一种衣物处理设备的衣物体积估计方法、控制方法及衣物处理系统与流程

本发明属于衣物处理技术领域，具体地说，涉及一种衣物处理设备的衣物体积估计方法、控制方法及衣物处理系统。

背景技术：

随着人们生活水平的不断提高，洗衣机已经进入千家万户，成为了人们日常生活中必不可少的一样家用电器。当用户使用洗衣机进行洗涤衣物时，洗衣机桶内的衣物的重量与体积均可成为影响洗涤效果的因素。由于衣物种类的不同，可能会使得同样重量的不同衣物所对应的体积可能有很大差别，例如，羽绒服就属于重量轻但体积大的种类。

目前，洗衣机通常采取的方案是通过对衣物进行称重来决定洗涤方式，而忽略了衣物的体积。因此，如何使得洗衣机智能地判断出待洗衣物的体积是目前亟需解决的问题。

有鉴于此，特提出本发明。

技术实现要素：

本发明要解决的技术问题在于克服现有技术的不足，提供一种使用图像识别技术完成待洗衣物体积估计的衣物处理设备的衣物体积估计方法。

本发明的另外一个目的是提供一种衣物处理设备的控制方法，包括上述的衣物处理设备的衣物体积估计方法。

本发明的另外一个目的是提供一种衣物处理系统，用于实施上述的衣物处理设备的控制方法。

为解决上述技术问题，本发明采用技术方案的基本构思是：

一种衣物处理设备的衣物体积估计方法，包括以下步骤

s1，获取衣物处理设备中待洗衣物的图像；

s2，对待洗衣物的图像进行轮廓分隔，获取神经网络参数；

s3，根据神经网络参数建立衣物体积估计模型，获得待洗衣物实际体积的估计值。

进一步的，

步骤s2中包括利用深度学习神经网络模型进行训练，得到衣物分割模型，获取待洗衣物的轮廓，并按照行和列遍历图像的像素，获取神经网络参数；

优选的，神经网络模型为卷积神经网络模型；

优选的，所述神经网络参数包括图像的像素中最上、最下、最左、最右的点坐标。

进一步的，

步骤s3中包括

s31，根据神经网络参数建立图像衣物体积的估计模型，获取图像衣物体积的估计值；

s32，获取衣物处理设备的洗涤桶的桶内图像，利用检测尺寸和阈值分割算法得到所述洗涤桶的图像尺寸，作为待洗衣物实际体积估计的参考尺寸；

s33，获取所述洗涤桶的实际尺寸，根据比例关系获取待洗衣物体积的估计值。

进一步的，

步骤s31中根据神经网络参数建立图像衣物体积的估计模型包括

根据神经网络参数建立半圆表征模型或三棱锥表征模型，以此获取图像衣物体积的估计值。

上述方案中，基于卷积神经网络模型建立待洗衣物体积的半圆表征模型或三棱锥表征模型，提高待洗衣物体积的估计值的准确性。

一种衣物处理设备的控制方法，采用如所述的衣物处理设备的衣物体积估计方法获取待洗衣物体积的估计值，包括以下步骤：

根据待洗衣物体积的估计值，确定待洗衣物的体积所处的体积等级，并根据所述待洗衣物的体积所处的体积等级生成对应的洗涤参数。

进一步的，

所述洗涤参数至少包括水洗洗涤参数和/或空气洗洗涤参数；

优选的，水洗洗涤参数包括洗涤水温度和/或洗涤水水量和/或洗涤剂用量和/或洗涤剂种类和/或洗涤时间和/或漂洗次数和/或脱水时间和/或转速和/或剩余时间；

优选的，空气洗洗涤参数包括空气洗温度和/或空气洗风速和/或转速和/或转停比和/或空气洗时间。

上述方案中，利用获取待洗衣物的体积生成洗涤参数，可提升部分体积较大而重量较轻的衣物的洗涤效果。

一种衣物处理系统，用于实施如所述的衣物处理设备的控制方法。

进一步的，衣物处理系统包括

衣物护理设备，所述衣物处理设备包括洗涤桶、获取所述洗涤桶内图像的图像获取单元和控制衣物处理设备运行的控制单元；

云端服务器，所述云端服务器包括根据神经网络模型获取洗涤桶内待洗衣物体积的体积获取单元，所述体积获取单元与所述图像获取单元和所述控制单元通信连接。

进一步的，

所述衣物处理设备还包括开闭所述洗涤桶的盖体，所述图像获取单元设置在所述盖体朝向所述洗涤桶的一侧。

进一步的，

所述体积获取单元包括用于根据神经网络参数建立图像衣物体积估计模型的建模单元和根据洗涤桶的图像尺寸获取待洗衣物实际体积的计算单元。

采用上述技术方案后，本发明与现有技术相比具有以下有益效果。

1、本发明采用的深度学习神经网络模型为卷积神经网络模型，由于卷积神经网络出色的特征提取能力，使得衣物分割模型获取到的待洗衣物的轮廓更加准确。

2、本发明使用图像识别技术完成衣物体积估计的自动化和智能化，从而自动完成洗涤参数的精准设置。

下面结合附图对本发明的具体实施方式作进一步详细的描述。

附图说明

附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，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附图。在附图中：

图1是本发明衣物体积估计方法的流程示意图；

图2是本发明衣物体积估计方法中步骤s3具体内容示意图；

图3是本发明衣物体积估计方法中轮廓分隔示意图；

图4是本发明一种图像衣物体积的估计模型示意图；

图5是本发明另一种图像衣物体积的估计模型示意图。

需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。

在本发明的描述中，需要说明的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

如图1至图5所示，本发明提供一种衣物处理设备的衣物体积估计方法，包括以下步骤

s1，获取衣物处理设备中待洗衣物的图像；

具体的，可将待洗衣物放入衣物处理设备的洗涤桶后，在洗涤过程开始前，利用设置在衣物处理设备开闭洗涤桶的盖体上的图像获取单元抓拍待洗衣物在洗涤桶内的图片，此时，在洗涤桶开始转动前可以获取多张图片，建模单元从中智能选取轮廓较为清晰的图片进行处理，尽量缩小估计的待洗衣物的体积与真实体积之间的误差。

s2，对待洗衣物的图像进行轮廓分隔，获取神经网络参数；

具体的，图像获取单元获取到待洗衣物在洗涤桶内的图片后，将图片上传至云端服务器，调用部署好的图像识别算法；算法首先采集待洗衣物在洗涤桶内的图像数据，利用深度学习神经网络模型进行训练，得到衣物分割模型，这样可以获取待洗衣物的轮廓，即图3中的阴影部分，并将阴影部分的最上坐标(x1，y1)、最下坐标(x2，y2)、最左坐标(x3，y3)、最右坐标(x4，y4)提取出来，本发明采用的深度学习神经网络模型为卷积神经网络模型，由于卷积神经网络出色的特征提取能力，使得衣物分割模型获取到的待洗衣物的轮廓更加准确。

s3，根据神经网络参数建立衣物体积估计模型，获得待洗衣物实际体积的估计值；

具体的，如图2至图5所示，根据神经网络参数建立衣物体积估计模型，获得待洗衣物实际体积的估计值包括

s31，根据神经网络参数建立图像衣物体积的估计模型，获取图像衣物体积的估计值；

s32，获取衣物处理设备的洗涤桶的桶内图像，利用检测尺寸和阈值分割算法得到所述洗涤桶的图像尺寸，作为待洗衣物实际体积估计的参考尺寸；

s33，获取所述洗涤桶的实际尺寸，根据比例关系获取待洗衣物体积的估计值；

详细的，如图4或图5所示，根据神经网络参数，即，最上坐标(x1，y1)、最下坐标(x2，y2)、最左坐标(x3，y3)、最右坐标(x4，y4)，建立半圆表征模型或三棱锥表征模型，以此获取图像衣物体积的估计值，对于滚筒洗衣机而言，当用户把待洗衣物放入洗涤桶后，待洗衣物在洗涤桶内的状态大致呈现出类似三棱锥或半球体的状态，因此，本发明根据获取到的神经网络参数(待洗衣物轮廓上的最上坐标、最下坐标、最左坐标、最右坐标)建立半圆表征模型或三棱锥表征模型，通过数学计算出待洗衣物的图像衣物体积的估计值。

可以理解的是，在获取待洗衣物的图像时也同时获取了洗涤桶的桶内图像，云服务器利用检测尺寸和阈值分割算法得到所述洗涤桶的图像尺寸，对于滚筒洗衣机而言，该图像尺寸可以是洗涤桶的内径，该图像尺寸将作为获取待洗衣物实际体积估计值的参考尺寸。

云服务器通过与衣物处理设备之间的通信连接关系，可以获得该衣物处理设备洗涤桶的实际尺寸，对于滚筒洗衣机而言，则应获取洗涤桶的桶径，由此，云服务器获得了洗涤桶的图像尺寸、洗涤桶的实际尺寸，进一步可获得图像尺寸与实际尺寸之间的比例关系，根据该比例关系，根据待洗衣物的图像体积的估计值，则可得到带洗衣机的实际体积的估计值。

本发明还提供一种衣物处理设备的控制方法，包括所述的衣物处理设备的衣物体积估计方法，具体包括以下步骤：

根据待洗衣物体积的估计值，确定待洗衣物的体积所处的体积等级，并根据所述待洗衣物的体积所处的体积等级生成对应的洗涤参数。

具体的，对于一些体积较大但是重量较轻的衣物，如果单纯地使用重量这一个参数确定衣物的洗涤参数，往往会造成洗涤参数与洗涤要求不匹配的情况，使洗涤效果不能满足用户的要求，例如，羽绒服就属于重量轻但体积大的种类。因此，在用户洗涤羽绒服等较轻的衣物时，可采用上述的衣物体积的估计方法获得羽绒服的体积的估计值，再确定待洗的羽绒服的体积所处的体积等级，并根据羽绒服的体积所处的体积等级生成对应的洗涤参数。

可以理解的是，衣物处理设备中可预设有羽绒服的体积等级以及与之相匹配的洗涤参数，详细的，洗涤参数至少包括水洗洗涤参数和/或空气洗洗涤参数。

水洗洗涤参数包括洗涤水温度和/或洗涤水水量和/或洗涤剂用量和/或洗涤剂种类和/或洗涤时间和/或漂洗次数和/或脱水时间和/或转速和/或剩余时间。

进一步的，空气洗洗涤参数包括空气洗温度和/或空气洗风速和/或转速和/或转停比和/或空气洗时间。

这是由于现实生活中，越来越多的人拥有中高档材质(例如真貂、仿貂、羊绒、羊毛、皮质和羽绒等)的衣物。如果对上述材质的衣物采用水洗，会在很大程度上对衣物造成损伤；如果对上述材质的衣物采用干洗，则无法彻底清除衣物上的污渍。也就是说，如果采用传统的洗涤方式来清洗这些材质的衣物，不仅清洗效果不佳，而且会对衣物造成较大的损伤。因此，传统的洗涤方式已经无法满足用户对中高档材质衣物的清洗要求。因此，可以通过空气洗洗涤的程序对衣物进行空气清洗，这种清洗方式能够使衣物的面料更为柔软且富有弹性，提高衣物的穿着舒适度，最重要的是不会对衣物造成损伤。用户在选择空气洗程序之后衣物处理设备可采用上述的衣物体积的估计方法获得待洗衣物的体积的估计值，再确定待洗衣物的体积所处的体积等级，并根据待洗衣物的体积所处的体积等级生成对应的空气洗洗涤参数。

本发明还提供一种衣物处理系统，用于实施如所述的衣物处理设备的衣物体积估计方法或所述的衣物处理设备的控制方法。

具体的，衣物处理系统包括衣物护理设备和云端服务器，所述衣物处理设备包括洗涤桶、获取所述洗涤桶内图像的图像获取单元和控制衣物处理设备运行的控制单元；所述云端服务器包括根据神经网络模型获取洗涤桶内待洗衣物体积的体积获取单元，所述体积获取单元与所述图像获取单元和所述控制单元通信连接。

进一步的，所述衣物处理设备还包括开闭所述洗涤桶的盖体，所述图像获取单元设置在所述盖体朝向所述洗涤桶的一侧，当用户将待洗衣物放入洗涤桶后关闭盖体，设置在盖体朝向洗涤桶一侧的图像获取单元即可捕捉待洗衣物在洗涤桶内的图像。

优选的，图像获取单元包括摄像头。

进一步的，所述体积获取单元包括用于根据神经网络参数建立图像衣物体积估计模型的建模单元和根据洗涤桶的图像尺寸获取待洗衣物实际体积的计算单元。

基于图像获取单元获取的待洗衣物以及洗涤桶内的图像，根据体积估算方法建模单元即可获得待洗衣物以及洗涤桶内部的图像估算尺寸，计算单元即可获得待洗衣物的实际体积的估计值，再将该估计值传输至衣物处理设备，衣物处理设备根据该估计值确定待洗衣物的体积所处的体积等级，并根据所述待洗衣物的体积所处的体积等级生成对应的洗涤参数。

具体的，本发明的衣物处理设备的工作流程所示，下面对本发明的工作流程作详细说明：

步骤21：在衣物处理设备的盖体关上后，安装在盖体上的智能摄像头抓拍洗涤筒内衣物图像。

步骤22：通过深度学习图像分割技术获取衣物区域轮廓，并获取轮廓的上下左右四个坐标作为待洗衣物图像体积估计的输入。

步骤23：通过上下左右四个点建立半球体或者三棱锥的模型来表征待洗衣物图像体积，通过数学计算估算出此模型的图像体积。

步骤24：通过分析筒内图像，利用检测圆和阈值分割算法得到内筒的直径，作为实际体积估计的参考尺寸。

步骤25：通过此种型号洗衣机参数，设定好洗涤桶的实际直径，以此换算出待洗衣物的实际体积。

步骤26：根据衣物体积设定好对应的用水量和洗涤剂用量等洗涤参数，控制洗衣机智能洗涤。

以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。