CN110210579A - 在线实时监测空调机组微生物污染的方法及装置 - Google Patents
在线实时监测空调机组微生物污染的方法及装置 Download PDFInfo
- Publication number
- CN110210579A CN110210579A CN201910531274.6A CN201910531274A CN110210579A CN 110210579 A CN110210579 A CN 110210579A CN 201910531274 A CN201910531274 A CN 201910531274A CN 110210579 A CN110210579 A CN 110210579A
- Authority
- CN
- China
- Prior art keywords
- image
- microbial contamination
- conditioner set
- disaggregated model
- unit
- 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.)
- Pending
Links
- 238000011109 contamination Methods 0.000 title claims abstract description 90
- 230000000813 microbial effect Effects 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 244000005700 microbiome Species 0.000 description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000004378 air conditioning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 241000894006 Bacteria Species 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- BVPWJMCABCPUQY-UHFFFAOYSA-N 4-amino-5-chloro-2-methoxy-N-[1-(phenylmethyl)-4-piperidinyl]benzamide Chemical compound COC1=CC(N)=C(Cl)C=C1C(=O)NC1CCN(CC=2C=CC=CC=2)CC1 BVPWJMCABCPUQY-UHFFFAOYSA-N 0.000 description 1
- DBAKFASWICGISY-BTJKTKAUSA-N Chlorpheniramine maleate Chemical compound OC(=O)\C=C/C(O)=O.C=1C=CC=NC=1C(CCN(C)C)C1=CC=C(Cl)C=C1 DBAKFASWICGISY-BTJKTKAUSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000027272 reproductive process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种在线实时监测空调机组微生物污染的方法,包括:步骤S1,拍摄获取空调机组中关键点在预定时间段内的各个图像,并根据预设的污染特征对各个图像进行判断以及标记,保存标记的图像;步骤S2,根据标记的各个图像的污染特征,由卷积神经网络进行迭代训练,得到分类模型;步骤S3,实时拍摄空调机组中关键点的图像,提取该图像的污染特征,并载入分类模型中进行分类后判断得出关键点的微生物污染程度,当关键点的微生物污染程度达到预设的污染风险等级后发出报警讯号。本发明还公开了一种在线实时监测空调机组微生物污染的装置,能够在线实时监测空调机组微生物污染程度。
Description
技术领域
本发明涉及空气调节技术领域,具体涉及监测空调机组微生物污染的装置和方法。
背景技术
微生物滋生需要一定的必要条件,水分、适宜的温度、有机物(如尘埃)。空调机组在运行过程中吸入的室外新风和室内回风都含有大量的微生物,经空调机组内热湿处理装置(冷却、去湿、加热、加湿)处理过程中,形成了适合微生物滋生的条件。在空调箱内表面,冷却去湿盘管,冷凝水盘与排水水封,加湿器及其存水容器都有可能成为微生物滋生的场所。尽管空调机组内空气过滤装置可以除去大量的微生物与尘埃,降低了空调机组微生物污染的风险。但是大量被除去的微生物与尘埃积累在空气过滤装置表面,特别是空气过滤器表面受潮时也会促成微生物不断积存和繁殖。当空调箱在整个系统停机期间(如下班或放假),室外空气渗入、箱内温度回升以及冷凝水的积水不断蒸发,箱内的空间又成为微生物繁殖的理想场所,在停机期间(至少也有10个小时)会大量滋生。
微生物在繁殖过程中会产生多种有害的代谢物,如气味、毒素、过敏物质(如细胞膜、碎屑、分泌物)及尸体,对人的危害不亚于活的微生物。为防范空调机组微生物污染对室内人员产生负面影响,在线实时监测空调机组微生物污染水平至关重要。
在线实时监测微生物污染目前尚无有效方法。因为微生物很小,肉眼不可见,对监测的目标物的采样进行微生物水平评价,不管是悬浮菌、表面附着菌还是水中含菌,通常要合适的培养基在规定的温度与规定的时间来培育微生物(如恒温37℃培养24h),然后计数生成的菌落数。这就是说检测目标物的微生物水平是一种滞后的过程,无法实现实时监测。
发明内容
本发明的目的在于提供一种在线实时监测空调机组微生物污染的方法和装置,在线实时监测空调机组微生物污染程度。
实现上述目的的技术方案是:
一种在线实时监测空调机组微生物污染的方法,包括:
步骤S1,拍摄获取空调机组中关键点在预定时间段内的各个图像,并根据预设的污染特征对各个图像进行判断以及标记,保存标记的图像;
步骤S2,根据标记的各个图像的污染特征,由卷积神经网络进行迭代训练,得到分类模型;以及
步骤S3,实时拍摄空调机组中关键点的图像,提取该图像的污染特征,并载入分类模型中进行分类后判断得出关键点的微生物污染程度,当关键点的微生物污染程度达到预设的污染风险等级后发出报警讯号。
优选的,所述步骤S2包括:
步骤S21,预先设置分类模型的参数;
步骤S22,根据标记的各个图像的污染特征以及分类模型的参数,由卷积神经网络进行迭代训练,得到测试数据集;以及
步骤S23,根据测试数据集对分类模型进行测试,并根据测试结果调整分类模型的参数,返回执行所述步骤S22,直至分类模型测试结果的准确率达标。
优选的,所述的预定时间段指:关键点从发生微生物污染前到发生微生物污染后的整个过程的时间。
一种在线实时监测空调机组微生物污染的装置,包括:
至少一个摄像装置;
通过无线网络与所述至少一个摄像装置连接的图像处理识别装置,其一方面接收所述至少一个摄像装置拍摄的空调机组中关键点在预定时间段内的各个图像,并根据预设的污染特征对各个图像进行判断以及标记,保存标记的图像,再根据标记的各个图像的污染特征,由卷积神经网络进行迭代训练,得到分类模型,其另一方面接收所述至少一个摄像装置实时拍摄的空调机组中关键点的图像,提取该图像的污染特征,并载入分类模型中进行分类后判断得出关键点的微生物污染程度;以及
与所述图像处理识别装置连接的报警装置,其接收所述图像处理识别装置输出的微生物污染程度判断结果,并当微生物污染程度达到预设的污染风险等级后发出报警讯号。
优选的,所述图像处理识别装置包括:接收单元、处理单元、图像存储单元、人机交互单元、模型训练单元、分类模型单元和污染特征提取单元,其中,
所述接收单元接收图像,并传递给所述处理单元;
所述处理单元在所述人机交互单元的控制下,一方面根据预设的污染特征对图像进行判断和标记,并将标记的图像保存至所述图像存储单元,另一方面将图像发送至所述污染特征提取单元中提取出图像的污染特征,并将提取出的图像的污染特征载入保存在所述分类模型单元中的分类模型;
所述模型训练单元根据所述图像存储单元中的各标记的图像,由卷积神经网络进行迭代训练,并将得到的分类模型保存至所述分类模型单元;
所述分类模型单元对载入分类模型的图像的污染特征进行分类后判断得出关键点的微生物污染程度。
优选的,所述处理单元在所述人机交互单元的控制下,在所述模型训练单元进行迭代训练前预先设置分类模型的参数,并在所述模型训练单元进行迭代训练时调整分类模型的参数。
本发明的有益效果是:本发明完全改变了传统的依靠检测数据来判断微生物污染的方法。提出了以基于深度学习(神经网络)的图像识别技术为核心的在线实时监测微生物污染的方法。通过在空调机组中对每个监测的目标物,按需实时拍摄监测目标物的图像,再通过网络传输至图像处理识别装置,利用卷积神经网络进行特征提取和分类判断,根据计算得到的不同结果提示预警或更换等处理建议,达到完全取代传统的人工判断的目的。由于网络摄像技术与装置已经十分成熟,价格也趋向合理,加上目前普通PC的计算力完全能满足要求,这为本发明的实用化奠定了基础。所以,本发明结构简单,构思新颖,成本低廉,能在线、实时、有效监测,并起到及时预警空调机组微生物污染的作用。
附图说明
图1是本发明的在线实时监测空调机组微生物污染的方法的流程图;
图2是本发明的在线实时监测空调机组微生物污染的装置的结构图;
图3是本发明中图像处理识别装置的结构图;
图4是本发明在线实时监测空调机组微生物污染的方法的步骤S2的流程图。
具体实施方式
下面将结合附图对本发明作进一步说明。
本发明将在线实时监测微生物污染作为一种预警技术,即预先发出微生物污染的警示,提出对被污染的目标物进行干预的要求,如消毒、清洗或更换。
本发明跳出传统的微生物检测来评价微生物水平的思路,微生物的污染评价可以设计成对照试验,即是定性评价而不是定量评价。如平时我们感觉室内有异味(俗称霉味),或表面出现霉点、菌斑或其他表象,相比平时无异味或无表象的状态,会从感官上认为发生微生物污染了,这就是以定性方式进行判别,用的是对照方法。由于空调机组对大量空气进行处理,流量大、流速快,即使刚呈现微生物污染发生异味,很快被流经的空气稀释了,而且气味传感器尚未产品化。相对而言,用监测的目标物的表象变化进行对照,来判别微生物污染是一种十分可行而有效的方法。因为空气调节处理过程都是按要求而规定的,空调机组的各热湿处理段内的状态不会变化,发生微生物污染状态与表象也是基本类似。
请参阅图1,本发明的在线实时监测空调机组微生物污染的方法,包括下列步骤:
步骤S1,拍摄获取空调机组中关键点在预定时间段内的各个图像,并根据预设的污染特征对各个图像进行判断以及标记,保存标记的图像。完成数据积累。预定时间段指:关键点从发生微生物污染前,到发生微生物污染后,整个过程的时间。关键点包括:冷却去湿盘管、冷凝水盘、排水水封、加湿器及空气过滤器。
步骤S2,根据标记的各个图像的污染特征,由卷积神经网络进行迭代训练,得到分类模型。具体地,如图4所示,步骤S2包括:
步骤S21,预先设置分类模型的参数;
步骤S22,根据标记的各个图像的污染特征以及分类模型的参数,由卷积神经网络进行迭代训练,得到测试数据集;以及
步骤S23,根据测试数据集对分类模型进行测试,并根据测试结果调整分类模型的参数,返回执行所述步骤S22,直至分类模型测试结果的准确率达标。
步骤S3,实时拍摄空调机组中关键点的图像,提取该图像的污染特征,载入分类模型进行分类后判断得出关键点的微生物污染程度,当关键点的微生物污染程度达到预设的污染风险等级后发出报警讯号。
步骤S1-S3中,图像获取后都进行预处理后使用。
请参阅图2,本发明的在线实时监测空调机组微生物污染的装置,包括:至少一个摄像装置1、无线网络2、图像处理识别装置3和报警装置4。
摄像装置1用于拍摄空调机组中关键点的图像。无线网络2采用现有技术,本实施例中,采用无线连接的两个无线路由器实现。
图像处理识别装置3通过无线网络2接收图像。其一方面接收关键点在预定时间段内的各个图像,并根据预设的污染特征对各个图像进行判断以及标记,保存标记的图像,再根据标记的各个图像的污染特征,由卷积神经网络进行迭代训练,得到分类模型,其另一方面接收空调机组中关键点的图像,提取该图像的污染特征,并载入分类模型中进行分类后判断得出关键点的微生物污染程度。图像处理识别装置3一般采用计算机实现。
报警装置4接收图像处理识别装置3输出的微生物污染程度判断结果,并当微生物污染程度达到预设的污染风险等级后发出报警讯号。通知空调设施管理部门准备进行相应干预。
具体地,请参阅图3,图像处理识别装置3包括接收单元31、处理单元32、图像存储单元33、人机交互单元34、模型训练单元35、分类模型单元36和污染特征提取单元37。
接收单元31接收图像,并传递给处理单元32。处理单元32接受人机交互单元34控制,对图像进行判断和标记,保存标记的图像至图像存储单元33。
模型训练单元35根据图像存储单元中33中的各标记的图像,由卷积神经网络进行迭代训练,得到的分类模型存入分类模型单元36。
处理单元32接受人机交互单元34控制,在模型训练单元35进行迭代训练时设置或调整分类模型的参数。
处理单元32接受人机交互单元34控制,将图像发送给污染特征提取单元37提取污染特征,并载入分类模型单元36中的分类模型。
分类模型单元36中分类模型对载入的图像的污染特征进行分类后判断得出关键点的微生物污染程度。
综上,本发明能够起到及时预警空调机组微生物污染的作用。
以上实施例仅供说明本发明之用,而非对本发明的限制,有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下,还可以作出各种变换或变型,因此所有等同的技术方案也应该属于本发明的范畴,应由各权利要求所限定。
Claims (6)
1.一种在线实时监测空调机组微生物污染的方法,其特征在于,包括:
步骤S1,拍摄获取空调机组中关键点在预定时间段内的各个图像,并根据预设的污染特征对各个图像进行判断以及标记,保存标记的图像;
步骤S2,根据标记的各个图像的污染特征,由卷积神经网络进行迭代训练,得到分类模型;以及
步骤S3,实时拍摄空调机组中关键点的图像,提取该图像的污染特征,并载入分类模型中进行分类后判断得出关键点的微生物污染程度,当关键点的微生物污染程度达到预设的污染风险等级后发出报警讯号。
2.根据权利要求1所述的在线实时监测空调机组微生物污染的方法,其特征在于,所述步骤S2包括:
步骤S21,预先设置分类模型的参数;
步骤S22,根据标记的各个图像的污染特征以及分类模型的参数,由卷积神经网络进行迭代训练,得到测试数据集;以及
步骤S23,根据测试数据集对分类模型进行测试,并根据测试结果调整分类模型的参数,返回执行所述步骤S22,直至分类模型测试结果的准确率达标。
3.根据权利要求1所述的在线实时监测空调机组微生物污染的方法,其特征在于,所述的预定时间段指:关键点从发生微生物污染前到发生微生物污染后的整个过程的时间。
4.一种在线实时监测空调机组微生物污染的装置,其特征在于,包括:
至少一个摄像装置;
通过无线网络与所述至少一个摄像装置连接的图像处理识别装置,其一方面接收所述至少一个摄像装置拍摄的空调机组中关键点在预定时间段内的各个图像,并根据预设的污染特征对各个图像进行判断以及标记,保存标记的图像,再根据标记的各个图像的污染特征,由卷积神经网络进行迭代训练,得到分类模型,其另一方面接收所述至少一个摄像装置实时拍摄的空调机组中关键点的图像,提取该图像的污染特征,并载入分类模型中进行分类后判断得出关键点的微生物污染程度;以及
与所述图像处理识别装置连接的报警装置,其接收所述图像处理识别装置输出的微生物污染程度判断结果,并当微生物污染程度达到预设的污染风险等级后发出报警讯号。
5.根据权利要求4所述的在线实时监测空调机组微生物污染的装置,其特征在于,所述图像处理识别装置包括:接收单元、处理单元、图像存储单元、人机交互单元、模型训练单元、分类模型单元和污染特征提取单元,其中,
所述接收单元接收图像,并传递给所述处理单元;
所述处理单元在所述人机交互单元的控制下,一方面根据预设的污染特征对图像进行判断和标记,并将标记的图像保存至所述图像存储单元,另一方面将图像发送至所述污染特征提取单元中提取出图像的污染特征,并将提取出的图像的污染特征载入保存在所述分类模型单元中的分类模型;
所述模型训练单元根据所述图像存储单元中的各标记的图像,由卷积神经网络进行迭代训练,并将得到的分类模型保存至所述分类模型单元;
所述分类模型单元对载入分类模型的图像的污染特征进行分类后判断得出关键点的微生物污染程度。
6.根据权利要求5所述的在线实时监测空调机组微生物污染的装置,其特征在于,所述处理单元在所述人机交互单元的控制下,在所述模型训练单元进行迭代训练前预先设置分类模型的参数,并在所述模型训练单元进行迭代训练时调整分类模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910531274.6A CN110210579A (zh) | 2019-06-19 | 2019-06-19 | 在线实时监测空调机组微生物污染的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910531274.6A CN110210579A (zh) | 2019-06-19 | 2019-06-19 | 在线实时监测空调机组微生物污染的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110210579A true CN110210579A (zh) | 2019-09-06 |
Family
ID=67793504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910531274.6A Pending CN110210579A (zh) | 2019-06-19 | 2019-06-19 | 在线实时监测空调机组微生物污染的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210579A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3789838A1 (en) * | 2019-09-09 | 2021-03-10 | Alisea S.r.l. | Systems and methods for artificial intelligence-based maintenance of an air conditioning system |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477630A (zh) * | 2009-02-17 | 2009-07-08 | 吴俊� | 智能化水处理微生物机器视觉辨识系统和方法 |
CN105087797A (zh) * | 2015-03-30 | 2015-11-25 | 清华大学 | 确定空气中微生物种类及致病微生物污染状况的方法 |
CN107037843A (zh) * | 2017-04-05 | 2017-08-11 | 合肥酷睿网络科技有限公司 | 一种基于arm处理器的工厂车间空气环境管控系统 |
CN107340371A (zh) * | 2017-08-01 | 2017-11-10 | 深圳市盛路物联通讯技术有限公司 | 一种水质检测方法及系统 |
CN108195028A (zh) * | 2017-11-29 | 2018-06-22 | 珠海格力电器股份有限公司 | 空气调节设备清洁信息的推送方法及装置 |
CN108520206A (zh) * | 2018-03-22 | 2018-09-11 | 南京大学 | 一种基于全卷积神经网络的真菌显微图像识别方法 |
-
2019
- 2019-06-19 CN CN201910531274.6A patent/CN110210579A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477630A (zh) * | 2009-02-17 | 2009-07-08 | 吴俊� | 智能化水处理微生物机器视觉辨识系统和方法 |
CN105087797A (zh) * | 2015-03-30 | 2015-11-25 | 清华大学 | 确定空气中微生物种类及致病微生物污染状况的方法 |
CN107037843A (zh) * | 2017-04-05 | 2017-08-11 | 合肥酷睿网络科技有限公司 | 一种基于arm处理器的工厂车间空气环境管控系统 |
CN107340371A (zh) * | 2017-08-01 | 2017-11-10 | 深圳市盛路物联通讯技术有限公司 | 一种水质检测方法及系统 |
CN108195028A (zh) * | 2017-11-29 | 2018-06-22 | 珠海格力电器股份有限公司 | 空气调节设备清洁信息的推送方法及装置 |
CN108520206A (zh) * | 2018-03-22 | 2018-09-11 | 南京大学 | 一种基于全卷积神经网络的真菌显微图像识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3789838A1 (en) * | 2019-09-09 | 2021-03-10 | Alisea S.r.l. | Systems and methods for artificial intelligence-based maintenance of an air conditioning system |
WO2021047975A1 (en) * | 2019-09-09 | 2021-03-18 | Alisea S.R.L. | Systems and methods for artificial intelligence-based maintenance of an air conditioning system |
US11156997B2 (en) | 2019-09-09 | 2021-10-26 | Alisea S.R.L. | Systems and methods for artificial intelligence-based maintenance of an air conditioning system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101852987B1 (ko) | 고부가가치 버섯재배를 위한 모듈형 식물공장시스템 | |
CN110118711A (zh) | 基于物联网的室内空气含菌量实时检测与分析方法、系统 | |
EP3789838A1 (en) | Systems and methods for artificial intelligence-based maintenance of an air conditioning system | |
CN104778686B (zh) | 一种基于病斑监测的组培预警方法 | |
CN114180733B (zh) | 基于视频分析算法的污水曝气量检测及曝气控制系统 | |
CN106774540A (zh) | 一种基于视频识别的智能养殖控制系统及方法 | |
CN107034123A (zh) | 农林atcsp物联网孢子信息自动捕捉培养系统 | |
CN114518143A (zh) | 一种智能环境感知系统 | |
CN113034301A (zh) | 一种农作物生长管理系统及方法 | |
CN108597618A (zh) | 一种具有自动学习功能的流感预测摄像机 | |
CN112429371A (zh) | 一种食品检测用食品取样存放装置及控制系统、控制方法 | |
CN110210579A (zh) | 在线实时监测空调机组微生物污染的方法及装置 | |
CN114460080A (zh) | 一种水稻病虫智能监控系统 | |
CN105445156A (zh) | 运行室内通风技术设备的方法、传感器和室内通风技术设备 | |
KR102278858B1 (ko) | 실내 공기질 개선을 위한 지능형 공기조화기 제어 시스템 및 제어 방법 | |
CN109000736A (zh) | 基于无线传输的室内空气检测系统及数据处理方法 | |
CN116649160A (zh) | 食用菌菌种生产监测系统及监测方法 | |
CN208312636U (zh) | 中央空调监控系统 | |
LeBouf et al. | Seasonal and diurnal variability in airborne mold from an indoor residential environment in northern New York | |
CN105654494B (zh) | 视频图像中烟雾检测方法 | |
Du et al. | Grey image recognition-based mold growth assessment on the surface of typical building materials responding to dynamic thermal conditions | |
CN111436296A (zh) | 一种用于植物生长和发育的人工智能生长方法 | |
CN114254249B (zh) | 一种空间区域健康指数确定方法及系统 | |
Xiang et al. | Spatial variability and evaluation of airborne bacteria concentration in manure belt poultry houses | |
CN115152357A (zh) | 植物种子培养皿、萌发检验装置、培育装置及萌发方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190906 |
|
RJ01 | Rejection of invention patent application after publication |