本申请涉及废旧服装分类分拣领域，特别是涉及一种废旧服装分类分拣方法、装置、设备、介质及产品。
背景技术：
1、现有技术在细粒度视觉分类(fine-grained visual classification,fgvc)领域取得了显著的进展。fgvc旨在可靠地区分视觉上相似的类别，例如不同型号的飞机或汽车，这对于许多实际应用具有极大的潜在价值。然而，fgvc面临着几个技术挑战，主要包括以下几点：
2、1)类内变异和类间相似性：fgvc任务的难点之一在于不同类别之间的高度相似性以及同一类别内个体之间的变异性。这使得区分和识别不同类别的图像变得困难。
3、2)训练数据有限：收集和标注用于fgvc任务的图像通常需要专业知识，而且很难创建大规模的fgvc数据集。数据量的有限性限制了模型的学习能力和泛化性能。
4、3)低层次信息的忽视：随着深度卷积神经网络(cnns)在计算机视觉任务中的主导地位，现有的fgvc算法主要基于深度、抽象、语义信息进行分类，而忽略了浅层次、详细的信息。这种信息的忽视可能导致模型无法捕捉到区分不同类别所需的关键视觉线索。
技术实现思路
1、本申请的目的是提供一种废旧服装分类分拣方法、装置、设备、介质及产品，以解决不同类别图像识别困难，训练数据有限以及忽视低层次信息导致分类识别精度低的问题。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，一种废旧服装分类分拣方法，包括：
4、对废旧服装图像进行预处理；
5、对预处理后的废旧服装图像进行数据增强，生成增强后的废旧服装图像；
6、将所述增强后的废旧服装图像输入至细粒度分类模型中，识别所述增强后的废旧服装图像对应的类别；所述细粒度分类模型包括特征提取器、多个专家模块、多个分类器、一个数据增强模块以及一个融合分类器；其中，一个所述专家模块与一个所述分类器对应；所述特征提取器包括多个卷积层和池化层，所述特征提取器用于提取所述增强后的废旧服装图像的图像特征的低层次特征以及高层次特征；所述专家模块用于基于所述分类器，根据所述低层次特征以及所述高层次特征确定图像类别预测分数，并根据所述图像类别预测分数确定注意力区域；所述数据增强模块用于对所述注意力区域进行数据增强；所述融合分类器用于融合增强后的区域数据，生成所述增强后的废旧服装图像对应的类别。
7、可选的，对废旧服装图像进行预处理，具体包括：
8、剔除所述废旧服装图像中的异常图像，生成预处理后的废旧服装图像；所述异常图像包括模糊图像、无衣物图像、衣物不完整图像以及多张衣物图像。
9、可选的，对预处理后的废旧服装图像进行数据增强，生成增强后的废旧服装图像，具体包括：
10、对所述预处理后的废旧服装图像进行旋转，生成旋转后的图像；
11、翻转所述旋转后的图像，生成镜像图像；
12、裁剪所述镜像图像，划分感兴趣区域；
13、缩放所述感兴趣区域，生成缩放后的图像；
14、修改所述缩放后的图像的颜色空间，生成颜色变换后的图像；
15、向所述颜色变换后的图像增加随机噪声，生成增强后的废旧服装图像；所述随机噪声包括高斯噪声以及椒盐噪声。
16、可选的，所述细粒度分类模型的构建过程，具体包括：
17、利用迁移学习、以大型的图像识别数据库imagenet上预训练的卷积神经网络模型作为所述细粒度分类模型的模型架构；
18、基于所述模型架构，采用跨层相互注意力学习用于细粒度视觉分类cmal-net的特征提取器作为所述细粒度分类模型的特征提取器；
19、基于关注区域自动生成方法，构建细粒度分类模型。
20、可选的，将所述增强后的废旧服装图像输入至细粒度分类模型中，识别所述增强后的废旧服装图像对应的类别，之前还包括：
21、采用超参数搜索训练所述细粒度分类模型的超参数，选择最佳超参数，确定最优细粒度分类模型；所述超参数包括学习率、batch size以及epoch。
22、第二方面，一种废旧服装分类分拣装置，包括：数据采集装置、数据预处理装置以及模型训练系统；
23、数据采集装置包括传送带以及架子；所述架子设于所述传送带的两侧；所述架子上设有照明灯以及摄像头；所述传送带上设有光电传感器，当服装传送到所述传送带的中间位置时，通过所述光电传感器触发所述摄像头拍照，获取废旧服装图像，完成数据采集；
24、所述数据预处理装置，用于对所述废旧服装图像进行预处理以及数据增强；
25、所述模型训练系统，用于构建细粒度分类模型，并将增强后的废旧服装图像输入至细粒度分类模型中，识别增强后的废旧服装图像对应的类别。
26、第三方面，一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述废旧服装分类分拣方法。
27、第四方面，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上述废旧服装分类分拣方法。
28、第五方面，一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述废旧服装分类分拣方法。
29、根据本申请提供的具体实施例，本申请公开了以下技术效果：本申请对废旧服装图像进行预处理并数据增强，从而准确识别出不同类型的图像，再通过细粒度分类模型中的特征提取器提取图像中的低层次特征以及高层次特征，考虑了浅层次、详细的信息，提高分类识别精度，并由专家模块计算出图像类别预测分数，从而经一步提高分类识别精度，进一步的，根据图像类别预测分数确定注意力区域，并对注意力区域进行数据增强，经过融合分类器融合增强后的区域数据，生成增强后的废旧服装图像对应的类别。且整个过程无需对图像进行标注，而是直接由专家模块进行评分，得到图像类别预测分数，不受训练数据的限制。
1.一种废旧服装分类分拣方法，其特征在于，包括：
2.根据权利要求1所述的废旧服装分类分拣方法，其特征在于，对废旧服装图像进行预处理，具体包括：
3.根据权利要求1所述的废旧服装分类分拣方法，其特征在于，对预处理后的废旧服装图像进行数据增强，生成增强后的废旧服装图像，具体包括：
4.根据权利要求1所述的废旧服装分类分拣方法，其特征在于，所述细粒度分类模型的构建过程，具体包括：
5.根据权利要求1所述的废旧服装分类分拣方法，其特征在于，将所述增强后的废旧服装图像输入至细粒度分类模型中，识别所述增强后的废旧服装图像对应的类别，之前还包括：
6.一种废旧服装分类分拣装置，其特征在于，包括：数据采集装置、数据预处理装置以及模型训练系统；
7.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-5中任一项所述废旧服装分类分拣方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述废旧服装分类分拣方法。
9.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述废旧服装分类分拣方法。
