针对中小企业在箱包制造领域对五金件分拣仍然采用人工方式,存在分拣效率低,成本高,劳动强度大等问题,本文致力于研究一种满足这些企业需求的基于机器视觉方法的五金件分拣方法,建立基于深度学习的结合五金件图像分层特征分拣模型,完成五金件图像检索演示系统的开发。所提出的针对箱包领域中小企业需要的基于深度学习结合五金件图像分层特征分拣方法经过真实数据的测试,达到了可以实用的程度。本文主要研究内容和特色如下:1.箱包生产企业五金件图像的采集、预处理和特征分层。箱包生产企业采集的原始五金件图像杂乱无章,无法保证图像数据质量和分拣或检索的准确性要求。首先,根据五金件图像的特征进行特征分层,将所采集到的五金件图像分为两个特征层次,即基于五金件类别特征层次(粗粒度特征层次)和每个类别下的五金件型号特征层次(细粒度特征层次);其次,对采集的五金件图像使用几何变换技术进行数据增强;再次,针对所采集的五金件图像存在背景复杂但与前景(即五金件)有着较大特征区别的问题,采用基于SVM的图像分割技术对图像进行数据增强;最后将经过预处理和特征分层的五金件图像作为深度学习训练和测试用的图像数据集。2.分析了目前流行的三种卷积神经网络(AlexNet、GoogLeNet、ResNet),建立了基于这些深度学习框架并结合特征分层的五金件图像检索模型,设计了相应的实现算法。分别对粗粒度特征层次、细粒度特征层次和粗细粒度结合特征层次在卷积神经网络上构建五金件图像检索模型,并进行了较全面的测试和结果分析。测试结果验证了采用粗细粒度结合特征层次构建的基于深度学习五金件图像检索模型具有较高的性能,而且模型的适用性更强,具有将千分类问题划分为百分类子问题特点。3.基于所提出的深度学习结合特征分层的五金件图像检索模型,实现了面向箱包生产企业需要的五金件图像检索演示系统,给出了系统需求分析、概要设计,实现了系统中的总控模块、检索子系统等功能的开发与展示,完成初步的用户功能需求。论文最后对所做工作进行了简要总结,并指出了存在的问题和不足,以及展望后续的工作。