一种织物整纬方法、装置、计算机设备和存储介质与流程

本申请涉及计算机技术领域，特别是涉及一种织物整纬方法、装置、计算机设备和存储介质。

背景技术：

随着社会的进步与发展，人们对纺织品的种类以及质量要求越来越高。但是众多种类的纺织品在练漂和印染等生产过程中，会经过很多次的机械拉力作用，使得纺织品会产生变形等不期望的现象，并且不同种类的纺织品产生变形的程度还会有差异。

为了保证纺织品如织物的印染质量，需要将织物通过整纬机，利用整纬机对织物进行定型。但是面对多种多样的织物，以及不同变形程度的织物，传统技术中大多是通过人工对不同种类的织物，设置不同的整纬机调整参数，造成调整参数的获取效率低下。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高参数获取效率的织物整纬方法、装置、计算机设备和存储介质。

一种织物整纬方法，所述方法包括：

获取织物图像，提取所述织物图像对应的特征向量；

将所述特征向量与织物模板中的各所述特征向量进行匹配，所述织物模板是根据特征向量、织物类别以及预设参数预先生成的；

获取匹配成功的所述特征向量关联的所述预设参数；

将所述预设参数输入整纬模型以对织物进行整纬处理。

在一个实施例中，所述织物模板的生成方法，包括：

获取织物在多种状态下的织物图像；

提取所述织物图像对应的多个特征，根据多个所述特征生成特征向量；

获取所述织物图像对应的预设参数；

将各所述特征向量、织物类别以及所述预设参数进行关联，生成织物模板。

在一个实施例中，所述提取所述织物图像对应的多个特征，根据多个所述特征生成特征向量，包括：

提取所述织物图像的局部纹理特征；

获取所述织物图像在多个尺度下的多尺度图像，根据所述多尺度图像提取所述织物图像的多尺度特征；

根据所述局部纹理特征以及所述多尺度特征生成特征向量。

在一个实施例中，所述提取所述织物图像对应的多个特征，根据多个所述特征生成特征向量，包括：

将所述织物图像输入分类模型，以通过所述分类模型根据预先训练好的花纹特征参数，对所述织物图像进行识别得到各所述织物图像的花纹对应的特征向量。

在一个实施例中，所述获取匹配成功的所述特征向量关联的所述预设参数，包括：

从所述织物模板中获取匹配成功的所述特征向量关联的预设参数；

将所述预设参数输入整纬模型中，以使所述整纬模型根据获取的预设阈值对所述预设参数进行调整，并计算调整后的各所述预设参数对应的整纬精度值；

提取最大的整纬精度值对应的所述预设参数。

在一个实施例中，所述将所述特征向量与所述织物模板中的各所述特征向量进行匹配，包括：

计算所述特征向量与所述织物模板中的各所述特征向量之间的距离值；

当所述距离值小于预设阈值时，所述特征向量匹配成功。

在一个实施例中，所述方法还包括：

获取新增织物图像；

提取所述新增织物图像对应的新增特征向量以及新增预设参数；

将各所述新增特征向量、新增织物类别以及新增预设参数添加至所述织物模板。

一种织物整纬装置，所述装置包括：

向量获取模块，用于获取织物图像，提取所述织物图像对应的特征向量；

匹配模块，用于将所述特征向量与织物模板中的各所述特征向量进行匹配，所述织物模板是根据特征向量、织物类别以及预设参数预先生成的；

参数获取模块，用于获取匹配成功的所述特征向量关联的所述预设参数；

处理模块，用于将所述预设参数输入整纬模型以对织物进行整纬处理。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

上述织物整纬方法、装置、计算机设备和存储介质，获取织物图像，提取织物图像对应的特征向量；将特征向量与织物模板中的各特征向量进行匹配，由于织物模板是根据特征向量、织物类别以及预设参数预先生成的，故而可以从织物模板中获取匹配成功的特征向量关联的预设参数；然后将预设参数输入整纬模型，实现根据获取的预设参数对织物进行整纬处理，而不需人为对织物设置参数，提高了参数获取的效率。

附图说明

图1为一个实施例中织物整纬方法的应用场景图；

图2为一个实施例中织物整纬方法的流程示意图；

图3为一个实施例中的获取织物图像的特征向量的流程示意图；

图4为一个实施例中获取预设参数的流程示意图；

图5为一个实施例中织物整纬装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的织物整纬方法，可以应用于如图1所示的应用环境中。其中，图像采集设备102通过网络与服务器104进行通信。图像采集设备102对织物进行拍摄，得到织物图像，服务器104获取织物图像，提取织物图像对应的特征向量；将特征向量与织物模板中的各特征向量进行匹配，织物模板是根据特征向量、织物类别以及预设参数预先生成的；服务器104获取匹配成功的特征向量关联的预设参数；将预设参数输入整纬模型以对织物进行整纬处理。

其中，图像采集设备102可以但不限于是各种相机以及具有图像采集功能的设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当服务器104为独立的服务器时，服务器104中可以部署多个数据库，每个数据库中可以存储特定类型织物对应的织物图像；当服务器104为多个服务器组成的服务器集群时，每个服务器中部署的数据库中可以存储特定类型的织物对应的织物图像集。

在一个实施例中，如图2所示，提供了一种织物整纬方法的流程示意图，以该方法应用于图1中的服务器104为例进行说明，在其他实施例中，该方法也可以应用于终端，方法包括以下步骤：

步骤210，获取织物图像，提取织物图像对应的特征向量。

织物是由细小柔长物通过交叉，绕结，连接构成的平软片块物，包括纺织物、编织物、毛巾等布料。为了实现对织物的特征提取，需要通过图像采集设备对织物进行拍摄得到织物图像，然后利用图像处理算法提取织物图像对应的特征向量。

其中，特征向量是用于表征织物特征的向量，可用于识别织物。织物的类别多种多样，例如可按照原料类型分为纯纺织物、混纺织物以及交织织物等，按照花纹类型可分为横条花纹织物、格子花纹织物等。具体地，服务器可提取织物图像对应的花纹特征向量，利用花纹特征向量判别织物的类别。

步骤220，将特征向量与织物模板中的各特征向量进行匹配，织物模板是根据特征向量、织物类别以及预设参数预先生成的。

织物模板中预先存储了特征向量、织物类别以及预设参数之间的关联关系，例如，将特征向量、织物类别以及预设参数进行关联绑定，生成一条关联关系，根据至少一条关联关系生成织物模板。服务器根据从织物图像中提取的特征向量在织物模板中进行匹配，进而可以得到与特征向量关联的织物类别或者预设参数。

步骤230，获取匹配成功的特征向量关联的预设参数。

当服务器在织物模板中正确匹配到特征向量时，获取与特征向量关联的织物类别或者预设参数。

其中，预设参数可以为处理该类别的织物对应的算法参数，例如，当对织物进行整纬处理时，预设参数可为该类别的织物对应的整纬参数。预设参数可以是人工输入的经验参数，例如，人工根据织物的类别选择处理该织物对应的光源参数，如实现透射光源和反射光源的自动选取，或者是人工根据织物的类别选择的处理该织物对应的算法参数等，将人工经验参数记录到织物模板中，实现了一次设置，重复利用，提高了参数获取的效率。

在其他实施例中，服务器也可以根据获取的织物类别从织物模板中匹配出预设参数。

步骤240，将预设参数输入整纬模型以对织物进行整纬处理。

当预设参数是整纬模型中的输入参数时，服务器通过获取预先设定的预设参数对织物进行整纬处理，不仅实现了自动获取整纬参数，同时也提高了整纬参数的获取效率以及获取准确率。

具体地，利用相机拍摄织物得到织物图像，服务器利用特征提取算法提取织物图像特征，进而识别出织物的类别，解决传统方案无法自动精确识别出织物类别的问题。根据织物类别从织物模板中匹配到预设参数对织物进行整纬处理，结合智能匹配算法，具有识别精度高、识别响应快、大数据海量织物类别，实现自动化参数设置。并且，采用了智能匹配算法设置参数后，可以极大的减轻现场工作人员工作量，而且不影响正常的生产进度；其次，基于智能匹配算法效率、精度很高，提高了根据织物类型自动设置参数效率，提高了产品质量，特别是在织布领域，当发生更换织布的类型后，可以自动匹配预设参数，提高了工作效率。

在本实施例中，由于织物的类型别多种多样，并且对不同类别的织物进行处理时，其对应的整纬参数也是不同的，为了提高获取整纬参数的效率，服务器预先将织物类别和预设参数进行关联，进而当服务器获取织物对应的织物类别时，即可从织物模板中提取匹配成功的特征向量关联的预设参数，提高了参数获取的效率。

在一个实施例中，织物模板的生成方法，包括：获取织物在多种状态下的织物图像；提取织物图像对应的多个特征，根据多个特征生成特征向量；获取织物图像对应的预设参数；将各特征向量、织物类别以及预设参数进行关联，生成织物模板。

在对织物进行加工处理的过程中，由于织物连续处于牵引状态，受各种机械运动及生产操作的影响，织物会产生纬纱歪斜和弯曲，即纬斜。故而，对于同一个类别的织物，可能会具有变形、拉伸、扭曲、不同光照以及多种倾斜角度的不同状态，对于在不同状态下的织物对其类别的准确识别具有一定的影响。

为了提高了对织物类别的识别鲁棒性，能够实现当织物在不同状态下仍然能够正确识别出织物的类别，服务器提取织物图像的多个特征，根据织物图像的多个特征生成特征向量。其中提取到的织物特征应该具有的性能为：能识别出织物的类别，特别是当获取的织物图像为在变形、拉伸、光照以及扭曲等状态下，仍能识别出织物的类别。

具体地，服务器获取织物在不同状态下的织物图像，根据不同状态下的织物图像获取织物的特征向量，根据多个特征生成特征向量。

服务器获取织物对应的预设参数，然后服务器将获取的特征向量、织物类别以及预设参数进行关联，生成织物模板。

在本实施例中，通过事先建立织物模板，织物模板中固化有预设参数，如对应的光源参数、算法参数，织物模板中还固化有多种织布的特征参数，服务器将识别的织物图像的多个特征生成特征向量，以用该特征向量来识别织物的类别，根据织物类别从织物模板中匹配到预设参数，提高了对织物的识别鲁棒性以及预设参数的获取效率。

在一个实施例中，如图3所示，提供了一种获取织物图像的特征向量的流程示意图。具体地，提取织物图像对应的多个特征，根据多个特征生成特征向量，包括：

步骤310，提取织物图像的局部纹理特征。

织物图像的纹理特征可用于识别织物类别。如可以利用局部二值模式(lbp-localbinarypattern)提取织物图像的局部纹理特征，其中lbp是一种用来描述图像局部特征的算子，lbp特征具有灰度不变性和旋转不变性等显著优点，可以应对光照的变化，即在不同光照变化下仍能识别出织物类别。

步骤320，获取织物图像在多个尺度下的多尺度图像，根据多尺度图像提取织物图像的多尺度特征。

为应对织物的变形、拉伸以及扭曲，可以采用一种方向梯度直方图(hog-histogramoforientedgradient)和lbp多特征融合的算法。首先，对输入的织物图像进行裁剪和缩放得到多个尺度的织物图像，然后根据多尺度图像提取织物图像的多尺度特征。

步骤330，根据局部纹理特征以及多尺度特征生成特征向量。

服务器将多尺度的lbp特征和一个hog特征构成的一维向量来表示织物图像的特征向量。将织物类型与特征向量进行关联绑定，建立特征模板。进一步地，获取每个类别的织布对应的预设参数，将预设参数、织物类别以及特征向量进行关联绑定，建立织物模板。

在本实施例中，通过获取织物图像的多尺度特征，实现对织物类别的识别，并且多尺度特征具有抗干扰能力，能够实现对不同状态下的织物进行识别。

在一个实施例中，提取织物图像对应的多个特征，根据多个特征生成特征向量，包括：将织物图像输入分类模型，以通过分类模型根据预先训练好的花纹特征参数，对织物图像进行识别得到各织物图像的花纹对应的特征向量。

图像分类模型可以是预先训练好的机器学习模型，机器学习模型已经学习了对织物图像进行分类的分类参数，根据分类参数实现对织物图像类别的识别。具体地，服务器将获取的多种状态下的织物图像输入预先训练好的织物图像分类模型，织物图像分类模型根据预先学习的分类参数，提取织物图像的特征向量，根据特征向量实现对织物图像的分类。进一步地，织物图像中的花纹特征可用于表征各织物的类别，织物图像分类模型通过提取各织物图像中的花纹对应的花纹特征向量，根据花纹特征向量实现对各织物图像的类别识别。

织物图像分类模型可以为预先训练好的深度学习模型，对织物图像分类模型的训练过程可包括：将不同状态下的织物图像，以及各类型的织物图像中的花纹对应的花纹类别作为训练样本，输入深度学习模型，利用深度学习模型学习织物图像与花纹类别之间的关系，得到织物图像分类模型。

例如，深度学习模型可为cnn网络模型，具体地可为vgg16模型，在vgg16模型中使用损失函数驱动模型进行训练。进一步地，服务器将获取的织物图像依次经过训练好的vgg16模型，得到织物的类别。

在本实施例中，通过图织物像分类模型实现花纹特征向量的自动提取，实现了快速、准确地获取织物图像的特征向量，并对织物进行类别的识别。

进一步地，得到的织物图像分类模型可以适应目前已有的任何类别的织物，并且当遇到未知类别的织物时，只需在织物图像分类模型中添加相应类型数据进行训练，对织物图像分类模型进行更新即可，易于维护，实用价值极高。

在一个实施例中，如图4所示，提供了一种获取预设参数的流程示意图。具体地，获取匹配成功的特征向量关联的预设参数，包括：

步骤410，从织物模板中获取匹配成功的特征向量关联的预设参数。

服务器首先从织物模板中获取该类别的织物对应的预设参数，即从织物模板中获取对应的经验值，将经验值输入图像检测算法如整纬模型中，检测到织物的纬线或者纬纱的角度，进而对织布进行整纬操作，其中经验值可为整纬模型算法中的参数，例如为不同类别的织布对应的二值化阈值参数、提取纹理的参数、检测角度参数、限值如最大最小值参数等。

需要说明的是，该预设参数为经验参数，即处理该类别的织物通常使用的一个参数，但是对于同一类别的织物，织物颜色或者织物材料也会有细微的差别，在这些差别下，即使同一类别的织物其适应的最佳预设参数并不是完全相同的，故而服务器从织物模板中获取的预设参数有时候并不是适用于该类别的所有织物的最佳处理参数。

步骤420，将预设参数输入整纬模型中，以使整纬模型根据获取的预设阈值对预设参数进行调整，并计算调整后的各预设参数对应的整纬精度值。

服务器提供一个模拟环境，在该模拟环境中不断地调整从织物模板中获取的预设参数的大小，具体地，将该预设参数输入整纬模型中，整纬模型获取预设阈值，根据该预设阈值对预设参数的大小进行调整，以使整纬模型根据调整后的预设参数对织物进行整纬，并计算利用各调整后预设参数进行整纬处理对应的整纬精度值。需要说明的是，服务器可以在织物模板中提供模拟环境进行预设参数的调优和适配，以设置各织物模板的算法。

步骤430，提取最大的整纬精度值对应的预设参数。

服务器提取最大的整纬精度值对应的预设参数为该类别的织物对应的最佳预设参数。并且，该最佳预设参数和从织物模板中获取的预设参数的大小可以相同也可以不同。

并且，服务器还可以将获取的最佳预设参数与织物类型和特征向量进行关联绑定，形成织物模板。

在本实施例中，通过提供一个模拟环境实现对获取的预设参数的自动调优，使得获取的预设参数更加准确，提高了对织物进行整纬的精度。

在一个实施例中，将特征向量与织物模板中的各特征向量进行匹配，包括：计算特征向量与织物模板中的各特征向量之间的距离值；当距离值小于预设阈值时，特征向量匹配成功。

具体地，服务器将获取的特征向量与织物模板中的各特征向量进行匹配，计算特征向量之间的余弦距离或者欧式距离等得到匹配度，服务器根据计算得到的匹配度数值大小，判别特征向量是否匹配成功。当匹配度小于预设阈值时，判别特征向量匹配成功，否则，判别未找到合适的匹配特征向量，此时需要人工设置参数，进一步地，需要对织物模板进行更新。

在一个实施例中，方法还包括：获取新增织物图像；提取新增织物图像对应的新增特征向量以及新增预设参数；将各新增特征向量、新增织物类别以及新增预设参数添加至织物模板。

在本实施例中，得到的图像分类模型可以适应目前已有的任何织物，并且当遇到未知织物类别时，只需在织物图像分类模型中添加相应织物数据进行训练，对织物图像分类模型进行更新即可，易于维护，实用价值极高。解决了传统技术中采用手动输入参数的模式来设置机器工作模式，并且如果遇到新品种新类别，需要人工重新设置参数，这样极大的增加了现场工作人员的工作量，同时调整实时性差，导致整纬出现问题。

应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种织物整纬装置，包括：

向量获取模块510，用于获取织物图像，提取织物图像对应的特征向量。

匹配模块520，用于将特征向量与织物模板中的各特征向量进行匹配，织物模板是根据特征向量、织物类别以及预设参数预先生成的。

参数获取模块530，用于获取匹配成功的特征向量关联的预设参数。

处理模块540，用于将预设参数输入整纬模型以对织物进行整纬处理。

在一个实施例中，装置还包括：

图像获取模块，用于获取织物在多种状态下的织物图像。

多个向量获取模块，用于提取织物图像对应的多个特征，根据多个特征生成特征向量。

预设参数获取模块，用于获取织物图像对应的预设参数。

模板生成模块，用于将各特征向量、织物类别以及预设参数进行关联，生成织物模板。

在一个实施例中，多个向量获取模块，包括：

纹理特征提取单元，用于提取织物图像的局部纹理特征。

多尺度特征获取单元，用于获取织物图像在多个尺度下的多尺度图像，根据多尺度图像提取织物图像的多尺度特征。

第一向量生成单元，用于根据局部纹理特征以及多尺度特征生成特征向量。

在一个实施例中，多个向量获取模块，包括：

第二向量生成单元，用于将织物图像输入分类模型，以通过分类模型根据预先训练好的花纹特征参数，对织物图像进行识别得到各织物图像的花纹对应的特征向量。

在一个实施例中，参数获取模块530，包括：

预设参数获取单元，用于从织物模板中获取匹配成功的特征向量关联的预设参数。

精度值计算单元，用于将预设参数输入整纬模型中，以使整纬模型根据获取的预设阈值对预设参数进行调整，并计算调整后的各预设参数对应的整纬精度值。

参数提取单元，用于提取最大的整纬精度值对应的预设参数。

在一个实施例中，匹配模块520，包括：

距离计算单元，用于计算特征向量与织物模板中的各特征向量之间的距离值。

匹配判断单元，用于当距离值小于预设阈值时，特征向量匹配成功。

在一个实施例中，装置还包括：

新增图像获取模块，用于获取新增织物图像。

新增参数获取模块，用于提取新增织物图像对应的新增特征向量以及新增预设参数。

添加模块，用于将各新增特征向量、新增织物类别以及新增预设参数添加至织物模板。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于搜索应用数据处理相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种织物整纬方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取织物图像，提取织物图像对应的特征向量；将特征向量与织物模板中的各特征向量进行匹配，织物模板是根据特征向量、织物类别以及预设参数预先生成的；获取匹配成功的特征向量关联的预设参数；将预设参数输入整纬模型以对织物进行整纬处理。

在一个实施例中，该处理器执行计算机程序时实现织物模板的生成方法的步骤时还用于：获取织物在多种状态下的织物图像；提取织物图像对应的多个特征，根据多个特征生成特征向量；获取织物图像对应的预设参数；将各特征向量、织物类别以及预设参数进行关联，生成织物模板。

在一个实施例中，该处理器执行计算机程序时实现提取织物图像对应的多个特征，根据多个特征生成特征向量的步骤时还用于：提取织物图像的局部纹理特征；获取织物图像在多个尺度下的多尺度图像，根据多尺度图像提取织物图像的多尺度特征；根据局部纹理特征以及多尺度特征生成特征向量。

在一个实施例中，该处理器执行计算机程序时实现提取织物图像对应的多个特征，根据多个特征生成特征向量的步骤时还用于：将织物图像输入分类模型，以通过分类模型根据预先训练好的花纹特征参数，对织物图像进行识别得到各织物图像的花纹对应的特征向量。

在一个实施例中，该处理器执行计算机程序时实现获取匹配成功的特征向量关联的预设参数的步骤时还用于：从织物模板中获取匹配成功的特征向量关联的预设参数；将预设参数输入整纬模型中，以使整纬模型根据获取的预设阈值对预设参数进行调整，并计算调整后的各预设参数对应的整纬精度值；提取最大的整纬精度值对应的预设参数。

在一个实施例中，该处理器执行计算机程序时实现将特征向量与织物模板中的各特征向量进行匹配的步骤时还用于：计算特征向量与织物模板中的各特征向量之间的距离值；当距离值小于预设阈值时，特征向量匹配成功。

在一个实施例中，该处理器执行计算机程序时还实现：获取新增织物图像；提取新增织物图像对应的新增特征向量以及新增预设参数；将各新增特征向量、新增织物类别以及新增预设参数添加至织物模板。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取织物图像，提取织物图像对应的特征向量；将特征向量与织物模板中的各特征向量进行匹配，织物模板是根据特征向量、织物类别以及预设参数预先生成的；获取匹配成功的特征向量关联的预设参数；将预设参数输入整纬模型以对织物进行整纬处理。

在一个实施例中，计算机程序被处理器执行时实现织物模板的生成方法的步骤时还用于：获取织物在多种状态下的织物图像；提取织物图像对应的多个特征，根据多个特征生成特征向量；获取织物图像对应的预设参数；将各特征向量、织物类别以及预设参数进行关联，生成织物模板。

在一个实施例中，计算机程序被处理器执行时实现提取织物图像对应的多个特征，根据多个特征生成特征向量的步骤时还用于：提取织物图像的局部纹理特征；获取织物图像在多个尺度下的多尺度图像，根据多尺度图像提取织物图像的多尺度特征；根据局部纹理特征以及多尺度特征生成特征向量。

在一个实施例中，计算机程序被处理器执行时实现提取织物图像对应的多个特征，根据多个特征生成特征向量的步骤时还用于：将织物图像输入分类模型，以通过分类模型根据预先训练好的花纹特征参数，对织物图像进行识别得到各织物图像的花纹对应的特征向量。

在一个实施例中，计算机程序被处理器执行时实现获取匹配成功的特征向量关联的预设参数的步骤时还用于：从织物模板中获取匹配成功的特征向量关联的预设参数；将预设参数输入整纬模型中，以使整纬模型根据获取的预设阈值对预设参数进行调整，并计算调整后的各预设参数对应的整纬精度值；提取最大的整纬精度值对应的预设参数。

在一个实施例中，计算机程序被处理器执行时实现将特征向量与织物模板中的各特征向量进行匹配的步骤时还用于：计算特征向量与织物模板中的各特征向量之间的距离值；当距离值小于预设阈值时，特征向量匹配成功。

在一个实施例中，计算机程序被处理器执行时还实现：获取新增织物图像；提取新增织物图像对应的新增特征向量以及新增预设参数；将各新增特征向量、新增织物类别以及新增预设参数添加至织物模板。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。