模型训练、衣物清洗设备控制方法、装置、设备及介质与流程

1.本技术属于衣物清洗设备控制技术领域，具体涉及一种模型训练、衣物清洗设备控制方法、装置、设备及介质。


背景技术：

2.随着人们生活水平的提高，对于洗衣机的性能要求也越来越高，节能、环保和智能化成为人们在购买洗衣机时考虑的几个重要因素。由于洗衣机内的衣物重量决定了洗衣机的用水量和洗涤时间，而洗衣机的用水量和洗涤时间又直接影响洗衣机的洗涤效果、耗水量和耗电量，所以准确地获取洗衣机内的衣物重量成为洗衣机实现节能、环保和智能化的关键。
3.目前，洗衣机是通过电机的旋转速度、或电机的电压、或电机的电流等获取洗衣机内的衣物重量。然而，这种获取洗衣机内的衣物重量的方法存在准确度较低，导致基于衣物称重结果所得到的清洗参数不准确，进而导致衣物的清洗效率较差的问题。


技术实现要素：

4.本技术提供一种模型训练、衣物清洗设备控制方法、装置、设备及介质，用以解决现有技术中洗衣机的衣物称重准确度较低的问题。
5.第一方面，本技术提供了一种模型训练方法，包括：
6.获取样本数据集，所述样本数据集包括n组样本数据，每组所述样本数据包括：样本衣物清洗设备对样本负载称重得到的称重重量、称重时所述样本衣物清洗设备的桶内偏心值、电机电流，以及，所述样本负载的实际重量；所述n为大于或等于1的整数；
7.利用所述样本数据集对重量矫正模型进行训练，得到训练好的重量矫正模型，训练好的重量矫正模型用于根据输入数据，得到衣物的实际重量，所述输入数据包括：衣物清洗设备对待清洗的衣物称重得到的称重重量、称重时所述衣物清洗设备的桶内偏心值、电机电流，得到所述衣物的实际重量。
8.可选地，所述获取样本数据集，包括：
9.获取初始样本数据集，所述初始样本数据集包括m组初始样本数据，每组所述初始样本数据包括：样本衣物清洗设备对样本负载称重得到的称重重量、称重时所述样本衣物清洗设备的桶内偏心值、电机参数；所述m为大于或等于所述n的整数；
10.基于所述初始样本数据集的数据分析处理结果，对所述m组初始样本数据中的数据进行预处理，得到第一候选样本数据集，所述第一候选样本数据集包括m组候选样本数据，每组所述候选样本数据包括：样本衣物清洗设备对样本负载称重得到的称重重量、称重时所述样本衣物清洗设备的桶内偏心值、电机电流；
11.根据所述第一候选样本数据集，获取所述样本数据集。
12.可选地，所述根据所述第一候选样本数据集，获取所述样本数据集，包括：
13.从所述第一候选样本数据集中提取n组候选样本数据，得到所述样本数据集；或
者，对所述第一候选样本数据集中的候选样本数据加入高斯噪声，得到第二候选样本数据集；分别从所述第一候选样本数据集和所述第二候选样本数据集提取样本数据，得到所述样本数据集。
14.可选地，所述重量矫正模型，包括：
15.第一卷积模块，用于对所述重量矫正模型的输入数据进行特征提取，得到第一特征数据；
16.第二卷积模块，用于对所述第一特征数据进行通道卷积处理，得到第二特征数据；
17.第三卷积模块，用于对所述第二特征数据进行逐点卷积处理，得到第三特征数据；
18.残差模块，用于将所述第一特征数据，以及，所述第三特征数据融合，得到第四特征数据；
19.池化层，用于对所述第四特征数据进行池化处理，得到第五特征数据；
20.全连接层，用于根据所述第五特征数据，得到所述输入数据对应的衣物的实际重量。
21.可选地，所述第一卷积模块、所述第二卷积模块、所述第三卷积模块和所述残差模块均包括：卷积层和批量归一化层；所述批量归一化层位于所述卷积层之后，用于对所述卷积层输出的数据进行归一化处理。
22.第二方面，本技术提供了一种衣物清洗设备控制方法，包括：
23.获取衣物清洗设备待清洗的衣物的称重重量，以及，称重时所述衣物清洗设备的桶内偏心值和电机电流；
24.将所述称重重量、所述桶内偏心值和所述电机电流输入至重量矫正模型，得到所述衣物的实际重量；所述重量矫正模型为采用如第一方面中任一项所述的方法训练得到的；
25.利用所述实际重量，获取所述衣物的清洗参数；
26.利用所述清洗参数，控制所述衣物清洗设备对所述衣物进行清洗。
27.第三方面，本技术提供了一种模型训练装置，包括：
28.获取模块，用于获取样本数据集，所述样本数据集包括n组样本数据，每组所述样本数据包括：样本衣物清洗设备对样本负载称重得到的称重重量、称重时所述样本衣物清洗设备的桶内偏心值、电机电流，以及，所述样本负载的实际重量；所述n为大于或等于1的整数；
29.训练模块，用于利用所述样本数据集对重量矫正模型进行训练，得到训练好的重量矫正模型，训练好的重量矫正模型用于根据输入数据，得到衣物的实际重量，所述输入数据包括：衣物清洗设备对待清洗的衣物称重得到的称重重量、称重时所述衣物清洗设备的桶内偏心值、电机电流，得到所述衣物的实际重量。
30.第四方面，本技术提供了一种衣物清洗设备的控制装置，包括：所述衣物清洗设备的控制装置包括：
31.第一获取模块，用于获取衣物清洗设备待清洗的衣物的称重重量，以及，称重时所述衣物清洗设备的桶内偏心值和电机电流；
32.处理模块，用于将所述称重重量、所述桶内偏心值和所述电机电流输入至重量矫正模型，得到所述衣物的实际重量；所述重量矫正模型为采用如第一方面中任一项所述的
方法训练得到的；
33.第二获取模块，利用所述实际重量，获取所述衣物的清洗参数；
34.控制模块，用于利用所述清洗参数，控制所述衣物清洗设备对所述衣物进行清洗。
35.第五方面，本技术提供了一种模型训练设备，包括：处理器、通信模块，以及存储器；所述处理器分别与所述通信模块和所述存储器通信连接；
36.所述存储器存储计算机执行指令；
37.所述通信模块与外部设备进行通信交互；
38.所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面中任一项所述的方法。
39.第六方面，本技术提供了一种衣物清洗设备控制设备，包括：处理器、通信模块，以及存储器；所述处理器分别与所述通信模块和所述存储器通信连接；
40.所述存储器存储计算机执行指令；
41.所述通信模块与外部设备进行通信交互；
42.所述处理器执行所述存储器存储的计算机执行指令，以实现如第二方面中所述的方法。
43.第七方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面或第二方面中任一项所述的方法。
44.本技术提供的模型训练、衣物清洗设备控制方法、装置、设备及介质，利用衣物的称重重量，以及，称重时衣物清洗设备的参数，通过训练预先构建的重量校正模型，用训练好的重量校正模型对待清洗的衣物的称重重量进行矫正，提高待清洗的衣物的称重重量的准确度，进而获得更加准确的清洗参数，提高衣物的清洗效果。
附图说明
45.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理：
46.图1是本技术实施例提供的一种衣物清洗设备控制方法；
47.图2是本技术实施例提供的一种模型训练方法的流程示意图；
48.图3是本技术实施例提供的一种样本数据集获取方法的流程示意图；
49.图4是本技术实施例提供的重量矫正模型的结构示意图；
50.图5是本技术实施例提供的一种模型训练装置的结构示意图；
51.图6是本技术实施例提供的一种衣物清洗设备的控制装置的结构示意图；
52.图7是本技术实施例提供的一种电子设备的结构示意图。
53.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
54.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技术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、本技术的一些方面相一致的装置和方法的例子。
55.首先对现有技术中的洗衣机衣物称重方法进行说明：
56.在现有技术中，洗衣机在清洗衣物前，会运行衣物称重程序，以对待清洗的衣物进行称重，从而获得清洗该衣物的参数。洗衣机首先通过获取洗衣机衣物称重时驱动洗衣机内筒转动的电机的电流值、电压值或者电机的旋转速度等数据中的任意一项技术指标，获取该洗衣机驱动洗衣机内筒转动的电机的当前惯量，或者电机的动能。然后根据该电机的当前惯量或者电机的动能，以及待称重的衣物紧贴洗衣机内筒时该衣物的转动半径，获取该衣物的重量。最后，多次运行电机对该衣物进行多次称重，获取每次称重获得的该衣物的重量，并对获得的所有该衣物的重量数据计算平均值，以该平均值作为当前洗衣机内待称重的衣物重量的输出结果。
57.然而，采用现有技术中的洗衣机衣物称重方法，存在衣物称重结果的准确度较低的问题。
58.原因1：由于洗衣机的电机在运行过程中，存在能量的损耗，故仅通过洗衣机运行的电流值、电压值或者驱动洗衣机内筒转动的电机的旋转速度等数据中的任意一项确定该电机的当前惯量或电机动能存在误差，导致衣物称重结果存在误差，准确度较低。
59.原因2：在称重过程中，若衣物并未紧贴洗衣机的内筒内壁，此时衣物与洗衣机内筒无法构成一个整体，通过惯量或动能测算衣物重量的方法也会存在较大的偏差，导致衣物称重结果的准确度较低。
60.原因3：在进行衣物重量的测试标定时，目前使用的衣物都是干衣物，且该干衣物在洗衣机内筒中的摆放是较为均匀、规整的。然而在实际使用过程中，用户投放入洗衣机的衣物可能会是湿衣物，且用户投放的衣物也可能是随机投放在洗衣机的内筒中，并非测试标定时衣物均匀规整地摆放在洗衣机内筒中，从而使得测量得到的衣物重量为湿衣物的重量，与目标结果的误差较大，导致衣物称重结果的准确度较低。
61.因此，综合上述因素，现有技术中的洗衣机衣物称重方法所获得的输出结果与实际衣物重量的误差范围较大(例如误差在200克左右)，现有技术中的洗衣机衣物称重方法存在衣物称重结果的准确度较低，导致基于衣物称重结果所得到的清洗参数不准确，进而导致衣物的清洗效果较差的问题。
62.有鉴于此，本技术提供了一种衣物清洗设备控制方法，可以利用衣物的称重重量，以及，称重时衣物清洗设备的参数，通过预先构建的重量校正模型，对待清洗的衣物的称重重量进行矫正，提高待清洗的衣物的称重重量的准确度，进而获得更加准确的清洗参数，提高衣物的清洗效果。
63.本技术的方案包括两部分内容，第一部分的内容为如何利用重量校正模型对待清洗的衣物的称重重量进行矫正，并基于矫正后的重量进行清洗参数的获取。第二部分的内容为如何训练获取重量校正模型。
64.下面先对第一部分的内容进行详细描述。
65.该部分的执行主体可以是衣物清洗设备，也可以是与衣物清洗设备连接的云平台，下面以云平台控制衣物清洗设备实施清洗设备控制方法的场景为例进行说明。
66.该应用场景可以包括：云平台，衣物清洗设备。
67.其中，衣物清洗设备可以通过连接网络，与云平台之间进行信息交互。
68.云平台例如可以包括云服务提供商拥有的大量基础资源(包括计算资源、存储资源和网络资源)，云平台包括的计算资源可以是大量的计算设备，该计算设备可以为服务器，或服务器上的虚拟机。
69.云平台可以用于接收衣物清洗设备上传的指令，进而对清洗设备的清洗行为进行控制。上述指令例如可以包括，待清洗衣物的称重重量、桶内偏心值和电机电流等内容。
70.云平台在利用重量校正模型对待清洗的衣物的称重重量进行矫正后，向该衣物清洗设备发送清洗指令，云平台通过该清洗指令，对衣物清洗设备的清洗行为进行控制。
71.本技术的执行主体例如可以是上述所说的云平台，或者是衣物清洗设备。若执行主体为衣物清洗设备时，衣物清洗设备可以基于自身的处理执行本技术的方法，也可以通过与云平台的交互，以使云平台对衣物清洗设备的清洗行为进行控制。
72.下面以执行主体是衣物清洗设备为例，结合具体地实施例对本技术实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或者相似的概念或者过程可能在某些实施例不再赘述。
73.图1为本技术实施例提供的一种衣物清洗设备控制方法。如图1所示，该方法可以包括：
74.s101、对待清洗的衣物称重，获取该衣物的称重重量，以及，称重时该衣物清洗设备的桶内偏心值和电机电流。
75.上述衣物的称重重量、桶内偏心值、以及电机电流能够根据该衣物的实际重量的变化而发生变化，本技术实施例提供的衣物清洗设备控制方法仅能够使用在通过该衣物清洗设备的内筒旋转获取待清洗的衣物的重量的场景中。
76.其中，该衣物的称重重量的方式可以是通过现有技术中所说的惯量测量、或根据电机动能计算的方式获取的。该衣物清洗设备的桶内偏心值和电机电流的获取方法可以参照现有技术，此处不再赘述。
77.s102、将称重重量、桶内偏心值和电机电流输入至重量矫正模型，得到该衣物的实际重量。
78.其中，该重量预测模型为采用样本数据集训练得到的；该样本数据集包括n组样本数据，每组样本数据包括：样本衣物清洗设备对样本负载称重得到的称重重量、称重时该样本衣物清洗设备的桶内偏心值、电机电流，以及，该样本负载的实际重量，n为大于或等于1的整数。
79.通过采用上述样本数据集训练得到的重量预测模型，能够用于表征称重重量、桶内偏心值、电机电流、实际重量之间的映射关系。因此，通过将称重重量、桶内偏心值和电机电流输入至重量矫正模型，能够准确的获取到该衣物的实际重量。
80.关于如何采用上述样本数据集训练得到的重量预测模型，可以参见后续第二部分的描述，在此不再赘述。
81.s103、利用该实际重量，获取该衣物的清洗参数。
82.其中，该衣物的清洗参数例如可以包括清洗时长、进水量以及洗涤剂的投放量等中至少一项。获取该衣物的清洗参数的方式可以参见现有的实现方式，例如可以是，通过预
设的实际重量与清洗参数的映射关系，以及，实际重量，获取该衣物的清洗参数。
83.例如，该映射关系包括每个实际重量区间对应的衣物清洗参数，根据该实际重量所处的区间，获取该衣物的清洗参数。
84.s104、利用该清洗参数，对该衣物进行清洗。
85.本技术实施例提供的衣物清洗设备控制方法，利用衣物的称重重量，以及，称重时衣物清洗设备的参数，通过预先构建的重量校正模型，对待清洗的衣物的称重重量进行矫正，提高待清洗的衣物的称重重量的准确度，进而获得更加准确的清洗参数，提高衣物的清洗效果。
86.下面先对第二部分的内容进行详细描述。即，如何利用样本数据集对初始模型进行训练，得到重量矫正模型的过程。
82.该部分的执行主体可以是计算设备，也可以是上述所说的云平台，该计算设备可以为服务器，服务器上的虚拟机，终端设备等。下面以云平台实施模型训练方法的场景为例进行说明。
83.图2为本技术实施例提供的一种模型训练方法的流程示意图。如图2所示，该方法可以包括：
84.s201、获取样本数据集。
85.其中，该样本数据集包括n组样本数据，每组样本数据包括：样本衣物清洗设备对样本负载称重得到的称重重量、称重时该样本衣物清洗设备的桶内偏心值、电机电流，以及，该样本负载的实际重量，n为大于或等于1的整数。
86.样本数据集包括的样本数据的组数n可以根据实际需要确定，组数n越大，样本数据集越丰富，根据该样本数据集训练的模型的准确度越高，本技术对样本数据的组数不做限制。
87.样本衣物清洗设备对样本负载称重得到的称重重量可以通过现有技术中的衣物称重方法获得，例如可以通过前述所说的惯量测量的方法，为避免重复，在此不再赘述。
88.该样本负载例如可以是衣物、负载布等能够用于表征待清洗物品的样本。以样本负载为负载布为例，该负载布可以是干负载布，也可以是湿负载布，分别用于表征待清洗衣物为干衣物和湿衣物时的情况，从而降低现有技术中因衣物是湿衣物时带来的称重误差。
89.称重时该样本衣物清洗设备的桶内偏心值和电机电流的获取方法可以参照现有技术。本技术对于称重时该样本衣物清洗设备的桶内偏心值、电机电流的获取方法不做限制，只要是能够获取该两项数据的方法即可。
90.该样本负载的实际重量例如可以是通过重量测量设备获取的，并提前进行标注的，该样本负载的实际重量的称重精度值可以根据实际需要确定，该样本负载的实际重量的称重精度值会对训练后的模型的精度值产生影响，例如，将该样本负载的实际重量的称重精度值精确到1克级别，则根据该样本数据集训练后的模型的输出结果的精度最高也可以达到1g级别，本技术对于该称重精度值不做限制。
91.s202、利用样本数据对重量矫正模型进行训练，得到训练好的重量矫正模型。
92.该重量矫正模型例如可以是卷积神经网络模型、深度学习模型等能够根据样本数据集的训练实现重量矫正功能的模型。当该重量矫正模型的损失函数的评价指标符合预设条件时，训练结束，得到训练好的重量矫正模型。其中，该预设条件可以根据实际需求确定，
本技术对此不作限制。
93.该训练好的重量校正模型可以用于前述图1所示的实施例中，对利用样本衣物清洗设备称重样本负载得到的称重重量进行矫正，从而能够，降低该衣物清洗设备衣物称重的误差，提高该衣物清洗设备衣物称重的准确性，进而能够使衣物清洗设备获取更加准确地清洗参数，提高衣物清洗效果。
94.下面，针对如何获取上述所说的样本数据集进行详细的介绍。
95.一种可能的实现方式，云平台获取初始样本数据集，并基于对该初始样本数据集的数据的处理，得到样本数据集。
96.图3为本技术实施例提供的一种样本数据集获取方法的流程示意图。如图3所示，该方法可以包括：
97.s301、获取初始样本数据集。
98.其中，该初始样本数据集包括m组初始样本数据，每组初始样本数据包括：样本衣物清洗设备对样本负载称重得到的称重重量、称重时该样本衣物清洗设备的桶内偏心值、电机参数，m为大于或等于所述n的整数。该电机参数例如可以包括电机电流、电机电压、电机转速等。
99.该初始样本数据集中的每组初始样本数据的获取方式可以是样本衣物清洗设备通过前述步骤s201中所说的方法获取，并上传给云平台的。
100.s302、基于该初始样本数据集的数据分析处理结果，对m组初始样本数据中的数据进行预处理，得到第一候选样本数据集。
101.其中，该数据分析处理结果例如可以是根据探索性数据分析(exploratory data analysis，eda)获得的。通过eda分析，对该初始样本数据集进行数据分析，例如可以包括分析该初始样本数据集中的数据是否缺失、是否存在离群点、是否存在重复样本等。进一步地，还可以通过eda分析中的相关性分析，分析该初始样本数据集中包括的初始样本数据与重量矫正的相关性的大小等。
102.根据该数据分析结果，对该m组初始样本数据中的数据进行预处理例如可以包括：填充缺失数据、和/或减少离群点、和/或去除重复样本、和/或将初始样本数据中与重量矫正的相关性较小的样本数据类型删除等，从而减少样本数据的数据数量，提升模型训练效率。
103.本技术实施例中的预处理方法可以参照现有技术，本技术对此不做限制。
104.s303、根据第一候选样本数据集，获取样本数据集。
105.一种可能的实施方式，从第一候选样本数据集中提取n组候选样本数据，得到样本数据集。
106.例如，可以从该第一候选样本数据集中按照预设的规则进行取样，提取n组候选样本数据，该预设的规则例如可以是随机取样、等距抽样、分层取样等。
107.另一种可能的实施方式，对第一候选样本数据集中的候选样本数据加入高斯噪声，得到第二候选样本数据集。分别从第一候选样本数据集和第二候选样本数据集提取样本数据，得到样本数据集。
108.通过对第一候选样本数据集中的候选样本数据加入高斯噪声，提高第一候选样本数据集中的候选样本数据的泛化能力，可以解决样本数据集中的候选样本数据较少的问
题，提高候选样本数据的多样性。该第二候选样本数据集可以包括第一候选样本数据集中的候选样本数据加入高斯噪声后的获得的候选样本数据。在数据集中加入高斯噪声的方法可以参照现有技术，在此不再赘述。
109.其中，可以从第一样本数据集中提取a组候选样本数据，从第二样本数据集中提取b组候选样本数据，a和b均为大于或等于0的整数，a和b的和为n。将第一样本数据集的a组候选样本数据，和第二样本数据集的b组候选样本数据作为样本数据集。
110.可选地，该样本数据集例如还可以通过数据增强的方法，增加样本数据的多样性，提高样本数据集的泛化能力。例如，可以通过mixup算法，将样本数据集中的至少两个样本数据进行混合，从而获得新的样本数据。示例性地，以两个样本数据进行混合为例，将样本数据a、样本数据b分别乘以50％，获得样本数据c＝样本数据a*50％ 样本数据b*50％，该样本数据c即为新的样本数据。
111.上述所说的样本数据集，可以划分为训练数据集和测试数据集。其中，训练数据集用于对初始模型进行训练，从而获得重量校正模型；测试数据集用于对重量矫正模型进行测试，以测试该重量校正模型的准确度。样本数据集的划分可以根据实际需要进行，例如，可以将样本数据集中组样本数据作为训练数据集，将样本数据集中组样本数据作为测试数据集。
112.第二种可能的实现方式，上述样本数据集可以是之前采用前述第一种可能的实现方式方式中的方法预先处理好，并存储在数据库中的。当云平台需使用该样本数据集对模型进行训练的时候，云平台直接从数据库中读取该样本数据集。
113.第三种可能的实现方式，上述样本数据集可以是其他设备发送给云平台的，关于其他设备如何获取的不做限定，例如可以采用第一种可能的实现方式得到的。
114.本技术实施例提供的获取样本数据集的方法，通过对数据的预处理，数据增强，数据取样等过程，获取样本数据集，并通过提高样本负载的称重精度，提高训练后获得的重量校正模型的输出精度，从而使得可以通过更少的样本负载，得到更多的样本数据，进一步提高模型训练的效果，提高训练后获得的重量校正模型的准确度，以使衣物清洗设备能够确定更准确的清洗参数，提升衣物清洗效果。
115.上述所说的重量矫正模型例如可以是卷积神经网络模型、深度学习模型等能够根据样本数据集的训练实现重量矫正功能的模型。下面，以该重量矫正模型是卷积神经网络模型为例进行详细的介绍。
116.实施方式a：该卷积神经网络模型为将输入通道卷积与逐点卷积步骤拆分开的卷积神经网络模型。
117.图4为本技术实施例提供的重量矫正模型的结构示意图，如图4所示，该重量矫正模型包括：第一卷积模块、第二卷积模块、第三卷积模块、残差模块、池化层，以及，全连接层。
118.第一卷积模块，用于对该重量矫正模型的输入数据进行特征提取，得到第一特征数据。
119.其中，该重量矫正模型的输入数据可以包括，样本衣物清洗设备对待清洗的衣物称重得到的称重重量、称重时所述衣物清洗设备的桶内偏心值、电机电流等。
120.第一卷积模块通过卷积核对重量矫正模型中的每一组输入数据进行特征提取，获取该重量矫正模型的输入数据对应的第一特征数据，该第一特征数据用于表征输入数据融合之后的特征。
121.第二卷积模块，用于对第一特征数据进行通道卷积处理，得到第二特征数据。
122.该第二特征数据用于表征第一特征数据经过通道卷积处理后所提取的特征数，该通道卷积处理通过将第一特征数据在每个通道上进行卷积，获得每个通道对应的卷积结果，并将该卷积结果作为第二特征数据。
123.第三卷积模块，用于对所述第二特征数据进行逐点卷积处理，得到第三特征数据。
124.该第三特征数据用于表征第二特征数据经过逐点卷积处理后所提取的特征数据。该逐点卷积处理通过根据输出通道数量确定数量的卷积核，遍历上述第二特征数据并进行卷积，获得第三特征数据，
125.残差模块，用于将所述第一特征数据，以及，所述第三特征数据融合，得到第四特征数据。
126.该残差模块例如可以是不包括卷积层的残差模块，也可以是包括卷积层的残差模块，本技术实施例以残差模块为不包括卷积层的残差模块为例进行说明。
127.示例性的，该残差模块可以将第一特征数据对应的特征数据矩阵作为x，将经过第二卷积模块、以及、第三卷积模块两层卷积的第一特征数据所得到的第三特征数据作为f(x)，该残差模块通过将上述第一特征数据对应的特征数据矩阵与两层卷积后的结果(第三特征数据)相加，即该残差模块输出的第四特征数据为h(x)＝x f(x)。
128.通过该残差模块，使得第三特征数据转变为包含有第一特征数据的第四特征数据，以使该第四特征数据的梯度更加稳定，防止第一特征数据经过两层卷积后导致的梯度降低、或者梯度消失的问题，使得模型训练的结果更加准确。
129.池化层，用于对第四特征数据进行池化处理，得到第五特征数据。
130.其中，池化处理例如可以包括平均池化处理、最大池化处理等，本技术以池化处理为最大池化处理为例进行说明。通过逐个获取第四特征数据中每个预设区域大小内的最大值，获取由这些最大值组成的第五特征数据。通过该最大池化处理，能够有效降低特征数据的参数量，加快模型计算速度。
131.全连接层，用于根据第五特征数据，得到输入数据对应的样本负载的实际重量。
132.该全连接层通过将第五特征数据中的数据进行连接，得到与输入数据对应的衣物的实际重量对应的一维向量，然后该全连接层将该一维向量中的每个数据相加，得到输入数据对应的样本负载的实际重量。全连接层如何将特征数据中的数据相加可以参照现有技术，此处不再赘述。
133.由于在神经网络模型的学习过程中，每个卷积模块的数据的分布均会发生变化，使得每个卷积模块需要去学习发生变化后的数据的新的分布，导致模型的训练速度较慢、收敛效果不佳的问题。为了解决该问题，还可以在每个包含卷积层的模块中加入批量归一化层(batch normalization，bn)。
134.一种可能的实现方式，残差模块包括卷积层，则第一卷积模块、所述第二卷积模块、第三卷积模块和残差模块均包括：卷积层和批量归一化层。
135.其中，卷积层用于对卷积模块的输入数据进行卷积处理，该批量归一化层位于卷
积层之后，用于对所述卷积层输出的数据进行归一化处理。bn层将每个卷积模块中的卷积层卷积处理后的数据都归一化成均值为0、方差为1的分布，从而使得每个卷积层卷积处理后的数据的分布的变化较小，从而提升模型的训练速度与收敛效果。
136.另一种可能的实现方式，残差模块不包括卷积层，则第一卷积模块、所述第二卷积模块、第三卷积模块均包括：卷积层和批量归一化层。
137.实施方式b：该卷积神经网络模型为将输入通道卷积与逐点卷积步骤未拆分开的卷积神经网络模型。
138.在该实施方式下，该卷积神经网络模型与实施方式a中的卷积神经网络模型的差别仅在于，该卷积神经网络模型在第一卷积模块之后，输入通道卷积与逐点卷积的步骤是合并在一起进行的，并不需要单独设立如实施方式a中的第二卷积模块和第三卷积模块。对于其他相同的结构，此处不再赘述。
139.在该卷积审计网络模型中，针对第一卷积模块输出的第一特征数据的卷积处理为：通过将与输出通道数对应的数量的卷积核，作用于每个输入通道的输入数据，从而获得对应的输出数据，该输出数据相当于实施方式a中的第三特征数据。
140.由于卷积层的卷积操作的效率主要取决于卷积层的参数数量，因此参数数量越多，模型计算的效率越低，所需的计算资源越多。下面，以输入通道数量为16，输出通道数量为32，对上述两种实施方式的卷积层的参数数量进行介绍。
141.在实施方式a中，假设第二卷积模块中的卷积核的大小为3
×
3。实施方式a先对通道进行卷积，即首先通过大小为3
×
3的卷积核对每个通道的输入数据进行卷积，获得与输入通道数对应的第二特征数据，即第二特征数据是对应16个输入通道的卷积结果组成的。在该假设下，第二卷积模块中：
142.卷积层参数数量＝卷积计算次数 偏置项参数
ꢀꢀꢀ
(1)
143.即16
×3×
3 16＝160个。
144.根据输出通道的数量，确定第三卷积模块的卷积核的数量，该卷积核用于将上述第二特征数据卷积为与输出通道数量对应的第三特征数据。该卷积核可以是大小为1
×
1的卷积核。根据该卷积核遍历上述第二特征数据，获得对应的第三特征数据。
145.在该假设下，第三卷积模块中：卷积层参数数量为：
[0146]1×1×
16
×
32 32＝544个。
[0147]
下表1为实施例a提供的卷积神经网络的在该假设下的示例：表1
[0148]
在实施方式b中，通过将与输出通道数对应的32个大小为3
×
3的卷积核，作用于16个输入通道的输入数据，从而获得对应的输出数据(即与实施方式a中第三特征数据对应的输出结果)。根据卷积层参数计算公式，该方法下卷积层参数数量为：
[0149]
卷积核个数
×
(卷积核大小
×
输入通道个数 偏置项参数)
[0150]
即，32
×
(3
×3×
16 1)＝4640个。
[0151]
下表2为实施例b提供的卷积神经网络的在该假设下的示例：表2
[0152]
由此可知，在实施方式a的卷积神经网络模型的结构下，此部分卷积操作的参数数量为160 544＝704个，小于实施方式b中的4640个，因此，实施方式a的重量矫正模型的结构和卷积流程能够有效减少卷积层参数的数量，从而提高模型的计算效率，节省计算资源，使该模型能够部署在计算能力较低的设备上，该设备例如可以是移动端设备等。而实施方式b中的卷积神经网络模型的结构则更为简单。
[0153]
在完成上述的卷积神经网络的流程后，该卷积神经网络输出样本负载的实际重量的预测值，然后通过损失函数判断该预测值与该样本负载的实际重量比较是否符合预设条件。若比较结果符合预设条件，则停止模型训练；若比较结果不符合预设条件，则更新上述卷积层中的参数，重复执行该卷积神经网络的流程，直至比较结果符合预设条件，完成模型训练过程。该损失函数例如可以是huber损失函数，当损失函数为huber损失函数时，该预设条件为是huber损失函数的均方根误差是否符合预设阈值。
[0154]
本技术实施例提供的模型训练方法，通过对初始样本数据集的预处理，获得样本数据集，将样本数据集作为输入数据输入重量矫正模型中进行训练，获得训练好的重量矫正模型。该训练好的重量校正模型中通过输入数据，能够对衣物称重重量进行矫正，提高衣物称重的准确性。
[0155]
图5为本技术实施例提供的一种模型训练装置的结构示意图。如图5所示，该模型训练装置可以包括：获取模块11，训练模块12。
[0156]
获取模块11，用于获取样本数据集。样本数据集包括n组样本数据，每组样本数据包括：样本衣物清洗设备对样本负载称重得到的称重重量、称重时样本衣物清洗设备的桶内偏心值、电机电流，以及，样本负载的实际重量。n为大于或等于1的整数。
[0157]
训练模块12，用于利用样本数据集对重量矫正模型进行训练，得到训练好的重量矫正模型，训练好的重量矫正模型用于根据输入数据，得到衣物的实际重量。输入数据包括：衣物清洗设备对待清洗的衣物称重得到的称重重量、称重时衣物清洗设备的桶内偏心值、电机电流，得到衣物的实际重量。
[0158]
一种可能的实施方式，获取模块11具体用于，获取初始样本数据集，基于初始样本数据集的数据分析处理结果，对m组初始样本数据中的数据进行预处理，得到第一候选样本数据集，根据第一候选样本数据集，获取样本数据集。其中，初始样本数据集包括m组初始样本数据，每组初始样本数据包括：样本衣物清洗设备对样本负载称重得到的称重重量、称重时样本衣物清洗设备的桶内偏心值、电机参数。m为大于或等于n的整数。第一候选样本数据集包括m组候选样本数据，每组候选样本数据包括：样本衣物清洗设备对样本负载称重得到的称重重量、称重时样本衣物清洗设备的桶内偏心值、电机电流。
[0159]
在该实施方式下，获取模块11具体用于从第一候选样本数据集中提取n组候选样本数据，得到样本数据集。或者，对第一候选样本数据集中的候选样本数据加入高斯噪声，得到第二候选样本数据集。分别从第一候选样本数据集和第二候选样本数据集提取样本数据，得到样本数据集。
[0160]
可选地，上述实施方式中，重量矫正模型，包括：
[0161]
第一卷积模块，用于对重量矫正模型的输入数据进行特征提取，得到第一特征数据。可选地，第一卷积模块包括卷积层和批量归一化层，批量归一化层位于卷积层之后，用于对卷积层输出的数据进行归一化处理。
[0162]
第二卷积模块，用于对第一特征数据进行通道卷积处理，得到第二特征数据。可选地，第二卷积模块包括卷积层和批量归一化层。
[0163]
第三卷积模块，用于对第二特征数据进行逐点卷积处理，得到第三特征数据。可选地，第三卷积模块包括卷积层和批量归一化层。
[0164]
残差模块，用于将第一特征数据，以及，第三特征数据融合，得到第四特征数据。可选地，残差模块包括卷积层和批量归一化层。
[0165]
池化层，用于对第四特征数据进行池化处理，得到第五特征数据。
[0166]
全连接层，用于根据第五特征数据，得到输入数据对应的衣物的实际重量。
[0167]
本技术实施例提供的模型训练装置，可以执行上述方法实施例中的模型训练方法，其实现原理和技术效果类似，在此不再赘述。
[0168]
图6是本技术实施例提供的一种衣物清洗设备的控制装置的结构示意图。如图6所示，该衣物清洗设备的控制装置包括：第一获取模块21，处理模块22，第二获取模块23，控制模块24。
[0169]
第一获取模块21，用于获取衣物清洗设备待清洗的衣物的称重重量，以及，称重时衣物清洗设备的桶内偏心值和电机电流。
[0170]
处理模块22，用于将称重重量、桶内偏心值和电机电流输入至重量矫正模型，得到衣物的实际重量。重量矫正模型为采用如前述的模型训练方法训练得到的。
[0171]
第二获取模块23，利用实际重量，获取衣物的清洗参数。
[0172]
控制模块24，用于利用清洗参数，控制衣物清洗设备对衣物进行清洗。
[0173]
本技术实施例提供的衣物清洗设备的控制装置，可以执行上述方法实施例中的衣物清洗设备控制方法，其实现原理和技术效果类似，在此不再赘述。
[0174]
图7为本技术实施例提供的一种电子设备的结构示意图。其中，该电子设备可以是模型训练设备，也可以是衣物清洗设备控制设备。当该电子设备是模型训练设备时，用于执行前述所说的模型训练方法，例如可以是部署了前述所说的云平台的计算设备；当该电子设备是衣物清洗设备控制设备时，用于执行前述所说的衣物清洗设备控制方法，例如可以是部署了前述所说的云平台的计算设备。如图7所示，该电子设备700可以包括：至少一个处理器701、存储器702。
[0175]
存储器702，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
[0176]
存储器702可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0177]
处理器701用于执行存储器702存储的计算机执行指令，以实现前述方法实施例所描述的方法。其中，处理器701可能是一个cpu，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0178]
可选地，电子设备还可以包括通信接口703。处理器701通过通信接口703可以与外部设备进行通信交互，当该电子设备是模型训练设备时，外部设备例如可以是部署前述所说的数据库的设备；当该电子设备是衣物清洗设备控制设备时，外部设备例如可以是衣物清洗设备。在具体实现上，如果通信接口703、存储器702以及处理器701独立实现，则通信接口703、存储器702以及处理器701可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
[0179]
可选的，在具体实现上，如果通信接口703、存储器702和处理器701集成在一块芯片上实现，则通信接口703、存储器702和处理器701可以通过内部接口完成通信。
[0180]
本技术还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述实施例中的方法。
[0181]
本技术还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。计算设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得计算设备实施上述模型训练方法，以及衣物清洗设备控制方法。
[0182]
最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。