崔梓晗，魏昕怡，邱桃荣，邹凯

(南昌大学a.信息工程学院;b.际銮书院，江西 南昌 330031)

布料制品以及布料制品加工行业对人们的日常生活以及国家的发展都有着非常重要的作用。基于内容的色卡图像检索已经得到应用，但实际应用中由于不同用户所获得的色卡图像与样本库图像之间存在诸如不同旋转角度或不同分辨率等实际问题，而对这些色卡图像进行检索的准确率将会出现明显下降，检索效果难以满足实际需要。因此为满足布料生产和销售领域对布料色卡图像检索的需求，针对该领域存在的实际问题，研究对旋转和分辨率具有不变性的检索方法具有重要的应用价值[1-2]。

由于深度网络模型具有不依赖于复杂的特征工程、可充分挖掘图像的特征信息等特点，为了能有效地解决在箱包制造领域进行的布料色卡图像检索中所出现的上述问题，本文提出基于深度学习的布料色卡图像检索模型和检索方法，旨在能让具有不同旋转角度和不同分辨率的布料色卡图像具有较高的检索准确率和系统鲁棒性以及较好的检索时间性能。为寻求最佳的分类模型，本文较详细研究了AlexNet[3-5]、GoogleNet[6-8]、LeNet-5[9-10]3种目前先进和流行的深度学习网络，并对LeNet-5进行改进，以解决在利用LeNet-5原始模型时由于卷积核数量较少和网络层数偏少等导致LeNet-5对稍复杂图像识别准确率不高及检索效果不理想的问题。另外，为解决训练过程中可能会产生的过拟合问题，本文在进行对比分析时，结合稀疏化Dropout方法对图像样本数据库进行优化处理。……