CN109003262B - 顽固污渍清洁方法及装置 - Google Patents
顽固污渍清洁方法及装置 Download PDFInfo
- Publication number
- CN109003262B CN109003262B CN201810702695.6A CN201810702695A CN109003262B CN 109003262 B CN109003262 B CN 109003262B CN 201810702695 A CN201810702695 A CN 201810702695A CN 109003262 B CN109003262 B CN 109003262B
- Authority
- CN
- China
- Prior art keywords
- cleaning
- processor
- mobile device
- video
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B13/00—Accessories or details of general applicability for machines or apparatus for cleaning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种顽固污渍清洁方法及装置,该方法包括以下步骤:1)移动装置带动清洁装置对待清洁区域进行清扫;2)清洁完成后,影像采集装置对清洁后的区域进行视频或图片采集;3)处理器根据采集的视频或图像进行判断,判断清洁后的区域是否有污渍;若有,则进入步骤4);若没有,则继续清扫下一个区域;4)清洁装置对清洁后的区域进行再次清扫;5)进入步骤2),重复步骤2)‑4);6)若清洁装置清扫N次后,污渍仍然存在,则处理器在该清洁区域的视频或图像上对污渍进行标出和/或记录污渍位置,存入存储器,然后继续清扫下一个区域。本发明可有效对带清洁区域内的污渍进行打扫,提高清洁装置的清扫清洁度。
Description
技术领域
本发明具体涉及一种顽固污渍清洁方法及装置。
背景技术
随着科技的发展,越来越多的智能化家居进入们的生活中,不管是家庭还是工作,也渐渐的离不开智能化家居。
其中,对于智能化的清洁装置而言,其在清洁过程中会遇到一些顽固污渍,而如何对这些顽固污渍进行有效的清扫仍是需要探讨和研究的问题。
发明内容
为了解决上述技术问题,本发明提出了一种顽固污渍清洁方法及装置,其可以有效对清洁区域内的污渍进行打扫或标记,提高清洁装置的清扫清洁度。
为了达到上述目的,本发明的技术方案如下:
顽固污渍清洁方法包括以下步骤:
1)移动装置带动清洁装置对待清洁区域进行清扫;
2)清洁完成后,处理器控制影像采集装置对清洁后的区域进行视频或图片采集,并将采集后的视频或图像发送给处理器;
3)处理器根据采集的视频或图像进行判断,判断清洁后的区域是否有污渍;
若有,则进入步骤4);
若没有,则处理器控制移动装置带动清洁装置继续清扫下一个区域;
4)处理器控制移动装置带动清洁装置对清洁后的区域进行再次清扫;
5)进入步骤2),重复步骤2)-4);
6)若处理器控制移动装置带动清洁装置清扫N次后,污渍仍然存在,则处理器在该清洁区域的视频或图像上对污渍进行标出和/或记录污渍位置,存入存储器,然后处理器控制移动装置带动清洁装置继续清扫下一个区域。
本发明一种顽固污渍清洁方法可以有效对污渍进行判别,若有顽固污渍,则进行多次的清洁。当清扫N次,仍无法除去,则进行标记,等待人工进行清除。本发明操作便捷,性能稳定,可以有效对待清洁区域进行良好的清洁,保证其清洁效果良好。
在上述技术方案的基础上,还可做如下改进:
作为优选的方案,步骤3)具体为:
3.1)处理器根据采集的视频或图像进行判断,判断清洁后的区域是否有异样物体;
若有,则进入步骤3.2);
若没有,则处理器控制移动装置带动清洁装置继续清扫下一个区域;
3.2)处理器判断该异样物体是否为污渍;
若是,则进入步骤4);
若不是,则处理器控制移动装置带动清洁装置继续清扫下一个区域。
采用上述优选的方案,首先判断是否有异样物体,再判断异样物体的类别,操作更便捷,更快速。
作为优选的方案,步骤3.1)具体为:处理器将采集的视频或图像与存储器内存储的多张标准清洁图像进行对比;
若全部不一致,则说明有异样物体,进入步骤3.2);
否则,则说明没有异样物体,处理器控制移动装置带动清洁装置继续清扫下一个区域。
采用上述优选的方案,标准清洁图像为多张不同场景的图像,采集的视频或图像只需要与其中一张一致,则说明没有异样物体,若全部不一致,则说明有异样物体,判别更简单,有效,快捷。
作为优选的方案,顽固污渍清洁方法包括下述预操作;
预操作1)数据集收集与标注,收集多张同一类异样物体的图片,并对异样物体的属性进行标注,在图片中标注出异样物体所在位置;
预操作2)分类模型预训练,将预训练一个分类模型对每一类异样物体进行训练,对选定的类用标注的数据集提取深层网络特征,利用该特征来表征训练数据,从而构建数据集深层网络。
采用上述优选的方案,为有效准确的判别异样物体的类型进行准备。
作为优选的方案,步骤3.2)具体为:处理器将影像采集装置采集的视频每一帧或每一张图片输入到数据集深层网络中,该数据集深层网络对该帧视频或图片进行异样物体的判定与识别,并输出异样物体的类别以及其置信度,判断该异样物体是否为污渍;
若是,则进入步骤4);
若不是,则处理器控制移动装置带动清洁装置继续清扫下一个区域。
采用上述优选的方案,可以有效判别异样物体的类型,判别其是否为污渍,及确定污渍的类型(如:粉尘或油渍),可以针对污渍的类型采用更有针对性的方式进行清洁。
作为优选的方案,步骤3.2)具体为:
3.2.1)移动装置带动影像采集装置绕着异样物体运动;
3.2.2)移动装置停止运动,影像采集装置采集视频或图片,处理器将影像采集装置采集的视频每一帧或每一张图片输入到数据集深层网络中,该数据集深层网络对该帧视频或图片进行异样物体的判定与识别,并输出异样物体的类别以及其置信度,判断该异样物体是否为污渍;
若是,则进入步骤4);
若不是,则处理器控制移动装置带动清洁装置继续清扫下一个区域。
采用上述优选的方案,保证影像采集装置采集视频或图片的多样性和稳定性,提高检测精度。本申请采用间歇性运动停止的方式,即如移动装置带动影像采集装置运动1秒,停止0.5秒进行检测,这种将运动部分和检测部分交替进行的方式,能让两个模块互不干扰,进而加强检测精度。
作为优选的方案,步骤3.2.2)进一步为,移动装置停止运动,影像采集装置采集视频或图片,并将影像采集装置采集的视频每一帧或每一张图片输入到数据集深层网络中,该数据集深层网络对该帧视频进行目标物体的判定与识别,输出目标物体与该帧视频帧中心或图片中心的偏移量、目标物体类别以及其置信度,并将目标物体与该帧视频帧中心或图片中心的偏移量发送给移动装置,移动装置将在下次运动中进行偏移补偿。
采用上述优选的方案,由于在0.5秒的检测过程中,移动装置的方向很有可能并不正对目标物体,因而采用补偿机制,判断目标物体位置和视频帧中心或图片中心的偏移量,进而在下一次运动过程中进行偏移补偿。
作为优选的方案,在步骤3.2.1)中,移动装置从开始运行到停止运行的速度v(单位m/s)与时间t(单位s)之间的关系满足下式的分段函数:
v=-a*t2+b*t,0<t≤T1;
v=K*cdt,K>0,lnc<0,d>1,T1<t≤T2。
采用上述优选的方案,移动装置开始运行的速度呈一个急速上升的状态(加速度不断增加),而当其上升到速度峰值后,其速度沿龚帕兹(生长)曲线呈一个缓慢下降的状态(加速度不断减小)。采用上述的分段函数对移动装置的运行速度进行控制,可以有效保证移动装置启动速度快,但是在靠近停止检测阶段时,其缓慢停止,可以有效降低惯性晃动对影像采集装置的影响。
作为优选的方案,步骤4)具体为,
4.1)处理器对清洁后的区域内污渍所在的位置进行记录,并以该位置为中心划分再次清洁小区域;
4.2)处理器控制移动装置带动清洁装置对再次清洁小区域进行再次清扫。
采用上述优选的方案,加快清扫进度,提高清扫洁净度。
顽固污渍清洁装置,包括:
清洁装置,用于实现清洁操作;
影像采集装置,用于采集视频或图像,并将其发送给处理器;
移动装置,用于带动清洁装置和影像采集装置进行运动;
处理器,分别与清洁装置、影像采集装置及移动装置电连接,用于执行的顽固污渍清洁方法;
存储器,用于存储处理器可执行指令以及各视频或图像。
本发明一种顽固污渍清洁装置结构简单,成本低,清洁效果好。
附图说明
图1为本发明实施例提供的顽固污渍清洁方法的流程图。
图2为本发明实施例提供的深度卷积层的结构示意图。
图3为本发明实施例提供的逐点卷积层的结构示意图。
图4为本发明实施例提供的分类模型结构示意图。
图5为本发明实施例提供的深度卷积层的操作结构示意图。
图6为本发明实施例提供的移动装置从开始运行到停止运行的速度v(单位m/s)与时间t(单位s)之间的分段函数曲线图。
具体实施方式
下面结合附图详细说明本发明的优选实施方式。
为了达到本发明的目的,顽固污渍清洁方法及装置的其中一些实施例中,顽固污渍清洁方法包括以下步骤:
1)移动装置带动清洁装置对待清洁区域进行清扫;
2)清洁完成后,处理器控制影像采集装置对清洁后的区域进行视频或图片采集,并将采集后的视频或图像发送给处理器;
3)处理器根据采集的视频或图像进行判断,判断清洁后的区域是否有污渍;
若有,则进入步骤4);
若没有,则处理器控制移动装置带动清洁装置继续清扫下一个区域;
4)处理器控制移动装置带动清洁装置对清洁后的区域进行再次清扫;
5)进入步骤2),重复步骤2)-4);
6)若处理器控制移动装置带动清洁装置清扫N次后,污渍仍然存在,则处理器在该清洁区域的视频或图像上对污渍进行标出和/或记录污渍位置,存入存储器,然后处理器控制移动装置带动清洁装置继续清扫下一个区域。
本发明一种顽固污渍清洁方法可以有效对污渍进行判别,若有顽固污渍,则进行多次的清洁。当清扫N次,仍无法除去,则进行标记,等待人工进行清除。本发明操作便捷,性能稳定,可以有效对待清洁区域进行良好的清洁,保证其清洁效果良好。
为了进一步地优化本发明的实施效果,在另外一些实施方式中,其余特征技术相同,不同之处在于,步骤3)具体为:
3.1)处理器根据采集的视频或图像进行判断,判断清洁后的区域是否有异样物体;
若有,则进入步骤3.2);
若没有,则处理器控制移动装置带动清洁装置继续清扫下一个区域;
3.2)处理器判断该异样物体是否为污渍;
若是,则进入步骤4);
若不是,则处理器控制移动装置带动清洁装置继续清扫下一个区域。
采用上述优选的方案,首先判断是否有异样物体,再判断异样物体的类别,操作更便捷,更快速。
为了进一步地优化本发明的实施效果,在另外一些实施方式中,其余特征技术相同,不同之处在于,步骤3.1)具体为:处理器将采集的视频或图像与存储器内存储的多张标准清洁图像进行对比;
若全部不一致,则说明有异样物体,进入步骤3.2);
否则,则说明没有异样物体,处理器控制移动装置带动清洁装置继续清扫下一个区域。
采用上述优选的方案,标准清洁图像为多张不同场景的图像,采集的视频或图像只需要与其中一张一致,则说明没有异样物体,若全部不一致,则说明有异样物体,判别更简单,有效,快捷。
为了进一步地优化本发明的实施效果,在另外一些实施方式中,其余特征技术相同,不同之处在于,顽固污渍清洁方法包括下述预操作;
预操作1)数据集收集与标注,收集多张同一类异样物体的图片,并对异样物体的属性进行标注,在图片中标注出异样物体所在位置;
预操作2)分类模型预训练,将预训练一个mobilenet-ssd的分类模型对每一类异样物体进行训练,对选定的类用标注的数据集提取深层网络特征,利用该特征来表征训练数据,从而构建数据集深层网络。
采用上述优选的方案,为有效准确的判别异样物体的类型进行准备。上述预操作1)具体为:第一步是数据收集与标注,以电线为例,收集3000张该类图片,用xml文件类型进行标注,并在图片中标出目标物体的位置,以如下标注为例,
在该标注中,标出了目标物体的类型(cable),文件名(1.jpg),图片大小,目标位置(xmin,ymin,xmax,ymax)等。
在上述预操作2)中,在该数据集深层网络中,以VGG16为主要网络,在之后进一步加入五层全连接层,进而实现高效的数据集表征。
以上预操作为基于MobileNet构架。MobileNet构架是一个针对移动终端的全新深度神经网络(DNNs)。其深度可分离卷积(DSC)层取代了传统的卷积网络,使得整个计算过程可以在低能耗,终端级运算速度的条件下进行高精度,高实时性的物体识别。深度可分离卷积网络最大的特点在于其可以更有效地利用参数共享和自由度。
深度可分离卷积网络主要分为两个部分:
第一部分:深度卷积层(如图2所示)。每一层包含了DF x DF大小的过滤器。该过滤器主要负责过滤输入目标图片的一个单一深度。
第二部分:逐点卷积层(如图3所示)。逐点卷积只是一个用于结合不同通道信息的1×1大小的卷积层。
如图4所示,分类模型结构包括:标准卷积层、一连串的深度可分离卷积包、平均降维层以及完全链接层,深度可分离卷积包包含一个深度卷积层;
标准卷积层为分类模型的第一层,平均降维层为分类模型的倒数第二层,完全链接层为分类模型的最后一层。
如图5所示,进一步,深度卷积层由深度卷积操作(depthwise conv)、线性整流函数(RELU)、批量标准化操作(batch norm)和逐点卷积操作(1×1conv)构成。
采用上述优选的方案,操作便捷。
为了进一步地优化本发明的实施效果,在另外一些实施方式中,其余特征技术相同,不同之处在于,步骤3.2)具体为:处理器将影像采集装置采集的视频每一帧或每一张图片输入到数据集深层网络中,该数据集深层网络对该帧视频或图片进行异样物体的判定与识别,并输出异样物体的类别以及其置信度,判断该异样物体是否为污渍;
若是,则进入步骤4);
若不是,则处理器控制移动装置带动清洁装置继续清扫下一个区域。
采用上述优选的方案,可以有效判别异样物体的类型,判别其是否为污渍,及确定污渍的类型(如:粉尘或油渍),可以针对污渍的类型采用更有针对性的方式进行清洁。
为了进一步地优化本发明的实施效果,在另外一些实施方式中,其余特征技术相同,不同之处在于,步骤3.2)具体为:
3.2.1)移动装置带动影像采集装置绕着异样物体运动;
3.2.2)移动装置停止运动,影像采集装置采集视频或图片,处理器将影像采集装置采集的视频每一帧或每一张图片输入到数据集深层网络中,该数据集深层网络对该帧视频或图片进行异样物体的判定与识别,并输出异样物体的类别以及其置信度,判断该异样物体是否为污渍;
若是,则进入步骤4);
若不是,则处理器控制移动装置带动清洁装置继续清扫下一个区域。
采用上述优选的方案,保证影像采集装置采集视频或图片的多样性和稳定性,提高检测精度。本申请采用间歇性运动停止的方式,即如移动装置带动影像采集装置运动1秒,停止0.5秒进行检测,这种将运动部分和检测部分交替进行的方式,能让两个模块互不干扰,进而加强检测精度。
进一步,步骤3.2.2)进一步为,移动装置停止运动,影像采集装置采集视频或图片,并将影像采集装置采集的视频每一帧或每一张图片输入到数据集深层网络中,该数据集深层网络对该帧视频进行目标物体的判定与识别,输出目标物体与该帧视频帧中心或图片中心的偏移量、目标物体类别以及其置信度,并将目标物体与该帧视频帧中心或图片中心的偏移量发送给移动装置,移动装置将在下次运动中进行偏移补偿。
采用上述优选的方案,由于在0.5秒的检测过程中,移动装置的方向很有可能并不正对目标物体,因而采用补偿机制,判断目标物体位置和视频帧中心或图片中心的偏移量,进而在下一次运动过程中进行偏移补偿。
移动装置在下次运动中进行偏移补偿,保证下一次目标物体的位置可以靠近或处于视频帧中心或图片中心,有效提高检测精度。
进一步,在步骤3.2.1)中,移动装置从开始运行到停止运行的速度v(单位m/s)与时间t(单位s)之间的关系满足下式的分段函数:
v=-a*t2+b*t,0<t≤T1;
v=K*cdt,K>0,lnc<0,d>1,T1<t≤T2。
采用上述优选的方案,移动装置开始运行的速度呈一个急速上升的状态(加速度不断增加),而当其上升到速度峰值后,其速度沿龚帕兹(生长)曲线呈一个缓慢下降的状态(加速度不断减小)。采用上述的分段函数对移动装置的运行速度进行控制,可以有效保证移动装置启动速度快,但是在靠近停止检测阶段时,其缓慢停止,可以有效降低惯性晃动对影像采集装置的影响。分段函数曲线如图6所示。其中,T1具体可为0.3s,T2具体可为1s。
为了进一步地优化本发明的实施效果,在另外一些实施方式中,其余特征技术相同,不同之处在于,步骤4)具体为,
4.1)处理器对清洁后的区域内污渍所在的位置进行记录,并以该位置为中心划分再次清洁小区域;
4.2)处理器控制移动装置带动清洁装置对再次清洁小区域进行再次清扫。
采用上述优选的方案,加快清扫进度,提高清扫洁净度。
顽固污渍清洁装置,包括:
清洁装置,用于实现清洁操作;
影像采集装置,用于采集视频或图像,并将其发送给处理器;
移动装置,用于带动清洁装置和影像采集装置进行运动;
处理器,分别与清洁装置、影像采集装置及移动装置电连接,用于执行的顽固污渍清洁方法;
存储器,用于存储处理器可执行指令以及各视频或图像。
本发明一种顽固污渍清洁装置结构简单,成本低,清洁效果好。
对于本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (6)
1.顽固污渍清洁方法,其特征在于,包括以下步骤:
1)移动装置带动清洁装置对待清洁区域进行清扫;
2)清洁完成后,处理器控制影像采集装置对清洁后的区域进行视频或图片采集,并将采集后的视频或图像发送给处理器;
3)处理器根据采集的视频或图像进行判断,判断清洁后的区域是否有污渍;
若有,则进入步骤4);
若没有,则处理器控制移动装置带动清洁装置继续清扫下一个区域;
4)处理器控制移动装置带动清洁装置对清洁后的区域进行再次清扫;
5)进入步骤2),重复步骤2)-4);
6)若处理器控制移动装置带动清洁装置清扫N次后,污渍仍然存在,则处理器在该清洁区域的视频或图像上对污渍进行标出和/或记录污渍位置,存入存储器,然后处理器控制移动装置带动清洁装置继续清扫下一个区域;
所述步骤3)具体为:
3.1)所述处理器根据采集的视频或图像进行判断,判断清洁后的区域是否有异样物体;
若有,则进入步骤3.2);
若没有,则所述处理器控制所述移动装置带动所述清洁装置继续清扫下一个区域;
3.2)处理器判断该异样物体是否为污渍;
若是,则进入步骤4);
若不是,则所述处理器控制所述移动装置带动所述清洁装置继续清扫下一个区域;
所述步骤3.2)具体为:
3.2.1)所述移动装置带动影像采集装置绕着所述异样物体运动;
3.2.2)所述移动装置停止运动,所述影像采集装置采集视频或图片,所述处理器将所述影像采集装置采集的视频每一帧或每一张图片输入到数据集深层网络中,该数据集深层网络对该帧视频或图片进行异样物体的判定与识别,并输出异样物体的类别以及其置信度,判断该异样物体是否为污渍;
若是,则进入步骤4);
若不是,则所述处理器控制所述移动装置带动所述清洁装置继续清扫下一个区域;
所述步骤3.2.2)进一步为,所述移动装置停止运动,所述影像采集装置采集视频或图片,并将所述影像采集装置采集的视频每一帧或每一张图片输入到所述数据集深层网络中,该数据集深层网络对该帧视频进行目标物体的判定与识别,输出目标物体与该帧视频帧中心或图片中心的偏移量、目标物体类别以及其置信度,并将所述目标物体与该帧视频帧中心或图片中心的偏移量发送给所述移动装置,所述移动装置将在下次运动中进行偏移补偿;
在所述步骤3.2.1)中,所述移动装置从开始运行到停止运行的速度v与时间t之间的关系满足下式的分段函数:
v=-a*t2+b*t,0<t≤T1;
v=K*cdt,K>0,lnc<0,d>1,T1<t≤T2;
其中,T1表示所述移动装置的速度到达峰值的时刻;
T2表示所述移动装置停止的时刻。
2.根据权利要求1所述的顽固污渍清洁方法,其特征在于,所述步骤3.1)具体为:所述处理器将采集的视频或图像与所述存储器内存储的多张标准清洁图像进行对比;
若全部不一致,则说明有异样物体,进入步骤3.2);
否则,则说明没有异样物体,所述处理器控制所述移动装置带动所述清洁装置继续清扫下一个区域。
3.根据权利要求2所述的顽固污渍清洁方法,其特征在于,所述顽固污渍清洁方法包括下述预操作;
预操作1)数据集收集与标注,收集多张同一类异样物体的图片,并对异样物体的属性进行标注,在图片中标注出异样物体所在位置;
预操作2)分类模型预训练,将预训练一个分类模型对每一类异样物体进行训练,对选定的类用标注的数据集提取深层网络特征,利用该特征来表征训练数据,从而构建数据集深层网络。
4.根据权利要求3所述的顽固污渍清洁方法,其特征在于,所述步骤3.2)具体为:所述处理器将所述影像采集装置采集的视频每一帧或每一张图片输入到所述数据集深层网络中,该数据集深层网络对该帧视频或图片进行异样物体的判定与识别,并输出异样物体的类别以及其置信度,判断该异样物体是否为污渍;
若是,则进入步骤4);
若不是,则所述处理器控制所述移动装置带动所述清洁装置继续清扫下一个区域。
5.根据权利要求1-4任一项所述的顽固污渍清洁方法,其特征在于,所述步骤4)具体为,
4.1)所述处理器对清洁后的区域内污渍所在的位置进行记录,并以该位置为中心划分再次清洁小区域;
4.2)所述处理器控制所述移动装置带动所述清洁装置对再次清洁小区域进行再次清扫。
6.顽固污渍清洁装置,其特征在于,包括:
清洁装置,用于实现清洁操作;
影像采集装置,用于采集视频或图像,并将其发送给处理器;
移动装置,用于带动所述清洁装置和所述影像采集装置进行运动;
处理器,分别与所述清洁装置、影像采集装置及移动装置电连接,用于执行如权利要求1-5任一项所述的顽固污渍清洁方法;
存储器,用于存储所述处理器可执行指令以及各视频或图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810702695.6A CN109003262B (zh) | 2018-06-29 | 2018-06-29 | 顽固污渍清洁方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810702695.6A CN109003262B (zh) | 2018-06-29 | 2018-06-29 | 顽固污渍清洁方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109003262A CN109003262A (zh) | 2018-12-14 |
CN109003262B true CN109003262B (zh) | 2022-06-21 |
Family
ID=64601791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810702695.6A Active CN109003262B (zh) | 2018-06-29 | 2018-06-29 | 顽固污渍清洁方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109003262B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111887766B (zh) * | 2020-06-09 | 2021-12-03 | 深圳职业技术学院 | 一种桌台表面清洗方法及桌台清洗器 |
CN111733743B (zh) * | 2020-06-17 | 2022-03-04 | 广州赛特智能科技有限公司 | 一种自动清扫方法及清扫系统 |
CN114592458A (zh) * | 2020-12-01 | 2022-06-07 | 河南小狮智能科技有限公司 | 一种无人清扫车道路污染情况识别与清扫系统 |
CN112471976B (zh) * | 2020-12-08 | 2021-09-14 | 珠海格力电器股份有限公司 | 扫地机器人控制方法、装置、设备及计算机可读介质 |
CN112842184B (zh) * | 2021-02-25 | 2022-11-29 | 深圳银星智能集团股份有限公司 | 一种清扫方法及清洁机器人 |
CN115474874A (zh) * | 2021-05-31 | 2022-12-16 | 广州视源电子科技股份有限公司 | 清洁装置、清洁机器人及清洁装置的控制方法 |
CN113455964B (zh) * | 2021-06-30 | 2023-07-21 | 青岛海尔科技有限公司 | 区域清扫方法及装置、存储介质及电子装置 |
CN113610791A (zh) * | 2021-07-29 | 2021-11-05 | 河北白沙烟草有限责任公司保定卷烟厂 | 基于ai图像对铜排链进行清洗的方法、系统及装置 |
CN114129092B (zh) * | 2021-12-08 | 2022-10-14 | 上海景吾智能科技有限公司 | 清洁机器人清洁区域规划系统及方法 |
CN114345803A (zh) * | 2021-12-30 | 2022-04-15 | 沈阳仪表科学研究院有限公司 | 冷却塔清洗装置 |
CN114569007A (zh) * | 2022-02-28 | 2022-06-03 | 李志强 | 一种扫地机器人智能清扫的方法 |
CN114273315B (zh) * | 2022-03-04 | 2022-06-14 | 华电电力科学研究院有限公司 | 一种除雾器堵塞预控系统、方法、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102613944A (zh) * | 2012-03-27 | 2012-08-01 | 复旦大学 | 清洁机器人脏物识别系统及清洁方法 |
CN103984315A (zh) * | 2014-05-15 | 2014-08-13 | 成都百威讯科技有限责任公司 | 一种家用多功能智能机器人 |
CN107239790A (zh) * | 2017-05-10 | 2017-10-10 | 哈尔滨工程大学 | 一种基于深度学习的服务机器人目标检测与定位方法 |
CN107316007A (zh) * | 2017-06-07 | 2017-11-03 | 浙江捷尚视觉科技股份有限公司 | 一种基于深度学习的监控图像多类物体检测与识别方法 |
CN107944412A (zh) * | 2017-12-04 | 2018-04-20 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路自动识别系统及方法 |
CN108170137A (zh) * | 2017-12-15 | 2018-06-15 | 珊口(上海)智能科技有限公司 | 移动机器人及其控制方法和控制系统 |
-
2018
- 2018-06-29 CN CN201810702695.6A patent/CN109003262B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102613944A (zh) * | 2012-03-27 | 2012-08-01 | 复旦大学 | 清洁机器人脏物识别系统及清洁方法 |
CN103984315A (zh) * | 2014-05-15 | 2014-08-13 | 成都百威讯科技有限责任公司 | 一种家用多功能智能机器人 |
CN107239790A (zh) * | 2017-05-10 | 2017-10-10 | 哈尔滨工程大学 | 一种基于深度学习的服务机器人目标检测与定位方法 |
CN107316007A (zh) * | 2017-06-07 | 2017-11-03 | 浙江捷尚视觉科技股份有限公司 | 一种基于深度学习的监控图像多类物体检测与识别方法 |
CN107944412A (zh) * | 2017-12-04 | 2018-04-20 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路自动识别系统及方法 |
CN108170137A (zh) * | 2017-12-15 | 2018-06-15 | 珊口(上海)智能科技有限公司 | 移动机器人及其控制方法和控制系统 |
Non-Patent Citations (1)
Title |
---|
《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》;Andrew G. Howard 等;《https://arxiv.org/pdf/1704.04861.pdf》;20170417;第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109003262A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003262B (zh) | 顽固污渍清洁方法及装置 | |
CN108921218B (zh) | 一种目标物体检测方法及装置 | |
GB2585261A (en) | Methods for generating modified images | |
CN112038254A (zh) | 基于机器视觉技术的晶圆自动检测与标记装置及设计方法 | |
US11910098B2 (en) | Systems and methods for sampling images | |
JP2006318364A (ja) | 画像処理装置 | |
CN108055431A (zh) | 实时野外图像采集系统及方法 | |
CN106506953A (zh) | 基于指定区域聚焦和曝光伺服的变电站设备图像采集方法 | |
CN106303333A (zh) | 音视频录制方法及装置 | |
CN112151167A (zh) | 一种基于深度学习的儿童六龄牙龋齿智能筛查方法 | |
CN111218911B (zh) | 一种应用于扫路清洁车辆的节能系统及节能方法 | |
WO2019084756A1 (zh) | 一种图像处理方法、装置及飞行器 | |
CN113537071B (zh) | 一种基于事件相机的静态和动态目标检测方法及设备 | |
CN101841654B (zh) | 图像处理装置以及图像处理方法 | |
CN108338748A (zh) | 一种基于视频监控的自动清洁方法、装置以及清洁机器人 | |
JP2019176424A (ja) | 画像処理装置、撮像装置、画像処理装置の制御方法、および、撮像装置の制御方法 | |
CN107180417A (zh) | 照片处理方法、装置、计算机可读存储介质及电子设备 | |
CN116945170A (zh) | 基于视触融合感知与多模态时空卷积的抓取稳定性评估方法 | |
WO2021001323A1 (en) | Method to generate a slap/fingers foreground mask | |
CN110889460A (zh) | 一种基于协同注意力机制的机械臂指定物体抓取方法 | |
CN110045133A (zh) | 一种耗材监控装置及监控方法 | |
CN112580450B (zh) | 一种基于快进策略的视频中动物状态快速检测方法 | |
CN113920354A (zh) | 一种基于事件相机的动作识别方法 | |
CN109948530B (zh) | 基于交叉学习的行人再识别性能提升方法 | |
CN102821241B (zh) | 利用对象移动趋势驱动快门的装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |