1.一种基于显著区域分割的衣物量检测的方法，其特征在于，具体包括以下步骤：S01、设计基于特征聚合及循环残差优化模块的视觉显著性区域分割DA‑RCB网络，使用训练衣物数据{(Ik,Jk)}k＝1,2,...,M对分割DA‑RCB网络进行端到端训练，获得网络参数，建立网络模型；其中Ik为第k个衣物样本的原始图像，Jk为第k个衣物样本的显著区域标定图像，M为训练样本个数；

S02、将已知衣物量的样本图像输入分割DA‑RCB网络，分割出洗衣机桶内衣物的前景即衣物区域，进而获得衣物量分别为少量、中量或多量的样本图像中衣物区域面积的统计分布直方图，根据直方图选择三种衣物量的衣物前景区域面积阈值T1，T2；

S03、将测试衣物样本图像输入分割DA‑RCB网络，分割出图像中的视觉显著性区域即衣物前景区域F，计算前景区域面积A，若A＜T1，判断衣物量为少量，若T1≤A＜T2，判断衣物量为中量，若A≥T2，判断衣物量为多量；

所述S01包括：

(1)将训练集图像Ik输入基础网络VGG‑16，提取来自conv1‑2、conv2‑2、conv3‑3、conv4‑

3、conv5‑3层的5个尺度的特征{fi}i＝1,2,...,5；

(2)对每一个尺度i，将其它4个尺度的特征{fj}j≠i经过卷积、池化，以及反卷积、插值运算，变为与fi具有相同的分辨率和通道数，并将其与fi级联，经过核大小为1的卷积层生成特征图{gi}i＝1,2,...,5；

(3)对{gi}i＝1,2,...,5进行特征聚合，得到聚合特征F；

(4)将聚合特征F送入循环残差优化模块，设定循环次数，利用残差卷积块循环学习残差以不断优化显著图，优化训练采用标准交叉熵损失；通过最小化总损失，寻找最佳网络参数；

(5)循环次数结束，得到DA‑RCB网络中所有参数，网络模型建立完毕；

所述的S01中的第(3)步，其主要步骤如下：

1)对特征图{gi}i＝2,3,4,5分别进行上采样，使每一个gi的大小与g1一致；然后将g1,g2,g3,g4,g5串联，得到串联特征Cat(g)；

2)将串联特征Cat(g)，送入特征聚合块；该聚合块由三个卷积层和一个空洞空间金字塔池化运算构成，其中三个卷积层的核大小分别为3×3、3×3和1×1，通道数均为256；空洞空间金字塔池化包含一个1×1卷积层、三个带有不同大小扩张率r的3×3空洞卷积层、一个经过1×1卷积与上采样的全局均值池化运算代表的图像级特征；

3)特征聚合块输出聚合特征F。

2.根据权利要求1所述的方法，其特征在于，所述的S01中的第(4)步，其主要步骤为：(a)利用聚合特征F生成初始显著图作为起点，然后利用残差卷积块循环学习残差以不断优化显著图；

(b)训练采用的总损失表示为：

k k

其中K为循环次数，L(S ,G)表示第k次预测显著图S和真值图G之间的标准交叉熵损失：其中， 和Gt分别表示第k次预测显著图和真值图上第t个像素的显著值，T表示图像总像素个数；Gt＝1和Gt＝0分别表示显著像素和非显著像素， 表示算法预测的显著值；

通过最小化总损失，寻找最佳网络参数。

3.根据权利要求1所述的方法，其特征在于，步骤(4)中所述的循环次数范围为4‑6次。

4.根据权利要求1所述的方法，其特征在于，步骤3)所述的三个带有不同大小扩张率r中的r＝2,4,6。

5.根据权利要求2所述的方法，其特征在于，(a)步骤表达为：k‑1 k

其中，S 和S 分别表示第k‑1和k次循环后的显著图，RCB(·)表示残差卷积块，包含三个卷积层，核大小分别为3×3、3×3和1×1，通道数分别为128、128和1。

6.一种基于显著区域分割的衣物量检测及护色洗判别方法，其特征在于，在如权利要求1所述的基于显著区域分割的衣物量检测的方法的基础上，还包括以下步骤：S04、计算衣物前景区域F的HSB颜色值，定义ST为衣物区域S分量的最大值乘以0.4，BT为衣物区域B分量的最大值乘以0.5，统计衣物区域中颜色值满足S分量的值小于ST且B分量的值大于BT的像素点个数，将其记为a，若a＜0.5A，则判断所述测试衣物样本图像对应的衣物需要护色，否则为不需要护色洗。

7.权利要求1的方法在衣物量检测中的应用。

8.权利要求6的方法在衣物量检测及护色洗判别中的应用。