深度度量学习的多视角高频工件图像检索

简介

针对工业场景下高频工件多视角识别精度低的问题,提出一种深度度量学习的高频工件图像检索方法。首先搭建基于卷积神经网络的图像特征向量编码模型,采用差异性损失(Different Loss)提取工件图像的私有特征和公共特征,通过相似度损失(Similarity Loss)融合多视角图像的公共特征获得初级嵌入向量;然后利用三元组中心损失(Triplet-Center Loss)以减小类内距离和增大类间距离为准则监督嵌入向量的学习,获得鲁棒性强的嵌入向量;最后以该嵌入向量表示高频工件图像的特征编码,实现多视角高频工件的图像检索。实验结果表明,提出的方法比单视角特征编码具有更强的表征能力,其检索准确率提高了8.95%;在相同网络结构下,提出的模型比其他网络模型的检索准确率高出9.68%。