CN108866934B - 一种基于人工智能的洗衣模式控制系统及方法 - Google Patents

Abstract

本发明公开了一种基于人工智能的洗衣模式控制系统及方法，采集所有衣物洗涤标志的图像和/或衣物纤维的图像；利用图像识别算法识别图像中衣物信息；对所有衣物信息进行优化，得到最合理的洗涤模式，调整最合理的洗涤模式的参数，根据最合理的洗涤模式的参数，控制洗衣机进行合理的洗衣。本发明获取到衣物信息之后，利用人工智能的算法将获得到的信息优化，得出一个最佳的洗衣方案，然后控制洗衣机进行合理的洗衣。

Description

一种基于人工智能的洗衣模式控制系统及方法

技术领域

本发明属于人工智能技术领域，具体涉及一种基于人工智能的洗衣模式控制系统及方法。

背景技术

现在市场的洗衣机只提供了洗衣模式供用户去选择。这种类型的洗衣机目前存在两个问题：

1、手动选择洗衣模式必须要求用户掌握一定的材料知识和洗衣知识，例如每种衣服的材质组成以及每种材质清洗的最佳水温、洗衣转速、脱水转速以及烘干温度。只有精确掌握这些知识才能够在不损害衣物的情况下清洗干净。但是目前用户对此方面的知识较为欠缺，例如：缺少洗衣经验的人。即使是洗衣经验丰富的人也会遇到新的制衣材料而无从下手的情况。现实情况是人们长期根据自己的经验进行洗衣，所以时常有将衣物洗坏，或者被其它衣物染色导致的情况发生。甚至由于错误的操作造成洗衣机爆炸。

2、洗涤剂的使用量对洗衣效果至关重要，但并不是越多越好。过多的洗涤剂会引起泡沫太多，造成以下几个问题：

(a)水位传感器误报警，脱水时候就会不脱水，待一定时间后，机器直接进入下一个漂洗过程；

(b)泡沫过多会从洗衣粉添加盒口冒出，弄脏地板；

(c)泡沫过多会造成洗衣桶内压力上升，部分洗衣会等待消泡而延长洗衣时间。

综上所述，现有技术中对于不熟悉洗衣标志的人自动选择洗衣方式，尚缺乏有效的解决方案。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于人工智能的洗衣模式控制系统及方法，获取到衣物信息之后，利用人工智能的算法将获得到的信息优化，得出一个最佳的洗衣方案，然后控制洗衣机进行合理的洗衣。

本发明所采用的技术方案是：

本发明的第一目的是提供一种基于人工智能的洗衣模式控制系统，该系统包括：

衣物洗涤标志采集装置，用于采集衣物洗涤标志的图像信息，发送至洗衣机控制端；

衣物纤维采集装置，用于采集衣物纤维的图像信息，发送至洗衣机控制端；

洗衣机控制端，用于对图像信息进行序列化处理，传输至服务器端，并接收服务器端发送的最优洗涤模式的参数，控制洗衣机电机工作，实现智能洗衣模式控制。

服务器端，用于接收洗衣机控制端发送的图像信息，识别图像中衣物信息，对所有衣物信息进行统计分析，筛选出最合理的洗涤模式，在该最合理的洗涤模式下，根据标签对该最合理的洗涤模式的参数进行调整，将调整好的数值发送至洗衣机控制端。

进一步的，所述衣物洗涤标志采集装置采用摄像头；所述衣物纤维采集装置采用显微摄像头。

进一步的，所述洗衣机控制端包衣物洗涤标志采集装置、衣物纤维采集装置连接，接收衣物洗涤标志采集装置采集的衣物洗涤标志的图像信息、衣物纤维采集装置采集的衣物纤维的图像信息，对图像信息进行序列化处理后，通过WIFI模块传输至服务器端，并接收服务器端发送的最优洗涤模式的参数，控制洗衣机电机工作，实现智能洗衣模式控制。

进一步的，所述洗衣机控制端将图像数据通过序列化方法转换为一连串字节的流文件，通过无线网络传输至服务器端，服务器端通过反序列化方法根据流文件重新构造该图像，实现图像的传输。

本发明的第二目的是提供一种基于人工智能的洗衣模式控制方法，该方法包括以下步骤：

采集所有衣物洗涤标志的图像信息；

利用CNN卷积神经网络识别衣物洗涤标志的图像中所有图标和文字描述信息；

对所有图标和文字描述信息进行统计分析，得到最合理的洗涤模式，并调整该最合理的洗涤模式的参数；

根据该最合理的洗涤模式的参数，控制洗衣机进行合理的洗衣。

进一步的，所述利用CNN卷积神经网络识别衣物洗涤标志的图像中所有图标和文字描述信息的步骤包括：

先用整理标准洗涤标志图和常用洗衣描述文字作为训练集合，对于卷积神经网络进行训练；

衣物洗涤标志的图像进入数据输入层进行去均值的预处理操作；

在卷积层中对图像和滤波器做内积，给予滤波器一个固定的权重，输出图像的轮廓特征，从而提取到所需要的图标信息；

采用Relu作为激活函数，通过激励层的处理把卷积层的输出结果做非线性映射；

在池化层中，压缩衣物洗涤标志的图像，在保持特征不变的条件下进行特征降维，最终得到所有图标和文字描述信息。

进一步的，所述对所有衣物信息进行统计分析，得到最合理的洗涤模式的步骤包括：

根据衣物信息判断该衣物的洗涤信息，生成相应的标签；

根据这些标签在预先设定初始的几种洗涤模式筛选出一个最合理的洗涤模式；

在该最合理的洗涤模式下，再根据标签对该最合理的洗涤模式的参数进行调整。

本发明的第三目的提供一种基于人工智能的洗衣模式控制方法，该方法包括以下步骤：

采集所有衣物纤维的图像；

利用CNN卷积神经网络判断出所有衣物纤维的图像中衣物材质信息；

根据洗涤参数对应表，获取所有衣物材质对应的洗涤信息并进行统计分析，得到最合理的洗涤模式，并调整该最合理的洗涤模式的参数；

根据该最合理的洗涤模式的参数，控制洗衣机进行合理的洗衣。

进一步的，所述利用CNN卷积神经网络判断出所有衣物纤维的图像中衣物材质信息的步骤包括：

先用整理标准衣物材质图像作为训练集合，对于卷积神经网络进行训练；

衣物材质图像进入数据输入层进行去均值的预处理操作；

在卷积层中对图像和滤波器做内积，给予滤波器一个固定的权重，输出图像的轮廓特征，从而提取到所需要的图标信息；

采用Relu作为激活函数，通过激励层的处理把卷积层的输出结果做非线性映射；

在池化层中，压缩衣物材质图像，在保持特征不变的条件下进行特征降维，最终得到所有衣物材质描述信息。

进一步的，所述根据洗涤参数对应表，获取所有衣物材质对应的洗涤信息并进行统计分析，最合理的洗涤模式的步骤包括：

根据衣物材质判定衣物的洗涤信息，在洗涤参数对应表中获取相应的洗涤数据；

根据洗涤数据在预先设定初始的几种洗涤模式筛选出一个最合理的洗涤模式；

在该最合理的洗涤模式下，再根据洗涤数据对该最合理的洗涤模式的参数进行调整。

与现有技术相比，本发明的有益效果是：

(1)本发明通过洗衣机上的摄像头拍摄洗涤标志或者衣物纤维，通过网络将图像上传到服务器端，在服务器端，接收洗衣机控制端传送的图像，利用图像识别算法识别图像中的图标、文字描述以及衣物材质，最后将所有衣物信息进行统计分析，在预先设备的洗衣方案中筛选出一个最佳的洗衣方案，并根据衣物信息对洗衣方案中参数进行调整，并将结果返回至洗衣机的洗衣机控制端，洗衣机控制端收到信息后将其转化为洗衣程序控制洗衣机工作，实现智能洗衣模式控制；

(2)本发明通过对洗涤标志和衣物材质的识别，实现了精确洗衣控制，对转速控制精确到100转/分钟，洗涤剂和柔顺剂的添加可以进行专业选择，洗涤剂、柔顺剂的加注量精确到毫克，水位控制精确到毫米，避免了传统依靠经验模糊的洗衣控制，最大限度的保护衣物，提升洗衣效果，节能减排；

(3)本发明考虑到了每件衣服的洗涤要求，洗涤模式是对所有衣物信息的统计分析得出的最佳方案；本发明还考虑到了每件衣服的洗涤注意事项，也不需要人们去掌握相应的洗涤知识，用户只需要将衣服放到洗衣机配套的摄像头上扫描即可。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是基于人工智能的洗衣模式控制系统结构框图一；

图2是洗衣机控制端结构图一；

图3是基于人工智能的洗衣模式控制系统结构框图二；

图4是洗衣机控制端结构图二；

图5是基于人工智能的洗衣模式控制方法流程图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

正如背景技术所介绍的，现有技术中存在对于不熟悉洗衣标志的人无法自动识别正确的洗衣方式，为了解决如上的技术问题，本申请提出了一种基于人工智能的洗衣模式控制系统及方法。

实施例1：

本申请的一种典型的实施方式中，如图1-2所示，提供了一种基于人工智能的洗衣模式控制系统，该系统包括衣物洗涤标志采集装置、洗衣机控制端和服务器端。

所述衣物洗涤标志采集装置，设置在洗衣机上，用于采集衣物洗涤标志的图像信息，发送至洗衣机控制端。

本实施例中，所述衣物洗涤标志采集装置采用摄像头，利用摄像头采集衣物洗涤标志的图像信息，并传输至洗衣机控制端。摄像头的配置参数为:镜头1/45M、光圈2.9、焦距3.29、视场角72.4度、像素500W。

所述洗衣机控制端，设置在洗衣机上，用于接收衣物洗涤标志采集装置采集的衣物洗涤标志的图像信息，并对图像信息进行序列化处理，转换成流文件通过无线网络传输至服务器端，接收服务器端发送的最优洗涤模式的参数，控制洗衣机工作，实现智能洗衣模式。

在洗衣机控制端，本发明采用基于ARM的洗衣机控制板，摄像头与洗衣机控制板连接；利用摄像头采集衣物洗涤标志的图像信息和/或者衣物纤维的图像信息，并传输至洗衣机控制板，洗衣机控制板将接收到的图像数据暂存到控制板内存中。

在本实施例中，该洗衣机控制板采用的是基于ARM的微型电脑主板，其配置参数为64位的1.2GHz四核ARM Cortex-A53、1GB内存、10/100自适应网卡、802.11n WiFi无线网卡、低功耗蓝牙4.1(BLE)、TTL串口。

在本实施例中，本发明提供的摄像头默认拍摄彩色照片，也可改为黑白摄像头拍摄黑白照片进行识别，通过降低照片色彩的种类，对算法进行针对性优化。还可将手机作为移动端接入，通过开发一款APP调用摄像头实现对洗涤标志的识别，代替洗衣机上的摄像头设备。

所述服务器端，用于接收并识别洗衣机控制端发来的图像，从中提取衣物的所有图标和文字描述信息，对所有衣物信息进行统计分析，筛选出最合理的洗涤模式，在该最合理的洗涤模式下，根据标签对该最合理的洗涤模式的参数进行调整，将调整好的数值发送至洗衣机控制端。

洗衣机控制端与服务器端的通信主要传输图像数据。在两个端口之间传输数据需要对其进行适当的处理以便于传输。在摄像头拍摄照片后，其图像数据会暂存到洗衣机控制板内存中。此时，处理器上运行的控制程序会将内存中储存的图像数据通过序列化方法作进一步处理使其便于传输。其方法本质为：将其图像数据转化为一连串字节的流文件，然后通过Internet在洗衣机端和服务器端之间传输，并在服务器端通过反序列化根据流重新构造该图像，实现图像的传输。

洗衣机控制端与服务器的传输方式是基于Web API构建的HTTP服务。本发明采用Asp.Net Web API可扩展的框架，用于构建基于HTTP的服务，这种服务可以在不同平台上的不同应用程序中服务。

在服务器端接收到洗衣机端的图像数据之后，程序会先对其进行反序列化处理，根据流重新构造出该图像。采用CNN卷积神经网络进行图像识别，通过这个方法可以识别出洗涤标志中的所有图标、文字描述。

卷积神经网络包括数据输入层(Input layer)、卷积计算层(CONV layer)、激励层(ReLUlayer)、池化层(Pooling layer)、全连接层(FC layer)。

先用标准洗涤标志图和常用洗衣描述文字作为训练集合，对于卷积神经网络进行训练。

首先，图像会进入数据输入层进行去均值(把输入数据各个维度都中心化为0，避免数据过多偏差，影响训练效果)的预处理操作。

在卷积层中进行的卷积操作是指对图像(不同的数据窗口数据)和滤波矩阵(一组固定的权重：因为每个神经元的权重固定，所以又可以看做一个恒定的滤波器filter)做内积(逐个元素相乘再求和)的操作。其计算过程中，输入是一定区域大小(width*height)的数据，和滤波器filter(一组固定的权重)做内积后得到新的二维数据。不同的滤波器filter会得到不同的输出数据，比如轮廓、颜色深浅。相当于如果想提取图像的不同特征，则用不同的滤波器filter，提取想要的关于图像的特定信息。在此次训练中，我们给予滤波器filter一个固定的权重，让其输出图像的轮廓特征，从而提取到所需要的图标信息。

在CNN卷积神经网络中，是采用Relu作为激活函数，其优点是收敛快、求梯度简单。通过激励层的处理把卷积层的输出结果做非线性映射。

池化层夹则用于压缩数据和参数的量，减小过拟合。其作用就是压缩洗涤标志的图像，在保持特征不变的条件下进行特征降维，在一定程度上防止过拟合，更方便优化。

在本次训练中，主要架构层次为CONY-RELU-POOL，并最终得到了需要的训练结果，使得此方法能够识别出我们需要的衣物信息。

在本实施例中，服务器端还可使用CNN卷积神经网络之外的图像识别方法进行识别，例如给予特征点的识别、基于色彩的识别、基于几何特征的识别、基于机器学习或者深度学习的图像识别等。这些算法都可满足本发明的图像识别功能。

还可将服务器端的程序移植到物联网模块中，从而实现本地图像识别，本地计算最优洗涤模式参数。其优点为无需通过网络和服务器即可完成智能洗衣控制，缺点为该模块的处理性能要求较高，成本较大。

每件衣物可能有一幅图像或多幅图像，洗衣机内的衣物信息就是一个图像集合。每识别出集合中一副图像中的信息之后，程序根据衣物信息判断洗涤条件。这个过程称之为打标签，每个标签对应不同的洗涤信息，以此完成衣物图像到洗涤信息的转换。最终，将所有洗涤信息转换成标签。

生成洗衣方案的思路为，预先设定好初始的几种洗涤模式(标准洗、大物洗、快速洗等)，利用上一步处理好的标签对初始的几种洗涤模式进行筛选，选出最合适的洗涤模式，然后根据数据对该洗涤模式的参数进行调整，最终将调整好的数值作为最优洗涤方案发送至洗衣机控制端。

此方案的优点在于洗涤方案不拘于事先设定的几种洗涤模式，每次都为全新的洗涤方案，并且是针对当次洗涤情况的最优方案。

本发明通过对洗涤标志和的识别，实现了精确洗衣控制，对转速控制精确到100转/分钟，洗涤剂柔顺剂的添加可以进行专业选择，洗涤剂柔顺剂的加注量精确到mg(毫克),水位控制精确到毫米，避免了传统依靠经验模糊的洗衣控制，最大限度的保护衣物，提升洗衣效果，节能减排。

实施例2：

基于实施例1提出的一种基于人工智能的洗衣模式控制系统，本发明实施例提供了一种基于人工智能的洗衣模式控制方法，如图5所示，该方法包括以下步骤：

步骤1：采集衣物洗涤标志的图像信息。

通过摄像头采集衣物洗涤标志的图像信息。洗衣洗涤标志中包含有图标和如何正确洗衣的文字描述。

步骤2：识别衣物洗涤标志图像中所有图标和文字描述信息。

在服务器端接收到洗衣机控制端发送的图像数据之后，先对其进行反序列化处理，根据流重新构造出该图像，再对图像进行识别。

在本实施例中，采用CNN卷积神经网络进行图像识别，通过这个方法可以识别出洗涤标志中的所有图标、文字描述以及衣物材质、颜色。

卷积神经网络包括数据输入层(Input layer)、卷积计算层(CONV layer)、激励层(ReLU layer)、池化层(Pooling layer)、全连接层(FC layer)。

先用整理标准洗涤标志图和常用洗衣描述文字作为训练集合，对于卷积神经网络进行训练。

首先，图像会进入数据输入层进行去均值(把输入数据各个维度都中心化为0，避免数据过多偏差，影响训练效果)的预处理操作。

在卷积层中进行的卷积操作是指对图像(不同的数据窗口数据)和滤波矩阵(一组固定的权重：因为每个神经元的权重固定，所以又可以看做一个恒定的滤波器filter)做内积(逐个元素相乘再求和)的操作。其计算过程中，输入是一定区域大小(width*height)的数据，和滤波器filter(一组固定的权重)做内积后等到新的二维数据。不同的滤波器filter会得到不同的输出数据，比如轮廓、颜色深浅。相当于如果想提取图像的不同特征，则用不同的滤波器filter，提取想要的关于图像的特定信息。在此次训练中，我们给予滤波器filter一个固定的权重，让其输出图像的轮廓特征，从而提取到所需要的图标信息。

在CNN卷积神经网络中，是采用Relu作为激活函数，其优点是收敛快、求梯度简单。通过激励层的处理把卷积层的输出结果做非线性映射。

池化层夹则用于压缩数据和参数的量，减小过拟合。其作用就是压缩洗涤标志的图像，在保持特征不变的条件下进行特征降维，在一定程度上防止过拟合，更方便优化。

在本次训练中，主要架构层次为CONY-RELU-POOL，并最终得到了需要的训练结果，使得此方法能够识别出我们需要的衣物信息。

图像识别算法有很多种，除了本发明提出的CNN卷积神经网络算法，还有基于特征点的识别、基于色彩的识别或者基于几何特征的识别等。这些算法都可满足本发明的图像识别功能。本发明还可使用CNN卷积神经网络之外的图像识别方法进行识别，例如给予特征点的识别、基于机器学习或者深度学习的图像识别等。

步骤3：生成最终洗衣方案。

每件衣物可能有一幅图像或多幅图像，洗衣机内的衣物信息就是一个图像集合。每识别出集合中一副图像中的信息之后，程序根据衣物信息判断洗涤条件。这个过程称之为打标签，每个标签对应不同的洗涤信息，以此完成衣物图像到洗涤信息的转换。最终，将获取的所有洗涤信息通过优化算法得出最终的洗衣方案。

预先设定几种洗涤模式，然后用上一步生成的标签进行筛选，选出最适合的洗涤模式。在此种洗涤模式下再根据标签进行参数调整。

优化算法的思路为根据图标所能提供的信息，通过事先收集各个衣物材质不同的洗涤方式数据，设定好初始的几种洗涤模式。当识别图像步骤结束之后，将得到的数据对初始的洗涤模式进行筛选，选出最合理的洗涤模式，然后根据数据对该洗涤模式的参数进行调整，最终将调整好的数值作为最优解发送至洗衣机的洗衣机控制端。

步骤4：根据该最合理的洗涤模式的参数，控制洗衣机进行合理的洗衣。

洗衣机控制板根据接收到的参数控制洗衣机进行合理的洗衣。

本发明提出的基于人工智能的洗衣模式控制方法，获取到衣物信息之后，利用人工智能的算法将获得到的信息优化,得出一个最佳的洗衣方案(包括转速、时长、水位等)，然后控制洗衣机进行合理的洗衣。

本发明提出的基于人工智能的洗衣模式控制方法的优点为：符合人类对于智能家居的定义，是洗衣机智能化的一个方向，并且本发明考虑到了每件衣服的洗涤要求，该洗涤模式是通过优化算法优化出来的最佳方案；本发明还考虑到了每件衣服的洗涤注意事项，也不需要人们去掌握相应的洗涤知识，用户只需要将衣服放到洗衣机配套的数据采集装置上即可。

实施例3：

本申请的另一种典型的实施方式中，如图3-4所示，提供了一种基于人工智能的洗衣模式控制系统，该系统包括衣物纤维采集装置、洗衣机控制端和服务器端。

所述衣物纤维采集装置，用于采集衣物纤维的图像信息，发送至洗衣机控制端。

本实施例中，所述衣物纤维采集装置采用显微摄像头，利用显微摄像头采集衣物纤维的图像信息，并传输至洗衣机控制端。显微摄像头的配置参数为:镜头1/45M、光圈2.9、焦距3.29、视场角72.4度、像素500W。

所述洗衣机控制端，设置在洗衣机上，用于接收衣物纤维采集装置采集的衣物纤维的图像信息，并对图像信息进行序列化处理，转换成流文件通过无线网络传输至服务器端，接收服务器端发送的最优洗涤模式的参数，控制洗衣机工作，实现智能洗衣模式。

在洗衣机控制端，本发明采用基于ARM的洗衣机控制板，显微摄像头与洗衣机控制板连接；利用显微摄像头采集衣物纤维的图像信息和/或者衣物纤维的图像信息，并传输至洗衣机控制板，洗衣机控制板将接收到的图像数据暂存到控制板内存中。

在本实施例中，该洗衣机控制板采用的是基于ARM的微型电脑主板，其配置参数为64位的1.2GHz四核ARM Cortex-A53、1GB内存、10/100自适应网卡、802.11n WiFi无线网卡、低功耗蓝牙4.1(BLE)、TTL串口。

所述服务器端，用于接收并识别洗衣机控制端发来的图像，从中提取衣物材质信息，根据材质信息从洗涤参数对应表中获取对应的洗涤数据，然后根据洗涤数据筛选出最合理的洗涤模式，在该最合理的洗涤模式下，根据标签对该最合理的洗涤模式的参数进行调整，将调整好的数值发送至洗衣机控制端。

洗衣机控制端与服务器端的通信主要传输图像数据。在两个端口之间传输数据需要对其进行适当的处理以便于传输。在摄像头拍摄照片后，其图像数据会暂存到洗衣机控制板内存中。此时，处理器上运行的控制程序会将内存中储存的图像数据通过序列化方法作进一步处理使其便于传输。其方法本质为：将其图像数据转化为一连串字节的流文件，然后通过Internet在洗衣机端和服务器端之间传输，并在服务器端通过反序列化根据流重新构造该图像，实现图像的传输。

在服务器端接收到洗衣机端的图像数据之后，程序会先对其进行反序列化处理，根据流重新构造出该图像。采用深度学习方法进行图像识别，通过这个方法可以识别出洗涤标志中的所有图标、文字描述。

每件衣物可能有一幅图像或多幅图像，洗衣机内的衣物信息就是一个图像集合。每识别出集合中一副图像中衣物材质之后，程序根据洗涤参数对应表查找对应的洗涤信息。每种材质都有对应的洗涤方式，我们在服务器端预设了一张洗涤参数对应表，每当识别出一种材质之后，程序就会查询这张表，找到对应的洗涤信息。在识别结束后，程序会将所有的洗涤信息进行汇总。

预先设定几种洗涤模式，然后根据上一步汇总的信息进行筛选，选出最适合的洗涤模式。在此种洗涤模式下再根据汇总的信息进行参数调整。

生成洗衣方案的思路为，根据材质所能提供的信息，通过事先收集各个衣物材质不同的洗涤方式数据设置好一张洗涤参数对应表，并根据相应的洗涤信息设定好初始的几种洗涤模式。当识别图像步骤结束之后，根据识别的材质查询表中对应的数据，并将得到的数据对初始的洗涤模式进行筛选，选出最适合的洗涤模式，然后根据数据对该洗涤模式的参数进行调整，最终将调整好的数值作为最优解发送至洗衣机控制端。

此方案的优点在于洗涤方案不拘于事先设定的几种洗涤模式，每次都为全新的洗涤方案，并且是针对当次洗涤情况的最优方案。

本发明通过对洗涤标志和的识别，实现了精确洗衣控制，对转速控制精确到100转/分钟，洗涤剂柔顺剂的添加可以进行专业选择，洗涤剂柔顺剂的加注量精确到mg(毫克),水位控制精确到毫米，避免了传统依靠经验模糊的洗衣控制，最大限度的保护衣物，提升洗衣效果，节能减排。

实施例4：

基于实施例3提出的一种基于人工智能的洗衣模式控制系统，本发明实施例提供了一种基于人工智能的洗衣模式控制方法，如图5所示，该方法包括以下步骤：

步骤1：采集衣物纤维的图像信息。

通过显微摄像头采集衣物纤维的图像信息。衣物纤维为衣物材质。

步骤2：识别衣物纤维图像中衣物材质信息。

在服务器端接收到洗衣机控制端发送的图像数据之后，先对其进行反序列化处理，根据流重新构造出该图像，再对图像进行识别。

在本实施例中，采用CNN卷积神经网络进行图像识别，通过这个方法可以识别出衣物纤维图像中的衣物材质。

CNN卷积神经网络方法具体为：

卷积神经网络包括数据输入层(Input layer)、卷积计算层(CONV layer)、激励层(ReLU layer)、池化层(Pooling layer)、全连接层(FC layer)。

先用整理标准衣物材质图像作为训练集合，对于卷积神经网络进行训练。

首先，图像会进入数据输入层进行去均值(把输入数据各个维度都中心化为0，避免数据过多偏差，影响训练效果)的预处理操作。

在卷积层中进行的卷积操作是指对图像(不同的数据窗口数据)和滤波矩阵(一组固定的权重：因为每个神经元的权重固定，所以又可以看做一个恒定的滤波器filter)做内积(逐个元素相乘再求和)的操作。其计算过程中，输入是一定区域大小(width*height)的数据，和滤波器filter(一组固定的权重)做内积后等到新的二维数据。不同的滤波器filter会得到不同的输出数据，比如轮廓、颜色深浅。相当于如果想提取图像的不同特征，则用不同的滤波器filter，提取想要的关于图像的特定信息。在此次训练中，我们给予滤波器filter一个固定的权重，让其输出图像的轮廓特征，从而提取到所需要的衣物材质信息。

在CNN卷积神经网络中，是采用Relu作为激活函数，其优点是收敛快、求梯度简单。通过激励层的处理把卷积层的输出结果做非线性映射。

池化层夹则用于压缩数据和参数的量，减小过拟合。其作用就是压缩衣物材质的图像，在保持特征不变的条件下进行特征降维，在一定程度上防止过拟合，更方便优化。

在本次训练中，主要架构层次为CONY-RELU-POOL，并最终得到了需要的训练结果，使得此方法能够识别出我们需要的衣物信息。

图像识别算法有很多种，除了本发明提出的CNN卷积神经网络算法，还有基于特征点的识别、基于色彩的识别或者基于几何特征的识别等。这些算法都可满足本发明的图像识别功能。本发明还可使用CNN卷积神经网络之外的图像识别方法进行识别，例如给予特征点的识别、基于机器学习或者深度学习的图像识别等。

步骤3：生成最终洗衣方案。

每件衣物可能有一幅图像或多幅图像，洗衣机内的衣物信息就是一个图像集合。每识别出集合中一副图像中衣物材质之后，程序根据洗涤参数对应表查找对应的洗涤信息。每种材质都有对应的洗涤方式，我们在服务器端预设了一张洗涤参数对应表，每当识别出一种材质之后，程序就会查询这张表，找到对应的洗涤信息。在识别结束后，程序会将所有的洗涤信息进行汇总。

预先设定几种洗涤模式，然后根据上一步汇总的信息进行筛选，选出最适合的洗涤模式。在此种洗涤模式下再根据汇总的信息进行参数调整。

生成洗衣方案的思路为，根据材质所能提供的信息，通过事先收集各个衣物材质不同的洗涤方式数据设置好一张洗涤参数对应表，并根据相应的洗涤信息设定好初始的几种洗涤模式。当识别图像步骤结束之后，根据识别的材质查询表中对应的数据，并将得到的数据对初始的洗涤模式进行筛选，选出最适合的洗涤模式，然后根据数据对该洗涤模式的参数进行调整，最终将调整好的数值作为最优解发送至洗衣机控制端。

步骤4：根据该最合理的洗涤模式的参数，控制洗衣机进行合理的洗衣。

洗衣机控制板根据接收到的参数控制洗衣机进行合理的洗衣。

本发明提出的基于人工智能的洗衣模式控制方法，获取到衣物信息之后，利用人工智能的算法将获得到的信息优化，得出一个最佳的洗衣方案(包括转速、时长、水位等)，然后控制洗衣机进行合理的洗衣。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种基于人工智能的洗衣模式控制系统，其特征是，包括：

衣物洗涤标志采集装置，用于采集衣物洗涤标志的图像信息，发送至洗衣机控制端；

衣物纤维采集装置，用于采集衣物纤维的图像信息，发送至洗衣机控制端；

洗衣机控制端，用于对图像信息进行序列化处理，传输至服务器端，并接收服务器端发送的最优洗涤模式的参数，控制洗衣机电机工作，实现智能洗衣模式控制；

服务器端，用于接收洗衣机控制端发送的图像信息，识别图像中衣物信息，利用CNN卷积神经网络方法识别衣物洗涤标志的图像信息中所有图标和文字描述信息，以及识别衣物纤维的图像中衣物材质信息；对所有衣物信息进行统计分析，筛选出最合理的洗涤模式，在该最合理的洗涤模式下，根据标签对该最合理的洗涤模式的参数进行调整，将调整好的数值发送至洗衣机控制端；

所述利用CNN卷积神经网络方法识别衣物洗涤标志的图像信息中所有图标和文字描述信息，以及识别衣物纤维的图像中衣物材质信息的步骤包括：

先用整理标准洗涤标志图和常用洗衣描述文字以及标准衣物材质图像作为训练集合，对于卷积神经网络进行训练；

衣物洗涤标志的图像和衣物材质图像进入数据输入层进行去均值的预处理操作；

在卷积层中对图像和滤波器做内积，给予滤波器一个固定的权重，输出图像的轮廓特征，从而提取到所需要的图标信息；

采用Relu作为激活函数，通过激励层的处理把卷积层的输出结果做非线性映射；

在池化层中，压缩衣物洗涤标志的图像和衣物材质图像，在保持特征不变的条件下进行特征降维，最终得到所有图标和文字描述信息以及衣物材质信息。

2.根据权利要求1所述的基于人工智能的洗衣模式控制系统，其特征是，所述衣物洗涤标志采集装置采用摄像头；所述衣物纤维采集装置采用显微摄像头。

3.根据权利要求1所述的基于人工智能的洗衣模式控制系统，其特征是，所述洗衣机控制端与衣物洗涤标志采集装置、衣物纤维采集装置连接，接收衣物洗涤标志采集装置采集的衣物洗涤标志的图像信息、衣物纤维采集装置采集的衣物纤维的图像信息，对图像信息进行序列化处理后，通过WIFI模块传输至服务器端，并接收服务器端发送的最优洗涤模式的参数，控制洗衣机电机工作，实现智能洗衣模式控制。

4.根据权利要求1所述的基于人工智能的洗衣模式控制系统，其特征是，所述洗衣机控制端将图像数据通过序列化方法转换为一连串字节的流文件，通过无线网络传输至服务器端，服务器端通过反序列化方法根据流文件重新构造该图像，实现图像的传输。

5.如权利要求1所述的基于人工智能的洗衣模式控制系统的控制方法，其特征是，包括以下步骤：

采集所有衣物洗涤标志的图像信息；

利用CNN卷积神经网络识别衣物洗涤标志的图像中所有图标和文字描述信息；

对所有图标和文字描述信息进行统计分析，得到最合理的洗涤模式，并调整该最合理的洗涤模式的参数；

根据该最合理的洗涤模式的参数，控制洗衣机进行合理的洗衣。

6.根据权利要求5所述的方法，其特征是，所述对所有衣物信息进行统计分析，得到最合理的洗涤模式的步骤包括：

根据衣物信息判断该衣物的洗涤信息，生成相应的标签；

根据这些标签在预先设定初始的几种洗涤模式筛选出一个最合理的洗涤模式；

在该最合理的洗涤模式下，再根据标签对该最合理的洗涤模式的参数进行调整。

7.如权利要求1所述的基于人工智能的洗衣模式控制系统的控制方法，其特征是，包括以下步骤：

采集所有衣物纤维的图像；

利用CNN卷积神经网络方法判断出所有衣物纤维的图像中衣物材质信息；

根据洗涤参数对应表，获取所有衣物材质对应的洗涤信息并进行统计分析，得到最合理的洗涤模式，并调整该最合理的洗涤模式的参数；

根据该最合理的洗涤模式的参数，控制洗衣机进行合理的洗衣。

8.根据权利要求7所述的方法，其特征是，所述根据洗涤参数对应表，获取所有衣物材质对应的洗涤信息并进行统计分析，最合理的洗涤模式的步骤包括：

根据衣物材质判定衣物的洗涤信息，在洗涤参数对应表中获取相应的洗涤数据；

根据洗涤数据在预先设定初始的几种洗涤模式筛选出一个最合理的洗涤模式；

在该最合理的洗涤模式下，再根据洗涤数据对该最合理的洗涤模式的参数进行调整。

Images