基于深度学习的定制柜体家具门型分类研究.pdfVIP

摘要

近年来，我国定制柜体家具行业发展迅速，该行业中柜门的风格是用户选择

产品的首要考虑因素，通常有独特的形状和特殊的工艺，如喷漆、打孔、覆膜等。

因此，在生产线上快速地对定制柜体家具门型进行分类十分重要。传统的门型识

别方法使用纸质条形码和RFID技术，但这两种方法存在各自的缺点，都不适合

柜门的现代生产过程。如今，图像分类算法已经十分火热，其中的深度学习算法

能够通过数据驱动自动学习特征，实现端到端学习，因此本文采用深度学习算法

对定制柜体家具门型进行快速分类。

首先，本文利用3dsMax软件的强大渲染功能，独立创建一套3D渲染定制

柜体家具门型图片数据集，经过数据增强等一系列操作，最终的数据集包含训练

384004903492364

集：，验证集：，测试集：张图片，门型共种。

其次，本文采用迁移学习方法，在该数据集上利用4种预训练模型VGG16、

Inception-v3、ResNet101、Xception进行迁移实验，实验过程循序渐进，随着模

型结构的优异性提高，模型的分类效果也逐步提升，最佳的迁移模型是Xception，

在测试集上实现了准确率96.63%，精确率96.59%，召回率96.57%，F196.56%，

mAP0.9907。

21

最后，经过迁移学习实验的结果分析，本文提出了种改进方法，方法

是在Xception结构上进行修改，结合各迁移学习模型的特点，提出了

Xception_change模型，该模型大小为39.65MB，比Xception减少了一半的参数

97.05%97.06%97.05%F1

量，并在测试集上实现了准确率，精确率，召回率，

97.04%，mAP0.9935；方法2是针对整体相似、局部差异的门型之间容易彼此混

淆的实验现象和实际情况，提出了将整体结构特征和局部语义特征相结合的双

CNNResNet101XceptionXception_changeCNN

架构，实验分别使用、、作为双

架构的基础模型，结果表明，双CNN架构能比基础模型进一步提高定制柜体家

具门型的分类识别效果，其中双CNN-Xception_change实现了最佳的分类效果，

该模型大小为79.30MB，在测试集上实现了准确率98.35%，精确率98.33%，召

回率98.31%，F198.31%，mAP0.9936。

关键词：深度学习，图像分类，定制柜体家具门型，3D渲染图片数据集，双

CNN架构

I

II

ABSTRACT

Inrecentyears,Chinascustomizedcabinetfurnitureindustryhasdeveloped

rapidly.Thestyleofcabinetdoorsintheindustryistheprimaryconsiderationfor

userstoselectproductsandthedoorsusuallyhaveuniqueshapesandparticular

processeslikepainting,punchingandfilmmulching.Therefore,itisofgreat

importancetoquicklycategorizethedoortypesofcustomizedcabinetfurnitureonthe

productionline.Traditional