CN117904835A - 基于图像识别的洗衣机脱水控制方法、控制装置及洗衣机 - Google Patents

Abstract

本发明涉及一种基于图像识别的洗衣机脱水控制方法、控制装置及洗衣机，脱水控制方法包括：在排水完成后脱水开始前，获取洗涤筒内不同视角的多张衣物图像；通过预先训练的识别模型对多张衣物图像进行处理，识别衣物在洗涤筒中的堆叠高度、展开面积和分布状态参数；将识别的堆叠高度、展开面积和分布状态参数输入预先训练的神经网络模型中，确定衣物处理筒当前负载开始脱水的最高无振荡转速；根据最高无振荡转速确定洗涤筒的脱水进程。本发明的技术方案实现了对不同衣物量以及衣物状态对应的最高无振荡转速值进行预测，以使洗衣机迅速到达合适脱水转速，极大缩短脱水时间，提升脱水效率，提高脱水效果。

Description

基于图像识别的洗衣机脱水控制方法、控制装置及洗衣机

技术领域

本发明涉及洗衣机领域，具体而言，涉及一种基于图像识别的洗衣机脱水控制方法、控制装置及洗衣机。

背景技术

目前洗衣机常见的脱水流程是在排水完成后脱水开始前，先确定洗衣机当前负载所对应的脱水预设转速等级，并通过偏心检测算法分步式增高转速到最高转速，而没有考虑当衣物的量以及衣物的分布状态一定时，洗衣机在进入一定的转速之前不会发生振荡现象。尤其是当衣物量非常少时无论衣物当前在筒中处于什么状态都可以直接将脱水转速升高到设定的最高脱水转速而不会发生振荡撞桶现象，因此导致脱水过程中，脱水转速增速至最高转速需要的时间较长。

发明内容

本发明提供一种基于图像识别的洗衣机脱水控制方法、控制装置及洗衣机，以至少解决目前洗衣机在脱水过程中脱水转速增速至最高转速所需时间较长的技术问题。

本发明第一方面提出了一种基于图像识别的洗衣机脱水控制方法，所述脱水控制方法包括：

在排水完成后脱水开始前，获取洗涤筒内不同视角的多张衣物图像；

通过预先训练的识别模型对所述多张衣物图像进行处理，识别衣物在所述洗涤筒中的堆叠高度、展开面积和分布状态参数；

将识别的所述堆叠高度、所述展开面积和所述分布状态参数输入预先训练的神经网络模型中，确定衣物处理筒当前负载开始脱水的最高无振荡转速；

根据所述最高无振荡转速确定洗涤筒的脱水进程。

在一些实施方式中，所述根据所述最高无振荡转速与洗衣机的设定最高脱水转速来确定洗涤筒的实际脱水转速，包括：

确定所述最高无振荡转速是否达到设定最高脱水转速；

在所述最高无振荡转速达到所述设定最高脱水转速的情况下，控制所述洗涤筒以所述设定最高脱水转速脱水；

在所述最高无振荡转速未达到所述设定最高脱水转速的情况下，控制所述洗涤筒以所述最高无振荡转速脱水，并进入脱水转速逐级提升阶段。

在一些实施方式中，在所述脱水转速逐级提升阶段中根据所述洗涤筒的偏心值控制脱水进程。

在一些实施方式中，所述在所述脱水转速逐级提升阶段中根据所述洗涤筒的偏心值控制脱水进程，包括：

控制洗涤筒的脱水转速提升预设转速；

获取洗涤筒的偏心值，确定所述偏心值与设定偏心值的大小；

在所述偏心值大于设定偏心值的情况下，控制所述洗衣机进入抖散程序和/或解缠绕程序；

在所述偏心值小于或等于设定偏心值的情况下，再次进入所述控制洗涤筒的脱水转速提升预设转速的步骤，直至达到所述设定最高脱水转速。

在一些实施方式中，在所述抖散程序和/或解缠绕程序之后，所述控制方法还包括：

累计脱水失败次数；

在累计的所述脱水失败次数达到设定次数的情况下，跳过当前脱水过程后进入后续衣物处理程序；

在累计的所述脱水失败次数未达到设定次数的情况下，返回至所述获取洗涤筒内不同视角的多张衣物图像的步骤。

在一些实施方式中，所述不同视角的多张衣物图像至少包括：

沿所述洗涤筒轴向方向视角的第一衣物图像，以及沿所述洗涤筒的轴向方向一侧的上端向对侧下端方向视角的第二衣物图像。

在一些实施方式中，所述通过预先训练的识别模型对所述多张衣物图像进行处理，来确定衣物在所述洗涤筒中的堆叠高度、展开面积和分布状态参数，包括：

通过预先训练的识别模型对所述第一衣物图像进行图像分割处理，识别衣物在所述洗涤筒内的堆叠高度；

通过预先训练的识别模型对所述第二衣物图像进行图像分割处理，识别衣物在所述洗涤筒内的展开面积和分布状态参数。

在一些实施方式中，所述识别模型的训练过程，包括：

获取训练数据集，其中，所述训练数据集包括洗涤筒内不同视角的多张衣物图像样本，每张衣物图像样本带有用于标记衣物在洗涤筒内状态信息的状态标签，所述状态信息包括衣物在所述洗涤筒的堆叠高度、展开面积与分布状态参数；

通过所述训练数据集对初始识别模型进行预设次数的训练，每次训练结束后，将训练结果与状态标签进行比对；

在比对结果不满足预设的训练条件的情况下，调整初始识别模型的模型参数，得到更新的初始识别模型，并再次通过训练数据集对初始识别模型进行预设次数的训练；

在比对结果满足预设的训练条件或者训练次数达到预设次数时，完成初始识别模型的训练，得到能够根据输入图像进行学习后输出所述输入图像中的衣物的状态信息的识别模型。

本发明第二方面提出了一种控制装置，其包括一个或多个处理器以及存储有程序指令的非暂时性计算机可读存储介质，当所述一个或多个处理器执行所述程序指令时，所述一个或多个处理器用于实现本发明第一方面所提出的任一基于图像识别的洗衣机脱水控制方法。

本发明第三方面提出了一种洗衣机，所述洗衣机根据本发明第一方面所提出的任一基于图像识别的洗衣机脱水控制方法运行，或者包括本发明第二方面所提出的控制装置。

本发明的技术方案可以包括以下有益效果：本发明通过获取洗涤筒内不同视角的衣物图像后对洗涤筒内衣物的堆叠高度、展开面积和分布状态参数进行识别，然后通过机器学习手段训练神经网络模型，以预测不同衣物量以及衣物状态对应的最高无振荡转速值，使洗衣机迅速到达合适脱水转速。在衣物量极少时能直接按照设定最高脱水转速进行脱水；在衣物量较多时可先按照预测的预设最高无振荡转速进行脱水再通过偏心检测来逐级提升转速以快速达到最高转速，极大缩短脱水时间，提升脱水效率，提高脱水效果。

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。

图1是根据一示例性实施例示出的洗衣机的脱水流程图之一。

图2是根据一示例性实施例示出的洗衣机的脱水流程图之二。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的.本发明的一些方面相一致的装置和方法的例子。

在衣物脱水过程中，当衣物的量以及衣物的分布状态一定时，洗衣机在进入一定的转速之前不会发生振荡现象。尤其是当衣物量非常少时无论衣物当前在筒中处于什么状态都可以直接将脱水转速升高到设定最高脱水转速而不会发生震荡撞桶现象；其次如果当前衣物的量与分布状态可能会引起震荡，但当给予合适的转速时仍能保证转筒的偏心值不会超出该转速下的限定范围，令洗涤筒直接提升至该转速并进入转速提升状态直至到达最高转速。另外，当洗涤筒内衣物具有相同的堆叠高度h和展开面积s但在筒中的分布状态不同时，其对应的最高无振荡转速也会不同。因此，本实施例提出了一种基于图像识别的洗衣机脱水控制方法、控制装置及洗衣机，以预测洗涤桶基于当前负载量和衣物分布状态的最高无振荡脱水转速，以显著缩短脱水转速增速至最大转速的时间，提升脱水效率和提升脱水效果。

图1是根据一示例性实施例示出的基于图像识别的洗衣机脱水控制方法，参照图1，本实施例的脱水控制方法包括如下步骤：

S11、在排水完成后脱水开始前，获取洗涤筒内不同视角的多张衣物图像。

本实施例中，洗衣机包括多个照相设备，多个照相设备用于拍摄洗涤筒内衣物不同视角的衣物图像。在一示例中，多个照相设备包括第一摄像头和第二摄像头，第一摄像头设置于洗涤桶的机门位置处，且第一摄像头的拍摄视角为沿洗涤筒轴向方向，第一摄像头拍摄洗涤筒内的第一衣物图像，为了保证拍摄结果的准确性，在排水完成后脱水开始前可连续获取多张第一衣物图像。第二摄像头设置于洗涤筒的后壁的上部，且第二摄像头的拍摄视角为沿洗涤桶轴向方向一侧的上端向对侧下端方向，第二摄像头拍摄洗涤筒内的第二衣物图像，为了保证拍摄结果的准确性，在排水完成后脱水开始前可连续获取多张第二衣物图像。在后续步骤中可根据第一衣物图像确定衣物在洗涤筒内的堆叠高度，根据第二衣物图像确定衣物在洗涤筒内的展开面积和分布状态参数。

在其他可实现的实施方式中，不同视角的衣物图像并不限定第一摄像头和第二摄像头的拍摄视角，其他不同拍摄视角下只要能实现对衣物堆叠高度、展开面积和分布状态参数的识别均囊括在本实施例的方案中。

S12、通过预先训练的识别模型对多张衣物图像进行处理，识别衣物在洗涤筒中的堆叠高度、展开面积和分布状态参数。

本实施例中，识别模型用于根据多张衣物图像识别衣物在筒内的衣物状态，识别模型可以是指Mobile-Unet识别模型，当然也可以是其他的识别模型。获得不同视角的多张衣物图像后，将多张衣物图像分别通过预先训练的识别模型进行训练。在一示例中，当多张衣物图像包括沿洗涤筒轴向方向视角的第一衣物图像，以及沿洗涤筒的轴向方向一侧的上端向对侧下端方向视角的第二衣物图像时，通过预先训练的识别模型对第一衣物图像进行图像分割处理，识别出衣物和洗涤筒两者之间分别分割的部分，从而可确定衣物在洗涤筒内的堆叠高度；通过预先训练的识别模型对第二衣物图像进行图像分割处理，识别出衣物和洗涤筒两者之间分别分割的部分，从而可确定衣物在洗涤筒内的展开面积和分布状态参数。其中分布状态参数是指在相同堆叠高度、相同展开面积时衣物分布状态，分布状态θ包括θ1、θ2、θ3……，例如θ1代表衣物均衡分布，θ2代表左大右小分布，θ3代表上大下小分布。

S13、将识别的堆叠高度、展开面积和分布状态参数输入预先训练的神经网络模型中，确定衣物处理筒当前负载开始脱水的最高无振荡转速。

本实施例中，衣物图像通过识别模型运算后识别出衣物占据内筒的不同堆叠高度h、展开面积s与分布状态参数θ后，可将大量衣物图像经过模型运算得出的h,s,θ值以及实验获得的最高无振荡转速作为数据集输入网络对卷积神经网络进行训练。然后将实际排水完成后脱水开始前获取的多张不同视角的衣物图像通过预先训练的识别模型识别的h,s,θ值输入神经网络进行预测，即可得出当前衣物量与衣物状态所对应的最高无振荡转速。其中堆叠高度h的单位为CM或百分比、展开面积s的单位为CM²或百分比、分布状态参数θ值例如为均衡、左大右小、上大下小等。

S14、根据最高无振荡转速确定洗涤筒的脱水进程。

本实施例中，在确定洗衣机的最高无振荡转速后，即可根据最高无振荡转速与洗衣机所允许的设定最高脱水转速来确定洗涤筒实际脱水转速，具体地，先确定最高无振荡转速是否达到设定最高脱水转速，在最高无振荡转速达到设定最高脱水转速的情况下，则控制洗涤筒以设定最高脱水转速脱水。在最高无振荡转速未达到设定最高脱水转速的情况下，控制洗涤筒以最高无振荡转速脱水。本实施例可实现在衣物量极少时直接以设定最高脱水转速进行脱水，在衣物量较多时可先按照预测的最高无振荡的转速作为初始转速进行脱水，并进入脱水转速逐级提升阶段，通过逐级提升转速以快速达到最高转速，极大缩短脱水时间，提升脱水效率，提高脱水效果。

在一些实施例中，在脱水转速逐级提升阶段中根据洗涤筒的偏心值控制脱水进程，以避免在逐级提升转速的过程中出现振荡撞桶的情况。

在一些实施例中，在脱水转速逐级提升阶段中根据洗涤筒的偏心值控制脱水进程，包括：控制洗涤筒的脱水转速提升预设转速；获取洗涤筒的偏心值，确定偏心值与设定偏心值的大小；在偏心值大于设定偏心值的情况下，控制洗衣机进入抖散程序和/或解缠绕程序；在偏心值小于或等于设定偏心值的情况下，再次进入控制洗涤筒的脱水转速提升预设转速的步骤，直至达到设定最高脱水转速。

具体的，当预测的最高无振荡转速小于设定最高脱水转速时，先控制洗涤筒直接以预测的最高无振荡转速运行，然后在最高无振荡转速的基础上提升预设转速。在洗涤筒转速提升后获取洗涤筒的偏心值，将偏心值与当前衣物重量对应的设定偏心值进行比较，若检测的偏心值大于设定偏心值，无法继续提升脱水转速，则需要对衣物进行抖散和/或解缠绕，以避免出现撞桶或震荡的情况。其中，抖散程序是通过控制洗涤筒以第一转速正反交替转动并持续第一时长，解缠绕程序是控制洗涤筒降速至0后，控制洗涤筒以第二转速反方向转动并持续第二时长，且放宽偏心检测的设定偏心值范围。本实施例在检测的偏心值大于设定偏心值时可同时执行抖散程序和解缠绕程序，也可以只执行抖散程序和解缠绕程序中的一种。在完成抖散程序和解缠绕程序后，由于衣物在洗涤筒内的堆叠高度、展开面积和分布状态参数均发生变化，则最高无振荡转速也将发生变化，此时需重新预测洗涤筒的最高无振荡转速，并按照新预测的最高无振荡转速来确定洗涤筒的脱水进程。

在一些实施例中，在抖散程序和/或解缠绕程序之后，控制方法还包括：累计脱水失败次数；在累计的脱水失败次数达到设定次数的情况下，跳过当前脱水过程后进入后续衣物处理程序；在累计的脱水失败次数未达到设定次数的情况下，返回至获取洗涤筒内不同视角的多张衣物图像的步骤。

具体的，当洗涤筒转速提升设定值后，若检测洗涤筒偏心值大于设定偏心值，则无法继续提升脱水转速，说明此次脱水失败，通过抖散和/或解缠绕后再重复一次前面的脱水过程，为了避免脱水失败后无止境的重复脱水过程，导致脱水时间延长，因此，需对脱水失败次数进行限定，脱水失败次数例如为3次或5次，在脱水失败次数达到设定次数，不再重复前面的脱水过程，而是跳过当前脱水过程后运行后续的衣物处理程序，若当前执行的脱水过程为主洗脱水或漂洗脱水，则跳过主洗脱水或漂洗脱水后执行后续程序。若当前执行的脱水过程为最终脱水过程，在洗衣机仅洗涤衣物的情况下，则跳过最终脱水过程后结束衣物洗涤，然后向用户发送脱水不成功的提示信息。若洗衣机还包括烘干程序或衣物护理程序，则跳过最终脱水过程后进入烘干程序或衣物处理程序，并在所有衣物处理程序完成后向用户发出脱水不成功的提示信息。

在一些实施例中，识别模型的训练过程，包括：获取训练数据集，其中，训练数据集包括洗涤筒内不同视角的多张衣物图像样本，每张衣物图像样本带有用于标记衣物在洗涤筒内状态信息的状态标签，状态信息包括衣物在洗涤筒的堆叠高度、展开面积与分布状态参数；通过训练数据集对初始识别模型进行预设次数的训练，每次训练结束后，将训练结果与状态标签进行比对；在比对结果不满足预设的训练条件的情况下，调整初始识别模型的模型参数，得到更新的初始识别模型，并再次通过训练数据集对初始识别模型进行预设次数的训练；在比对结果满足预设的训练条件或者训练次数达到预设次数时，完成初始识别模型的训练，得到能够根据输入图像进行学习后输出输入图像中的衣物的状态信息的识别模型。

具体的，在识别模型的训练过程，先获取大量洗涤筒内衣物不同视角的衣物图片，然后采用如Labelme标注软件对每张衣物图像中的衣物状态信息进行标注，获得大量带有状态标签的标注图，然后将大量标注图用于训练如MobileU-net识别模型，训练后的模型能将给定的实际拍摄的不同视角的衣物图像进行运算后识别出衣物占据内筒的不同堆叠高度h、展开面积s与分布状态参数θ。

在确定洗涤筒内衣物的堆叠高度h、展开面积s与分布状态参数θ后，将识别出的堆叠高度h、展开面积s与分布状态参数θ输入值预先训练的神经网络模型后，预先训练的神经网络模型即可输出最高无振荡转速。

在卷积神经网络的训练阶段，首先需要将语义分割模型运算后识别出的衣物占据洗涤筒的堆叠高度h、展开面积s、分布状态参数θ以及实验获得的最佳预设转速输入网络对卷积神经网络进行训练。卷积神经网络的训练阶段的各参数如表一：

表一：

表一中h1、h2、h3……为与不同衣物图像中衣物对应的衣物堆叠高度h，s1、s2、s3……为不同衣物图像中衣物对应的衣物展开面积s，θ1、θ2、θ2.......为不同衣物图像中衣物对应的分布状态参数θ，V1、V2、V3……为与堆叠高度、展开面积和分布状态参数对应的最高无振荡转速V。

在洗衣机实际脱水过程中，将实际测得的与当前负载对应的h,s,θ值输入神经网络进行预测，得出与当前衣物堆叠高度、展开面积与衣物状态所对应的最高无振荡转速值。表二为根据一示例性实施例示出的不同堆叠高度、展开面积和分布状态参数下神经网络模型所预测的最高无振荡转速。

表二：

以上举例仅为展示所用，具体实施时的实验结果与该例显示结果无关。

图2是根据一示例性实施例示出的基于图像识别的洗衣机脱水控制方法，参照图2，本实施例的脱水控制方法包括如下步骤：

S201、获取洗涤筒内不同视角的多张衣物图像；

S202、通过预先训练的识别模型对多张衣物图像进行语义分割识别，得到衣物在洗涤筒内的堆叠高度h、展开面积s以及分布状态参数θ；

S203、将h、s以及θ输入预先训练的卷积神经网络确定最高无振荡转速；

S204、判断最高无振荡转速是否大于或等于设定最高脱水转速，判断结果为是，以设定最高脱水转速控制洗涤筒转动，直至脱水结束；判断结果为否，进入S205；

S205、控制洗涤筒以最高无振荡转速转动；

S206、在当前转速的基础上提升预设转速Vt；

S207、获取洗涤筒的偏心值；

S208、判断偏心值是否大于设定偏心值，判断结果为是，进入S209，判断结果为否，进入S210；

S209、进入抖散程序和解缠绕程序，进入S211；

S210、判断当前转速是否达到设定最高脱水转速，判断结果为是，以设定最高脱水转速运行直至脱水结束，若判断结果为否，返回S206；

S211、累计脱水失败次数n；

S212、判断脱水失败次数是否达到设定次数，判断结果为是，跳过当前脱水过程，进入后续衣物处理程序；判断结果为否，返回S201。

根据一示例性实施例，本实施例提出了一种控制装置，其包括一个或多个处理器以及存储有程序指令的非暂时性计算机可读存储介质，当一个或多个处理器执行程序指令时，一个或多个处理器用于实现上述实施例所提出的任一基于图像识别的洗衣机脱水控制方法。

根据一示例性实施例，本实施例提出了一种洗衣机，洗衣机根据上述实施例所提出的任一基于图像识别的洗衣机脱水控制方法运行，或者包括上述实施例所提出的控制装置。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于图像识别的洗衣机脱水控制方法，其特征在于，所述脱水控制方法包括：

在排水完成后脱水开始前，获取洗涤筒内不同视角的多张衣物图像；

通过预先训练的识别模型对所述多张衣物图像进行处理，识别衣物在所述洗涤筒中的堆叠高度、展开面积和分布状态参数；

将识别的所述堆叠高度、所述展开面积和所述分布状态参数输入预先训练的神经网络模型中，确定衣物处理筒当前负载开始脱水的最高无振荡转速；

根据所述最高无振荡转速确定洗涤筒的脱水进程。

2.根据权利要求1所述的基于图像识别的洗衣机脱水控制方法，其特征在于，所述根据所述最高无振荡转速确定洗涤筒的脱水进程，包括：

确定所述最高无振荡转速是否达到设定最高脱水转速；

在所述最高无振荡转速达到所述设定最高脱水转速的情况下，控制所述洗涤筒以所述设定最高脱水转速脱水；

在所述最高无振荡转速未达到所述设定最高脱水转速的情况下，控制所述洗涤筒以所述最高无振荡转速脱水，并进入脱水转速逐级提升阶段。

3.根据权利要求2所述的基于图像识别的洗衣机脱水控制方法，其特征在于，在所述脱水转速逐级提升阶段中根据所述洗涤筒的偏心值控制脱水进程。

4.根据权利要求3所述的基于图像识别的洗衣机脱水控制方法，其特征在于，所述在所述脱水转速逐级提升阶段中根据所述洗涤筒的偏心值控制脱水进程，包括：

控制洗涤筒的脱水转速提升预设转速；

获取洗涤筒的偏心值，确定所述偏心值与设定偏心值的大小；

在所述偏心值大于设定偏心值的情况下，控制所述洗衣机进入抖散程序和/或解缠绕程序；

在所述偏心值小于或等于设定偏心值的情况下，再次进入所述控制洗涤筒的脱水转速提升预设转速的步骤，直至达到所述设定最高脱水转速。

5.根据权利要求4所述的基于图像识别的洗衣机脱水控制方法，其特征在于，在所述抖散程序和/或解缠绕程序之后，所述控制方法还包括：

累计脱水失败次数；

在累计的所述脱水失败次数达到设定次数的情况下，跳过当前脱水过程后进入后续衣物处理程序；

在累计的所述脱水失败次数未达到设定次数的情况下，返回至所述获取洗涤筒内不同视角的多张衣物图像的步骤。

6.根据权利要求1所述的基于图像识别的洗衣机脱水控制方法，其特征在于，所述不同视角的多张衣物图像至少包括：

沿所述洗涤筒轴向方向视角的第一衣物图像，以及沿所述洗涤筒的轴向方向一侧的上端向对侧下端方向视角的第二衣物图像。

7.根据权利要求6所述的基于图像识别的洗衣机脱水控制方法，其特征在于，所述通过预先训练的识别模型对所述多张衣物图像进行处理，来确定衣物在所述洗涤筒中的堆叠高度、展开面积和分布状态参数，包括：

通过预先训练的识别模型对所述第一衣物图像进行图像分割处理，识别衣物在所述洗涤筒内的堆叠高度；

通过预先训练的识别模型对所述第二衣物图像进行图像分割处理，识别衣物在所述洗涤筒内的展开面积和分布状态参数。

8.根据权利要求1所述的基于图像识别的洗衣机脱水控制方法，其特征在于，所述识别模型的训练过程，包括：

获取训练数据集，其中，所述训练数据集包括洗涤筒内不同视角的多张衣物图像样本，每张衣物图像样本带有用于标记衣物在洗涤筒内状态信息的状态标签，所述状态信息包括衣物在所述洗涤筒的堆叠高度、展开面积与分布状态参数；

通过所述训练数据集对初始识别模型进行预设次数的训练，每次训练结束后，将训练结果与状态标签进行比对；

在比对结果不满足预设的训练条件的情况下，调整初始识别模型的模型参数，得到更新的初始识别模型，并再次通过训练数据集对初始识别模型进行预设次数的训练；

在比对结果满足预设的训练条件或者训练次数达到预设次数时，完成初始识别模型的训练，得到能够根据输入图像进行学习后输出所述输入图像中的衣物的状态信息的识别模型。

9.一种控制装置，其特征在于，其包括一个或多个处理器以及存储有程序指令的非暂时性计算机可读存储介质，当所述一个或多个处理器执行所述程序指令时，所述一个或多个处理器用于实现权利要求1-8任意一项所述的基于图像识别的洗衣机脱水控制方法。

10.一种洗衣机，其特征在于，所述洗衣机根据权利要求1-8任意一项所述的基于图像识别的洗衣机脱水控制方法运行，或者包括权利要求9所述的控制装置。