论文部分内容阅读
箱包制造企业在生成各类各款箱包产品时不仅离不开五金件而且使用率极高。但目前这些生产箱包的规模不大的中小企业进行五金件选择时基本采用的是人工挑选需要的五金件。人工挑选五金件不仅导致企业成本上升,而且影响产品的生产效率,从而影响企业的经营成本提升和利润降低。因此,研发一套能自动挑选箱包产品需要的五金件的系统是有应用价值的。本文基于箱包企业常用的五金件图像研究一种有效的五金件图像进行图像识别模型和研发一个基于Web的箱包五金件图像识别系统。具体研究工作和取得的阶段性成果说明如下。1、研究分析了深度学习的四个模型和箱包五金件图像数据集的特点。首先,较深入研究分析AlexNet网络、GoogLeNet网络、ResNet网络、MobileNet网络这四个先进的深度学习模型,并研究基于这些模型实现迁移学习模型的技术。其次,研究箱包五金件图像数据集并对数据集进行预处理和层次化,以更好训练有效的基于迁移学习的箱包五金件图像识别模型。2、提出了基于迁移学习的箱包五金件图像识别模型。针对目前从箱包企业采集到的五金件图像数据集不够大,为了更有效地实现基于深度学习进行箱包五金件图像识别,本文在对深度学习尤其是迁移学习的研究分析基础上,提出基于迁移学习的箱包五金件图像识别模型和设计了相应的实现方法。通过分别基于AlexNet网络、GoogLeNet网络、ResNet网络和MobileNet网络实现的迁移学习网络在箱包五金件图像数据集进行对比测试,结果验证了基于迁移学习的箱包五金件图像识别模型是有效的。在对大类标注数据集进行测试中发现基于MobileNet实现的迁移学习网络相比于基于其他三种网络实现的迁移学习网络的箱包五金件图像识别模型的准确率最高,达到97.5%。在对小类标注的数据集测试中发现所有网络实现的迁移学习来作为箱包五金件图像识别模型时,在软管这类图像上具有最好的识别率,其中基于MobileNet-v1 feature-vector实现的迁移学习模型作为箱包五金件图像识别模型时平均准确率达到最高为92.6%。3、研发了基于Web的箱包五金件图像识别系统。根据对基于迁移学习的箱包五金件图像识别模型测试和评价,本文选择基于MobileNet模型实现的迁移学习来作为箱包五金件图像识别模型,并以此模型为核心技术采用软件工程方法研发一个简易的基于Web的箱包五金件图像识别系统。本文对系统按照软件工程方法进行了需求分析、系统的设计、系统实现与测试的描述。所研发的箱包五金件图像识别系统基本能满足箱包生产企业用户功能需求,系统易于操作,且能高效地识别箱包五金件图像。论文最后进行了工作总结,以及展望了后续的工作。