CN109870211B - 储米设备内米量的检测方法、装置和米桶 - Google Patents

Abstract

本申请提出一种储米设备内米量的检测方法、装置和米桶，储米设备的内壁上设有刻度线，其中检测装置，包括：摄像单元，用于拍摄储米设备内部米谷的图像数据；处理单元，用于根据图像数据确定储米设备内的当前米量；其中，图像数据中显示有米谷表面与内壁的交界处刻度线的刻度值，根据图像数据检测储米设备内的当前米量，无需设置重量传感器，因此无需对储米设备进行改造，可以解决传统方法中，需要在底部安装重力传感器支撑板的问题，而且可以直接应用到现有的储米设备中，易于实现。

Description

储米设备内米量的检测方法、装置和米桶

技术领域

本申请涉及米桶领域，特别涉及储米设备内米量的检测方法、装置和米桶。

背景技术

米桶中的剩余米量，是日常生活中关系到何时要买米的指标之一。用户会根据米桶中的剩余米量的多少，决定是不是应该买米了。随着物联网的兴起，米桶将来也会越来越智能，米量信息是重要的信息，自然会被电子设备测量，并反馈给用户。目前市场上，使用的解决方案基本上是使用重力传感器进行测量，通过计重的方式，计算出米桶内剩余米量的多少，但这种计重方式，就需要在机械结构上进行设计，包括覆盖整个米桶底部的计重器秤盘。同时，我们要知道米桶中剩余米量，主要是为了预估一下米的多少，所以对精确度的要求较低，只要知道大概有多少米量就行。而现有技术中需要对米桶进行特殊设计以安装计重器秤盘，才能用重力传感器测量米量，这造成米桶结构复杂，且无法应用到已有的米桶上。

因此，在不增加米桶结构复杂度的情况下测量米量，是本领域亟待解决的问题。

发明内容

本申请提供了一种储米设备内米量的检测方法、装置和米桶，用于在不增加米桶结构复杂度的情况下测量米量。

为了解决上述问题，作为本申请的一个方面，提供了一种储米设备内米量的检测装置，储米设备的内壁上设有刻度线，包括：

摄像单元，用于拍摄储米设备内部米谷的图像数据；

处理单元，用于根据图像数据确定储米设备内的当前米量；

其中，图像数据中显示有米谷表面与内壁的交界处刻度线的刻度值。

可选的，还包括：显示单元，用于显示储米设备内的当前米量。

可选的，处理单元，包括：

神经网络模块，用于建立神经网络模型；

数据获取模块，用于从图像数据中获取参考数据，其中，参考数据包括刻度值；

数据输出模块，用于以参考数据作为输入值，采用神经网络模型生成输出值，输出值包括储米设备内的当前米量。

可选的，参考数据还包括：米谷表面的纹理特征、图像数据的清晰度中的一个或多个。

可选的，参考数据包括：图像数据的清晰度；

输出值还包括：当前米量的当前可信度。

可选的，处理单元还用于：

在当前可信度低于预设可信度时，重新获取图像数据并根据重新获取的图像数据重新确定当前米量和当前可信度。

可选的，处理单元还用于：

当连续N次重新确定的当前可信度均低于预设可信度时；

根据已经确定的各个历史米量和对应的历史可信度确定储米设备的当前米量和当前可信度。

可选的，处理单元还用于：根据当前米量和当前可信度给出米量误差值。

本申请还提出一种储米设备内米量的检测方法，储米设备的内壁上设有刻度线，包括：

拍摄储米设备内部米谷的图像数据；

根据图像数据确定储米设备内的当前米量；

其中，图像数据中显示有米谷表面与内壁的交界处刻度线的刻度值。

可选的，还包括：显示储米设备内的当前米量。

可选的，根据图像数据确定储米设备内的当前米量，包括：

建立神经网络模型；

从图像数据中获取参考数据，其中，参考数据包括刻度值；

以参考数据作为输入值，采用神经网络模型生成输出值；

其中，输出值包括储米设备内的当前米量。

可选的，参考数据还包括：米谷表面的纹理特征、图像数据的清晰度中的一个或多个。

可选的，参考数据包括：图像数据的清晰度；

输出值还包括：当前米量的当前可信度。

可选的，还包括：

在当前可信度低于预设可信度时，重新获取图像数据并根据重新获取的图像数据重新确定当前米量和当前可信度。

可选的，处理单元还用于：

当连续N次重新确定的当前可信度均低于预设可信度时；

根据已经确定的各个历史米量和对应的历史可信度确定储米设备的当前米量和当前可信度。

可选的，还包括：根据当前米量和当前可信度给出米量误差值。

本申请还提出一种米桶，包括本申请提出的任一的检测装置。

本申请还提出一种米桶，包括处理器、存储器以及存储在存储器上可在处理器上运行的程序，处理器执行程序时实现本申请提出的任一方法的步骤。

本申请提出了一种储米设备内米量的检测方法、装置和米桶，根据图像数据检测储米设备内的当前米量，无需设置重量传感器，因此无需对储米设备进行改造，可以解决传统方法中，需要在底部安装重力传感器支撑板的问题，而且可以直接应用到现有的储米设备中，易于实现。

附图说明

图1为本申请实施例中一种储米设备内米量的检测装置的组成图；

图2为本申请实施例中一种检测装置和储米设备的配合图；

图3为本申请实施例中另一种储米设备内米量的检测装置的组成图；

图4为本申请实施例中一种处理单元的组成图；

图5为本申请实施例中一种储米设备内米量的检测装置工作时的流程图；

图6为本申请实施例中一种储米设备内米量的检测方法的流程图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

需要说明的是，本申请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，以便这里描述的本申请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、装置、产品或空调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、产品或空调固有的其它步骤或单元。

在现有技术中，检测米桶内的米量时，多采用在米桶底部设置重量传感器的方式进行检测，而要在米桶底部设置重量传感器需要在米桶底部设置重力传感器的支撑板，造成米桶结构复杂，且难以应用到现有的米桶内，为了解决上述问题，本申请提出一种结构简单、通用性强的检测装置，如图1所示，本申请提出的储米设备内米量的检测装置，储米设备的内壁上设有刻度线；包括：

摄像单元10，用于拍摄储米设备内部米谷的图像数据；

处理单元20，用于根据图像数据确定储米设备内的当前米量；

具体的，图像数据中显示有米谷表面与内壁的交界处刻度线的刻度值。在本申请中储米设备例如可以是米桶，其与检测装置的配合图如图2所示，储米设备上设有开口，用于存入和取出米谷，在储米设备的内壁上可以可有刻度线，也可以是粘贴刻度线，或是沿内壁插入一个具有刻度线的标尺，刻度线上显示有对应的刻度值，例如图2中的1、2、3，图2中的n用作示意性的表示其他刻度线的刻度值，图中的刻度值可以表示该刻度线对应的米量的体积，摄像单元10可以是摄像头，拍摄的图像数据可以是照片也可以是视频，储米设备内存储了米谷，米谷与储米设备的内壁的交界处的刻度值表征了储米设备内米谷的米量，刻度值例如可以是显示刻度位置距离储米设备部底部的高度距离，结合储米设备的底面积就可以知道各个刻度值对应的米量。需要注意的是，米谷与储米设备内壁的交界为一个环形的交界环，该交界环不一定是圆形，因此，米谷与储米设备内壁的交界处对应的刻度值可以是多个，图像数据中显示有至少一个刻度值，根据刻度值就可以确定储米设备内的当前米量，例如可以是直接用拍摄到的刻度值或刻度值的平均值作为当前米量，此时确定的当前米量存在一定误差，但是，在实际情况，用户并不需要非常精准的米量值，只需要一个大致的米量值来判断是否需要购买新的米谷，即用户的米量的准确度要求较低。本实施例中的检测装置能够根据图像数据检测储米设备内的当前米量，与现有技术相比，无需设置重量传感器，因此无需对储米设备进行改造，可以解决传统方法中，需要在底部安装重力传感器支撑板的问题，而且可以直接应用到现有的储米设备中，如果现有的储米设备的内壁没有刻度线，只需要额外购置一个刻度尺即可，因此，本实施例中的检测装置具有较好的易用性，方便安装，易于实现。

可选的，在本申请提出的检测装置中，如图2和3所示，还包括：显示单元30，用于显示储米设备内的当前米量。显示单元30例如可以是液晶显示器，本申请中的检测装置还可以包括通信单元，用于与绑定终端通信连接，绑定的终端可以通过通信单元获取当前米量，或是向检测装置发射控制指令以获取当前米量。

可选的，如图4所示，本实施例中处理单元20，包括：

神经网络模块21，用于建立神经网络模型；

数据获取模块22，用于从图像数据中获取参考数据，其中，参考数据包括刻度值；

数据输出模块23，用于以参考数据作为输入值，采用神经网络模型生成输出值，输出值包括储米设备内的当前米量。

具体的，在本实施例中神经网络模型可以是卷积神经网络、深度神经网络或残差神经网络中的一种，在建立神经网络模型时，预先测出米量值，然后建立参考数据与米量值之间的连接关系，连接关系是以参考数据为输入的函数，输出值包括当前米量，用该函数作为隐藏层，从而得到神经网络模型。本实施例中采用图像识别技术，从图像数据中获取刻度值。

可选的，参考数据还包括：米谷表面的纹理特征、图像数据的清晰度中的一个或多个。优选参考数据包括：刻度值、纹理特征和图像数据的清晰度，其中纹理特征包括图像的灰度，根据图像的灰度可以确定颜色变化、阴影和凉的色深浅等信息，这些信息用于预估米谷表面是否平整，即本实施例中优选图像数据拍摄有米谷整个上表面，通过纹理特征确定米谷上表面的起伏状态，起伏状态决定了临近米谷上表面的米谷的体积。而图像数据的清晰度决定了计算出的当前米量的误差大小。

可选的，参考数据包括：图像数据的清晰度；输出值还包括：当前米量的当前可信度。

具体的，当图像数据的清晰度较低时，获取的当前米量的当前可信度较低，因为给出的当前米量存在误差，如果不给出当前可信度，用户只根据当前米量判断是否需要购买米谷则容易出现判断错误的情况，因为当图像数据的清晰度较低时可能高估米谷的量，这样会出现米谷不足而用户没有购置米谷的情况，降低用户的体验，因此本实施例中通过给出当前米量的当前可信度，从而使得用户在判断是否需要购置米谷时更加准确，防止出现“断粮”的情况。

可选的，处理单元20还用于：在当前可信度低于预设可信度时，重新获取图像数据并根据重新获取的图像数据重新确定当前米量和当前可信度。

具体的，在当前可信度低于预设可信度时，表明当前米量存在较大误差，因此重新获取图像数据重新计算，直到当前可信度不低于预设可信度。

可选的，处理单元20还用于：当连续N次重新确定的当前可信度均低于预设可信度时；根据已经确定的各个历史米量和对应的历史可信度确定储米设备的当前米量和当前可信度。

具体的，历史米量就是N次重新确定的可信度低于预设可信度的米量，而历史可信度就是历史米量对应的可信度。可以采用加权算法确定当前米量和当前可信度，先分别为各个历史米量设置权重值，权重值正比于历史可信度值，历史可信度值越高，对应的权重值越高，然后用加权算法进行计算得到当前米量和当前可信度。

可选的，处理单元20还用于：根据当前米量和当前可信度给出米量误差值。

可选的，米量误差值＝当前米量*(1-当前可信度)，通过给出米量误差值，就相当于给出了当前米量的数值范围，因此，用户可以更加准确的确定是否需要购买米谷，防止因为计算的当前米量存在误差导致用户购买米不及时。

为了更好的说明本申请的有益效果，以下给出一优选的实施例。

本实施例中检测装置的工作过程如图5所示，利用摄像头作为摄像单元拍照，采集图像数据，对储米设备内部的米谷进行拍照扫描，将扫描得到的图像数据进行处理，提取得到参考数据，再把参考数据传送给预设有神经网络算法的处理单元，生成输出值，并判断当前可信度是否偏低，在当前可信度偏低时重新获取图像数据。具体实施步骤如下：

本实施例中检测装置设置在米桶上，包括显示单元，接收来自处理单元的输出值，包括显示当前米量。还包括摄像单元，用来对米桶内的米谷进行扫描拍照，生成图片数据，将图片数据发送给处理单元。处理单元运行神经网络算法，神经网络算法根据图片数据中提取的参考数据，从而估算出当前米桶中剩余的当前米量。在本实施例中，米桶的内壁上设有刻度线，在摄像单元拍摄图像数据时，需要拍摄到暴露在米谷上表面的刻度线的刻度值，刻度值是神经网络算法的重要输入值。米桶内的刻度线可以是环形，也可以是类似于尺子一样的刻度形状，刻度之间可以有数字标号，用以表示刻度值。

在本申请提出的检测装置工作时，通过摄像头拍摄图像数据，对米桶内部的米谷进行拍照，拍照生成的图片数据，发送给处理单元，处理单元的神经网络算法，运用图片上提取的参考数据，估算出米桶内部剩余的当前米量，而后将估算的当前米量，通过显示器或者其它人机交互设备显示。

在本实施例中，在建立神经网络模型时，先确定神经网络算法的输入值，输入值包括刻度值、米谷的平整程度、图像数据的清晰程度等，刻度值是图像数据中米谷上表面和米桶内壁的接触点的位置，通过数字识别技术出这个接触点上的刻度值。由于米桶内壁是环形的，内壁上的刻度也是环形的。一边的米谷的上表面可能在刻度值为3的位置上和内壁接触，另一边米谷的上表面可能在刻度值为2的位置上和内壁接触，这样就形成在内壁上，最上层米谷和内壁有很多个接触点，也就有很多个刻度值数据。可以使用数组来表示这些多个刻度值，这个数组就是图像识别得到的刻度值，它是神经网络算法的输入值之一。平整程度是通过图像数据中米谷上表面的纹理特性确定的，使用图片纹理提取技术提取出来米谷上表面的平整程度，比如，米桶内中间部分被掏空了，米谷上表面和米桶内壁接触部分的米谷就比较高，中间的米比较少，因此不能仅仅依靠刻度值，而是需要结合平整程度确定当前米量。图像数据的清晰度可信度的预测有很重要的影响，如果图片模糊不清，输出结果的可信度就低，预测结果就不准确。在建立神经网络模型时，主要的工作就是确定隐藏层，隐藏层是计算方法。这些计算方法是根据刻度值、平整度、清晰度等输入值，得到输出值的函数。最后是输出当前米量和对饮的当前可信度。

在确定隐含层时，可以先假设一个当前米量的计算公式，例如计算可以为：

y＝刻度值×W1+平整度×W2+清晰度×W3

其中y为当前米量，W1、W2、W3是三个参数，它们可以是多维数组。比如W3可能是0，因为我们知道，拍照得到的图片清晰不清晰，并不影响米桶中实际的米量，在确定W1、W2和W3时，可以预先拍摄多张图片，将每张图片的刻度值、平整度、清晰度与剩余米量对应起来，比如刻度值＝10、平整度＝0.9、清晰度＝0.8，事先用标准量具量好的米量为10升。这样一一对应起来，做好多张张图片标记。将上面标记好的数据，放入假设的公式中，不断调整W1、W2、W3这三个参数，最终得到这三个的参数值。这样就有了函数去进行隐藏层计算。

如图6所示，本申请还提出一种储米设备内米量的检测方法，本实施例中储米设备的内壁上设有刻度线，检测方法包括：

S11：拍摄储米设备内部米谷的图像数据；

S12：根据图像数据确定储米设备内的当前米量；

其中，图像数据中显示有米谷表面与内壁的交界处刻度线的刻度值。本实施例中的检测方法能够根据图像数据检测储米设备内的当前米量，与现有技术相比，无需设置重量传感器，因此无需对储米设备进行改造，可以解决传统方法中，需要在底部安装重力传感器支撑板的问题，具有较好的易用性，易于实现。

可选的，还包括：显示储米设备内的当前米量。

可选的，根据图像数据确定储米设备内的当前米量，包括：

建立神经网络模型；

从图像数据中获取参考数据，其中，参考数据包括刻度值；

以参考数据作为输入值，采用神经网络模型生成输出值；

其中，输出值包括储米设备内的当前米量。

可选的，参考数据还包括：米谷表面的纹理特征、图像数据的清晰度中的一个或多个。优选参考数据包括：刻度值、纹理特征和图像数据的清晰度，其中纹理特征包括图像的灰度，根据图像的灰度可以确定颜色变化、阴影和凉的色深浅等信息，这些信息用于预估米谷表面是否平整，即本实施例中优选图像数据拍摄有米谷整个上表面，通过纹理特征确定米谷上表面的起伏状态。而图像数据的清晰度决定了计算出的当前米量的误差大小。

可选的，参考数据包括：图像数据的清晰度；

输出值还包括：当前米量的当前可信度。

可选的，还包括：在当前可信度低于预设可信度时，重新获取图像数据并根据重新获取的图像数据重新确定当前米量和当前可信度。

可选的，还包括：当连续N次重新确定的当前可信度均低于预设可信度时；

根据已经确定的各个历史米量和对应的历史可信度确定储米设备的当前米量和当前可信度。

可选的，还包括：根据当前米量和当前可信度给出米量误差值。

本申请提出的方法可以采用本申请提出的任一的检测装置实施。

本申请还提出一种米桶，包括本申请提出的任一的检测装置。

本申请还提出一种米桶，包括处理器、存储器以及存储在存储器上可在处理器上运行的程序，处理器执行程序时实现本申请提出的任一方法的步骤。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种储米设备内米量的检测装置，所述储米设备的内壁上设有刻度线，其特征在于，包括：

摄像单元，用于拍摄所述储米设备内部米谷的图像数据；

处理单元，用于根据所述图像数据确定所述储米设备内的当前米量；

其中，所述图像数据中显示有米谷表面与所述内壁的交界处刻度线的刻度值；

处理单元，包括：

神经网络模块，用于建立神经网络模型；

数据获取模块，用于从所述图像数据中获取参考数据，其中，所述参考数据包括所述刻度值；

数据输出模块，用于以所述参考数据作为输入值，采用所述神经网络模型生成输出值，所述输出值包括所述储米设备内的当前米量；

所述参考数据还包括：所述米谷表面的纹理特征、所述图像数据的清晰度中的一个或多个；

所述参考数据包括：所述图像数据的清晰度；

所述输出值还包括：所述当前米量的当前可信度；

所述处理单元还用于：

在所述当前可信度低于预设可信度时，重新获取图像数据并根据重新获取的图像数据重新确定所述当前米量和所述当前可信度；

所述处理单元还用于：

当连续N次重新确定的当前可信度均低于预设可信度时；

根据已经确定的各个历史米量和对应的历史可信度确定所述储米设备的当前米量和当前可信度。

2.根据权利要求1所述的储米设备内米量的检测装置，其特征在于，还包括：

显示单元，用于显示所述储米设备内的当前米量。

3.根据权利要求1-2任一项所述的储米设备内米量的检测装置，其特征在于，所述处理单元还用于：根据所述当前米量和所述当前可信度给出米量误差值。

4.一种储米设备内米量的检测方法，所述储米设备的内壁上设有刻度线，其特征在于，包括：

拍摄所述储米设备内部米谷的图像数据；

根据所述图像数据确定所述储米设备内的当前米量；

其中，所述图像数据中显示有米谷表面与所述内壁的交界处刻度线的刻度值；

根据所述图像数据确定所述储米设备内的当前米量，包括：

建立神经网络模型；

从所述图像数据中获取参考数据，其中，所述参考数据包括所述刻度值；

以所述参考数据作为输入值，采用所述神经网络模型生成输出值；

其中，所述输出值包括所述储米设备内的当前米量；

所述参考数据还包括：所述米谷表面的纹理特征、所述图像数据的清晰度中的一个或多个；

所述参考数据包括：所述图像数据的清晰度；

所述输出值还包括：所述当前米量的当前可信度；

在所述当前可信度低于预设可信度时，重新获取图像数据并根据重新获取的图像数据重新确定所述当前米量和所述当前可信度；

当连续N次重新确定的当前可信度均低于预设可信度时；

根据已经确定的各个历史米量和对应的历史可信度确定所述储米设备的当前米量和当前可信度。

5.根据权利要求4所述的储米设备内米量的检测方法，其特征在于，还包括：

显示所述储米设备内的当前米量。

6.根据权利要求4-5任一项所述的储米设备内米量的检测方法，其特征在于，还包括：根据所述当前米量和所述当前可信度给出米量误差值。

7.一种米桶，其特征在于，包括如权利要求1-3任一所述的检测装置。

8.一种米桶，其特征在于，包括处理器、存储器以及存储在存储器上可在处理器上运行的程序，所述处理器执行所述程序时实现权利要求4-6任一所述方法的步骤。

Images