CN111488929B - 识别布料类别的方法、装置、计算设备及计算机存储介质 - Google Patents
识别布料类别的方法、装置、计算设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111488929B CN111488929B CN202010275421.0A CN202010275421A CN111488929B CN 111488929 B CN111488929 B CN 111488929B CN 202010275421 A CN202010275421 A CN 202010275421A CN 111488929 B CN111488929 B CN 111488929B
- Authority
- CN
- China
- Prior art keywords
- cloth
- category
- identification
- model
- identification model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Treatment Of Fiber Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及智能家居技术领域,公开了一种识别布料类别的方法、装置、计算设备及计算机存储介质,该方法包括:获取待识别布料的目标光谱特征数据;从预设的二叉树中的第1布料识别模型开始,将目标光谱特征数据输入至第j布料识别模型中,以获取二叉树的第j层识别结果;根据第j层识别结果,在第(j+1)层与第j布料识别模型连接的第一布料识别模型和第二识别模型中,确定第(j+1)布料识别模型,获取二叉树的第(j+1)层识别结果,直至获取到二叉树的最后一层识别结果;将所述二叉树的最后一层识别结果对应的布料类别作为所述待识别布料的布料类别。通过上述方式,本发明实施例实现了布料类别的识别。
Description
技术领域
本发明实施例涉及智能家居技术领域,具体涉及一种识别布料类别的方法、装置、计算设备及计算机存储介质。
背景技术
随着智能家居的发展,各种家居电器都被赋予了智能化的能力。智能洗衣机可以根据用户选择的待清洗衣物的类别采取不同的洗涤方式。对布料类别的识别是智能洗衣机采取最佳洗涤方式的关键。
传统的布料分析方法需要将布料撕开,用显微镜观察纤维形状,或用药品溶解分析,进而确定布料的类别。
上述方法需要经过人工分析才能够确定布料类别,从而造成布料识别的成本大。
发明内容
鉴于上述问题,本发明实施例提供了一种识别布料类别的方法、装置、计算设备及计算机存储介质,用于解决现有技术中存在的人工分析确定布料类别成本高的问题。
根据本发明实施例的一个方面,提供了一种识别布料类别的方法,所述方法包括:
获取待识别布料的目标光谱特征数据;
从预设的二叉树中的第1布料识别模型开始,将所述目标光谱特征数据输入至第j布料识别模型中,以获取所述二叉树的第j层识别结果,其中,所述二叉树包括M*(M-1)/2个布料识别模型,所述二叉树中的第j层的一个布料识别模型与所述二叉树中的第(j+1)层的两个布料类别识别模型相连接;所述二叉树的第j层包括j个预先训练得到的布料识别模型,一个布料识别模型用于识别两种不同布料类别,一种布料类别用于表征布料在至少两个维度上的属性;j为正整数,M为可识别的布料类别的总数;
根据所述第j层识别结果,在第(j+1)层与所述第j布料识别模型连接的第一布料识别模型和第二识别模型中,确定第(j+1)布料识别模型,并将所述目标光谱特征数据输入至所述第(j+1)布料识别模型中,以获取所述二叉树的第(j+1)层识别结果,直至获取到所述二叉树的最后一层识别结果;其中,所述第j布料识别模型用于识别第一布料类别和第二布料类别,所述第一布料识别模型用于识别所述第一布料类别和第三布料类别,所述第二布料识别模型用于识别所述第二布料类别和第四布料类别;
将所述二叉树的最后一层识别结果对应的布料类别作为所述待识别布料的布料类别。
可选的,所述根据所述第j层识别结果,在第(j+1)层与所述第j布料识别模型连接的第一布料识别模型和第二识别模型中,确定第(j+1)布料识别模型,包括:
若所述第j层识别结果对应的布料类别为所述第一布料类别,则将所述第一布料识别模型确定为所述第(j+1)布料识别模型;
若所述第j层识别结果对应的布料类别为所述第二布料类别,则将所述第二布料识别模型确定为所述第(j+1)布料识别模型。
可选的,所述获取待识别布料的目标光谱特征数据之前,还包括:
将M个布料类别中的任意两个布料类别两两进行组合,以得到多个布料类别组合;
获取第一布料类别组合中的两个布料类别各自对应的多个样本光谱特征数据,并对各样本光谱特征数据进行标识,以得到所述各样本光谱特征数据的布料标识信息,所述第一布料类别组合为所述多个布料类别组合中的任一布料类别组合,其中,同一布料类别对应的样本光谱特征数据的布料标识信息相同,不同布料类别对应的样本光谱特征数据的布料标识信息不同;
构建第一布料类别组合对应的二分类模型;
将所述各样本光谱特征数据以及所述各样本光谱特征数据的布料标识信息作为训练样本,训练所述二分类模型,得到所述第一布料类别组合对应的布料识别模型;
将所述多个布料类别组合中的各布料类别组合对应的布料识别模型作为所述二叉树中的布料识别模型。
可选的,所述第一布料类别组合中的两个布料类别对应的布料标识信息互为相反数;所述二分类模型为:f(x)=sign(w*x+b),且满足:
其中,sign表示符号函数,w=(w1,w2...wm)表示光谱特征数据在各维度上的权重,m为光谱特征数据的维度数量,b表示偏置参数;s.t表示约束条件,yi表示第i个训练样本对应的布料标识信息,xi=(xi1,xi2...xim)表示所述第i个训练样本对应的样本光谱特征数据,N表示训练样本的总数。
可选的,所述第一布料类别组合中的两个布料类别对应的布料标识信息互为相反数;所述二分类模型为:f(x)=sign(w*x+b),且满足:
其中,sign表示符号函数,w=(w1,w2...wm)表示光谱特征数据在各维度上的权重,m为光谱特征数据的维度数量,b表示偏置参数;s.t表示约束条件,yi表示第i个训练样本的布料标识信息,εi表示第i个训练样本对应的松弛变量,xi=(xi1,xi2...xim)表示第i个训练样本对应的样本光谱特征数据,N表示训练样本的总数。
可选的,所述将所述各样本光谱特征数据以及所述各样本光谱特征数据的布料标识信息作为训练样本,训练所述二分类模型,得到所述第一布料类别组合对应的布料识别模型,包括:
将所述光谱特征数据映射至高维空间,得到所述二分类模型对应的映射模型;
根据拉格朗日乘子法得到所述映射模型的对偶模型;
根据所述各样本光谱特征数据以及所述各样本光谱特征数据的布料标识信息,通过序列最小优化算法对所述对偶模型进行训练,得到所述权重和偏置参数的值;
将所述权重和所述偏置参数的值代入所述二分类模型,得到所述第一布料类别组合对应的布料识别模型。
可选的,所述获取第一布料类别组合中的两个布料类别各自对应的多个样本光谱特征数据之前,还包括:
获取所述M个布料类别中的各布料类别各自对应的光谱特征数据,以得到所述M个布料类别对应的多个光谱特征数据;
计算所述M个布料类别对应的多个光谱特征数据在各维度的光谱特征数据的样本均值及样本标准差;
根据所述样本均值及所述样本标准差对所述各布料类别对应的光谱特征数据进行归一化,得到所述各布料类别各自对应的样本光谱特征数据。
可选的,所述获取待识别布料的目标光谱特征数据,包括:
根据所述样本均值及所述样本标准差对所述待识别布料对应的光谱特征数据进行归一化,得到所述待识别布料的目标光谱特征数据。
根据本发明实施例的另一方面,提供了一种识别布料类别的装置,所述装置包括:
第一获取模块,用于获取待识别布料的目标光谱特征数据;
第二获取模块,用于从预设的二叉树中的第1布料识别模型开始,将所述目标光谱特征数据输入至第j布料识别模型中,以获取所述二叉树的第j层识别结果,其中,所述二叉树包括M*(M-1)/2个布料识别模型,所述二叉树中的第j层的一个布料识别模型与所述二叉树中的第(j+1)层的两个布料类别识别模型相连接;所述二叉树的第j层包括j个预先训练得到的布料识别模型,一个布料识别模型用于识别两种不同布料类别,一种布料类别用于表征布料在至少两个维度上的属性;j为正整数,M为可识别的布料类别的总数;
第一确定模块,用于根据所述第j层识别结果,在第(j+1)层与所述第j布料识别模型连接的第一布料识别模型和第二识别模型中,确定第(j+1)布料识别模型,并将所述目标光谱特征数据输入至所述第(j+1)布料识别模型中,以获取所述二叉树的第(j+1)层识别结果,直至获取到所述二叉树的最后一层识别结果;其中,所述第j布料识别模型用于识别第一布料类别和第二布料类别,所述第一布料识别模型用于识别所述第一布料类别和第三布料类别,所述第二布料识别模型用于识别所述第二布料类别和第四布料类别;
第二确定模块,用于将所述二叉树的最后一层识别结果对应的布料类别作为所述待识别布料的布料类别。
根据本发明实施例的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述的一种识别布料类别的方法对应的操作。
根据本发明实施例的还一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令在计算设备/装置上运行时,使得计算设备/装置执行上述的一种识别布料类别的方法对应的操作。
本发明实施例从预设的二叉树中的第1布料识别模型开始,将待识别布料的目标光谱特征数据输入至第j层的第j布料识别模型中,根据第j布料识别模型的识别结果确定第(j+1)层的第(j+1)布料识别模型,直至获取到二叉树最后一层的布料识别模型的识别结果,该识别结果对应的布料类别即为待识别布料的布料类别。通过上述方式,本发明实施例可以实现自动识别布料类别,相较于传统的布料分析方法,本发明实施例可以直接通过二叉树得到待识别布料的布料类别,节省了布料识别的成本。当布料类别较多时,本发明实施例只需要在二叉树的每一层选择一个布料识别模型就可以确定待识别布料的类别,不需要对二叉树中每一个布料识别模型均进行验证,从而节省了布料类别识别的时间。此外,本发明实施例中的布料识别模型是预先训练得到的,布料识别模型中的参数包含了各布料类别的光谱特征数据的特征,因此,根据布料识别模型能够准确识别布料类别。本发明实施例中的一种布料类别用于表征布料在至少两个维度上的属性,因此,当本发明实施例应用在智能洗衣机上时,可以对布料进行多维度的识别,例如,一种布料类别可以包含布料的材质、颜色和污渍等多维度的属性组合,从而可以为智能洗衣机提供更加合理的洗衣策略。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种识别布料类别的方法的流程示意图;
图2示出了本发明实施例提供的一种识别布料类别的方法中二叉树的结构示意图;
图3示出了本发明实施例提供的一种识别布料类别的方法中二叉树的结构示意图;
图4示出了本发明另一实施例提供的一种识别布料类别的方法的流程示意图;
图5示出了本发明实施例提供的一种识别布料类别的装置的功能框图;
图6示出了本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
图1示出了本发明实施例的一种识别布料类别的方法的流程图。如图1所示,该方法包括以下步骤:
步骤110:获取待识别布料的目标光谱特征数据。
在本步骤中,待识别布料是任意一种材质的布料,例如,棉、麻、尼龙、涤纶等。使用一定波长范围的电磁波发射器向待识别布料发送电磁波,电磁波在接触到待识别布料后,部分波长的电磁波被待识别布料吸收,通过光谱采集设备确定待识别布料的一组吸光度,该组吸光度构成待识别布料的目标光谱特征数据。如果待识别布料有多个,则对应多组目标光谱特征数据。值得说明的是,不同布料类别的布料所吸收的电磁波的强度不同,因此,不同布料类别的布料的吸光度不同,通过光谱数据能够有效区分不同布料类别的种类。本发明实施例所使用的电磁波是波长介于微波和可见光之间的电磁波,例如,近红外光。当使用近红外光照射待识别布料时,通过近红外光谱检测仪采集待识别布料的光谱特征数据。所采集光谱特征数据的个数与近红外光谱采集设备对待识别布料发射的近红外光的分光频率有关。例如,向待识别布料发射波长范围为750-1050nm的近红外光,近红外光谱采集设备的分光频率为5nm,即每隔5nm进行一次分光。则近红外光谱采集设备采集到的一组光谱特征数据为750nm、755nm、760nm...1050nm的近红外光对应的吸光度,一组光谱特征数据包含61个波长的近红外光对应的吸光度。
步骤120:从预设的二叉树中的第1布料识别模型开始,将目标光谱特征数据输入至第j布料识别模型中,以获取二叉树的第j层识别结果。
在本步骤中,二叉树包括一个根节点和多个内部节点。一个根节点和一个内部节点分别表示一个布料识别模型。第j布料识别模型是二叉树中第j层的一个根节点或一个内部节点表示的一个布料识别模型,其中j为正整数。当j取1时,第一1布料识别模型为根节点表示的布料识别模型。本发明实施例中的布料识别模型是由二分类模型预先训练得到的,一个布料识别模型用于识别两种不同的布料类别。其中,一种布料类别用于表征布料在至少两个维度上的属性。例如,一种布料类别可以包括布料材质、布料颜色、污渍特征等属性的任意两种或多种组合。在同一个实施例中,一种布料类别所表征的布料的属性维度相同。例如,在一个实施例中,一种布料类别为布料材质和布料颜色的组合,例如,棉红、麻橘等布料类别。在另外一个实施例中,布料类别为布料材质、布料颜色和污渍特征的组合,例如,棉红无污渍、麻橘酒红渍等布料类别。
假设布料类别的总数为M个,则二叉树共包含M*(M-1)/2个布料识别模型。二叉树中第j层的一个布料识别模型与二叉树中(j+1)层的两个布料识别模型相连接。二叉树中的第j层包含j个预先训练得到的布料识别模型,二叉树中第(j+1)层包含(j+1)个预先训练得到的布料识别模型。由于第j层的布料识别模型比二叉树中第j层包含的布料识别模型多一个,而第j层的任意一个布料识别模型均与第(j+1)层的两个布料识别模型连接,因此,当j大于1时,第(j+1)层存在(j-1)个布料识别模型分别与第j层的相邻两个布料识别模型连接,相邻三层之间构成环形二叉树。在对待识别布料进行识别时,每一层确定唯一一个用于识别布料类别的布料识别模型。将待识别布料的目标光谱特征数据输入各层确定的一个布料识别模型中,得到该层的识别结果。
步骤130:根据第j层识别结果,在第(j+1)层与第j布料识别模型连接的第一布料识别模型和第二识别模型中,确定第(j+1)布料识别模型,并将目标光谱特征数据输入至第(j+1)布料识别模型中,以获取二叉树第(j+1)层识别结果,直至获取到二叉树的最后一层识别结果。
在本步骤中,第j布料识别模型是指第j层确定的布料识别模型。第j布料识别模型可以识别的布料类别为第一布料类别和第二布料类别,与第j布料识别模型连接的第(j+1)层的两个布料识别模型中的第一布料识别模型用于识别第一布料类别和第三布料类别,第二布料识别模型用于识别第二布料类别和第四布料类别。即,第一布料识别模型和第二布料识别模型均与第j布料识别模型存在一个共同的可识别布料类别。如果第j层的第j布料识别模型的识别结果对应的布料类别为第一布料类别,则确定第一布料识别模型为第(j+1)布料识别模型;如果第j层识别结果对应的布料类别为第二布料类别,则确定第二布料识别模型为第(j+1)布料识别模型。其中,第三布料类别和第四布料类别可以相同。例如,布料类别的总数为三种,分别用1,2,3表示第一种布料类别、第二种布料类别和第三种布料类别,则在一个实施例中,预设的二叉树如图2所示。在图2中,第一层的根节点表示的布料识别模型(1,2)用于识别第一种布料类别和第二种布料类别。第二层的内部节点有两个,分别表示两个布料识别模型,即第一布料识别模型(1,3)和第二布料识别模型(2,3)。第一布料识别模型(1,3)用于识别第一种布料类别和第三种布料类别,第二布料识别模型(2,3)用于识别第二种布料类别和第三种布料类别。如果根节点(1,2)表示的布料识别模型的识别结果为1,则第一布料识别模型(1,3)确定为第二层的布料识别模型;如果根节点表示的布料识别模型的识别结果为2,则第二布料识别模型(2,3)确定为第二层的布料识别模型。
在一些实施例中,第三布料类别和第四布料类别也可以不同。例如,布料类别的总数为四种,图3示出了该二叉树的结构示意图。在图3中,分别用1、2、3、4表示四种布料类别。根节点表示的布料识别模型(1,4)用于识别第一种布料类别和第四种布料类别,与该根节点连接的两个内部节点表示的布料识别模型分别为(1,3)和(2,4)。布料识别模型(1,3)用于识别第一种布料类别和第三种布料类别,布料识别模型(2,4)用于识别第二种布料类别和第四种布料类别。如果根节点表示的布料识别模型(1,4)的识别结果为待识别布料为第四种布料类别,则继续通过布料识别模型(2,4)识别待识别的布料类别为第二种还是第四种;如果布料识别模型(1,4)的识别结果为待识别布料为第一种布料类别,则继续通过布料识别模型(1,3)识别待识别的布料类别为第一种还是第三种。同样的,第二层的内部节点表示的布料识别模型(2,4)与第三层的内部节点表示的布料识别模型(3,4)和(2,3)连接;第二层的内部节点表示的布料识别模型(1,3)与第三层的内部节点表示的布料识别模型(2,3)和(1,2)连接。如果布料识别模型(1,4)的识别结果为4,布料识别模型(2,4)的识别结果为2,则继续通过布料识别模型(2,3)确定待识别布料属于第二种布料类别还是第三种布料类别,从而确定待识别布料的布料类别。
值得说明的是,本发明实施例并不限定根节点和内部节点对应的布料识别模型的排布。例如,在图3中,用于识别第一种布料类别和第四种布料类别的布料识别模型(1,4)为根节点表示的布料识别模型。在另外一种实施方式中,用于识别第二种布料类别和第三种布料类别的布料识别模型(2,3)也可以作为根节点表示的布料识别模型。
在本发明实施例的二叉树中,根节点和各内部节点对应的布料识别模型均为由二分类模型预先训练得到。具体的训练过程在下一个实施例中进行描述,请参阅下一实施例的具体说明,在此不做赘述。以其中一个布料识别模型为例对待识别布料的识别进行说明。该布料识别模型的表达式为:f(x)=sign(w*x+b),其中,sign表示符号函数,该函数的表达式为: 在t=0处无意义。w=(w1,w2...wm)表示光谱特征数据在各维度上的权重的值,x=(x1,x2...xm)表示待识别布料的目标光谱特征数据,m为光谱特征数据的维度数量,b表示偏置参数的值。其中,w和b均为在模型训练过程中得到的已知值。将待识别布料的目标光谱特征数据代入该布料识别模型中,得到该布料识别模型的计算结果。该计算结果与布料类别一一对应,具体的对应关系为在训练该布料识别模型时定义的标识信息有关。例如,该模型的可识别布料类别为第一种布料类别和第二种布料类别,在训练该布料识别模型时,第一种布料类别对应的标识信息为负值,第二种布料类别对应的标识信息为正值,则如果上述布料识别模型的计算结果为1,则表示该布料识别模型为第二种布料类别,如果上述布料识别模型的计算结果为-1,则表示该布料识别模型为第一种布料类别。
步骤140:将二叉树的最后一层识别结果对应的布料类别作为待识别布料的布料类别。
本发明实施例从预设的二叉树中的第1布料识别模型开始,将待识别布料的目标光谱特征数据输入至第j层的第j布料识别模型中,根据第j布料识别模型的识别结果确定第(j+1)层的第(j+1)布料识别模型,直至获取到二叉树最后一层的布料识别模型的识别结果,该识别结果对应的布料类别即为待识别布料的布料类别。通过上述方式,本发明实施例可以实现自动识别布料类别,相较于传统的布料分析方法,本发明实施例可以直接通过二叉树得到待识别布料的布料类别,节省了布料识别的成本。当布料类别较多时,本发明实施例只需要在二叉树的每一层选择一个布料识别模型就可以确定待识别布料的类别,不需要对二叉树中每一个布料识别模型均进行验证,从而节省了布料类别识别的时间。此外,本发明实施例中的布料识别模型是预先训练得到的,布料识别模型中的参数包含了各类别的光谱特征数据的特征,因此,根据该布料识别模型能够准确识别布料类别。本发明实施例中的一种布料类别用于表征布料在至少两个维度上的属性,因此,当本发明实施例应用在智能洗衣机上时,可以对布料进行多维度的识别,例如,一种布料类别可以包含布料的材质、颜色和污渍等多维度的属性组合,从而可以为智能洗衣机提供更加合理的洗衣策略。
图4示出了本发明另一个实施例的一种识别布料类别的方法的流程图。如图4所示,该方法包括以下步骤:
步骤210:将M个布料类别中的任意两个布料类别两两进行组合,以得到多个布料类别组合。
在本步骤中,各布料类别组合中至多存在一个不同的布料类别。将M个布料类别中的任意两个布料类别两两进行组合共得到M*(M-1)/2个布料类别组合。
步骤220:获取第一布料类别组合中的两个布料类别各自对应的多个样本光谱特征数据,并对各样本光谱特征数据进行标识,以得到各样本光谱特征数据的布料标识信息。
在本步骤中,第一布料类别组合为多个布料类别组合中的任一布料类别组合。在对各样本光谱特征数据进行标识时,同一种布料类别对应的样本光谱特征数据的布料标识信息相同,不同种布料类别对应的样本光谱特征数据的布料标识信息不同。本发明实施例并不限定布料标识信息的具体形式。例如,对于两种布料类别分别使用1和-1进行标识。
步骤230:构建第一布料类别组合对应的二分类模型。
在本步骤中,当第一布料类别组合中的两个布料类别对应的布料标识信息互为相反数时,构建的二分类模型为f(x)=sign(w*x+b),该二分类模型满足:
其中,sign表示符号函数,w=(w1,w2...wm)表示光谱特征数据在各维度上的权重,m为光谱特征数据的维度数量,b表示偏置参数;s.t表示约束条件,yi表示第i个训练样本对应的布料标识信息,xi=(xi1,xi2...xim)表示第i个训练样本对应的样本光谱特征数据,N表示训练样本的总数。
在另外一些实施例中,二分类模型f(x)=sign(w*x+b)满足:
其中,εi表示第i个训练样本对应的松弛变量,松弛变量用于表示对应的训练样本允许被错误分类的程度,通过设置松弛变量,各训练样本允许被错误分类,而被错误分类的训练样本很有可能是噪声样本。因此,通过设置松弛变量的方式减少了噪声干扰。
步骤240:将各样本光谱特征数据以及所述各样本光谱特征数据的布料标识信息作为训练样本,训练所述二分类模型,得到所述第一布料类别组合对应的布料识别模型。
在本步骤中,将各样本光谱特征数据映射到高维空间,得到映射模型。即,通过一个非线性映射z=φ(x)将各样本光谱特征数据映射到高维空间,得到二分类模型对应的映射模型。以带有松弛变量的二分类模型为例,得到的映射模型为:f(z)=sign(w*z+b),该映射模型满足:
其中,z的维度远大于样本光谱特征数据x的维度。非线性映射z=φ(x)的具体形式不需要限定,在应用该非线性映射训练二分类模型的过程中,通过核函数实现非线性映射的功能。具体的,根据核函数的性质,在高维空间中的内积运算与低维空间中的某个函数相等。即K<xi,xj>=<zi,zj>,其中,K表示核函数,<zi,zj>表示第i个样本光谱特征数据对应的高维空间的样本光谱特征数据与第i个样本光谱特征数据对应的高维空间的样本光谱特征数据的内积。本发明实施例并不限定核函数的具体类别。例如,核函数可以是线性核函数、径向基核函数(即高斯核函数)等。
通过拉格朗日乘子法将上述映射模型转换为映射模型的对偶模型。为了得到对偶模型,首先将映射模型转化为无约束条件的无约束函数。以带有松弛变量的二分类模型为例,转换后的无约束函数为:
其中,αi和βi分别表示第i个样本光谱特征数据和第j个样本光谱特征数据对应的拉格朗日乘子。
根据拉格朗日对偶性,得到无约束函数对应的对偶函数,该对偶函数为映射模型的对偶模型。对偶函数的解即为原二分类模型的解。上述无约束函数对应的对偶函数为:
首先通过序列最小化优化算法(sequential minimal optimization,SMO)求解上述对偶函数中的最小化问题。每次选择一对拉格朗日乘子αi和αj来优化,从而得到拉格朗日向量α=(α1,α2...αN)。具体计算过程如下:
令q(z)分别对w、b和εi求导数,并令相应的倒数为0,得到:
即/>
将上述三个导数式代入q(z)的表达式中,从而得到:
通过上式求得αi,进而得到拉格朗日向量α=(α1,α2...αN)。其中,在计算zi和zj的内积时,利用核函数将其转换为xi和xj的内积。然后根据导数式得到权重w的值,通过二分类模型中的边界wx+b=0得到偏置参数b的值。
将权重w的值和偏置参数b的值代入二分类模型中,得到第一布料类别组合对应的布料识别模型。
步骤250:将多个布料类别组合中的各布料类别组合对应的布料识别模型作为二叉树中的布料识别模型。
在本步骤中,各布料类别组合对应的布料识别模型的训练方法与第一布料类别组合对应的布料识别模型的训练方法相同。参照步骤240中第一布料类别组合的方法可以得到各布料类别组合对应的布料识别模型。
本发明实施例通过第一布料类别组合中的多个目标布料样本训练得到第一布料类别组合对应的布料识别模型,由于得到的布料识别模型中包含了第一布料类别组合中的两个布料类别的多个特征,因此,得到的布料识别模型在识别待识别布料时的准确性更高。将多个布料类别组合中的各布料类别组合对应的布料识别模型作为二叉树中的布料识别模型,从而便于通过二叉树确定待识别布料的布料类别,提高布料识别的效率。
在一些实施例中,在步骤210之前,获取M个布料类别中各布料类别各自对应的光谱特征数据,得到M个布料类别对应的多个光谱特征数据。计算M个布料类别对应的多个光谱特征数据在各维度的光谱特征数据的样本均值及样本标准差,根据样本均值及样本标准差对各布料类别对应的光谱特征数据进行归一化,得到各布料类别各自对应的样本光谱特征数据。归一化的方法是各光谱特征数据在各维度的吸光度减去各维度的样本均值,然后除以该维度的样本标准差。通过上述方式,减少了各维度的光谱特征数据之间的数量级差异,从而使得到的布料识别模型的识别准确性更高。
需要说明的是,上述M个布料类别中的一个布料类别对应的光谱特征数据可以有一组或多组。为了能够更准确地确定样本均值和样本标准差,对于M个布料类别中的一个布料类别,可以通过步骤110描述的光谱特征数据采集方式对属于该布料类别(指M个布料类别中的任一布料类别)的多个布料分别进行光谱特征数据采集,获得多组光谱特征数据作为该布料类别对应的多组光谱特征数据。
应理解,上述各维度指的是在采集光谱特征数据时,使用的近红外光的发射波长,维度数量等于分光确定的发射波长的数量。在确定一个维度的样本均值和样本标准差时,是分别从各光谱特征数据中将该维度(指一组光谱特征数据对应的多个维度中的任一维度)对应的吸光度提取出来,求取平均值和标准差,从而得到一个维度的样本均值和样本标准差。对于其中一组光谱特征数据中的一个吸光度的归一化,是指将该吸光度减去与该吸光度属于同一维度的样本均值后,除以与该吸光度属于同一维度的样本标准差。
同样的,在识别待识别布料时,对待识别布料的光谱特征数据进行归一化。将待识别布料的目标光谱特征数据在各维度的吸光度减去该维度的样本均值,然后除以该维度的样本标准差得到待识别布料的目标光谱特征数据。
图5示出了本发明实施例的一种识别布料类别的装置的结构框图。如图5所示,该装置包括:第一获取模块310、第二获取模块320、第一确定模块330和第二确定模块340。
第一获取模块310用于获取待识别布料的目标光谱特征数据。
第二获取模块320用于从预设的二叉树中的第1布料识别模型开始,将所述目标光谱特征数据输入至第j布料识别模型中,以获取所述二叉树的第j层识别结果,其中,所述二叉树包括M*(M-1)/2个布料识别模型,所述二叉树中的第j层的一个布料识别模型与所述二叉树中的第(j+1)层的两个布料类别识别模型相连接;所述二叉树的第j层包括j个预先训练得到的布料识别模型,一个布料识别模型用于识别两种不同布料类别,一种布料类别用于表征布料在至少两个维度上的属性;j为正整数,M为可识别的布料类别的总数。
第一确定模块330用于用于根据所述第j层识别结果,在第(j+1)层与所述第j布料识别模型连接的第一布料识别模型和第二识别模型中,确定第(j+1)布料识别模型,并将所述目标光谱特征数据输入至所述第(j+1)布料识别模型中,以获取所述二叉树的第(j+1)层识别结果,直至获取到所述二叉树的最后一层识别结果;其中,所述第j布料识别模型用于识别第一布料类别和第二布料类别,所述第一布料识别模型用于识别所述第一布料类别和第三布料类别,所述第二布料识别模型用于识别所述第二布料类别和第四布料类别。
第二确定模块340用于将所述二叉树的最后一层识别结果对应的布料类别作为所述待识别布料的布料类别。
在一种可选的方式中,第一确定模块330进一步用于:
若所述第j层识别结果对应的布料类别为所述第一布料类别,则将所述第一布料识别模型确定为所述第(j+1)布料识别模型;
若所述第j层识别结果对应的布料类别为所述第二布料类别,则将所述第二布料识别模型确定为所述第(j+1)布料识别模型。
在一种可选的方式中,上述装置还包括:组合模块350、第三获取模块360、标识模块370、构建模块380、训练模块390和第三确定模块300。
组合模块350,用于将M个布料类别中的任意两个布料类别两两进行组合,以得到多个布料类别组合。
第三获取模块360,用于获取第一布料类别组合中的两个布料类别各自对应的多个样本光谱特征数据。
标识模块370,用于对各样本光谱特征数据进行标识,以得到所述各样本光谱特征数据的布料标识信息,所述第一布料类别组合为所述多个布料类别组合中的任一布料类别组合,其中,同一布料类别对应的样本光谱特征数据的布料标识信息相同,不同布料类别对应的样本光谱特征数据的布料标识信息不同。
构建模块380,用于构建所述第一布料类别组合对应的二分类模型。
训练模块390,用于将所述各样本光谱特征数据以及所述各样本光谱特征数据的布料标识信息作为训练样本,训练所述二分类模型,得到所述第一布料类别组合对应的布料识别模型。
第三确定模块300,用于将所述多个布料类别组合中的各布料类别组合对应的布料识别模型作为所述二叉树的布料识别模型。
在一些实施例中,所述第一布料类别组合中的两个布料类别对应的布料标识信息互为相反数,构建模块380构建的二分类模型为:
f(x)=sign(w*x+b),且满足:
其中,sign表示符号函数,w=(w1,w2...wm)表示光谱特征数据在各维度上的权重,m为光谱特征数据的维度数量,b表示偏置参数;s.t表示约束条件,yi表示第i个训练样本对应的布料标识信息,xi=(xi1,xi2...xim)表示所述第i个训练样本对应的样本光谱特征数据,N表示训练样本的总数。
在一些实施例中,第一布料类别组合中的两个布料类别对应的布料标识信息互为相反数;构建模块380构建的二分类模型为:f(x)=sign(w*x+b),该二分类模型满足:
其中,sign表示符号函数,w=(w1,w2...wm)表示光谱特征数据在各维度上的权重,m为光谱特征数据的维度数量,b表示偏置参数;s.t表示约束条件,yi表示第i个训练样本的布料标识信息,εi表示第i个训练样本对应的松弛变量,xi=(xi1,xi2...xim)表示第i个训练样本对应的样本光谱特征数据,N表示训练样本的总数。
在一些实施例中,训练模块390进一步用于:
将所述各样本光谱特征数据映射至高维空间,得到所述二分类模型对应的映射模型;
根据拉格朗日乘子法得到所述映射模型的对偶模型;
根据所述各样本光谱特征数据以及所述各样本光谱特征数据的布料标识信息,通过序列最小优化算法对所述对偶模型进行训练,得到所述权重和偏置参数的值;
将所述权重和所述偏置参数的值代入所述二分类模型,得到所述第一布料类别组合对应的布料识别模型。
在一些实施例中,上述装置还包括第四获取模块301、计算模块302和归一化模块303。第四获取模块301用于获取所述M个布料类别中的各布料类别各自对应的光谱特征数据,以得到所述M个布料类别对应的多个光谱特征数据。计算模块302用于计算所述M个布料类别对应的多个光谱特征数据在各维度的光谱特征数据的样本均值及样本标准差。归一化模块303用于根据所述样本均值及所述样本标准差对所述各布料类别对应的光谱特征数据进行归一化,得到所述各布料类别各自对应的样本光谱特征数据。
在一些实施例中,归一化模块303还用于根据所述样本均值及所述样本标准差对所述待识别布料对应的光谱特征数据进行归一化,得到所述待识别布料的目标光谱特征数据。
本发明实施例从预设的二叉树中的第1布料识别模型开始,将待识别布料的目标光谱特征数据输入至第j层的第j布料识别模型中,根据第j布料识别模型的识别结果确定第j+1层的第j+1布料识别模型,直至获取到二叉树最后一层的布料识别模型的识别结果,该识别结果对应的布料类别即为待识别布料的布料类别。通过上述方式,本发明实施例可以实现自动识别布料类别,相较于传统的布料分析方法,本发明实施例可以直接通过二叉树得到待识别布料的布料类别,节省了布料识别的成本。当布料类别较多时,本发明实施例只需要在二叉树的每一层选择一个布料识别模型就可以确定待识别布料的类别,不需要对二叉树中每一个布料识别模型均进行验证,从而节省了布料类别识别的时间。此外,本发明实施例中的布料识别模型是预先训练得到的,布料识别模型中的参数包含了各类别的光谱特征数据的特征,因此,根据该布料识别模型能够准确识别布料类别。本发明实施例中的一种布料类别用于表征布料在至少两个维度上的属性,因此,当本发明实施例应用在智能洗衣机上时,可以对布料进行多维度的识别,例如,一种布料类别可以包含布料的材质、颜色和污渍等多维度的属性组合,从而可以为智能洗衣机提供更加合理的洗衣策略。
图6示出了本发明实施例的一种计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图6所示,该计算设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中:处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。处理器402,用于执行程序410,具体可以执行上述用于识别布料类别的方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机可执行指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以被处理器402调用使计算设备执行图1中的步骤110~步骤140,图4中的步骤210~步骤250,以及实现图5中的模块310~模块303的功能。
本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有至少一可执行指令,该可执行指令在计算设备/装置上运行时,使得所述计算设备/装置执行上述任意方法实施例中的识别布料类别的方法。
本发明实施例提供了一种计算机程序,所述计算机程序可被处理器调用使计算设备执行上述任意方法实施例中的识别布料类别的方法。
本发明实施例提供了一种计算机程序产品,计算机程序产品包括存储在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,当程序指令在计算机上运行时,使得所述计算机执行上述任意方法实施例中的识别布料类别的方法。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种识别布料类别的方法,其特征在于,所述方法包括:
获取待识别布料的目标光谱特征数据;
从预设的二叉树中的第1布料识别模型开始,将所述目标光谱特征数据输入至第j布料识别模型中,以获取所述二叉树的第j层识别结果,其中,所述二叉树包括M*(M-1)/2个布料识别模型,所述二叉树中的第j层的一个布料识别模型与所述二叉树中的第(j+1)层的两个布料类别识别模型相连接;所述二叉树的第j层包括j个预先训练得到的布料识别模型,一个布料识别模型用于识别两种不同布料类别,一种布料类别用于表征布料在至少两个维度上的属性;j为正整数,M为可识别的布料类别的总数;
根据所述第j层识别结果,在第(j+1)层与所述第j布料识别模型连接的第一布料识别模型和第二识别模型中,确定第(j+1)布料识别模型,并将所述目标光谱特征数据输入至所述第(j+1)布料识别模型中,以获取所述二叉树的第(j+1)层识别结果,直至获取到所述二叉树的最后一层识别结果;其中,所述第j布料识别模型用于识别第一布料类别和第二布料类别,所述第一布料识别模型用于识别所述第一布料类别和第三布料类别,所述第二布料识别模型用于识别所述第二布料类别和第四布料类别;
将所述二叉树的最后一层识别结果对应的布料类别作为所述待识别布料的布料类别。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第j层识别结果,在第(j+1)层与所述第j布料识别模型连接的第一布料识别模型和第二识别模型中,确定第(j+1)布料识别模型,包括:
若所述第j层识别结果对应的布料类别为所述第一布料类别,则将所述第一布料识别模型确定为所述第(j+1)布料识别模型;
若所述第j层识别结果对应的布料类别为所述第二布料类别,则将所述第二布料识别模型确定为所述第(j+1)布料识别模型。
3.根据权利要求1或2所述的方法,其特征在于,所述获取待识别布料的目标光谱特征数据之前,还包括:
将M个布料类别中的任意两个布料类别两两进行组合,以得到多个布料类别组合;
获取第一布料类别组合中的两个布料类别各自对应的多个样本光谱特征数据,并对各样本光谱特征数据进行标识,以得到所述各样本光谱特征数据的布料标识信息,所述第一布料类别组合为所述多个布料类别组合中的任一布料类别组合,其中,同一布料类别对应的样本光谱特征数据的布料标识信息相同,不同布料类别对应的样本光谱特征数据的布料标识信息不同;
构建所述第一布料类别组合对应的二分类模型;
将所述各样本光谱特征数据以及所述各样本光谱特征数据的布料标识信息作为训练样本,训练所述二分类模型,得到所述第一布料类别组合对应的布料识别模型;
将所述多个布料类别组合中的各布料类别组合对应的布料识别模型作为所述二叉树中的布料识别模型。
4.根据权利要求3所述的方法,其特征在于,所述第一布料类别组合中的两个布料类别对应的布料标识信息互为相反数;
所述二分类模型为:
f(x)=sign(w*x+b),且满足:
s.tyi(w*xi+b)≥1,/>
其中,sign表示符号函数,w=(w1,w2...wm)表示光谱特征数据在各维度上的权重,m为光谱特征数据的维度数量,b表示偏置参数;s.t表示约束条件,yi表示第i个训练样本对应的布料标识信息,xi=(xi1,xi2...xim)表示所述第i个训练样本对应的样本光谱特征数据,N表示训练样本的总数。
5.根据权利要求3所述的方法,其特征在于,所述第一布料类别组合中的两个布料类别对应的布料标识信息互为相反数;
所述二分类模型为:
f(x)=sign(w*x+b),且满足:
s.tyi(w*xi+b)≥1-εi,/>
其中,sign表示符号函数,w=(w1,w2...wm)表示光谱特征数据在各维度上的权重,m为光谱特征数据的维度数量,b表示偏置参数;s.t表示约束条件,yi表示第i个训练样本的布料标识信息,εi表示第i个训练样本对应的松弛变量,xi=(xi1,xi2...xim)表示第i个训练样本对应的样本光谱特征数据,N表示训练样本的总数。
6.根据权利要求4或5所述的方法,其特征在于,所述将所述各样本光谱特征数据以及所述各样本光谱特征数据的布料标识信息作为训练样本,训练所述二分类模型,得到所述第一布料类别组合对应的布料识别模型,包括:
将所述各样本光谱特征数据映射至高维空间,得到所述二分类模型对应的映射模型;
根据拉格朗日乘子法得到所述映射模型的对偶模型;
根据所述各样本光谱特征数据以及所述各样本光谱特征数据的布料标识信息,通过序列最小优化算法对所述对偶模型进行训练,得到所述权重和偏置参数的值;
将所述权重和所述偏置参数的值代入所述二分类模型,得到所述第一布料类别组合对应的布料识别模型。
7.根据权利要求3所述的方法,其特征在于,所述获取第一布料类别组合中的两个布料类别各自对应的多个样本光谱特征数据之前,还包括:
获取所述M个布料类别中的各布料类别各自对应的光谱特征数据,以得到所述M个布料类别对应的多个光谱特征数据;
计算所述M个布料类别对应的多个光谱特征数据在各维度的光谱特征数据的样本均值及样本标准差;
根据所述样本均值及所述样本标准差对所述各布料类别对应的光谱特征数据进行归一化,得到所述各布料类别各自对应的样本光谱特征数据。
8.根据权利要求7所述方法,其特征在于,所述获取待识别布料的目标光谱特征数据,包括:
根据所述样本均值及所述样本标准差对所述待识别布料对应的光谱特征数据进行归一化,得到所述待识别布料的目标光谱特征数据。
9.一种识别布料类别的装置,其特征在于,所述装置包括:
第一获取模块,用于获取待识别布料的目标光谱特征数据;
第二获取模块,用于从预设的二叉树中的第1布料识别模型开始,将所述目标光谱特征数据输入至第j布料识别模型中,以获取所述二叉树的第j层识别结果,其中,所述二叉树包括M*(M-1)/2个布料识别模型,所述二叉树中的第j层的一个布料识别模型与所述二叉树中的第(j+1)层的两个布料类别识别模型相连接;所述二叉树的第j层包括j个预先训练得到的布料识别模型,一个布料识别模型用于识别两种不同布料类别,一种布料类别用于表征布料在至少两个维度上的属性;j为正整数,M为可识别的布料类别的总数;
第一确定模块,用于根据所述第j层识别结果,在第(j+1)层与所述第j布料识别模型连接的第一布料识别模型和第二识别模型中,确定第(j+1)布料识别模型,并将所述目标光谱特征数据输入至所述第(j+1)布料识别模型中,以获取所述二叉树的第(j+1)层识别结果,直至获取到所述二叉树的最后一层识别结果;其中,所述第j布料识别模型用于识别第一布料类别和第二布料类别,所述第一布料识别模型用于识别所述第一布料类别和第三布料类别,所述第二布料识别模型用于识别所述第二布料类别和第四布料类别;
第二确定模块,用于将所述二叉树的最后一层识别结果对应的布料类别作为所述待识别布料的布料类别。
10.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-8任意一项所述的一种识别布料类别的方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010275421.0A CN111488929B (zh) | 2020-04-09 | 2020-04-09 | 识别布料类别的方法、装置、计算设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010275421.0A CN111488929B (zh) | 2020-04-09 | 2020-04-09 | 识别布料类别的方法、装置、计算设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111488929A CN111488929A (zh) | 2020-08-04 |
CN111488929B true CN111488929B (zh) | 2023-08-29 |
Family
ID=71794593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010275421.0A Active CN111488929B (zh) | 2020-04-09 | 2020-04-09 | 识别布料类别的方法、装置、计算设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111488929B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631474A (zh) * | 2015-12-26 | 2016-06-01 | 哈尔滨工业大学 | 基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法 |
CN106483083A (zh) * | 2015-08-26 | 2017-03-08 | 唯亚威通讯技术有限公司 | 使用光谱学的识别 |
CN110738246A (zh) * | 2019-09-29 | 2020-01-31 | 深圳和而泰家居在线网络科技有限公司 | 产品分类方法、装置、计算设备及计算机存储介质 |
CN110879953A (zh) * | 2018-09-06 | 2020-03-13 | 华南农业大学 | 植物类别识别方法及系统 |
CN110889420A (zh) * | 2018-09-07 | 2020-03-17 | 华南农业大学 | 植物类别识别方法及系统 |
-
2020
- 2020-04-09 CN CN202010275421.0A patent/CN111488929B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106483083A (zh) * | 2015-08-26 | 2017-03-08 | 唯亚威通讯技术有限公司 | 使用光谱学的识别 |
CN105631474A (zh) * | 2015-12-26 | 2016-06-01 | 哈尔滨工业大学 | 基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法 |
CN110879953A (zh) * | 2018-09-06 | 2020-03-13 | 华南农业大学 | 植物类别识别方法及系统 |
CN110889420A (zh) * | 2018-09-07 | 2020-03-17 | 华南农业大学 | 植物类别识别方法及系统 |
CN110738246A (zh) * | 2019-09-29 | 2020-01-31 | 深圳和而泰家居在线网络科技有限公司 | 产品分类方法、装置、计算设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111488929A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | An automated system for cucumber leaf diseased spot detection and classification using improved saliency method and deep features selection | |
Zamani et al. | [Retracted] Performance of Machine Learning and Image Processing in Plant Leaf Disease Detection | |
Rymarczyk et al. | Interpretable image classification with differentiable prototypes assignment | |
CN109142317A (zh) | 一种基于随机森林模型的拉曼光谱物质识别方法 | |
Jiang et al. | mRMR-based feature selection for classification of cotton foreign matter using hyperspectral imaging | |
CN112613536A (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
CN113542241B (zh) | 一种基于CNN-BiGRU混合模型的入侵检测方法及装置 | |
Chawathe | Rice disease detection by image analysis | |
CN110163101A (zh) | 中药材种子区别及等级快速判别方法 | |
Li et al. | A novel hyperspectral imaging and modeling method for the component identification of woven fabrics | |
CN110738246B (zh) | 产品分类方法、装置、计算设备及计算机存储介质 | |
Naveena et al. | Image retrieval using combination of color, texture and shape descriptor | |
Martins et al. | A hermite polynomial algorithm for detection of lesions in lymphoma images | |
CN111488929B (zh) | 识别布料类别的方法、装置、计算设备及计算机存储介质 | |
CN113408616B (zh) | 基于pca-uve-elm的光谱分类方法 | |
Bykov et al. | Labeling neural representations with inverse recognition | |
Yu et al. | Accelerated adaptive feature balance technique based on temd for hyperspectral classification | |
Vyas et al. | Smartphone based iris recognition through optimized textural representation | |
CN110646350B (zh) | 产品分类方法、装置、计算设备及计算机存储介质 | |
Lv et al. | Hyperspectral Imaging Based Nonwoven Fabric Defect Detection Method Using LL-YOLOv5 | |
Sawlani et al. | Fast attributed graph embedding via density of states | |
Sai et al. | Comparative Analysis of Machine Learning Algorithms for Disease Detection in Apple Leaves | |
Hou et al. | FMRSS Net: Fast Matrix Representation‐Based Spectral‐Spatial Feature Learning Convolutional Neural Network for Hyperspectral Image Classification | |
Tian et al. | Recognition Method of Corn and Rice Crop Growth State Based on Computer Image Processing Technology | |
Wu et al. | Big data analytics: an improved method for large-scale fabrics detection based on feature importance analysis from cascaded representation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |