CYDYSY1. 项目背景与核心需求
洗衣助手APP的创意源于日常生活中一个普遍痛点：大多数人都不太会正确解读衣物洗涤标签。那些看似简单的符号和文字，实际上包含了水温、洗涤方式、漂白禁忌等关键信息。错误解读往往导致衣物缩水、褪色甚至直接报废。
这个项目的核心功能是通过手机摄像头拍摄衣物洗涤标签，利用图像识别技术自动解析标签内容，转化为普通人能理解的洗涤指导。同时附加洗衣记录和晾晒提醒功能，形成完整的衣物护理闭环解决方案。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构设计
2.1 整体技术栈选择
采用混合开发框架Flutter实现跨平台支持，后端使用Python+Django搭建RESTful API服务。核心图像识别模块采用CNN+OCR的混合方案：
- 前端：Flutter（iOS/Android兼容）
- 后端：Django REST Framework
- 数据库：PostgreSQL（结构化数据）+ Redis（缓存）
- 图像识别：PyTorch实现的CNN模型
- OCR引擎：PaddleOCR（中文识别优化版）
2.2 核心模块分解
系统主要分为四个核心模块：
- 图像采集模块：负责拍摄质量控制和预处理
- 标签识别模块：CNN符号识别+OCR文字识别
- 规则解析引擎：将识别结果转换为洗涤指导
- 用户服务模块：记录管理和消息提醒
3. 关键技术创新点
3.1 多模态标签识别方案
传统方案往往只关注符号或文字单一维度。我们创新性地采用双通道识别架构：
python复制class DualChannelModel(nn.Module):
def __init__(self):
super().__init__()
# 符号识别分支
self.symbol_branch = ResNet18()
# 文字识别分支
self.text_branch = CRNN()
def forward(self, x):
symbol_feat = self.symbol_branch(x)
text_feat = self.text_branch(x)
return torch.cat([symbol_feat, text_feat], dim=1)
3.2 动态洗涤规则引擎
设计了一套基于JSON的规则配置系统，支持灵活扩展：
json复制{
"rule_id": "BL-001",
"match_pattern": ["不可漂白", "do not bleach"],
"actions": {
"bleach": false,
"warning": "本品禁止使用含氯漂白剂"
}
}
4. 核心实现细节
4.1 图像预处理流水线
开发了一套针对洗涤标签的专用预处理流程：
- 透视校正：使用OpenCV的findContours+getPerspectiveTransform
- 光照均衡：CLAHE算法处理
- 二值化：自适应阈值算法
- 区域分割：基于连通分量分析
重要提示：必须保留原始图像副本，所有预处理步骤都应记录参数以便追溯
4.2 符号识别模型训练
收集了超过5,000张各类洗涤标签图像，标注了38类常见符号。采用迁移学习策略：
- 基础模型：ResNet18预训练权重
- 数据增强：特别添加模拟拍摄模糊、反光等真实场景
- 损失函数：Focal Loss解决类别不平衡
- 最终准确率：测试集达到92.3%
5. 典型问题与解决方案
5.1 复杂背景干扰问题
早期版本在深色衣物上识别率骤降。解决方案：
- 训练数据中加入合成背景增强
- 开发基于U-Net的背景分割模块
- 动态调整二值化参数
5.2 多语言混合识别挑战
常见于进口服装标签。我们的应对策略：
- 文字识别采用多语言混合模型
- 建立常见翻译对照库
- 用户确认机制保障准确性
6. 用户体验优化
6.1 拍摄引导系统
开发了智能引导功能：
- 实时边缘检测提示
- 自动最佳拍摄距离判断
- 防抖和聚焦辅助
6.2 交互式结果确认
当识别置信度低于阈值时：
- 高亮显示不确定区域
- 提供备选解释选项
- 记录用户反馈用于模型迭代
7. 扩展功能实现
7.1 洗衣记录系统
采用时间序列数据库存储记录：
- 每次洗涤的时间戳
- 使用的洗涤方案
- 用户反馈的洗涤结果
- 衣物照片存档
7.2 智能提醒服务
基于多种触发条件的提醒系统：
- 晾晒提醒（根据洗涤完成时间）
- 取衣提醒（公共洗衣机场景）
- 维护提醒（如"滚筒需要清洁"）
8. 性能优化实践
8.1 模型量化与加速
部署时采取多项优化：
- FP16量化减小模型体积
- TensorRT加速推理过程
- 缓存常用识别结果
8.2 分级处理策略
根据设备性能动态调整：
- 高端设备：实时处理
- 中端设备：轻度压缩后处理
- 低端设备：上传云端处理
9. 实际应用反馈
上线后收集到的主要改进点：
- 增加标签库共享功能
- 支持手动标注补充
- 开发衣物护理知识库
- 接入电商平台同款推荐
经过三个版本迭代，核心识别准确率从初版的78%提升至94%，用户留存率达到行业优秀的42%。最受欢迎的附加功能是"洗衣记录-照片对比"，可以直观看到多次洗涤后衣物的变化情况。