人工智能时代，衣物处理装置(例如，洗衣机)自动检测用户放入的衣物类型，并完成相应适配的洗涤模式已成为一种趋势。
目前，对衣物类型的检测，使用的大多为基于深度学习的目标检测方法，该方法通过大量的衣物样本标注并进行训练得到可以检测不同衣物类型的模型，而这种标注信息的粒度较粗，该方法仅对各类型衣物的图像整体进行识别，导致识别结果不准确的技术问题。
为此，本发明提出一种衣物洗涤方法，通过预先训练好的已学习到目标类型衣物特征的各分类模型，对衣物图像中的特定特征进行识别，识别粒度更加精细，提高了目标衣物识别的可控性和准确度，进而提高了洗涤模式确定的准确度，解决现有技术中仅对各类型衣物的图像整体进行识别，导致识别结果不准确的技术问题。
将所述衣物图像输入预先训练的各分类模型，以确定所述衣物图像是否具有各分类模型学习到的目标类型衣物的特征；
若所述衣物图像具有至少一个分类模型学习到的特征，对用户设定的洗涤模式进行修改，使用修改后的洗涤模式对所述待洗涤衣物进行洗涤。
识别模块，用于将所述衣物图像输入预先训练的各分类模型，以确定所述衣物图像是否具有各分类模型学习到的目标类型衣物的特征；
洗涤模块，用于若所述衣物图像具有至少一个分类模型学习到的特征，对用户设定的洗涤模式进行修改，使用修改后的洗涤模式对所述待洗涤衣物进行洗涤。
本发明又一方面实施例提出了一种衣物处理装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述一方面所述的衣物洗涤方法。
本发明又一方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如前述一方面所述的衣物洗涤方法。
获取待洗涤衣物的衣物图像，将衣物图像输入预先训练的各分类模型，以确定衣物图像是否具有各分类模型学习到的目标类型衣物的特征，若衣物图像具有至少一个分类模型学习到的特征，对用户设定的洗涤模式进行修改，使用修改后的洗涤模式对待洗涤衣物进行洗涤，实现了通过预先训练好的已学习到目标类型衣物特征的各分类模型，分别对衣物图像中的特定特征进行识别，识别粒度更加精细，提高了目标衣物识别的可控性和准确度，进而提高了洗涤模式确定的准确度。
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明实施例中，因待洗涤衣物在洗涤桶内容易缠绕，通过控制衣物处理装置的洗涤桶的运动，可以使待洗涤衣物在翻滚的过程中减少缠绕，通过成像装置采集至少一帧图像，以提高获取的待洗涤衣物图像包含的特征的准确性，例如，通过对采集的至少一帧图像进行比对，使得图像中仅包含一种衣物，从而提高特征识别的准确度。
步骤102，将衣物图像输入预先训练的各分类模型，以确定衣物图像是否具有各分类模型学习到的目标类型衣物的特征。
具体地，将获取的衣物图像划分为多个区域，将划分得到的多个区域中的每一个区域分别输入预先训练好的各分类模型中，以确定每一个区域是否具有至少一个分类模型学习到的特征，进而，确定各区域是否具有至少一个分类模型学习到的特征，当获取到的衣物图像中存在至少一个区域具有至少一个分类模型学习到的特征时，确定衣物图像具有目标类型衣物的特征。
需要理解的是，目标类型衣物，即为要识别确定的衣物类型，例如，本实施例中，若目标类型衣物为牛仔服类型衣物，即识别待洗涤衣物的衣物图像中是否具有牛仔服类型衣物的特征；若目标类型衣物为毛料类型衣物，即识别待洗涤衣物的衣物图像中是否具有毛料类型衣物的特征，而目标类型衣物还可以为其它类型衣物，本实施例中不进行限定。
步骤103，若衣物图像具有至少一个分类模型学习到的特征，对用户设定的洗涤模式进行修改，使用修改后的洗涤模式对待洗涤衣物进行洗涤。
具体地，若通过各分类模型确定获取到的衣物图像中具有至少一个分类模型学习到的特征后，确定待洗涤衣物中具有目标类型衣物，则对用户设定的洗涤模式进行修改，使用修改后的洗涤模式对待洗涤衣物进行洗涤，以保证修改后的洗涤模式更适合目标类型衣物的洗涤。
本实施例的衣物洗涤方法中，获取待洗涤衣物的衣物图像，将衣物图像输入预先训练的各分类模型，以确定衣物图像是否具有各分类模型学习到的目标类型衣物的特征，若衣物图像具有至少一个分类模型学习到的特征，对用户设定的洗涤模式进行修改，使用修改后的洗涤模式对待洗涤衣物进行洗涤，实现了通过预先训练好的已学习到目标类型衣物特征的多个分类模型，对同一衣物图像进行特征识别，由于各分类模型对应识别同种衣物类型的对应细节特征，根据各分类模型识别的结果，确定是否具有相应衣物类别，提高了识别结果的准确度，进而提高了洗涤模式确定的准确度。
上一实施例中描述了可采用预先训练好的各分类模型对衣物进行特征识别，为此，本实施例提出了一种分类模型的训练方法，进一步说明了在利用各分类模型进行衣物特征识别之前，对分类模型进行训练的方法。
步骤201，获取目标类型衣物的衣物图像集，其中，同一个衣物图像集中的图像展示有衣物的同一组成部分。
其中，衣物图像集可以为多个，同一个衣物图像集中的图像展示有衣物的同一组成部分，可以根据要识别的目标类型衣物的特征，确定要获取的目标类型衣物的衣物图像集的个数，例如为5个，本实施例中对此不作限定。
牛仔服类型衣物的特征具有明显的特色，人们在识别牛仔类衣物所依据的特征是有迹可循的，因此本实施例中的目标类型衣物以牛仔服类型为例，进行说明，牛仔服类型衣物的组成部分包括面料、缝线、扣子、扣眼和裤腰中的至少一个或多个组合，每一个衣物的组成部分可以对应一个衣物图像集。
图3为本发明实施例提供的分类模型训练的示意图，如图3所示，收集牛仔服类型衣物的样本图像集，其中，牛仔服类型衣物的组成部分包括面料、缝线、扣子、扣眼和裤腰，对应5个特征，对于这5个特征分别收集一批样本图像，每一种特征对应的样本图像集，用于训练一个分类模型，作为一种可能的实现方式，在对面料对应的分类模型进行训练时，将用于训练的面料的样本图像集中的每一个图像进行特征识别，识别出牛仔服类型衣物的面料特征，将识别到的面料特征保存至该分类模型的特征库中，在学习得到该面料特征后，该分类模型则训练完成。采用同样的方法，可以对牛仔类型衣物的其他特征对应的分类模型完成训练，原理相同，此处不一一赘述。
进一步，在训练过程中，还可以利用训练的分类模型对单个图像进行特征识别，如图3所示，将单个图像划分为多个区域，例如为图3中示出的24个区域，将每一个图像的每一个区域分别输入到5个分类模型中，进行特征识别，若是牛仔服类型衣物的特征，则标记为Y，图3中示出了对一个图像进行特征识别时，识别到该图像中包含编号为1的分类模型学习到的特征，标记为Y1。进而，根据识别的结果进行分析调整，因分类模型识别的特征是已知的，根据识别的结果调整分类模型训练的方法，从而提高训练得到的分类模型的识别准确度。
本实施例中，是以目标类型衣物为牛仔服类型衣物为例对分类模型进行训练的方法进行说明的，可选地，目标类型衣物还可以是毛料类型衣物，其组成部分包括：粗线纹理的面料、细线纹理的面料和包含绒毛的面料中的至少一个或多个组合，目标类型衣物发生变化后，对模型进行训练时，要获取的训练样本集对应的组成部分需要对应毛料类型衣物的组成部分，而对分类模型的训练方法，和上述描述的目标类型衣物为牛仔服类型衣物时的训练方法原理相同，此处不再赘述。
另外，目标类型衣物还可以是丝质类型衣物等，对各个分类模型的训练方法也同牛仔服类型衣物的分类模型训练方法，原理相同，也不再赘述，本实施例中对于衣物的目标类型不进行限制。
本实施例的分类模型训练方法中，通过获取大量的图像样本，组成每个特征对应的图像样本集，利用该图像样本集对对应的分类模型进行训练，实现了分类模型的训练，通过该训练完成的分类模型可以进行待洗涤衣物的识别，准确度更好。
基于上述实施例，本发明实施例提供了另一种衣物洗涤方法的可能的实现方式，图4为本发明实施例所提供的另一种衣物洗涤方法的流程示意图，如图4所示，该方法包括如下步骤：
步骤402，将衣物图像输入预先训练的各分类模型，以确定衣物图像是否具有各分类模型学习到的目标类型衣物的特征，若是，执行步骤404，若否，执行步骤403。
具体地，预先训练好的各分类模型，每一种模型用于识别衣物图像中的一种特定特征，根据各分类模型分别对待洗涤衣物图像进行特征识别，以确定衣物图像是否具有至少一个分类模型学习到的目标类型衣物的特征，识别粒度更加精细，识别准确度更高。
在一种场景下，目标类型衣物为牛仔服类型衣物，即需要识别待洗涤衣物中是否具有牛仔服类型衣物的特征，根据牛仔服类型衣物的特征，确定分类模型为5个，分别学习到了面料、缝线、扣子、扣眼和裤腰5个牛仔服类型衣物特征，为了便于区分，将5个分类模型按照数字1-5进行编号。但本实施例中对于编号顺序并不进行限定。
在另一种场景下，目标类型衣物为毛料类型衣物，即需要识别待洗涤衣物中是否具有毛料类型衣物的特征，根据毛料类型衣物的特征，确定分类模型为3个，分别学习到了粗线纹理的面料、细线纹理的面料和包含绒毛的面料3个毛料类型衣物的衣物特征，为了便于区分，将3个分类模型按照数字1-3进行编号，编号顺序不进行限定。
需要说明的是，当目标类型衣物为其它类型衣物时，可以根据该目标类型衣物的衣物类型，确定该类型衣物特征的组成部分，本实施例中对于目标类型衣物的类型不作限定。
图5为本发明实施例提供的衣物图像经过分类模型识别的示意图，如图5所示，将获取的一个衣物图像划分为24个区域，对24个区域分别输入5个分类模型中，以确定各区域是否具有至少一个分类模型学习到的特征，如果具有其中一个分类模型学习得到的特征，则标记为Y和特征序号，如果不具有各分类模型学习得到的特征则标记为N，如图5中所示，该图像具有分类模型1学习到的特征，则将对应区域标记为了Y1，还具有分类模型2学习到的特征，则将对应区域标记为了Y2，同时，还具有分类模型3学习到的特征，则将对应区域标记为了Y3。最后对整张图像做统计判断，如果存在大于等于一个区域被标记为Y，则认为获取到的图像中包含目标类型衣物的特征，如果24个区域都被标记为N，则认为获取到的图像中不包含目标类型衣物的特征。
例如，当待洗涤衣物的图像通过各个分类模型识别后，其中有一个区域被标记为Y2，也就是说该待洗涤衣物的图像中识别出具有牛仔服类型衣物的缝线的特征，则认为该待洗涤衣物的图像中具有牛仔服类型衣物的特征。
具体地，若衣物图像不具有各分类模型学习到的目标类型衣物的特征，采用用户设定的洗涤模式进行衣物洗涤。
步骤404，发出取出目标类型衣物的提示，并开始倒计时，当倒计时结束时，识别出目标类型衣物处于洗涤桶内，或者，未探测到开门操作。
实际应用中，用户在进行洗涤时，衣物处理装置中放置的衣物可能不止一种，其中可能包含目标类型衣物，作为一种可能的实现方式，若确定衣物图像具有至少一个分类模型学习到的特征，则说明待洗涤衣物中含有目标类型衣物，在对用户设定的洗涤模式进行修改，使用修改后的洗涤模式对待洗涤衣物进行洗涤之前，可以先发出取出目标类型衣物的提示。
在一种场景下，若目标类型衣物为牛仔服类型衣物，而牛仔服类型衣物较容易掉色，使其他衣物染色，故当检测到图像中具有牛仔服类型衣物的特征时，提醒用户取出该衣物单独洗涤。
在另一种场景下，若目标类型衣物为毛料类型衣物，而毛料类型衣物机洗容易缩水和起球，故当检测到图像中具有毛料类型衣物的特征时，提醒用户取出该衣物单独洗涤。
进而，发出取出目标类型衣物的提示后，开始倒计时，例如，倒计时时长为1分钟，当倒计时结束时，识别出目标类型衣物仍处于洗涤桶内，或者未探测到开门操作，并根据识别或探测到的结果对用户设定的洗涤模式进行修改。
具体地，识别出目标类型衣物仍处于洗涤桶内，或者未探测到开门操作，则对用户设定的洗涤模式进行修改，使用修改后的洗涤模式对待洗涤衣物进行洗涤。
在一种场景下，若目标类型衣物为牛仔服类型衣物，因牛仔服类型衣物掉色的情况和洗涤的水温关系较大，因此，对用户设定的洗涤模式中用于控制洗涤温度的参数进行修改，以降低洗涤温度，避免牛仔服类型衣物的掉色，防止染色。
在另一种场景下，若目标类型衣物为毛料类型衣物，因毛料类型衣物在机洗时会因为转速较快而发生缩水问题，因此，对用户设定的洗涤模式中用于控制电机转速的参数进行修改，以降低电机转速至毛料类型衣物的适宜转速范围，避免毛料类型衣物的缩水和变形。
需要说明的是，若识别出目标类型衣物不再处于洗涤桶内，获取是探测到用户开门的操作，则认为目标类型衣物被用户取出，则可以采用步骤403中的用户设定的洗涤模式进行洗涤。
需要补充说明的是，作为一种可能的实现方式，在获取待洗涤衣物的衣物图像之前，先获取用户设定的洗涤模式，当用户设定的洗涤模式为非目标类型衣物洗涤模式时，才会利用本发明的衣物洗涤方法进行识别洗涤。
比如：在一种场景下，若目标类型衣物为牛仔服，当用户设定的洗涤模式不是牛仔服洗涤模式时，获取待洗涤衣物的衣物图像，将衣物图像输入预先训练的各分类模型，以确定衣物图像是否具有各分类模型学习到的牛仔服的特征；若确定衣物图像具有至少一个分类模型学习到的特征，发出取出牛仔服的提示，并开始倒计时，当倒计时结束时，识别出牛仔服处于洗涤桶内，或者，未探测到开门操作；对用户设定的洗涤模式中用于控制洗涤温度的参数进行修改，以降低洗涤温度，避免牛仔服的掉色，防止染色。
在另一种场景下，若目标类型衣物为羊毛衣，当用户设定的洗涤模式不是羊毛洗涤模式时，获取待洗涤衣物的衣物图像，将衣物图像输入预先训练的各分类模型，以确定衣物图像是否具有各分类模型学习到的羊毛衣的特征；若确定衣物图像具有至少一个分类模型学习到的特征，发出取出羊毛衣的提示，并开始倒计时，当倒计时结束时，识别出羊毛衣处于洗涤桶内，或者，未探测到开门操作；对用户设定的洗涤模式中用于控制电机转速的参数进行修改，以降低电机转速至羊毛衣的适宜转速范围，避免羊毛衣的缩水和变形。
本发明实施例的衣物洗涤方法中，通过预先训练好的已学习到目标类型衣物特征的各分类模型，对衣物特定特征的识别，识别粒度更加精细，提高了目标衣物识别的准确度，若衣物图像具有至少一个分类模型学习到的特征，在衣物洗涤之前，可以通过用户提示，提示用户取出目标类型衣物，以避免目标类型衣物在洗涤过程中产生的染色或缩水问题，并在提示时间结束后，判断目标类型衣物是否被取出，若没有取出，对用户设定的洗涤模式进行修改，使用修改后的洗涤模式对待洗涤衣物进行洗涤，提高了洗涤模式确定的准确度，若衣物图像中不具有分类模型学习到的特征，则采用用户设备的洗涤模式进行洗涤，提高衣物洗涤模式确定的准确度。
识别模块62，用于将衣物图像输入预先训练的各分类模型，以确定衣物图像是否具有各分类模型学习到的目标类型衣物的特征。
洗涤模块63，用于若衣物图像具有至少一个分类模型学习到的特征，对用户设定的洗涤模式进行修改，使用修改后的洗涤模式对待洗涤衣物进行洗涤。
训练模块，用于获取目标类型衣物的衣物图像集，其中，同一个衣物图像集中的图像展示有衣物的同一组成部分；采用样本图像集，对相应的分类模型进行训练。
作为一种可能的实现方式，目标类型衣物为牛仔服类型衣物，组成部分包括：面料、缝线、扣子和裤腰中的至少一个或多个组合。
作为另一种可能的实现方式，目标类型衣物为毛料类型衣物，组成部分包括：粗线纹理的面料、细线纹理的面料和包含绒毛的面料中的至少一个或多个组合。
将衣物图像划分为多个区域；将每一个区域分别输入各分类模型，以确定各区域是否具有至少一个分类模型学习到的特征；当存在至少一个区域具有至少一个分类模型学习到的特征时，确定衣物图像具有目标类型衣物的特征。
对用户设定的洗涤模式中用于控制电机转速的参数进行修改，以降低电机转速至毛料类型衣物的适宜转速范围。
本发明实施例的衣物洗涤装置中，通过预先训练好的已学习到目标类型衣物特征的各分类模型，对衣物特定特征的识别，识别粒度更加精细，提高了目标衣物识别的准确度，若衣物图像具有至少一个分类模型学习到的特征，在衣物洗涤之前，可以通过用户提示，提示用户取出目标类型衣物，以避免目标类型衣物在洗涤过程中产生的染色或缩水问题，并在提示时间结束后，判断目标类型衣物是否被取出，若没有取出，对用户设定的洗涤模式进行修改，使用修改后的洗涤模式对待洗涤衣物进行洗涤，提高了洗涤模式确定的准确度，若衣物图像中不具有分类模型学习到的特征，则采用用户设备的洗涤模式进行洗涤，提高衣物洗涤模式确定的准确度。
为了实现上述实施例，本发明实施例还提供了一种衣物处理装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述方法实施例所述的衣物洗涤方法。
为了实现上述实施例，本发明还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如前述方法实施例所述的衣物洗涤方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，计算机可读介质可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。