基于深度学习的服装图像检测和标签识别方法研究

作     者：田魏伟 

作者单位：广东工业大学 

学位级别：硕士

导师姓名：邱卫根

授予年度：2022年

学科分类：12[管理学] 0202[经济学-应用经济学] 02[经济学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020205[经济学-产业经济学] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：服装检测 深度学习 YOLOv4 DeepFashion2 YOLOv4-GS 

摘      要：随着互联网平台的迅速发展,服装线上市场的发展也得到了拓宽。线上服装市场凭借简单快捷、价格便宜的特点,吸引了一大批线上用户,用户足不出户就能够根据个人喜好进行挑选和搭配。用户可以如此便捷的进行线上服装购物,都是因为商家对大量的服装图片进行了人工分类上传,这其中需要消耗了巨大的人力成本。目前这样的问题都可以通过深度学习的相关算法得到改善,例如通过深度学习算法对繁多的服装类型进行自动识别并分类,以此降低人力成本。但是常规的深度学习模型计算量巨大,导致服装的即时检测效率低,极大地限制了其应用领域。针对这些理论和现实问题,本文研究基于深度学习的服装图像检测和标签识别方法的优化问题,该研究具有一定的理论意义以及应用价值。本文的研究内容和创新性概括如下:(1)针对现有的服装检测模型计算负载量高和即时响应慢等现实问题,本文提出基于深度学习框架的服装检测模型YOLOv4-GS。实验证明,相比于模型YOLOv4,本模型在检测准确度和模型效率等方面都有非常大的提升。本算法首先使用K-means++聚类方法预处理初始数据集Deep Fashion2。并在深度融合Ghost模块和Sim AM注意力机制的基础上构造GS模块。然后利用GS模块重构YOLOv4网络,得到模型YOLOv4-GS,本模型具有更高的效率、更高的模型准确度。在Deep Fashion2测试集上的实验结果表明:在相同环境下,相比原生YOLOv4网络,YOLOv4-GS模型骨干网络浮点运算量减少了48.33%,参数量减少了49.63%,模型规模降低了33.12%,m AP达到73.1%,提升了2.1%。(2)提出了基于手机应用的服装检测方案,让深度学习更贴近现实。本文利用提出的YOLOv4-GS模型,以及微信小程序开发、Node Js等技术,开发了基于手机移动环境的服装检测应用,实现了在移动端的服装检测功能。