在纺织面料的交易过程中,外商需要从纺织品外贸企业的库存文档中寻找出符合要求的面料信息。但随着企业面料数据库存储的面料信息越来越多,使得外商在寻找所需的面料信息时变得愈加困难。有鉴于此,开发出一种高效便捷的纺织面料图像检索技术显得至关重要。通过这种技术,外商可以将所需的纺织面料图像输入到检索系统中,系统会将匹配到的相似面料图像及相关面料信息反馈回来。这一过程的本质即为图像检索。目前纺织面料图像检索的主要手段有两种:一种是“以文搜图”技术,即通过关键字的形式对图像内容进行检索。但显然,仅使用少量的关键字是无法对图像的细节信息进行充分地表达,这往往导致在实际检索过程中经常会出现错误的匹配结果。随着图像处理技术和机器视觉技术的发展,另一种图像检索技术应运而生,这就是“以图搜图”技术。“以图搜图”技术是以图像中所包含的内容特征作为检索依据实现图像检索的技术。由于图像的内容特征涵盖了比关键字更为丰富、全面的信息,因此这种检索技术的检索效果要比“以文搜图”技术更好。本课题将当前较新的基于图像内容的检索技术应用于纺织面料图像的检索中。主要研究内容有以下四个方面:1)首先以纺织面料图像的三种底层特征作为检索依据。利用颜色特征中的颜色直方图,形状特征中的SIFT特征以及纹理特征中的Gabor特征实现纺织面料图像的检索。实验结果显示,三种检索方式的平均检索准确率都在64%以上。其中,基于Gabor特征的图像检索方式的综合表现最好,平均检索准确率达到了 74.6%。2)接着将神经网络模型VGG16和卷积自动编码器（Conv-Auto-Encoder,CAE）应用到纺织面料图像检索中。以两种模型提取出的深度学习特征作为检索依据,实现基于深度学习的纺织面料图像检索。实验结果显示,基于深度学习的纺织面料图像检索的效果相对较好,平均检索准确率在81%～85%之间。其中,基于CAE模型检索方式的平均准确率最高,达到了 84.7%。3)对于检索表现较好的CAE模型进行卷积层数目的调整。设计出三种不同卷积层数目的CAE模型进行纺织面料图像检索实验,并对检索结果进行对比。从平均检索准确率中可以看出,CAE-4模型的表现好于CAE-3模型和CAE-2模型,达到了87.6%。表明卷积层数目的增加能明显提高CAE模型的性能,增强模型对于纺织面料图像的特征提取能力,从而提升平均检索准确率。但结合平均检索用时来看,CAE-3模型的综合表现好于CAE-4和CAE-2。表明随着卷积层数目的增多,神经网络结构变得复杂,整个检索用时也会有所增加,造成检索效率的下降。4)之后继续对CAE-3模型进行改进。在模型的卷积层后加入CBAM注意力模块,将新模型命名为CAE-3-Attention。实验结果显示CAE-3-Attention的平均检索准确率达到了 90.1%。表明注意力模块能够使得CAE模型对于纺织面料图像特征的提取具有针对性,能更好的识别图像的有效通道,对于有效信息进行重点关注,并抑制无用的特征信息,同时能增强信息量大的特征区域,更好地实现纺织面料图像的检索。本课题的不足之处有以下几点:1)在对CAE模型改进的过程中,由于调整了卷积层的数量以及加入了 CBAM注意力机制模块,使得模型的结构变得复杂,增加了模型的参数量,导致检索的速率有所下降。后续可以进行网络参数的优化以提升检索的速率。2)由于一种特征包含的图像信息有限,还可以考虑将图像的传统特征与深度学习特征相融合达到提高检索效果的目的,以弥补模型鲁棒性弱的缺点。