CN108088235B - 烘干机的控制方法及装置、烘干机、存储器、处理器 - Google Patents

Abstract

本发明公开了一种烘干机的控制方法及装置、烘干机、存储器、处理器。其中，该方法包括：获取待烘干对象的第一图像信息；基于第一图像信息获取待烘干对象的状态参数，其中，状态参数用于反映待烘干对象的干湿程度；依据状态参数确定控制参数；依据控制参数对烘干机的工作状态进行控制。本发明解决了相关技术中烘干效果不佳的技术问题。

Description

烘干机的控制方法及装置、烘干机、存储器、处理器

技术领域

本发明涉及烘干领域，具体而言，涉及一种烘干机的控制方法及装置、烘干机、存储器、处理器。

背景技术

目前的烘干机以一个模式烘干或者几个设定好的模式进行烘干，不会根据被烘干物的实际状态进行烘干，不利于对烘干过程的控制，从而影响烘干效果。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种烘干机的控制方法及装置、烘干机、存储器、处理器，以至少解决相关技术中烘干效果不佳的技术问题。

根据本发明实施例的一个方面，提供了一种烘干机的控制方法，包括：获取待烘干对象的第一图像信息；基于第一图像信息获取待烘干对象的状态参数，其中，状态参数用于反映待烘干对象的干湿程度；依据状态参数确定控制参数；依据控制参数对烘干机的工作状态进行控制。

可选地，依据状态参数确定控制参数，包括：将状态参数作为第一模型的输入，确定状态参数所对应的控制参数，其中，第一模型为使用第一数据库中的多组数据通过机器学习训练得到的，第一数据库中多组数据中的每组数据均包括：状态参数以及与该状态参数对应的控制参数。

可选地，基于第一图像信息获取待烘干对象的状态参数，包括：将第一图像信息与预先获取的第二图像信息进行比较，得到第一图像信息和第二图像信息的差异，其中，第二图像信息为用于反映待烘干对象的干湿程度的基准图像；基于差异确定状态参数。

可选地，差异包括以下至少之一：待烘干对象的体积变化、待烘干对象的颜色深浅变化。

可选地，基于差异确定状态参数，包括：获取差异所对应的取值范围，其中，该取值范围为状态参数的取值范围；确定与取值范围对应的状态参数，并将与取值范围对应的状态参数作为待烘干对象的状态参数。

可选地，烘干机的容纳腔内设置有湿度采集装置，容纳腔用于容纳待烘干对象；将与取值范围对应的状态参数作为待烘干对象的状态参数之前，方法还包括：获取湿度采集装置采集的湿度值；判断湿度值是否属于取值范围；其中，在判断结果为是时，确定将与取值范围对应的状态参数作为待烘干对象的状态参数；在判断结果为否时，重新采集待烘干对象的第一图像信息。

可选地，获取待烘干对象的第一图像信息之前，方法还包括：检测烘干机对待烘干对象的烘干时间，其中，烘干时间为从开始对待烘干对象进行烘干到当前时间之间的时间段；在烘干时间大于预设阈值时，触发获取第一图像信息。

可选地，控制参数包括以下至少之一：烘干机的工作时间、烘干机的加热温度。

根据本发明实施例的另一个方面，提供了一种烘干机的控制装置，包括：第一获取模块，用于获取待烘干对象的第一图像信息；第二获取模块，用于基于第一图像信息获取待烘干对象的状态参数，其中，状态参数用于反映待烘干对象的干湿程度；确定模块，用于依据状态参数确定控制参数；控制模块，用于依据控制参数对烘干机的工作状态进行控制。

根据本发明实施例的又一个方面，提供了一种烘干机，包括：图像采集装置，用于获取待烘干对象的第一图像信息；处理器，用于基于第一图像信息获取待烘干对象的状态参数，其中，状态参数用于反映待烘干对象的干湿程度；依据状态参数确定控制参数；以及依据控制参数对烘干机的工作状态进行控制。

根据本发明实施例的再一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行以上所述的烘干机的控制方法。

根据本发明实施例的又一个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行以上所述的烘干机的控制方法。

在本发明实施例中，基于图像识别技术，基于待烘干对象的图像信息获取待烘干对象的状态参数，依据该状态参数相应的控制参数，以对烘干机的工作状态进行控制，由于可以根据待烘干对象的状态控制烘干机的工作状态，因此，可以实现对烘干过程的精确控制，从而实现了提升烘干效果的技术效果，进而解决了相关技术中烘干效果不佳的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种烘干机的结构示意图；

图2是根据本发明实施例的一种烘干机的控制方法的流程示意图；

图3是根据本发明实施例的一种烘干机的控制装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，为方便理解本发明实施例，下面将对本发明中所涉及的部分术语或名词进行解释说明：

像素：是计算机屏幕上所能显示的最小单位，用来表示图像的单位，指可以显示出的水平和垂直像素的数组，屏幕中的像素点越多，画面的分辨率越高，图像就越细腻和逼真；像素点：指像素的数值。

二值化：是指对摄像头拍摄的图片，大多数是彩色图像，彩色图像所含信息量巨大，对于图片的内容，可以简单的分为前景与背景，先对彩色图进行处理，使图片只有前景信息与背景信息，可以简单的定义前景信息为黑色，背景信息为白色，这就是二值化图了。

CNN：卷积神经网络，是指描述了对输入图像的操作，输出一组描述图像内容的分类或分类的概率，即对输入的图像进行识别，以输出图像中的对象的概率；通过一系列卷积层级建构出更为抽象的概念，包括建立多个神经元，并建立对应的输入层和输出层，从而将输入的节点通过神经元不断关联，得到优化对象，一般会包括卷积层、过滤层，通过前向传导、损失函数、后向传导、以及函数更新作为一个学习周期，对每一训练图片，程序将重复固定数目的周期过程，以不断优化训练学习结果。

以图搜图：是指在获取到图像后，通过深度学习对结果进行排序，并通过用户记录的三元组数据(查询图片、点击图片和未点击图片)来训练模型的排序损失函数，从而得到排序结果，在输入一张图像后，模型会自动检测出主体，然后按照排序分数高低排出相关对象的结果。

迁移学习：实质是图像匹配，通过迁移学习将模型应用在各个领域中，具体是数据库中的图片的矢量表示X通过线性变换迁移到别的领域的图像X1上，通过引用随机傅里叶函数，将迁移变换转变为非线性函数，然后得到需要的图像。

朴素贝叶斯：是指给一张图片，可以返回对象分类，将图片识别作为一个简单的态度，以得到相应的对象。

依存语法：是指构建主词与描述主词的词之间的关系，依存语法中没有词组这个层次，每一个结点都与句子中的单词相对应，能直接处理句子中词与词之间的关系，以便于分析和信息提取。

决策树：是指根据特征进行分类，每个节点提出一个问题，将数据分为两类，并继续提问，这些问题是在已有的数据上学习训练的，以在投入新数据时，根据数据所在的树上的问题，将数据划分到对应的叶子上。

深度学习：是机器学习中一种基于对数据进行表征学习的方法，概念源于人工神经网络的研究，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，含多隐层的多层感知器就是一种深度学习结构。

KNN算法：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。

根据本发明实施例提供了一种烘干机，如图1所示，该烘干机包括：图像采集装置10，用于获取待烘干对象的第一图像信息；处理器12，用于基于第一图像信息获取待烘干对象的状态参数，其中，状态参数用于反映待烘干对象的干湿程度；依据状态参数确定控制参数；以及依据控制参数对烘干机的工作状态进行控制。

基于上述硬件结构，根据本发明实施例，提供了一种烘干机的控制方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图2是根据本发明实施例的一种烘干机的控制方法的流程示意图，如图2所示，该方法包括如下步骤：

步骤S202，获取待烘干对象的第一图像信息；

在一个可选实施例中，步骤S202的实现方式有多种，例如，可以利用烘干机容纳腔中设置的图像采集装置采集，也可以利用在烘干机容纳腔的盖部(内侧，即朝向容纳腔的容纳空间的那一侧)设置的图像采集装置。上述图像采集装置包括但不限于红外采集装置。可

为节省运行资源和减少能耗，在获取待烘干对象的第一图像信息之前，可以先对待烘干对象进行烘干一段时间之后，再采集待烘干对象的图像信息，以进行下一步的控制，具体地，可以表现为以下实现形式，但不限于此：检测烘干机对待烘干对象的烘干时间，其中，烘干时间为从开始对待烘干对象进行烘干到当前时间之间的时间段；在烘干时间大于预设阈值时，触发获取第一图像信息。其中，上述烘干时间可以根据实际需要(例如待烘干对象的类型不同)确定，也可以基于大数据分析确定。

步骤S204，基于第一图像信息获取待烘干对象的状态参数，其中，状态参数用于反映待烘干对象的干湿程度；可选地，该干湿程度可以用湿度值表示，即状态参数与湿度值之间可以具有映射关系。

可选地，该步骤S204可以通过以下过程实现，但不限于此：将第一图像信息与预先获取的第二图像信息进行比较，得到第一图像信息和第二图像信息的差异，其中，第二图像信息为用于反映待烘干对象的干湿程度的基准图像；基于差异确定状态参数。其中，上述差异包括以下至少之一：待烘干对象的体积变化、待烘干对象的颜色深浅变化。例如，对于衣物而言，在其湿度较大时(大于一定阈值)，该衣物的体积会比较大，即湿度越大，体积越大，此时，可以利用衣物的体积和其干燥时(湿度低于一定阈值)的体积进行比较，在两者的体积相差较大时，则确定衣物还需要进行烘干，需要说明的是，此处的体积可以是一个粗略的概念，其可以通过对待烘干图像在同一环境下进行拍照，确定照片中待烘干对象在图片中的占的面积确定。又例如，衣物在未干燥前和干燥后的颜色深度是不同的，因此，可以利用颜色的色彩明度的差异确定当前待烘干对象的状态。

需要说明的是，本申请中对于拍摄的图像的类别不做限定，包括但不限于：黑白图像(灰度图像)、彩色图像(RGB图像)。在分析图像时，可以根据二值化图像处理方式分析图像中的信息，具体的，在分析时，可以对图像中多个像素点与历史图像中的像素点位置进行比较，以确定出存在差异的像素点，然后将存在差异的像素点区分出来，得到图像中是否存在待烘干对象的图像信息。

其中，可以利用CNN算法，从拍摄到的图像信息中提取出待烘干对象的多个特征信息，在提取时，可以将图像中输入至神经网络中，以通过建立相应的神经元，并根据神经元之间的预设函数(如Sigmoid函数)确定图像特征和图像特征映射，从而根据确定的特征映射，输出图像的多个特征。另外，在分析图像差异时，可以采用深度学习，建立第一预设模型之后，可以利用以图搜图的方法搜索数据库中与当前拍摄图像相似的图像，并提取出图像中目标对象的特征信息，此外，还可以使用朴素贝叶斯算法提取目标对象的特征信息。

在分析空间图像中的目标对象时，可以利用深度学习或者KNN算法，将图像信息中存在相同特征的图像信息滤除，以得到存在差异的特征信息，进而得到目标对象的图像信息与模板图像的差异信息。例如，在拍摄到空间图像信息，将图像信息与预定模板图像进行比较，若判断出图像中并未存在待烘干对象，则可以不启动烘干机，如果该烘干机处于开启状态，还可以选择关闭该烘干机；若判断出存在待烘干对象，则可以根据待烘干对象的状态确定烘干机的控制参数。

本申请在分析包含待烘干对象的图像时，可以但不限于采用以图搜图的方式，将模型中与当前图像有相似特征的图像提取出来，并通过迁移学习算法，确定出最接近的图像。而在待烘干对象的状态信息对应的控制参数，并依据上述控制指令控制上述烘干机的工作状态时，可以通过KNN算法提取出上述控制指令对应的烘干机的工作状态。

作为本申请的一个可选实施例，基于上述差异确定状态参数包括以下至少之一：获取差异所对应的取值范围，其中，该取值范围为状态参数的取值范围；确定与取值范围对应的状态参数，并将与取值范围对应的状态参数作为待烘干对象的状态参数。可选地，烘干机的容纳腔内设置有湿度采集装置，容纳腔用于容纳待烘干对象；将与取值范围对应的状态参数作为待烘干对象的状态参数之前，还可以获取湿度采集装置采集的湿度值；判断湿度值是否属于取值范围；其中，在判断结果为是时，确定将与取值范围对应的状态参数作为待烘干对象的状态参数；在判断结果为否时，重新采集待烘干对象的第一图像信息。上述湿度采集装置包括但不限于湿度计，湿度传感器等。

步骤S206，依据状态参数确定控制参数；

其中，该步骤可以通过多种方式实现，例如，可以采用状态参数和控制参数之间的映射关系来确定相应的控制参数，即可以先建立两者之间的映射关系表，然后依据该映射关系表确定与状态参数对应的控制参数。也可以通过机器学习的方式确定，例如：将状态参数作为第一模型的输入，确定状态参数所对应的控制参数，其中，第一模型为使用第一数据库中的多组数据通过机器学习训练得到的，第一数据库中多组数据中的每组数据均包括：状态参数以及与该状态参数对应的控制参数。

步骤S208，依据控制参数对烘干机的工作状态进行控制。

在本申请实施例中，上述控制参数包括但不限于以下至少之一：烘干机的工作时间、烘干机的加热温度。其中，该加热温度可以表现为具体的温度，也可以表现为烘干机的热风档位，但不限于此。

根据本发明实施例还提供了一种烘干机的控制装置，如图3所示，该装置包括：

第一获取模块30，用于获取待烘干对象的第一图像信息；

第二获取模块32，用于基于第一图像信息获取待烘干对象的状态参数，其中，状态参数用于反映待烘干对象的干湿程度；

确定模块34，用于依据状态参数确定控制参数；

控制模块36，用于依据控制参数对烘干机的工作状态进行控制。

需要说明的是，本发明实施例中涉及的烘干机的控制装置的优选实施方式，可以参见烘干机的控制方法的实施例中的相关描述，此处不再赘述。

根据本发明实施例还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行图1所示实施例中的烘干机的控制方法。

根据本发明实施例还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行图1所示实施例中的烘干机的控制方法。

通过上述步骤，可以实现根据待烘干对象的状态控制烘干机的工作状态，因此，可以实现对烘干过程的精确控制，从而实现了提升烘干效果的技术效果，进而解决了相关技术中烘干效果不佳的技术问题。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种烘干机的控制方法，其特征在于，包括：

获取待烘干对象的第一图像信息；

基于所述第一图像信息获取所述待烘干对象的状态参数，其中，所述状态参数用于反映所述待烘干对象的干湿程度；

依据所述状态参数确定控制参数；

依据所述控制参数对烘干机的工作状态进行控制；

其中，依据所述状态参数确定控制参数，包括：

将所述状态参数作为第一模型的输入，确定所述状态参数所对应的控制参数，其中，所述第一模型为使用第一数据库中的多组数据通过机器学习训练得到的，所述第一数据库中多组数据中的每组数据均包括：状态参数以及与该状态参数对应的控制参数；

所述控制参数包括以下至少之一：所述烘干机的工作时间、所述烘干机的加热温度；

基于所述第一图像信息获取所述待烘干对象的状态参数，包括：

将所述第一图像信息与预先获取的第二图像信息进行比较，得到所述第一图像信息和第二图像信息的差异，其中，所述第二图像信息为用于反映所述待烘干对象的干湿程度的基准图像；基于所述差异确定所述状态参数；

其中，所述差异包括：所述待烘干对象的体积变化。

2.根据权利要求1所述的方法，其特征在于，所述差异还包括：所述待烘干对象的颜色深浅变化。

3.根据权利要求1所述的方法，其特征在于，基于所述差异确定所述状态参数，包括：

获取所述差异所对应的取值范围，其中，该取值范围为所述状态参数的取值范围；

确定与所述取值范围对应的状态参数，并将与所述取值范围对应的状态参数作为所述待烘干对象的状态参数。

4.根据权利要求3所述的方法，其特征在于，所述烘干机的容纳腔内设置有湿度采集装置，所述容纳腔用于容纳所述待烘干对象；将与所述取值范围对应的状态参数作为所述待烘干对象的状态参数之前，所述方法还包括：

获取所述湿度采集装置采集的湿度值；

判断所述湿度值是否属于所述取值范围；其中，在判断结果为是时，确定将与所述取值范围对应的状态参数作为所述待烘干对象的状态参数；在所述判断结果为否时，重新采集所述待烘干对象的第一图像信息。

5.根据权利要求1所述的方法，其特征在于，获取待烘干对象的第一图像信息之前，所述方法还包括：

检测所述烘干机对所述待烘干对象的烘干时间，其中，所述烘干时间为从开始对所述待烘干对象进行烘干到当前时间之间的时间段；

在所述烘干时间大于预设阈值时，触发获取所述第一图像信息。

6.一种烘干机的控制装置，其特征在于，包括：

第一获取模块，用于获取待烘干对象的第一图像信息；

第二获取模块，用于基于所述第一图像信息获取所述待烘干对象的状态参数，其中，所述状态参数用于反映所述待烘干对象的干湿程度；

确定模块，用于依据所述状态参数确定控制参数；

控制模块，用于依据所述控制参数对烘干机的工作状态进行控制；

所述确定模块还用于将所述状态参数作为第一模型的输入，确定所述状态参数所对应的控制参数，其中，所述第一模型为使用第一数据库中的多组数据通过机器学习训练得到的，所述第一数据库中多组数据中的每组数据均包括：状态参数以及与该状态参数对应的控制参数；

其中，所述控制参数包括以下至少之一：所述烘干机的工作时间、所述烘干机的加热温度；

所述第二获取模块还用于将所述第一图像信息与预先获取的第二图像信息进行比较，得到所述第一图像信息和第二图像信息的差异，其中，所述第二图像信息为用于反映所述待烘干对象的干湿程度的基准图像；基于所述差异确定所述状态参数；

其中，所述差异包括：所述待烘干对象的体积变化。

7.一种烘干机，其特征在于，包括：

图像采集装置，用于获取待烘干对象的第一图像信息；

处理器，用于基于所述第一图像信息获取所述待烘干对象的状态参数，其中，所述状态参数用于反映所述待烘干对象的干湿程度；依据所述状态参数确定控制参数；以及依据所述控制参数对烘干机的工作状态进行控制；

所述处理器还用于将所述状态参数作为第一模型的输入，确定所述状态参数所对应的控制参数，其中，所述第一模型为使用第一数据库中的多组数据通过机器学习训练得到的，所述第一数据库中多组数据中的每组数据均包括：状态参数以及与该状态参数对应的控制参数；

所述控制参数包括以下至少之一：所述烘干机的工作时间、所述烘干机的加热温度；

所述处理器还用于将所述第一图像信息与预先获取的第二图像信息进行比较，得到所述第一图像信息和第二图像信息的差异，其中，所述第二图像信息为用于反映所述待烘干对象的干湿程度的基准图像；基于所述差异确定所述状态参数；其中，所述差异包括：所述待烘干对象的体积变化。

8.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述的烘干机的控制方法。

9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述的烘干机的控制方法。