摘要
目前，纺织服装行业正朝着数字化和智能化方向发展。其中，服装款式智能识别是产业升级的重要环节，它不仅能提高设计和生产效率，还能预测流行趋势，提高产品的商业价值。然而，服装的多样性和拍摄时角度、光线和背景等因素给款式识别带来了挑战，传统的识别算法已经无法满足产业对快速高精度的需求。深度学习作为人工智能的一个重要分支，因其自动提取特征和高识别精度的特点，被广泛应用于服装款式识别任务中。在服装中，男士西装是一个重要的品类，但在其识别中，遮挡、形变和款式要素较小等问题以及深度学习模型在特征提取和定位能力上的局限性也成为研究的难点。针对以上问题本文从优化模型训练和改进模型结构两方面开展以下研究： 针对现有男西装数据集款式分类不精细问题，构建一个具有款式精细化分类的男西装数据集。首先通过爬虫和文件整理技术实现了男西装图像的自动化采集和整理，然后利用服装专业知识和专家意见对男西装领型、门襟、腰袋、胸袋、下摆、开衩、廓形等7种要素进行精细化分类编码。接着使用LabelImg标注工具对数据集进行了详细标注，并总结了男西装图像清洗和标注的具体准则。最终，构建了一个包含正面和背面共计11000张男西装图像数据集。 针对模型特征学习能力不强的问题，训练时引入迁移学习和数据增强。实验结果表明，相比于ImageNet数据集，COCO数据集的迁移学习效果更佳。同时，通过对训练集进行随机角度旋转、亮度调节、对比度调节、添加噪声、随机裁剪、多尺度训练以及Mixup数据增强方法，能够提高训练集的复杂程度，进而提升模型的训练效果。 为解决YOLOv3网络模型特征提取不强和小目标定位能力较弱的问题，首先用CSPDarkNet53网络替代了原本的DarkNet53网络。其次，在特征提取主干网络的结尾加入了空间金字塔池化(SPP)结构，形成了改进的YOLOv3特征提取主干网络。针对小目标定位能力不足和特征提取过程中关键特征信息丢失的问题，还在第3和第4个Resblock_body和主干网络末尾后加入了CBAM注意力机制。实验结果表明，改进后的YOLOv3网络模型的mAP提高了4.56个百分点。与其他主流目标检测算法的性能对比表明，改进的YOLOv3模型的mAP均高于其他模型，证明了本文提出的改进模型的优越性。
NETL