CN110331551A - 洗衣机的洗涤控制方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种洗衣机的洗涤控制方法、装置、计算机设备和存储介质。所述方法包括：获取包含待清洗衣物的图像，将图像输入已训练的衣物预测模型，输出图像对应的衣物类别和衣物量，根据预设对应关系，获取与衣物类别和衣物量对应的目标洗涤策略，生成与目标洗涤策略对应的洗涤指令，发送洗涤指令，以使洗衣机执行洗涤指令。获取拍摄的洗衣机中的内部衣物的图像，通过训练后的模型对图像中的衣物类型进行识别，并计算衣物量，根据识别的衣物类型和计算的衣物量确定洗衣机的洗涤策略，使得洗涤变得的更便捷，提升用户体验。

Description

洗衣机的洗涤控制方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种洗衣机的洗涤控制方法、装置、计算机设备和存储介质。

背景技术

随着人们生活水平的不断提高，深度学习技术的迅猛发展，使人们对家电的智能化需求成为可能。传感器的出现大大的促进了洗衣机迈向智能化的进程，传感器能够感知环境并收集数据。通过收集这些传感器采集的数据洗衣机可以对待洗涤衣物进行各方面的感知，并将这些数据传送给内部的嵌入式计算系统，通过运算各种预先设计好的算法后可生成一套高效的洗衣方案，包括计算出洗涤衣物的方法，可以节省人们在使用洗衣机过程中耗费的时间和精力。

现有的洗衣机的洗涤控制方法中，主要是针对衣物的体积和重量等进行计算，根据体积和重量的计算结果确定洗衣机的洗涤水量、清洗时间等等，由于衣物的种类多种多样，仅仅采用衣物的体积和重量确定洗涤控制方法，并不能满足用户对衣物清洗的需求。

发明内容

为了解决上述技术问题，本申请提供了一种洗衣机的洗涤控制方法、装置、计算机设备和存储介质。

第一方面，本申请提供了一种洗衣机的洗涤控制方法，包括：

获取包含待清洗衣物的图像；

将图像输入已训练的衣物预测模型，输出图像对应的衣物类别和衣物量；

根据预设对应关系，获取与衣物类别和衣物量对应的目标洗涤策略；

生成与目标洗涤策略对应的洗涤指令，发送洗涤指令，以使洗衣机执行洗涤指令。

第二方面，本申请提供了一种洗衣机的洗涤控制装置，包括：

图像获取模块，用于获取包含待清洗衣物的图像；

预测模块，用于将图像输入已训练的衣物预测模型，输出图像对应的衣物类别和衣物量；

洗涤控制模块，用于根据预设对应关系，获取与衣物类别和衣物量对应的目标洗涤策略，生成与目标洗涤策略对应的洗涤指令，发送洗涤指令，以使洗衣机执行洗涤指令。

一种计算机设备，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计算机程序时实现以下步骤：

获取包含待清洗衣物的图像；

将图像输入已训练的衣物预测模型，输出图像对应的衣物类别和衣物量；

根据预设对应关系，获取与衣物类别和衣物量对应的目标洗涤策略；

生成与目标洗涤策略对应的洗涤指令，发送洗涤指令，以使洗衣机执行洗涤指令。

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以下步骤：

获取包含待清洗衣物的图像；

将图像输入已训练的衣物预测模型，输出图像对应的衣物类别和衣物量；

根据预设对应关系，获取与衣物类别和衣物量对应的目标洗涤策略；

生成与目标洗涤策略对应的洗涤指令，发送洗涤指令，以使洗衣机执行洗涤指令。

上述洗衣机的洗涤控制方法、装置、计算机设备和存储介质，所述方法包括：获取包含待清洗衣物的图像，将图像输入已训练的衣物预测模型，输出图像对应的衣物类别和衣物量，根据预设对应关系，获取与衣物类别和衣物量对应的目标洗涤策略，生成与目标洗涤策略对应的洗涤指令，以使洗衣机执行洗涤指令。获取拍摄的洗衣机中的内部衣物的图像，通过训练后的模型对图像中的衣物类型进行识别，并计算衣物量，根据识别的衣物类型和计算的衣物量确定洗衣机的洗涤策略，使得洗涤更便捷，提升用户体验。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中洗衣机的洗涤控制方法的应用环境图；

图2为一个实施例中洗衣机的洗涤控制方法的流程示意图；

图3为一个实施例中洗涤控制系统的示意图；

图4为一个实施例中洗衣机的洗涤控制装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为一个实施例中洗衣机的洗涤控制方法的应用环境图。参照图1，该洗衣机的洗涤控制方法应用于洗衣机的洗涤控制系统。该洗衣机的洗涤控制系统包括洗衣机110和计算机设备120。计算机设备获取包含待清洗衣物的图像，将图像输入已训练的衣物预测模型，输出图像对应的衣物类别和衣物量，根据预设对应关系，获取与衣物类别和衣物量对应的目标洗涤策略，生成与目标洗涤策略对应的洗涤指令，发送洗涤指令，以使洗衣机执行洗涤指令。洗衣机110和计算机设备120通过网络连接。计算机设备120包含终端和服务器中的至少一种，其中终端具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器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。

上述洗衣机的洗涤控制方法也可以在洗衣机上独立完成。

如图2所示，在一个实施例中，提供了一种洗衣机的洗涤控制方法。本实施例主要以该方法应用于上述图1中的计算机设备120来举例说明。参照图2，该洗衣机的洗涤控制方法具体包括如下步骤：

步骤S201，获取包含待清洗衣物的图像。

具体地，待清洗衣物是指放置在洗衣机内的需要进行清洗的衣物。拍摄设备安装在洗衣机上，可以对洗衣机用于放置衣物的清洗空间进行拍摄，得到包含待清洗衣物的图像。其中获取的图像可以为一张或多张，当获取的图像为多张时，对多张图像进行处理。

步骤S202，将图像输入已训练的衣物预测模型，输出图像对应的衣物类别和衣物量。

具体地，已训练的衣物预测模型是用于对衣物的类别的重量进行预测的数学模型，该数学模型是通过对大量的携带衣物类型标签的图像进行学习得到的。衣物类别为常见的衣物类别，如根据衣物的材质确定衣物类别。其中衣物类别包括但不限于牛仔类、棉麻类、毛衣、妮子和丝绸等等。衣物量是指衣物的重量。在清洗衣物时，衣物的材质和重量对应的洗涤方法不同，为了提升清洗衣物的体验，可以对衣物的材质和重量进行识别。

在一个实施例中，在将图像输入已训练的衣物预测模型之前，还包括：对图像进行预处理，其中预处理包括图像颜色空间变换、图像增强和图像剪裁等等。

在一个实施例中，获取重力传感器采集的与图像对应的重力数据，根据重力数据更新衣物量。

具体地，重力传感器是用于采集衣物的重力数据，与图像对应的重力数据是指在采集图像时，洗衣机内的衣物的重力数据，根据重力传感器采集到的重力数据，对根据图像计算得到的衣物量进行更新。通过重力传感器采集的重力数据更新衣物量，使得衣物量的计算结果更为准确，从而选取更为准确的洗涤策略。

在一个实施例中，步骤S202，包括：

步骤S2021，将图像输入已训练的衣物预测模型的中的卷积层，通过卷积层进行卷积运算，得到卷积特征图集合。

步骤S2022，将卷积图特征集合输入区域生成层，输出至少一个目标区域和对应的位置信息。

步骤S2023，将各个目标区域和对应的位置信息输入预测层，输出各个目标区域对应的预测结果，预测结果包括衣物类型、位置信息和掩码信息。

步骤S2024，根据各个分割区域的预测结果确定图像的衣物类型。

步骤S2025，根据各个目标区域的掩码信息确定衣物量。

具体地，已训练的衣物预测模型可以分为三大层，即为卷积层、区域生成层和预测层，其中卷积层和区域生成层连接，区域生成层和预测层连接，器卷积层的输出为区域生成层的输入，其中区域生成层的输出为预测层的输入。卷积层是用于对输入的图像进行卷积运算，通过卷积运算提取图像的特征，得到多个特征图，由各个特征图组成特征图集合。其中卷积层包含至少一个网络结构层，各个网路层对应的卷积核的数量和大小可以根据需求设定。区域生成层用于对图像进行区域筛选，根据卷积层提取的各个卷积特征图的特征确定图像对应的目标区域，目标区域即为感兴趣区域(Regions of Interest，ROI)。图像分割就是把图片按照需求查找目标区域，使得图片中的具体内容能够更加清晰的展示出来。因此，图像分割把图像基于不同特征或者感兴趣的区域(Region of Interest)进行分离，并分别保存在特定的区域上。预测层是用于对各个目标区域对应的衣物类型和对应的衣物量进行预测。

在一个实施例中，预测层包括分类层和掩码层，将各个目标区域输入预测层，输出各个目标区域对应的预测结果，包括：将各个目标区域输入分类层，根据各个目标区域的纹理特征确定衣物类别和位置信息，将目标区域输入掩码层，输出目标区域的掩码信息。

具体地，预测层包括分类层和掩码层，分类层和掩码层为并行的网络结构。分类层用于对衣物类型进行预测，掩码层用于对衣物量进行预测。分类层的输入和掩码层的输入均为目标区域。根据分类层输出各个目标区域的衣物类型确定图像对应的衣物类型和对应的位置信息，根据掩码层对各个目标区域预测得到的掩码信息计算得到图像对应的衣物量。

在一个实施例中，在使用已训练的衣物预测模型之前，还包括：生成已训练的衣物预测模型。

其中，生成已训练的衣物预测模型，包括：获取包含多个训练图像的训练集合，各个训练图像携带标签，标签包含真实衣物类型、真实位置信息和真实衣物量，构建初始衣物预测模型，将各个训练图像输入初始衣物预测模型，输出各个训练图像对应的预测结果，预测结果包括预测衣物类型、预测位置信息和预测衣物量，计算预测结果与标签的差异度，当差异度小于或等于预设差异度时，得到已训练的衣物预测模型。

具体地，训练图像为包含待清洗衣物的图像，训练图像携带标签，标签是用于标识图像中的感兴趣区域对应的信息，如ROI的真实位置信息、区域大小和真实衣物类别等等。将携带标签的训练图像输入初始衣物预测模型。其中，初始衣物预测模型包括但不限于卷积神经网络和卷积神经网络的延伸网络。卷积神经网络的延伸网络包括Faster-RCNN、Mask-RCNN等等，其中Faster-RCNN和Mask-RCNN属于深度学习算法，深度学习算法可以采用的卷积神经网络有多个，如提取物体特征的卷积神经网络网络包括但不限于VGG16、resnet18、rensnet50等等。通过初始衣物预测模型对各个训练图像进行图像分割，得到各个训练图像对应的分割区域，识别各个训练图像的分割区域对应的预测结果，其中预测结果包括预测衣物类别和预测位置信息等，通过掩码信息计算图像对应的预测结果与标签之间的差异度，当差异度小于或等于预设差异度时，标识初始衣物预测模型收敛，得到已训练的衣物预测模型。其中预设差异度为预先定义的差异度临界值，该临界值可以为技术人员的经验值，也可以是根据具体的业务需求确定的。

在一个实施例中，设定预设训练次数，当训练次数达到预设训练次数时，得到已训练的衣物预测模型。

在一个实施例中，当差异度大于预设差异度时，根据差异度更新初始衣物预测模型的模型参，采用更新了模型参数的初始衣物预测模型对训练图像进行再次预测，直至更新了模型参数的初始衣物预测模型得到的预测结果，与标签之间的差异度小于或等于预设差异度时，得到已训练的衣物预测模型。

具体地，当差异度大于预设差异度时，标识初始衣物预测模型未收敛，根据标签与预测结果之间的差异度更新模型参数，其中模型参数是指初始衣物预测模型中的一个或多个网络层中的参数。采用更新了模型参数的初始衣物预测模型对训练图像重复进行特征提取、结果预测、收敛判断等过程，若模型收敛，得到已训练的衣物预测模型，若模型未收敛，则继续重复上述模型训练过程，直至模型收敛，或直到达到预测训练次数，得到已训练的衣物预测模型。

在一个具体的实施例中，将采集的图像进行分割，得到分割后的图像，即得到各个图像的感兴趣区域，对各个感兴趣区域添加标签，将添加了标签的感兴趣区域输入已训练的基于区域的卷积神经网络(Faster Region-based Convolutional Neural Networks，Faster-RCNN)中，得到图像的特征图集合。将特征图集合输入到区域生成网络(RegionProposal Network,PRN)中，得到候选框，将候选框的特征交给预测器，得到每个候选框的类别、位置和掩码的预测值，计算预测值与真实值的损失值loss，优化损失函数loss，得到已训练的衣物预测模型。

步骤S203，根据预设对应关系，获取与衣物类别和衣物量对应的目标洗涤策略。

具体地，预设对应关系为预先定义的洗涤策略和衣物类别、衣物量之间的对应关系。该预设对应关系可以人为定义，也可以通过机器学习得到。根据预设对应关系，获取与衣物类别和衣物量对应的目标洗涤策略。洗涤策略中包含多个洗涤参数，其中洗涤参数包括但不限于洗涤时间、洗涤水量、洗涤剂种类、洗涤剂剂量、洗涤温度和洗涤强度。

步骤S204，生成与目标洗涤策略对应的洗涤指令，发送洗涤指令，以使洗衣机执行洗涤指令。

具体地，根据洗涤策略生成洗涤指令，洗涤指令是用于控制洗衣机进行运行的指令。将生成的洗涤指令发送至洗衣机的控制模块，通过控制模块控制洗衣机的运行。

在一个实施例中，接收语音数据，根据语音数据生成对应的控制指令，控制指令用于控制洗衣机的状态。

具体地，语音数据为语音数据处理模块采集的语音数据，其中语音采集模型可以设置在洗衣机上，也可以设置在终端上，终端的语音采集模型采集了语音数据，识别语音数据的信息，根据识别的信息生成对应的控制指令，将生成的控制指令发送至洗衣机的控制模块。其中控制指令包括洗衣机的开启、关闭和洗涤策略等等，洗涤策略为根据语音中识别到的洗涤参数组成的洗涤策略。通过语音控制洗衣机的运行使得洗衣机的使用变得更为便捷，从而提升用户体验。

在一个实施例中，获取洗衣机的历史洗涤策略，和历史衣物类别、历史衣物量的历史对应关系，根据历史对应关系，更新预设对应关系。

具体地，历史洗涤策略为拍摄图像之前，为清洗洗衣机中的衣物的真实洗涤策略。记录洗衣机的真实洗涤策略，根据历史的真实洗涤策略更新预设对应关系，通过历史洗涤策略更新预设对应关系，使得洗涤策略更符合用户需求，从而提升用户体验。

上述洗衣机的洗涤控制方法，包括：获取包含待清洗衣物的图像，将图像输入已训练的衣物预测模型，输出图像对应的衣物类别和衣物量，根据预设对应关系，获取与衣物类别和衣物量对应的目标洗涤策略，生成与目标洗涤策略对应的洗涤指令，发送洗涤指令，以使洗衣机执行洗涤指令。获取拍摄的洗衣机中的内部衣物的图像，通过训练后的模型对图像中的衣物类型进行识别，并计算衣物量，根据识别的衣物类型和计算的衣物量确定洗衣机的洗涤策略，使得洗涤变得的更便捷，提升用户体验。

在一个具体的实施例中，如图3所示，洗衣机的洗涤控制系统包括：洗衣机410和计算机设备420，其中计算机设备包括终端和服务器中的至少一种。洗衣机410和计算机设备420通过网络连接，洗衣机410上设置有图像数据处理模块411、通信模块412、语音数据处理模块413和控制模块414。图像数据处理模块411、语音数据处理模块413和控制模块与通信模块412连接，控制模块413和语音数据处理模块414连接，通信模块412与计算机设备420连接。

以服务器为例，洗衣机上的通信模块将图像采集装置将采集的包含待清洗衣物图像发送至服务器，服务器接收图像，将接收到图像输入已训练的衣物预测模型，通过衣物预测模型实现对衣物类型和衣物量的预测，根据预测得到的衣物类型和衣物量获取对应的目标洗涤策略，根据目标洗涤策略生成洗涤指令，将洗涤指令发送至对应的洗衣机的通信模块，通信模块将控制指令转发至控制模块，控制模块根据洗涤指令控制洗衣机的运行。

在一个实施例中，当识别到语音数据处理模块采集到的语音数据中包含控制洗衣机的控制信息时，根据识别的控制信息生成对应的控制指令，如当识别到洗涤参数，如洗涤时间为30分钟、洗涤强度为轻度、洗涤水量为2L时、洗涤种类为A，洗涤剂量为20ML时，由上述洗涤参数构建洗涤策略，根据洗涤策略生成对应的控制指令，以使洗衣机按照生成的控制指令运行。其中识别语音中的控制信息可以在语音数据处理模块中进行，也可以将采集的语音数据发送至计算机设备，计算机设备根据识别结果生成对应的控制指令，将控制指令发送至洗衣机的通信模块，通信模块转发至控制模块，控模块根据控制指令控制洗衣机的运行。

在一个实施例中，一个洗衣机可以和多个计算机设备关联，一个计算机设备也可以和多个洗衣机关联。

在一个实施例中，洗衣机中包含交互界面，通过交互界面实现人工与机器之间的交互，如实现洗涤策略的设定、更改等等操作。

在一个具体的实施例中，洗衣机的洗涤控制方法，包括：获取洗衣机的待清洗衣物的图像，通过图像分割算法分割得到前景图像和背景图像。提取前景图像中的纹理特征，根据纹理特征确定前景图像对应的衣物材质信息，根据衣物材质信息确定衣物类别。根据图像的分割掩码中的掩码面积确定衣物量，根据衣物量和衣物类别确定目标洗涤方法。

图2为一个实施例中洗衣机的洗涤控制方法的流程示意图。应该理解的是，虽然图2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4所示，提供了一种洗衣机的洗涤控制装置200，包括：

图像获取模块201，用于获取包含待清洗衣物的图像；

预测模块202，用于将所述图像输入已训练的衣物预测模型，输出图像对应的衣物类别和对应的衣物量；

洗涤控制模块203，用于获取与所述衣物类别和所述衣物量对应的目标洗涤策略，生成与所述目标洗涤策略对应的洗涤指令，发送所述洗涤指令，以使洗衣机执行所述洗涤指令。

在一个实施例中，上述洗衣机的洗涤控制装置，还包括：

衣物量计算模块，用于获取重力传感器采集的与图像对应的重力数据，根据重力数据更新所述衣物量。

在一个实施例中，预测模块包括：

特征提取单元，用于将图像输入已训练的衣物预测模型的中的卷积层，通过卷积层进行卷积运算，得到卷积特征图集合。

分割单元，用于将卷积图特征集合输入区域生成层，输出至少一个目标区域和对应的位置信息。

预测单元，用于将各个目标区域和对应的位置信息输入预测层，输出各个目标区域对应的预测结果，预测结果包括衣物类型、位置信息和掩码信息，根据各个目标区域的预测结果确定所述图像的衣物类型，根据各个目标区域的掩码信息确定衣物量，其中已训练的衣物预测模型包括卷积层、区域生成层和预测层，卷积层的输出作为区域生成层的输入，区域生成层的输出作为预测层的输入。

在一个实施例中，上述预测单元还用于将各个目标区域输入分类层，根据各个目标区域的纹理特征确定衣物类别和位置信息，将目标区域输入所述掩码层，输出目标区域的所述掩码信息。

在一个实施例中，上述洗衣机的洗涤控制装置，还包括：

模型生成模块，用于生成已训练的衣物预测模型。其中，模型生成模块，包括：

数据获取单元，用于获取包含多个训练图像的训练集合，各个训练图像携带标签，标签包含真实衣物类型、真实位置信息和真实衣物量。

模型构建单元，用于构建初始衣物预测模型。

预测单元，用于将各个训练图像输入初始衣物预测模型，输出各个训练图像对应的预测结果，预测结果包括预测衣物类型、预测位置信息和预测衣物量。

差异度计算单元，用于计算所述预测结果与所述标签的差异度。

模型确定单元，用于当差异度小于或等于预设差异度时，得到已训练的衣物预测模型。

在一个实施例中，模型确定单元还用于当差异度大于预设差异度时，根据差异度更新初始衣物预测模型的模型参数，采用更新了模型参数的初始衣物预测模型对训练图像进行再次预测，直至更新了模型参数的初始衣物预测模型得到的预测结果，与标签之间的差异度小于或等于预设差异度时，得到已训练的衣物预测模型。

在一个实施例中，上述洗衣机的洗涤装置，还包括：

语音控制模块，用于接收语音数据，根据语音数据生成对应的控制指令，控制指令用于控制洗衣机的状态。

在一个实施例中，上述洗衣机的洗涤装置，还包括：

预设对应关系更新模块，用于获取洗衣机的历史洗涤策略，和历史衣物类别、历史衣物量的历史对应关系，根据历史对应关系，更新预设对应关系。

图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的洗衣机110(或计算机设备120)。如图5所示，该计算机设备包括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、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现洗衣机的洗涤控制方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行洗衣机的洗涤控制方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图5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，本申请提供的洗衣机的洗涤控制装置可以实现为一种计算机程序的形式，计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该洗衣机的洗涤控制装置的各个程序模块，比如，图4所示的图像获取模块201、预测模块202和洗涤控制模块203。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的洗衣机的洗涤控制方法中的步骤。

例如，图5所示的计算机设备可以通过如图4所示的洗衣机的洗涤控制装置中的图像获取模块201执行获取包含待清洗衣物的图像。计算机设备可以通过预测模块202执行将图像输入已训练的衣物预测模型，输出图像对应的衣物类别和对应的衣物量。计算机设备可以通过洗涤控制模块203执行获取与衣物类别和衣物量对应的目标洗涤策略，生成与目标洗涤策略对应的洗涤指令，发送洗涤指令，以使洗衣机执行洗涤指令。

在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：获取包含待清洗衣物的图像，将图像输入已训练的衣物预测模型，输出图像对应的衣物类别和衣物量，根据预设对应关系，获取与衣物类别和衣物量对应的目标洗涤策略，生成与目标洗涤策略对应的洗涤指令，发送洗涤指令，以使洗衣机执行洗涤指令。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取重力传感器采集的与图像对应的重力数据，根据重力数据更新衣物量。

在一个实施例中，已训练的衣物预测模型包括卷积层、区域生成层和预测层，卷积层的输出作为区域生成层的输入，区域生成层的输出作为预测层的输入，将图像输入，已训练的衣物预测模型，输出图像对应的衣物类别和衣物量，包括：将图像输入已训练的衣物预测模型的中的卷积层，通过卷积层进行卷积运算，得到卷积特征图集合，将卷积图特征集合输入区域生成层，输出至少一个目标区域和对应的位置信息，将各个目标区域和对应的位置信息输入预测层，输出各个目标区域对应的预测结果，预测结果包括衣物类型、位置信息和掩码信息，根据各个分割区域的预测结果确定图像的衣物类型，根据各个目标区域的掩码信息确定衣物量。

在一个实施例中，预测层包括分类层和掩码层，将各个目标区域输入预测层，输出各个目标区域对应的预测结果，包括：将各个目标区域输入分类层，根据各个目标区域的纹理特征确定衣物类别和位置信息，将目标区域输入掩码层，输出目标区域的掩码信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取包含多个训练图像的训练集合，各个训练图像携带标签，标签包含真实衣物类型、真实位置信息和真实衣物量，构建初始衣物预测模型，将各个训练图像输入初始衣物预测模型，输出各个训练图像对应的预测结果，预测结果包括预测衣物类型、预测位置信息和预测衣物量，计算预测结果与标签的差异度，当差异度小于或等于预设差异度时，得到已训练的衣物预测模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：当差异度大于预设差异度时，根据差异度更新初始衣物预测模型的模型参数，采用更新了模型参数的初始衣物预测模型对训练图像进行再次预测，直至更新了模型参数的初始衣物预测模型得到的预测结果，与标签之间的差异度小于或等于预设差异度时，得到已训练的衣物预测模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：接收语音数据，根据语音数据生成对应的控制指令，控制指令用于控制洗衣机的状态。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取洗衣机的历史洗涤策略，和历史衣物类别、历史衣物量的历史对应关系，根据历史对应关系，更新预设对应关系。

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：获取包含待清洗衣物的图像，将图像输入已训练的衣物预测模型，输出图像对应的衣物类别和衣物量，根据预设对应关系，获取与衣物类别和衣物量对应的目标洗涤策略，生成与目标洗涤策略对应的洗涤指令，发送洗涤指令，以使洗衣机执行洗涤指令。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取重力传感器采集的与图像对应的重力数据，根据重力数据更新衣物量。

在一个实施例中，已训练的衣物预测模型包括卷积层、区域生成层和预测层，卷积层的输出作为区域生成层的输入，区域生成层的输出作为预测层的输入，将图像输入，已训练的衣物预测模型，输出图像对应的衣物类别和衣物量，包括：将图像输入已训练的衣物预测模型的中的卷积层，通过卷积层进行卷积运算，得到卷积特征图集合，将卷积图特征集合输入区域生成层，输出至少一个目标区域和对应的位置信息，将各个目标区域和对应的位置信息输入预测层，输出各个目标区域对应的预测结果，预测结果包括衣物类型、位置信息和掩码信息，根据各个分割区域的预测结果确定图像的衣物类型，根据各个目标区域的掩码信息确定衣物量。

在一个实施例中，预测层包括分类层和掩码层，将各个目标区域输入预测层，输出各个目标区域对应的预测结果，包括：将各个目标区域输入分类层，根据各个目标区域的纹理特征确定衣物类别和位置信息，将目标区域输入掩码层，输出目标区域的掩码信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取包含多个训练图像的训练集合，各个训练图像携带标签，标签包含真实衣物类型、真实位置信息和真实衣物量，构建初始衣物预测模型，将各个训练图像输入初始衣物预测模型，输出各个训练图像对应的预测结果，预测结果包括预测衣物类型、预测位置信息和预测衣物量，计算预测结果与标签的差异度，当差异度小于或等于预设差异度时，得到已训练的衣物预测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当差异度大于预设差异度时，根据差异度更新初始衣物预测模型的模型参数，采用更新了模型参数的初始衣物预测模型对训练图像进行再次预测，直至更新了模型参数的初始衣物预测模型得到的预测结果，与标签之间的差异度小于或等于预设差异度时，得到已训练的衣物预测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收语音数据，根据语音数据生成对应的控制指令，控制指令用于控制洗衣机的状态。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取洗衣机的历史洗涤策略，和历史衣物类别、历史衣物量的历史对应关系，根据历史对应关系，更新预设对应关系。

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，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，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。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种洗衣机的洗涤控制方法，其特征在于，所述方法包括：

获取包含待清洗衣物的图像；

将所述图像输入已训练的衣物预测模型，输出所述图像对应的衣物类别和衣物量；

根据预设对应关系，获取与所述衣物类别和所述衣物量对应的目标洗涤策略；

生成与所述目标洗涤策略对应的洗涤指令，发送所述洗涤指令，以使洗衣机执行所述洗涤指令。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取重力传感器采集的与所述图像对应的重力数据；

根据所述重力数据更新所述衣物量。

3.根据权利要求1所述的方法，其特征在于，所述已训练的衣物预测模型包括卷积层、RPN和预测层，所述卷积层的输出作为所述区域生成层的输入，所述区域生成层的输出作为所述预测层的输入，所述将所述图像输入已训练的衣物预测模型，输出所述图像对应的衣物类别和衣物量，包括：

将所述图像输入所述已训练的衣物预测模型的中的卷积层，通过所述卷积层进行卷积运算，得到卷积特征图集合；

将所述卷积图特征集合输入区域生成层，输出至少一个目标区域和对应的位置信息；

将各个所述目标区域和对应的位置信息输入预测层，输出各个所述目标区域对应的预测结果，所述预测结果包括衣物类型、位置信息和掩码信息；

根据各个所述目标区域的预测结果确定所述图像的衣物类型；

根据各个所述目标区域的掩码信息确定所述衣物量。

4.根据权利要求1所述的方法，其特征在于，所述预测层包括分类层和掩码层，所述将各个所述目标区域输入预测层，输出各个所述目标区域对应的预测结果，包括：

将各个所述目标区域输入分类层，根据各个所述目标区域的纹理特征确定所述衣物类别和所述位置信息；

将所述目标区域输入所述掩码层，输出所述目标区域的所述掩码信息。

5.根据权利要求1所述的方法，其特征在于，生成所述已训练的衣物预测模型，包括：

获取包含多个训练图像的训练集合，各个所述训练图像携带标签，所述标签包含真实衣物类型、真实位置信息和真实衣物量；

构建初始衣物预测模型；

将各个所述训练图像输入所述初始衣物预测模型，输出各个所述训练图像对应的预测结果，所述预测结果包括预测衣物类型、预测位置信息和预测衣物量；

计算所述预测结果与所述标签的差异度；

当所述差异度小于或等于预设差异度时，得到所述已训练的衣物预测模型。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

当所述差异度大于所述预设差异度时，根据所述差异度更新所述初始衣物预测模型的模型参数；

采用更新了模型参数的初始衣物预测模型对所述训练图像进行再次预测，直至更新了模型参数的初始衣物预测模型得到的预测结果，与所述标签之间的差异度小于或等于所述预设差异度时，得到所述已训练的衣物预测模型。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

接收语音数据，根据所述语音数据生成对应的控制指令，所述控制指令用于控制洗衣机的状态。

8.根据权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：

获取所述洗衣机的历史洗涤策略，和历史衣物类别、历史衣物量的历史对应关系；

根据所述历史对应关系，更新所述预设对应关系。

9.一种洗衣机的洗涤控制装置，其特征在于，所述装置包括：

图像获取模块，用于获取包含待清洗衣物的图像；

预测模块，用于将所述图像输入已训练的衣物预测模型，输出图像对应的衣物类别和对应的衣物量；

洗涤控制模块，用于获取与所述衣物类别和所述衣物量对应的目标洗涤策略，生成与所述目标洗涤策略对应的洗涤指令，发送所述洗涤指令，以使洗衣机执行所述洗涤指令。

10.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。