本技术涉及人工智能领域，尤其涉及一种目标物料特征的识别方法、装置、设备及存储介质。
背景技术：
1、在物料使用之前需要对物料进行识别，根据识别结果确定物料的使用方式。以家居应用场景为例，涉及多种类型的家居物料，在执行家居设计、家居安装或者家居布局前，需要识别出每种类型的家居物料对应的特征，特征包括但不限于：形体、风格、材质、用途、或者颜色等。
2、在相关技术中，通过人工识别的方式识别物料的特征，人工识别的方式以经验或者资料作为识别的标准。
3、然而，以经验或者资料作为识别的标准存在识别误差，导致识别物料特征的准确性低。
技术实现思路
1、本技术提供一种目标物料特征的识别方法、装置、设备及存储介质，用于提升目标物料特征的识别准确性。
2、第一方面，本技术提供一种目标物料特征的识别方法，包括：获取目标物料对应的目标图像；将所述目标图像输入特征提取模型，得到所述目标物料的第一特征；通过目标聚类算法对所述目标图像进行处理，得到所述目标物料的颜色特征；将所述第一特征以及所述颜色特征确定为所述目标物料的目标特征。
3、在一种可能的实施方式中，所述特征提取模型为视觉变换器vit模型，所述vit模型包括多个分类器；将所述目标图像输入特征提取模型，得到所述目标物料的第一特征，包括：将所述目标图像输入所述vit模型，得到多个子特征，每个所述子特征为对应的分类器识别得到，所述子特征包括如下至少一项：形体特征、风格特征、材质特征或者用途特征；确定所述第一特征包括所述多个子特征。
4、在一种可能的实施方式中，通过目标聚类算法对所述目标图像进行处理，得到所述目标物料的颜色特征，包括：将所述目标图像输入u2net模型，得到前景图像，所述前景图像为所述目标图像去除背景得到；通过简单线性迭代聚类slic算法对所述前景图像进行分割处理，得到所述前景图像对应的多个原始图像块；对每个所述原始图像块对应的所有像素点的rgb通道值进行计算处理，得到每个所述原始图像块对应的rgb均值；通过每个所述原始图像块对应的rgb均值，将每个所述原始图像块的rgb颜色空间转换为实用色彩坐标系统pccs颜色空间，得到多个处理图像块；通过目标聚类算法对每个图像块的pccs三维向量进行聚类处理，得到所述目标物料的颜色特征。
5、在一种可能的实施方式中，通过目标聚类算法对每个图像块的pccs三维向量进行聚类处理，得到所述目标物料的颜色特征，包括：通过平衡迭代归约和使用层次的聚类birch算法对每个图像块的pccs三维向量进行聚类处理，得到第一聚类结果；通过相似性传播ap算法对所述第一聚类结果进行聚类处理，得到第二聚类结果，所述第二聚类结果包括多个颜色聚类中心，每个所述颜色聚类中心对应一种颜色；根据所述第二聚类结果，确定所述目标物料的颜色特征。
6、在一种可能的实施方式中，根据所述第二聚类结果，确定所述目标物料的颜色特征，包括：针对任一颜色聚类中心，确定所述颜色聚类中心对应的像素占比以及颜色参数，所述颜色参数包括如下至少一项：色调、饱和度、或者亮度，所述像素占比为所述颜色聚类中心的相邻像素在所述多个处理图像块中的占比；根据所述像素占比以及所述颜色参数，确定所述颜色聚类中心对应的显著度；确定所述目标物料的颜色特征包括每个所述颜色聚类中心对应的显著度。
7、在一种可能的实施方式中，所述vit模型为对多个训练样本进行学习得到；所述方法还包括：根据所述多个训练样本以及每个所述训练样本对应的标签进行模型训练，得到初始模型以及多个子损失值，每个子损失值对应一个子特征；根据损失函数，确定所述多个子损失值对应的整体损失值；根据所述整体损失值以及优化算法对所述初始模型进行迭代训练，得到所述vit模型。
8、在一种可能的实施方式中，根据所述整体损失值对所述初始模型进行迭代训练，得到所述vit模型，包括：确定优化算法，所述优化算法包括迭代优化算法和/或学习率优化算法；根据所述整体损失值以及所述优化算法对所述初始模型进行迭代训练，得到所述vit模型。
9、第二方面，本技术提供一种目标物料特征的识别装置，包括：获取模块，用于获取目标物料对应的目标图像；提取模块，用于将所述目标图像输入特征提取模型，得到所述目标物料的第一特征；处理模块，用于通过目标聚类算法对所述目标图像进行处理，得到所述目标物料的颜色特征；确定模块，用于将所述第一特征以及所述颜色特征确定为所述目标物料的目标特征。
10、在一种可能的实施方式中，所述特征提取模型为视觉变换器vit模型，所述vit模型包括多个分类器；所述提取模块，具体用于将所述目标图像输入所述vit模型，得到多个子特征，每个所述子特征为对应的分类器识别得到，所述子特征包括如下至少一项：形体特征、风格特征、材质特征或者用途特征；所述提取模块，具体还用于确定所述第一特征包括所述多个子特征。
11、在一种可能的实施方式中，所述处理模块，具体用于将所述目标图像输入u2net模型，得到前景图像，所述前景图像为所述目标图像去除背景得到；所述处理模块，具体还用于通过简单线性迭代聚类slic算法对所述前景图像进行分割处理，得到所述前景图像对应的多个原始图像块；所述处理模块，具体还用于对每个所述原始图像块对应的所有像素点的rgb通道值进行计算处理，得到每个所述原始图像块对应的rgb均值；所述处理模块，具体还用于通过每个所述原始图像块对应的rgb均值，将每个所述原始图像块的rgb颜色空间转换为实用色彩坐标系统pccs颜色空间，得到多个处理图像块；所述处理模块，具体还用于通过目标聚类算法对每个图像块的pccs三维向量进行聚类处理，得到所述目标物料的颜色特征。
12、在一种可能的实施方式中，所述处理模块，具体用于通过平衡迭代归约和使用层次的聚类birch算法对每个图像块的pccs三维向量进行聚类处理，得到第一聚类结果；所述处理模块，具体还用于通过相似性传播ap算法对所述第一聚类结果进行聚类处理，得到第二聚类结果，所述第二聚类结果包括多个颜色聚类中心，每个所述颜色聚类中心对应一种颜色；所述处理模块，具体还用于根据所述第二聚类结果，确定所述目标物料的颜色特征。
13、在一种可能的实施方式中，所述处理模块，具体用于针对任一颜色聚类中心，确定所述颜色聚类中心对应的像素占比以及颜色参数，所述颜色参数包括如下至少一项：色调、饱和度、或者亮度，所述像素占比为所述颜色聚类中心的相邻像素在所述多个处理图像块中的占比；所述处理模块，具体还用于根据所述像素占比以及所述颜色参数，确定所述颜色聚类中心对应的显著度；所述处理模块，具体还用于确定所述目标物料的颜色特征包括每个所述颜色聚类中心对应的显著度。
14、在一种可能的实施方式中，所述vit模型为对多个训练样本进行学习得到；所述装置还包括：训练模块，用于根据所述多个训练样本以及每个所述训练样本对应的标签进行模型训练，得到初始模型以及多个子损失值，每个子损失值对应一个子特征；所述训练模块，还用于根据损失函数，确定所述多个子损失值对应的整体损失值；所述训练模块，还用于根据所述整体损失值以及优化算法对所述初始模型进行迭代训练，得到所述vit模型。
15、在一种可能的实施方式中，所述装置还包括：优化模块，用于确定优化算法，所述优化算法包括迭代优化算法和/或学习率优化算法；所述优化模块，还用于根据所述整体损失值以及所述优化算法对所述初始模型进行迭代训练，得到所述vit模型。
16、第三方面，本技术提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现第一方面中任一项所述的方法。
17、第四方面，本技术提供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如第一方面中任一项所述的方法。
18、本技术提供的目标物料特征的识别方法、装置、设备及存储介质，包括：获取目标物料对应的目标图像；将所述目标图像输入特征提取模型，得到所述目标物料的第一特征；通过目标聚类算法对所述目标图像进行处理，得到所述目标物料的颜色特征；将所述第一特征以及所述颜色特征确定为所述目标物料的目标特征。以上方案。通过特征提取模型和目标聚类算法识别物料的特征，相比于人工的方式，可以避免依靠经验而引入的识别误差，从而提升目标物料特征的识别准确性。
1.一种目标物料特征的识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述特征提取模型为视觉变换器vit模型，所述vit模型包括多个分类器；将所述目标图像输入特征提取模型，得到所述目标物料的第一特征，包括：
3.根据权利要求1所述的方法，其特征在于，通过目标聚类算法对所述目标图像进行处理，得到所述目标物料的颜色特征，包括：
4.根据权利要求3所述的方法，其特征在于，通过目标聚类算法对每个图像块的pccs三维向量进行聚类处理，得到所述目标物料的颜色特征，包括：
5.根据权利要求4所述的方法，其特征在于，根据所述第二聚类结果，确定所述目标物料的颜色特征，包括：
6.根据权利要求2-5中任一项所述的方法，其特征在于，所述vit模型为对多个训练样本进行学习得到；所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，根据所述整体损失值对所述初始模型进行迭代训练，得到所述vit模型，包括：
8.一种目标物料特征的识别装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
10.一种计算机可读存储介质，其特征在于，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权利要求1-7中任一项所述的方法。
