用于衣物处理设备的重量识别控制方法和衣物处理设备与流程

1.本发明涉及智慧家电技术领域，具体提供一种用于衣物处理设备的重量识别控制方法和衣物处理设备。


背景技术：

2.随着人们生活水平的提高，洗衣机、干衣机、护理机等衣物处理设备作为家电应用越来越普及。以洗衣机为例，洗衣机可以通过传感器或者电机扭矩等称重方式获得负载的重量。其中，传感器通过采集洗衣机不同负载所对应的信号来确定负载的重量，但是，由于传感器容易出现失灵的现象，稳定性不好，因此通过传感器检测的负载重量误差较大；电机扭矩称重根据采集到的电机电流来确定负载的重量，但是，当洗衣机的洗涤桶重量较大时，负载重量的大小对电机电流的影响较小，容易导致负载重量分档不准确的情况。
3.为了解决上述问题，公开号为cn106192292a的发明专利公开了一种洗衣机及其负载判别方法和装置，负载判别方法具体包括：在待洗衣物投入洗衣机之后，控制洗衣机进水，直至洗衣机的洗衣桶内的水位达到初始设定水位；按照预设的洗涤节奏控制洗衣机进行洗涤，并在预设时间后检测洗衣桶内的当前水位；根据初始设定水位和当前水位计算水位高度差，并根据水位高度差识别洗衣机的负载情况。上述方法利用衣物材质的吸水性检测洗衣机桶内衣物的重量，这种方法对检测吸水能力强的衣物材质效果较好，但是对吸水能力弱的衣物材质，其检测效果较差，不能准确地检测衣物的重量，导致检测的重量与本身的重量有偏差，进而导致推荐洗护程序不准确，不利于用户体验。
4.因此，本领域需要一种新的用于衣物处理设备的重量识别控制方法和衣物处理设备来解决上述问题。


技术实现要素：

5.本实用新型旨在解决上述技术问题，即，解决现有衣物处理设备无法准确地检测衣物的重量的问题。
6.在第一方面，本发明提供了一种用于衣物处理设备的重量识别控制方法，所述重量识别控制方法包括下列步骤：获取衣物的图像；调用第一预设算法对所述图像进行识别，得到衣物的初步属性信息；根据数据库存储的已有衣物属性信息对所述初步属性信息进行修正，得到衣物的修正属性信息；调用第二预设算法对所述修正属性信息进行分析，确定衣物的重量。
7.在上述重量识别控制方法的优选技术方案中，所述初步属性信息包括材质、类型和初步尺寸；所述修正属性信息包括修正尺寸；“调用第一预设算法对所述图像进行识别，得到衣物的初步属性信息”的步骤具体包括：将所述图像输入预先训练得到的第一神经网络模型进行识别，得到所述材质、所述类型和所述初步尺寸；“根据数据库存储的已有衣物属性信息对所述初步属性信息进行修正，得到衣物的修正属性信息”的步骤具体包括：根据所述类型和所述初步尺寸从所述数据库存储的已有衣物属性信息中获取与所述类型相匹
配的衣物尺寸，将所述相匹配的衣物尺寸作为所述修正尺寸；“调用第二预设算法对所述修正属性信息进行分析，确定衣物的重量”的步骤具体包括：将所述材质、所述类型和所述修正尺寸输入预先训练得到的第二神经网络模型进行分析，得到所述重量。
8.在上述重量识别控制方法的优选技术方案中，所述第一神经网络模型包括卷积层、池化层、flatten层、第一全连接层和第一输出层；“将所述图像输入预先训练得到的第一神经网络模型进行识别，得到所述材质、所述类型和所述初步尺寸”的步骤具体包括：将所述图像输入所述卷积层进行卷积，得到卷积后的特征图；通过第一激活函数将所述卷积后的特征图输入所述池化层进行池化，得到池化后的特征图；将所述池化后的特征图输入所述flatten层进行特征向量转换，得到一维化特征向量；将所述一维化特征向量输入所述第一全连接层进行连接，得到第一特征向量；通过第二激活函数将所述第一特征向量输入所述第一输出层，以输出所述材质、所述类型和所述初步尺寸。
9.在上述重量识别控制方法的优选技术方案中，所述卷积层包括依次连接的第一卷积层、第二卷积层、第三卷积层和第四卷积层；所述池化层包括第一池化层、第二池化层、第三池化层和第四池化层；所述flatten 层包括第一flatten层、第二flatten层和第三flatten层；所述第一全连接层包括第一全连接子层、第二全连接子层和第三全连接子层；所述第一输出层包括第一输出子层、第二输出子层和第三输出子层；其中，所述第一卷积层的输出端与所述第一池化层的输入端连接，所述第一池化层的输出端分别与所述第二卷积层的输入端和所述第一flatten层的输入端连接，所述第一flatten层的输出端通过所述第一全连接子层与所述第一输出子层的输入端连接，所述第一输出子层用于输出所述初步尺寸；所述第二卷积层的输出端与所述第二池化层的输入端连接，所述第二池化层的输出端分别与所述第三卷积层的输入端和所述第二flatten层的输入端连接，所述第二flatten层的输出端通过所述第二全连接子层与所述第二输出子层的输入端连接，所述第二输出子层用于输出所述类型；所述第三卷积层的输出端依次通过所述第三池化层、所述第四卷积层、所述第四池化层、所述第三flatten层、所述第三全连接子层与所述第三输出子层的输入端连接，所述第三输出子层用于输出所述材质。
10.在上述重量识别控制方法的优选技术方案中，所述第一卷积层、所述第二卷积层、所述第三卷积层和所述第四卷积层的尺寸均为3*3，采样步长均为1；并且/或者所述第一池化层、所述第二池化层、所述第三池化层和所述第四池化层的尺寸均为2*2，采样步长均为1；并且/或者所述第一flatten层的尺寸根据所述第一池化层池化后的特征图确定；并且/或者所述第二flatten层的尺寸根据所述第二池化层池化后的特征图确定；并且/或者所述第三flatten层的尺寸根据所述第三池化层池化后的特征图确定；并且/或者所述第一全连接子层的尺寸为1*6，所述第一输出子层的尺寸为1*6；并且/或者所述第二全连接子层的尺寸为1*17，所述第二输出子层的尺寸为1*17；并且/或者所述第三全连接子层的尺寸为1*10，所述第三输出子层的尺寸为1*10。
11.在上述重量识别控制方法的优选技术方案中，所述第二神经网络模型包括输入层、隐藏层、第二全连接层和第二输出层；“将所述材质、所述类型和所述修正尺寸输入预先训练得到的第二神经网络模型进行分析，得到所述重量”的步骤具体包括：将所述材质、所述类型和所述修正尺寸分别进行归一化处理，得到归一化后的材质参数、类型参数和尺寸参数；将所述材质参数、所述类型参数和所述尺寸参数输入所述输入层，并通过第一预设函
数输出，得到映射向量；将所述映射向量输入所述隐藏层，并通过第二预设函数输出，得到抽象向量；将所述抽象向量输入所述第二全连接层进行连接，得到第二特征向量；通过第三激活函数将所述第二特征向量输入所述第二输出层，以输出衣物的重量概率；计算所述重量概率与重量系数的乘积，将所述乘积作为所述重量；其中，所述重量系数是根据所述衣物处理设备的最大负载量确定的。
12.在上述重量识别控制方法的优选技术方案中，按照下列方法对所述修正尺寸进行归一化处理：
[0013][0014]
其中，x
nor
为所述尺寸参数；x为所述修正尺寸对应的系数；x
min
为最小尺寸系数；x
max
为最大尺寸系数；并且/或者
[0015]
按照下列方法对所述类型进行归一化处理：
[0016][0017]
其中，y
nor
为所述类型参数；y为所述类型对应的系数；y
min
为最小类型系数；y
max
为最大类型系数；并且/或者
[0018]
按照下列方法对所述材质分别进行归一化处理：
[0019][0020]
其中，z
nor
为所述材质参数；z为所述材质对应的系数；z
min
为最小材质系数；z
max
为最大材质系数。
[0021]
在上述重量识别控制方法的优选技术方案中，所述第一神经网络模型为卷积神经网络模型；并且/或者所述第二神经网络模型为深层神经网络模型；并且/或者所述第一激活函数为relu激活函数；并且/或者所述第二激活函数为softmax激活函数；并且/或者所述第三激活函数为 sigmoid激活函数。
[0022]
在上述重量识别控制方法的优选技术方案中，所述重量识别控制方法还包括：根据所述重量、所述材质、所述类型和所述修正尺寸推荐衣物处理程序。
[0023]
在第二方面，本发明提供了一种衣物处理设备，所述衣物处理设备包括：处理器；存储器，用于存储多条程序代码；所述程序代码适于由所述处理器加载并执行上述优选技术方案中任一项所述的重量识别控制方法。
[0024]
在本发明的重量识别控制方法的优选技术方案中，获取衣物的图像；调用第一预设算法对图像进行识别，得到衣物的初步属性信息；根据数据库存储的已有衣物属性信息对初步属性信息进行修正，得到衣物的修正属性信息；调用第二预设算法对修正属性信息进行分析，确定衣物的重量。
[0025]
相对于现有技术中根据衣物材质的吸水性确定衣物的重量的技术方案，本发明的重量识别控制方法在检测衣物重量时，调用第一预设算法对图像进行识别，能够准确地识别衣物的初步属性信息；并根据数据库存储的已有衣物属性信息对初步属性信息进行修正，得到衣物的修正属性信息，避免了因图像采集等原因导致衣物的属性信息识别不准确，
提高了衣物属性信息识别的准确率和精度，在此基础上，调用第二预设算法对修正属性信息进行分析，能够更准确地确定衣物的重量，提高了衣物重量检测的准确率和精度。
[0026]
进一步地，通过预先训练得到的第一神经网络模型对图像进行识别，由于第一神经网络模型是由大量的各类衣服尺寸、衣服类型、衣服材质以及对应的衣服图片训练得到的，其精度非常高，因此能够准确地识别衣物的材质、类型和尺寸；并根据类型和初步尺寸能够从数据库存储的已有衣物属性信息中获取与类型相匹配的衣物尺寸，将相匹配的衣物尺寸作为修正尺寸，避免了因在拍摄衣物图像时衣物未完全展开而导致尺寸识别不准确，提高了衣物尺寸识别的准确率和精度，为确定衣物的重量提供了准确地数据；并通过预先训练得到的第二神经网络模型对材质、类型和修正尺寸进行识别，由于第二神经网络模型是由大量的各类衣服尺寸、衣服类型、衣服材质以及对应的衣服重量训练得到的，其精度非常高，从而能够准确地确定衣物的重量。
[0027]
进一步地，将图像输入卷积层进行卷积，得到卷积后的特征图；通过第一激活函数将卷积后的特征图输入池化层进行池化，得到池化后的特征图；将池化后的特征图输入flatten层进行特征向量转换，得到一维化特征向量；将一维化特征向量输入第一全连接层进行连接，得到第一特征向量；通过第二激活函数将第一特征向量输入第一输出层，以输出材质、类型和初步尺寸。在上述过程中，可以直接对图像进行处理提取第一特征向量，避免了复杂的特征提取过程，提高了识别材质、类型和尺寸的速率和精度。
[0028]
进一步地，将材质、类型和修正尺寸分别进行归一化处理，得到归一化后的材质参数、类型参数和尺寸参数，消除了不同类型数据对第二神经网络进行数据分析的干扰之后，将材质参数、类型参数和尺寸参数输入输入层，并通过第一预设函数输出，能够得到准确地映射向量；将映射向量输入隐藏层，并通过第二预设函数输出，得到抽象向量，能够更抽象化的展现材质、类型和尺寸特征；将抽象向量输入第二全连接层进行连接，得到第二特征向量；通过第三激活函数将第二特征向量输入第二输出层，以输出衣物的重量概率；计算重量概率与重量系数的乘积，得到重量，其中，重量系数是根据洗衣机的最大负载量确定的。在上述过程中，可以直接对归一化后的材质参数、类型参数和尺寸参数进行处理，利用第一预设函数和第二预设函数能够准确地提取第二特征向量，从而能够更准确地确定衣物的重量。
[0029]
进一步地，根据重量、材质、类型和修正尺寸能够更加准确地推荐衣物处理程序，能为衣物提供更加合理地洗护，能够将衣物清洗地更加干净，进而提高了用户体验。
附图说明
[0030]
下面参照附图并结合洗衣机来描述本发明的重量识别控制方法，附图中：
[0031]
图1是本发明的重量识别控制方法的流程图一；
[0032]
图2是本发明的重量识别控制方法的流程图二；
[0033]
图3是本发明的卷积神经网络模型的结构图；
[0034]
图4是本发明的对图像进行识别的方法的流程图；
[0035]
图5是本发明的深层神经网络模型的结构图；
[0036]
图6是本发明的对修正属性信息进行分析以确定衣物的重量的方法的流程图；
[0037]
图7是本发明的重量识别控制方法的流程图三；
[0038]
图8是本发明的重量识别控制方法的逻辑图。
具体实施方式
[0039]
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。例如，尽管本技术是结合洗衣机来描述的，但是，本发明的技术方案并不局限于此，该重量识别控制方法显然也可以应用于干衣机、洗干一体机、护理机等其他衣物处理设备，这种改变并不偏离本发明的原理和范围。
[0040]
需要说明的是，在本发明的描述中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0041]
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“设置”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
[0042]
基于背景技术中提出的技术问题，本发明提供了一种用于图像颜色的重量识别控制方法，旨在检测衣物重量时，调用第一预设算法对图像进行识别，能够准确地识别衣物的初步属性信息；并根据数据库存储的已有衣物属性信息对初步属性信息进行修正，得到衣物的修正属性信息，避免了因图像采集等原因导致衣物的属性信息识别不准确，提高了衣物属性信息识别的准确率和精度，在此基础上，调用第二预设算法对修正属性信息进行分析，能够更准确地确定衣物的重量，提高了衣物重量检测的准确率和精度。
[0043]
首先参见图1，对本发明的重量识别控制方法进行描述。其中，图1 是本发明的重量识别控制方法的主流程图。
[0044]
如图1所示，本发明的用于图像颜色的重量识别控制方法包括以下步骤：
[0045]
s100、获取衣物的图像；
[0046]
s200、调用第一预设算法对图像进行识别，得到衣物的初步属性信息；
[0047]
s300、根据数据库存储的已有衣物属性信息对初步属性信息进行修正，得到衣物的修正属性信息；
[0048]
s400、调用第二预设算法对修正属性信息进行分析，确定衣物的重量。
[0049]
步骤s100中，通过摄像头、照相机等拍摄装置拍摄衣物图像。
[0050]
其中，属性信息包括材质、类型和尺寸。当然，属性信息还可以包括颜色等其他信息。
[0051]
优选地，初步属性信息包括材质、类型和尺寸；修正属性信息包括修正尺寸。
[0052]
优选地，第一预设算法为cnn算法，cnn算法通过卷积神经网络模型能够直接对图像进行处理，避免了复杂的特征提取过程，提高了识别材质、类型和尺寸的速率和精度。或者，第一预设算法也可以采用vgg 算法、resnet50算法、resnet101算法、resnext算法和hrnet算法等其他算法。无论采用何种算法，任何一种算法对应的对图像进行处理的具体方法都不应对本发明构成任何的限制。
[0053]
优选地，第二预设算法为dnn算法，dnn算法通过深层神经网络能够直接对修正属
性信息进行处理，避免了复杂的特征提取过程，从而能够更准确地确定衣物的重量。或者，第二预设算法也可以采用svm算法、snn算法、一维卷积算法等其他算法。无论采用何种算法，任何一种算法对应的对修正属性信息进行分析的具体方法都不应对本发明构成任何的限制。
[0054]
下面参照图2至图4，以cnn算法和卷积神经网络模型为例，对本发明的对图像进行识别的方法进行描述。其中，图2是本发明的重量识别控制方法的流程图二；图3是本发明的卷积神经网络模型的结构图；图4是本发明的对图像进行识别的方法的流程图。
[0055]
如图2所示，步骤s200中，“调用第一预设算法对图像进行识别，得到衣物的初步属性信息”的步骤具体包括：
[0056]
s211、将图像输入预先训练得到的卷积神经网络模型进行识别，得到材质、类型和初步尺寸。
[0057]
由于卷积神经网络模型是由大量的各类衣服尺寸、衣服类型、衣服材质以及对应的衣服图片训练得到的，其精度非常高，因此能够准确地识别衣物的材质、类型和尺寸。
[0058]
如图3所示，卷积神经网络模型包括卷积层、池化层、flatten层、第一全连接层和第一输出层。
[0059]
优选地，卷积层包括依次连接的第一卷积层、第二卷积层、第三卷积层和第四卷积层；池化层包括第一池化层、第二池化层、第三池化层和第四池化层；flatten层包括第一flatten层、第二flatten层和第三flatten层；第一全连接层包括第一全连接子层、第二全连接子层和第三全连接子层；输出层包括第一输出子层、第二输出子层和第三输出子层；其中，第一卷积层的输出端与第一池化层的输入端连接，第一池化层的输出端分别与第二卷积层的输入端和第一flatten层的输入端连接，第一flatten层的输出端通过第一全连接子层与第一输出子层的输入端连接，第一输出子层用于输出初步尺寸；第二卷积层的输出端与第二池化层的输入端连接，第二池化层的输出端分别与第三卷积层的输入端和第二flatten层的输入端连接，第二flatten层的输出端通过第二全连接子层与第二输出子层的输入端连接，第二输出子层用于输出类型；第三卷积层的输出端依次通过第三池化层、第四卷积层、第四池化层、第三flatten层、第三全连接子层与第三输出子层的输入端连接，第三输出子层用于输出材质。
[0060]
进一步地，第一卷积层、第二卷积层、第三卷积层和第四卷积层的尺寸均为3*3，采样步长均为1，优选地，第一卷积层为2层、第二卷积层为5层、第三卷积层为3层、第四卷积层为3层。当然，第一卷积层、第二卷积层、第三卷积层和第四卷积层的尺寸也可以是为3*4等其他尺寸，采样步长也可以为2等其他步长，第一卷积层、第二卷积层、第三卷积层和第四卷积层的层数也可以为4层、6层等其他层数，且第一卷积层、第二卷积层、第三卷积层和第四卷积层的层数可以相同也可以不相同，本领域技术人员可以根据实际的使用需求等灵活地调整和设置。
[0061]
进一步地，第一池化层、第二池化层、第三池化层和第四池化层的尺寸均为2*2，采样步长均为1。当然，第一池化层、第二池化层、第三池化层和第四池化层的尺寸也可以为2*3等其他尺寸，采样步长均为2等其他步长，本领域技术人员可以根据实际的使用需求等灵活地调整和设置。
[0062]
进一步地，第一flatten层的尺寸根据第一池化层池化后的特征图确定，例如第一
池化层池化后的特征图尺寸为m*n，则第一flatten层的尺寸就是1*(m*n)，其中，m和n为正整数；类似地，第二flatten层的尺寸根据第二池化层池化后的特征图确定，例如第二池化层池化后的特征图尺寸为p*q，则第二flatten层的尺寸就是1*(p*q)，其中，p和q为正整数；第三 flatten层的尺寸根据第三池化层池化后的特征图确定，例如第三池化层池化后的特征图尺寸为c*d，则第三flatten层的尺寸就是1*(c*d)，其中，c和 d为正整数。
[0063]
进一步地，第一全连接子层的尺寸为1*6，第一输出子层的尺寸为 1*6。当然，第一全连接子层和第一输出子层的尺寸也可以为其他尺寸，例如1*5、1*11等，无论如何设置，只要使得第一全连接子层和第一输出子层的尺寸相同即可。
[0064]
进一步地，第二全连接子层的尺寸为1*17，第二输出子层的尺寸为 1*17。当然，第二全连接子层和第二输出子层的尺寸也可以为其他尺寸，例如1*12、1*19等，无论如何设置，只要使得第二全连接子层和第二输出子层的尺寸相同即可。
[0065]
进一步地，第三全连接子层的尺寸为1*10，第三输出子层的尺寸为 1*10。当然，第三全连接子层和第三输出子层的尺寸也可以为其他尺寸，例如1*7、1*13等，无论如何设置，只要使得第三全连接子层和第三输出子层的尺寸相同即可。
[0066]
如图4所示，步骤s211中，“将图像输入预先训练得到的卷积神经网络模型进行识别，得到材质、类型和初步尺寸”的步骤具体包括：
[0067]
s221、将图像输入卷积层进行卷积，得到卷积后的特征图；
[0068]
s222、通过第一激活函数将卷积后的特征图输入池化层进行池化，得到池化后的特征图；
[0069]
s223、将池化后的特征图输入flatten层进行特征向量转换，得到一维化特征向量；
[0070]
s224、将一维化特征向量输入第一全连接层进行连接，得到第一特征向量；
[0071]
s225、通过第二激活函数将第一特征向量输入第一输出层，以输出材质、类型和初步尺寸。
[0072]
优选地，第一激活函数为relu激活函数，relu激活函数为非线性函数，形式简单，可以使卷积神经网络训练的更快，可以增加卷积神经网络的非线性，使得卷积神经网络可以是网格拟合非线性映射，使卷积神经网络具有稀疏性，还可以防止梯度消失。或者，第一激活函数也可以采用tanh激活函数、sigmoid激活函数等其他激活函数，无论采取何种激活函数，任何一种激活函数对应的具体方法都不应对本发明构成任何的限制。
[0073]
优选地，第二激活函数为softmax激活函数，softmax激活函数能够对第一特征向量进行分类，从而能够准确地识别出材质、类型和初步尺寸。或者，第二激活函数也可以采用maxout激活函数、sigmoid激活函数等其他激活函数，无论采取何种激活函数，任何一种激活函数对应的分类方法都不应对本发明构成任何的限制。
[0074]
下面以分别识别尺寸、类型和材质等信息为例，进一步阐述。
[0075]
首先，以识别衣物的尺寸为例来进一步阐述：
[0076]
将衣物的图像输入第一卷积层进行卷积，得到卷积后的第一特征图；通过relu激活函数将卷积后的第一特征图输入第一池化层进行池化，得到池化后的第一特征图；将池化后的第一特征图输入第一flatten层进行特征向量转换，得到第一一维化特征向量；将第一一维化特征向量输入第一全连接子层进行连接，得到第一目标特征向量；通过softmax激
活函数将第一目标特征向量输入第一输出子层，以输出衣物的初步尺寸。
[0077]
其次，以识别衣物的类型为例来进一步阐述：
[0078]
将衣物的图像输入第一卷积层进行卷积，得到卷积后的第一特征图；通过relu激活函数将卷积后的第一特征图输入第一池化层进行池化，得到池化后的第一特征图；将池化后的第一特征图输入第二卷积层进行卷积，得到卷积后的第二特征图；通过relu激活函数将卷积后的第二特征图输入第二池化层进行池化，得到池化后的第二特征图；将池化后的第二特征图输入第二flatten层进行特征向量转换，得到第二一维化特征向量；将第二一维化特征向量输入第二全连接子层进行连接，得到第二目标特征向量；通过softmax激活函数将第二目标特征向量输入第二输出子层，以输出衣物的类型。
[0079]
再次，以识别衣物的材质为例来进一步阐述：
[0080]
将衣物的图像输入第一卷积层进行卷积，得到卷积后的第一特征图；通过relu激活函数将卷积后的第一特征图输入第一池化层进行池化，得到池化后的第一特征图；将池化后的第一特征图输入第二卷积层进行卷积，得到卷积后的第二特征图；通过relu激活函数将卷积后的第二特征图输入第二池化层进行池化，得到池化后的第二特征图；将池化后的第二特征图输入第三卷积层进行卷积，得到卷积后的第三特征图；通过 relu激活函数将卷积后的第三特征图输入第三池化层进行池化，得到池化后的第三特征图；将池化后的第三特征图输入第四卷积层进行卷积，得到卷积后的第四特征图；通过relu激活函数将卷积后的第四特征图输入第四池化层进行池化，得到池化后的第四特征图；将池化后的第四特征图输入第三flatten层进行特征向量转换，得到第三一维化特征向量；将第三一维化特征向量输入第三全连接子层进行连接，得到第三目标特征向量；通过softmax激活函数将第三目标特征向量输入第三输出子层，以输出衣物的材质。
[0081]
例如，采用上述方法，识别出的衣物初步属性信息为男士纯棉衬衣，胸围92cm，腰围84cm；或者，女士真丝连衣裙，胸围84cm，腰围68cm 等等。
[0082]
需要说明的是，用于识别类别、材质和尺寸的模型不限于上述列举的模型，也可以采用其他深度学习模型来识别类别、材质和尺寸，例如 vgg模型、resnet50模型、resnet101模型、resnext模型和hrnet模型等。
[0083]
下面参照图2，对本发明的对初步属性信息进行修正的方法进行描述。
[0084]
如图2所示，步骤s300中，“根据数据库存储的已有衣物属性信息对初步属性信息进行修正，得到衣物的修正属性信息”的步骤具体包括：
[0085]
s311、根据类型和初步尺寸从数据库存储的已有衣物属性信息中获取与类型相匹配的衣物尺寸，将相匹配的衣物尺寸作为修正尺寸。
[0086]
优选地，当洗衣机达到用户家、宿舍等其他目标使用位置时，在首次使用洗衣机时，在数据库中存入家庭成员的身材尺寸信息，其中，身材尺寸信息包括身高、体重、胸围、腰围等参数，并根据用户的性别建立了两个对应关系表，详见表1和表2。
[0087]
表1.男性衣服尺寸对照表
[0088]
身高(cm)163-167168-172173-177178-182183-187188-192体重(斤)110
±
10125
±
10135
±
10150
±
10165
±
10180
±
10胸围(cm)82-8586-8990-9394-9798-102103-107腰围(cm)72-7576-7980-8485-8889-9293-96
尺寸smlxlxxlxxxl
[0089]
表2.女性衣服尺寸对照表
[0090]
身高(cm)155-160160-165165-170170-172172-175175-178体重(斤)90
±
5100
±
5110
±
5115
±
5120
±
5130
±
5胸围(cm)79-8283-8687-9091-9495-9899-103腰围(cm)62-6667-7071-7475-7879-8283-86尺寸smlxlxxlxxxl
[0091] 例如，步骤s211中识别出的衣物的初步属性信息为男士纯棉衬衣，胸围92cm，腰围84cm，查看对照表1，可以确定该件纯棉衬衣的尺寸应该为l码，并将l码作为该纯棉衬衣的修正尺寸。
[0092]
又如，步骤s211中识别出的衣物的初步属性信息为女士真丝连衣裙，胸围84cm，腰围68cm，查看对照表2，可以确定该件真丝连衣裙的尺寸应该为m码，并将m码作为该真丝连衣裙的修正尺寸。
[0093]
通过上述方法，能够准确地确定衣物的尺寸，避免了因在拍摄衣物图像时衣物未完全展开而导致尺寸识别不准确，提高了衣物尺寸识别的准确率和精度，为确定衣物的重量提供了准确地数据。
[0094]
需要说明的是，数据库可以设置在洗衣机上，也可以设置在服务器上，本领域技术人员可以灵活地调整和设置数据库的设置位置。
[0095]
下面参照图2、图5和图6，以dnn算法和深层神经网络模型为例，对本发明的对图像进行识别的方法进行描述。其中，图5是本发明的深层神经网络模型的结构图；图6是本发明的对修正属性信息进行分析以确定衣物的重量的方法的流程图。
[0096]
如图2所示，步骤s400中，“调用第二预设算法对修正属性信息进行分析，确定衣物的重量”的步骤具体包括：
[0097]
s411、将材质、类型和修正尺寸输入预先训练得到的深层神经网络模型进行分析，得到重量。
[0098]
由于深层神经网络模型是由大量的各类衣服尺寸、衣服类型、衣服材质以及对应的衣服重量训练得到的，其精度非常高，从而能够准确地确定衣物的重量。
[0099]
如图5所示，深层神经网络模型包括输入层、隐藏层、第二全连接层和第二输出层；优选地，隐藏层的数量为n个，n为正整数，本领域技术人员可以灵活地调整和设置隐藏层的数量。
[0100]
如图6所示，步骤s411中，“将材质、类型和修正尺寸输入预先训练得到的深层神经网络模型进行分析，得到重量”的步骤具体包括：
[0101]
s421、将材质、类型和修正尺寸分别进行归一化处理，得到归一化后的材质参数、类型参数和尺寸参数；
[0102]
s422、将材质参数、类型参数和尺寸参数输入输入层，并通过第一预设函数输出，得到映射向量；
[0103]
s423、将映射向量输入隐藏层，并通过第二预设函数输出，得到抽象向量；
[0104]
s424、将抽象向量输入第二全连接层进行连接，得到第二特征向量；
[0105]
s425、通过第三激活函数将第二特征向量输入第二输出层，以输出衣物的重量概
率；
[0106]
s426、计算重量概率与重量系数的乘积，将乘积作为重量；
[0107]
其中，重量系数是根据洗衣机的最大负载量确定的，例如12kg、8kg 等。
[0108]
优选地，第一预设函数为y1＝a1x1+b1，其中，y1为映射向量；x1为归一化后的材质参数、类型参数和尺寸参数构成的向量；a1为第一系数；b1为第二系数。进一步地，输入层的每一个神经元对应的参数a1均不相同。
[0109]
优选地，第二预设函数为yn＝a
nyn-1
+bn，其中，yn为抽象向量；y
n-1
为映射向量或上一个隐藏层输出的抽象向量；an为第二系数；bn为第二系数。进一步地，隐藏层的每一个神经元对应的参数an均不相同；n为大于等于2的正整数。
[0110]
优选地，第三激活函数为sigmoid激活函数，sigmoid激活函数能够根据第二特征向量准确地对衣物的重量阈值，将衣物的重量映射到0～1 之间，从而得出衣物的重量概率。或者，第三激活函数也可以采用maxout 激活函数、softmax激活函数等其他激活函数，无论采取何种激活函数，任何一种激活函数对应的阈值方法都不应对本发明构成任何的限制。
[0111]
下面分别对材质、类型和尺寸的归一化方法进行阐述。
[0112]
首先，可以按照下列方法对修正尺寸进行归一化处理：
[0113][0114]
其中，公式(1)中，x
nor
为尺寸参数；x为修正尺寸对应的系数； x
min
为最小尺寸系数；x
max
为最大尺寸系数。
[0115]
如表1和表2所示，衣物的尺寸为s、m、l、xl、xxl、xxxl，每一个尺寸分别对应一个尺寸系数，例如，1、2、3、4、5、6，则x
min
为1，x
max
为6，而男士纯棉衬衣的修正尺寸为l码，其对应的系数x为3，则x
max
＝(3-1)/(6-1)＝0.4；而女士真丝连衣裙的修正尺寸为m码，其对应的系数x为2，则x
max
＝(2-1)/(6-1)＝0.2。
[0116]
其次，可以按照下列方法对类型进行归一化处理：
[0117][0118]
其中，公式(2)中，y
nor
为类型参数；y为类型对应的系数；y
min
为最小类型系数；y
max
为最大类型系数。
[0119]
假设，衣物的类型分为男款衬衣、女款衬衣、男款毛衣、女款毛衣、男款外套、女款外套、男款秋衣、女款秋衣、球衣、男款秋裤、女款秋裤、男款长裤、女款长裤、男款短裤、女款短裤、长裙、短裙，每一个类别分别对应一个类型系数，分别为1、2、3、4、5、6、7、8、9、10、 11、12、13、14、15、16、17，则y
min
为1，y
max
为17，而男士纯棉衬衣对应的类型系数y为1，则y
max
＝(1-1)/(17-1)＝0；而女士真丝连衣裙对应的类型系数y为16，则x
max
＝(16-1)/(17-1)＝0.9375。
[0120]
再次，可以按照下列方法对材质分别进行归一化处理：
[0121]
[0122]
其中，公式(3)中，z
nor
为材质参数；z为材质对应的系数；z
min
为最小材质系数；z
max
为最大材质系数。
[0123]
假设，衣物的材质分为麻、皮革、涤纶、羊毛、丝绸、棉布、呢绒、蚕丝、晴纶、真丝，每一个材质分别对应一个类型系数，分别为1、2、3、4、5、6、7、8、9、10，则z
min
为1，z
max
为10，而男士纯棉衬衣对应的材质系数y为6，则y
max
＝(6-1)/(10-1)＝0.556；而女士真丝连衣裙对应的材质系数y为10，则x
max
＝(10-1)/(10-1)＝1。
[0124]
采用上述方法，男士纯棉衬衣的归一化后的材质参数、类型参数和尺寸参数分别为0.556、0、0.4；女士真丝连衣裙的归一化后的材质参数、类型参数和尺寸参数分别为1、0.9375、0.2，通过归一化处理，消除了不同类型数据对深层神经网络模型进行数据分析的干扰。
[0125]
以男士纯棉衬衣为例进一步阐述，将男士纯棉衬衣的归一化后的材质参数、类型参数和尺寸参数0.556、0、0.4输入输入层，并通过y1＝a1x1+b1函数输出，得到映射向量；将映射向量依次输入n个隐藏层，并分别通过对应的yn＝a
nyn-1
+bn输出，得到抽象向量；将抽象向量输入第二全连接层进行连接，得到第二特征向量；通过第三激活函数将第二特征向量输入第二输出层，以输出衣物的重量概率，例如0.0175。
[0126]
最后，以重量系数为12kg为例，检测出的男士纯棉衬衣的重量为 0.0175
×
12kg＝0.21kg，而男士纯棉衬衣的实际重量为0.2kg，偏差只有10g，从而提高了衣物重量检测的准确率和精度。
[0127]
依次类推，分别识别每一件待洗涤的衣物的重量，计算识别出的每一件衣物的重量之和，将计算的到的总和作为待洗涤的衣物的总重量。例如，女士真丝连衣裙的重量为0.23kg，共洗涤这两件衣物，则衣物的中重量为0.44kg。
[0128]
下面参照图7，对本发明的重量识别控制方法进一步描述。其中，图 7是本发明的重量识别控制方法的流程图三。
[0129]
如图7所示，重量识别控制方法还包括：
[0130]
s500、根据重量、材质、类型和修正尺寸推荐衣物处理程序。
[0131]
优选地，根据确定的待洗涤的衣物的总重量、材质、类型和修正尺寸能够更加准确地推荐衣物处理程序，能为衣物提供更加合理地洗护，能够将衣物清洗地更加干净，进而提高了用户体验。当然，在实际应用中，也可以根据重量并结合材质、类型和修正尺寸中的任一个或两个来推荐衣物处理程序。
[0132]
其中，衣物处理程序可以是洗涤程序、快洗程序、羽绒程序、衬衣程序等其他洗护程序。
[0133]
下面参照图8，以卷积神经网络模型和深层神经网络模型为例，对本发明的一种可能的控制流程进行介绍。其中，图8是本发明的重量识别控制方法的逻辑图。
[0134]
如图8所示，本发明的重量识别控制方法的一种可能的完整流程是：
[0135]
s601、拍摄衣物的图像；
[0136]
s602、将图像输入预先训练得到的卷积神经网络模型进行识别，得到衣物的材质、类型和初步尺寸；
[0137]
s603、根据类型和初步尺寸从数据库存储的已有衣物属性信息中获取与类型相匹配的衣物尺寸，将相匹配的衣物尺寸作为修正尺寸；
[0138]
s604、将材质、类型和修正尺寸输入预先训练得到的深层神经网络模型进行分析，得到衣物的重量；
[0139]
s605、根据重量、材质、类型和修正尺寸推荐衣物处理程序。
[0140]
应该指出的是，上述实施例只是本发明的一种较佳的实施方式中，仅用来阐述本发明方法的原理，并非旨在限制本发明的保护范围，在实际应用中，本领域技术人员可以根据需要而将上述功能分配由不同的步骤来完成，即将本发明实施例中的步骤再分解或者组合。例如，上述实施例的步骤可以合并为一个步骤，也可以进一步拆分成多个子步骤，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的步骤的名称，其仅仅是为了区分各个步骤，不视为对本发明的限制。
[0141]
此外，本发明还提供了一种洗衣机，该洗衣机包括处理器和存储器，存储器用于存储多条程序代码；其中，程序代码由处理器加载并执行上述实施方式中任一项重量识别控制方法。
[0142]
优但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

技术特征：
1.一种用于衣物处理设备的重量识别控制方法，其特征在于，所述重量识别控制方法包括下列步骤：获取衣物的图像；调用第一预设算法对所述图像进行识别，得到衣物的初步属性信息；根据数据库存储的已有衣物属性信息对所述初步属性信息进行修正，得到衣物的修正属性信息；调用第二预设算法对所述修正属性信息进行分析，确定衣物的重量。2.根据权利要求1所述的重量识别控制方法，其特征在于，所述初步属性信息包括材质、类型和初步尺寸；所述修正属性信息包括修正尺寸；“调用第一预设算法对所述图像进行识别，得到衣物的初步属性信息”的步骤具体包括：将所述图像输入预先训练得到的第一神经网络模型进行识别，得到所述材质、所述类型和所述初步尺寸；“根据数据库存储的已有衣物属性信息对所述初步属性信息进行修正，得到衣物的修正属性信息”的步骤具体包括：根据所述类型和所述初步尺寸从所述数据库存储的已有衣物属性信息中获取与所述类型相匹配的衣物尺寸，将所述相匹配的衣物尺寸作为所述修正尺寸；“调用第二预设算法对所述修正属性信息进行分析，确定衣物的重量”的步骤具体包括：将所述材质、所述类型和所述修正尺寸输入预先训练得到的第二神经网络模型进行分析，得到所述重量。3.根据权利要求2所述的重量识别控制方法，其特征在于，所述第一神经网络模型包括卷积层、池化层、flatten层、第一全连接层和第一输出层；“将所述图像输入预先训练得到的第一神经网络模型进行识别，得到所述材质、所述类型和所述初步尺寸”的步骤具体包括：将所述图像输入所述卷积层进行卷积，得到卷积后的特征图；通过第一激活函数将所述卷积后的特征图输入所述池化层进行池化，得到池化后的特征图；将所述池化后的特征图输入所述flatten层进行特征向量转换，得到一维化特征向量；将所述一维化特征向量输入所述第一全连接层进行连接，得到第一特征向量；通过第二激活函数将所述第一特征向量输入所述第一输出层，以输出所述材质、所述类型和所述初步尺寸。4.根据权利要求3所述的重量识别控制方法，其特征在于，所述卷积层包括依次连接的第一卷积层、第二卷积层、第三卷积层和第四卷积层；所述池化层包括第一池化层、第二池化层、第三池化层和第四池化层；所述flatten层包括第一flatten层、第二flatten层和第三flatten层；所述第一全连接层包括第一全连接子层、第二全连接子层和第三全连接子层；所述第一输出层包括第一输出子层、第二输出子层和第三输出子层；其中，所述第一卷积层的输出端与所述第一池化层的输入端连接，所述第一池化层的输出端
分别与所述第二卷积层的输入端和所述第一flatten层的输入端连接，所述第一flatten层的输出端通过所述第一全连接子层与所述第一输出子层的输入端连接，所述第一输出子层用于输出所述初步尺寸；所述第二卷积层的输出端与所述第二池化层的输入端连接，所述第二池化层的输出端分别与所述第三卷积层的输入端和所述第二flatten层的输入端连接，所述第二flatten层的输出端通过所述第二全连接子层与所述第二输出子层的输入端连接，所述第二输出子层用于输出所述类型；所述第三卷积层的输出端依次通过所述第三池化层、所述第四卷积层、所述第四池化层、所述第三flatten层、所述第三全连接子层与所述第三输出子层的输入端连接，所述第三输出子层用于输出所述材质。5.根据权利要求4所述的重量识别控制方法，其特征在于，所述第一卷积层、所述第二卷积层、所述第三卷积层和所述第四卷积层的尺寸均为3*3，采样步长均为1；并且/或者所述第一池化层、所述第二池化层、所述第三池化层和所述第四池化层的尺寸均为2*2，采样步长均为1；并且/或者所述第一flatten层的尺寸根据所述第一池化层池化后的特征图确定；并且/或者所述第二flatten层的尺寸根据所述第二池化层池化后的特征图确定；并且/或者所述第三flatten层的尺寸根据所述第三池化层池化后的特征图确定；并且/或者所述第一全连接子层的尺寸为1*6，所述第一输出子层的尺寸为1*6；并且/或者所述第二全连接子层的尺寸为1*17，所述第二输出子层的尺寸为1*17；并且/或者所述第三全连接子层的尺寸为1*10，所述第三输出子层的尺寸为1*10。6.根据权利要求2至5中任一项所述的重量识别控制方法，其特征在于，所述第二神经网络模型包括输入层、隐藏层、第二全连接层和第二输出层；“将所述材质、所述类型和所述修正尺寸输入预先训练得到的第二神经网络模型进行分析，得到所述重量”的步骤具体包括：将所述材质、所述类型和所述修正尺寸分别进行归一化处理，得到归一化后的材质参数、类型参数和尺寸参数；将所述材质参数、所述类型参数和所述尺寸参数输入所述输入层，并通过第一预设函数输出，得到映射向量；将所述映射向量输入所述隐藏层，并通过第二预设函数输出，得到抽象向量；将所述抽象向量输入所述第二全连接层进行连接，得到第二特征向量；通过第三激活函数将所述第二特征向量输入所述第二输出层，以输出衣物的重量概率；计算所述重量概率与重量系数的乘积，将所述乘积作为所述重量；其中，所述重量系数是根据所述衣物处理设备的最大负载量确定的。7.根据权利要求6所述的重量识别控制方法，其特征在于，按照下列方法对所述修正尺寸进行归一化处理：其中，x
nor
为所述尺寸参数；x为所述修正尺寸对应的系数；x
min
为最小尺寸系数；x
max
为
最大尺寸系数；并且/或者按照下列方法对所述类型进行归一化处理：其中，y
nor
为所述类型参数；y为所述类型对应的系数；y
min
为最小类型系数；y
max
为最大类型系数；并且/或者按照下列方法对所述材质分别进行归一化处理：其中，z
nor
为所述材质参数；z为所述材质对应的系数；z
min
为最小材质系数；z
max
为最大材质系数。8.根据引用权利要求3的权利要求6所述的重量识别控制方法，其特征在于，所述第一神经网络模型为卷积神经网络模型；并且/或者所述第二神经网络模型为深层神经网络模型；并且/或者所述第一激活函数为relu激活函数；并且/或者所述第二激活函数为softmax激活函数；并且/或者所述第三激活函数为sigmoid激活函数。9.根据权利要求2所述的重量识别控制方法，其特征在于，所述重量识别控制方法还包括：根据所述重量、所述材质、所述类型和所述修正尺寸推荐衣物处理程序。10.一种衣物处理设备，所述衣物处理设备包括：处理器；存储器，用于存储多条程序代码；其特征在于，所述程序代码适于由所述处理器加载并执行权利要求1至9中任一项所述的重量识别控制方法。

技术总结
本发明涉及智慧家电技术领域，具体提供一种用于衣物处理设备的重量识别控制方法和衣物处理设备，旨在解决现有衣物处理设备无法准确地检测衣物的重量的问题。为此目的，本发明的重量识别控制方法包括下列步骤：获取衣物的图像；调用第一预设算法对图像进行识别，得到衣物的初步属性信息；根据数据库存储的已有衣物属性信息对初步属性信息进行修正，得到衣物的修正属性信息；调用第二预设算法对修正属性信息进行分析，确定衣物的重量，避免了因图像采集等原因导致衣物的属性信息识别不准确，能够更准确地确定衣物的重量，提高了衣物重量检测的准确率和精度。测的准确率和精度。测的准确率和精度。


技术研发人员：高鑫 王增超 张先旦 高秋英
受保护的技术使用者：海尔智家股份有限公司
技术研发日：2022.03.11
技术公布日：2023/9/23