邰瑶 陈健美

摘   要：建材商品数字化对有效使用电商平台家居资源具有重要意义，传统分类法未考虑主观特性且大部分特征需人工提取，存在细节特征丢失等问题。提出了一种基于卷积神经网络（简称CNN）的灯具图像分类法，并通过一系列预处理操作丰富数据集，提高图像识别率。检索过程结合卷积层和全连接层特征并融合YOLO算法完成复杂的标签分类任务，效果更加高效准确。

关键字：卷积神经网络;商品图片搜索;YOLO算法;多标签分类任务

中图分类号：TP751.1                               文献标识码：A

Research on Lighting Product Image Based on CNN

TAI yao CHEN Jian-mei

（Computer Science and Communication Engineering Department，Jiangsu University，Zhenjiang，Jiangsu  212000，China）

Abstract：The digitization of building materials is of great significance for the effective use of e-commerce platform home resources. The traditional classification method does not consider subjective characteristics and most of the features need to be manually extracted，and there are problems such as loss of detail features. A convolutional neural network is proposed. （CNN for short） luminaire image classification method，and improve image recognition rate by a series of pre-processing operation rich data sets . The retrieval process combines the convolutional layer and the fully connected layer features and incorporates the YOLO algorithm to complete the complex label classification task，and the effect is more efficient and accurate.

Key words：convolutional neural network;commodity image search;YOLO algorithm;multi-label classification task

目前基于CNN視觉特征的图像视频分类/检索、物体/行为估计等计算机视觉问题已成为国内外的研究热点。之前通常采用对人为图像细分类然后贴上对应标签的方法，但随着海量图像数据的爆发式增长，其弊端也愈加凸显出来，关键字表示图像特征过于狭隘，人工标注工作量大且存在主观性上的大量图片作为实验数据集进行实验，能够具有较高的识别能力，在商品识别问题上误差等一系列问题急待解决[1]。而CNN作为流行的深度学习算法[2]，虽在图像识别领域取得了诸多成就，但如果要获得高识别率并获得优良检索结果的例子颇少，但其在电商圈[3]有很大的优势和广泛的（诸如家具、房子、汽车、服装同款搜索等）应用前景。此次我们搜集了某网络科技公司和淘宝网上的大量图片作为数据集，并着手研究设计基于CNN的灯具种类检索方法，较于传统检索方法有更高的检索精度。……