(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210883779.0 (22)申请日 2022.07.26 (71)申请人 宁波西卡曼厨具有限公司 地址 315000 浙江省宁波市北仑区小港街 道江桥头 村钱家 (72)发明人 顾冰程　 (74)专利代理 机构 深圳国联专利代理事务所 (特殊普通 合伙) 44465 专利代理师 李峰 (51)Int.Cl. G06F 16/9535(2019.01) G06K 9/62(2022.01) A47B 61/00(2006.01) A47B 61/04(2006.01) (54)发明名称 基于大数据的智能柜控制系统及其控制方 法 (57)摘要 本申请涉及智能柜的领域， 其具体地 公开了 一种基于大数据的智能柜控制系统及其控制方 法， 其使用基于人工智能技术的卷积神经网络模 型来从智能柜的各个柜格中所存放的衣物的类 型标签以及个人基础数据和个人偏好数据中挖 掘出深层次的特征关联信息， 以对 人们的穿搭进 行个性化的推荐， 进而基于推荐的结果来开启智 能柜的相应柜格， 以满足人们的需求。 权利要求书3页 说明书11页 附图5页 CN 115269980 A 2022.11.01 CN 115269980 A 1.一种基于大 数据的智能柜控制系统， 其特 征在于， 包括： 标签数据采集模块， 用于获取智能柜的各个柜格中所存放的衣物的类型 标签； 标签数据编码模块， 用于对所述智能柜的各个柜格中所存放的衣物的类型标签进行独 热编码以得到对应于各个柜格的标签向量； 穿搭组合数据构造模块， 用于将所述类型标签的组合为上衣、 下衣、 内衣和鞋子的所述 智能柜的每四个柜格对应的四个标签向量分别进行二维排列以得到多个标签矩阵； 穿搭组合数据编码模块， 用于将所述多个标签矩阵中各个标签矩阵分别通过作为特征 提取器的第一卷积神经网络以得到多个穿搭 标签特征矩阵； 聚类模块， 用于对所述多个穿搭 标签特征矩阵进行聚类以得到聚类中心； 评估模块， 用于计算所述多个穿搭标签特征矩阵中各个穿搭标签特征矩阵与 所述聚类 中心之间的距离以得到聚类特 征向量； 校正模块， 用于基于所述聚类特征向量， 对所述多个标签矩阵中各个标签矩阵进行加 权校正以得到多个加权后穿搭 标签特征矩阵； 个人数据编码模块， 用于将 获取的个人基础数据和个人偏好数据通过包含嵌入层的上 下文编码器以得到多个个人穿搭特征向量， 并将所述多个个人穿搭特征向量排列为特征矩 阵后通过作为特 征提取器的第二卷积神经网络以得到穿搭需求隐含特 征矩阵； 再校正模块， 用于分别对所述穿搭需求隐含特征矩阵和所述多个加权后 穿搭标签特征 矩阵中各个加权后穿搭标签特征矩阵进行校正以得到校正后穿搭需求隐含特征向量和多 个校正后加权穿搭 标签特征向量； 度量模块， 用于分别计算所述校正后 穿搭需求隐含特征向量和所述多个校正后加权穿 搭标签特征向量中各个校正后加权穿搭 标签特征向量之间的距离以得到多个距离值； 推荐结果确定模块， 用于将所述多个距离值中最大者对应的四个柜格作为穿搭推荐结 果； 以及 控制结果 生成模块， 用于基于所述 穿搭推荐结果， 开启所述智能柜的相应四个柜格。 2.根据权利要求1所述的基于大数据的智能柜控制系统， 其中， 所述穿搭组合数据编码 模块， 进一 步用于： 所述第一卷积神经网络的各层 在层的正向传递中分别进行： 对输入数据进行 卷积处理以得到卷积特 征图； 对所述卷积特 征图进行基于局部通道维度的均值池化以得到池化特 征图； 以及 对所述池化特 征图进行非线性激活以得到 激活特征图； 其中， 所述第一卷积神经网络的最后一层的输出为所述多个穿搭标签特征矩阵， 所述 第一卷积神经网络的第一层的输入为所述多个标签矩阵中各个标签矩阵。 3.根据权利要求2所述的基于大数据的智能柜控制系统， 其中， 所述聚类模块， 进一步 用于计算所述多个穿搭 标签特征矩阵的按位置均值以得到所述聚类中心。 4.根据权利要求3所述的基于大数据的智能柜控制系统， 其中， 所述评估模块， 用于计 算所述多个穿搭标签特征矩阵中各个穿搭标签特征矩阵与所述聚类中心之间的余弦距离 以得到所述聚类特 征向量。 5.根据权利要求 4所述的基于大 数据的智能柜控制系统， 其中， 所述校正模块， 包括： 权重化单元， 用于将所述聚类特征向量输入Sigmoid函数以将所述聚类特征向量中各 个位置的特 征值映射到 0到1的概率区间内以得到概 率化聚类特 征向量； 以及权　利　要　求　书 1/3 页 2 CN 115269980 A 2加权单元， 用于以所述概率化 聚类特征向量中各个位置的特征值作为权重分别对所述 多个标签矩阵中各个标签矩阵进行加权以得到所述多个加权后穿搭 标签特征矩阵。 6.根据权利要求5所述的基于大数据的智能柜控制系统， 其中， 所述再校正模块， 进一 步用于： 以如下公式分别对所述穿搭需求隐含特征矩阵和所述多个加权后穿搭标签特征矩 阵中各个加权后穿搭标签特征矩阵进行校正以得到所述校正后穿搭需求隐含特征向量和 所述多个校正后加权穿搭 标签特征向量； 其中， 所述公式为： 其中， 表示所述穿搭需求隐含特征矩阵中的各个位置的特征值， 表示所述 多个加权后穿搭标签特征矩阵中第t个加权后穿搭标签特征矩阵中的各个位置的特征值， V1表示所述校正后穿搭需求隐含 特征向量， V2t表示所述多个校正后加权穿搭标签特征向量 中第t个校正后加 权穿搭标签特征向量， 且∑j(·)表示对矩阵求每行的特征值之和， 表 示按位置 差分。 7.根据权利要求6所述的基于大数据的智能柜控制系统， 其中， 所述度量模块， 进一步 用于： 以如下公式分别计算所述校正后穿搭需求隐含特征向量和所述多个校正后加权穿搭 标签特征向量中各个校正后加权穿搭 标签特征向量之间的距离以得到所述多个距离值； 其中， 所述公式为： 其中， V1表示所述校正后穿搭需求隐含特征向量中各个位置的特征值， V2t表示所述多 个校正后加权穿搭标签特征向量中第t个校正后加权穿搭标签特征向量的各个位置的特征 值， Dt表示所述多个距离值。 8.一种基于大 数据的智能柜控制系统的控制方法， 其特 征在于， 包括： 获取智能柜的各个柜格中所存放的衣物的类型 标签； 对所述智能柜的各个柜格中所存放的衣物的类型标签进行独热编码以得到对应于各 个柜格的标签向量； 将所述类型标签的组合为上衣、 下衣、 内衣和鞋子的所述智能柜的每四个柜格对应的 四个标签向量分别进行二维排列以得到多个标签矩阵； 将所述多个标签矩阵中各个标签矩阵分别通过作为特征提取器的第一卷积神经网络 以得到多个穿搭 标签特征矩阵； 对所述多个穿搭 标签特征矩阵进行聚类以得到聚类中心； 计算所述多个穿搭标签特征矩阵中各个穿搭标签特征矩阵与所述聚类中心之间的距 离以得到聚类特 征向量；权　利　要　求　书 2/3 页 3 CN 115269980 A 3