【技术实现步骤摘要】
本申请涉及图像处理，特别涉及一种衣物检测方法、装置、电子设备及存储介质。
技术介绍
1、在日常生活中，由于衣服是柔性物品，所以在折叠时很容易导致衣服褶皱或者折叠不均，所以人们也有了对叠衣机的使用需求。现有的叠衣机通过衣物属性信息对衣物进行折叠，所以需要人工对衣物进行检测和识别，获取衣物属性信息，并将衣物属性信息录入叠衣机。
2、通过人工检测衣物的属性信息，效率和准确度较低，成本大。
技术实现思路
1、本申请实施例的主要目的在于提出一种衣物检测方法、装置、电子设备及存储介质，能够实现衣物自动检测，提高衣物检测的效率和准确度。
2、一方面，本申请实施例提出了一种衣物检测方法，所述方法包括以下步骤：
3、获取待检测衣物图像；
4、获取衣物检测模型；
5、利用所述衣物检测模型根据所述待检测衣物图像，输出衣物检测结果。
6、在一些实施例中，所述获取衣物检测模型，具体包括：
7、构建胶囊网络模型；
8、获取样本数据集；所述样本数据集包括多个带有衣物属性标签的衣物检测图像；
9、利用所述样本数据集对所述胶囊网络模型进行训练和优化，获得对应的所述衣物检测模型。
10、在一些实施例中，所述利用所述样本数据集对所述胶囊网络模型进行训练和优化，获得对应的所述衣物检测模型，具体包括：
11、对所述样本数据集进行划分，确定验证集和多个批次训练集；
12、将各所述批次
13、根据所述胶囊网络模型中各所述激活胶囊对应的所述相对熵，对所述胶囊网络模型进行参数优化，获得对应的所述衣物检测模型；
14、利用所述验证集对所述衣物检测模型进行模型评估，确定模型评估结果，根据所述模型评估结果确定是否停止训练所述衣物检测模型。
15、在一些实施例中，所述衣物检测模型包括第一特征提取模块、第二特征提取模块和第三特征提取模块，所述利用所述衣物检测模型根据所述待检测衣物图像，输出衣物检测结果，具体包括：
16、将所述待检测衣物图像输入至所述衣物检测模型，利用所述第一特征提取模块对所述待检测衣物图像进行图像特征提取，输出对应的第一衣物检测特征图像；
17、将所述第一衣物检测特征图像传递至所述第二特征提取模块，利用所述第二特征提取模块对所述第一衣物检测特征图像进行图像特征提取，输出对应的图像特征向量和所述图像特征向量对应的第二衣物检测特征图像；
18、将所述图像特征向量和所述第二衣物检测特征图像输入至所述第三特征提取模块，利用所述第三特征提取模块进行图像局部特征提取和图像局部特征整合，输出衣物检测图像特征向量和所述衣物检测图像特征向量对应的衣物检测结果图像。
19、在一些实施例中，所述将各所述批次训练集依次输入至所述胶囊网络模型，利用所述胶囊网络模型进行图像特征学习，确定所述胶囊网络模型中的多个激活胶囊并计算各所述激活胶囊对应的相对熵，具体包括：
20、对各所述批次训练集进行排序，确定排序列表，获取所述排序列表中排名最前的所述批次训练集为当前训练集；
21、构建激活胶囊数组集合；
22、利用所述当前训练集对所述胶囊网络模型进行训练，从所述胶囊网络模型中包含的多个特征提取胶囊中确定若干个所述激活胶囊，其中，所述激活胶囊输出对应于所述当前训练集的当前特征向量，所述特征向量进行归一化后的模大于给定激活阈值；
23、根据各所述激活胶囊的所述当前特征向量，计算各所述激活胶囊对应于所述当前训练集的特征向量概率分布中心值；
24、获取各所述激活胶囊的胶囊标识，将所述当前训练集、各所述激活胶囊的所述胶囊标识和各所述激活胶囊对应的所述特征向量概率分布中心值进行绑定，存储至所述激活胶囊数组集合；
25、当确定所述当前训练集不为所述排序列表中排名最后的所述批次训练集时，获取下一批次训练集为所述当前训练集，然后返回利用所述当前训练集对所述胶囊网络模型进行训练，从所述胶囊网络模型中包含的多个特征提取胶囊中确定若干个所述激活胶囊这一步骤，直至确定所述当前训练集为所述排序列表中排名最后的所述批次训练集；
26、当确定所述当前训练集为所述排序列表中排名最后的所述批次训练集时，针对各所述批次训练集，从所述激活胶囊数组集合中确定所述批次训练集对应的多个所述激活胶囊和各所述激活胶囊对应于所述批次训练集对应的所述特征向量概率分布中心值，获取所述激活胶囊对应的历史特征向量概率分布均值，根据各所述激活胶囊的所述历史特征向量概率分布均值和对应于所述批次训练集的所述特征向量概率分布中心值，计算各所述激活胶囊对应于所述批次训练集的所述相对熵。
27、在一些实施例中，所述根据所述胶囊网络模型中各所述激活胶囊对应的所述相对熵，对所述胶囊网络模型进行参数优化，获得对应的所述衣物检测模型，具体包括：
28、针对各所述批次训练集，确定所述批次训练集对应的多个所述激活胶囊，获取各所述激活胶囊对应于所述批次训练集的所述相对熵；
29、获取损失函数；
30、根据所述激活胶囊对应于所述批次训练集的所述相对熵，利用所述损失函数对所述胶囊网络模型进行参数优化。
31、在一些实施例中，所述利用所述验证集对所述衣物检测模型进行模型评估，确定模型评估结果，根据所述模型评估结果确定是否停止训练所述衣物检测模型，具体包括：
32、获取多个模型评估指标；
33、利用所述验证集对所述衣物检测模型进行模型评估，确定各所述模型评估指标对应的模型评估值；
34、当各所述模型评估指标对应的所述模型评估值均超过给定的评估合格阈值时，停止训练所述衣物检测模型，否则，继续训练所述衣物检测模型。
35、另一方面，本申请实施例提出了一种衣物检测装置，所述装置包括：
36、第一模块，用于获取待检测衣物图像；
37、第二模块，用于获取衣物检测模型；
38、第三模块，用于利用所述衣物检测模型根据所述待检测衣物图像，输出衣物检测结果。
39、另一方面，本申请实施例提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前面所述的衣物检测方法。
40、另一方面，本申请实施例提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前面所述的衣物检测方法。
41、本申请实施例至少包括以下有益效果：本申请提供的一种衣物检测方法、装置、电子设备及存储介质，其通过获取待检测衣物图像，获取衣物检测模型，利用衣物检测模型根据待检测衣物图像，输出衣物检测结果。本申请本文档来自技高网...
【技术保护点】
1.一种衣物检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的衣物检测方法，其特征在于，所述获取衣物检测模型，具体包括：构建胶囊网络模型；
3.根据权利要求2所述的衣物检测方法，其特征在于，所述利用所述样本数据集对所述胶囊网络模型进行训练和优化，获得对应的所述衣物检测模型，具体包括：
4.根据权利要求1所述的衣物检测方法，其特征在于，所述衣物检测模型包括第一特征提取模块、第二特征提取模块和第三特征提取模块，所述利用所述衣物检测模型根据所述待检测衣物图像，输出衣物检测结果，具体包括：
5.根据权利要求3所述的衣物检测方法，其特征在于，所述将各所述批次训练集依次输入至所述胶囊网络模型，利用所述胶囊网络模型进行图像特征学习，确定所述胶囊网络模型中的多个激活胶囊并计算各所述激活胶囊对应的相对熵，具体包括：
6.根据权利要求3所述的衣物检测方法，其特征在于，所述根据所述胶囊网络模型中各所述激活胶囊对应的所述相对熵，对所述胶囊网络模型进行参数优化，获得对应的所述衣物检测模型，具体包括：
7.根据权利要
8.一种衣物检测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的衣物检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的衣物检测方法。
...【技术特征摘要】
1.一种衣物检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的衣物检测方法，其特征在于，所述获取衣物检测模型，具体包括：构建胶囊网络模型；
3.根据权利要求2所述的衣物检测方法，其特征在于，所述利用所述样本数据集对所述胶囊网络模型进行训练和优化，获得对应的所述衣物检测模型，具体包括：
4.根据权利要求1所述的衣物检测方法，其特征在于，所述衣物检测模型包括第一特征提取模块、第二特征提取模块和第三特征提取模块，所述利用所述衣物检测模型根据所述待检测衣物图像，输出衣物检测结果，具体包括：
5.根据权利要求3所述的衣物检测方法，其特征在于，所述将各所述批次训练集依次输入至所述胶囊网络模型，利用所述胶囊网络模型进行图像特征学习，确定所述胶囊网络模型中的多个激活胶囊并计算各所述激活胶囊对应的相对熵，具体包括：
【专利技术属性】
技术研发人员：杨飞，李智强，陈天一，
申请(专利权)人：南京一目智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。