CN111582014A - 容器识别方法、设备及计算机可读存储介质 - Google Patents

Abstract

本申请涉及人工智能技术领域，公开了一种容器识别方法、设备及计算机可读存储介质，该方法包括：当接收到容器识别任务时，获取饮水机采集的待识别容器图像；对所述待识别容器图像进行预处理，并从预处理后的所述待识别容器图像中提取出感兴趣区域；从所述感兴趣区域提取待识别容器的特征；将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，以得出所述待识别容器的类型作为识别结果。本申请实现了容器类型的智能识别。

Description

容器识别方法、设备及计算机可读存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种容器识别方法、设备及计算机可读存储介质。

背景技术

随着生活水平的不断提高，饮水机也越来越普及，人们对饮水机的功能要求也越来越高。用户使用容器在饮水机的取水区域接水时，需要结合肉眼观察手动调节适合该种容器的水温水量等，较为不便。因此，为了控制饮水机的智能出水，如何智能识别容器类型，是目前亟待解决的技术问题。

发明内容

本申请的主要目的在于提供一种容器识别方法、设备及计算机可读存储介质，旨在实现容器类型的智能识别。

为实现上述目的，本申请提供一种容器识别方法，所述方法包括：

当接收到容器识别任务时，获取饮水机采集的待识别容器图像；

对所述待识别容器图像进行预处理，并从预处理后的所述待识别容器图像中提取出感兴趣区域；

从所述感兴趣区域提取待识别容器的特征；

将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，以得出所述待识别容器的类型作为识别结果。

此外，为实现上述目的，本申请还提供一种容器识别设备，所述容器识别设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的容器识别程序，其中所述容器识别程序被所述处理器执行时，实现如上所述的容器识别方法的步骤。

此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有容器识别程序，其中所述容器识别程序被处理器执行时，实现如上述的容器识别方法的步骤。

本申请提供一种容器识别方法、设备及计算机可读存储介质，当接收到容器识别任务时，首先饮水机采集的待识别容器图像，再对待识别容器图像进行预处理，并从预处理后的待识别容器图像中提取出感兴趣区域，然后从该感兴趣区域提取待识别容器的特征，将提取的特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，以得出所述待识别容器的类型作为识别结果，实现了基于SVM分类器对待识别容器进行智能识别，能显著提升容器类型的识别精度，实现了便捷、快速、准确地容器类型识别。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本申请各实施例涉及的移动终端的硬件结构示意图；

图2为本申请容器识别方法一实施例的流程示意图；

图3为本申请容器识别方法一实施例涉及的饮水机示意图；

图4为本申请容器识别方法一实施例涉及的细化流程示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

本申请实施例涉及的容器识别方法主要应用于容器识别设备，该容器识别设备可以是云端服务器。

参照图1，图1为本申请实施例方案中涉及的云端服务器的硬件结构示意图。本申请实施例中，云端服务器可以包括处理器1001(例如中央处理器Central ProcessingUnit、CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)；存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储。

本领域技术人员可以理解，图1中示出的硬件结构并不构成对本申请的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中确定为一种可读计算机可读存储介质计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及容器识别程序。在图1中，网络通信模块主要用于连接饮水机，与饮水机进行数据通信；而处理器1001可以调用存储器1005中存储的容器识别程序，并执行本申请实施例提供的容器识别方法的步骤。

其中，在一个实施例中，所述处理器用于运行存储在存储器中的容器识别程序，以实现如下步骤：

当接收到容器识别任务时，获取饮水机采集的待识别容器图像；

对所述待识别容器图像进行预处理，并从预处理后的所述待识别容器图像中提取出感兴趣区域；

从所述感兴趣区域提取待识别容器的特征；

将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，以得出所述待识别容器的类型作为识别结果。

在一些实施例中，所述处理器实现所述对所述待识别容器图像进行预处理，包括：

对所述待识别容器图像进行灰度化处理；

对灰度化处理后的所述待识别容器图像进行平滑去噪处理；

对平滑去噪处理后的所述待识别容器图像进行二值化处理。

在一些实施例中，所述处理器实现所述从预处理后的所述待识别容器图像中提取出感兴趣区域，包括：

采用预设边缘检测算法确定预处理后的所述待识别容器图像中待识别容器部分的上边界、左边界和下边界构成的最小外接矩形区域；

提取所述最小外接矩形区域，作为感兴趣区域。

在一些实施例中，所述处理器实现所述从预处理后的所述待识别容器图像中提取出感兴趣区域，包括：

计算预处理后的所述待识别容器图像中每列的像素和；

根据所述每列的像素和，确定第一目标列和第二目标列；

计算所述第一目标列和第二目标列之间的最大外切矩阵得到感兴趣区域。

在一些实施例中，所述处理器实现所述将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，以得出所述待识别容器的类型作为识别结果，包括：

将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，得出所述待识别容器属于各个SVM分类器对应的容器类型的概率；

将所述待识别容器属于各个SVM分类器对应的容器类型的概率进行比对，得到比对结果，并根据所述比对结果确定所述待识别容器的类型。

在一些实施例中，所述处理器实现所述当接收到容器识别任务时，获取饮水机采集的待识别容器图像之前，包括：

获取若干种容器的图像及其标记，以构建训练样本集；

根据所述训练样本集中的各个训练样本，训练针对不同容器类型的各个SVM分类器，得到训练好的针对不同容器类型的各个SVM分类器。

在一些实施例中，所述处理器实现所述根据所述训练样本集中的各个训练样本，训练针对不同容器类型的各个SVM分类器，得到训练好的针对不同容器类型的各个SVM分类器，包括：

根据所述训练样本集中容器类型的个数，确定SVM分类器的数量；

设置训练样本集在训练各个SVM分类器时所对应的目标概率值；

根据所述训练样本集中的各个训练样本与设置的所述目标概率值，对针对不同容器类型的各个SVM分类器进行训练。

在一些实施例中，所述处理器实现所述所述将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，以得出所述待识别容器的类型作为识别结果之后，包括：

获取预存的容器类型与容器容积之间的映射关系表；

根据识别结果和所述映射关系表，确定所述待识别容器对应的容积。

基于上述硬件结构，本申请实施例提供了一种容器识别方法。

参照图2，图2为本申请容器识别方法一实施例的流程示意图。该容器识别方法由容器识别设备实现，容器识别设备可以是云端服务器等具有数据处理功能的设备。

具体地，如图2所示，该容器识别方法包括步骤S101至步骤S104。

步骤S101、当接收到容器识别任务时，获取饮水机采集的待识别容器图像。

其中，云端服务器与饮水机建立有通信连接。饮水机安装有拍摄模组，该拍摄模组可以是单目拍摄装置，也可以是双目拍摄装置，该拍摄模组包括2D摄像头、深度相机和超景深相机等；拍摄模组的安装位置可以根据实际需要进行灵活设置，只要拍摄模组的取景区域覆盖饮水机出水口下方的取水区域，能够采集饮水机出水口下方的图像即可。

由于在没有容器放置于饮水机的出水口下方的取水区域时，拍摄模组所拍摄的图像中不包含容器，因此可以将拍摄模组在没有容器放置于饮水机的出水口下方的取水区域时所拍摄的图像，作为参照图像。由此，饮水机便可将每次所拍摄的图像与参照图像进行像素比对，如果二者存在像素差异，可以判定饮水机的取水区域放置有容器。

以图3所示的饮水机为例，当饮水机检测到取水区域放置有容器时，控制拍摄模组捕获容器图像，然后将捕获的容器图像作为待识别容器图像，生成携带该待识别容器图像的容器识别任务，发送至云端服务器，以请求云端服务器针对待识别容器图像进行容器识别操作。云端服务器接收到饮水机发送的容器识别任务时，首先从泡饮物识别任务中提取待识别容器图像。可以理解的是，该待识别容器图像除包含待识别容器部分之外，还包含取水区域部分。

步骤S1012、对所述待识别容器图像进行预处理，并从预处理后的所述待识别容器图像中提取出感兴趣区域。

云端服务器在获取到待识别容器图像之后，需先对待识别容器图像进行预处理，并从预处理后的所述待识别容器图像中提取出感兴趣区域。

在一些实施例中，对所述待识别容器图像进行预处理，具体为：对所述待识别容器图像进行灰度化处理；对灰度化处理后的所述待识别容器图像进行平滑去噪处理；对平滑去噪处理后的所述待识别容器图像进行二值化处理。

由于饮水机的拍摄模组拍摄的待识别容器图像是彩色的，而颜色本身非常容易受到光照等因素的影响，颜色本身难以提供关键信息，因此，首先对待识别容器图像进行灰度化处理。

考虑到饮水机的拍摄模组拍摄待识别容器图像时可能受到拍摄模组本身和/或外部环境噪声干扰等影响，造成待识别容器图像包含噪声，需先对待识别容器图像进行平滑去噪处理，具体可以采用低通滤波算法对待识别容器图像进行平滑去噪处理。示例性的，可以采用双边滤波器对待识别容器图像进行滤波，在去除待识别容器图像的噪声的同时，也能够较好的保持待识别容器图像的边缘轮廓细节。

由于待识别容器图像包含待识别容器部分和取水区域部分，需对平滑去噪处理后的待识别容器图像进行二值化处理，以将待识别容器图像中的待识别容器部分，与取水区域部分划分开来，从而去除取水区域部分，为后续待识别容器的识别作准备。示例性的，可以采用阈值法对平滑去噪处理后的待识别容器图像进行二值化处理。

完成对待识别容器图像的预处理之后，即可从预处理后的待识别容器图像提取出感兴趣区域。

在一些实施例中，从预处理后的所述待识别容器图像中提取出感兴趣区域，具体为：采用预设边缘检测算法确定预处理后的所述待识别容器图像中待识别容器部分的上边界、左边界和下边界构成的最小外接矩形区域；提取所述最小外接矩形区域，作为感兴趣区域。

示例性的，该预设边缘检测算法可以是Canny算子，采用Canny算子可以从预处理后的待识别容器图像中检测出待识别容器部分的上边界、左边界和下边界，从而可以准确地确定待识别容器部分的上边界、左边界和下边界构成的最小外接矩形区域，提取该最小外接矩形区域，即可得到待识别容器所在的ROI区域。

在一些实施例中，从预处理后的所述待识别容器图像中提取出感兴趣区域，具体为：计算预处理后的所述待识别容器图像中每列的像素和；根据所述每列的像素和，确定第一目标列和第二目标列；计算所述第一目标列和第二目标列之间的最大外切矩阵得到感兴趣区域。

也即，通过计算预处理后的待识别容器图像中每列的像素和，可以找到两个像素和的极大值列，将其中一个极大值列左移若干列得到第一目标列，将另一个极大值列右移若干列得到第二目标列，然后计算第一目标列和第二目标列之间的最大外切矩阵得到待识别容器所在的ROI区域。示例性的，可以采用长度为21的滑动窗口分别去搜索第50列到350列、第350列到650列这2个范围，计算出每20列像素和相加的值，查找到最大值对应的两列，然后将查找到的其中一列左移50列得到第一目标列、另一列右移50列得到第二目标列，最后通过求第一目标列、第二目标列之间的最大外内切矩阵得到待识别容器所在的ROI区域。

步骤S1013、从所述感兴趣区域提取待识别容器的特征。

从预处理后的所述待识别容器图像中提取出感兴趣区域之后，便可以从感兴趣区域中提取待识别容器的形状、纹理等特征。

步骤S1014、将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，以得出所述待识别容器的类型作为识别结果。

从感兴趣区域中提取待识别容器的形状、纹理等特征之后，将提取的特征分别输入至训练好的训练好的针对不同容器类型的各个SVM分类器进行分析，其中，SVM分类器采用深度神经网络，训练好的各个SVM分类器具有较高的准确性。将提取的特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，可以得出所述待识别容器的类型作为识别结果。

在一些实施例中，所述将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，以得出所述待识别容器的类型作为识别结果，具体为：将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，得出所述待识别容器属于各个SVM分类器对应的容器类型的概率；将所述待识别容器属于各个SVM分类器对应的容器类型的概率进行比对，得到比对结果，并根据所述比对结果确定所述待识别容器的类型。

示例性的，假设需要区分的容器类型有塑料杯(用A表示)、陶瓷杯(用B表示)、玻璃杯(用C表示)、不锈钢杯(用D表示)、木鱼石杯(用E表示)、景泰蓝杯(用F表示)六种，将这六种容器类型划分为两类，Target[1]＝(A)，Otler[1]＝{B，C，D，E，F}，则第一个SVM分类器SVM[1]的任务即为区分待识别容器是属于Target[1]类还是属于Otler[1]类，将待识别容器的特征输入至SVM[1]分类器中进行运算，得到一组分类结果t[1]＝ξ[1]，ο[1]＝1-ξ[1]，ξ[1]∈[0％,100％]，分类结果用于表示待识别容器属于该类的概率，如t[1]＝90％表示待识别容器属于Target[1]类的概率为90％。同理，分类器SVM[2]的任务为区分待识别容器是属于Target[2]＝{B}类还是属于Otler[2]＝{A，C，D，E，F}类，得到分类结果t[2]与ο[2]。最后，计算t[1]，t[2]...，t6]序列中最大和次大值的差，若该差值大于某一设定的阈值，例如50％，则表明分类成功，并判定待识别容器属于t[i]值中最大的那一类。

在一些实施例中，所述将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，以得出所述待识别容器的类型作为识别结果之后，包括：获取预存的容器类型与容器容积之间的映射关系表；根据识别结果和所述映射关系表，确定所述待识别容器对应的容积。

其中，云端服务器中存储有预先建立的容器类型与容器容积之间的映射关系表，将通过SVM分类器识别出的容器类型与该映射表进行匹配，若该映射表中存在识别出的容器类型对应的预存容器类型，则根据预存容器类型与预存容器容积之间的映射关系，查找到识别出的容器类型对应的预存容器容积，作为识别出的容器的容积。

上述提供的容器识别方法，当接收到容器识别任务时，首先饮水机采集的待识别容器图像，再对待识别容器图像进行预处理，并从预处理后的待识别容器图像中提取出感兴趣区域，然后从该感兴趣区域提取待识别容器的特征，将提取的特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，以得出所述待识别容器的类型作为识别结果，实现了基于SVM分类器对待识别容器进行智能识别，能显著提升容器类型的识别精度，实现了便捷、快速、准确地容器类型识别。

进一步地，基于一实施例提出本申请容器识别方法另一实施例。参照图4，图4为本申请容器识别方法另一实施例的流程示意图，容器识别方法另一实施例与容器识别方法一实施例的区别在于，所述步骤S101之前包括步骤S105至步骤S106。

步骤S105、获取若干种容器的图像及其标记，以构建训练样本集。

应当理解，在本实施例中，在步骤S101之前，需预先训练针对不同容器类型的各个SVM分类器。具体地，首先获取若干种常见容器的大量图像及其标记，这若干种常见容器的大量图像可以是饮水机的拍摄模组曾捕获的历史容器图像，标记则为人工预先对每种常见容器对应的类型的标注。示例性的，可以采集塑料杯、陶瓷杯、玻璃杯、不锈钢杯、木鱼石杯、景泰蓝杯六种常见容器的图像，再分别对每种容器的图像进行预处理，即，分别对每种容器的图像进行灰度化处理，接收分别对灰度化处理后的每种容器的图像进行平滑去噪处理，最后分别对平滑去噪处理后的容器的图像进行二值化处理。

进一步地，分别从预处理后的每种容器的图像中提取每种容器的形状、纹理等特征，结合每种容器的图像对应的标记，构建训练样本集，示例性的：

训练样本集＝{训练样本1，训练样本2，训练样本3，训练样本4，训练样本5，训练样本6}

＝{(塑料杯的特征，对塑料杯的标记)，(陶瓷杯的特征，对陶瓷杯的标记)，(玻璃杯的特征，对玻璃杯的标记)，(不锈钢杯的特征，对不锈钢杯的标记)，(木鱼石杯的特征，对木鱼石杯的标记)，(景泰蓝杯的特征，对景泰蓝杯的标记)}

步骤S106、根据所述训练样本集中的各个训练样本，训练针对不同容器类型的各个SVM分类器，得到训练好的针对不同容器类型的各个SVM分类器。

之后，便可根据训练样本集训练容器识别模型，得到训练好的容器识别模型。

在一些实施例中，所述根据所述训练样本集训练容器识别模型，得到训练好的容器识别模型，具体为：根据所述训练样本集中容器类型的个数，确定SVM分类器的数量；设置训练样本集在训练各个SVM分类器时所对应的目标概率值；根据所述训练样本集中的各个训练样本与设置的所述目标概率值，对针对不同容器类型的各个SVM分类器进行训练。

根据训练样本集中容器类型的个数，可确定对应的SVM分类器的数量，例如容器类型为6个时，对应的SVM分类器的数量也是6个。然后可设置训练样本集在训练各个SVM分类器时所对应的目标概率值。示例性的，训练样本集中的容器包括A、B、C和D四种状况，A、B、C和D四种状况分别使用SVM[1]～SVM[4]四个SVM分类器区分，则当容器类型为A的容器图像在作为训练SVM[1]分类器所用的训练样本时，目标概率值设置为100％，而在作为训练SVM[2]～SVM[4]分类器所用的训练样本时，目标概率值设置为0％。

上述提供的容器识别方法，基于构建的训练样本集，采用一对多策略训练SVM分类器，以实现SVM分类器智能识别容器类型的功能。

此外，本申请实施例还提供一种计算机可读存储介质。

本申请计算机可读存储介质上存储有容器识别程序，其中所述容器识别程序被处理器执行时，实现如上述的容器识别方法的步骤。

其中，容器识别程序被执行时所实现的方法可参照本申请容器识别方法的各个实施例，此处不再赘述。

其中，所述计算机可读存储介质可以是前述实施例所述的云端服务器的内部存储单元，例如所述云端服务器的硬盘或内存。所述计算机可读存储介质也可以是所述云端服务器的外部存储设备，例如所述云端服务器上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种容器识别方法，其特征在于，所述方法包括：

当接收到容器识别任务时，获取饮水机采集的待识别容器图像；

对所述待识别容器图像进行预处理，并从预处理后的所述待识别容器图像中提取出感兴趣区域；

从所述感兴趣区域提取待识别容器的特征；

将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，以得出所述待识别容器的类型作为识别结果。

2.根据权利要求1所述的容器识别方法，其特征在于，所述对所述待识别容器图像进行预处理，包括：

对所述待识别容器图像进行灰度化处理；

对灰度化处理后的所述待识别容器图像进行平滑去噪处理；

对平滑去噪处理后的所述待识别容器图像进行二值化处理。

3.根据权利要求1所述的容器识别方法，其特征在于，所述从预处理后的所述待识别容器图像中提取出感兴趣区域，包括：

采用预设边缘检测算法确定预处理后的所述待识别容器图像中待识别容器部分的上边界、左边界和下边界构成的最小外接矩形区域；

提取所述最小外接矩形区域，作为感兴趣区域。

4.根据权利要求1所述的容器识别方法，其特征在于，所述从预处理后的所述待识别容器图像中提取出感兴趣区域，包括：

计算预处理后的所述待识别容器图像中每列的像素和；

根据所述每列的像素和，确定第一目标列和第二目标列；

计算所述第一目标列和第二目标列之间的最大外切矩阵得到感兴趣区域。

5.根据权利要求1所述的容器识别方法，其特征在于，所述将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，以得出所述待识别容器的类型作为识别结果，包括：

将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，得出所述待识别容器属于各个SVM分类器对应的容器类型的概率；

将所述待识别容器属于各个SVM分类器对应的容器类型的概率进行比对，得到比对结果，并根据所述比对结果确定所述待识别容器的类型。

6.根据权利要求1所述的容器识别方法，其特征在于，所述当接收到容器识别任务时，获取饮水机采集的待识别容器图像之前，包括：

获取若干种容器的图像及其标记，以构建训练样本集；

根据所述训练样本集中的各个训练样本，训练针对不同容器类型的各个SVM分类器，得到训练好的针对不同容器类型的各个SVM分类器。

7.根据权利要求6所述的容器识别方法，其特征在于，所述根据所述训练样本集中的各个训练样本，训练针对不同容器类型的各个SVM分类器，得到训练好的针对不同容器类型的各个SVM分类器，包括：

根据所述训练样本集中容器类型的个数，确定SVM分类器的数量；

设置训练样本集在训练各个SVM分类器时所对应的目标概率值；

根据所述训练样本集中的各个训练样本与设置的所述目标概率值，对针对不同容器类型的各个SVM分类器进行训练。

8.根据权利要求1所述的容器识别方法，其特征在于，所述将提取的所述特征分别输入至训练好的针对不同容器类型的各个SVM分类器进行分析，以得出所述待识别容器的类型作为识别结果之后，包括：

获取预存的容器类型与容器容积之间的映射关系表；

根据识别结果和所述映射关系表，确定所述待识别容器对应的容积。

9.一种容器识别设备，其特征在于，所述容器识别设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的容器识别程序，其中所述容器识别程序被所述处理器执行时，实现如权利要求1至8中任一项所述的容器识别方法的步骤。

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上存储有容器识别程序，其中所述容器识别程序被处理器执行时，实现如权利要求1至8中任一项所述的容器识别方法的步骤。

Images