 征提取网络为卷积神经网络经 过预训练、 迁移学习和网络微调训练得到； 对所述特 征张量进行归一 化处理， 得到所述待检索的瓷砖图像对应的标准特 征向量； 检索预先建立的瓷砖特征数据库中所有的特征向量， 计算所述标准特征向量与所述瓷 砖特征数据库中所有的特征向量的相似分数； 其中， 所述瓷砖特征数据库包括多个特征向 量及每个特征向量对应的瓷砖图像名称， 所述特征向量为用于比对的瓷砖图像经过所述特 征提取网络提取 得到； 输出相似分数 大于预设阈值的所有特 征向量对应的瓷砖图像。 2.根据权利要求1所述的一种瓷砖图像检索方法， 其特征在于， 所述瓷砖特征数据库的 建立步骤包括： 收集多张瓷砖产品图像， 并将所述瓷砖产品图像库中所有的瓷砖产品图像转化为4D张 量； 将每个所述瓷砖产品图像的所述4D张量输入所述训练好的特征提取网络， 得到每个所 述瓷砖产品图像对应的特征张量； 其中， 所述特征提取网络为卷积神经网络经过预训练、 迁 移学习和网络微调训练得到； 对所述特 征张量进行归一 化处理， 得到每 个所述瓷砖产品图像对应的标准特 征向量； 保存所述标准特 征向量及其对应的瓷砖图像名称， 得到所述瓷砖特 征数据库。 3.根据权利要求1或2所述的一种瓷砖图像检索方法， 其特征在于， 所述特征提取网络 的训练步骤 包括： 使用ImageNet数据集对所述特 征提取网络的基网络进行 预训练； 将所述经过预训练的基网络的顶层的全连接层与分类层替换为新的dense层与分类 层， 得到第一网络； 使用ALOT纹 理数据集重新训练替换 过的特征提取网络， 得到训练好的第一网络； 将所述训练好的第 一网络的顶层的分类层替换为新的全连接层与分类层， 得到第 二网 络； 冻结所述第二网络的卷积基， 使用ALOT纹理数据集重新训练所述第二网络， 得到第三 网络； 解冻所述第 三网络的卷积基的部分卷积层， 使用ALOT纹理数据集继续训练所述第三网 络， 得到训练好的特 征提取网络 。 4.根据权利要求3所述的一种瓷砖图像 检索方法， 其特 征在于： 所述特征提取网络的基网络为DenseNe121。 5.根据权利要求4所述的一种瓷砖图像检索方法， 其特征在于， 解冻所述第 三网络的卷 积基的部分卷积层， 使用ALOT纹 理数据集继续训练所述第三网络， 包括： 解冻conv5_block1_0_bn后面所有的卷积层后进行编译并训练模型， 其中， 训练参数包 括： 编译模型设置的参数为： loss＝'categorical_cros sentropy'；权　利　要　求　书 1/2 页 2 CN 114610936 A 2optimizer＝tensorfl ow.keras.optimizers.RMSprop(lr＝1e ‑5)metrics＝['ac c']； 训练模型设置的参数为： batch_size＝32； epoch＝50； steps_per_epoc h＝训练集图片数量/batc h_size； validation_steps＝验证集图片数量/batc h_size。 6.根据权利要求1所述的一种瓷砖图像检索方法， 其特征在于， 计算所述待检索的瓷砖 图像对应的标准特 征向量与所述瓷砖图像数据库中所有的特 征向量的相似度， 包括： 使用以下公式， 计算所述待检索的瓷砖图像对应的标准特征向量A＝(a1,a2,…an)与所 述瓷砖图像数据库中的每一个特 征向量B＝(b1,b2,…bn)的余弦相似度： 其中， i∈[1,n]； 根据所述余弦相似度， 计算所述待检索的瓷砖图像对应的标准特征向量与 所述瓷砖图 像数据库中的每一个特 征向量的相似分数。 7.根据权利要求1所述的一种瓷砖图像 检索方法， 其特 征在于： 所述4D张量的格式为(N one， 224， 224， 3)； 所述标准特 征向量的格式为(1024， )。 8.一种瓷砖图像 检索装置， 其特 征在于， 包括： 瓷砖图像获取模块， 用于获取待检索的瓷砖图像， 并将所述待检索的瓷砖图像转化为 4D 张量； 特征提取模块， 用于将所述4D张量输入训练好的特征提取网络， 得到所述待检索的瓷 砖图像对应的特征张量； 其中， 所述特征提取网络为卷积神经网络经过预训练、 迁移学习和 网络微调训练得到； 归一化模块， 用于对所述特征张量进行归一化处理， 得到所述待检索的瓷砖图像对应 的标准特 征向量； 相似分数计算模块， 用于检索预先建立的瓷砖特征数据库中所有的特征向量， 计算所 述标准特征向量与所述瓷砖特征数据库中所有的特征向量的相似分数； 其中， 所述瓷砖特 征数据库包括多个特征向量及每个特征向量对应的瓷砖图像名称， 所述特征向量为用于比 对的瓷砖图像经 过所述特征提取网络提取 得到； 结果输出模块， 用于 输出相似分数 大于预设阈值的所有特 征向量对应的瓷砖图像。 9.一种电子设备， 其特 征在于， 包括： 至少一个存 储器以及至少一个处 理器； 所述存储器， 用于存 储一个或多个程序； 当所述一个或多个程序被所述至少一个处理器执行， 使得所述至少一个处理器实现如 权利要求1 ‑7任一所述的一种瓷砖图像 检索方法的步骤。 10.一种计算机可读存 储介质， 其特 征在于： 所述计算机可读存储介质存储有计算机程序， 所述计算机程序被处理器执行时实现如 权利要求1 ‑7任一所述的一种瓷砖图像 检索方法的步骤。权　利　要　求　书 2/2 页 3 CN 114610936 A 3