CN109190689A - 配漆模型确定、配漆方法和系统及存储介质和电子设备 - Google Patents

Abstract

一种配漆模型确定、配漆方法和系统、计算机存储介质和电子设备，其中，配漆模型确定方法包括：获取多个喷漆前木材的图像数据；获取多个不同漆料配比以及基于所述多个不同漆料配比的喷漆后木材的效果图像数据；将喷漆前木材的图像数据、不同漆料配比以及喷漆后木材的效果图像数据，输入到神经网络模型中并训练所述神经网络模型，获得配漆模型。上述技术方案能够节省人力物力，提高配漆效率。

Description

配漆模型确定、配漆方法和系统及存储介质和电子设备

技术领域

本申请属于人工智能技术领域，尤其涉及一种配漆模型确定方法和系统、配漆方法和系统、计算机存储介质和电子设备。

背景技术

目前，在木材加工过程中，地板或实木家具经常需要喷漆，一般在喷漆之前，针对每一批次的地板或实木家具，均需要进行配漆实验。配漆实验的主要目的在于，根据本批次地板或家具的纹理、质地和颜色，调节漆料的配比，例如通过红绿黄白四种颜色漆料的不同配比，得到不同配比下的地板或实木家具的颜色。根据最终的喷漆效果，找到合适的漆料配比，并按照该配比完成本次喷漆工作。由于每一批次的地板或家具存在底纹、颜色的差异，导致每一批次木材最终使用的漆料配比均不相同，因此针对每一批次的地板或家具均需要完成一次配漆实验，因此对不同批次的木材原料均需要进行配漆实验，需要大量的人力物力，使得配漆作业效率低下。

发明内容

(一)发明目的

本发明的目的是提供一种能够提高配漆效率的配漆模型确定、配漆方法和系统及计算机存储介质和电子设备。

(二)技术方案

为解决上述问题，本发明的第一方面提供了一种配漆模型确定方法，包括：获取多个喷漆前木材的图像数据；获取多个不同漆料配比以及基于所述多个不同漆料配比的喷漆后木材的效果图像数据；将喷漆前木材的图像数据、不同漆料配比以及喷漆后木材的效果图像数据，输入到神经网络模型中并训练所述神经网络模型，获得配漆模型。

进一步，所述喷漆前木材的图像数据包括木材的底纹信息和/或颜色信息。

进一步，所述不同漆料配比为不同颜色的漆料配比。

进一步，所述神经网络模型为卷积神经网络、循环神经网络和BP神经网络中的一种或多种的组合。

进一步，所述训练所述神经网络模型，包括：基于BP算法、梯度下降算法、牛顿算法和共轭梯度法中的一种或多种，训练所述神经网络模型。

本发明的第二方面提供了一种配漆模型确定方法，包括：获取训练数据，所述训练数据包括多个喷漆前木材的图像数据、多个不同漆料配比以及基于所述多个不同漆料配比的喷漆后木材的效果图像数据；基于所述多个喷漆前木材的图像数据，将所述训练数据进行分类；针对每一个类别的训练数据，分别输入到神经网络模型中并训练所述神经网络模型，获得多个配漆模型。

本发明的第三方面提供了一种配漆方法，包括：获取待喷漆木材的图像数据；确定所述待喷漆木材的喷漆效果图；获取配漆模型，所述配漆模型通过配漆模型确定方法获得；将所述待喷漆木材的图像数据和喷漆效果图输入到配漆模型中，确定不同漆料的配比。

进一步，所述确定所述待喷漆木材的喷漆效果图，包括：基于待喷漆木材的图像数据，确定待喷漆的木材原料；获取多组喷漆效果图，其中，一组喷漆效果图对应一种木材原料；从所述多组喷漆效果图中选择一组喷漆效果图，所述选择的喷漆效果图对应的木材原料与待喷漆的木材原料相同或最接近；从所述选择的一组喷漆效果图中选择一个喷漆效果图。

进一步，当所述配漆模型通过所述的配漆模型确定方法获得时，所述获取配漆模型,包括：基于所述选择的一组喷漆效果图，获取该组喷漆效果图对应的配漆模型。

本发明的第四方面提供了一种配漆模型确定系统，包括：喷漆前图像数据获取模块，用于获取多个喷漆前木材的图像数据；漆料配比及效果图像数据获取模块，用于获取多个不同漆料配比以及基于所述多个不同漆料配比的喷漆后木材的效果图像数据；训练模块，用于基于输入的喷漆前后木材的图像数据和不同漆料配比训练神经网络模型，获得配漆模型。

进一步，所述喷漆前木材的图像数据包括木材的底纹信息和/或颜色信息。

进一步，所述不同漆料配比为不同颜色的漆料配比。

进一步，所述神经网络模型为卷积神经网络、循环神经网络、BP神经网络中的一种或多种的组合。

进一步，所述训练模块，包括：训练子模块，用于基于BP算法、梯度下降算法、牛顿算法和共轭梯度法中的一种或多种，训练所述神经网络模型。

本发明的第五方面提供了一种配漆模型确定系统，包括:训练数据获取模块，用于获取训练数据，所述训练数据包括多个喷漆前木材的图像数据、多个不同漆料配比以及基于所述多个不同漆料配比的喷漆后木材的效果图像数据；分类模块，用于基于所述多个喷漆前木材的图像数据，将所述训练数据进行分类；训练模块，用于针对每一个类别的训练数据，分别输入到神经网络模型中并训练所述神经网络模型，获得多个配漆模型。

本发明的第六方面提供了一种配漆系统，包括:待喷漆图像数据获取模块，用于获取待喷漆木材的图像数据；喷漆效果图确定模块，用于确定所述待喷漆木材的喷漆效果图；配漆模型获取模块，用于获取配漆模型，所述配漆模型通过所述的配漆模型确定方法获得；配比确定模块，用于将所述待喷漆木材的图像数据和喷漆效果图输入到所述配漆模型中，确定不同漆料的配比。

进一步，所述喷漆效果图获取模块，包括：木材原料确定子模块，用于基于待喷漆木材的图像数据，确定待喷漆的木材原料；多组效果图获取子模块，用于获取多组喷漆效果图，其中，一组喷漆效果图对应一种木材原料；第一喷漆效果图选择子模块，用于从所述多组喷漆效果图中选择一组喷漆效果图，所述选择的喷漆效果图对应的木材原料与待喷漆的木材原料相同或最接近；第二喷漆效果图选择子模块，从所述选择的一组喷漆效果图中选择一个喷漆效果图。

进一步，所述配漆模型获取模块，用于当所述配漆模型通过所述的配漆模型确定方法获得时，基于所述选择的一组喷漆效果图，获取该组喷漆效果图对应的配漆模型。

根据本发明实施例的另一个方面，提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行上述任一种配漆模型确定方法和配漆方法。

根据本发明实施例的另一个方面，提供一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述任一种配漆模型确定方法和配漆方法。

(三)有益效果

本申请的上述技术方案具有如下有益的技术效果：获取多个喷漆前木材的图像数据，以及多个不同漆料配比和基于多个不同漆料配比的喷漆后木材的效果图像数据；将喷漆前木材的图像数据、不同漆料配比以及喷漆后木材的效果图像数据，输入到神经网络模型中并训练神经网络模型，获得配漆模型，进而在进行配漆作业时，可以直接将获取的待喷漆木材的图像数据和喷漆效果图输入至配漆模型，配漆模型就会输出相应的漆料配比，相较于传统的需要大量配漆实验确定不同批次木材的漆料配比，大大节省了人力和物力，提高了配漆效率。

附图说明

图1是本申请实施例一的一种配漆模型确定方法的流程示意图；

图2是本申请实施例二的一种配漆模型确定方法的流程示意图；

图3是本申请实施例三的一种配漆方法的流程示意图；

图4是本申请实施例三的一种配漆方法中步骤S202的子步骤的流程示意图；

图5是本申请实施例四的一种配漆模型确定系统的结构示意图；

图6是本申请实施例五的一种配漆模型确定系统的结构示意图；

图7是本申请实施例六的一种配漆系统的结构示意图；

图8是本申请实施例七的一种配漆系统的结构示意图；

图9(a)是本申请的一个示例中的待喷漆图像；

图9(b)是本申请的一个示例中的喷漆效果图；

图10是本申请实施例的一种电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

在本说明书中使用的术语“单元”、“模块”、“系统”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。例如，模块可以是但不限于，在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或计算机。在计算设备上运行的应用和计算设备都可以是模块。一个或多个模块可驻留在进程和/或执行线程中，模块可位于一个计算机上和/或分布在两个或更多个计算机之间。此外，这些模块可从在上面存储有各种数据结构的各种计算机可读介质执行。模块可例如根据具有一个或多个数据分组(例如来自与本地系统、分布式系统和/或网络间的另一模块交互的两个模块的数据，例如通过信号与其它系统交互的互联网)的信号通过本地和/或远程进程来通信。

在本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

图1是本申请实施例一的一种配漆模型确定方法的流程示意图。

请参阅图1，一种配漆模型确定方法，包括如下步骤S101-S103：

S101，获取多个喷漆前木材的图像数据；

其中，多个喷漆前木材的图像数据包括不同批次木材的喷漆前图像数据；喷漆前木材的图像数据包括木材的底纹信息和颜色信息，对于不同批次木材而言，其底纹信息和颜色信息均存在差异。不同批次的木材如果应用同一配比，得到的效果图会存在差异，因此，为了保证不同批次木材最终效果的一致性，需要以底纹信息和颜色信息作为图像数据并训练神经网络模型，这样，在对不同底纹和颜色的木材进行配漆时，都能够保证最终效果的一致性。

此外，应当理解的是，不同漆料配比，是指不同颜色的漆料配比，例如：30％的红色漆料、20％的黄色漆料和50％的蓝色漆料形成的漆料配比。

进一步，不同漆料配比可以是经过配漆实验得到。

S102，获取多个不同漆料配比以及基于多个不同漆料配比的喷漆后木材的效果图像数据；

其中，多个不同漆料配比可以是应用至同一批次木材，也可以是应用于不同批次木材。不同漆料配比在应用至喷漆前木材进行喷漆后，会得到相应的效果图像，即喷漆后木材的效果图像数据；

S103，将喷漆前后木材的图像数据和不同漆料配比，输入到神经网络模型中并训练神经网络模型，获得配漆模型。

具体地，神经网络模型可以选择卷积神经网络、循环神经网络、BP神经网络中的一种或多种的组合。由于各个神经网络都具有自身的优点和缺点，因此，神经网络模型优选前述三种神经网络的组合，以此来实现互补，将缺点降低到最小，实现最大程度的学习能力。

在训练神经网络模型时，可以选择BP算法、梯度下降算法、牛顿算法或共轭梯度法中的一种或多种来训练神经网络模型。

图2是本申请实施例二的一种配漆模型确定方法的流程示意图。

请参阅图2，一种配漆模型确定方法，包括如下步骤S201-S203：

S201，获取训练数据，其中，训练数据包括多个喷漆前木材的图像数据、多个不同漆料配比以及基于多个不同漆料配比的喷漆后木材的效果图像数据；

在实施例二中，关于喷漆前木材的图像数据、不同漆料配比以及喷漆后木材的效果图数据请参见实施例一的步骤S101的介绍，在此不再赘述。

S202，基于多个喷漆前木材的图像数据，将训练数据进行分类；

具体地，是基于喷漆前木材的底纹信息和颜色信息对木材进行分类，在一种实施方式中，如果喷漆前木材的底纹信息和颜色信息相同或相近，则认为该喷漆前木材的图像数据、以及对应的不同漆料配比以及基于多个不同漆料配比的喷漆后木材的效果图像数据为同一类训练数据。一般来说，每一批次木材的底纹信息和颜色信息都相同或者最为接近，故认为同一批次的喷漆前木材的图像数据，以及对应的不同漆料配比和基于不同漆料配比的喷漆后木材的效果图像数据为同一类别的训练数据。

S203，针对每一个类别的训练数据，分别输入到神经网络模型中并训练神经网络模型，获得多个配漆模型。

在本申请实施例中，得到的多个配漆模型中，每一配漆模型对应一类训练数据，也即对应一个批次的木材原料及其对应的漆料配比和喷漆后效果图数据。

本申请实施例通过将训练数据进行分类，并得到对应不同类型木材的配漆模型，故在拿到一个待喷漆木材的图像数据后，可以先识别其类型，然后根据识别到的类型获取相应的配漆模型去进行配漆，这样，相对于实施例一来说，能够减少配漆模型的计算量，从而提高配漆速度。

对应于前述两个配漆模型确定方法的实施例的使用方法，即配漆方法，在训练得到配漆模型后，就可以使用其来根据待喷漆木材的图像数据来确定不同漆料的配比，具体的使用方法请参阅图3，一种配漆方法，包括如下步骤S301-S304；

S301，获取待喷漆木材的图像数据；

待喷漆木材是指用户欲对其进行喷漆的木材，这一木材对应的图像数据可能已经被训练从而能够被神经网络模型识别，也可能是没有被训练而不能被神经网络模型识别。

S302，确定待喷漆木材的喷漆效果图；

可选的，确定待喷漆木材的喷漆效果图，可以是用户手动在多个候选效果图中选择一个喷漆效果图输入神经网络模型中；

S303，获取配漆模型，其中，配漆模型通过实施例一或实施例二的配漆模型确定方法获得；

S304，将待喷漆木材的图像数据和喷漆效果图输入到配漆模型中，确定不同漆料的配比。

可选的，如果在实施例一、二中已经被神经网络模型训练的喷漆木材的图像数据中存在与待喷漆木材的图像数据相同或接近的图像数据，则步骤S304在将待喷漆木材的图像数据和喷漆效果图输入配漆模型中后，配漆模型能够根据所述与待喷漆木材相同或接近的已训练的喷漆木材的图像数据输出对应的不同漆料的配比；

可选的，如果在实施例一、二中已经被神经网络模型训练的喷漆木材的图像数据中不存在与待喷漆木材的图像数据相同或接近的图像数据的图像数据，则步骤S304在将待喷漆木材的图像数据和喷漆效果图输入配漆模型中后，配漆模型无法输出对应的不同漆料的配比；此时，可以通过将待喷漆木材的图像数据、不同漆料配比以及喷漆效果图输入至神经网络模型进行训练，从而使得神经网络模型学习能力更强，能够识别更多的待喷漆木材的图像数据。在一些实施例中，所述待喷漆木材与已训练木材的图像数据的接近可以通过一定的比较算法和阈值进行确定。

本申请实施例通过训练一个神经网络模型作为配漆模型，将待喷漆木材的图像数据和需要的效果图数据输入到配漆模型，就可以得到不同漆料的配比，不再需要经过大量配漆实验才能得到合适的配比，节省了人力和成本。

在一种实施方式中，请参阅图4，步骤S202关于确定待喷漆木材的喷漆效果图，具体包括如下步骤S401-S404；

S401，基于待喷漆木材的图像数据，确定待喷漆的木材原料；

S402，获取多组喷漆效果图，其中，一组喷漆效果图对应一种木材原料；

S403，从多组喷漆效果图中选择一组喷漆效果图，所述选择的喷漆效果图对应的木材原料与待喷漆的木材原料相同或最接近；

具体地，是选择的喷漆效果图对应的木材原料的底纹和/或颜色信息与待喷漆的木材原料的底纹和/或颜色信息相同或最接近。

S404，从选择的一组喷漆效果图中选择一个喷漆效果图。

对应于本申请实施例二的配漆模型确定方法，步骤S303获取配漆模型，是基于选择的一组喷漆效果图，获取该组喷漆效果图对应的配漆模型。

具体地，由于一个配漆模型是对应一种类别的训练数据，也即一种类别的木材原料，因此，在根据配漆模型确定不同漆料的配比之前，可以先识别待喷漆木材的图像数据对应的木材原料，进而确定在S202中进行的分类后的木材原料中与待喷漆木材的原料相同或者最为接近的木材原料；然后将所述相同或者最为接近的木材原料对应的一组喷漆效果图输出给用户，供用户从这一组喷漆效果图当中选择，匹配模块根据匹配到的这一组喷漆效果图确定对应的配漆模型，最后将待喷漆木材的图像数据和用户选择的一个喷漆效果图输入确定的配漆模型中，得到不同漆料的配比。

本申请实施例的配漆方法，尽管不同批次的木材原料的底纹和/或颜色信息不同，但是配漆模型总是能保证最终产品的效果一致性，避免对不同批次的木材均需要进行配漆实验，大大节省了人力物力，提高了配漆效率。

图5是本申请实施例四的一种配漆模型确定系统的结构示意图。

请参阅图5，一种配漆模型确定系统，包括：

喷漆前图像数据获取模块，用于获取多个喷漆前木材的图像数据；其中，喷漆前木材的图像数据包括木材的底纹信息和颜色信息。

漆料配比及效果图像数据获取模块，用于获取多个不同漆料配比以及基于多个不同漆料配比的喷漆后木材的效果图像数据；其中，不同漆料配比为不同颜色的漆料配比。

训练模块，用于基于输入的喷漆前后木材的图像数据和不同漆料配比训练神经网络模型，获得配漆模型。其中，神经网络模型为卷积神经网络、循环神经网络、BP神经网络中的一种或多种的组合。

进一步，训练模块，包括：训练子模块，用于基于BP算法、梯度下降算法、牛顿算法或共轭梯度法中的一种或多种，训练所述神经网络模型。

图6是本申请实施例五的一种配漆模型确定系统的结构示意图。

请参阅图6，一种配漆模型确定系统，包括:

训练数据获取模块，用于获取训练数据，所述训练数据包括多个喷漆前木材的图像数据、多个不同漆料配比以及基于所述多个不同漆料配比的喷漆后木材的效果图像数据；

分类模块，用于基于所述多个喷漆前木材的图像数据，将所述训练数据进行分类；

训练模块，用于针对每一个类别的训练数据，分别输入到神经网络模型中并训练所述神经网络模型，获得多个配漆模型。

图7是本申请实施例六的一种配漆系统的结构示意图。

请参阅图7，一种配漆系统，包括:

待喷漆图像数据获取模块，用于获取待喷漆木材的图像数据；

喷漆效果图确定模块，用于确定所述待喷漆木材的喷漆效果图；

配漆模型获取模块，用于获取配漆模型，所述配漆模型通过图1或图2中所述的配漆模型确定方法获得；在一个实施方式中，配漆模型获取模块，还用于当所述配漆模型通过图1或图2中所述的配漆模型确定方法获得时，基于所述选择的一组喷漆效果图，获取该组喷漆效果图对应的配漆模型。

配比确定模块，用于将所述待喷漆木材的图像数据和喷漆效果图输入到所述配漆模型中，确定不同漆料的配比。

进一步地，请参阅图8，喷漆效果图获取模块，包括：

木材原料确定子模块，用于基于待喷漆木材的图像数据，确定待喷漆的木材原料；

多组效果图获取子模块，用于获取多组喷漆效果图，其中，一组喷漆效果图对应一种木材原料；

第一喷漆效果图选择子模块，用于从所述多组喷漆效果图中选择一组喷漆效果图，所述选择的喷漆效果图对应的木材原料与待喷漆的木材原料相同或最接近；

第二喷漆效果图选择子模块，从所述选择的一组喷漆效果图中选择一个喷漆效果图。

下面通过一个完整的示例对本发明实施例进行说明，主要包括三个大的步骤：获取训练数据集、训练神经网络模型、使用配漆模型进行配漆；具体如下：

1.获取足够大的训练数据集，包括喷漆前木材(比如地板和家具)的图像数据(包括底纹和颜色等信息)、不同漆料配比以及根据一种漆料配比进行喷漆后得到的喷漆效果图像数据。例如：采集同一批次的木材图像数据、不同漆料配比及其效果图像数据，比如同一批次的木材图像、不同漆料配比(红色漆料60％、黄色漆料30％、蓝色漆料10％)及其得到的喷漆效果图像，和漆料配比(红色漆料30％、黄色漆料40％、蓝色漆料30％)及其得到的喷漆效果图像。进一步地，还可以采集不同批次的木材图像数据，即不同底纹和颜色的木材图像数据、相同漆料配比以及根据该漆料配比获得的喷漆效果图像数据。

进一步，还可以对获取的训练数据集基于不同木材原料进行分类，得到不同类型的训练数据集。

2.将上述采集的训练数据集输入到神经网络(比如卷积神经网络和循环神经网络等)中进行模型训练。具体的，是选择训练数据集中的一个训练样本(Ai,Bi)作为神经网络的输入，其中Ai为数据(包括木材图像数据及其效果图数据)，Bi为标签(不同漆料配比)，计算神经网络的实际输出Y，此时神经网络中的权重为随机量，进一步，计算误差，即预测值跟实际值的差值D＝Bi-Y，并根据误差D调整权重矩阵W，进一步，对每个样本重复上述过程，直到整个训练数据集的误差不超过规定范围。进一步，通过训练神经网络得到配漆模型，该配漆模型的输入为木材图像数据以及喷漆效果图像，输出为不同漆料配比。进一步地，该模型可学习新的样本。

如果是不同类型的训练数据集，则会得到不同类型的配漆模型。

3.在使用配漆模型时，用户采集一个或多个地板或家具的图像数据(如图9(a)所示)，并在候选喷漆效果中选择一个喷漆效果图(如图9(b)所示)作为配漆模型的输入，配漆模型将输出不同漆料配比(比如：黄色漆料80％，红色漆料15％，蓝色漆料5％)。

在另外一种方式中，是针对不同类型的配漆模型来说，首先采集一个或多个地板或家具的图像数据输入配漆系统，由喷漆效果图确定模块将输入的家具原料的图像数据与数据库中已有的木材原料数据匹配，给出原料数据最相近的木材喷漆后的效果图供用户选择，即配漆系统输出一组喷漆效果图，其中，一组喷漆效果图的木材原料是所有样本中与该批次最为相近的，进一步地，用户从这一组喷漆效果图中选择一个效果图，配漆模型会基于用户选择的喷漆效果图，给出相应的不同漆料配比，从而保证不同底纹、颜色的地板和家具原料通过配漆模型后保持最终产品的效果一致性，大大节省了人力物力，提高了配漆效率。

此外，用户对同一批次的家具原料进行配漆作业时，将该批次家具原料的图像数据以及所需效果图输入配漆模型中，如果配漆模型无法给出漆料配比，则判定为该批次的木材原料为新样本，并需要用户通过配漆实验后输入对应的效果图样本，最后将该新原料样本和效果样本加入到神经网络中进行学习，以增加配漆模型的数据全面性。

需要说明的是，本发明一种配漆模型确定系统和配漆系统是与涉及计算机程序流程的一种配漆模型确定方法和配漆方法一一对应的系统，由于在前已经对一种配漆模型确定方法和配漆方法的步骤流程进行了详细描述，在此不再对配漆模型确定系统和配漆系统的实施过程进行赘述。

本发明实施例还提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行上述任一个实施例的配漆模型确定方法和配漆方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

如图10所示，一种执行前述方法的电子设备，包括一个或多个处理器1001以及与一个或多个处理器通信连接的存储器1002，图10中以一个处理器为例。

电子设备还可以包括：输入装置1003和输出装置1004，输入装置1003用于输入获取的至少一张图像，输出装置1004用于输出匹配得到的匹配信息。

处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图10中以通过总线连接为例。

存储器1002作为一种非暂态计算机可读存储介质。可用于存储非暂态软件程序、非暂态计算机可执行程序，如本发明实施例中的一种配漆模型确定方法和配漆方法对应的软件程序、指令以及模块。处理器1001通过运行存储在存储器1002中的非暂态软件程序、指令以及模块，执行一种配漆模型确定系统和配漆系统的各种功能应用以及数据处理，即实现上述方法实施例的方法步骤。

存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据一种匹配系统的使用所创建的数据等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件，闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至一种配漆模型确定系统和配漆系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置1003可接收输入的至少一张图像，以及产生与输入的图像的匹配系统的用户设置以及功能控制有关的键信号输入。输入装置1003可以包括触摸屏、键盘等，也可以包括有线接口、无线接口等。输出装置1004可包括显示屏等显示设备。

一个或多个软件程序、指令存储在存储器1002中，当被一个或多个处理器1001执行时，执行上述任意方法实施例中的一种配漆模型确定方法和配漆方法。

在本发明实施例中，一个或多个处理器能够：执行前述任一实施方式的一种配漆模型确定方法和配漆方法。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种配漆模型确定方法，其特征在于，包括：

获取多个喷漆前木材的图像数据；

获取多个不同漆料配比以及基于所述多个不同漆料配比的喷漆后木材的效果图像数据；

将喷漆前木材的图像数据、不同漆料配比以及喷漆后木材的效果图像数据，输入到神经网络模型中并训练所述神经网络模型，获得配漆模型。

2.根据权利要求1所述的配漆模型确定方法，其特征在于，所述喷漆前木材的图像数据包括木材的底纹信息和/或颜色信息。

3.根据权利要求1所述的配漆模型确定方法，其特征在于，所述不同漆料配比为不同颜色的漆料配比。

4.根据权利要求1所述的配漆模型确定方法，其特征在于，所述神经网络模型为卷积神经网络、循环神经网络和BP神经网络中的一种或多种的组合。

5.根据权利要求1所述的配漆模型确定方法，其特征在于，所述训练所述神经网络模型，包括：

基于BP算法、梯度下降算法、牛顿算法和共轭梯度法中的一种或多种，训练所述神经网络模型。

6.一种配漆模型确定方法，其特征在于，包括：

获取训练数据，所述训练数据包括多个喷漆前木材的图像数据、多个不同漆料配比以及基于所述多个不同漆料配比的喷漆后木材的效果图像数据；

基于所述多个喷漆前木材的图像数据，将所述训练数据进行分类；

针对每一个类别的训练数据，分别输入到神经网络模型中并训练所述神经网络模型，获得多个配漆模型。

7.一种配漆方法，其特征在于，包括：

获取待喷漆木材的图像数据；

确定所述待喷漆木材的喷漆效果图；

获取配漆模型，所述配漆模型通过权利要求1-6中任一项所述的配漆模型确定方法获得；

将所述待喷漆木材的图像数据和喷漆效果图输入到配漆模型中，确定不同漆料的配比。

8.根据权利要求7所述的配漆方法，其特征在于，所述确定所述待喷漆木材的喷漆效果图，包括：

基于待喷漆木材的图像数据，确定待喷漆的木材原料；

获取多组喷漆效果图，其中，一组喷漆效果图对应一种木材原料；

从所述多组喷漆效果图中选择一组喷漆效果图，所述选择的喷漆效果图对应的木材原料与待喷漆的木材原料相同或最接近；

从所述选择的一组喷漆效果图中选择一个喷漆效果图。

9.根据权利要求8所述的配漆方法，其特征在于，当所述配漆模型通过权利要求6所述的配漆模型确定方法获得时，所述获取配漆模型,包括：

基于所述选择的一组喷漆效果图，获取该组喷漆效果图对应的配漆模型。

10.一种配漆模型确定系统，其特征在于，包括：

喷漆前图像数据获取模块，用于获取多个喷漆前木材的图像数据；

漆料配比及效果图像数据获取模块，用于获取多个不同漆料配比以及基于所述多个不同漆料配比的喷漆后木材的效果图像数据；

训练模块，用于基于输入的喷漆前后木材的图像数据和不同漆料配比训练神经网络模型，获得配漆模型。