一种用于智能衣物护理机的衣物识别方法及系统技术方案

本发明专利技术涉及衣物识别，具体涉及一种用于智能衣物护理机的衣物识别方法及系统，获取不同类型衣物的图像，每种类型衣物对应多个不同角度的图像；对各衣物图像进行类型标注，利用各衣物图像及对应的类型标签构建训练样本集；将训练样本集输入深度学习模型进行模型训练，得到训练好的深度学习模型；获取待识别衣物图像，将待识别衣物图像输入训练好的深度学习模型，得到相应的衣物类型识别结果；本发明专利技术提供的技术方案能够有效克服现有技术所存在的无法在恶劣的洗护环境中对衣物类型进行准确识别的缺陷

【技术实现步骤摘要】
一种用于智能衣物护理机的衣物识别方法及系统


[0001]本专利技术涉及衣物识别，具体涉及一种用于智能衣物护理机的衣物识别方法及系统
。

技术介绍

[0002]近年来，随着人们生活质量地不断提高，大量高质高价织物逐渐进入人们的生活中，形成了对智能识别衣物种类并采取相应的无损或低损护理方式的庞大需求
。
因此，在智能衣物护理机中，通过识别衣物材质采取不同的护理方式，达到无损或低损护理的目的，对提高生活品质具有重要意义
。
[0003]随着计算机技术的快速发展，在计算机视觉领域，越来越多的人开始关注材料的分类
。
目前，衣物类型识别采用的方法主要有
RFID
系统和光谱分析技术，其中
RFID
系统对于标签本身的性能要求非常高，因为洗护过程中衣物受到来自各个方向的力，需要标签耐受高温
、
高湿
、
摩擦的洗涤环境，制作成本较高；而光谱分析技术的开发成本较高，并且红外光谱测试一般以
15℃
～
25℃
为宜，而衣物护理机中的温湿度环境较为恶劣
。

技术实现思路

[0004](
一
)
解决的技术问题
[0005]针对现有技术所存在的上述缺点，本专利技术提供了一种用于智能衣物护理机的衣物识别方法及系统，能够有效克服现有技术所存在的无法在恶劣的洗护环境中对衣物类型进行准确识别的缺陷
。
[0006](
>二
)
技术方案
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0008]一种用于智能衣物护理机的衣物识别方法，包括以下步骤：
[0009]S1、
获取不同类型衣物的图像，每种类型衣物对应多个不同角度的图像；
[0010]S2、
对各衣物图像进行类型标注，利用各衣物图像及对应的类型标签构建训练样本集；
[0011]S3、
将训练样本集输入深度学习模型进行模型训练，得到训练好的深度学习模型；
[0012]S4、
获取待识别衣物图像，将待识别衣物图像输入训练好的深度学习模型，得到相应的衣物类型识别结果
。
[0013]优选地，
S3
中将训练样本集输入深度学习模型进行模型训练，得到训练好的深度学习模型，包括：
[0014]将训练样本集中的衣物图像输入深度学习模型，得到相应的衣物类型预测结果；
[0015]计算训练样本集的衣物类型预测结果与对应的类型标签之间的误差；
[0016]当误差大于设定误差阈值时，将误差通过梯度下降法进行反向传播，对深度学习模型的模型参数进行更新优化，直至误差不大于设定误差阈值；
[0017]当误差不大于设定误差阈值时，采用下一训练样本集输入深度学习模型进行模型
训练，直至最后一个训练样本集训练完成，得到训练好的深度学习模型
。
[0018]优选地，所述将训练样本集中的衣物图像输入深度学习模型，得到相应的衣物类型预测结果，包括：
[0019]将训练样本集中的衣物图像输入深度学习模型，深度学习模型提取衣物图像的空间特征，得到衣物表面特征；
[0020]深度学习模型基于衣物表面特征输出相应的衣物类型预测结果
。
[0021]优选地，所述计算训练样本集的衣物类型预测结果与对应的类型标签之间的误差，包括：
[0022]采用下式计算训练样本集的衣物类型预测结果与对应的类型标签之间的误差
loss
：
[0023][0024]其中，
y
i
为第
i
张衣物图像的真实标签值，为第
i
张衣物图像的预测结果值，
n
为训练样本集中的衣物图像数量
。
[0025]优选地，所述将误差通过梯度下降法进行反向传播，对深度学习模型的模型参数进行更新优化，包括：
[0026]将误差通过平均梯度和移动平均平方梯度进行反向传播，对深度学习模型的模型参数进行更新优化，模型参数更新公式为：
[0027]m
t
＝
β1m
t
‑1+(1
‑
β1)g
t
[0028]v
t
＝
β2v
t
‑1+(1
‑
β2)g
t2
[0029][0030][0031][0032]其中，
m
t
、v
t
为原始移动平均值，为梯度偏差纠正后的移动平均值，
β1、
β2为两个指数加权平均值的衰减系数，
g
t
为参数的梯度，
θ
t
、
θ
t+1
分别为原始模型参数
、
更新后的模型参数，
η
为学习率，
ε
为一个避免分母为0的很小的数
。
[0033]优选地，
S4
中获取待识别衣物图像，将待识别衣物图像输入训练好的深度学习模型，得到相应的衣物类型识别结果，包括：
[0034]将待识别衣物图像输入训练好的深度学习模型，深度学习模型提取待识别衣物图像的空间特征，得到最终特征信息；
[0035]计算最终特征信息与预先存储的各类型衣物对应的衣物表面特征之间的匹配度，并根据匹配度与设定匹配度阈值之间的关系，输出相应的衣物类型识别结果
。
[0036]一种用于智能衣物护理机的衣物识别系统，包括图像获取模块
、
训练样本集构建模块
、
模型训练单元和衣物识别单元；
[0037]图像获取模块，获取不同类型衣物的图像，每种类型衣物对应多个不同角度的图
像；
[0038]训练样本集构建模块，对各衣物图像进行类型标注，利用各衣物图像及对应的类型标签构建训练样本集；
[0039]模型训练单元，将训练样本集输入深度学习模型进行模型训练，得到训练好的深度学习模型；
[0040]衣物识别单元，获取待识别衣物图像，将待识别衣物图像输入训练好的深度学习模型，得到相应的衣物类型识别结果
。
[0041]优选地，所述模型训练单元包括模型训练模块
、
误差计算模块
、
参数更新模块；
[0042]模型训练模块，将训练样本集中的衣物图像输入深度学习模型，得到相应的衣物类型预测结果；
[0043]误差计算模块，计算训练样本集的衣物类型预测结果与对应的类型标签之间的误差；
[0044]参数更新模块，当误差大于设定误差阈值时，将误差通过梯度下降法进行反向传播，对深度学习模型的模型参数进行更新优化，直至误差不大于设定误差阈值；...

【技术保护点】

【技术特征摘要】
1.
一种用于智能衣物护理机的衣物识别方法，其特征在于：包括以下步骤：
S1、
获取不同类型衣物的图像，每种类型衣物对应多个不同角度的图像；
S2、
对各衣物图像进行类型标注，利用各衣物图像及对应的类型标签构建训练样本集；
S3、
将训练样本集输入深度学习模型进行模型训练，得到训练好的深度学习模型；
S4、
获取待识别衣物图像，将待识别衣物图像输入训练好的深度学习模型，得到相应的衣物类型识别结果
。2.
根据权利要求1所述的用于智能衣物护理机的衣物识别方法，其特征在于：
S3
中将训练样本集输入深度学习模型进行模型训练，得到训练好的深度学习模型，包括：将训练样本集中的衣物图像输入深度学习模型，得到相应的衣物类型预测结果；计算训练样本集的衣物类型预测结果与对应的类型标签之间的误差；当误差大于设定误差阈值时，将误差通过梯度下降法进行反向传播，对深度学习模型的模型参数进行更新优化，直至误差不大于设定误差阈值；当误差不大于设定误差阈值时，采用下一训练样本集输入深度学习模型进行模型训练，直至最后一个训练样本集训练完成，得到训练好的深度学习模型
。3.
根据权利要求2所述的用于智能衣物护理机的衣物识别方法，其特征在于：所述将训练样本集中的衣物图像输入深度学习模型，得到相应的衣物类型预测结果，包括：将训练样本集中的衣物图像输入深度学习模型，深度学习模型提取衣物图像的空间特征，得到衣物表面特征；深度学习模型基于衣物表面特征输出相应的衣物类型预测结果
。4.
根据权利要求3所述的用于智能衣物护理机的衣物识别方法，其特征在于：所述计算训练样本集的衣物类型预测结果与对应的类型标签之间的误差，包括：采用下式计算训练样本集的衣物类型预测结果与对应的类型标签之间的误差
loss
：其中，
y
i
为第
i
张衣物图像的真实标签值，为第
i
张衣物图像的预测结果值，
n
为训练样本集中的衣物图像数量
。5.
根据权利要求4所述的用于智能衣物护理机的衣物识别方法，其特征在于：所述将误差通过梯度下降法进行反向传播，对深度学习模型的模型参数进行更新优化，包括：将误差通过平均梯度和移动平均平方梯度进行反向传播，对深度学习模型的模型参数进行更新优化，模型参数更新公式为：
m
t
＝
β1m
t
‑1+(1
‑
β1)g
t
v
t
＝
β2v
t
‑1+(1
‑
β2)g
t222
其中，
m
t
、v
t
为原始移动平均值，为梯度偏差纠正后的移动平均值，
β1、
β2为两个指数加权平均值的衰减系数，
g
t
为参数的梯度，
θ
t
、
θ
t+1
...

【专利技术属性】
技术研发人员：陈勇，董刚，宋涛，
申请(专利权)人：安徽干霸电器股份有限公司，
类型：发明
国别省市：