CN111783799A - 一种配置信息获得方法、装置、电子设备及存储介质 - Google Patents
一种配置信息获得方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111783799A CN111783799A CN202010624710.7A CN202010624710A CN111783799A CN 111783799 A CN111783799 A CN 111783799A CN 202010624710 A CN202010624710 A CN 202010624710A CN 111783799 A CN111783799 A CN 111783799A
- Authority
- CN
- China
- Prior art keywords
- image
- configuration information
- ready
- key points
- finished
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 84
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims description 112
- 238000001514 detection method Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000002452 interceptive effect Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 31
- 230000006870 function Effects 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 6
- 238000009877 rendering Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 5
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 208000018747 cerebellar ataxia with neuropathy and bilateral vestibular areflexia syndrome Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010409 ironing Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000009958 sewing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Abstract
本申请提供一种配置信息获得方法、装置、电子设备及存储介质,用于改善获得的配置信息正确率不高的问题。该方法包括:获得成衣图像,成衣图像为包括成品衣服的图像;从成衣图像中检测出成品衣服的多个关键点,多个关键点表征成品衣服的形状款式;响应于针对多个关键点中的至少一个关键点的交互操作指令,获得至少一个测量项,交互操作指令用于确定至少一个关键点的测量项的类型,测量项表征多个关键点之间的几何关系;根据多个关键点和至少一个测量项生成成品衣服的配置信息,配置信息表征关键点与测量项的映射关系。
Description
技术领域
本申请涉及计算机数据处理的技术领域,具体而言,涉及一种配置信息获得方法、装置、电子设备及存储介质。
背景技术
成衣(Garments),指按一定规格、号型标准批量生产的成品衣服,是相对于量体裁衣式的订做和自制的衣服而出现的一个概念;成衣作为工业产品,符合批量生产的经济原则:生产机械化、产品规模系列化、质量标准化和包装统一化,并附有品牌、面料成分、号型、洗涤保养说明等标识。
成衣质检,是指对成衣的质量进行检测,由于成衣款式的种类繁多,测量标准和测量项存在着较大差异,因此,成衣质检的具体方法也很多,但成衣质检的内容都大致相同,具体地例如:检测成衣的各个部份尺寸是否在合格范围内。
目前的成衣质检主要是基于人工观察和手动测量的方式,当设计工程师设计完一件新款式时,需要制定出该新款式的配置信息,以使所有质检工程师均以该配置信息作为质检标准对成衣进行质检,然而在具体的实践过程中发现,基于人工观察和手动测量的方式获得的配置信息容易出现许多未知错误,也就是说,使用基于人工观察和手动测量的方式获得的配置信息正确率不高。
发明内容
本申请实施例的目的在于提供一种配置信息获得方法、装置、电子设备及存储介质,用于改善获得的配置信息正确率不高的问题。
本申请实施例提供了一种配置信息获得方法,应用于电子设备,包括:获得成衣图像,成衣图像为包括成品衣服的图像;从成衣图像中检测出成品衣服的多个关键点,多个关键点表征成品衣服的形状款式;响应于针对多个关键点中的至少一个关键点的交互操作指令,获得至少一个测量项,交互操作指令用于确定至少一个关键点的测量项的类型,测量项表征多个关键点之间的几何关系;根据多个关键点和至少一个测量项生成成品衣服的配置信息,配置信息表征关键点与测量项的映射关系。在上述的实现过程中,通过使用电子设备识别图像中的成衣的多个关键点,并获得表征多个关键点之间的几何关系的测量项,再根据多个关键点和测量项生成成品衣服的配置信息;也就是说,通过电子设备执行根据成衣的关键点和测量项来获得成品衣服的配置信息,有效地减少了人工填写配置信息的错误,从而提高了获得配置信息的正确率。
可选地,在本申请实施例中,在根据多个关键点和至少一个测量项生成成品衣服的配置信息之后,还包括:获得待质检图像,待质检图像为包括待质检成衣的图像;从待质检图像中检测出待质检成衣的多个候选点;根据多个候选点和配置信息确定待质检图像中的待质检成衣的质检结果,质检结果表征待质检成衣是否通过质检。在上述的实现过程中,通过获得待质检图像,待质检图像为包括待质检成衣的图像;从待质检图像中检测出待质检成衣的多个候选点;根据多个候选点和配置信息确定待质检图像中的待质检成衣的质检结果,质检结果表征待质检成衣是否通过质检;也就是说,使用电子设备通过自动检查配置信息是否正确来判断是否通过质检,避免数据异常情况的发生,从而有效地提高了成品衣服的质检效率和生产效率。
可选地,在本申请实施例中,根据多个候选点和配置信息确定待质检图像中的待质检成衣的质检结果,包括:判断配置信息中的多个关键点和多个候选点是否匹配;若是,则确定待质检图像中的待质检成衣的质检结果为通过;若否,则确定待质检图像中的待质检成衣的质检结果为没有通过。在上述的实现过程中,通过判断配置信息中的多个关键点和多个候选点是否匹配;若是,则确定待质检图像中的待质检成衣的质检结果为通过;若否,则确定待质检图像中的待质检成衣的质检结果为没有通过;从而有效地提高了获得待质检图像中的待质检成衣的质检结果的速度。
可选地,在本申请实施例中,根据多个候选点和配置信息确定待质检图像中的待质检成衣的质检结果,包括:若配置信息中的多个关键点和多个候选点匹配,且配置信息中的所有测量项均检测通过,则确定待质检图像中的待质检成衣的质检结果为通过。在上述的实现过程中,通过若配置信息中的多个关键点和多个候选点匹配,且配置信息中的所有测量项均检测通过,则确定待质检图像中的待质检成衣的质检结果为通过;从而有效地提高了获得待质检图像中的待质检成衣的质检结果的速度。
可选地,在本申请实施例中,从成衣图像中检测出成品衣服的多个关键点,包括:使用预先训练的关键点检测模型从成衣图像中检测出成品衣服的多个关键点,关键点检测模型是以包括物体对象的图像为训练数据,以物体对象的关键点为训练标签,对神经网络进行训练,获得的神经网络模型;或者使用关键点检测算法从成衣图像中检测出成品衣服的多个关键点。在上述的实现过程中,通过使用预先训练的关键点检测模型从成衣图像中检测出成品衣服的多个关键点,关键点检测模型是以包括物体对象的图像为训练数据,以物体对象的关键点为训练标签,对神经网络进行训练,获得的神经网络模型;或者使用关键点检测算法从成衣图像中检测出成品衣服的多个关键点;从而有效地提高了获得成品衣服的多个关键点的速度。
可选地,在本申请实施例中,在根据多个关键点和至少一个测量项生成成品衣服的配置信息之后,还包括:将配置信息存储在电子设备的数据库中;或者根据配置信息生成配置文件,并将配置文件存储在文件系统中。在上述的实现过程中,通过将配置信息存储在电子设备的数据库中;或者根据配置信息生成配置文件,并将配置文件存储在文件系统中;从而让配置信息能够被其它电子设备使用,以使对成品衣服的质检标准一致,减少了错误发生的概率。
可选地,在本申请实施例中,获得成衣图像,包括:接收终端设备发送的成衣图像;响应于针对多个关键点中的至少一个关键点的交互操作指令,包括;电子设备响应于终端设备发送的针对多个关键点中的至少一个关键点的交互操作指令;在根据多个关键点和至少一个测量项生成成品衣服的配置信息之后,还包括:向终端设备发送配置信息。在上述的实现过程中,通过接收终端设备发送的成衣图像;在根据多个关键点和至少一个测量项生成成品衣服的配置信息之后,电子设备响应于终端设备发送的针对多个关键点中的至少一个关键点的交互操作指令,向终端设备发送配置信息;从而有效地提高了终端设备获得配置信息的速度。
本申请实施例还提供了一种配置信息获得装置,应用于电子设备,包括:成衣图像获得模块,用于获得成衣图像,成衣图像为包括成品衣服的图像;关键点检测模块,用于从成衣图像中检测出成品衣服的多个关键点,多个关键点表征成品衣服的形状款式;测量项获得模块,用于响应于针对多个关键点中的至少一个关键点的交互操作指令,获得至少一个测量项,交互操作指令用于确定至少一个关键点的测量项的类型,测量项表征多个关键点之间的几何关系;配置信息生成模块,用于根据多个关键点和至少一个测量项生成成品衣服的配置信息,配置信息表征关键点与测量项的映射关系。
可选地,在本申请实施例中,配置信息获得装置,还包括:质检图像获得模块,用于获得待质检图像,待质检图像为包括待质检成衣的图像;候选点检测模块,用于从待质检图像中检测出待质检成衣的多个候选点;质检结果确定模块,用于根据多个候选点和配置信息确定待质检图像中的待质检成衣的质检结果,质检结果表征待质检成衣是否通过质检。
可选地,在本申请实施例中,质检结果确定模块,包括:匹配判断模块,用于判断配置信息中的多个关键点和多个候选点是否匹配;结果确定通过模块,用于若配置信息中的多个关键点和多个候选点匹配,则确定待质检图像中的待质检成衣的质检结果为通过;确定没有通过模块,用于若配置信息中的多个关键点和多个候选点不匹配,则确定待质检图像中的待质检成衣的质检结果为没有通过。
可选地,在本申请实施例中,质检结果确定模块,包括:确定质检通过模块,用于若配置信息中的多个关键点和多个候选点匹配,且配置信息中的所有测量项均检测通过,则确定待质检图像中的待质检成衣的质检结果为通过。
可选地,在本申请实施例中,关键点检测模块,包括:第一获得模块,用于使用预先训练的关键点检测模型从成衣图像中检测出成品衣服的多个关键点,关键点检测模型是以包括物体对象的图像为训练数据,以物体对象的关键点为训练标签,对神经网络进行训练,获得的神经网络模型;或者第二获得模块,用于使用关键点检测算法从成衣图像中检测出成品衣服的多个关键点。
可选地,在本申请实施例中,配置信息获得装置,还包括:第一信息存储模块,用于将配置信息存储在电子设备的数据库中;或者第二信息存储模块,用于根据配置信息生成配置文件,并将配置文件存储在文件系统中。
可选地,在本申请实施例中,配置信息装置,还包括成衣图像接收模块,用于接收终端设备发送的成衣图像;操作指令响应模块,用一个电子设备响应于终端设备发送的针对多个关键点中的至少一个关键点的交互操作指令;配置信息发送模块,用于向终端设备发送配置信息。
本申请实施例还提供了一种电子设备,包括:处理器和存储器,存储器存储有处理器可执行的机器可读指令,机器可读指令被处理器执行时执行如上面描述的方法。
本申请实施例还提供了一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上面描述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出的本申请实施例提供的配置信息获得方法的流程示意图;
图2示出的本申请实施例提供的基于GUI软件实现的原理示意图;
图3示出的本申请实施例提供的成品衣服进行质检方法的流程示意图;
图4示出的本申请实施例提供的电子设备和终端设备进行交互的流程示意图;
图5示出的本申请实施例提供的在终端设备编辑成衣款式的流程示意图;
图6示出的本申请实施例提供的配置信息获得装置的结构示意图;
图7示出的本申请实施例提供的电子设备的结构示意图。
具体实施方式
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、完整的描述。
在介绍本申请实施例提供的配置信息获得方法之前,先介绍本申请实施例所涉及的一些概念:
超文本标记语言(HyperText Markup Language,HTML),是标准通用标记语言下的一个应用,也是一种规范,一种标准,它通过标记符号来标记要显示的网页中的各个部分。网页文件本身是一种文本文件,通过在文本文件中添加标记符,可以告诉浏览器如何显示其中的内容(如:文字如何处理,画面如何安排,图片如何显示等)。HTML5是HTML最新的修订版本,2014年10月由万维网联盟完成标准制定。
canvas是HTML5中用于定义图形的标签,例如定义图表和图像,也可以使用脚本语言(例如JavaScript语言)来绘制图形,例如可以使用canvas画一个红色矩形、彩色矩形和几个彩色的文字等。
JavaScript是一种直译式脚本语言,也是一种动态类型、弱类型、基于原型的用户终端脚本语言,内置支持类型;该语言的解释器或者解析器被称为JavaScript引擎,JavaScript是浏览器的一部分,JavaScript是一种广泛用于用户终端的脚本语言,最早是在HTML网页上使用,可以用来给HTML网页增加动态功能。
浏览器,是指访问服务器上的数据的软件工具,这里的浏览器包括:MicrosoftEdge浏览器、Google Chrome浏览器、chromium浏览器、Mozilla Firefox浏览器、Opera浏览器、Safari浏览器和Firefox浏览器等等,浏览器使用的引擎例如:Firefox Driver引擎、Internet Explorer Driver引擎和Chrome Driver引擎等。浏览器引擎是浏览器中很重要的部分,浏览器引擎具有JavaScript渲染的功能;主要用于对网页语法的解释(如标准通用标记语言下的一个应用HTML、JavaScript)并渲染显示网页。
Web应用框架(Web application framework),是一种电脑软件框架,用来支持动态网站、网络应用程序及网络服务的开发;Web应用框架有助于减轻网页开发时共通性活动的工作负荷,例如许多框架提供数据库访问接口、标准模板以及会话管理等,可提升代码的可再用性。
Vue,又被称为Vue.js,是一个用于创建用户界面的开源JavaScript框架,也是一个创建单页应用的Web应用框架;Vue.js是一款流行的JavaScript前端框架,旨在更好地组织与简化Web开发。
Electron(原名为Atom Shell)是GitHub开发的一个开源框架;Electron允许使用Node.js作为后端,以及使用Chromium作为前端,来完成桌面GUI应用程序的开发;一个基础的Electron包含三个文件:package.json(元数据)、main.js(代码)和index.html(图形用户界面);框架由Electron可执行文件(Windows中为electron.exe、macOS中为electron.app、Linux中为electron)提供。
Node.js是能够在服务器端运行JavaScript的开放源代码、跨平台JavaScript运行环境;Node.js采用Google开发的V8运行代码,使用事件驱动、非阻塞和异步输入输出模型等技术来提高性能,可优化应用程序的传输量和规模。
人工神经网络(Artificial Neural Network,ANN),简称神经网络(NeuralNetwork,NN)或类神经网络,在机器学习和认知科学领域,是一种模仿生物神经网络的结构和功能的数学模型或计算模型,用于对函数进行估计或近似;这里的神经网络由大量的人工神经元联结进行计算。
服务器是指通过网络提供计算服务的设备,服务器例如:x86服务器以及非x86服务器,非x86服务器包括:大型机、小型机和UNIX服务器。当然在具体的实施过程中,上述的服务器可以具体选择大型机或者小型机,这里的小型机是指采用精简指令集计算(ReducedInstruction Set Computing,RISC)、单字长定点指令平均执行速度(MillionInstructions Per Second,MIPS)等专用处理器,主要支持UNIX操作系统的封闭且专用的提供计算服务的设备;这里的大型机,又名大型主机,是指使用专用的处理器指令集、操作系统和应用软件来提供计算服务的设备。
需要说明的是,本申请实施例提供的配置信息获得方法可以被电子设备执行,这里的电子设备是指具有执行计算机程序功能的设备终端或者上述的服务器,设备终端例如:智能手机、个人电脑(personal computer,PC)、平板电脑、个人数字助理(personaldigital assistant,PDA)、移动上网设备(mobile Internet device,MID)、网络交换机或网络路由器等。
在介绍本申请实施例提供的配置信息获得方法之前,先介绍该配置信息获得方法适用的应用场景,这里的应用场景包括但不限于:使用该配置信息获得方法获得成衣的款式信息,使用该配置信息获得方法对成品衣服进行质检,以及使用该配置信息获得方法为终端设备提供成衣质检服务等。
请参见图1示出的本申请实施例提供的配置信息获得方法的流程示意图;该配置信息获得方法可以应用于电子设备,该方法可以包括如下步骤:
步骤S110:获得成衣图像,成衣图像为包括成品衣服的图像。
成衣图像,是指包括成品衣服的图像,这里的成品衣服是指对制衣服的原料经过设计、绘制、裁剪、缝合和熨烫等工序后获得的衣服。
上述步骤S110中的成衣图像的获得方式包括:第一种方式,对成品衣服进行拍照获得成衣图像;第二种方式,其他终端设备向电子设备发送成衣图像,然后电子设备从其他终端设备接收成衣图像;第三种方式,使用浏览器等软件获取互联网上的成衣图像,或者使用其它应用程序访问互联网获得成衣图像;第四种方式,获取预先存储的成衣图像,具体例如:从文件系统中获取成衣图像,或者从数据库中获取成衣图像。
步骤S120:从成衣图像中检测出成品衣服的多个关键点。
关键点,是指能够表征成品衣服的形状款式的关键点位,关键点例如可以是衣服的纽扣、肩部的转角点或者花纹的转折处等等;多个关键点表征成品衣服的形状款式。
上述步骤S120中的从成衣图像中检测出成品衣服的多个关键点的实施方式有很多种:
第一种实施方式,可以通过深度学习的方式从成衣图像中检测出成品衣服的多个关键点,具体地,可以使用神经网络模型检测出成品衣服的多个关键点,那么关键点的获得方式可以包括如下步骤:
步骤S121:获得成衣图像和成衣图像对应的关键点图像;
关键点图像,是指图像中包括成品衣服的至少一个关键点的图像;成衣图像和关键点图像是相互对应的,具体例如:对成品衣服进行拍照获得成衣图像,通常可以通过人工判断并在成品衣服上标记关键点,从而获得关键点图像。
上述步骤S121中的成衣图像和关键点图像的获得方式包括:第一种方式,人工对成品衣服进行拍照获得成衣图像,然后人工判断并在成品衣服上标记关键点,即可获得该成衣图像对应的关键点图像;第二种方式,其他终端设备向电子设备发送成衣图像和关键点图像,然后电子设备从其他终端设备接收成衣图像和关键点图像;第三种方式,使用浏览器等软件获取互联网上的成衣图像和关键点图像,或者使用其它应用程序访问互联网获得成衣图像和关键点图像;第四种方式,获取预先存储的成衣图像和关键点图像,从文件系统中获取成衣图像和关键点图像,或者从数据库中获取成衣图像和关键点图像。
步骤S122:以成衣图像为训练数据,以成衣图像对应的关键点图像为训练标签,对神经网络进行训练,获得的关键点检测模型。
关键点检测模型,是指以成衣图像为输入数据,以该成衣图像对应的关键点图像为输出数据的神经网络模型,关键点图像是指包括成品衣服的至少一个关键点的图像;这里的神经网络模型是指使用预设的训练数据对神经网络进行训练后获得的神经网络模型,这里的预设的训练数据可以根据具体实际情况进行设置。
上述步骤S122中的对神经网络进行训练的实施方式例如:以成衣图像为训练数据,以成衣图像对应的关键点图像为训练标签,对卷积神经网络(Convolutional NeuralNetworks,CNN)进行训练,获得的关键点检测模型;这里的卷积神经网络是一种人工神经网络,人工神经网络的人工神经元可以响应周围单元,可以进行大型图像处理;卷积神经网络可以包括卷积层和池化层。卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理;二维卷积神经网络常应用于图像类文本的识别;三维卷积神经网络主要应用于医学图像以及视频类数据识别;具体的卷积神经网络例如:LeNet、AlexNet、VGG、GoogLeNet和ResNet等等。
步骤S123:使用预先训练的关键点检测模型从成衣图像中检测出成品衣服的多个关键点。
上述步骤S123中的使用预先训练的关键点检测模型从成衣图像中检测出成品衣服的多个关键点的实施方式例如:将成衣图像输入至预先训练的关键点检测模型,使用关键点检测模型从该成衣图像中检测出关键点图像,该关键点图像包括成品衣服的多个关键点。
在上述的实现过程中,通过使用预先训练的关键点检测模型从成衣图像中检测出成品衣服的多个关键点,关键点检测模型是以包括物体对象的图像为训练数据,以物体对象的关键点为训练标签,对神经网络进行训练,获得的神经网络模型;或者使用关键点检测算法从成衣图像中检测出成品衣服的多个关键点;从而有效地提高了获得成品衣服的多个关键点的速度。
第二种实施方式,使用关键点检测算法检测出成衣图像中成品衣服的关键点,包括:
步骤S124:使用关键点检测算法从成衣图像中检测出成品衣服的多个关键点。
上述步骤S124中的使用关键点检测算法从成衣图像中检测出成品衣服的多个关键点的实施方式例如:使用关键点检测算法从成衣图像中检测出成品衣服的多个关键点;这里的关键点检测算法具体的可以是CornerNet、CornerNet-Lite和主动形状模型(ActiveShape Model,ASM)等算法,使用这些关键点检测算法对成衣图像进行检测,从而获得成品衣服的多个关键点。
步骤S130:响应于针对多个关键点中的至少一个关键点的交互操作指令,获得至少一个测量项。
交互操作指令,是指确定至少一个关键点的测量项的类型,测量项表征多个关键点之间的几何关系;这里的交互操作指令与关键点的测量项的类型是相互对应的,举例来说:针对三个关键点的交互操作指令的测量项包括:计算三个关键点所围成的三角形的周长、计算该三角形内接圆的周长、计算该三角形内接圆的内接圆心点坐标、计算该三角形外接圆的周长、计算该三角形外接圆的外接圆心点坐标、计算该三角形的重心、计算该三角形的垂心等。
上述步骤S130中的响应于针对多个关键点中的至少一个关键点的交互操作指令的实施方式例如:响应于用户在图形用户界面(Graphical User Interface,GUI)上的操作,接收到针对多个关键点中的至少一个关键点的交互操作指令,根据这些交互操作指令来生成辅助点,再根据这些辅助点来编辑选择或者增加测量项的类型,获得至少一个测量项;针对不同的关键点个数也有不同的测量项的类型,具体例如:针对两点求中点、线上偏移距离点、向量方向与直(曲)线的交点等算子,使用这些算子来生成辅助点,再根据这些辅助点来编辑选择或者增加测量项的类型,从而增加了测量项编辑的灵活性。这里的GUI又称图形用户接口,是指采用图形方式显示的计算机操作用户界面;GUI是一种用户界面,利用图像和其他图形元素,以简化与软件互动的过程,也被视作软件的“所见即所得”。
请参见图2示出的本申请实施例提供的基于GUI软件实现的原理示意图;上述的步骤S130的实施方式还可以通过基于GUI软件实现的方式来实现,具体可以利用Electron和vue搭建一个跨平台的web桌面应用,该桌面应用可以运行在电子设备上,该电子设备可以是在互联网上提供服务的服务器,该桌面应用可以与服务端数据库进行交互,因此,这里的服务端数据库可以是和桌面应用运行于同一个服务器,也可以是运行于不同的服务器。
上述的桌面应用可以接收标注工具保存的关键点数据或者接收神经网络模型推导出来的关键点数据。该桌面应用可以包括两个进程:主进程和渲染进程;其中,主进程可以包括node.js运行时进程和chromium运行时进程,主进程主要用于处理窗口参数和菜单栏功能按钮列表;渲染进程是多个v8引擎的chromium运行程序,在本地node.js服务的支持下,可以在渲染进程web开发中同时使用web Api和node Api进行开发,渲染进程主要包括canvas画布组件,这里的canvas画布组件主要用于监听区域内的事件,从而触发randerAll函数,以实现图形联动,从而完成关键点、候选点和测量项的可视化编辑。
在具体的实践过程中,上述步骤S130中的可视化编辑方法可以使用载体画布(HTML5中的canvas)实现,即通过两个画布(canvas元素)的上下叠加,这里的两个画布包括:底层画布和上层画布,其中,底层画布用于绘制成衣图片,上层画布用于透明绘制关键点和记录位置坐标信息;然后通过鼠标事件完成关键点的控制操作,从而可以通过鼠标拖拽平移,来改变点的颜色等基本功能。具体在编程的过程中,涉及到两个图形类的修改,这两个图像类分别为:关键点图形类和尺寸线图形类;其中,关键点图形类主要用于根据测量关系的类型去计算它的坐标位置,进而去渲染到画布上;具体例如:服装款式图片上关键点的位置坐标点,为了方便操作,可以把位置坐标点画成一个环形圆用来显示,然后渲染到画布上。这里的尺寸线图形类主要用于测量至少两个关键点连线距离,可以选择拟合为曲线、边缘精调等方式,得到尺寸测量结果。
在上述的实践过程中,使用web桌面应用或者应用软件的方式通过图形可视化编辑的方式上成衣的新款式,能够用工具内嵌的算子校验结果,进而在图形上实时渲染出来,让用户明确知道编辑的结果是否正确,能够通保证款式测量项关系与预期一致,避免数据异常情况的发生,实现快速上新,提高了成品衣服的质检效率和生产效率。
步骤S140:根据多个关键点和至少一个测量项生成成品衣服的配置信息。
配置信息,是指表征关键点与测量项的映射关系的信息,使用该配置信息可以获得多个关键点和至少一个测量项,该配置信息可以描述成品衣服的关键点之间的距离范围,也可以描述关键点的位置范围,也可以描述与测量项的映射关系等等;因此,可以将这里的配置信息理解为质检工程师对同一款成品衣物的质检标准信息,以使得质检工程师均按照此质检标准信息来进行质检,具体例如:使用软件加载该配置信息,从配置信息中解析获得多个关键点和至少一个测量项,并将多个关键点和至少一个测量项可视化地展现在质检工程师面前,并自动检查测量项是否符合标准,质检工程师人工检查关键点是否符合标准。
上述步骤S140中的根据多个关键点和至少一个测量项生成成品衣服的配置信息的实施方式例如:使用脚本对象简谱(JavaScript Object Notation,JSON)格式或者可扩展标记语言(eXtensible Markup Language,XML)格式根据多个关键点和至少一个测量项生成成品衣服的配置信息;其中,这里的JSON是一种轻量级的数据交换格式;JSON基于ECMAScript(欧洲计算机协会制定的js规范)的一个子集,JSON采用完全独立于编程语言的文本格式来存储和表示数据;这里的XML是指标准通用标记语言的子集,也是一种用于标记电子文件使其具有结构性的标记语言。
其中,在根据多个关键点和至少一个测量项生成成品衣服的配置信息之后,还可以将配置信息存储在存储介质中,那么配置信息获得方法还可以包括:
步骤S141:将配置信息存储在电子设备的数据库中。
上述步骤S141中的将配置信息存储在电子设备的数据库中的实施方式例如:将配置信息存储在电子设备的数据库中,这里的数据库包括内存数据库、关系型数据库和非关系型数据库:其中,内存数据库是指基于随机存储记忆体(Random Access Memory,RAM)查找的数据集合,特点为读写速度快,因此也被称为缓存数据库;关系型数据库是指采用关系模型来组织数据的数据库,关系型数据库以行和列的形式存储数据,以便于用户理解,关系型数据库这一系列的行和列被称为表;非关系型数据库,又被称为NoSQL(Not Only SQL),意为不仅仅是结构化查询语言(Structured QueryLanguage,SQL),非关系型数据库根据结构化方法以及应用场合的不同,主要分为:面向列式存储、面向文档存储和键值对存储的三种非关系型数据库。
或者将配置信息以配置文件的形式存储在文件系统中,那么配置信息获得方法还可以包括:
步骤S142:根据配置信息生成配置文件,并将配置文件存储在文件系统中。
上述步骤S142中的根据配置信息生成配置文件,并将配置文件存储在文件系统中的实施方式例如:根据配置信息生成配置文件,并将配置文件存储在磁盘文件系统或者星际文件系统(InterPlanetary File System,IPFS)中;这里的磁盘文件系统是指一种设计用来利用数据存储设备来保存计算机文件的文件系统,最常用的数据存储设备是磁盘驱动器,可以直接或者间接地连接到计算机上;具体例如:FAT、exFAT、NTFS、HFS、ext2、ext3和ext4等文件系统格式;这里的IPFS是一个旨在创建持久且分布式存储和共享文件的网络传输协议,IPFS是一种内容可寻址的对等超媒体分发协议;在IPFS网络中的节点将构成一个分布式文件系统。在上述的实现过程中,通过将配置信息存储在电子设备的数据库中;或者根据配置信息生成配置文件,并将配置文件存储在文件系统中;从而让配置信息能够被其它电子设备使用,以使对成品衣服的质检标准一致,减少了错误发生的概率。
在上述的实现过程中,通过使用电子设备识别图像中的成衣的多个关键点,并获得表征多个关键点之间的几何关系的测量项,再根据多个关键点和测量项生成成品衣服的配置信息;也就是说,通过电子设备执行根据成衣的关键点和测量项来获得成品衣服的配置信息,有效地减少了人工填写配置信息的错误,从而提高了获得配置信息的正确率。
请参见图3示出的本申请实施例提供的成品衣服进行质检方法的流程示意图;可选地,在本申请实施例中,在根据多个关键点和至少一个测量项生成成品衣服的配置信息之后,还可以根据该配置信息对其它的成品衣服进行质量检测,那么对成品衣服进行质检方法可以包括:
步骤S210:获得待质检图像,待质检图像为包括待质检成衣的图像。
上述步骤S210中的待质检图像的获得方式包括:第一种方式,对成品衣服进行拍照获得待质检图像;第二种方式,其他终端设备向电子设备发送待质检图像,然后电子设备从其他终端设备接收待质检图像;第三种方式,使用浏览器等软件获取互联网上的待质检图像,或者使用其它应用程序访问互联网获得待质检图像;第四种方式,获取预先存储的待质检图像,从文件系统中获取待质检图像,或者从数据库中获取待质检图像。
步骤S220:从待质检图像中检测出待质检成衣的多个候选点。
候选点,是指能够表征待质检成衣的形状款式的关键点位,关键点例如可以是衣服的纽扣、肩部的转角点或者花纹的转折处等等;多个候选点表征待质检成衣的形状款式。
其中,该步骤S220的实施原理和实施方式与步骤S120中检测关键点的实施原理和实施方式是相似或类似的,例如:可以通过深度学习方式中的神经网络模型或者关键点检测算法来获得候选点,因此,这里不再对该步骤的实施方式和实施原理进行说明,如有不清楚的地方,可以参考对步骤S110的描述。
步骤S230:根据多个候选点和配置信息确定待质检图像中的待质检成衣的质检结果,质检结果表征待质检成衣是否通过质检。
上述步骤S230中的根据多个候选点和配置信息确定待质检图像中的待质检成衣的质检结果的实施方式有很多种,下面列举两种实施方式:
第一种实施方式,通过配置信息中的多个关键点和多个候选点是否匹配来确定待质检图像中的待质检成衣的质检结果,该实施方式可以包括。
步骤S231:判断配置信息中的多个关键点和多个候选点是否匹配。
上述步骤S231中的判断配置信息中的多个关键点和多个候选点是否匹配的实施方式包括:使用最小二乘法(least squares method)来判断配置信息中的多个关键点和多个候选点是否匹配,具体地,使用最小二乘法计算多个关键点和多个候选点之间的误差平方和,若该误差平方和超过预设阈值,则确定配置信息中的多个关键点和多个候选点不匹配;若该误差平方和没有超过预设阈值,则确定配置信息中的多个关键点和多个候选点匹配。
步骤S232:若配置信息中的多个关键点和多个候选点匹配,则确定待质检图像中的待质检成衣的质检结果为通过。
步骤S233:若配置信息中的多个关键点和多个候选点不匹配,则确定待质检图像中的待质检成衣的质检结果为没有通过。
上述步骤S232至步骤S233的实施方式例如:在具体的实施过程中,也可以通过人工观察来确定配置信息中的多个关键点和多个候选点是否匹配,具体地:让质检工程师来确定配置信息中的多个关键点和多个候选点是否匹配,若匹配,则确定待质检图像中的待质检成衣的质检结果为通过;若不匹配,则确定待质检图像中的待质检成衣的质检结果为不通过;质检工程师可以点击通过或者不通过按钮来将质检结果存储。
在上述的实现过程中,通过判断配置信息中的多个关键点和多个候选点是否匹配;若是,则确定待质检图像中的待质检成衣的质检结果为通过;若否,则确定待质检图像中的待质检成衣的质检结果为没有通过;从而有效地提高了获得待质检图像中的待质检成衣的质检结果的速度。
第二种实施方式,通过配置信息中的多个关键点和多个候选点是否匹配,以及测量项是否通过的方式共同来确定质检结果,也就是说,除了根据关键点匹配的方式来确定质检结果之外,还可以通过关键点匹配和测量项是否通过的方式来确定质检结果,那么在步骤S231之后,配置信息获得方法还可以包括:
步骤S234:若配置信息中的多个关键点和多个候选点匹配,且配置信息中的所有测量项均检测通过,则确定待质检图像中的待质检成衣的质检结果为通过。
其中,该步骤S234的实施原理和实施方式与步骤S232的实施原理和实施方式是相似或类似的,区别仅在于,配置信息中的所有测量项均检测通过,这里的测量项例如:成衣的各部份尺寸在合格范围内、袖长不超过50厘米和袖口周长不超过20厘米等等;因此,这里不再对该步骤的实施方式和实施原理进行说明,如有不清楚的地方,可以参考对步骤S232的描述。在上述的实现过程中,通过若配置信息中的多个关键点和多个候选点匹配,且配置信息中的所有测量项均检测通过,则确定待质检图像中的待质检成衣的质检结果为通过;从而有效地提高了获得待质检图像中的待质检成衣的质检结果的速度。
在上述的实现过程中,通过获得待质检图像,待质检图像为包括待质检成衣的图像;从待质检图像中检测出待质检成衣的多个候选点;根据多个候选点和配置信息确定待质检图像中的待质检成衣的质检结果,质检结果表征待质检成衣是否通过质检;也就是说,使用电子设备通过自动检查配置信息是否正确来判断是否通过质检,避免数据异常情况的发生,从而有效地提高了成品衣服的质检效率和生产效率。
请参见图4示出的本申请实施例提供的电子设备和终端设备进行交互的流程示意图;可选地,在本申请实施例中,上述的电子设备还可以和终端设备进行交互,电子设备与终端设备进行交互的方法可以包括如下步骤:
步骤S310:电子设备接收终端设备发送的成衣图像。
上述步骤S310中的电子设备接收终端设备发送的成衣图像的实施方式例如:电子设备通过传输控制协议(Transmission Control Protocol,TCP)或用户数据报协议(UserDatagram Protocol,UDP)接收终端设备发送的成衣图像;其中,这里的TCP协议又名网络通讯协议,是一种面向连接的、可靠的、基于字节流的传输层通信协议;这里的UDP协议是UserDatagram Protocol的简称,中文名是用户数据报协议,UDP协议是开放式系统互联(OpenSystem Interconnection,OSI)参考模型中一种无连接的传输层协议,提供面向事务的简单不可靠信息传送服务。
步骤S320:电子设备从成衣图像中检测出成品衣服的多个关键点。
其中,该步骤S320的实施原理和实施方式与步骤S120的实施原理和实施方式是相似或类似的,因此,这里不再对该步骤的实施方式和实施原理进行说明,如有不清楚的地方,可以参考对步骤S120的描述。
步骤S330:电子设备接收终端设备发送的针对多个关键点中的至少一个关键点的交互操作指令,获得至少一个测量项。
其中,该步骤S330的实施原理和实施方式与步骤S130的实施原理和实施方式是相似或类似的,区别仅在于,步骤S330是接收的交互操作指令,也就是说,用户操作的GUI是在终端设备上运行,由终端设备向电子设备发送交互操作指令,而步骤S130中用户操作的GUI是在电子设备本身上运行的,因此,这里不再对该步骤的实施方式和实施原理进行说明,如有不清楚的地方,可以参考对步骤S130的描述。
请参见图5示出的本申请实施例提供的在终端设备编辑成衣款式的流程示意图;这里重点说明一下在终端设备编辑成衣款式的具体操作流程:首先,选择加载以前已经创建好的成衣款式,或者直接点击创建新的款式;其次,选择上新的款式图片,这里的款式图片即上面描述的成衣图像;再次,在上新的款式图片或成衣图像上标注关键点,或者加载该款式图片或成衣图像对应的已标注的关键点;然后,根据在终端设备的界面上显示的关键点绘制辅助点,并判断关键点和辅助点的依赖关系是否满足;若依赖关系不满足,则绘制测量项或者依赖项;若依赖关系满足,则绘制尺寸测量线;最后,若绘制完所有的依赖项,而且绘制完所有的尺寸测量线,则确定成衣款式编辑完成,保存编辑后的成衣款式。
步骤S340:根据多个关键点和至少一个测量项生成成品衣服的配置信息,配置信息表征关键点与测量项的映射关系。
其中,该步骤S340的实施原理和实施方式与步骤S140的实施原理和实施方式是相似或类似的,因此,这里不再对该步骤的实施方式和实施原理进行说明,如有不清楚的地方,可以参考对步骤S140的描述。
步骤S350:电子设备向终端设备发送配置信息。
上述步骤S350中的电子设备向终端设备发送配置信息的实施方式例如:电子设备通过超文本传输协议(Hyper Text Transfer Protocol,HTTP)或者超文本传输安全协议(HyperText Transfer Protocol Secure,HTTPS)向终端设备发送配置信息;其中,HTTP协议是一个简单的请求响应协议,HTTP协议通常运行在TCP协议之上,HTTP协议指定了客户端可能发送给服务器什么样的消息以及得到什么样的响应;HTTPS协议又称为HTTP Secure,是一种通过计算机网络进行安全通信的传输协议;HTTPS开发的主要目的,是提供对网站服务器的身份认证,保护交换数据的隐私与完整性。
在上述的实现过程中,通过接收终端设备发送的成衣图像;在根据多个关键点和至少一个测量项生成成品衣服的配置信息之后,电子设备响应于终端设备发送的针对多个关键点中的至少一个关键点的交互操作指令,向终端设备发送配置信息;从而有效地提高了终端设备获得配置信息的速度。
请参见图6示出的本申请实施例提供的配置信息获得装置的结构示意图;本申请实施例提供了一种配置信息获得装置400,应用于电子设备,包括:
成衣图像获得模块410,用于获得成衣图像,成衣图像为包括成品衣服的图像。
关键点检测模块420,用于从成衣图像中检测出成品衣服的多个关键点,多个关键点表征成品衣服的形状款式。
测量项获得模块430,用于响应于针对多个关键点中的至少一个关键点的交互操作指令,获得至少一个测量项,交互操作指令用于确定至少一个关键点的测量项的类型,测量项表征多个关键点之间的几何关系。
配置信息生成模块440,用于根据多个关键点和至少一个测量项生成成品衣服的配置信息,配置信息表征关键点与测量项的映射关系。
可选地,在本申请实施例中,配置信息获得装置还包括:
质检图像获得模块,用于获得待质检图像,待质检图像为包括待质检成衣的图像。
候选点检测模块,用于从待质检图像中检测出待质检成衣的多个候选点。
质检结果确定模块,用于根据多个候选点和配置信息确定待质检图像中的待质检成衣的质检结果,质检结果表征待质检成衣是否通过质检。
可选地,在本申请实施例中,质检结果确定模块,包括:
匹配判断模块,用于判断配置信息中的多个关键点和多个候选点是否匹配。
结果确定通过模块,用于若配置信息中的多个关键点和多个候选点匹配,则确定待质检图像中的待质检成衣的质检结果为通过。
确定没有通过模块,用于若配置信息中的多个关键点和多个候选点不匹配,则确定待质检图像中的待质检成衣的质检结果为没有通过。
可选地,在本申请实施例中,质检结果确定模块,包括:
确定质检通过模块,用于若配置信息中的多个关键点和多个候选点匹配,且配置信息中的所有测量项均检测通过,则确定待质检图像中的待质检成衣的质检结果为通过。
可选地,在本申请实施例中,关键点检测模块,包括:
第一获得模块,用于使用预先训练的关键点检测模型从成衣图像中检测出成品衣服的多个关键点,关键点检测模型是以包括物体对象的图像为训练数据,以物体对象的关键点为训练标签,对神经网络进行训练,获得的神经网络模型;或者
第二获得模块,用于使用关键点检测算法从成衣图像中检测出成品衣服的多个关键点。
可选地,在本申请实施例中,配置信息获得装置,还可以包括:
第一信息存储模块,用于将配置信息存储在电子设备的数据库中;或者
第二信息存储模块,用于根据配置信息生成配置文件,并将配置文件存储在文件系统中。
可选地,在本申请实施例中,配置信息装置,还包括
成衣图像接收模块,用于接收终端设备发送的成衣图像。
操作指令响应模块,用一个电子设备响应于终端设备发送的针对多个关键点中的至少一个关键点的交互操作指令。
配置信息发送模块,用于向终端设备发送配置信息。
应理解的是,该装置与上述的配置信息获得方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system,OS)中的软件功能模块。
请参见图7示出的本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备500,包括:处理器510和存储器520,存储器520存储有处理器510可执行的机器可读指令,机器可读指令被处理器510执行时执行如上的方法。
本申请实施例还提供了一种存储介质530,该存储介质530上存储有计算机程序,该计算机程序被处理器510运行时执行如上的方法。
其中,存储介质530可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请实施例各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
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。
以上的描述,仅为本申请实施例的可选实施方式,但本申请实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。
Claims (10)
1.一种配置信息获得方法,其特征在于,应用于电子设备,包括:
获得成衣图像,所述成衣图像为包括成品衣服的图像;
从所述成衣图像中检测出所述成品衣服的多个关键点,所述多个关键点表征所述成品衣服的形状款式;
响应于针对所述多个关键点中的至少一个关键点的交互操作指令,获得至少一个测量项,所述交互操作指令用于确定所述至少一个关键点的测量项的类型,所述测量项表征多个关键点之间的几何关系;
根据所述多个关键点和所述至少一个测量项生成所述成品衣服的配置信息,所述配置信息表征关键点与测量项的映射关系。
2.根据权利要求1所述的方法,其特征在于,在所述根据所述多个关键点和所述至少一个测量项生成所述成品衣服的配置信息之后,还包括:
获得待质检图像,所述待质检图像为包括待质检成衣的图像;
从所述待质检图像中检测出所述待质检成衣的多个候选点;
根据所述多个候选点和所述配置信息确定所述待质检图像中的待质检成衣的质检结果,所述质检结果表征所述待质检成衣是否通过质检。
3.根据权利要求2所述的方法,其特征在于,所述根据所述多个候选点和所述配置信息确定所述待质检图像中的待质检成衣的质检结果,包括:
判断所述配置信息中的多个关键点和所述多个候选点是否匹配;
若是,则确定所述待质检图像中的待质检成衣的质检结果为通过;
若否,则确定所述待质检图像中的待质检成衣的质检结果为没有通过。
4.根据权利要求2所述的方法,其特征在于,所述根据所述多个候选点和所述配置信息确定所述待质检图像中的待质检成衣的质检结果,包括:
若所述配置信息中的多个关键点和所述多个候选点匹配,且所述配置信息中的所有测量项均检测通过,则确定所述待质检图像中的待质检成衣的质检结果为通过。
5.根据权利要求1-4任一所述的方法,其特征在于,所述从所述成衣图像中检测出所述成品衣服的多个关键点,包括:
使用预先训练的关键点检测模型从所述成衣图像中检测出所述成品衣服的多个关键点,所述关键点检测模型是以包括物体对象的图像为训练数据,以所述物体对象的关键点为训练标签,对神经网络进行训练,获得的神经网络模型;或者
使用关键点检测算法从所述成衣图像中检测出所述成品衣服的多个关键点。
6.根据权利要求1-4任一所述的方法,其特征在于,在所述根据所述多个关键点和所述至少一个测量项生成所述成品衣服的配置信息之后,还包括:
将所述配置信息存储在所述电子设备的数据库中;或者
根据所述配置信息生成配置文件,并将所述配置文件存储在文件系统中。
7.根据权利要求1-4任一所述的方法,其特征在于,所述获得成衣图像,包括:
接收终端设备发送的所述成衣图像;
所述响应于针对所述多个关键点中的至少一个关键点的交互操作指令,包括;
所述电子设备响应于所述终端设备发送的针对所述多个关键点中的至少一个关键点的交互操作指令;
在所述根据所述多个关键点和所述至少一个测量项生成所述成品衣服的配置信息之后,还包括:
向所述终端设备发送所述配置信息。
8.一种配置信息获得装置,其特征在于,应用于电子设备,包括:
成衣图像获得模块,用于获得成衣图像,所述成衣图像为包括成品衣服的图像;
关键点检测模块,用于从所述成衣图像中检测出所述成品衣服的多个关键点,所述多个关键点表征所述成品衣服的形状款式;
测量项获得模块,用于响应于针对所述多个关键点中的至少一个关键点的交互操作指令,获得至少一个测量项,所述交互操作指令用于确定所述至少一个关键点的测量项的类型,所述测量项表征多个关键点之间的几何关系;
配置信息生成模块,用于根据所述多个关键点和所述至少一个测量项生成所述成品衣服的配置信息,所述配置信息表征关键点与测量项的映射关系。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法。
10.一种存储介质,其特征在于,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624710.7A CN111783799A (zh) | 2020-06-30 | 2020-06-30 | 一种配置信息获得方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624710.7A CN111783799A (zh) | 2020-06-30 | 2020-06-30 | 一种配置信息获得方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111783799A true CN111783799A (zh) | 2020-10-16 |
Family
ID=72757818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010624710.7A Pending CN111783799A (zh) | 2020-06-30 | 2020-06-30 | 一种配置信息获得方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783799A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288696A (zh) * | 2020-10-20 | 2021-01-29 | 北京百度网讯科技有限公司 | 一种辅助质检方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349201A (zh) * | 2019-07-07 | 2019-10-18 | 创新奇智(合肥)科技有限公司 | 一种基于神经网络的衣服尺寸测量方法、系统及电子设备 |
CN110580701A (zh) * | 2019-08-13 | 2019-12-17 | 创新奇智(重庆)科技有限公司 | 一种基于计算机视觉的成衣测量和缺陷检测的方法 |
WO2020052169A1 (zh) * | 2018-09-12 | 2020-03-19 | 深圳云天励飞技术有限公司 | 一种服饰属性识别检测方法及装置 |
US20200193591A1 (en) * | 2018-12-17 | 2020-06-18 | Bodygram, Inc. | Methods and systems for generating 3d datasets to train deep learning networks for measurements estimation |
-
2020
- 2020-06-30 CN CN202010624710.7A patent/CN111783799A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020052169A1 (zh) * | 2018-09-12 | 2020-03-19 | 深圳云天励飞技术有限公司 | 一种服饰属性识别检测方法及装置 |
US20200193591A1 (en) * | 2018-12-17 | 2020-06-18 | Bodygram, Inc. | Methods and systems for generating 3d datasets to train deep learning networks for measurements estimation |
CN110349201A (zh) * | 2019-07-07 | 2019-10-18 | 创新奇智(合肥)科技有限公司 | 一种基于神经网络的衣服尺寸测量方法、系统及电子设备 |
CN110580701A (zh) * | 2019-08-13 | 2019-12-17 | 创新奇智(重庆)科技有限公司 | 一种基于计算机视觉的成衣测量和缺陷检测的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288696A (zh) * | 2020-10-20 | 2021-01-29 | 北京百度网讯科技有限公司 | 一种辅助质检方法、装置、电子设备及存储介质 |
CN112288696B (zh) * | 2020-10-20 | 2024-03-08 | 北京百度网讯科技有限公司 | 一种辅助质检方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6944548B2 (ja) | 自動コード生成 | |
US10970097B2 (en) | Adaptive web-based robotic process automation | |
Villán | Mastering OpenCV 4 with Python: a practical guide covering topics from image processing, augmented reality to deep learning with OpenCV 4 and Python 3.7 | |
EP3433732B1 (en) | Converting visual diagrams into code | |
US8381094B1 (en) | Incremental visual comparison of web browser screens | |
US9934208B2 (en) | Populating visual designs with web content | |
CN111507086B (zh) | 本地化应用程序中翻译文本位置的自动发现 | |
US11221833B1 (en) | Automated object detection for user interface generation | |
CN110688307B (zh) | JavaScript代码检测方法、装置、设备和存储介质 | |
CN111414350B (zh) | 一种服务生成方法及装置 | |
CN113018870B (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
US11403078B2 (en) | Interface layout interference detection | |
EP3816855A2 (en) | Method and apparatus for extracting information, device, storage medium and computer program product | |
CN112308069A (zh) | 一种软件界面的点击测试方法、装置、设备及存储介质 | |
CN111984262A (zh) | 微信层叠样式表文件的处理方法、装置、设备及存储介质 | |
US20220111864A1 (en) | Systems and methods for cross-domain training of sensing-system-model instances | |
US10628140B2 (en) | Program code generation apparatus | |
CN111783799A (zh) | 一种配置信息获得方法、装置、电子设备及存储介质 | |
CN114398138A (zh) | 界面生成方法、装置、计算机设备和存储介质 | |
CN116610304B (zh) | 页面代码生成方法、装置、设备和存储介质 | |
CN113094287A (zh) | 页面兼容性检测方法、装置、设备及存储介质 | |
CN111414758B (zh) | 零指代位置检测方法、装置、设备及计算机可读存储介质 | |
CN117234893A (zh) | Web页面的自动化点击方法及相关设备 | |
US11544179B2 (en) | Source traceability-based impact analysis | |
CN113742559A (zh) | 关键词检测方法和装置、电子设备、存储介质 |
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 |