CN109358546A - 家用电器的控制方法、装置和系统 - Google Patents

家用电器的控制方法、装置和系统 Download PDF

Info

Publication number
CN109358546A
CN109358546A CN201811270176.3A CN201811270176A CN109358546A CN 109358546 A CN109358546 A CN 109358546A CN 201811270176 A CN201811270176 A CN 201811270176A CN 109358546 A CN109358546 A CN 109358546A
Authority
CN
China
Prior art keywords
region
image
pollution
class
electrical appliance
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.)
Granted
Application number
CN201811270176.3A
Other languages
English (en)
Other versions
CN109358546B (zh
Inventor
张龙
吴少波
易斌
赵慧子
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201811270176.3A priority Critical patent/CN109358546B/zh
Publication of CN109358546A publication Critical patent/CN109358546A/zh
Application granted granted Critical
Publication of CN109358546B publication Critical patent/CN109358546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Abstract

本发明公开了一种家用电器的控制方法、装置和系统。其中，该方法包括：获取家用电器所在区域的图像；利用识别模型对区域的图像进行分析，得到区域的污染等级，其中，识别模型是使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：区域的样本图像，以及样本图像对应的污染等级的标签矩阵；基于区域的污染等级，控制家用电器的工作。本发明解决了现有技术中家用电器的控制方法控制准确度低的技术问题。

Description

家用电器的控制方法、装置和系统
技术领域
本发明涉及智能家居领域，具体而言，涉及一种家用电器的控制方法、装置和系统。
背景技术
现在的家庭，特别是有老人和小孩的家庭，空气质量越来越受到关注，尤其是空气质量，为了提高空气质量，空气净化器、扫地机器人、加湿器，门窗控制器等智能家居成为用户不可或缺的家用电器。但是，现有的家用电器的控制方法为人为控制，无法根据室内的空气质量进行实时控制。
针对现有技术中家用电器的控制方法控制准确度低的问题，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家用电器的控制方法、装置和系统，以至少解决现有技术中家用电器的控制方法控制准确度低的技术问题。
根据本发明实施例的一个方面，提供了一种家用电器的控制方法，包括：获取家用电器所在区域的图像；利用识别模型对区域的图像进行分析，得到区域的污染等级，其中，识别模型是使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：区域的样本图像，以及样本图像对应的污染等级的标签矩阵；基于区域的污染等级，控制家用电器的工作。
进一步地，污染等级包括如下至少之一：细颗粒物的含量等级和地面的脏污等级，家用电器包括如下至少之一：空气净化器、空调、加湿器、门窗控制器和扫地机器人。
进一步地，利用识别模型对区域的图像进行分析，得到区域的污染等级，包括：利用第一子模型对区域的图像进行特征提取，得到特征向量；利用第二子模型对特征向量进行分析，得到区域的污染等级。
进一步地，上述方法还包括：获取多组数据，并建立第一初始模型和第二初始模型；利用多组数据对第一初始模型进行训练，得到第一子模型；利用第一子模型对多组数据进行特征提取，得到每组数据的特征矩阵；基于每组数据的特征矩阵，构建多组训练数据，其中，多组训练数据中的每组训练数据均包括：每组数据的特征矩阵，以及每组数据中的标签矩阵；利用多组训练数据对第二初始模型进行训练，得到第二子模型。
进一步地，利用多组训练数据对第二初始模型进行训练，得到第二子模型，包括：利用交叉验证算法对多组训练数据进行处理，得到参数值，其中，参数值包括：惩罚参数和核函数的半径；利用参数值和多组训练数据对第二初始模型进行训练，得到第二子模型。
进一步地，在污染等级包括：细颗粒物的含量等级的情况下，获取多组数据包括：获取拍摄到的多个样本图像，以及拍摄到每个样本图像时检测到的颗粒物的含量值；基于多个样本图像，以及每个样本图像对应的颗粒物的含量值，生成多组数据。
进一步地，在污染等级包括：地面的脏污等级的情况下，获取多组数据包括：获取拍摄到的多个样本图像，以及拍摄到每个样本图像时确定的预设判别方式；基于多个样本图像，以及每个样本图像对应的预设判别方式，生成多组数据。
进一步地，预设判别方式包括如下至少之一：地面水渍、地面颗粒、地面纸张、与初始地面图像进行比对。
进一步地，第一子模型为包含多个层级的深度卷积神经网络，第二子模型为支持向量回归模型。
进一步地，在获取家用电器所在区域的图像之后，上述方法还包括：发送区域的图像至服务器，并接收服务器返回的区域的污染等级，其中，区域的污染等级是服务器利用识别模型对区域的图像进行分析得到的。
进一步地，区域的图像包括如下至少之一：区域内的空中图像、区域外的天空图像和区域内的地面图像，其中，获取家用电器所在区域的图像包括如下至少之一：获取设置在区域内的摄像头拍摄到的空中图像；获取移动终端拍摄到的天空图像；获取设置在区域内的摄像头拍摄到的地面图像。
进一步地，基于区域的污染等级，控制家用电器的工作包括：基于区域的污染等级，控制家用电器的工作状态和/或工作参数。
根据本发明实施例的另一方面，还提供了一种家用电器的控制装置，包括：获取模块，用于获取家用电器所在区域的图像；处理模块，用于利用识别模型对区域的图像进行分析，得到区域的污染等级，其中，识别模型是使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：区域的样本图像，以及样本图像对应的污染等级的标签矩阵；控制模块，用于基于区域的污染等级，控制家用电器的工作。
根据本发明实施例的另一方面，还提供了一种家用电器的控制系统，包括：拍摄装置，用于拍摄家用电器所在区域的图像；控制器，与拍摄装置连接，用于利用识别模型对区域的图像进行分析，得到区域的污染等级，并基于区域的污染等级，控制家用电器的工作，其中，识别模型是使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：区域的样本图像，以及样本图像对应的污染等级的标签矩阵。
根据本发明实施例的另一方面，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上述的家用电器的控制方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的家用电器的控制方法。
在本发明实施例中，在获取到家用电器所在区域的图像之后，首先利用识别模型对区域的图像进行分析，得到区域的污染等级，然后基于区域的污染等级，控制家用电器的工作，实现实时根据室内的空气状态控制家用电器工作，而且通过识别模型对拍摄到的图像进行识别，从而达到提高空气质量，提高控制准确度，提升用户体验感和好感度的技术效果，进而解决了现有技术中家用电器的控制方法控制准确度低技术问题。
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家用电器的控制方法的流程图；
图2是根据本发明实施例的一种可选的家用电器的控制方法的流程图；
图3是根据本发明实施例的一种家用电器的控制装置的示意图；以及
图4是根据本发明实施例的一种家用电器的控制系统的示意图。
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。
实施例1
根据本发明实施例，提供了一种家用电器的控制方法的实施例，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1是根据本发明实施例的一种家用电器的控制方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取家用电器所在区域的图像。
可选地，区域的图像包括如下至少之一：区域内的空中图像、区域外的天空图像和区域内的地面图像。进一步地，家用电器包括如下至少之一：空气净化器、空调、加湿器、门窗控制器和扫地机器人。
具体地，上述的家用电器所在区域可以是家用电器所处环境，该环境可以是指室内。由于室内空气质量不仅仅与室内空气质量、室内地面脏污程度有关，还与室外空气质量相关，因此，本发明实施例中以拍摄室内场景、室外天空以及室内地面的图像为例进行说明，为了提高空气质量，以家用电器包括空气进化器、空调、加湿器、门窗控制器和扫地机器人为例进行说明。
步骤S104，利用识别模型对区域的图像进行分析，得到区域的污染等级，其中，识别模型是使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：区域的样本图像，以及样本图像对应的污染等级的标签矩阵。
可选地，污染等级包括如下至少之一：细颗粒物的含量等级和地面的脏污等级。
具体地，上述的细颗粒物可以是空气中直径小于或等于2.5微米的颗粒物，也即PM2.5颗粒物，又称细粒、细颗粒，细颗粒物的含量等级可以是空气PM2.5值。上述的地面的脏污等级可以是将地面脏污程度进行划分，得到的多个等级。由于拍摄到的图像可以是室内图像也可以是室外图像，因此，污染等级中既包括室内PM2.5值，又包括室外PM2.5值。
在一种可选的实施例中，为了能够准确地从图像中识别出污染等级，可以预先通过机器学习训练出识别模型，该训练模型可以实现图像中的特征提取，并支持向量回归。
步骤S106，基于区域的污染等级，控制家用电器的工作。
在一种可选的实施例中，可以根据室内污染等级，设置多种控制方式，室内污染等级越高，也即空气质量越差，为了提高空气质量，可以控制家用电器工作；并且空气质量越差，为了加快速度，可以控制家用电器的工作参数调整。在从图像中识别出室内的污染等级之后，可以根据污染等级确定是否控制家用电器工作，具体控制哪个家用电器进行工作，以及控制家用电器的工作参数。
通过本发明上述实施例，在获取到家用电器所在区域的图像之后，首先利用识别模型对区域的图像进行分析，得到区域的污染等级，然后基于区域的污染等级，控制家用电器的工作，实现实时根据室内的空气状态控制家用电器工作，而且通过识别模型对拍摄到的图像进行识别，从而达到提高空气质量，提高控制准确度，提升用户体验感和好感度的技术效果，进而解决了现有技术中家用电器的控制方法控制准确度低技术问题。
可选地，在本发明上述实施例中，步骤S104，利用识别模型对区域的图像进行分析，得到区域的污染等级，包括：利用第一子模型对区域的图像进行特征提取，得到特征向量；利用第二子模型对特征向量进行分析，得到区域的污染等级。
可选地，第一子模型为包含多个层级的深度卷积神经网络，第二子模型为支持向量回归模型。
具体地，上述的第一子模型可以是VGG-NET，该VGG-NET为含有19层的深度卷积神经网络，该VGG-NET的倒数第二个全连接层为fc7层；上述的第二子模型可以是支持向量回归SVR(Support Vector Regression)模型。
在一种可选的实施例中，可以利用训练好的VGG-NET的fc7层对获取到的图像进行特征提取，得到特征向量T，进一步可以通过训练SVR模型对提取出的特征向量T进行分析，得到区域的污染等级。
可选地，在本发明上述实施例中，该方法还包括：获取多组数据，并建立第一初始模型和第二初始模型；利用多组数据对第一初始模型进行训练，得到第一子模型；利用第一子模型对多组数据进行特征提取，得到每组数据的特征矩阵；基于每组数据的特征矩阵，构建多组训练数据，其中，多组训练数据中的每组训练数据均包括：每组数据的特征矩阵，以及每组数据中的标签矩阵；利用多组训练数据对第二初始模型进行训练，得到第二子模型。
在一种可选的实施例中，可以首先根据识别需要建立VGG-NET和SVR模型，并获取不同的室内环境图像、室内地面图像和室外天空图像，以及每张图像对应的污染等级，将获取到的图像和相应的污染等级得到多组数据，利用多组数据对建立的VGG-NET进行训练，得到训练好的VGG-NET。
利用训练好的VGG-NET的fc7层对多组数据中的不同图像进行特征提取，得到特征矩阵A，特征矩阵A是由VGG-NET多次的卷积、池化得到的，将特征矩阵A以及对应的污染等级作为多组训练数据，并利用多组训练数据对建立的SVR模型进行训练，得到训练好的SVR模型。
可选地，在本发明上述实施例中，利用多组训练数据对第二初始模型进行训练，得到第二子模型，包括：利用交叉验证算法对多组训练数据进行处理，得到参数值，其中，参数值包括：惩罚参数和核函数的半径；利用参数值和多组训练数据对第二初始模型进行训练，得到第二子模型。
在一种可选的实施例中，在得到特征矩阵A之后，可以利用交叉验证算法对根据特征矩阵A和对应的污染等级进行处理，寻找最佳参数c和g，c是惩罚系数，g是核函数的半径，并由最佳c、g和多组训练数据对建立的SVR模型进行训练，从而得到训练好的SVR模型。
可选地，在本发明上述实施例中，在污染等级包括：细颗粒物的含量等级的情况下，获取多组数据包括：获取拍摄到的多个样本图像，以及拍摄到每个样本图像时检测到的颗粒物的含量值；基于多个样本图像，以及每个样本图像对应的颗粒物的含量值，生成多组数据。
在一种可选的实施例中，对于PM2.5值的预测，可以通过设置在室内的摄像头或者手持相机拍摄室内场景图像和室外天空图像，得到多个样本图像；通过霾表对室内和室外进行测试，记录相应的PM2.5值，从而可以得到多组数据。
可选地，在本发明上述实施例中，在污染等级包括：地面的脏污等级的情况下，获取多组数据包括：获取拍摄到的多个样本图像，以及拍摄到每个样本图像时确定的预设判别方式；基于多个样本图像，以及每个样本图像对应的预设判别方式，生成多组数据。
可选地，预设判别方式包括如下至少之一：地面水渍、地面颗粒、地面纸张、与初始地面图像进行比对。
在一种可选的实施例中，可以通过设置在室内的拍摄设备或者扫地机器人附带的图像分析仪拍摄室内地面图像，得到多个样本图像；通过地面水渍、地面颗粒、地面纸张、与初始房屋地面图像进行比对等地面脏污判别方式，得到相应的地面脏污判别方式，从而可以得到多组数据。
可选地，在本发明上述实施例中，在步骤S102，获取家用电器所在区域的图像之后，该方法还包括：发送区域的图像至服务器，并接收服务器返回的区域的污染等级，其中，区域的污染等级是服务器利用识别模型对区域的图像进行分析得到的。
在一种可选的实施例中，对于PM2.5值的预测，在获取到室内场景图像或室外天空图像之后，可以将获取到的图像传至服务器端，在服务器端，系统可以对上传的图像进行特征提取，支持向量回归，从而精准的估计出室内的PM2.5值，然后将估计出的PM2.5值返回给客户端，基于PM2.5值控制家用电器的启动、工作参数等，例如，控制空气净化器的启动、净化空气的速度。
在另一种可选的实施例中，对于地面脏污程度的预测，可以通过扫地机器人附带的图像分析仪对拍摄到的图像进行分析，包括与地面脏污程度表进行对比，确定地面的脏污等级，通过拍摄地面图片，分析图片，并将图片上传至服务器，在服务器端，对上传的图像进行特征提取，支持向量回归，确定出与图片对应的脏污等级，然后根据脏污等级确定是否需要启动扫地机器人以进行地面清洁处理。
可选地，在本发明上述实施例中，步骤S102，获取家用电器所在区域的图像包括如下至少之一：获取设置在区域内的摄像头拍摄到的空中图像；获取移动终端拍摄到的天空图像；获取设置在区域内的摄像头拍摄到的地面图像。
具体地，上述的移动终端可以是智能手机(包括Android手机、IOS手机)、相机、平板电脑、PAD等，本发明对此不作具体限定。
在一种可选的实施例中，对于PM2.5值的预测，可以通过设置在室内的摄像头拍摄室内场景图像，或者通过移动终端拍摄室外天空图像，室外天空图像可以是全天空图像或者半天空图像。在另一种可选的实施例中，对于地面脏污程度的预测，可以通过设置在室内的摄像头拍摄室内地面图像，或者通过扫地机器人附带的图像分析仪拍摄室内地面图像。
可选地，在本发明上述实施例中，步骤S106，基于区域的污染等级，控制家用电器的工作包括：基于区域的污染等级，控制家用电器的工作状态和/或工作参数。
在一种可选的实施例中，对于空气净化器，可以根据PM2.5值控制空气净化器的启动，净化空气的速度；对于扫地机器人，可以根据地面脏污程度控制扫地机器人的启动，扫地机器人的打扫区域，扫地机器人的打扫频率等；对于门窗控制器，可以根据PM2.5值确定是否控制门窗关闭，例如，检测出外接PM2.5值较高，出现雾霾的情况下，自动控制门窗关闭，以减少进入室内的颗粒；对于空调和加湿器，可以根据PM2.5值、地面脏污程度等，控制空调或加湿器开启，以控制室内温度或室内湿度。
图2是根据本发明实施例的一种可选的家用电器的控制方法的流程图，下面以空气净化器为例进行详细说明，如图2所示，该方法包括如下步骤：
步骤S21，采集雾霾图像及记录其对应的PM2.5值。
可选地，可以手持一台相机对着天空或者半天空采集雾霾图像，并通过汉王霾表记录其对应的PN2.5值。
步骤S22，利用VGG-NET的fc7层对采集到的图像进行特征提取。
可选地，可以利用VGG-NET的fc7层对采集到的图像进行特征提取，得到特征矩阵A。
步骤S23，将特征矩阵A及其对应的PM2.5值数据作为数据集训练U。
步骤S24，对训练集U进行交叉验证算法寻参，通过支持向量回归训练出模型。
可选地，可以利用交叉验证算法对训练集U进行存储，寻找最佳参数c和g，由最佳c、g和训练集U，通过支持向量回归SVR进行训练，得到训练模型model。
步骤S25，服务器端利用VGG-NET的fc7层对客户端上传的图像进行特征提取。
可选地，在客户端，用户可以通过手机等摄影设备对着全天空或者半天空采集图像，并上传至服务器端，在服务器端，系统通过VGG-NET的fc7层对由步骤6)用户采集到的图片进行特征提取，得到特征向量T。
步骤S26，通过训练模型model以及特征向量T，进行PM2.5值的预测。
可选地，服务器端可以通过训练模型对特征向量T进行支持向量回归，拟合出该图像，得到PM2.5的预测值，并将PM2.5的预测值返给客户端。然后基于PM2.5值控制空气净化器的启动、净化空气的速度等等。
通过上述方案，可以实时根据室内的空气状况进行净化空气，更加智能化，提升用户体验。
实施例2
根据本发明实施例，提供了一种家用电器的控制装置的实施例。
图3是根据本发明实施例的一种家用电器的控制装置的示意图，如图3所示，该装置包括：
获取模块32，用于获取家用电器所在区域的图像。
可选地，区域的图像包括如下至少之一：区域内的空中图像、区域外的天空图像和区域内的地面图像。进一步地，家用电器包括如下至少之一：空气净化器、空调、加湿器、门窗控制器和扫地机器人。
具体地，上述的家用电器所在区域可以是家用电器所处环境，该环境可以是指室内。由于室内空气质量不仅仅与室内空气质量、室内地面脏污程度有关，还与室外空气质量相关，因此，本发明实施例中以拍摄室内场景、室外天空以及室内地面的图像为例进行说明，为了提高空气质量，以家用电器包括空气进化器、空调、加湿器、门窗控制器和扫地机器人为例进行说明。
处理模块34，用于利用识别模型对区域的图像进行分析，得到区域的污染等级，其中，识别模型是使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：区域的样本图像，以及样本图像对应的污染等级的标签矩阵。
可选地，污染等级包括如下至少之一：细颗粒物的含量等级和地面的脏污等级。
具体地，上述的细颗粒物可以是空气中直径小于或等于2.5微米的颗粒物，也即PM2.5颗粒物，又称细粒、细颗粒，细颗粒物的含量等级可以是空气PM2.5值。上述的地面的脏污等级可以是将地面脏污程度进行划分，得到的多个等级。由于拍摄到的图像可以是室内图像也可以是室外图像，因此，污染等级中既包括室内PM2.5值，又包括室外PM2.5值。
在一种可选的实施例中，为了能够准确地从图像中识别出污染等级，可以预先通过机器学习训练出识别模型，该训练模型可以实现图像中的特征提取，并支持向量回归。
控制模块36，用于基于区域的污染等级，控制家用电器的工作。
在一种可选的实施例中，可以根据室内污染等级，设置多种控制方式，室内污染等级越高，也即空气质量越差，为了提高空气质量，可以控制家用电器工作；并且空气质量越差，为了加快速度，可以控制家用电器的工作参数调整。在从图像中识别出室内的污染等级之后，可以根据污染等级确定是否控制家用电器工作，具体控制哪个家用电器进行工作，以及控制家用电器的工作参数。
通过本发明上述实施例，在获取到家用电器所在区域的图像之后，首先利用识别模型对区域的图像进行分析，得到区域的污染等级，然后基于区域的污染等级，控制家用电器的工作，实现实时根据室内的空气状态控制家用电器工作，而且通过识别模型对拍摄到的图像进行识别，从而达到提高空气质量，提高控制准确度，提升用户体验感和好感度的技术效果，进而解决了现有技术中家用电器的控制方法控制准确度低技术问题。
可选地，在本发明上述实施例中，处理模块包括：提取子模块和分析子模块。
其中，提取子模块用于利用第一子模型对区域的图像进行特征提取，得到特征向量；分析子模块用于利用第二子模型对特征向量进行分析，得到区域的污染等级。
可选地，第一子模型为包含多个层级的深度卷积神经网络，第二子模型为支持向量回归模型。
可选地，在本发明上述实施例中，该装置还包括：建立模块、第一训练模块、提取模块、构建模块和第二训练模块。
其中，建立模块用于获取多组数据，并建立第一初始模型和第二初始模型；第一训练模块用于利用多组数据对第一初始模型进行训练，得到第一子模型；提取模块用于利用第一子模型对多组数据进行特征提取，得到每组数据的特征矩阵；构建模块用于基于每组数据的特征矩阵，构建多组训练数据，其中，多组训练数据中的每组训练数据均包括：每组数据的特征矩阵，以及每组数据中的标签矩阵；第二训练模块用于利用多组训练数据对第二初始模型进行训练，得到第二子模型。
可选地，在本发明上述实施例中，第二训练模块包括：处理子模块和训练子模块。
其中，处理子模块用于利用交叉验证算法对多组训练数据进行处理，得到参数值，其中，参数值包括：惩罚参数和核函数的半径；训练子模块用于利用参数值和多组训练数据对第二初始模型进行训练，得到第二子模型。
可选地，在本发明上述实施例中，在污染等级包括：细颗粒物的含量等级的情况下，获取模块包括：第一获取子模块和第一生成子模块。
其中，第一获取子模块用于获取拍摄到的多个样本图像，以及拍摄到每个样本图像时检测到的颗粒物的含量值；第一生成子模块用于基于多个样本图像，以及每个样本图像对应的颗粒物的含量值，生成多组数据。
可选地，在本发明上述实施例中，在污染等级包括：地面的脏污等级的情况下，获取模块包括：第二获取子模块和第二生成子模块。
其中，第二获取子模块用于获取拍摄到的多个样本图像，以及拍摄到每个样本图像时确定的预设判别方式；第二生成子模块用于基于多个样本图像，以及每个样本图像对应的预设判别方式，生成多组数据。
可选地，预设判别方式包括如下至少之一：地面水渍、地面颗粒、地面纸张、与初始地面图像进行比对。
可选地，在本发明上述实施例中，该装置还包括：通信模块。
其中，通信模块用于发送区域的图像至服务器，并接收服务器返回的区域的污染等级，其中，区域的污染等级是服务器利用识别模型对区域的图像进行分析得到的。
可选地，在本发明上述实施例中，获取模块包括如下至少之一：第三获取子模块、第四获取子模块和第五获取子模块。
其中，第三获取子模块用于获取设置在区域内的摄像头拍摄到的空中图像；第四获取子模块用于获取移动终端拍摄到的天空图像；第五获取子模块用于获取设置在区域内的摄像头拍摄到的地面图像。
可选地，在本发明上述实施例中，控制模块包括：控制子模块。
其中，控制子模块还用于基于区域的污染等级，控制家用电器的工作状态和/或工作参数。
实施例3
根据本发明实施例，提供了一种家用电器的控制系统的实施例。
图4是根据本发明实施例的一种家用电器的控制系统的示意图，如图4所示，该系统包括：拍摄装置42和控制器44。
其中，拍摄装置42用于拍摄家用电器所在区域的图像；控制器44与拍摄装置连接，用于利用识别模型对区域的图像进行分析，得到区域的污染等级，并基于区域的污染等级，控制家用电器的工作，其中，识别模型是使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：区域的样本图像，以及样本图像对应的污染等级的标签矩阵。
可选地，区域的图像包括如下至少之一：区域内的空中图像、区域外的天空图像和区域内的地面图像。进一步地，家用电器包括如下至少之一：空气净化器、空调、加湿器、门窗控制器和扫地机器人。
具体地，上述的家用电器所在区域可以是家用电器所处环境，该环境可以是指室内。由于室内空气质量不仅仅与室内空气质量、室内地面脏污程度有关，还与室外空气质量相关，因此，本发明实施例中以拍摄室内场景、室外天空以及室内地面的图像为例进行说明，为了提高空气质量，以家用电器包括空气进化器、空调、加湿器、门窗控制器和扫地机器人为例进行说明。
可选地，污染等级包括如下至少之一：细颗粒物的含量等级和地面的脏污等级。
具体地，上述的细颗粒物可以是空气中直径小于或等于2.5微米的颗粒物，也即PM2.5颗粒物，又称细粒、细颗粒，细颗粒物的含量等级可以是空气PM2.5值。上述的地面的脏污等级可以是将地面脏污程度进行划分，得到的多个等级。由于拍摄到的图像可以是室内图像也可以是室外图像，因此，污染等级中既包括室内PM2.5值，又包括室外PM2.5值。
在一种可选的实施例中，为了能够准确地从图像中识别出污染等级，可以预先通过机器学习训练出识别模型，该训练模型可以实现图像中的特征提取，并支持向量回归。可以根据室内污染等级，设置多种控制方式，室内污染等级越高，也即空气质量越差，为了提高空气质量，可以控制家用电器工作；并且空气质量越差，为了加快速度，可以控制家用电器的工作参数调整。在从图像中识别出室内的污染等级之后，可以根据污染等级确定是否控制家用电器工作，具体控制哪个家用电器进行工作，以及控制家用电器的工作参数。
通过本发明上述实施例，在获取到家用电器所在区域的图像之后，首先利用识别模型对区域的图像进行分析，得到区域的污染等级，然后基于区域的污染等级，控制家用电器的工作，实现实时根据室内的空气状态控制家用电器工作，而且通过识别模型对拍摄到的图像进行识别，从而达到提高空气质量，提高控制准确度，提升用户体验感和好感度的技术效果，进而解决了现有技术中家用电器的控制方法控制准确度低技术问题。
可选地，在本发明上述实施例中，控制器还用于利用第一子模型对区域的图像进行特征提取，得到特征向量，并利用第二子模型对特征向量进行分析，得到区域的污染等级。
可选地，第一子模型为包含多个层级的深度卷积神经网络，第二子模型为支持向量回归模型。
可选地，在本发明上述实施例中，控制器还用于获取多组数据，并建立第一初始模型和第二初始模型，利用多组数据对第一初始模型进行训练，得到第一子模型，利用第一子模型对多组数据进行特征提取，得到每组数据的特征矩阵，基于每组数据的特征矩阵，构建多组训练数据，利用多组训练数据对第二初始模型进行训练，得到第二子模型，其中，多组训练数据中的每组训练数据均包括：每组数据的特征矩阵，以及每组数据中的标签矩阵。
可选地，在本发明上述实施例中，控制器还用于利用交叉验证算法对多组训练数据进行处理，得到参数值，并利用参数值和多组训练数据对第二初始模型进行训练，得到第二子模型，其中，参数值包括：惩罚参数和核函数的半径。
可选地，在本发明上述实施例中，在污染等级包括：细颗粒物的含量等级的情况下，该系统还包括：检测装置。
其中，拍摄装置还用于拍摄多个样本图像；检测装置用于检测拍摄到每个样本图像时检测到的颗粒物的含量值；控制器还用于基于多个样本图像，以及每个样本图像对应的颗粒物的含量值，生成多组数据。
可选地，在本发明上述实施例中，在污染等级包括：地面的脏污等级的情况下，拍摄装置还用于拍摄多个样本图像；控制器还用于获取拍摄到每个样本图像时确定的预设判别方式，并基于多个样本图像，以及每个样本图像对应的预设判别方式，生成多组数据。
可选地，预设判别方式包括如下至少之一：地面水渍、地面颗粒、地面纸张、与初始地面图像进行比对。
可选地，在本发明上述实施例中，控制器还用于发送区域的图像至服务器，并接收服务器返回的区域的污染等级，其中，区域的污染等级是服务器利用识别模型对区域的图像进行分析得到的。
可选地，在本发明上述实施例中，拍摄装置包括如下至少之一：在区域内的摄像头和移动终端。
其中，摄像头用于拍摄空中图像或地面图像；移动终端用于拍摄天空图像。
可选地，在本发明上述实施例中，控制器还用于基于区域的污染等级，控制家用电器的工作状态和/或工作参数。
实施例4
根据本发明实施例，提供了一种存储介质的实施例，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上述实施例1中的家用电器的控制方法。
实施例5
根据本发明实施例，提供了一种处理器的实施例，处理器用于运行程序，其中，程序运行时执行上述实施例1中的家用电器的控制方法。
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 (16)

1.一种家用电器的控制方法，其特征在于，包括：
获取家用电器所在区域的图像；
利用识别模型对所述区域的图像进行分析，得到所述区域的污染等级，其中，所述识别模型是使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：所述区域的样本图像，以及所述样本图像对应的污染等级的标签矩阵；
基于所述区域的污染等级，控制所述家用电器的工作。
2.根据权利要求1所述的方法，其特征在于，所述污染等级包括如下至少之一：细颗粒物的含量等级和地面的脏污等级，所述家用电器包括如下至少之一：空气净化器、空调、加湿器、门窗控制器和扫地机器人。
3.根据权利要求2所述的方法，其特征在于，利用识别模型对所述区域的图像进行分析，得到所述区域的污染等级，包括：
利用第一子模型对所述区域的图像进行特征提取，得到特征向量；
利用第二子模型对所述特征向量进行分析，得到所述区域的污染等级。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取所述多组数据，并建立第一初始模型和第二初始模型；
利用所述多组数据对所述第一初始模型进行训练，得到所述第一子模型；
利用所述第一子模型对所述多组数据进行特征提取，得到每组数据的特征矩阵；
基于所述每组数据的特征矩阵，构建多组训练数据，其中，所述多组训练数据中的每组训练数据均包括：所述每组数据的特征矩阵，以及所述每组数据中的标签矩阵；
利用所述多组训练数据对所述第二初始模型进行训练，得到所述第二子模型。
5.根据权利要求4所述的方法，其特征在于，利用所述多组训练数据对所述第二初始模型进行训练，得到所述第二子模型，包括：
利用交叉验证算法对所述多组训练数据进行处理，得到参数值，其中，所述参数值包括：惩罚参数和核函数的半径；
利用所述参数值和所述多组训练数据对所述第二初始模型进行训练，得到所述第二子模型。
6.根据权利要求4所述的方法，其特征在于，在所述污染等级包括：所述细颗粒物的含量等级的情况下，获取所述多组数据包括：
获取拍摄到的多个样本图像，以及拍摄到每个样本图像时检测到的颗粒物的含量值；
基于所述多个样本图像，以及所述每个样本图像对应的颗粒物的含量值，生成所述多组数据。
7.根据权利要求4所述的方法，其特征在于，在所述污染等级包括：所述地面的脏污等级的情况下，获取所述多组数据包括：
获取拍摄到的多个样本图像，以及拍摄到每个样本图像时确定的预设判别方式；
基于所述多个样本图像，以及每个样本图像对应的预设判别方式，生成所述多组数据。
8.根据权利要求7所述的方法，其特征在于，所述预设判别方式包括如下至少之一：地面水渍、地面颗粒、地面纸张、与初始地面图像进行比对。
9.根据权利要求4所述的方法，其特征在于，所述第一子模型为包含多个层级的深度卷积神经网络，所述第二子模型为支持向量回归模型。
10.根据权利要求2所述的方法，其特征在于，在获取家用电器所在区域的图像之后，所述方法还包括：
发送所述区域的图像至服务器，并接收所述服务器返回的所述区域的污染等级，其中，所述区域的污染等级是所述服务器利用识别模型对所述区域的图像进行分析得到的。
11.根据权利要求2所述的方法，其特征在于，所述区域的图像包括如下至少之一：所述区域内的空中图像、所述区域外的天空图像和所述区域内的地面图像，其中，获取家用电器所在区域的图像包括如下至少之一：
获取设置在所述区域内的摄像头拍摄到的所述空中图像；
获取移动终端拍摄到的所述天空图像；
获取设置在所述区域内的摄像头拍摄到的所述地面图像。
12.根据权利要求2所述的方法，其特征在于，基于所述区域的污染等级，控制所述家用电器的工作包括：
基于所述区域的污染等级，控制所述家用电器的工作状态和/或工作参数。
13.一种家用电器的控制装置，其特征在于，包括：
获取模块，用于获取家用电器所在区域的图像；
处理模块，用于利用识别模型对所述区域的图像进行分析，得到所述区域的污染等级，其中，所述识别模型是使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：所述区域的样本图像，以及所述样本图像对应的污染等级的标签矩阵；
控制模块，用于基于所述区域的污染等级，控制所述家用电器的工作。
14.一种家用电器的控制系统，其特征在于，包括：
拍摄装置，用于拍摄家用电器所在区域的图像；
控制器，与所述拍摄装置连接，用于利用识别模型对所述区域的图像进行分析，得到所述区域的污染等级，并基于所述区域的污染等级，控制所述家用电器的工作，其中，所述识别模型是使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：所述区域的样本图像，以及所述样本图像对应的污染等级的标签矩阵。
15.一种存储介质，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12中任意一项所述的家用电器的控制方法。
16.一种处理器，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12中任意一项所述的家用电器的控制方法。
CN201811270176.3A 2018-10-29 2018-10-29 家用电器的控制方法、装置和系统 Active CN109358546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811270176.3A CN109358546B (zh) 2018-10-29 2018-10-29 家用电器的控制方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811270176.3A CN109358546B (zh) 2018-10-29 2018-10-29 家用电器的控制方法、装置和系统

Publications (2)

Publication Number Publication Date
CN109358546A true CN109358546A (zh) 2019-02-19
CN109358546B CN109358546B (zh) 2020-01-07

Family

ID=65347228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811270176.3A Active CN109358546B (zh) 2018-10-29 2018-10-29 家用电器的控制方法、装置和系统

Country Status (1)

Country Link
CN (1) CN109358546B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111007734A (zh) * 2019-12-12 2020-04-14 广东美的白色家电技术创新中心有限公司 家用电器的控制方法、家用电器、控制装置及存储装置
CN111067428A (zh) * 2019-12-23 2020-04-28 珠海格力电器股份有限公司 一种清洁方法、存储介质以及清洁设备
CN111524125A (zh) * 2020-04-28 2020-08-11 北京海益同展信息科技有限公司 一种设备清洁方法、装置、系统、电子设备及存储介质
CN111964209A (zh) * 2020-07-16 2020-11-20 厦门理工学院 一种智能空气净化方法和装置
US20210389015A1 (en) * 2019-02-27 2021-12-16 Daikin Industries, Ltd. Contamination information estimation system and air treatment device

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218622A (zh) * 2013-04-22 2013-07-24 武汉大学 一种基于计算机视觉的雾霾监测方法
CN103411980A (zh) * 2013-07-23 2013-11-27 同济大学 基于可见光图像的外绝缘污秽状态识别方法
CN107860101A (zh) * 2017-09-30 2018-03-30 珠海格力电器股份有限公司 空调设备的参数调整方法及装置、空调设备
CN108050676A (zh) * 2017-10-30 2018-05-18 珠海格力电器股份有限公司 空调及其控制方法、装置和系统
CN108253587B (zh) * 2017-11-29 2019-08-06 珠海格力电器股份有限公司 空气清洁度的调整方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218622A (zh) * 2013-04-22 2013-07-24 武汉大学 一种基于计算机视觉的雾霾监测方法
CN103411980A (zh) * 2013-07-23 2013-11-27 同济大学 基于可见光图像的外绝缘污秽状态识别方法
CN107860101A (zh) * 2017-09-30 2018-03-30 珠海格力电器股份有限公司 空调设备的参数调整方法及装置、空调设备
CN108050676A (zh) * 2017-10-30 2018-05-18 珠海格力电器股份有限公司 空调及其控制方法、装置和系统
CN108253587B (zh) * 2017-11-29 2019-08-06 珠海格力电器股份有限公司 空气清洁度的调整方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210389015A1 (en) * 2019-02-27 2021-12-16 Daikin Industries, Ltd. Contamination information estimation system and air treatment device
CN111007734A (zh) * 2019-12-12 2020-04-14 广东美的白色家电技术创新中心有限公司 家用电器的控制方法、家用电器、控制装置及存储装置
CN111067428A (zh) * 2019-12-23 2020-04-28 珠海格力电器股份有限公司 一种清洁方法、存储介质以及清洁设备
CN111524125A (zh) * 2020-04-28 2020-08-11 北京海益同展信息科技有限公司 一种设备清洁方法、装置、系统、电子设备及存储介质
CN111524125B (zh) * 2020-04-28 2023-09-01 京东科技信息技术有限公司 一种设备清洁方法、装置、系统、电子设备及存储介质
CN111964209A (zh) * 2020-07-16 2020-11-20 厦门理工学院 一种智能空气净化方法和装置

Also Published As

Publication number Publication date
CN109358546B (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN109358546A (zh) 家用电器的控制方法、装置和系统
CN109461168B (zh) 目标对象的识别方法和装置、存储介质、电子装置
CN107679465B (zh) 一种基于生成网络的行人重识别数据生成和扩充方法
CN108234870A (zh) 图像处理方法、装置、终端及存储介质
CN108253587B (zh) 空气清洁度的调整方法及装置
CN107860101A (zh) 空调设备的参数调整方法及装置、空调设备
CN107171872B (zh) 一种智能家居中用户行为预测方法
CN108198200A (zh) 跨摄像头场景下指定行人在线跟踪方法
CN106874857A (zh) 一种基于视频分析的活体判别方法及系统
CN108052199A (zh) 抽油烟机的控制方法、装置和抽油烟机
CN111104910B (zh) 垃圾投递行为监督方法及相关产品
CN109195011B (zh) 一种视频处理方法、装置、设备及存储介质
CN106970535A (zh) 一种控制方法及电子设备
CN109309809A (zh) 跨区域目标轨迹跟踪的方法及数据处理方法、装置和系统
CN106559645A (zh) 基于摄像机的监控方法、系统和装置
CN107547850A (zh) 大数据处理方法及大数据处理装置
CN110442738A (zh) 图片去重方法和装置，存储介质及电子装置
CN112767443A (zh) 目标跟踪方法、电子设备及相关产品
CN107852480A (zh) 一种信息智能采集方法与装置
SE537695C2 (sv) Metod och anordning för analys av periodisk rörelse
CN109727208A (zh) 滤镜推荐方法、装置、电子设备及存储介质
CN108052858A (zh) 抽油烟机的控制方法和抽油烟机
CN109240096A (zh) 设备控制方法及装置、存储介质、音量控制方法及装置
CN109343481B (zh) 一种控制设备的方法与设备
CN111089388A (zh) 控制空调的方法及系统、空调器、家用电器

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