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

本发明涉及智慧家电，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：

1、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。

2、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。

3、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。

技术实现思路

1、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。

2、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。

3、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。

4、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。

5、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。

6、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。

7、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。

8、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：

9、

10、其中，xnor为所述尺寸参数；x为所述修正尺寸对应的系数；xmin为最小尺寸系数；xmax为最大尺寸系数；并且/或者

11、按照下列方法对所述类型进行归一化处理：

12、

13、其中，ynor为所述类型参数；y为所述类型对应的系数；ymin为最小类型系数；ymax为最大类型系数；并且/或者

14、按照下列方法对所述材质分别进行归一化处理：

15、

16、其中，znor为所述材质参数；z为所述材质对应的系数；zmin为最小材质系数；zmax为最大材质系数。

17、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。

18、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。

19、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。

20、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。

21、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。

22、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。

23、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。

24、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。

25、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。