CN112215791A - 一种提供纺织品信息和将其可视化的系统及方法 - Google Patents

一种提供纺织品信息和将其可视化的系统及方法 Download PDF

Info

Publication number
CN112215791A
CN112215791A CN201910628990.6A CN201910628990A CN112215791A CN 112215791 A CN112215791 A CN 112215791A CN 201910628990 A CN201910628990 A CN 201910628990A CN 112215791 A CN112215791 A CN 112215791A
Authority
CN
China
Prior art keywords
textile
fabric
care
type
image
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
Application number
CN201910628990.6A
Other languages
English (en)
Inventor
陈虹伶
宋海燕
魏怡
张乐生
张小真
赵立峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Procter and Gamble Co
Original Assignee
Procter and Gamble Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Procter and Gamble Co filed Critical Procter and Gamble Co
Priority to CN201910628990.6A priority Critical patent/CN112215791A/zh
Priority to CA3146979A priority patent/CA3146979A1/en
Priority to PCT/CN2020/101384 priority patent/WO2021008464A1/en
Priority to KR1020227000775A priority patent/KR20220020352A/ko
Priority to EP20840677.7A priority patent/EP3997663A4/en
Priority to JP2021573897A priority patent/JP7451571B2/ja
Priority to US16/925,475 priority patent/US20210012243A1/en
Publication of CN112215791A publication Critical patent/CN112215791A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06H—MARKING, INSPECTING, SEAMING OR SEVERING TEXTILE MATERIALS
    • D06H3/00—Inspecting textile materials
    • D06H3/08—Inspecting textile materials by photo-electric or television means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Materials Engineering (AREA)
  • Textile Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)

Abstract

本公开涉及一种提供纺织品信息和将其可视化的系统及方法。用于确定纺织品的损伤等级的方法包括：接收所述纺织品的至少一部分的图像；接收所述纺织品的所述至少一部分的织物类型的信息；通过机器学习方法分析所述图像以识别所述纺织品的所述至少一部分的织物属性；根据所接收的图像、所识别的织物属性和所述织物类型，通过机器学习方法确定与所识别的织物属性相关联的严重性值；以及基于所确定的严重性值来确定所述纺织品的损伤等级。

Description

一种提供纺织品信息和将其可视化的系统及方法
技术领域
本公开涉及计算机图像识别领域，特别涉及一种利用机器学习方法提供纺织品信息并将其可视化的系统及方法。
背景技术
世界各地的用户通过使用各种洗涤方法和产品来清洁和护理他们的纺织品，例如衣物。当前的多数洗衣机可以提供多种洗涤模式以适应不同类型的衣物。目前市面上也有大量洗涤产品供消费者选择。这给消费者造成了一定困难，因为他们难以从如此众多的洗涤产品中确定何种类型的产品以及如何应用它们能最佳地清洁和保护他们的衣物。再者，由于消费者的衣物的织法和材质种类繁多，而使得这个问题更加复杂。
传统上，消费者向洗衣店或商场或超市的零售柜台咨询，柜台顾问或可识别客户服装的类型和问题并提供解决方案，之后传达给消费者进行讨论。最后，顾问会推荐合适的护理产品和护理方法供用户选择。
然而，这种协商非常主观。即使对于同一件衣物，识别出的缺陷类型和数量以及潜在问题也因不同的顾问而异。咨询结果更可能因时间而异，即使同一顾问对于每次咨询给出的结论也可能不同。顾问可能很难将她看到的缺陷传达给客户，而测试建议的试错过程既费时又乏味。
因此，需要一种改进的分析纺织品的相关信息并推荐护理策略和产品以及将其可视化的系统及方法。
发明内容
本公开提供了一种新颖的分析纺织品的相关信息并推荐护理策略和产品以及将其可视化的系统及方法。
根据本公开的第一方面，提供了一种用于确定纺织品的损伤等级的方法，包括：接收所述纺织品的至少一部分的图像；接收所述纺织品的所述至少一部分的织物类型的信息；通过机器学习方法分析所述图像以识别所述纺织品的所述至少一部分的织物属性；根据所接收的图像、所识别的织物属性和所述织物类型，通过机器学习方法确定与所识别的织物属性相关联的严重性值；以及基于所确定的严重性值来确定所述纺织品的损伤等级。
根据第一方面的方法还包括根据所述织物属性和织物类型，确定所述纺织品的风险类型和等级；根据所述织物属性、织物类型和损伤等级确定所述纺织品的估计的使用年龄；根据所述纺织品的损伤等级以及所述风险类型和等级，提供推荐的护理策略；根据所述推荐的护理策略，提供推荐的护理产品；生成使用多种护理策略和护理产品对所述纺织品进行护理后的模拟护理结果；提供可用于用户购买所述护理产品的选项。
根据本公开的第二方面，提供了一种用于确定纺织品状况的方法，包括：接收所述纺织品的至少一部分的数字图像；使用机器学习方法电子地分析所接收的数字图像，以识别所述纺织品的所述至少一部分的织物属性，该织物属性指示所述纺织品的纺织品状况；以及基于所识别的织物属性来确定所分析的数字图像中的所述纺织品的纺织品状况。
根据本公开的第三方面，提供了一种用于提供纺织品护理推荐的方法，包括：接收所述纺织品的至少一部分的图像；使用机器学习方法分析所述图像，以识别所述纺织品的所述至少一部分的织物属性，该织物属性指示所述纺织品的纺织品状况；基于所述织物属性确定所分析的数字图像中的所述纺织品的纺织品状况；以及推荐用于护理所述纺织品状况的纺织品护理策略。
根据本公开的第四方面，提供了一种用于将纺织品信息可视化的方法,包括：显示第一选项以从用户接收所述纺织品的至少一部分的图像；显示第二选项以从用户接收所述纺织品的所述至少一部分的织物类型的信息；通过机器学习方法分析所述图像以识别所述纺织品的所述至少一部分的织物属性；根据所接收的图像、所述织物属性和所述织物类型，通过机器学习方法来确定所述纺织品的损伤等级；以及显示所述纺织品的损伤等级。
根据第四方面的方法还包括：根据所述织物属性和织物类型，确定并显示所述纺织品的风险类型和等级；根据所述织物属性、织物类型和损伤等级确定并显示所述纺织品的使用年龄；显示第三选项以接收关于个人偏好的用户输入；根据所述纺织品的损伤等级以及所述风险类型和等级，显示推荐的护理策略；根据所述推荐的护理策略，显示推荐的护理产品；显示使用多种护理策略和护理产品对所述纺织品进行护理后的模拟护理结果；显示第四选项以使得用户能够购买所述护理产品。
根据本公开的第五方面，提供了一种电子设备，包括：一个或多个处理器；和存储器，其上存储有计算机可执行指令，所述计算机可执行指令在由所述一个或多个处理器运行时使得所述一个或多个处理器执行根据前述方法的任何一方面。
根据本公开的第六方面，提供了一种非暂态的计算机可读介质，其上存储有计算机可执行指令，所述计算机可执行指令在由一个或多个处理器运行时使得所述一个或多个处理器执行根据据前述方法的任何一方面。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得更为清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1示出了根据本发明的一个示例性实施例的提供纺织品信息的总体架构图。
图2示出了根据本发明的一个示例性实施例的提供纺织品信息的计算环境图。
图3A示出了根据本发明的一个示例性实施例的确定纺织品的损伤等级的流程图。
图3B示出了根据本发明的一个示例性实施例的提供其他纺织品信息的流程图。
图4示出了根据本发明的一个示例性实施例的确定纺织品的损伤等级的方法的示意图。
图5示出了根据本发明的一个示例性实施例的卷积神经网络模型的示意图。
图6A示出了根据本发明的一个示例性实施例的将纺织品信息二维可视化的方法的流程图。
图6B示出了根据本发明的另一个示例性实施例的将纺织品信息二维可视化的方法的流程图。
图7A至7F示出了根据本发明的一个示例性实施例的将纺织品信息二维可视化的用户界面图。
图8示出了根据本发明的一个示例性实施例的确定纺织品的纺织品状况的流程图。
图9示出了根据本发明的一个示例性实施例的推荐纺织品护理策略的流程图。
图10示出了可以实现根据本发明的实施例的计算设备的示例性配置图。
具体实施方式
下面将参考附图来详细描述本发明的优选的实施例。不是本发明必需的细节和功能被省略，以便不会混淆本发明的理解。
请注意，类似的参考数字和字母指的是图中的类似的项目，因而一旦在一幅图中定义了一个项目，就不需要在之后的图中讨论了。
在本公开中，术语“第一”、“第二”等仅仅被用来在元件或步骤之间进行区分，而并不意图表示时间顺序、优先级或重要性。
下面结合图1描述本发明的总体构思。图1是示出了根据本发明的一个示例性实施例的提供纺织品信息的总体架构图。这里的纺织品可以包括原始面料以及由原始面料制成的各种最终成品，例如服装、服装饰品、家用纺织品、装饰布艺制品、手套、布艺玩具等。然而本发明的范围不限于此，而是可以扩展到由任何布料形成并且能够洗涤的产品。
如图1所示，系统接收来自用户的纺织品的至少一部分的图像101。图像101可以是用户先前存储的或者用户实时拍摄的。图像101可以是微距图像或者其他能够反映纺织品的细节的图像。用户可以通过便携式设备内置的微距镜头或与该便携式设备连接的外置微距镜头来拍摄纺织品的微距图像。
系统在接收到图像101之后，通过预先建立的织物属性预测模型102进行分析，以得到纺织品的织物属性103。所述织物属性可以是编织类型、光泽、弹性或它们的组合。为了描述方便，下文以编织类型作为织物属性的例子进行描述，但是本领域技术人员将理解，本发明构思也可以应用于其他织物属性或者多种织物类型的组合的分析。编织类型与纺织品的结构有关，并且具体的编织类型的图案可以指示纺织品的纺织品状况和/或损伤等级。
编织类型103可以包括例如斜纹、平纹、针织和缎纹四种类型。编织类型预测模型102可以通过使用包括大量纺织品图像的训练样本集对卷积神经网络(CNN)进行训练得到。下文将参考图5对CNN模型进行进一步的描述。
系统还接收来自用户的关于纺织品的织物类型，即材料类型或面料类型，的输入104。材料类型可以包括棉、天丝(TENCELTM)、再生纤维、聚酯纤维、莱赛尔、尼龙、高含量聚酯、低含量聚酯、莫代尔、羊毛、羊绒、人造丝、腈纶、粘纤、人造棉、和丝织品中的一种或多种。丝织品可以包括天然丝织品、人造丝织品、丝绸中的一种或多种。
系统使用损伤等级预测模型105，根据编织类型103和材料类型104，对图像101进行分析，以得到纺织品的损伤等级106。损伤等级106可以以统计图形、文字、叠加在纺织品图像上的词云图形或它们的任意组合来显示。损伤等级预测模型105可以包括多个卷积神经网络模型，每个卷积神经网络模型对应于由多个编织类型中的至少一个编织类型和多个材料类型中的至少一个材料类型的组合。下文将参考图3A和图4对该步骤进行进一步的描述。
可选地或进一步，系统还可以根据编织类型103和材料类型104，确定纺织品的风险类型和等级107。可以通过对存储有编织类型、材料类型和对应风险类型和等级的数据库111进行查找来确定风险类型和等级107。风险类型可以包括起毛、起球、变形、褪色、褶皱、缩水、异味和静电中的一种或多种。风险等级也可以以统计图形、文字、叠加在纺织品图像上的词云图形或它们的任意组合来显示。
可选地或进一步，系统还可以根据编织类型103、材料类型104和损伤等级106来推断纺织品的使用年龄113。可以通过对存储有编织类型、材料类型、损伤等级和对应年龄的数据库111进行查找来确定使用年龄113。
可选地或进一步，系统可以根据损伤等级106和风险类型和等级107来推荐护理策略108。可以通过对存储有损伤等级、风险类型和等级和对应的护理策略的数据库111进行查找来确定护理策略108。护理策略可以包括例如以什么水温、应以什么洗涤模式等来护理衣物。
可选地或进一步，系统可以根据护理策略108来推荐护理产品109。可以通过对存储有护理策略和对应的护理产品的数据库111进行查找来确定护理产品109。护理产品可以包括何种品牌的何种洗涤剂和/或柔顺剂等等。
此外，推荐护理策略108和护理产品109还可以结合用户输入的个人偏好110。例如用户更习惯使用何种洗涤剂等等。
可选地或进一步，系统可以生成采取不同的护理策略和产品进行洗涤之后得到的纺织品的模拟护理结果112。例如，系统可以针对默认的护理策略和护理产品、用户选择的护理策略和护理产品以及推荐的护理策略和推荐的护理产品中的一者或多者生成模拟护理结果112。
应该认识到的是，图1是说明性的，并且不旨在限制本公开的实施例。本领域普通技术人员将认识到其它变体、修改和替代方案。
图2示出了根据本发明的一个示例性实施例的提供纺织品信息的系统20的计算环境图。系统20可包括移动设备201、远程服务器202、训练设备203和数据库204，它们通过网络205彼此耦接。网络205可体现为广域网(诸如移动电话网络、公共交换电话网络、卫星网络、互联网等)、局域网(诸如Wi-Fi、Wi-Max、ZigBeeTM、BluetoothTM等)和/或其它形式的联网功能。
移动设备201可为移动电话、平板计算机、膝上型计算机、个人数字助理和/或被配置用于捕获、存储和/或传输诸如数字照片之类的图像的其它计算装置。因此，移动设备201可包括诸如数字相机之类的图像捕获装置和/或可被配置成从其它装置接收图像。移动设备201可包括显示器。显示器可被配置用于向用户200提供一个或多个用户界面，所述用户界面可包括多个界面元素，用户200可以与界面元素进行交互等。例如，用户200可以使用移动设备201对纺织品进行拍照并上传或存储图像，并且输入有关纺织品的材料信息。移动设备201可以向用户输出有关纺织品的状态信息并推荐护理策略和产品等。
远程服务器202可被配置为对经由网络205从移动设备201接收的纺织品图像和材料信息等进行分析以确定纺织品损伤等级、风险类型和等级，并推荐护理策略和护理产品。远程服务器202还可以被配置为创建并训练卷积神经网络(CNN)。
训练设备203可耦合到网络205以促进CNN的训练。训练设备203可以具有多个CPU和/或GPU以辅助训练CNN。例如，训练者可经由训练设备203向CNN提供纺织品的一个或多个数字图像。训练者还可提供信息和其它指示，以告知CNN哪些评估是正确的以及哪些评估是不正确的。基于来自训练者的输入，CNN可自动地调整其自身的参数。
数据库204可耦合到网络205并提供远程服务器202进行相关计算所需的数据。例如，数据库204可以存储有关织物属性、材料类型、损伤等级、风险类型和等级、护理策略和护理产品等等数据。数据库可以采取本领域中已知的各种数据库技术来实现。远程服务器202可以根据需要访问数据库204以进行相关计算。
应当理解，这里的计算环境仅仅是一个示例。本领域技术人员可以根据需要，增加更多的装置或删减一些装置，并且可以对一些装置的功能和配置进行修改。
下面结合图3A和3B描述根据本发明的示例性实施例的提供纺织品信息的方法。
参考图3A，在步骤S301，系统接收纺织品的至少一部分的图像。如前所述，图像可以是用户先前存储的或者用户实时拍摄的。用户可针对纺织品的主体部分拍照，也可以针对损伤部分拍照。图像可以是微距图像或者其他能够反映纺织品的细节的图像。用户可以通过便携式设备内置的微距镜头或与该便携式设备连接的外置微距镜头来拍摄纺织品的微距图像。
在步骤S302，系统接收所述纺织品的织物类型，即材料类型，的信息。用户可以通过手动输入材料类型或者通过勾选移动设备上提供的材料类型的选项来输入纺织品的材料类型。如前所述，材料类型可以包括棉、天丝、再生纤维、聚酯纤维、莱赛尔、尼龙、高含量聚酯、低含量聚酯、莫代尔、羊毛、羊绒、人造丝、腈纶、粘纤、人造棉、和丝织品中的一种或多种。应当理解，材料类型不限于15种，而是可以包括目前已知或将来发展的其他材料类型。当纺织品由多种材料类型形成时，用户可以同时输入多种材料，也可以选择一种主要材料输入。例如如果一件衣物中棉的成分占比80％，莫代尔占比20％，则用户可以输入棉作为该衣物的材料类型，也可以输入棉和莫代尔作为材料类型。
在步骤S303，系统通过机器学习方法分析纺织品图像以识别纺织品的织物属性。
机器学习方法可以包括深度学习方法。如本领域技术人员所知的，目前已经提出了用于计算机视觉识别技术的各种深度学习模型。例如卷积神经网络(CNN)、区域卷积神经网络(R-CNN)、快速区域卷积神经网络(fast R-CNN)、You Only Look Once(YOLO，你只需要看一次)、Single Shot MultiBox Detector(SSD)等。本发明以CNN作为示例进行描述。应当理解，本发明的构思可以使用其他已知或将来发展的深度学习模型来实践。
在该步骤中，通过预先建立的织物属性预测模型对图像进行分析，以得到纺织品的织物属性。例如，如果织物属性是编织类型，编织类型可以包括例如斜纹、平纹、针织和缎纹四种类型。应当理解，编织类型不限于四种，而是可以包括目前已知或将来发展的其他编织类型。织物属性预测模型可以通过使用包括大量(例如，上千个)纺织品图像的训练样本集对CNN进行训练得到。
在步骤S304，系统根据纺织品图像、所识别的织物属性和所述材料类型的信息，通过机器学习方法确定纺织品的严重性值。
下面参考图4更详细地描述该步骤。如图4所示，纺织品的损伤等级可以通过严重性预测模型402确定。严重性预测模型402可以包括多个CNN模型，即CNN模型1、CNN模型2……CNN模型N。在织物属性为编织类型的实施例中，每个CNN模型对应于多个编织类型中的至少一个编织类型和多个材料类型中的至少一个材料类型的组合。举例来说，对于4种编织类型和15种材料类型来说，如果纺织品的编织类型和材料类型都被选择为单一类型，则总共可以存在60种组合，例如棉+斜纹、棉+平纹、聚酯纤维+斜纹……等。因此可以存在60个CNN模型。进一步地，可以针对由多种材料形成的复合材料和多种编织类型组成的纺织品构建CNN模型。例如，可以创建针对棉+莫代尔+平纹的CNN模型。此外，为了降低计算难度，可以省略对于比较稀有的组合的CNN模型，例如棉+缎纹的组合。因此CNN模型的数量不限于60，而是更多或更少。使用由相应编织类型和相应材料类型形成且具有不同严重性值的多个纺织品的图像来训练每个CNN模型。在实践中，可以利用对纺织品进行多轮机洗后所捕获的纺织品的图像对各个CNN模型进行训练。纺织品经过机洗的次数不同，其损伤等级将会不同。因而可以通过对纺织品多次机洗获得相应损伤等级的图像。
系统将所识别的编织类型和材料类型的信息输入到分类器401。分类器401根据接收的编织类型和材料类型确定应当使用多个CNN模型402中的哪个CNN模型进行预测。相应的CNN模型被激活以接收纺织品的图像101并进行分析以确定严重性值。严重性值例如可以是0至N，这里N为任何大于0的整数。
在步骤S305，系统根据严重性值，确定纺织品的损伤等级。例如，严重性值0可以对应于不损伤，1可以对应于轻度损伤，2可以对应于中度，3可以对应于重度。应当注意，这里的0-3的严重性值和损伤等级仅为示例，本领域技术人员可以预期任何粒度的严重性值和损伤等级。
除了确定纺织品的损伤等级之外，可选地或进一步，系统还可以确定纺织品的其他信息。下面参考图3B进行描述。
参考图3B，在步骤S306，系统还可以根据编织类型和材料类型，确定纺织品的风险类型和等级。如前所述，可以通过对存储有编织类型、材料类型和对应风险类型和等级的数据库进行查找来确定风险类型和等级。风险类型可以包括起毛、起球、变形、褪色、褶皱、缩水、异味和静电中的一种或多种。
在步骤S307，系统还可以根据编织类型、材料类型和损伤等级来推断纺织品的估计的使用年龄。可以通过对存储有编织类型、材料类型、损伤等级和对应年龄的数据库进行查找来确定使用年龄。例如，数据库可以存储“棉+平纹+中度损伤：估计的使用年龄为2年”的数据。系统可以通过查找数据库中的对应条目获得纺织品的估计的使用年龄。应当理解，数据库中的数据的形式不限于这里描述的示例形式，而是可以采取数据库常用的各种存储方式，例如标识符映射等。
在步骤S308，系统可以根据损伤等级和风险类型和等级来推荐护理策略。护理策略可以包括例如以什么水温、应以什么洗涤模式等来护理衣物。可以通过对存储有损伤等级、风险类型和等级和对应的护理策略的数据库进行查找来确定护理策略。例如，数据库可以存储“丝+平纹+轻度损伤：护理策略为冷水洗涤，更好保护织物颜色。机洗时选择洗衣袋，选择快洗模式更能令织物多次洗涤后仍然有型。使用柔顺剂可使衣物有更好的穿着体验，飘逸有范而不会粘在身上”的数据。系统可以通过查找数据库中的对应条目获得纺织品的推荐的护理策略。应当注意，该护理策略仅为示例。本领域技术人员可以根据本发明构思提供更具体或更简单的护理策略推荐或使用不同的表达方式。
在步骤S309，系统可以根据护理策略来推荐护理产品。护理产品可以包括何种品牌的何种洗涤剂和/或柔顺剂等等。可以通过对存储有护理策略和对应的护理产品的数据库进行查找来确定护理产品。例如，数据库可以存储“冷水洗涤+快洗模式：护理产品为
Figure BDA0002128112580000111
天然护衣洗衣液(添加天然焕颜精萃，顺滑去毛球)”的数据。系统可以通过查找数据库中的对应条目获得纺织品的推荐的护理产品。应当注意，该护理产品仅为示例。本领域技术人员可以根据本发明构思提供相适应的其他护理产品。
此外，推荐护理策略和护理产品还可以结合用户输入的个人偏好。例如用户更习惯使用何种洗涤剂等等。
在步骤S310，系统可以生成采取不同的护理策略和产品进行洗涤之后得到的纺织品的模拟护理结果。例如，系统可以针对默认的护理策略和护理产品、用户选择的护理策略和护理产品以及推荐的护理策略和推荐的护理产品中的一者或多者生成模拟护理结果。
应当注意，图3A和3B中的一些步骤不一定按照图示的顺序执行，而是它们可以被同时、以不同顺序或以重叠方式执行。此外，本领域技术人员可以根据需要增加一些步骤或省略一些步骤。
图5示出了根据本发明的一个示例性实施例的卷积神经网络模型的示意图。
如本领域技术人员所知的，卷积神经网络(CNN)是一种前馈类型的人工神经网络，其通常包括输入层501、多个卷积层502-1、502-2……(下文统称为502)、多个池化层503-1、503-2……(下文统称为503)、多个全连接层504和输出层505。输入层501接收输入图像。卷积层502实现输入图像的像素与卷积核的内积运算。卷积核的数量和尺寸可以根据具体应用来设置。池化层503可以减小卷积层产生的特征图的尺寸。常见的池化方法包括最大池化、平均池化等。全连接层504可以将经过多个卷积层和池化层的图像特征图中的特征进行整合，以便于后续用于图像分类。输出层505输出图像分类的结果，例如如果指定损伤等级为0至3，则输出层就输出0至3之一。
本领域技术人员在本发明构思的教导下，可以利用包含大量纺织品图像的训练样本集对CNN模型进行训练，以得到具有特定参数的训练好的CNN模型，以供根据本发明的实施例的系统使用。
本发明的另一个方面涉及对纺织品信息进行可视化。例如，本发明的方法可以被实现为个人计算机等上的可执行程序、移动智能设备上的应用程序和/或移动智能设备上的其他应用程序中运行的小程序等。下面结合图6A、6B的方法流程图和7A至7F的用户界面(UI)图进行描述。本实施例主要侧重如何对纺织品的信息进行可视化，对于那些与前文的相应特征相同或类似的特征，前文所描述的各个方面将同样适用于该实施例的方法和系统，因此将省略其详细描述。虽然以下结合图6A、6B的方法流程图和7A至7F的用户界面(UI)图描述了以二维格式进行可视化的方法，但是本领域技术人员应当理解，本发明可以包括以三维格式进行可视化。
参考图6A，在步骤S601，系统显示第一选项以从用户接收纺织品的至少一部分的图像。如图7A所示，移动设备的显示屏幕上显示有图标701，用户可以通过点击该图标来对纺织品进行拍照或者从相册中选择先前已经拍摄的照片。
在步骤S602，系统显示第二选项以从用户接收纺织品的织物类型，即材料类型的信息。如图7B所示，显示屏幕上的界面元素702提示用户输入纺织品的材料信息，并且提供多个材料类型以供用户选择。用户可以通过勾选相应的选框来输入材料类型。应当理解，这仅仅是输入材料类型的示例。本领域技术人员也可以采取其他输入材料类型的方式，例如系统可以显示文字框，以供用户手动输入材料类型。
在步骤S603，系统通过预先构建的纺织品织物属性预测模型来分析所述图像以识别纺织品的织物属性。可以通过参考图3A和图5描述的方法进行此步骤。识别出的织物属性可以不必显示在显示屏幕上，也可以显示在显示屏幕上以供用户确认。
在步骤S604，系统根据图像、织物属性和织物类型的信息，通过机器学习方法来确定纺织品的损伤等级。可以通过参考图3A和图4描述的方法进行此步骤。
在步骤S605，系统显示纺织品的损伤等级。如图7C所示，移动设备的显示屏幕上显示有界面元素703，其指示纺织品的损伤等级为轻度。本领域技术人员应当理解，显示损伤等级的方式不限于文字，而是可以采用统计图形(例如条形图等)、文字(例如：未损伤、轻度、中度、重度等)、数字百分比、叠加在纺织品图像上的词云图形或它们的任意组合的方式。
除了显示纺织品的损伤等级之外，可选地或进一步，系统还可以显示纺织品的其他信息。下面参考图6B进行描述。
在步骤S606，系统根据织物属性和材料类型的信息，确定并显示所述纺织品的风险类型和等级。如图7C所示，移动设备的显示屏幕上显示有界面元素704，其指示纺织品的风险类型和等级。在本示例中，显示的风险有起毛、起球、缩水、异味、静电。相应的风险等级为两颗星、两颗星、一颗星、两颗星、两颗星。本领域技术人员应当理解，显示风险类型和等级的方式不限于图7C所示的方式，而是可以采用统计图形、文字、数字百分比、叠加在纺织品图像上的词云图形或它们的任意组合的方式。
在步骤S607，系统根据织物属性、材料类型的信息和损伤等级确定并显示所述纺织品的估计的使用年龄。估计的使用年龄可以不必显示在显示屏幕上，也可以显示在显示屏幕上以供用户确认。
在步骤S608，系统显示第三选项以接收关于个人偏好的用户输入。如图7D所示，移动设备的显示屏幕上显示有界面元素705，其指示用于用户输入的各种个人偏好。在本示例中，系统可以显示关于用户性别、最常使用的洗衣产品和最常使用的辅助剂的选项以供用户选择。本领域技术人员应当理解，系统可以提供其他的关于个人偏好的选项供用户输入。系统也可以提供选项使得用户能够手动输入相关信息。
在步骤S609，系统根据所述纺织品的损伤等级以及所述风险类型和等级，显示推荐的护理策略。可选地或进一步地，系统还可以根据用户输入的个人偏好，显示推荐的护理策略。如图7E所示，显示屏幕上显示有推荐的护理策略，“冷水洗涤，更好保护织物颜色。机洗时选择洗衣袋，选择快洗模式更能令织物多次洗涤后仍然有型。使用柔顺剂可使衣物有更好的穿着体验，飘逸有范而不会粘在身上”。应当注意，该护理策略的表达方式和显示方式仅为示例。本领域技术人员可以根据本发明构思提供更具体或更简单的护理策略推荐或使用不同的显示方式。
在步骤S610，系统根据所述推荐的护理策略，显示推荐的护理产品。如图7F所示，显示屏幕上显示有界面元素707，其指示推荐的护理产品。在该示例中，护理产品为
Figure BDA0002128112580000141
天然护衣洗衣液(添加天然焕颜精萃，顺滑去毛球)。系统还可以显示推荐产品的产品图，以便于用户识别和购买。应当注意，该护理产品的显示方式仅为示例。本领域技术人员可以根据本发明构思使用不同的显示方式。
在步骤S611，系统显示使用多种护理策略和护理产品对所述纺织品进行护理后的模拟护理结果。所述多种护理策略和护理产品包括默认的护理策略和护理产品、用户选择的护理策略和护理产品以及所述推荐的护理策略和推荐的护理产品中的一者或多者。如图7F所示，显示屏幕上显示有界面元素708，其指示模拟护理结果。在该示例中，系统显示了在普通洗涤方法和普通洗涤剂(例如，用户在输入个人偏好时所选择的洗涤剂)的情况下，和采用系统推荐的护理策略和产品的情况下，纺织品被护理后的模拟护理结果。模拟护理结果采取辐射图的形式，每个辐射条代表一种可能的风险，离中心越远，相应的风险越高。用虚线和加粗的实线分别表示普通洗涤和推荐洗涤的模拟结果。可以看出普通洗涤方式会导致纺织品起球、起毛、静电、异味、缩水和褶皱的风险更高。应当注意，图7F所示的模拟护理结果的显示方式仅为示例。本领域技术人员可以根据本发明构思使用不同的显示方式，只要能区分开不同的洗涤结果即可。例如可以用不同颜色来分别表示普通洗涤和推荐洗涤的结果，取代不同的线条。也可以用不同程度的阴影面积来表示两种洗涤的结果。
在步骤S612，系统显示第四选项以使得用户能够购买所述护理产品。如图7F所示，显示屏幕上显示有界面元素709，其引导用户购买推荐的护理产品。
本发明除了能够分析已被使用过的纺织品的状况之外，还可以用来分析未被使用过的新的纺织品的状况，并且为用户提供相应的护理推荐。下面结合图8和图9进行描述。
图8描述根据本发明的另一个示例性实施例的确定纺织品的纺织品状况的流程图。本实施例的纺织品可以是已被使用过的纺织品，也可以是未被使用过的新的纺织品。对于那些与前文的相应特征相同或类似的特征，前文所描述的各个方面将同样适用于该实施例的方法和系统，因此将省略其详细描述。
在步骤S801，系统接收纺织品的至少一部分的数字图像。
在步骤S802，系统使用机器学习方法电子地分析所接收的数字图像，结合预先建立的织物属性数据库，以识别所述纺织品的所述至少一部分的织物属性，该织物属性能够指示所述纺织品的纺织品状况。织物属性可以是编织图案、织物类型、光泽、弹性或它们的组合。可以使用前面参考图3A、图4、图5的方法来执行此步骤。例如，可以识别出纺织品的光泽度的大小等。
在步骤S803，系统基于所识别的织物属性来确定所分析的数字图像中的所述纺织品的纺织品状况。例如，系统可以基于光泽度的大小确定纺织品状况，例如纺织品为新的还是轻度损伤等等。该步骤可以通过深度学习模型来完成，也可以通过比较数据库中存储的图像以获取相对应的纺织品状况来完成。前文已经描述了根据深度学习模型来确定纺织品状况的实施例，在此不再赘述。当通过比较数据库中存储的图像以获取相对应的纺织品状况时，一个实施方式可以是，在数据库中预先存储有由特定织物属性(例如，编织图案)和特定材料类型构成且具有不同阶段的多个纺织品的多个图像，每个阶段代表该特定织物属性(例如，编织图案)和特定材料类型的不同损伤程度。通过比较纺织品的图像和数据库中的图像，可以获得所述纺织品的纺织品状况。
可选地或附加地，该方法还包括步骤S804，在该步骤中，系统给所分析的数字图像中的所述纺织品的纺织品状况分配严重性程度。例如可以通过比较所述纺织品状况和与所述织物属性的一组图像相关联的预定值来确定严重性程度。所述纺织品状况的严重性程度可以是织物损伤值。
图9示出了根据本发明的另一个示例性实施例的推荐纺织品护理策略的流程图。本实施例的纺织品可以是已被使用过的纺织品，也可以是未被使用过的新的纺织品。对于那些与前文的相应特征相同或类似的特征，前文所描述的各个方面将同样适用于该实施例的方法和系统，因此将省略其详细描述。
在步骤S901，系统接收纺织品的至少一部分的数字图像。
在步骤S902，系统使用机器学习方法分析所接收的数字图像，结合预先建立的织物性能数据库，以识别所述纺织品的所述至少一部分的织物属性，该织物属性能够指示所述纺织品的纺织品状况。织物属性可以是编织图案、织物类型、光泽、弹性或它们的组合。可以使用前面参考图3A、图4、图5的方法来执行此步骤。例如，可以识别出纺织品的光泽度的大小等。
在步骤S903，系统基于所识别的织物属性来确定所分析的数字图像中的所述纺织品的纺织品状况。例如，系统可以基于光泽度的大小确定纺织品状况，例如纺织品为新的还是轻度损伤等等。该步骤可以通过深度学习模型来完成，也可以通过比较数据库中存储的图像以获取相对应的纺织品状况来完成。
在步骤S904，系统推荐用于护理所述纺织品状况的纺织品护理策略。可以使用前面参考图1、3B、图4、图5的方法来执行此步骤。
可选地或附加地，虽然未示出，但是该方法也可以包括如参考图8所述的严重性程度分配步骤。在该步骤中，系统给所分析的数字图像中的所述纺织品的纺织品状况分配严重性程度。例如可以通过比较所述纺织品状况和与所述织物属性的一组图像相关联的预定值来确定严重性程度。所述纺织品状况的严重性程度可以是织物损伤值。
本发明的系统和方法通过应用深度学习技术来分析纺织品的状况并提供相应的护理推荐，提高了分析的准确性和客观性。此外，本发明能够更直观地为用户呈现关于纺织品的各种信息，提高了用户体验。此外，通过为用户便捷地提供专业的护理推荐，还可以提升产品的销售效能并降低营销成本。
图10示出了可以实现根据本发明的实施例的计算设备1000的示例性配置。计算设备1000是可以应用本发明的上述方面的硬件设备的实例。计算设备1000可以是被配置为执行处理和/或计算的任何机器。计算设备1000可以是但不限制于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数据助手(PDA)、智能电话、车载计算机或以上组合。
如图10所示，计算设备1000可以包括可能经由一个或多个接口与总线1002连接或通信的一个或多个元件。总线1002可以包括但不限于，工业标准架构(Industry StandardArchitecture，ISA)总线、微通道架构(Micro Channel Architecture，MCA)总线、增强ISA(EISA)总线、视频电子标准协会(VESA)局部总线、以及外设组件互连(PCI)总线等。计算设备1000可以包括例如一个或多个处理器1004、一个或多个输入设备1006、以及一个或多个输出设备1008。一个或多个处理器1004可以是任何种类的处理器，并且可以包括但不限于一个或多个通用处理器或专用处理器(诸如专用处理芯片)。输入设备1006可以是能够向计算设备输入信息的任何类型的输入设备，并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或远程控制器。输出设备1008可以是能够呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。
计算设备1000还可以包括或被连接至非暂态存储设备1014，该非暂态存储设备1014可以是任何非暂态的并且可以实现数据存储的存储设备，并且可以包括但不限于盘驱动器、光存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其他磁性介质、压缩盘或任何其他光学介质、缓存存储器和/或任何其他存储芯片或模块、和/或计算机可以从其中读取数据、指令和/或代码的其他任何介质。计算设备1000还可以包括随机存取存储器(RAM)1010和只读存储器(ROM)1012。ROM 1012可以以非易失性方式存储待执行的程序、实用程序或进程。RAM 1010可提供易失性数据存储，并存储与计算设备1000的操作相关的指令。计算设备1000还可包括耦接至数据链路1018的网络/总线接口1016。网络/总线接口1016可以是能够启用与外部装置和/或网络通信的任何种类的设备或系统，并且可以包括但不限于调制解调器、网络卡、红外线通信设备、无线通信设备和/或芯片集(诸如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设施等)。
可单独地或以任何组合方式来使用前述实施方案的各个方面、实施方案、具体实施或特征。可由软件、硬件或硬件与软件的组合来实现前述实施方案的各个方面。
例如，前述实施方案可体现为计算机可读介质上的计算机可读代码。计算机可读介质为可存储数据的任何数据存储设备，所述数据其后可由计算机系统读取。计算机可读介质的示例包括只读存储器、随机存取存储器、CD-ROM、DVD、磁带、硬盘驱动器、固态驱动器和光学数据存储设备。计算机可读介质还可分布在网络耦接的计算机系统中使得计算机可读代码以分布式方式来存储和执行。
例如，前述实施方案可采用硬件电路的形式。硬件电路可以包括组合式逻辑电路、时钟存储设备(诸如软盘、触发器、锁存器等)、有限状态机、诸如静态随机存取存储器或嵌入式动态随机存取存储器的存储器、定制设计电路、可编程逻辑阵列等的任意组合。
以下示出了本发明的一些示例。
示例1、一种用于确定纺织品的损伤等级的方法，包括：
接收所述纺织品的至少一部分的图像；
接收所述纺织品的所述至少一部分的织物类型的信息；
通过机器学习方法分析所述图像以识别所述纺织品的所述至少一部分的织物属性；
根据所接收的图像、所识别的织物属性和所述织物类型，通过机器学习方法确定与所识别的织物属性相关联的严重性值；以及
基于所确定的严重性值来确定所述纺织品的损伤等级。
示例2、如示例1所述的方法，其中所述纺织品的严重性值是通过严重性预测模型确定的，所述严重性预测模型包括多个卷积神经网络模型，并且每个卷积神经网络模型被配置用于分析由多个织物属性中的至少一个织物属性和多个织物类型中的至少一个织物类型形成的纺织品的图像。
示例3、如示例1或示例2所述的方法，其中每个卷积神经网络模型是使用由多个织物属性中的至少一个织物属性和多个织物类型中的至少一个织物类型形成且具有不同的严重性值的多个纺织品的图像来训练的。
示例4、如示例1至3中的任一项所述的方法，其中所述具有不同的严重性值的多个纺织品的图像是通过对所述多个纺织品进行不同次数的机洗之后获取所述多个纺织品的相应图像获得的。
示例5、如示例1至4中的任一项所述的方法，还包括：
根据所述织物属性和织物类型的信息，确定所述纺织品的风险类型和等级。
示例6、如示例1至5中的任一项所述的方法，还包括：
根据所述织物属性、织物类型和损伤等级确定所述纺织品的估计的使用年龄。
示例7、如示例5所述的方法，还包括：
根据所述纺织品的损伤等级以及所述风险类型和等级，提供推荐的护理策略。
示例8、如示例7所述的方法，还包括：
根据所述推荐的护理策略，提供推荐的护理产品。
示例9、如示例8所述的方法，其中提供推荐的护理策略或推荐的护理产品进一步基于有关个人偏好的用户输入。
示例10、如示例8所述的方法，还包括：
生成使用多种护理策略和护理产品对所述纺织品进行护理后的模拟护理结果。
示例11、如示例10所述的方法，其中所述多种护理策略和护理产品包括默认的护理策略和护理产品、用户选择的护理策略和护理产品以及所述推荐的护理策略和推荐的护理产品中的一者或多者。
示例12、如示例1至11中的任一项所述的方法，其中所述纺织品的图像是微距图像，并且所述微距图像是由便携式设备通过内置的微距镜头或与该便携式设备连接的外置微距镜头拍摄的。
示例13、如示例8所述的方法，还包括：
提供可用于用户购买所述护理产品的选项。
示例14、根据示例1至13中的任一项所述的方法，其中所述织物属性是由以下组成的组中的一种：编织类型、光泽、弹性以及它们的组合。
示例15、如示例14所述的方法，其中所述编织类型包括斜纹、平纹、针织和缎纹中的一种或多种。
示例16、如示例1至13中的任一项所述的方法，其中所述织物类型包括棉、天丝、再生纤维、聚酯纤维、莱赛尔、尼龙、高含量聚酯、低含量聚酯、莫代尔、羊毛、羊绒、人造丝、腈纶、粘纤、人造棉、和丝织品中的一种或多种。
示例17.如示例16所述的方法，其中所述丝织品包括天然丝织品、人造丝织品、丝绸中的一种或多种。
示例18、如示例5所述的方法，其中所述风险类型包括起毛、起球、变形、褪色、褶皱、缩水、异味和静电中的一种或多种。
示例19、一种用于确定纺织品状况的方法，包括：
接收所述纺织品的至少一部分的数字图像；
使用机器学习方法电子地分析所接收的数字图像，以识别所述纺织品的所述至少一部分的织物属性，该织物属性能够指示所述纺织品的纺织品状况；以及
基于所识别的织物属性来确定所分析的数字图像中的所述纺织品的纺织品状况。
示例20、根据示例19所述的方法，还包括：
给所分析的数字图像中的所述纺织品的纺织品状况分配严重性程度。
示例21、根据示例20所述的方法，其中，分配严重性程度的步骤包括：
比较所述纺织品状况和与所述织物属性的一组图像相关联的预定值。
示例22、根据示例21所述的方法，其中所述纺织品状况的严重性程度包括织物损伤值。
示例23、根据示例19至22中任一项所述的方法，其中所述织物属性是由以下组成的组中的一种：编织图案、织物类型、光泽、弹性以及它们的组合。
示例24、一种用于提供纺织品护理推荐的方法，包括：
接收所述纺织品的至少一部分的图像；
使用机器学习方法分析所述图像，以识别所述纺织品的所述至少一部分的织物属性，该织物属性能够指示所述纺织品的纺织品状况；
基于所述织物属性确定所分析的数字图像中的所述纺织品的纺织品状况；以及
推荐用于护理所述纺织品状况的纺织品护理策略。
示例25、根据示例24所述的方法，还包括：
给所分析的数字图像中的所述纺织品的纺织品状况分配严重性程度。
示例26、根据示例25所述的方法，其中，分配严重性程度的步骤包括：
比较所述纺织品状况和与所述织物属性的一组图像相关联的预定值。
示例27、根据示例26所述的方法，其中所述纺织品状况的严重性程度包括织物损伤值。
示例28、根据示例24至27中任一项所述的方法，其中所述织物属性是由以下组成的组中的一种：编织图案、织物类型、光泽、弹性以及它们的组合。
示例29.一种用于将纺织品信息可视化的方法,包括：
显示第一选项以从用户接收所述纺织品的至少一部分的图像；
显示第二选项以从用户接收所述纺织品的所述至少一部分的织物类型的信息；
通过机器学习方法分析所述图像以识别所述纺织品的所述至少一部分的织物属性；
根据所接收的图像、所述织物属性和所述织物类型，通过机器学习方法来确定所述纺织品的损伤等级；以及
显示所述纺织品的损伤等级。
示例30、如示例29所述的方法，还包括：
根据所述织物属性和织物类型的信息，确定并显示所述纺织品的风险类型和等级。
示例31、如示例29所述的方法，还包括：
根据所述织物属性、织物类型和损伤等级确定并显示所述纺织品的估计的使用年龄。
示例32、如示例30或31所述的方法，还包括：
根据所述纺织品的损伤等级以及所述风险类型和等级，显示推荐的护理策略。
示例33、如示例29至32中的任一项所述的方法，还包括：
根据所述推荐的护理策略，显示推荐的护理产品。
示例34、如示例33所述的方法，还包括：
显示第三选项以接收关于个人偏好的用户输入，
其中显示推荐的护理策略或推荐的护理产品进一步基于所述个人偏好。
示例35、如示例33或34所述的方法，还包括：
显示使用多种护理策略和护理产品对所述纺织品进行护理后的模拟护理结果。
示例36、如示例33至35中的任一项所述的方法所述的方法，其中所述多种护理策略和护理产品包括默认的护理策略和护理产品、用户选择的护理策略和护理产品以及所述推荐的护理策略和推荐的护理产品中的一者或多者。
示例37、如示例33至36中的任一项所述的方法，还包括：
显示第四选项以使得用户能够购买所述护理产品。
示例38、根据示例29至37中的任一项所述的方法，其中所述织物属性是由以下组成的组中的一种：编织类型、光泽、弹性以及它们的组合。
示例39、如示例38所述的方法，其中所述编织类型包括斜纹、平纹、针织和缎纹中的一种或多种。
示例40、如示例29至39中的任一项所述的方法，其中显示第二选项包括显示棉、天丝、再生纤维、聚酯纤维、莱赛尔、尼龙、高含量聚酯、低含量聚酯、莫代尔、羊毛、羊绒、人造丝、腈纶、粘纤、人造棉、和丝织品以供用户选择。
示例41.如示例40所述的方法，其中所述丝织品包括天然丝织品、人造丝织品、丝绸中的一种或多种。
示例42、如示例29至41中的任一项所述的方法，其中所述风险类型包括起毛、起球、变形、褪色、褶皱、缩水、异味和静电中的一种或多种。
示例43.如示例29至42中的任一项所述的方法，其中显示纺织品的损伤等级包括以统计图形、文字、百分比、叠加在所述纺织品的至少一部分的图像上的词云图形或它们的任意组合来显示纺织品的损伤等级。
示例44、一种电子设备，包括：
一个或多个处理器；和
存储器，其上存储有计算机可执行指令，所述计算机可执行指令在由所述一个或多个处理器运行时使得所述一个或多个处理器执行根据示例1-43中的任意一个所述的方法。
示例45、一种非暂态的计算机可读介质，其上存储有计算机可执行指令，所述计算机可执行指令在由一个或多个处理器运行时使得所述一个或多个处理器执行根据权利要求1-43中的任意一个所述的方法。
虽然已通过示例详细展示了本发明的一些具体实施例，但是本领域技术人员应当理解，上述示例仅意图是说明性的而不限制本发明的范围。应该认识到的是，前述方法中的一些步骤不一定按照图示的顺序执行，而是它们可以被同时、以不同顺序或以重叠方式执行。此外，本领域技术人员可以根据需要增加一些步骤或省略一些步骤。前述系统中的一些部件不是必须按照图示的布置，本领域技术人员可以根据需要增加一些部件或省略一些部件。本领域技术人员应该理解，上述实施例可以在不脱离本发明的范围和实质的情况下被修改。本发明的范围是通过所附的权利要求限定的。

Claims (10)

1.一种用于确定纺织品的损伤等级的方法，包括：
接收所述纺织品的至少一部分的图像；
接收所述纺织品的所述至少一部分的织物类型的信息；
通过机器学习方法分析所述图像以识别所述纺织品的所述至少一部分的织物属性；
根据所接收的图像、所识别的织物属性和所述织物类型，通过机器学习方法确定与所识别的织物属性相关联的严重性值；以及
基于所确定的严重性值来确定所述纺织品的损伤等级。
2.如权利要求1所述的方法，其中所述纺织品的严重性值是通过严重性预测模型确定的，所述严重性预测模型包括多个卷积神经网络模型，并且每个卷积神经网络模型被配置用于分析由多个织物属性中的至少一个织物属性和多个织物类型中的至少一个织物类型形成的纺织品的图像。
3.如权利要求2所述的方法，其中每个卷积神经网络模型是使用由多个织物属性中的至少一个织物属性和多个织物类型中的至少一个织物类型形成且具有不同的严重性值的多个纺织品的图像来训练的。
4.如权利要求3所述的方法，其中所述具有不同的严重性值的多个纺织品的图像是通过对所述多个纺织品进行不同次数的机洗之后获取所述多个纺织品的相应图像获得的。
5.如权利要求1所述的方法，还包括：
根据所述织物属性和织物类型的信息，确定所述纺织品的风险类型和等级。
6.如权利要求1所述的方法，还包括：
根据所述织物属性、织物类型和损伤等级确定所述纺织品的估计的使用年龄。
7.如权利要求5所述的方法，还包括：
根据所述纺织品的损伤等级以及所述风险类型和等级，提供推荐的护理策略。
8.如权利要求7所述的方法，还包括：
根据所述推荐的护理策略，提供推荐的护理产品。
9.如权利要求8所述的方法，其中提供推荐的护理策略或推荐的护理产品进一步基于有关个人偏好的用户输入。
10.如权利要求8所述的方法，还包括：
生成使用多种护理策略和护理产品对所述纺织品进行护理后的模拟护理结果。
CN201910628990.6A 2019-07-12 2019-07-12 一种提供纺织品信息和将其可视化的系统及方法 Pending CN112215791A (zh)

Priority Applications (7)

Application Number Priority Date Filing Date Title
CN201910628990.6A CN112215791A (zh) 2019-07-12 2019-07-12 一种提供纺织品信息和将其可视化的系统及方法
CA3146979A CA3146979A1 (en) 2019-07-12 2020-07-10 System and method for providing textile information and visualizing same
PCT/CN2020/101384 WO2021008464A1 (en) 2019-07-12 2020-07-10 System and method for providing textile information and visualizing same
KR1020227000775A KR20220020352A (ko) 2019-07-12 2020-07-10 텍스타일 정보를 제공하고 시각화하기 위한 시스템 및 방법
EP20840677.7A EP3997663A4 (en) 2019-07-12 2020-07-10 SYSTEM AND PROCEDURE FOR PROVIDING TEXTILE INFORMATION AND VISUALIZING THESE
JP2021573897A JP7451571B2 (ja) 2019-07-12 2020-07-10 織物情報を提供し、それを可視化するためのシステム及び方法
US16/925,475 US20210012243A1 (en) 2019-07-12 2020-07-10 System and a method for providing and visualizing information of a fabric product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910628990.6A CN112215791A (zh) 2019-07-12 2019-07-12 一种提供纺织品信息和将其可视化的系统及方法

Publications (1)

Publication Number Publication Date
CN112215791A true CN112215791A (zh) 2021-01-12

Family

ID=74047824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910628990.6A Pending CN112215791A (zh) 2019-07-12 2019-07-12 一种提供纺织品信息和将其可视化的系统及方法

Country Status (7)

Country Link
US (1) US20210012243A1 (zh)
EP (1) EP3997663A4 (zh)
JP (1) JP7451571B2 (zh)
KR (1) KR20220020352A (zh)
CN (1) CN112215791A (zh)
CA (1) CA3146979A1 (zh)
WO (1) WO2021008464A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3097565B1 (fr) * 2019-06-19 2022-08-12 Staubli Sa Ets Machine textile, métier à tisser comportant une telle machine textile et procédés associés

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120106830A1 (en) * 2010-11-02 2012-05-03 Thiagarajar College Of Engineering Texture Identification
CN106845556A (zh) * 2017-02-09 2017-06-13 东华大学 一种基于卷积神经网络的织物疵点检测方法
CN108389180A (zh) * 2018-01-19 2018-08-10 浙江工业大学 一种基于深度学习的织物疵点检测方法
CN109300117A (zh) * 2018-09-05 2019-02-01 深圳灵图慧视科技有限公司 神经网络系统、电子设备和机器可读介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NL8601818A (nl) * 1986-07-11 1988-02-01 Picanol Nv Werkwijze om de positie van de inslagdraden van een weefsel te kontroleren.
KR960005668Y1 (ko) * 1991-11-22 1996-07-11 닛산 텍시스 가부시끼가이샤 직기제어 시스템
JPH09152480A (ja) * 1995-11-30 1997-06-10 Mitsubishi Electric Corp 自動目標認識装置
WO2001096645A2 (en) * 2000-06-12 2001-12-20 The Procter & Gamble Company Method and system for optimizing performance of consumer appliances
WO2004042379A1 (de) 2002-11-06 2004-05-21 Uster Technologies Ag Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden
JP2005156334A (ja) * 2003-11-25 2005-06-16 Nec Tohoku Sangyo System Kk 疑似不良画像自動作成装置及び画像検査装置
US9476156B2 (en) * 2012-01-06 2016-10-25 Lg Electronics Inc. Portable terminal and control method of clothes treatment apparatus using the same
US9412038B1 (en) * 2015-02-03 2016-08-09 The Dial Corporation Determining a color value of an article of fabric
CN109477824B (zh) * 2016-07-15 2023-10-31 汉高股份有限及两合公司 通过结构信息来确定织物的处理参数的方法
US10726244B2 (en) * 2016-12-07 2020-07-28 Samsung Electronics Co., Ltd. Method and apparatus detecting a target
US10282772B2 (en) * 2016-12-22 2019-05-07 Capital One Services, Llc Systems and methods for wardrobe management
JP6421886B1 (ja) * 2018-02-01 2018-11-14 オムロン株式会社 情報処理装置、衣服分別システム、情報処理方法、及び制御プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120106830A1 (en) * 2010-11-02 2012-05-03 Thiagarajar College Of Engineering Texture Identification
CN106845556A (zh) * 2017-02-09 2017-06-13 东华大学 一种基于卷积神经网络的织物疵点检测方法
CN108389180A (zh) * 2018-01-19 2018-08-10 浙江工业大学 一种基于深度学习的织物疵点检测方法
CN109300117A (zh) * 2018-09-05 2019-02-01 深圳灵图慧视科技有限公司 神经网络系统、电子设备和机器可读介质

Also Published As

Publication number Publication date
JP2022536179A (ja) 2022-08-12
JP7451571B2 (ja) 2024-03-18
KR20220020352A (ko) 2022-02-18
EP3997663A1 (en) 2022-05-18
CA3146979A1 (en) 2021-01-21
WO2021008464A1 (en) 2021-01-21
EP3997663A4 (en) 2023-08-09
US20210012243A1 (en) 2021-01-14

Similar Documents

Publication Publication Date Title
US20210406987A1 (en) Recommendation system, method and computer program product based on a user's physical features
US20180218436A1 (en) Virtual Personal Shopping System
US10949914B2 (en) Immersive and artificial intelligence based retail
US10019779B2 (en) Browsing interface for item counterparts having different scales and lengths
Kim et al. An exploratory study of users’ evaluations of the accuracy and fidelity of a three-dimensional garment simulation
CN103339625B (zh) 用于显示数据集的方法
CN111787242B (zh) 用于虚拟试衣的方法和装置
CN108960959A (zh) 基于神经网络的多模态互补服装搭配方法、系统及介质
US10026176B2 (en) Browsing interface for item counterparts having different scales and lengths
JP2019219914A (ja) 画像生成装置、画像生成器、画像識別器、画像生成プログラム、及び、画像生成方法
CN111767817B (zh) 一种服饰搭配方法、装置、电子设备及存储介质
WO2020152701A1 (en) Apparel visualization system and method thereof
Zhao et al. Big data and digital design models for fashion design
KR20200025291A (ko) 사용자 단말기를 이용한 퍼스널 컬러진단을 통한 쇼핑서비스 제공방법 및 그 시스템
JP7358881B2 (ja) アバター生成装置、移動体端末、服飾マッチングシステム、アバター生成方法およびプログラム
Ornati Touch in text. The communication of tactility in fashion E-commerce garment descriptions
WO2021008464A1 (en) System and method for providing textile information and visualizing same
US10885556B2 (en) Fashion display system, method, recording medium and display apparatus
CN112633984B (zh) 面料效果图片生成方法、装置、计算机设备和存储介质
KR20130024460A (ko) 모바일 커머스에서의 제품의 비교선택방법
JP2019220133A (ja) 画像生成装置、画像生成器、画像識別器、画像生成プログラム、及び、画像生成方法
CN111754297A (zh) 图像共享处理方法及电子设备
US20200177688A1 (en) Weighted digital image object tagging
WO2024033943A1 (en) Method and system for displaying three-dimensional virtual apparel on three-dimensional avatar for real-time fitting
CN108196671A (zh) 虚拟现实装置内的图像显示方法及虚拟现实装置

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