服装LOGO效果检测方法、装置及电子设备与流程

本发明涉及图像识别技术领域，尤其是涉及一种服装logo效果检测方法、装置及电子设备。

背景技术：

随着我国经济的持续快速发展，服装业呈现蓬勃发展态势。近年来，服装logo的材质、样式越来越丰富，而且生产工艺多种多样，因而同样的logo设计在不同的工艺下的效果会有很大的差别，为了对比设计出来的服装logo在不同工艺下的效果，目前采用的方式是：针对设计出的服装logo，分别利用不同的工艺生产出样本，通过多种样本效果的对比，判断选择哪种工艺进行logo生产。此过程费时费力，且效率低下，尤其对于复杂工艺来说，其投入的成本很大。

技术实现要素：

有鉴于此，本发明的目的在于提供一种服装logo效果检测方法、装置及电子设备，能够通过基于对抗神经网络的深度学习模型，对服装logo图像进行识别，生成不同工艺下的效果图，以供工作人员进行参考，不需要对服装logo进行打样，节省了大量时间和成本。

第一方面，本发明实施例提供了一种服装logo效果检测方法，包括：

获取待检测服装logo图像；

根据预设深度学习模型提取待检测服装logo图像的logo特征，预设深度学习模型包括基于对抗神经网络的深度学习模型；

利用基于预设深度学习模型训练的分类器对logo特征进行识别，生成待检测服装logo图像的识别结果；识别结果包括：多种工艺对应的效果图。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，多种工艺包括：厚板胶、数码印、贴布绣、珠片绣、立体胶工艺、提花、立体厚板胶、镂空、贴布缝、印花贴布。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，基于对抗神经网络的深度学习模型是通过数量超过一定阈值的服装logo样本数据训练得到的，服装logo样本数据包括不同工艺的服装logo对应的图片。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，通过以下方式获得基于预设深度学习模型训练的分类器：

利用基于对抗神经网络的深度学习模型提取服装logo样本数据的深层特征；

基于机器学习算法，对深层特征训练分类器；

其中服装logo样本数据中包括logo特征、匹配度和识别结果。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，利用基于预设深度学习模型训练的分类器对logo特征进行识别，生成待检测服装logo图像的识别结果，具体包括：

确定基于预设深度学习模型训练的分类器所对应的数据格式；

如果数据格式包括二进制数据格式，将logo特征转换为二进制数据格式后输入基于预设深度学习模型训练的分类器，以生成对应待检测服装logo图像的识别结果。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，在利用基于预设深度学习模型训练的分类器对logo特征进行识别，生成待检测服装logo图像的识别结果之后，还包括：

将待检测服装logo图像的识别结果作为新的服装logo样本数据保存在服装logo样本数据库中。

第二方面，本发明实施例提供一种服装logo效果检测装置，装置包括：

图像获取模块，用于获取待检测服装logo图像；

特征提取模块，用于根据预设深度学习模型提取待检测服装logo图像的logo特征，预设深度学习模型包括基于对抗神经网络的深度学习模型；

服装logo识别模块，用于利用基于预设深度学习模型训练的分类器对logo特征进行识别，生成待检测服装logo图像的识别结果；识别结果包括：多种工艺对应的效果图。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，多种工艺包括：厚板胶、数码印、贴布绣、珠片绣、立体胶工艺、提花、立体厚板胶、镂空、贴布缝、印花贴布。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器，存储器上存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现第一方面所述的方法的步骤。

第四方面，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行如第一方面所述的方法。

本发明实施例带来了以下有益效果：

在本发明实施例提供的服装logo效果检测方法中，首先获取待检测服装logo图像；然后根据预设深度学习模型提取待检测服装logo图像的logo特征，其中，预设深度学习模型包括基于对抗神经网络的深度学习模型；最后利用基于预设深度学习模型训练的分类器对logo特征进行识别，生成待检测服装logo图像的识别结果；识别结果包括：多种工艺对应的效果图。该方法能够通过基于对抗神经网络的深度学习模型，对服装logo图像进行识别，生成不同工艺下的效果图，以供工作人员进行参考，不需要对服装logo进行打样，节省了大量时间和成本。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。

图1为本发明实施例一提供的一种服装logo效果检测方法的流程图；

图2为本发明实施例一提供的另一种服装logo效果检测方法的流程图；

图3为本发明实施例一提供的另一种服装logo效果检测方法的流程图；

图4为本发明实施例一提供的另一种服装logo效果检测方法的流程图；

图5为本发明实施例二提供的一种服装logo效果检测装置的结构示意图；

图6为本发明实施例三提供的一种电子设备的结构示意图。

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，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前现有的服装logo效果检测方式，需要针对同一个logo，生产出多种工艺下的样本，这种方式不仅费时费力，而且效率低下，尤其对于复杂工艺来说，其花费的时间和成本都很大。基于此，本发明实施例提供的服装logo效果检测方法、装置及电子设备，能够通过基于对抗神经网络的深度学习模型，对服装logo图像进行识别，生成不同工艺下的效果图，以供工作人员进行参考，不需要对服装logo进行打样，节省了大量时间和成本。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种服装logo效果检测方法进行详细介绍。

实施例一：

本发明实施例提供了一种服装logo效果检测方法，该方法可以应用于服装生产领域。参见图1所示，该方法包括：

s101：获取待检测服装logo图像。

具体的，通过摄像机对设计出来的服装logo进行拍照，从而采集到待检测服装logo图像。

s102：根据预设深度学习模型提取待检测服装logo图像的logo特征，预设深度学习模型包括基于对抗神经网络的深度学习模型。

基于对抗神经网络的深度学习模型是通过数量超过一定阈值的服装logo样本数据训练得到的，服装logo样本数据包括利用不同工艺生产出的服装logo对应的图片。

在一个优选的实施方式中，上述多种基于对抗神经网络的深度学习模型可以通过caffe深度学习框架实现。

具体地，服装logo样本数据中的服装logo图像的数量越多越好，工艺种类越多越好，比如厚板胶、数码印、贴布绣、珠片绣、立体胶工艺、提花、立体厚板胶、镂空、贴布缝、印花贴布等。数据越多，训练生成的基于对抗神经网络的深度学习模型的通用性越好。这样有利于后续对待检测服装logo图像的准确识别，并呈现出多种工艺下的效果图，为相关工作人员提供logo效果参考。

该步骤s102具体包括：将待检测服装logo图像作为输入图像在预设深度学习模型中包含的多个基层中依次进行特征训练，当训练完成后，提取多个集成中的全连接层或者其他指定基层输出的特征向量作为该待检测服装logo图像中对应的logo特征。

s103：利用基于预设深度学习模型训练的分类器对logo特征进行识别，生成待检测服装logo图像的识别结果；所述识别结果包括：多种工艺对应的效果图。

将上述提取的logo特征输入基于预设深度学习模型训练的分类器，通过该分类器识别后，获得最终的识别结果。具体地，识别结果为多种工艺如厚板胶、数码印、贴布绣、珠片绣、立体胶工艺、提花、立体厚板胶、镂空、贴布缝、印花贴布等对应的效果图。

在一个可选的实施方式中，通过以下方式获得基于预设深度学习模型训练的分类器，参见图2所示：

s201：利用基于对抗神经网络的深度学习模型提取服装logo样本数据的深层特征。

s202：基于机器学习算法，对深层特征训练分类器。

其中服装logo样本数据中包括logo特征、匹配度和识别结果。上述机器学习算法可以是邻近算法、最大期望算法及支持向量机算法等，具体算法可以根据具体情况选择，这里不作限定。

在一个可选的实施例中，上述服装logo样品数据包括三元组数据；其中该三元组数据包括：源数据、与所述源数据属于同一类别的正向数据、以及与该源数据分属不同类别的反向数据。

其中，源数据为从服装logo样品数据中随机获取到的识别结果相同的样本数据。正向数据为从服装logo样本数据中随机获取的与源数据的识别结果一致的样本数据；该源数据的匹配度高于正向数据的匹配度。反向数据为从服装logo样本数据中随机获取的与源数据的识别结果不一致的样本数据。

在一个具体的实施方式中，三元组数据分别为：服装logo样本数据中服装logo图像性能良好的第一图片，服装logo样本数据中服装logo图像性能较差的第二图片，以及与第一图片和第二图片识别结果不同的第三图片。具体的第一图片为匹配程度最高的源数据，第二图片在清晰度、分辨率等方面与第一图片存在差距，其匹配度低于第一图片，但仍是服装logo图像，为正向数据。第三图片则是在训练是进行反向对比的反向数据，以次通过正反对比，进一步增强了分类器的识别能力，提高了对抗神经网络服装logo效果检测识别准确性。

利用基于预设深度学习模型训练的分类器对logo特征进行识别，生成待检测服装logo图像的识别结果，具体包括以下步骤，参见图3所示：

s301：确定基于预设深度学习模型训练的分类器所对应的数据格式。

s302：如果数据格式包括二进制数据格式，将logo特征转换为二进制数据格式后输入基于预设深度学习模型训练的分类器，以生成对应待检测服装logo图像的识别结果。

具体的，若预设深度学习模型训练的分类器支持二进制数据格式，那么就将logo特征进行转换，转换为二进制的数据格式，再输入到上述训练的分类器中，进行识别，由于机器语言为二进制，因此通过二进制的数据格式，可以加快识别的过程，在进行识别时，不需要再进行额外的数据转换，国此可以提高识别的效率。

此外，在生成待检测服装logo图像的识别结果之后，还包括以下步骤，参见图4所示：

s401：将待检测服装logo图像的识别结果作为新的服装logo样本数据保存在服装logo样本数据库中。

通过不断地更新服装logo样本数据库中的数据，使得基于深度学习模型训练出的分类器的服装logo识别效果更加精确，以使呈现出的多种工艺下的logo效果图更加精确。

在本发明实施例提供的服装logo效果检测方法中，首先获取待检测服装logo图像，然后根据预设深度学习模型提取待检测服装logo图像的logo特征，其中，预设深度学习模型包括基于对抗神经网络的深度学习模型，最后利用基于预设深度学习模型训练的分类器对logo特征进行识别，生成待检测服装logo图像的识别结果，识别结果包括：多种工艺对应的效果图。该服装logo效果检测方法能够通过基于对抗神经网络的深度学习模型，对服装logo图像进行识别，生成不同工艺下的效果图，以供工作人员进行参考，不需要对服装logo进行打样，节省了大量时间和成本。

实施例二：

本发明实施例提供一种服装logo效果检测装置，参见图5所示，该装置包括：图像获取模块51、特征提取模块52、服装logo识别模块53。

其中，图像获取模块51，用于获取待检测服装logo图像；特征提取模块52，用于根据预设深度学习模型提取待检测服装logo图像的logo特征，预设深度学习模型包括基于对抗神经网络的深度学习模型；服装logo识别模块53，用于利用基于预设深度学习模型训练的分类器对服装logo特征进行识别，生成待检测服装logo图像的识别结果；识别结果包括：多种工艺对应的效果图。其中，多种工艺包括：厚板胶、数码印、贴布绣、珠片绣、立体胶工艺、提花、立体厚板胶、镂空、贴布缝、印花贴布。

本发明实施例所提供的服装logo效果检测装置中，各个模块的工作过程与前述服装logo效果检测方法具有相同的技术特征，因此，同样可以实现上述功能，在此不再赘述。

实施例三：

本发明实施例还提供一种电子设备，参见图6所示，该电子设备包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。处理器执行计算机程序时实现如方法实施例所述的方法的步骤。

其中，存储器61可能包含高速随机存取存储器(ram，randomaccessmemory)，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线62可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。

处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现成可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的网络设备的定位方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置及电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

附图中的流程图和框图显示了根据本发明的多个实施例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，所述模块、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中，方框中所标注的功能也可以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。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“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。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。