摘 要：基于卷積神經(jīng)網(wǎng)絡(luò)的陜北傳統(tǒng)窗欞紋樣分類研究通過(guò)對(duì)陜北傳統(tǒng)建筑窗欞紋樣進(jìn)行數(shù)字化提取保護(hù)，解決人工對(duì)窗欞紋樣的分類準(zhǔn)確率不高及工作效率低下問(wèn)題。通過(guò)陜北窗欞紋樣特征和數(shù)據(jù)進(jìn)行解析，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)中VGG16模型方法，實(shí)驗(yàn)過(guò)程中各卷積層后采用ReLU激活函數(shù)，可以有效抑制過(guò)擬合現(xiàn)象，并提高模型的泛化能力。采用了數(shù)據(jù)增強(qiáng)方法，通過(guò)擴(kuò)充窗欞圖像的數(shù)量來(lái)增加模型的多樣性，從而降低對(duì)數(shù)據(jù)的依賴程度，實(shí)驗(yàn)結(jié)果表明在基于VGG16網(wǎng)絡(luò)模型中進(jìn)行遷移學(xué)習(xí)的方式對(duì)陜北窗欞紋樣的分類準(zhǔn)確率達(dá)到94.62%。建立紋樣分類數(shù)據(jù)庫(kù)，通過(guò)輸入紋樣種類特征實(shí)時(shí)輸出相關(guān)紋樣圖像，深入挖掘傳統(tǒng)窗欞文化遺產(chǎn)的價(jià)值，充分展現(xiàn)紋樣獨(dú)特的視覺(jué)效果和藝術(shù)表達(dá)方式。

關(guān)鍵詞：窗欞紋樣；卷積神經(jīng)網(wǎng)絡(luò)；VGG16；遷移學(xué)習(xí)；圖像分類

基金項(xiàng)目：本文系陜西省教育廳科學(xué)研究計(jì)劃專項(xiàng)項(xiàng)目（17JK0480）研究成果。

陜北的窗欞是陜北傳統(tǒng)窯洞建筑藝術(shù)的表現(xiàn)形式，木質(zhì)門(mén)窗的造型和窗欞的紋樣是陜北窯洞文化的重要載體[1]。但如今窯洞式住宅逐漸淡出人們的視野，尤其是在鄉(xiāng)村城鎮(zhèn)化快速發(fā)展的背景下，很多窯洞已經(jīng)空置、坍塌或損毀，傳統(tǒng)的窯洞味道盡失，窗欞文化失去了原有的質(zhì)樸與自然。窯洞窗欞紋樣種類繁多寓意深刻，深受黃土高原地域文化及意識(shí)形態(tài)的影響，依靠人工肉眼對(duì)紋樣的提取分類這類方法往往不夠精準(zhǔn)且耗時(shí)，不利于紋樣的研究。近年來(lái)，現(xiàn)代技術(shù)的深度學(xué)習(xí)[2]具有自動(dòng)提取圖形特征及分類的優(yōu)勢(shì)，而目前通過(guò)技術(shù)對(duì)窗欞紋樣的整理訓(xùn)練研究與應(yīng)用處于空白階段。卷積神經(jīng)網(wǎng)絡(luò)[3]是近年來(lái)處理圖像最受歡迎的深度學(xué)習(xí)算法之一，對(duì)陜北窗欞的紋樣和素材進(jìn)行數(shù)字化收集、整理與分析，通過(guò)遷移學(xué)習(xí)方式對(duì)紋樣進(jìn)行分類、整理后提取紋樣，建立相關(guān)樣本數(shù)據(jù)后利用卷積神經(jīng)網(wǎng)絡(luò)模型中VGGNet模型對(duì)窗欞紋樣進(jìn)行分類試驗(yàn)，通過(guò)試驗(yàn)驗(yàn)證模型分類效果建立智能分類輔助系統(tǒng)[4]。

一、窗欞紋樣數(shù)據(jù)收集、整理與分析

窯洞的窗戶構(gòu)造非常精細(xì)，由頂窗、腦窗、大耳節(jié)窗、小耳節(jié)窗、天窗、斗窗和坐窗等多個(gè)部分組成[5]。窗欞即窗格子，也叫雕花格子，是鏤空花格，窗欞的工藝與裝飾極富有審美情趣，折射出陜北人民的多彩的內(nèi)心世界及樸實(shí)含蓄的性格特點(diǎn)。同時(shí)紋樣也象征著民俗文化符號(hào)，將傳統(tǒng)紋樣提取分類進(jìn)行數(shù)字化保護(hù)是現(xiàn)在非物質(zhì)文化遺產(chǎn)一種保護(hù)措施，使文化符號(hào)更好的儲(chǔ)存與運(yùn)用。裝飾紋樣是歷史文化的濃縮既，主要有動(dòng)物類：蝙蝠、魚(yú)、龜?shù)?，例如魚(yú)諧音“余”，寓意“年年有余”；植物類：蓮花、海棠花、石榴花等，例如石榴寓意“多子多?！保灰灿袔缀晤悾悍礁窦y、菱形紋、盤(pán)長(zhǎng)紋等，例如盤(pán)長(zhǎng)紋寓意“世代延綿”；文字類：工字紋、壽字紋、雙喜紋等，例如壽字紋寓意“長(zhǎng)壽安康”；人物故事類：童男、童女、福娃等，例如福娃寓意“子孫滿堂p4DudzRm9VDYnG8hOoQaTsEGKQADQGlmXotMPFApDqM=”；宗教類：八卦、寶劍、鈴鐺等，例如寶劍寓意“驅(qū)惡辟邪”；生活類：元寶、如意、銅錢等，例如銅錢紋寓意“興旺發(fā)達(dá)”[6]。從紋樣的變化中可以看出陜北不同時(shí)期的時(shí)代風(fēng)貌、人文風(fēng)情，進(jìn)而形成藝術(shù)表現(xiàn)的差異性，打破了傳統(tǒng)紋樣固定不變的模式（見(jiàn)表1）。

二、窗欞紋樣數(shù)據(jù)的處理

（一）數(shù)據(jù)提取與分類

通過(guò)前期調(diào)研對(duì)陜北窗欞紋樣進(jìn)行大規(guī)模的采樣，提取窗欞圖案的輪廓與紋理特征，有關(guān)人物故事類、生活類、宗教類素材較少，從藝術(shù)、工藝等多維度進(jìn)行歸納與總結(jié)窗欞圖案的內(nèi)容形式選取以下四類：一是植物類紋樣，也是陜北窗欞裝飾運(yùn)用最多的紋樣，富有幸福美滿之意；二是文字類紋樣，象征厚祿、長(zhǎng)壽、多福；三是幾何類紋樣，通過(guò)點(diǎn)、線、面的組合和變換，形成各種不同的圖案和樣式；四是動(dòng)物類紋樣，象征富貴。實(shí)驗(yàn)中，為了獲取更加清晰的圖像紋理，對(duì)樣本素材進(jìn)行了裁剪，訓(xùn)練過(guò)程使用到數(shù)據(jù)集中四個(gè)子集（植物紋、文字紋、幾何紋、動(dòng)物紋），數(shù)據(jù)集中選取的示例圖片（如圖1）。

（二）遷移學(xué)習(xí)

遷移學(xué)習(xí)（TransferLearning）是一種機(jī)器學(xué)習(xí)方法，旨在通過(guò)減少源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)之間的分布差異，提高學(xué)習(xí)效率和性能[7]。通過(guò)遷移學(xué)習(xí)，可以利用已有的知識(shí)或經(jīng)驗(yàn)，將已經(jīng)學(xué)習(xí)到的模型或特征應(yīng)用于新的任務(wù)或領(lǐng)域，從而加速學(xué)習(xí)過(guò)程并提高模型的泛化能力。VGGNet在圖像分類中具有較好的分類性能，針對(duì)圖像分類的需求，需要收集大量的數(shù)據(jù)及進(jìn)行數(shù)據(jù)標(biāo)注，而標(biāo)注好的數(shù)據(jù)在訓(xùn)練過(guò)程中可能會(huì)存在一些排除情況，導(dǎo)致訓(xùn)練過(guò)程耗時(shí)長(zhǎng)，并且在小數(shù)據(jù)集上獲得的準(zhǔn)確率不高。使用遷移學(xué)習(xí)來(lái)解決這一問(wèn)題是非常有優(yōu)勢(shì)的，因?yàn)樗梢杂行p少對(duì)數(shù)據(jù)的依賴。遷移學(xué)習(xí)中源域?yàn)镈s，目標(biāo)域?yàn)镈t，則源域可以表示為：

（1）

目標(biāo)域表示為：

（2）

公式中：為數(shù)據(jù)樣本；為對(duì)應(yīng)的類別標(biāo)簽。

（三）數(shù)據(jù)增強(qiáng)

在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，需要大量標(biāo)注的數(shù)據(jù)樣本，而原數(shù)據(jù)集紋樣圖片數(shù)量較少，這可能導(dǎo)致在訓(xùn)練過(guò)程中出現(xiàn)擬合現(xiàn)象，進(jìn)而影響網(wǎng)絡(luò)模型的分類性能。為了解決這個(gè)問(wèn)題，可以采用數(shù)據(jù)增強(qiáng)技術(shù)來(lái)擴(kuò)充數(shù)據(jù)樣本。數(shù)據(jù)增強(qiáng)技術(shù)是一種通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行變換和擴(kuò)展，生成新的數(shù)據(jù)樣本的技術(shù)。可以增加數(shù)據(jù)集中的樣本數(shù)量，提高模型的泛化能力和分類性能。對(duì)數(shù)據(jù)集進(jìn)行旋轉(zhuǎn)、鏡像、加噪、明暗、模糊等操作，經(jīng)過(guò)數(shù)據(jù)增強(qiáng)，每種紋樣的數(shù)量保持相同，將所得數(shù)據(jù)歸一化處理為統(tǒng)一的224×224分辨率，提高圖像訓(xùn)練準(zhǔn)確率（如圖2）。

三、研究方法

（一）VGG16網(wǎng)絡(luò)

VGGNet是牛津大學(xué)計(jì)算機(jī)視覺(jué)組和Google DeepMind公司在2014共同提出的新模型，該研究的主要焦點(diǎn)是深入探討卷積神經(jīng)網(wǎng)絡(luò)深度對(duì)大規(guī)模圖像識(shí)別準(zhǔn)確率的影響。該模型獲得了2014年ILSVRC競(jìng)賽的第二名。VGGNet是比AlexNet更深層次的卷積神經(jīng)網(wǎng)絡(luò)，形式上更加簡(jiǎn)單，VGG16是VGGNet中分類性能最好的網(wǎng)絡(luò)之一。VGG16中16指的是有16的帶權(quán)重的層，總共包含16個(gè)子集，由5段卷積和1段全連接組成，5段卷積包含13個(gè)卷積層，1段全連接指卷積層之后的3個(gè)全連接層（FC），前13層主要對(duì)圖像進(jìn)行卷積，學(xué)習(xí)出相關(guān)特征，而最后將前面學(xué)習(xí)到的特征展開(kāi)，最終通過(guò)全連接進(jìn)行訓(xùn)練。

VGG16基本結(jié)構(gòu)包括輸入層、卷積層、池化層、全連接層和輸出層，層與層之間使用maxpool（最大池化層）分開(kāi)，采用連續(xù)的小卷積核（3×3）和池化層構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)深度可以達(dá)到16層，由多個(gè)卷積層和池化層交替堆疊而成，最后使用全連接層進(jìn)行分類。輸入層通常是一個(gè)固定大小的卷積核，用于將輸入圖像轉(zhuǎn)換為特征圖；卷積層是VGG16中的核心部分，通過(guò)卷積運(yùn)算對(duì)輸入特征圖進(jìn)行處理，提取圖像中的特征信息。池化層用于對(duì)卷積層輸出的特征圖進(jìn)行下采樣，減少特征圖的維度和計(jì)算量，同時(shí)保留重要的特征信息。全連接層是負(fù)責(zé)將前面各層的特征圖進(jìn)行整合，生成最終的分類結(jié)果。輸出層是負(fù)責(zé)將全連接層的輸出轉(zhuǎn)換為具體的分類結(jié)果，在VGG16中，輸出層通常采用softmax函數(shù)對(duì)全連接層的輸出進(jìn)行歸一化處理，生成最終的分類概率[8]。VGG16相比AlexNet的一個(gè)改進(jìn)是采用連續(xù)3×3的卷積核代替AlexNet中較大卷積核，使得網(wǎng)絡(luò)結(jié)構(gòu)更加簡(jiǎn)潔（如圖3）。

（二）ReLU激活函數(shù)

ReLU（Rectified Linear Unit）是常用的隱藏層激活函數(shù)，計(jì)算效率高并且在區(qū)間內(nèi)保持梯度為1，增加網(wǎng)絡(luò)的非線性可以使得網(wǎng)絡(luò)更好地?cái)M合復(fù)雜的非線性數(shù)據(jù)；有效地防止梯度消失，從而使得網(wǎng)絡(luò)能夠更好地進(jìn)行訓(xùn)練。由于過(guò)擬合是指模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，但在測(cè)試數(shù)據(jù)上表現(xiàn)較差的現(xiàn)象，所以ReLU函數(shù)可以有效地減少過(guò)擬合現(xiàn)象，提高模型的泛化能力。如果輸入值為負(fù)，ReLU 函數(shù)就返回0；如果輸入值為正，則返回輸入值本身；使得其函數(shù)表現(xiàn)形式為：

（3）

公式中x為實(shí)驗(yàn)過(guò)程中的輸入值。

（三）實(shí)驗(yàn)數(shù)據(jù)與評(píng)價(jià)標(biāo)準(zhǔn)

實(shí)驗(yàn)在Windows11系統(tǒng)python3.8環(huán)境下使用TensorFlow2.6.0框架進(jìn)行模型訓(xùn)練。硬盤(pán)配置：CPU為13th Gen Intel（R）Core（TM）i9-13980HX，GPU為NVIDIA GeForce RTX 4090 Laptop GPU，計(jì)算機(jī)運(yùn)行內(nèi)存為32GB，GPU顯存16GB。

原始數(shù)據(jù)集共326張，為了減少訓(xùn)練期間圖像集的過(guò)擬合采用旋轉(zhuǎn)、鏡像、加噪、明暗、模糊對(duì)原始圖像進(jìn)行處理，將數(shù)據(jù)集擴(kuò)充至1304張，動(dòng)物類圖像220張、Vm2+tL5VASDsRJwTNS04/A==文字類圖像328張、植物類圖像348張、幾何類圖像408張。訓(xùn)練中，訓(xùn)練數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集三個(gè)部分，劃分比例為8∶1∶1，三種數(shù)據(jù)集數(shù)量分別為1044張、130張、130張，同時(shí)對(duì)所有圖像數(shù)據(jù)集進(jìn)行歸一化，并將圖像大小統(tǒng)一至224×224×3。

在圖像分類任務(wù)中采用準(zhǔn)確率（Accuracy）作為實(shí)驗(yàn)效果評(píng)價(jià)標(biāo)準(zhǔn)，其計(jì)算公式為：

（4）

公式中：TP+TN為分類正確樣本數(shù)；M為測(cè)試集樣本總數(shù)。

四、過(guò)程與結(jié)果分析

在進(jìn)行VGG16網(wǎng)絡(luò)訓(xùn)練時(shí)，模型包括16個(gè)卷積層和3個(gè)全連接層，對(duì)輸入的窗欞紋樣圖像進(jìn)行歸一化處理，歸一化后的尺寸為224×224×3得到標(biāo)準(zhǔn)的像素矩陣，RGB圖像進(jìn)行卷積、池化和全連接層等操作。保留VGG16模型參數(shù)作為初始化參數(shù)可以確保初始權(quán)重的有效性；卷積層利用卷積核進(jìn)行卷積操作，對(duì)輸入圖像進(jìn)行特征提??；池化層降維操作有助于減少計(jì)算量，提高網(wǎng)絡(luò)的訓(xùn)練速度，同時(shí)保持重要的特征信息；各卷積層后均采用ReLU激活函數(shù)，有利于獲得更好的非線性效果及有效緩解梯度消失問(wèn)題，卷積層均采用3×3的卷積核。輸出層使用Softmax分類器來(lái)計(jì)算每個(gè)輸出類別的概率，Softmax函數(shù)可以將網(wǎng)絡(luò)輸出的原始分?jǐn)?shù)轉(zhuǎn)化為概率分布，從而為每個(gè)類別分配一個(gè)概率值，將輸出轉(zhuǎn)化為各個(gè)類別的概率分?jǐn)?shù)，使得概率總和為1。

通過(guò)試驗(yàn)，首先確定訓(xùn)練樣本、驗(yàn)證樣本和測(cè)試樣本的數(shù)據(jù)批量值為16，意味著在每次迭代中，將16個(gè)樣本輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。設(shè)定訓(xùn)練迭代次數(shù)為100，損失函數(shù)選擇的是交叉熵?fù)p失函數(shù)，因?yàn)榻徊骒負(fù)p失函數(shù)對(duì)于多分類問(wèn)題非常有效，能夠衡量模型預(yù)測(cè)的概率分布與真實(shí)概率分布之間的差異。使用SGD（隨機(jī)梯度下降）優(yōu)化器訓(xùn)練，根據(jù)每次迭代的梯度更新網(wǎng)絡(luò)權(quán)重，以最小化損失函數(shù)。學(xué)習(xí)率為0.001，是控制模型權(quán)重更新的步長(zhǎng)的重要參數(shù)，較小的學(xué)習(xí)率可以使得模型在訓(xùn)練過(guò)程中更加穩(wěn)定。

訓(xùn)練的迭代次數(shù)為100，每訓(xùn)練完成一個(gè)迭代就將訓(xùn)練集的損失值以及驗(yàn)證集的準(zhǔn)確率打印出來(lái)，為了保留每個(gè)迭代下訓(xùn)練好的模型狀態(tài)，進(jìn)行了模型保存的操作。可以根據(jù)保存的模型對(duì)測(cè)試集進(jìn)行準(zhǔn)確率的測(cè)試，從而獲得最終的測(cè)試集準(zhǔn)確率。在前10次迭代訓(xùn)練過(guò)程中，模型的訓(xùn)練損失值下降速度最快，這意味著模型在初始階段迅速學(xué)習(xí)并適應(yīng)訓(xùn)練數(shù)據(jù)，當(dāng)訓(xùn)練進(jìn)行到第20次迭代時(shí)，模型的收斂趨勢(shì)開(kāi)始顯現(xiàn)已經(jīng)接近最優(yōu)解，并且其性能逐漸穩(wěn)定。隨著訓(xùn)練的繼續(xù)進(jìn)行，模型逐漸達(dá)到收斂狀態(tài)，訓(xùn)練損失值不再顯著下降（如圖4）。

驗(yàn)證集的準(zhǔn)確率不斷升高趨于平穩(wěn)，最終在迭代 20次時(shí)，模型的驗(yàn)證準(zhǔn)確率基本收斂。根據(jù)訓(xùn)練損失值和驗(yàn)證準(zhǔn)確率的變化趨勢(shì)數(shù)據(jù)可以看出，陜北窗欞紋樣識(shí)別分類在學(xué)習(xí)率為0.001的VGG 16模型下，其訓(xùn)練準(zhǔn)確率為94.62%，使用預(yù)先訓(xùn)練好的模型參數(shù)作為初始化可以加快模型收斂速度，減少訓(xùn)練次數(shù)，遷移學(xué)習(xí)的策略可以使得模型更快地適應(yīng)新的數(shù)據(jù)集，提高模型的性能和泛化能力。這表明該模型在處理陜北窗欞紋樣數(shù)據(jù)時(shí)表現(xiàn)出了較高的分類精度和穩(wěn)定性（如圖5）。

為了促進(jìn)對(duì)陜北窗欞紋樣的傳承和創(chuàng)新，構(gòu)建陜北窗欞紋樣智能輔助系統(tǒng)是一個(gè)融合了傳統(tǒng)與現(xiàn)代、技術(shù)與藝術(shù)的創(chuàng)新過(guò)程。通過(guò)保留風(fēng)格特征、注重參與性和互動(dòng)性，該系統(tǒng)將為用戶提供一個(gè)便捷、高效、有趣的平臺(tái)。在構(gòu)建系統(tǒng)的過(guò)程中，首要任務(wù)是保留陜北窗欞紋樣的獨(dú)特風(fēng)格特征，這些特征包括紋樣的形狀、線條、寓意等，它們是陜北地區(qū)歷史文化和民俗風(fēng)情的生動(dòng)體現(xiàn)。經(jīng)過(guò)VGG16模型對(duì)窗欞紋樣的自動(dòng)分類和識(shí)別。首先，將紋樣及其對(duì)應(yīng)的寓意表征導(dǎo)入數(shù)據(jù)庫(kù)，這個(gè)過(guò)程確保數(shù)據(jù)的準(zhǔn)確性和完整性，同時(shí)考慮到數(shù)據(jù)結(jié)構(gòu)的合理性和可擴(kuò)展性。其次，用戶可以通過(guò)系統(tǒng)輸入紋樣名稱、紋樣特征、風(fēng)格類型等；系統(tǒng)會(huì)利用智能技術(shù)對(duì)其進(jìn)行預(yù)處理，系統(tǒng)能夠?qū)⑤斎氲奈谋巨D(zhuǎn)換為結(jié)構(gòu)化的數(shù)據(jù)，以便后續(xù)的圖像生成和處理；系統(tǒng)首先從數(shù)據(jù)庫(kù)中檢索與輸入名稱相關(guān)的紋樣圖像，然后對(duì)檢索到的圖像進(jìn)行特征提取和識(shí)別。最后，系統(tǒng)使用這些特征信息生成與輸入名稱相對(duì)應(yīng)的窗欞紋樣圖像（如圖6）。

五、結(jié)語(yǔ)

木質(zhì)窗欞紋樣負(fù)載著特殊的地方民俗文化，傳統(tǒng)紋樣所展現(xiàn)出的頑強(qiáng)生命力、表現(xiàn)力和藝術(shù)價(jià)值，是中華文化的重要組成部分，通過(guò)傳承和發(fā)揚(yáng)傳統(tǒng)窗欞紋樣，能夠更好地理解和欣賞中華文化的深厚底蘊(yùn)，同時(shí)也能為現(xiàn)代設(shè)計(jì)帶來(lái)新的啟示和靈感。將卷積神經(jīng)網(wǎng)絡(luò)中VGG16網(wǎng)絡(luò)模型應(yīng)用到陜北窗欞紋樣圖像識(shí)別分類中，運(yùn)用數(shù)據(jù)增強(qiáng)及遷移學(xué)習(xí)的方法對(duì)提取的紋樣數(shù)據(jù)進(jìn)行擴(kuò)充、遷移，提高模型泛化能力及模型訓(xùn)練的效率，加入ReLU激活函數(shù)增加網(wǎng)絡(luò)的非線性，緩解梯度消失問(wèn)題。對(duì)提取到的窗欞紋樣進(jìn)行分類，根據(jù)紋樣特征建立實(shí)驗(yàn)數(shù)據(jù)樣本，按照8∶1∶1的比例區(qū)分相應(yīng)的訓(xùn)練樣本、驗(yàn)證樣本和測(cè)試樣本，模型的分類準(zhǔn)確率達(dá)到94.62%，由此說(shuō)明VGG16網(wǎng)絡(luò)模型在紋樣識(shí)別的領(lǐng)域中具有較好的分類效果。構(gòu)建智能分類輔助系統(tǒng)為窗欞紋樣文化的傳承和創(chuàng)新提供了技術(shù)支持，傳統(tǒng)的窗欞紋樣文化通常依賴于手工制作和傳承，該系統(tǒng)提高了窗欞紋樣的認(rèn)知度和影響力，人們可以更加方便地了解和欣賞各種窗欞紋樣，從而增強(qiáng)了對(duì)窗欞紋樣文化的認(rèn)知和了解。該系統(tǒng)也為窗欞紋樣的傳播和推廣提供了平臺(tái)，使得更多的人能夠接觸到、感受到窗欞紋樣的魅力。

參考文獻(xiàn)：

[1]王文權(quán).窯洞文化研究——陜北窗格子[J].山花，2009（2）：162-163.

[2]陳沖，陳杰，張慧，等.深度學(xué)習(xí)可解釋性綜述wrnx2wDh4VIBktHJSJef4Q==[J].計(jì)算機(jī)科學(xué)，2023（5）：52-63.

[3]GIRSHICK R.，DONAHUE J.，DARRELL T.，etal.Rich feature hierarchies for accurate object detection and semantic segmentation［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2014：580-587.

[4]黃浦恩，信慧言，歐陽(yáng)國(guó)輝.地域文化視域下藏族傳統(tǒng)家具的數(shù)據(jù)庫(kù)建構(gòu)與創(chuàng)新設(shè)計(jì)[J].家具與室內(nèi)裝飾，2023（10）：96-102.

[5]楊雨佳.陜北窯洞門(mén)窗圖案及其命觀念[J].人民論壇，2016（8）：190-192.

[6]齊苗苗，張勇.陜北窗欞紋樣[J].大眾文藝，2015（20）：118.

[7]王軍敏，樊養(yǎng)余，李祖賀.基于深度卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的紋理圖像識(shí)別[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2022（5）：701-710.

[8]侯向?qū)帲瑒⑷A春，侯宛貞.基于改進(jìn)VGG16網(wǎng)絡(luò)模型的花卉分類[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2022（7）：172-178.

作者簡(jiǎn)介：段永麗，西安科技大學(xué)藝術(shù)學(xué)院碩士研究生。研究方向：環(huán)境設(shè)計(jì)研究。

通訊作者：張娜，博士，西安科技大學(xué)藝術(shù)學(xué)院副教授、碩士生導(dǎo)師。研究方向：文化遺產(chǎn)保護(hù)與現(xiàn)代環(huán)境設(shè)計(jì)研究。