衣物处理方法、装置、电子设备、及存储介质与流程

1.本发明实施例涉及智能家电技术领域，具体涉及一种衣物处理方法、装置、电子设备、及存储介质。


背景技术：

2.随着生活水平的不断提高，洗衣机已经进入千家万户。洗衣机成为居家生活的必需品。随着物联网技术的不断发展，洗衣机可以进行预约洗、远程在线洗等各种便捷操作，但是在一键自动洗方面还存在一些不足之处。随着图像传感器及计算机技术的发展，待洗衣物中的材质信息可通过图像传感器自动判断出来，自动选择合适的程序，极大提高了用户体验。
3.目前，部分智能洗衣机虽然可以通过待洗衣物的吸水量推断出来洗护程序，但是通过待洗衣物的吸水量，只能大致判断出来待洗衣物整体更接近哪种材质，无法准确地判断出待洗衣物中到底有几件衣物及分别是何种材质，因此在推荐程序及程序参数设置很模糊，针对性不足，洗出来的衣物可能存在不干净的地方甚至洗坏衣物的情况。


技术实现要素：

4.有鉴于此，本发明实施例提供一种衣物处理方法、装置、电子设备、及存储介质，以提升处理衣物污渍的效果。
5.本发明实施例的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明实施例的实践而习得。
6.在本公开的第一方面，本发明实施例提供了一种衣物处理方法，包括：
7.获取包含至少一件待处理衣物的多个图片；
8.根据所述多个图片获取各待处理衣物的多个子图像；
9.根据任一待处理衣物的多个子图像获取该待处理衣物的完整图像，以分别得到各待处理衣物的完整图像；
10.分别根据各待处理衣物的完整图像确定各待处理衣物的材质信息；
11.根据所述至少一件待处理衣物中各待处理衣物的材质信息确定处理程序和/或处理参数，以控制衣物处理设备根据所述处理程序和/或所述处理参数进行处理。
12.于一实施例中，获取包含至少一件待处理衣物的多个图片包括：控制所述衣物处理设备的照明模组打开灯光；控制所述衣物处理设备的动力模组转动以翻转和抖散所述至少一件待处理衣物；控制所述衣物处理设备的相机模组拍摄所述至少一件待处理衣物的图片；重复执行上述转动的步骤和拍摄图片的步骤，以获取所述至少一件待处理衣物的多个图片。
13.于一实施例中，所述衣物处理设备为洗衣机，所述处理参数包括如下参数中的至少一种：浸泡时间、水温、处理时长、处理桶转速、以及转停比。
14.于一实施例中，根据所述至少一件待处理衣物中各待处理衣物的材质信息确定处
理程序和/或处理参数包括：根据所述至少一件待处理衣物的数量和各待处理衣物的材质信息确定处理程序和/或处理参数。
15.于一实施例中，根据所述多个图片获取各待处理衣物的多个子图像包括：将所述多个图片输入至预先训练的图像分割模型得到各待处理衣物的多个子图像。
16.于一实施例中，所述图像分割模型通过如下步骤训练得到：
17.获取训练样本集合，其中，训练样本包括衣物处理设备中的包含至少一件衣物的图片、以及所述图片中根据衣物分割后的各子图像的位置信息作为第一标注信息、以及各子图像对应的衣物标识作为第二标注信息；
18.确定初始化的图像分割模型，其中所述初始化的图像分割模型包括目标层，所述目标层用于输出图片中所包含的各衣物分割后的子图像的第一目标层、以及图片中所包含的各子图像的材质的第二目标层；
19.利用深度学习的方法，将所述训练样本集合中的训练样本中的图片作为初始化的图像分割模型的输入，将与输入的图片对应的第一标注信息和第二标注信息作为初始化的图像分割模型的期望输出，训练得到所述图像分割模型。
20.于一实施例中，根据任一待处理衣物的多个子图像获取该待处理衣物的完整图像包括：分别将任一待处理衣物的多个子图像输入至预先训练的完整处理模型得到该衣物的完整图像。
21.于一实施例中，所述完整处理模型通过如下步骤训练得到：
22.获取训练样本集合，其中，训练样本包括一件衣物相关的多个子图像，以及所述衣物的完整的衣服信息；
23.确定初始化的完整处理模型，其中所述初始化的完整处理模型包括目标层，所述目标层用于输出多个子图像所对应衣物的完整图像；
24.利用深度学习的方法，将所述训练样本集合中的训练样本中的一件衣物相关的多个子图像作为初始化的完整处理模型的输入，将与输入的多个子图像对应的该衣物的完整图像作为初始化的完整处理模型的期望输出，训练得到所述完整处理模型。
25.于一实施例中，所述初始化的完整处理模型为生成对抗网络模型。
26.于一实施例中，分别根据各待处理衣物的完整图像确定各待处理衣物的材质信息包括：将任一待处理衣物的完整图像输入至预先训练的衣物分类模型得到该衣物的材质信息，以分别得到各待处理衣物的材质信息。
27.于一实施例中，所述衣物分类模型通过如下步骤训练得到：
28.获取训练样本集合，其中，训练样本包括包含衣物的图片，以及所述图片对应衣物的材质作为第一标注信息；
29.确定初始化的衣物分类模型，其中所述初始化的衣物分类模型包括目标层，所述目标层用于输出图片对应衣物的材质的第一目标层；
30.利用深度学习的方法，将所述训练样本集合中的训练样本中的图片作为初始化的衣物分类模型的输入，将与输入的图片对应的第一标注信息作为初始化的衣物分类模型的期望输出，训练得到所述衣物分类模型。
31.在本公开的第二方面，本发明实施例还提供了一种衣物处理装置，包括：
32.图片获取单元，用于获取包含至少一件待处理衣物的多个图片；
33.图像分割单元，用于根据所述多个图片获取各待处理衣物的多个子图像；
34.信息获取单元，用于根据任一待处理衣物的多个子图像获取该待处理衣物的完整图像，以分别得到各待处理衣物的完整图像；
35.材质获取单元，用于分别根据各待处理衣物的完整图像确定各待处理衣物的材质信息；
36.处理控制单元，用于根据所述至少一件待处理衣物中各待处理衣物的材质信息确定处理程序和/或处理参数，以控制衣物处理设备根据所述处理程序和/或所述处理参数进行处理。
37.于一实施例中，所述图片获取单元用于：
38.控制所述衣物处理设备的照明模组打开灯光；
39.控制所述衣物处理设备的动力模组转动以翻转和抖散所述至少一件待处理衣物；
40.控制所述衣物处理设备的相机模组拍摄所述至少一件待处理衣物的图片；
41.重复执行上述转动的步骤和拍摄图片的步骤，以获取所述至少一件待处理衣物的多个图片。
42.于一实施例中，所述衣物处理设备为洗衣机，所述处理参数包括如下参数中的至少一种：浸泡时间、水温、处理时长、处理桶转速、以及转停比。
43.于一实施例中，所述处理控制单元用于：根据所述至少一件待处理衣物的数量和各待处理衣物的材质信息确定处理程序和/或处理参数。
44.于一实施例中，所述图像分割单元用于：将所述多个图片输入至预先训练的图像分割模型得到各待处理衣物的多个子图像。
45.于一实施例中，所述图像分割模型通过如下步骤训练得到：
46.获取训练样本集合，其中，训练样本包括衣物处理设备中的包含至少一件衣物的图片、以及所述图片中根据衣物分割后的各子图像的位置信息作为第一标注信息、以及各子图像对应的衣物标识作为第二标注信息；
47.确定初始化的图像分割模型，其中所述初始化的图像分割模型包括目标层，所述目标层用于输出图片中所包含的各衣物分割后的子图像的第一目标层、以及图片中所包含的各子图像的材质的第二目标层；
48.利用深度学习的装置，将所述训练样本集合中的训练样本中的图片作为初始化的图像分割模型的输入，将与输入的图片对应的第一标注信息和第二标注信息作为初始化的图像分割模型的期望输出，训练得到所述图像分割模型。
49.于一实施例中，所述信息获取单元用于：分别将任一待处理衣物的多个子图像输入至预先训练的完整处理模型得到该衣物的完整图像。
50.于一实施例中，所述完整处理模型通过如下步骤训练得到：
51.获取训练样本集合，其中，训练样本包括一件衣物相关的多个子图像，以及所述衣物的完整的衣服信息；
52.确定初始化的完整处理模型，其中所述初始化的完整处理模型包括目标层，所述目标层用于输出多个子图像所对应衣物的完整图像；
53.利用深度学习的装置，将所述训练样本集合中的训练样本中的一件衣物相关的多个子图像作为初始化的完整处理模型的输入，将与输入的多个子图像对应的该衣物的完整
图像作为初始化的完整处理模型的期望输出，训练得到所述完整处理模型。
54.于一实施例中，所述初始化的完整处理模型为生成对抗网络模型。
55.于一实施例中，所述材质获取单元用于：将任一待处理衣物的完整图像输入至预先训练的衣物分类模型得到该衣物的材质信息，以分别得到各待处理衣物的材质信息。
56.于一实施例中，所述衣物分类模型通过如下步骤训练得到：
57.获取训练样本集合，其中，训练样本包括包含衣物的图片，以及所述图片对应衣物的材质作为第一标注信息；
58.确定初始化的衣物分类模型，其中所述初始化的衣物分类模型包括目标层，所述目标层用于输出图片对应衣物的材质的第一目标层；
59.利用深度学习的装置，将所述训练样本集合中的训练样本中的图片作为初始化的衣物分类模型的输入，将与输入的图片对应的第一标注信息作为初始化的衣物分类模型的期望输出，训练得到所述衣物分类模型。
60.在本公开的第三方面，提供了一种电子设备。该电子设备包括：处理器；以及存储器，用于存储可执行指令，所述可执行指令在被所述处理器执行时使得所述电子设备执行第一方面中的方法。
61.在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面中的方法。
62.本发明实施例提出的技术方案的有益技术效果是：
63.本发明实施例通过获取包含至少一件待处理衣物的多个图片，据此获取各待处理衣物的多个子图像，根据任一待处理衣物的多个子图像获取该待处理衣物的完整图像，以分别得到各待处理衣物的完整图像；分别根据各待处理衣物的完整图像确定各待处理衣物的材质信息；根据所述至少一件待处理衣物中各待处理衣物的材质信息确定处理程序和/或处理参数，以控制衣物处理设备根据所述处理程序和/或所述处理参数进行处理，能够针对被处理衣物的材质自动设置准确的处理程序和参数，能够提升污渍处理效果，能够提高处理质量。
附图说明
64.为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明实施例中的一部分实施例，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，还可以根据本发明实施例的内容和这些附图获得其他的附图。
65.图1是根据本发明实施例提供的一种衣物处理方法的流程示意图；
66.图2是根据本发明实施例提供的一种图像分割模型的训练方法的流程示意图；
67.图3是根据本发明实施例提供的一种完整处理模型的训练方法的流程示意图；
68.图4是根据本发明实施例提供的一种衣物分类模型的训练方法的流程示意图；
69.图5是根据本发明实施例提供的另一种衣物处理方法的流程示意图；
70.图6是根据本发明实施例提供的一种衣物处理装置的结构示意图；
71.图7是根据本发明实施例提供的一种图像分割模型的模块组织结构示意图；
72.图8是根据本发明实施例提供的一种完整处理模型的模块组织结构示意图；
73.图9是根据本发明实施例提供的一种衣物分类模型的模块组织结构示意图；
74.图10示出了适于用来实现本发明实施例的电子设备的结构示意图。
具体实施方式
75.为使本发明实施例解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本发明实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本发明实施例中的一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。
76.需要说明的是，本发明实施例中术语“系统”和“网络”在本文中常被可互换使用。本发明实施例中提到的“和/或”是指包括一个或更多个相关所列项目的任何和所有组合。本公开的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。
77.还需要说明是，本发明实施例中下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本发明实施例对此不作具体限制。
78.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
79.下面结合附图并通过具体实施方式来进一步说明本发明实施例的技术方案。
80.图1示出了本发明实施例提供的一种衣物处理方法的流程示意图，本实施例可适用于根据衣物处理设备内的衣物图片确定洗涤程序和参数的情况，该方法可以由云端服务器来执行，如图1所示，本实施例所述的衣物处理方法包括：
81.在步骤s110中，获取包含至少一件待处理衣物的多个图片。
82.例如可通过配置于衣物处理设备顶部的相机模组获取包含至少一件待处理衣物的多个图片。具体地，可控制所述衣物处理设备的照明模组打开灯光,控制所述衣物处理设备的动力模组转动以翻转和抖散所述至少一件待处理衣物,控制所述衣物处理设备的相机模组拍摄所述至少一件待处理衣物的图片,重复执行上述转动的步骤和拍摄图片的步骤，以获取所述至少一件待处理衣物的多个图片。
83.其中，所述污渍处理设备包括但不限于洗衣机和护理机。
84.在步骤s120中，根据所述多个图片获取各待处理衣物的多个子图像。
85.例如，可将所述多个图片输入至预先训练的图像分割模型得到各待处理衣物的多个子图像。
86.其中，所述图像分割模型可用于输入包含至少一件待处理衣物的多个图片后，输出所述多个图片中显示的至少一件待处理衣物中各衣物的多个子图像。所述图像分割模型可通过多种方法训练得到，例为示例，图2示出了一种图像分割模型的训练方法的流程示意图，如图2所示，所述图像分割模型可通过如下步骤训练得到：
87.在步骤s210中，获取训练样本集合，其中，训练样本包括衣物处理设备中的包含至少一件衣物的图片、以及所述图片中根据衣物分割后的各子图像的位置信息作为第一标注信息、以及各子图像对应的衣物标识作为第二标注信息。
88.在步骤s220中，确定初始化的图像分割模型，其中所述初始化的图像分割模型包
括目标层，所述目标层用于输出图片中所包含的各衣物分割后的子图像的第一目标层、以及图片中所包含的各子图像的材质的第二目标层。
89.在步骤s230中，利用深度学习的方法，将所述训练样本集合中的训练样本中的图片作为初始化的图像分割模型的输入，将与输入的图片对应的第一标注信息和第二标注信息作为初始化的图像分割模型的期望输出，训练得到所述图像分割模型。
90.在步骤s130中，根据任一待处理衣物的多个子图像获取该待处理衣物的完整图像，以分别得到各待处理衣物的完整图像。
91.例如，可将任一待处理衣物的多个子图像输入至预先训练的完整处理模型得到该衣物的完整图像。
92.其中，所述完整处理模型可用于输入同一件衣物的多个子图像后，输出该衣物的完整图像
93.所述完整处理模型可通过多种方法训练得到，例为示例，图3示出了一种完整处理模型的训练方法的流程示意图，如图3所示，所述完整处理模型可通过如下步骤训练得到：
94.在步骤s310中，获取训练样本集合，其中，训练样本包括一件衣物相关的多个子图像，以及所述衣物的完整的衣服信息。
95.在步骤s320中，确定初始化的完整处理模型，其中所述初始化的完整处理模型包括目标层，所述目标层用于输出多个子图像所对应衣物的完整图像。
96.在步骤s330中，利用深度学习的方法，将所述训练样本集合中的训练样本中的一件衣物相关的多个子图像作为初始化的完整处理模型的输入，将与输入的多个子图像对应的该衣物的完整图像作为初始化的完整处理模型的期望输出，训练得到所述完整处理模型。
97.作为优选，所述初始化的完整处理模型可为生成对抗网络模型。
98.在步骤s140中，分别根据各待处理衣物的完整图像确定各待处理衣物的材质信息。
99.例如，可将任一待处理衣物的完整图像输入至预先训练的衣物分类模型得到该衣物的材质信息，以分别得到各待处理衣物的材质信息。
100.其中，所述衣物分类模型可用于输入衣物的完整图像后，输了该衣物的材质。
101.所述衣物分类模型可通过多种方法训练得到，作为示例，图4示出了一种衣物分类模型的训练方法的流程示意图，如图4所示，所述衣物分类模型可通过如下步骤训练得到：
102.在步骤s410中，获取训练样本集合，其中，训练样本包括包含衣物的图片，以及所述图片对应衣物的材质作为第一标注信息。
103.在步骤s420中，确定初始化的衣物分类模型，其中所述初始化的衣物分类模型包括目标层，所述目标层用于输出图片对应衣物的材质的第一目标层。
104.在步骤s430中，利用深度学习的方法，将所述训练样本集合中的训练样本中的图片作为初始化的衣物分类模型的输入，将与输入的图片对应的第一标注信息作为初始化的衣物分类模型的期望输出，训练得到所述衣物分类模型。
105.在步骤s150中，根据所述至少一件待处理衣物中各待处理衣物的材质信息确定处理程序和/或处理参数，以控制衣物处理设备根据所述处理程序和/或所述处理参数进行处理。
106.以所述衣物处理设备为洗衣机为例，所述处理参数可包括浸泡时间、水温、处理时长、处理桶转速、以及转停比中的一种或多种。
107.进一步地，根据所述至少一件待处理衣物中各待处理衣物的材质信息确定处理程序和/或处理参数，还可包括根据所述至少一件待处理衣物的数量和各待处理衣物的材质信息确定处理程序和/或处理参数。
108.本实施例通过获取包含至少一件待处理衣物的多个图片，据此获取各待处理衣物的多个子图像，根据任一待处理衣物的多个子图像获取该待处理衣物的完整图像，以分别得到各待处理衣物的完整图像；分别根据各待处理衣物的完整图像确定各待处理衣物的材质信息；根据所述至少一件待处理衣物中各待处理衣物的材质信息确定处理程序和/或处理参数，以控制衣物处理设备根据所述处理程序和/或所述处理参数进行处理，能够针对被处理衣物的材质自动设置准确的处理程序和参数，能够提升污渍处理效果，能够提高处理质量。
109.图5示出了本发明实施例提供的另一种衣物处理方法的流程示意图，如图5所示，本实施例所述的衣物处理方法包括：
110.在步骤s510中，获取包含至少一件待处理衣物的多个图片。
111.例如可通过配置于衣物处理设备顶部的相机模组获取包含至少一件待处理衣物的多个图片。具体地，可控制所述衣物处理设备的照明模组打开灯光,控制所述衣物处理设备的动力模组转动以翻转和抖散所述至少一件待处理衣物,控制所述衣物处理设备的相机模组拍摄所述至少一件待处理衣物的图片,重复执行上述转动的步骤和拍摄图片的步骤，以获取所述至少一件待处理衣物的多个图片。
112.其中，所述污渍处理设备包括但不限于洗衣机和护理机。
113.在步骤s520中，将所述多个图片输入至预先训练的图像分割模型得到各待处理衣物的多个子图像。
114.例为示例，图2示出了一种图像分割模型的训练方法的流程示意图，所述图像分割模型可通过如图2所示的步骤训练得到，本实施例对此不作赘述。
115.在步骤s530中，分别将任一待处理衣物的多个子图像输入至预先训练的完整处理模型得到该衣物的完整图像。
116.例为示例，如图3示出了一种完整处理模型的训练方法的流程示意图，所述完整处理模型可通过如图3所示的步骤训练得到，本实施例对此不作赘述。
117.在步骤s540中，将任一待处理衣物的完整图像输入至预先训练的衣物分类模型得到该衣物的材质信息，以分别得到各待处理衣物的材质信息。
118.例为示例，如图4示出了一种衣物分类模型的训练方法的流程示意图，所述衣物分类模型可通过如图4所示的步骤训练得到，本实施例对此不作赘述。
119.在步骤s550中，根据所述至少一件待处理衣物中各待处理衣物的材质信息确定处理程序和/或处理参数，以控制衣物处理设备根据所述处理程序和/或所述处理参数进行处理。
120.在图1所示实施例的基础之上，本实施例采用了图像分割模型得到各待处理衣物的多个子图像，采用了完整处理模型得到各衣物的完整图像，采用衣物分类模型得到各衣物的材质信息，以根据所述至少一件待处理衣物中各待处理衣物的材质信息确定处理程序
和/或处理参数，以控制衣物处理设备根据所述处理程序和/或所述处理参数进行处理，能够提升获取衣物材质的精度，从而能够进一步提升污渍处理效果，能够进一步提高衣物处理质量。
121.作为上述各图所示方法的实现，本技术提供了一种衣物处理装置的一个实施例,图6示出了本实施例提供的一种衣物处理装置的结构示意图，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于云端服务器的用于进行衣物处理的各种电子设备中。如图6所示，本实施例所述的衣物处理装置包括图片获取单元610、图像分割单元620、信息获取单元630、材质获取单元640、以及处理控制单元650。
122.所述图片获取单元610被配置为，用于获取包含至少一件待处理衣物的多个图片。
123.所述图像分割单元620被配置为，用于根据所述多个图片获取各待处理衣物的多个子图像。
124.所述信息获取单元630被配置为，用于根据任一待处理衣物的多个子图像获取该待处理衣物的完整图像，以分别得到各待处理衣物的完整图像。
125.所述材质获取单元640被配置为，用于分别根据各待处理衣物的完整图像确定各待处理衣物的材质信息。
126.所述处理控制单元650被配置为，用于根据所述至少一件待处理衣物中各待处理衣物的材质信息确定处理程序和/或处理参数，以控制衣物处理设备根据所述处理程序和/或所述处理参数进行处理。
127.根据本公开的一个或多个实施例，所述图片获取单元610被配置为，用于：
128.控制所述衣物处理设备的照明模组打开灯光；
129.控制所述衣物处理设备的动力模组转动以翻转和抖散所述至少一件待处理衣物；
130.控制所述衣物处理设备的相机模组拍摄所述至少一件待处理衣物的图片；
131.重复执行上述转动的步骤和拍摄图片的步骤，以获取所述至少一件待处理衣物的多个图片。
132.根据本公开的一个或多个实施例，所述衣物处理设备为洗衣机，所述处理参数包括如下参数中的至少一种：浸泡时间、水温、处理时长、处理桶转速、以及转停比。
133.根据本公开的一个或多个实施例，所述处理控制单元650被配置为，用于根据所述至少一件待处理衣物的数量和各待处理衣物的材质信息确定处理程序和/或处理参数。
134.根据本公开的一个或多个实施例，所述图像分割单元620被配置为，用于将所述多个图片输入至预先训练的图像分割模型得到各待处理衣物的多个子图像。
135.作为示例，图7是根据本发明实施例提供的一种图像分割模型的模块组织结构示意图，如图7所示，所述图像分割模型通过第一样本获取模块710、第一模型确定模块720和第一模型训练模块730训练得到：
136.其中，所述第一样本获取模块710被配置为，用于获取训练样本集合，其中，训练样本包括衣物处理设备中的包含至少一件衣物的图片、以及所述图片中根据衣物分割后的各子图像的位置信息作为第一标注信息、以及各子图像对应的衣物标识作为第二标注信息。
137.所述第一模型确定模块720被配置为，用于确定初始化的图像分割模型，其中所述初始化的图像分割模型包括目标层，所述目标层用于输出图片中所包含的各衣物分割后的子图像的第一目标层、以及图片中所包含的各子图像的材质的第二目标层。
138.所述第一模型训练模块730被配置为，用于利用深度学习的装置，将所述训练样本集合中的训练样本中的图片作为初始化的图像分割模型的输入，将与输入的图片对应的第一标注信息和第二标注信息作为初始化的图像分割模型的期望输出，训练得到所述图像分割模型。
139.根据本公开的一个或多个实施例，所述信息获取单元630被配置为，用于分别将任一待处理衣物的多个子图像输入至预先训练的完整处理模型得到该衣物的完整图像。
140.作为示例，图8是根据本发明实施例提供的一种完整处理模型的模块组织结构示意图，如图8所示，所述完整处理模型通过第二样本获取模块810、第二模型确定模块820和第二模型训练模块830训练得到：
141.其中，所述第二样本获取模块810被配置为，用于获取训练样本集合，其中，训练样本包括一件衣物相关的多个子图像，以及所述衣物的完整的衣服信息。
142.所述第二模型确定模块820被配置为，用于确定初始化的完整处理模型，其中所述初始化的完整处理模型包括目标层，所述目标层用于输出多个子图像所对应衣物的完整图像。
143.所述第二模型训练模块830被配置为，用于利用深度学习的装置，将所述训练样本集合中的训练样本中的一件衣物相关的多个子图像作为初始化的完整处理模型的输入，将与输入的多个子图像对应的该衣物的完整图像作为初始化的完整处理模型的期望输出，训练得到所述完整处理模型。
144.作为优选，所述初始化的完整处理模型为生成对抗网络模型。
145.根据本公开的一个或多个实施例，所述材质获取单元640被配置为，用于将任一待处理衣物的完整图像输入至预先训练的衣物分类模型得到该衣物的材质信息，以分别得到各待处理衣物的材质信息。
146.作为示例，图9是根据本发明实施例提供的一种衣物分类模型的模块组织结构示意图，如图9所示，所述衣物分类模型通过第三样本获取模块910、第三模型确定模块920和第三模型训练模块930训练得到：
147.其中，所述第二样本获取模块910被配置为，用于获取训练样本集合，其中，训练样本包括包含衣物的图片，以及所述图片对应衣物的材质作为第一标注信息；
148.所述第三模型确定模块920被配置为，用于确定初始化的衣物分类模型，其中所述初始化的衣物分类模型包括目标层，所述目标层用于输出图片对应衣物的材质的第一目标层；
149.所述第三模型训练模块930被配置为，用于利用深度学习的装置，将所述训练样本集合中的训练样本中的图片作为初始化的衣物分类模型的输入，将与输入的图片对应的第一标注信息作为初始化的衣物分类模型的期望输出，训练得到所述衣物分类模型。
150.本实施例提供的衣物处理装置可执行本公开方法实施例所提供的衣物处理方法，具备执行方法相应的功能模块和有益效果。
151.下面参考图10，其示出了适于用来实现本发明实施例的电子设备1000的结构示意图。本发明实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图10示出的电
子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
152.如图10所示，电子设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001，其可以根据存储在只读存储器(rom)1002中的程序或者从存储装置1008加载到随机访问存储器(ram)1003中的程序而执行各种适当的动作和处理。在ram 1003中，还存储有电子设备1000操作所需的各种程序和数据。处理装置1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
153.通常，以下装置可以连接至i/o接口1005：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置1007；包括例如磁带、硬盘等的存储装置1008；以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备1000，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
154.特别地，根据本发明实施例的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明实施例的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1009从网络上被下载和安装，或者从存储装置1008被安装，或者从rom 1002被安装。在该计算机程序被处理装置1001执行时，执行本发明实施例的方法中限定的上述功能。
155.需要说明的是，本发明实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
156.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
157.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取包含至少一件待处理衣物的多个图片；根据所述多个图片获取各待处理衣物的多个子图像；根据任一待处理衣物的多个子图像获取该待处理衣物的完整图像，以分别得到各待处理衣物的完整图像；分别根据各待处理衣物的完整图像
确定各待处理衣物的材质信息；根据所述至少一件待处理衣物中各待处理衣物的材质信息确定处理程序和/或处理参数，以控制衣物处理设备根据所述处理程序和/或所述处理参数进行处理。
158.可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
159.附图中的流程图和框图，图示了按照本发明实施例各种实施例的系统、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，该模块、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，两个接连地表示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操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。
160.描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
161.以上描述仅为本发明实施例的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明实施例中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。