CN110360715B - 区域选择性地动作的空调、云服务器及其动作方法 - Google Patents

Abstract

本发明是涉及区域选择性地动作的空调、云服务器及其动作方法的技术，本发明一实施例的空调在空调的送风区域对应于感测到的室内人员的距离和方向来判断集中送风区域，并对其他区域判断为非集中送风区域进行区分，指示空调对集中送风区域以集中运转模式运转，当以集中运转模式动作完成时，对集中送风区域和非集中送风区域以区别于集中运转模式的运转模式动作。

Description

区域选择性地动作的空调、云服务器及其动作方法

技术领域

本发明是涉及区域选择性地动作的空调、云服务器及其动作方法的技术(AIR-CONDITIONER WITH REGION SELECTIVE OPERATION,CLOUD SERVER,AND METHOD OFOPERATING THEREOF)。

背景技术

设置空调是为了创造舒适的室内环境，通过向室内吐出冷空气来调节室内温度并净化室内空气，从而为人们提供更舒适的室内环境。

通常，空调包括设置于室内的室内机、以及由压缩机和换热器等构成用于向室内机供应冷媒的室外机。

另一方面，空调中，室内机和室外机可以彼此分开控制。另外，空调中，室外机可以连接至少一个室内机，并且根据所请求的运转状态向室内机供应冷媒，从而运转制冷或制热模式。

近来，为了方便用户，提出了在控制空调时根据用户优选温度来控制空调的技术。

图1是示出以快速模式和舒适模式动作的空调的动作过程的图。当空调ON时(S1)，空调根据预定设定温度Ts以快速模式(或者快速区间)运转(S2)，此时，设定温度Ts可以由用户选择或者根据预定条件自动设定。快速模式是对空间快速制冷(或者制热)的结构。之后，空调在快速模式下以最大制冷能力运转，从而对室内空间迅速制冷(或者制热)。该过程中，将设定温度和室内温度进行比较(S3)，当达到设定温度时，确认室内湿度(S4)，如果室内湿度为预定数值以上，则以除湿模式运转(S6)。另一方面，如果室内湿度为预定数值以下，则以舒适模式运转(S5)。

这里，舒适模式(或者舒适区间)意味着以高于设定温度Ts的新的设定温度Tsa为基准运转。包括感测环境并调节制冷负载以保持舒适的制冷(或者制热)的省电功能的动作。在空调开启的状态下最开始以快速模式动作之后，当达到预定温度时，提示将动作切换为舒适模式。

然而，上述舒适模式和快速模式在预定状态下不能动态地应用周边环境的变化的方面存在局限性。例如，根据温度的变化、居住人员的数量、居住人员所居住的位置、或者湿度等，影响快速模式和舒适模式的动作的变量多样化，但在反映这一部分的方面存在局限性。

因此，空调的室内机被配置在特定空间中动作，但是需要研究聚合多个室内机动作的过程中所派生的信息以提高空调的性能的方案。因此，在本说明书中，将描述一种使用多个室内机动作的过程中导出的信息，使得各个室内机能够以必要的区域为中心在各种运转模式区间以最佳的方式动作的控制方法以及应用该方法的空调。

发明内容

为了解决上述问题，在本说明书中，空调根据居住人员的位置或数量等提高制冷或制热效率的体感效率。

在本说明书中，空调能够在不需要额外的操作的情况下识别空间中的生活区域而动作。

在本说明书中，提供一种基于在集中动作的区间计算出的参数，来控制空调的后续动作的基于学习的装置和方法。

在本说明书中，提供一种以多个空调的室内机计算出的参数作为学习因子，计算出空调的最佳运转模式的装置和方法。

在本说明书中，提供一种在室内机动作的过程中基于快速改变温度的过程中产生的参数，来控制后续阶段的运转的装置和方法。

本发明的目的不限定于上述提及的目的，没有提及的本发明的其他目的以及优点可通过以下说明理解，且通过本发明的实施例能够更清楚地理解。此外，本发明的目的和优点等，可通过权利要求书中表示的手段极其组合，能够容易地实现。

本发明一实施例的空调包括区域识别模块，用于在空调的送风区域对应于感测到的室内人员的距离和方向来判断集中送风区域，并对其他区域判断为非集中送风区域进行区分。

本发明一实施例的空调指示空调对集中送风区域以集中运转模式运转，当以集中运转模式动作完成时，对集中送风区域和非集中送风区域以区别于集中运转模式的运转模式动作。

这里，集中运转模式是空调集中动作以使室内温度快速达到目标温度的模式。另外，非集中运转模式是空调动作以保持或逐渐增加室内温度的模式。当集中运转模式和非集中运转模式进行比较时，集中运转模式中的电能消耗可能更大。例如，集中运转模式的每小时电能使用量可能比非集中运转模式更大。另外，集中运转模式所需要的时间比非集中运转模式所需要的时间较短。

本发明一实施例的云服务器包括区域识别单元，用于对应于由空调发送的室内人员的距离和方向信息，在空调的送风区域中判断集中送风区域，并对其他区域判断为非集中送风区域进行区分。

本发明一实施例的云服务器包括运转模式指示单元，用于在空调对由区域识别单元区分的集中送风区域以集中运转模式动作之后，对集中送风区域和非集中送风区域指示区别于集中运转模式的非集中运转模式。

本发明一实施例的空调区域选择性地动作的方法包括：空调的区域识别模块在空调的送风区域对应于感测到的室内人员的距离和方向来判断集中送风区域，并对其他区域判断为非集中送风区域进行区分的步骤；以及，空调的运转模式控制模块指示空调对集中送风区域以集中运转模式运转的步骤。

本发明一实施例的空调区域选择性地动作的方法包括：当以集中运转模式动作完成时，空调的控制单元控制空调对集中送风区域和非集中送风区域以区别于集中运转模式的运转模式动作的步骤。

本发明一实施例的云服务器指示空调的区域选择性动作的方法包括：云服务器的区域识别单元在空调的送风区域中判断集中送风区域，并对其他区域判断为非集中送风区域进行区分的步骤；以及，云服务器的运转模式指示单元使用接收的参数对空调的集中送风区域和非集中送风区域计算出区别于集中运转模式的非集中运转模式的信息的步骤。

当应用本发明实施例时，空调能够基于判断生活区域的结果以用户主要居住的空间为中心执行制冷或制热，并对应于这些空间以不同的运转模式动作。

当应用本发明实施例时，能够确认空调所处的空间的特性，从而获取基于持续更新的室内人员的位置信息改变的生活区域的信息，并将其应用于空调的动作中。

当应用本发明实施例时，能够以空调在主要生活空间动作的过程中计算出的参数作为学习因子，计算出后续的运转模式。

当应用本发明实施例时，云服务器能够基于多个空调在动作过程中计算并提供的参数学习之后，计算出适合于各个空调的运转模式。

当应用本发明一实施例时，空调能够动作以达到预定目标达成温度之后，基于相对小的每小时耗电量将目标达成温度保持在预定范围内。

当应用本发明一实施例时，能够提供根据学习基础区分送风区域的方法、根据运转模式推定负载的方法、以及应用该方法的装置，以实现有效的空调制冷或制热控制。

本发明的效果并不限于上述效果，本领域技术人员可以从本发明的结构容易地导出本发明的各种效果。

附图说明

图1是示出以快速模式和舒适模式动作的空调的动作过程的图。

图2是本发明一实施例的空调的简化概念图，图3是示出本发明一实施例的空调的主要结构之间的控制关系的框图。

图4是示出本发明一实施例的区域识别模块识别区域的过程的图。

图5至图7是在本发明实施例中应用的深度学习(Deep Learning)的描述中所参照的图。

图8是示出本发明一实施例的识别送风区域的过程的流程图。

图9是示出本发明一实施例的区域区分所需的数据预处理过程的图。

图10是示出本发明一实施例的显著图和二维直方图的图。

图11是示出本发明一实施例的区域区分所需的特征提取过程的图。

图12是示出本发明一实施例的识别送风区域的过程的图。

图13是示出本发明一实施例的空调通过摄像头拍摄室内空间以获取图像，并且从获取的图像中识别室内人员是否存在以及室内人员的位置的图。

图14是示出本发明一实施例的感测最终空间的结果的图。

图15至17是示出本发明一实施例的运转模式控制模块区分为集中运转模式和非集中运转模式动作的结构的图。

图18是示出本发明一实施例的云服务器的结构的图。

图19是示出本发明一实施例的空调与云服务器之间的动作过程的图。

图20是示出本发明一实施例的对应于集中运转模式和非集中运转模式的送风单元的动作的图。

附图标记的说明

100：空调

110：中央控制单元

150：区域识别模块

151：人体识别单元

153、353：区域识别单元

170：运转模式控制模块

171：参数生成单元

175、365：运转模式指示单元

300：云服务器。

具体实施方式

下面，参照附图详细说明本发明的实施例，以使本发明所属技术领域的普通技术人员能够容易实施。本发明能够以多种不同的形态实现，并不限定于在此说明的实施例。

为了准确地说明本发明而省略了与本发明无关的部分，在整个说明书中，对相同或相似的构成要素标注了相同的附图标记。参照示例性的附图详细地说明本发明一些实施例。在对各个附图的构成要素标注附图标记时，对不同的附图中的相同的构成要素尽可能使用相同的附图标记。在说明本发明时，当判断为对有关的公知结构或功能的具体说明会使本发明不清楚时，可省略对其的详细说明。

在说明本发明的构成要素的过程中，可使用第一、第二、A、B、(a)、(b)等术语。上述术语仅为了区别所述构成要素与其它构成要素，不会因上述术语而限定相应构成要素的本质、次序、顺序或个数等。当记载为某一构成要素“连接”、“结合”或“接触”于其他构成要素时，虽然有可能该构成要素直接与其他构成要素连接或接触，但是应当理解为有可能在各个构成要素之间“夹设”其他构成要素或各个构成要素通过其他构成要素来“连接”、“结合”或“接触”。

在实现本发明的过程中，为了便于说明，可以将构成要素细化并进行说明，而这些构成要素可以在一个装置或模块中实现，或者也可以是一个构成要素分布在多个装置或模块中实现。

在本说明书中，构成空调的构成要素区分为室外机和室内机。一个空调系统由一个以上的室外机和一个以上的室内机构成。室外机与室内机之间的关系可以是1:1、1:N或M:1。

本发明可以应用于控制制冷或制热的所有装置。但是，为了便于说明，重点描述制冷。当应用于制热时，本发明实施例可以应用于提升温度的过程和保持升高温度的机制中。

另一方面，本说明书中以制冷为主描述了本发明实施例，但是在制热的情况下也可以以相同或相似的方式实施。

图2是本发明一实施例的空调的简化概念图，图3是示出本发明一实施例的空调的主要结构之间的控制关系的框图。

在本实施例中，空调100被例示为立式空调。然而，本发明不限于此，除了立式空调之外，诸如壁挂式空调或吊顶式空调等空调当然也可以用作本发明的空调100。送风区域是指空调100的风所到达的区域。送风区域是指空调100供应风的区域。送风区域定义为左右方向上的范围。另外，送风区域定义为距空调100的距离。

参照图2及图3，本发明一实施例的空调100包括用于获取外部的图像的摄像头193。另外，空调100包括人工神经网络(Artificial Neural Network)，用于从摄像头193获取的图像中识别室内空间中的室内人员的位置，并且通过机器学习(machine learning)预先学习了室内人员的位置识别结果。另外，空调100包括区域识别模块150，用作上述人工神经网络的数据输入，将送风区域区分为集中送风的集中送风区域和非集中送风区域。另外，空调100可以包括：运转模式控制模块170，用于选择和控制适合于室内的运转模式；以及中央控制单元110，用于基于区分的送风区域和运转模式来控制气流和室内机的动作。

参照图2，空调的室内机可以形成有供吸入室内空气的吸入口(未图示)、以及使通过吸入口吸入的空气再次吐出到室内的送风单元15。

另外，送风单元15配置有用于开闭送风单元15并调节吐出的空气的风向的风向调节机构，通过在中央控制单元110的控制下驱动马达等，可以切换风向调节机构的角度和方向。由此，可以调节通过送风单元15吐出的空气的风向。

另外，风向调节机构可以通过控制上下、左右或特定方向上的动作来调节气流的送风方向、送风范围等。

对于由区域识别模块150识别和计算出的区域，风向调节机构根据由运转模式控制模块170计算出的运转模式送风以执行制冷或制热。例如，可以对集中送风区域，可以控制从送风单元15吐出的风的方向和角度或者风量、风速等。

另一方面，空调内部设置有风扇，用于控制通过吸入口吸入的室内的空气通过送风单元15排出到室内空间的流动，这里，风扇的旋转由风扇马达调节，风扇马达的操作由中央控制单元110控制。

因此，对于由区域识别模块150识别和计算出的区域，中央控制单元110可以通过控制风向调节机构和风扇马达来控制从空调100吐出的空气的流动(气流)方向。另外，中央控制单元110可以根据由运转模式控制模块170计算出的运转模式来控制风扇马达的速度，以控制气流的量和速度。

尤其是，中央控制单元110可以控制气流的方向和速度，以能够对由区域识别模块150识别和计算出的区域，例如，特定对象所处的区域，根据由运转模式控制模块170计算出的运转模式快速制冷(或者制热)。作为一实施例，中央控制单元110可以根据区分的送风区域(集中送风或非集中送风区域)来调节制冷速度。

例如，当在设置空调的室内空间中识别到多名室内人员所处的区域或者长时间所处的主要生活区域时，中央控制单元110可以将相应生活区域设定为集中送风区域，从而控制气流以能够进一步提高制冷或制热强度。

另外，中央控制单元110可以控制为：对集中送风区域，根据由运转模式控制模块170计算出的运转模式执行集中制冷。

因此，本发明一实施例的空调可以在区分为多个区域的室内空间中对多个送风区域执行基于机器学习的集中送风区域区分(识别)，并且基于人体感测，室内人员的位置(距离和方向)识别也可以基于机器学习来执行。控制单元110可以与区域识别模块150协作来控制从送风单元15吐出的风的方向或风强度、风量等。

详细而言，区域识别模块150将通过摄像头19在预定周期、预定时间点或室内人员变化等的时间点获取的(输入或拍摄的)图像用作通过机器学习预先学习的人工神经网络的输入数据。另外，区域识别模块150可以识别图像中包含的室内人员以及室内人员的位置、距离和角度。人体识别单元151可以搜索室内人员的位置、角度、距离。

另外，基于累积的室内人员位置信息，区域识别单元153可以使用已学习的机器学习算法来执行生活区域分类，从而推定出实际用户主要居住的区域。

此外，区域识别模块150将通过摄像头193获取的图像用作通过机器学习预先学习的人工神经网络的输入数据。然后，区域识别模块150可以将室内空间区分为多个区域，并将区分的多个区域区分成可以区分为两种以上的区域，例如，室内人员主要生活的区域(集中送风区域)和未生活区域(非集中送风区域)。其结果，可以推定出实际室内人员主要居住的区域(集中送风区域)以及该区域与空调之间的距离等。即，生活区域是指用户主要活动的区域或者推定会活动的区域。或者，可以将生活区域进一步细化后区分为常住区域(第一集中送风区域)、移动区域(第二集中送风区域)。相反，也可以将未生活区域细化后区分为移动区域(第一非集中送风区域)和无移动区域(第二非集中送风区域)。

其可以使用感测到室内人员的区域和距离信息、感测到室内人员的频率或上述信息的累积结果等来计算。由此，送风单元15对有人的位置或有人的概率高的位置集中送风，从而能够提高制冷或制热效率。

当区域识别模块150将区分的送风区域提供给中央控制单元110时，控制单元110可以生成控制信号，以能够以区分的送风区域为中心送风。更详细而言，可以基于区分的送风区域来控制构成送风单元15的风扇马达和风向调节机构。即，通过使用送风区域推定结果来控制气流，使该气流流向实际用户主要居住的空间，而对于墙面等不必要的区域，限制气流，实现用户定制运转，从而能够在增大制冷效率的同时为用户提供便利和舒适。

预先学习的人工神经网络可以构成区域识别单元153。或者，在外部的云服务器内配置的额外的学习单元可以包括预先学习的人工神经网络。中央控制单元110可以根据区域识别模块150的区域区分结果来控制气流的方向和强度等。例如，中央控制单元110基于识别到的室内人员的位置来区分多个区域中的集中送风区域和非集中送风区域。基于区分的结果，中央控制单元110可以控制风扇马达和风向调节机构等，并且控制在最佳的气流方向和强度，以能够快速制冷对应于集中送风区域的区域。

人体识别单元151和区域识别单元153可以基于通过机器学习预先学习的数据来执行识别过程。

人体识别单元151基于人体感测识别室内人员是否存在以及室内人员的位置，区域识别单元153基于室内人员的位置识别结果对多个区域区分集中送风区域，从而可以区分出室内空间中的生活区域。即，可以使用人体感测信息区分为生活(常住/移动)区域和未生活区域。其结果，通过控制气流以能够对区分出的生活区域即集中送风区域有效地执行制冷，能够提高制冷效率和能量效率。

另外，本发明一实施例的空调在测量室内空气的状态之后运转以达到设定的状态。然而，为了在达到特定状态的过程中室内机的动作能够有效地进行，有必要反映特定状态之前以及特定状态以后的各种要素。然后，当利用基于各个要素的学习模型更精密地控制室内机的动作时，能够实现有效的运转。

为此，中央控制单元110和运转模式控制模块170可以感测室内的状态并计算出合适的运转模式。然后，可以仅对前面计算出的特定区域(集中送风区域)集中地以快速模式运转，然后再对整个区域(集中送风区域和非集中送风区域)或部分区域以舒适模式运转。这里，舒适模式是基于省电功能的动作模式，意味着通过感测当前环境并调节制冷负载来保持制冷状态。

运转模式控制模块170对前面由区域识别模块150计算出的区域确定运转模式。运转模式的一实施例可以由快速运转模式和舒适运转模式等两个模式构成。或者，根据另一实施例，运转模式可以分为快速运转模式、切换运转模式、舒适运转模式。

这些运转模式可以从风强度、运转过程中的温度变化大小或能耗量等方面区分，如果从每小时能耗量的方面比较，可以配置成快速运转模式的每小时能耗量最大，而舒适运转模式的每小时能耗量最小。

下面将描述运转模式控制模块170用于选择运转模式的构成要素。参数生成单元171生成由空调100测量或感测的温度或湿度、温度和湿度的变化率、或者每个变化所需的时间等参数。为了由参数生成单元171生成的参数，感测单元173可以感测送风区域的温度或湿度、或者其变化。感测值被提供至参数生成单元171，参数生成单元171将感测值累积在额外的存储器之后可以生成参数。因此，参数生成单元171可以基于环境因子和产品控制信息等来计算出参数，并基于此来确定运转模式。

作为由参数生成单元171计算出的参数的一实施例，将生成送风区域中的非集中送风区域和集中送风区域的位置和面积、以集中运转模式运转的区间的起始时间点的室内初始温度、区间的目标设定温度、区间的预定初始区间的温度变化率、区间的温度变化率、以及区间的起始时间点和结束时间点之间的时间大小中的任意一种以上作为参数。尤其是，可以将作为集中/非集中运转模式的执行对象的集中/非集中送风区域的位置和面积用作参数。

之后，运转模式指示单元175可以以初始N分钟(空调的开启时间点)或特定时间点(智能接通时间点)为基准指示N分钟内的集中运转模式和N分钟后的非集中运转模式。智能接通是指在空调动作的过程中不需要用户进行额外的控制，由空调确认室内温度或湿度等而动作。

运转模式指示单元175可以存储设定的目标温度或目标湿度等关于目标状态的信息。目标状态可以包括一个以上的温度或一个以上的湿度。另外，运转模式指示单元175可以选择性地包括两个以上的温度或两个以上的湿度，在该情况下，可以根据中央控制单元110的控制来选择将哪个值设定为当前动作中的室内机的目标温度或目标湿度并进行设定。

运转模式控制模块170的运转模式指示单元175可以控制运转模式以提供在各个模式调节成哪种风速和温度或风强度等。例如，当运转模式控制模块170对区域识别模块150所提示的区域执行快速运转模式时，可以基于该过程中导出的信息来确定后续舒适运转模式中的运转状态(例如，过负载、少负载、中负载等)。

运转模式指示单元175还可以指示包括空调100中设定的目标温度或目标湿度等关于目标状态的信息的运转模式。目标状态可以包括一个以上的温度或一个以上的湿度。另外，运转模式指示单元175可以选择性地包括两个以上的温度或两个以上的湿度，在该情况下，可以根据中央控制单元150的控制来选择将哪个值设定为当前动作中的空调的目标温度或目标湿度并进行设定。

界面单元191可供用户控制空调100的温度或湿度、风量或风向等，提供按钮式、遥控式或远程操控等界面。另外，界面单元191可以接收用于改变从送风单元15吐出的空气的风速、风量或温度的中断输入。中断输入可以借助预定信息提供至区域识别单元153或运转模式指示单元175。

运转模式指示单元175可以基于由区域识别模块150计算出的关于送风区域的信息、以及由感测单元173和参数生成单元171计算出的信息来确定运转模式。

基于区域识别模块150，可以基于区域识别来掌握用户实际生活，以提高空调的制冷或制热效率以及用户舒适性。该过程中，利用预先学习的人体识别单元151和区域识别单元152并使用摄像头来识别室内人员所在的区域。

以根据区域识别模块150的人体感测结果来控制风量和风向的方式掌握空间，并且运转模式控制模块170控制空调以合适的方式动作，从而空调可以对必要的区域以必要的方式动作。

因此，运转模式指示单元175可以指示空调以开启或智能接通时间点为基准，对由区域识别模块150判断的集中送风区域在预定时间期间执行集中运转模式，当集中运转模式结束时，可以指示空调对非集中送风区域和集中送风区域执行非集中运转模式。智能接通时间点是空调在没有用户控制的情况下开始自动动作模式的时间点。

图3的通信单元192可以更新空调100中的构成要素。作为一实施例，可以接收更新构成区域识别单元153和运转模式指示单元175的学习算法、或者更新构成它们的学习网络(例如，深度学习网络)的信息。

或者，为了利用配置在外部服务器中的学习单元，通信单元192可以将由区域识别模块150或运转模式控制模块170计算出的信息发送到外部服务器，并从服务器接收结果。即，通信单元192提供与配置在外部的服务器收发数据的功能，并且通信单元192接收的数据用于更新或升级其他构成要素。

如果学习单元配置在外部服务器中，则相应学习单元可以提供前面描述的区域识别单元153和运转模式指示单元175的功能。

图3总结如下。

摄像头193以空调为基准感测室内人员的距离和方向。然后，区域识别模块150在空调的送风区域对应于感测到的室内人员的距离和方向来判断集中送风区域，并对其他区域判断为非集中送风区域进行区分。之后，运转模式控制模块170指示空调对集中送风区域以集中运转模式运转。

中央控制单元110控制空调对由区域识别模块150区分的集中送风区域以指示的集中运转模式动作。然后，当以集中运转模式动作完成时，控制空调对集中送风区域和非集中送风区域以区别于集中运转模式的运转模式动作。上述模式的指示可以由运转模式控制模块170计算出。其结果，空调100可以对特定送风区域选择性地动作。

图4是示出本发明一实施例的区域识别模块识别区域的过程的图。首先，可以通过摄像头193获取外部的图像(S21)。区域识别模块150可以从摄像头193获取的图像中识别室内人员是否存在以及室内人员的位置(S22)。例如，区域识别模块150可以基于通过机器学习预先学习的数据来识别室内人员的位置，更准确而言，可以识别室内人员的距离和方向(S22)。

区域识别模块150将室内人员的位置识别结果输入到机器学习网络之后，对于多个区域进行送风区域(集中送风区域和非集中送风区域)的分类(S23)。这里，集中送风区域是指空调以集中运转模式送风的区域。非集中送风区域是指空调以非集中运转模式送风的区域。然后，中央控制单元110可以基于区分的送风区域生成控制气流的控制信号(S24)。例如，为了对区分为多个区域的室内空间中区分为用户实际生活的区域的集中送风区域快速制冷/制热或集中制冷/制热，中央控制单元110可以控制送风单元15的风扇马达和风向调节机构。

其结果，送风方向被聚焦到预定区域，从而气流被控制(S25)。这里，不仅在左右方向上控制气流，还在上下方向上控制气流，这是因为有人的位置不仅包括左右宽度，还包括与室内人员之间的距离信息。

在一些实施例中，当从预定服务器接收与机器学习相关的数据时，空调可以基于此来更新(update)区域识别单元153的预先学习的数据。

通过S21至S25的过程，空调可以区分出所处室内空间的生活区域，并且在没有附加装置和/或用户的操作的情况下执行必要的动作，在执行集中运转之后可以以控制室内空间舒适的另一种模式持续动作。

S21至S25的过程可以间隔预定间隔而更新，其结果，可以适应改变的生活区域控制为最佳气流。

总结S21至S25的过程，当输入摄像头193在室内的各种空间拍摄的图像时，人体识别单元151执行人体感测，在预定时间之后，区域识别单元153使用人体感测的结果累积的值来执行分类为多个不同送风区域的操作。基于此生成用于控制向集中送风区域送风的控制信号，为此，实现风扇马达转向角度和风量调节等气流控制。另外，基于运转模式控制模块170的控制对集中送风区域执行集中运转之后，当以非集中运转模式，例如，舒适模式运转时，可以根据集中送风区域的位置对非集中运转模式进行各种设定。例如，当判断非集中运转模式为超负载时，如果集中送风区域处于中距离或远距离，则运转模式指示单元175可以指示保持目标温度以及中风。相反，如果集中送风区域处于近距离，则可以指示保持目标温度以及弱风。运转模式控制模块170可以根据集中送风区域的位置或面积、以及应用于非集中运转模式的负载阶段(超负载/中负载/少负载等)来区别运转模式。

图5至图7是在本发明实施例中应用的深度学习的描述中所参照的图。下面将要说明的深度学习可以构成区域识别单元153或运转模式指示单元175，或者也可以构成配置在外部服务器中的学习单元。即，在识别送风区域(生活区域)或指示运转模式时可以使用一种机器学习即深度学习，该过程中可以应用基于深度学习的人工神经网络。这是指基于数据多步骤深度学习。深度学习可以表示随着步骤增加从多个数据中提取核心数据的机器学习算法的集合。

深度学习结构可以包括人工神经网络ANN，例如，深度学习结构可以由CNN(Convolutional Neural Network，卷积神经网络)、RNN(Recurrent Neural Network，递归神经网络)、DBN(Deep Belief Network，深度信念网络)等深层神经网络DNN构成。

参照图5，人工神经网络ANN可以包括输入层(Input Layer)、隐藏层(HiddentLayer)和输出层(Output Layer)。各个层包括多个节点，并且各个层连接到下一层。相邻层之间的节点可以具有权重(weight)且彼此连接。

例如，作为输入到输入层的因子，配置在区域识别单元153中的深度学习可以将送风区域分为多个子区域并输入对这些送风区域是否感测到室内人员或感测到室内人员的次数等。然后，作为从输出层中输出的因子，可以判断相应子区域是集中送风区域还是非集中送风区域，或者如果是非集中送风区域，则再次分为第一非集中送风区域、第二非集中送风区域等，从而详细计算出区域的信息。

同样地，配置在运转模式指示单元175中的深度学习中，以集中运转模式运转的过程中计算出的信息，例如，以集中运转模式运转的区间的起始时间点的室内初始温度、集中运转模式区间的目标设定温度、集中运转模式区间的预定初始时间期间的温度变化率、集中运转模式区间整体的温度变化率、以及集中运转模式区间的起始时间点和结束时间点之间的时间大小可以输入到输入层。另外，送风区域中集中送风区域和非集中送风区域的比例、大小或位置等也可以输入到输入层。然后，输出层可以输出用于指示以哪种方式运转在集中运转模式结束后动作的非集中运转模式的信息。例如，可以分为超负载/中负载/少负载等，或者也可以输出用于调节温度或风力的指示信息。另外，根据集中送风区域和非集中送风区域的面积或位置对集中送风区域以集中运转模式运转，可以由隐藏层计算出所提供的冷气或热气向周边移动的可能性并判定超负载/中负载/少负载。

参照图6，计算机(机器)从输入的输入数据31中找出规定的模式并形成特征地图(Feature Map)。计算机(机器)可以提取低级特征32、中级特征33及高级特征34，从而识别对象并输出35其结果。

人工神经网络可以抽象为进入下一层时级别更高的特征。

参照图5及图6，各个节点可以基于激活模型动作，根据激活模型可以确定对应于输入值的输出值。

任意节点，例如，低级特征32的输出值可以输入到与相应节点连接的下一层，例如，中级特征33的节点。下一层的节点，例如，中级特征33的节点可以接收从低级特征32的多个节点输出的值。

此时，各个节点的输入值可以是对上一层节点的输出值使用权重的值。权重可以表示节点之间的连接强度。另外，深度学习过程也可以看作是找出合适的权重的过程。此外，深度学习过程也是找出合适的偏置(bias)的过程。偏置意味着提供节点之间的值在特定方向上偏移。

另一方面，任意节点，例如，中级特征33的输出值可以输入到与相应节点连接的下一层，例如，高级特征34的节点。下一层的节点，例如，高级特征34的节点可以接收从中级特征33的多个节点输出的值。

人工神经网络可以使用与各个级别相对应的已学习层(layer)来提取与各个级别相对应的特征信息。人工神经网络可以依次抽象化，从而使用最高级别的特征信息来识别预定对象。

例如，描述基于深度学习的人脸识别过程，计算机根据像素的亮度从输入图像中区分出明亮像素和暗像素，在区分出边框、边缘等简单的形态之后，可以区分更复杂的形态和事物。最终，计算机可以掌握规定人脸的形态。

本发明的深度学习结构可以使用已知的各种结构。例如，本发明的深度学习结构可以是CNN、RNN、DBN等。

RNN广泛应用于自然语言处理等，是一种处理随时间变化的时间序列数据(Time-series data)的有效结构，可以通过每时每刻堆叠层来构成人工神经网络结构。

DBN是将作为深度学习技术的RBM(Restricted Boltzman Machine)多层堆叠而构成的深度学习结构。反复RBM学习，当达到预定数量的层时，可以构成具有相应层数的DBN。

CNN是在对象识别领域中尤其广泛使用的结构，下面将参照图7进行说明。CNN是以人体识别物体时提取物体的基本特征，然后在脑中进行复杂的计算，并基于该结果来识别物体的假设为基准，复制基于基准制作的人的脑功能的模式。

图7是示出CNN结构的图。

CNN也可以包括输入层、隐藏层和输出层。

预定图像41输入到输入层。

参照图7，隐藏层由多个层构成，可以包括卷积层(convolution layer)和子采样层(sub-sampling layer)。

CNN中基本上一并使用用于通过卷积(convolution)运算提取图像的特征的各种滤波器、用于增加非线性特性的池化(pooling)或非线性激活(non-linear activation)函数等。

卷积在图像处理领域中主要用于滤波运算，用于实现从图像中提取特征(feature)的滤波器。

例如，如果在移动预定大小的窗口的同时对图像整体反复执行卷积运算，则可以根据窗口的权值获得合适的结果。

卷积层使用卷积滤波器对输入的图像数据41、43执行卷积运算，并生成显示出输入图像41的特征的特征地图42、44。

作为卷积滤波的结果，可以根据卷积层中包含的滤波器的数量生成与滤波器数量相对应的滤波图像。卷积层可以由滤波图像中包含的节点构成。

另外，与卷积层成对的子采样层可以包括与成对的卷积层相同数量的特征地图。

子采样层通过采样或池化来降低特征地图42、44的维度。

输出层通过组合特征地图45中显示的各种特征来识别输入图像41。

本发明的空调的区域识别模块可以使用上述多种深度学习结构。例如，本发明不受限制，但可以使用图像中对象识别中广泛使用的CNN结构。

另一方面，可以通过调整节点之间连接线的权重来实现人工神经网络的学习，以获得对应于给定输入的期望输出。另外，人工神经网络可以通过学习来持续地更新权值。另外，人工神经网络的学习中可以使用反向传播(Back Propagation)等方法。

本发明一实施例的区域识别模块150可以将通过摄像头193获取的图像用作通过机器学习预先学习的人工神经网络的输入数据，从而将室内空间区分为多个区域，并将区分的多个送风区域区分为集中送风区域和非集中送风区域。

或者，区域识别模块150可以将送风区域进一步细化后区分为多个集中送风区域和多个非集中送风区域。

另外，区域识别模块150可以累积室内人员的位置识别结果，并基于累积的位置识别结果对多个区域区分送风区域。

基于上述说明，根据本说明书的一实施例，可以根据室内人员的距离和方向等位置信息来区分集中送风区域和非集中送风区域，并适应各个区域应用运转模式。作为一实施例，通过对集中送风区域应用集中运转模式，能够实现快速运转(使室内温度快速达到目标温度的运转)。可以调节构成空调的风扇马达的转速、转向的角度、引导件的角度，或者调节风量，使得风能够到达集中送风区域。之后，在非集中运转模式中，空调可以基于舒适运转(保持当前的温度或者保持以逐渐接近目标温度的运转)以覆盖非集中送风区域的方式动作。

下面将描述本说明书的一实施例的区域识别模块基于室内人员的位置(距离和方向)将送风区域区分为集中送风区域和非集中送风区域的实施例。

图8是示出本发明一实施例的识别送风区域的过程的流程图。图8示出了区域识别模块150将室内空间中用户主要生活的区域识别和区分为集中送风区域的过程。

参照图8，区域识别单元153可以从人体识别单元151接收包括室内人员的位置识别结果的人体感测数据(S51)，并累积接收的人体感测数据(S52)。这里，人体感测数据可以由角度和距离构成以室内机为基准的位置。距离信息可以以米或厘米细致地区分，也可以以近距离/中距离/远距离来区分。

区域识别单元153可以累积并计数(counting)人体感测数据(S53)，并在累积到预定数量M以上的数据时生成二维直方图(S54)。二维直方图由二维构成，以能够反映感测到室内人员的结果计算出的角度和距离。对于直方图的生成将在后面描述。

之后，为了基于二维直方图来感测送风区域，对各个数据执行预处理并提取特征(S55)。然后，区域识别单元153使用所生成的直方图作为输入数据，基于机器学习将送风可能空间区分为多个区域(S56)。作为一实施例，送风可能空间可以区分为集中送风区域和非集中送风区域。或者，可以进一步细化后区分为第一集中送风区域、第二集中送风区域、…、第一非集中送风区域、第二非集中送风区域、…等。机器学习可以使用诸如SVM(SupportVector Machine)、Adaboost之类的技术，更优选地，可以使用深度学习技术。

然后，如果结果累积到预定程度(S57)，则导出基于机器学习对送风区域最终分类的结果(S58)。

即，区域识别单元153包括通过机器学习预先学习的人工神经网络，并且累积识别室内人员的距离和方向的结果，从而生成对应于多个区域的直方图。然后，区域识别单元153可以将所生成的直方图用作人工神经网络的输入数据，从而区分集中送风区域和非集中送风区域。

另外，在一些实施例中，为了提高区分送风区域的结果的准确度，可以反复执行S55的过程(S57)，并且可以聚合多个区分结果，基于聚合的结果将室内空间的多个送风区域最终分类为一个以上的集中送风区域和一个以上的非集中送风区域(S58)。

即，可以在生活区域区分结果累积到预定数量以上时，通过导出最终结果，以确保生活区域识别结果的可靠性，并且消除由于人体感测错误而引起的未生活区域的临时错误。

图9是示出本发明一实施例的区域区分所需的数据预处理过程的图。

图8的S55中所执行的预处理大致可以由两个步骤组成。并且可以在区域识别模块150中动作。当人体识别单元151将人体感测结果(即，感测到的位置的角度和距离)输入到区域识别单元153时(S61)，区域识别单元153构成显著图(saliency map)(S62)。这意味着将由人体识别单元151感测到的人体的位置信息(角度/距离)量化之后更新频次。该过程中为了较好地表现区域，上下、左右区域也一起累积。反复该过程直到输入N个感测结果(S63)。

当反复至充分感测结果重复时，执行滤波和插值(Filtering andInterpolation)(S64)。为了防止偏重于特定角度/距离区域的感测结果，执行最大/最小频率值滤波和插值，从而转换为连续的二维直方图(2Dimensional Histogram)(S65)。

图9总结如下。人体识别单元151从摄像头193获取的图像中识别室内人员是否存在以及室内人员的距离和方向。然后，区域识别单元153基于对室内人员识别的结果对多个区域区分生活区域。区分结果如图14所示。

图10是示出本发明一实施例的显著图和二维直方图的图。图10的67是基于显著图，对应于距离和角度，在X-Y轴上布置显著图的结构。68示出了显著图持续累积的结果，生成的二维直方图。

图11是示出本发明一实施例的区域区分所需要的特征的提取过程的图。当如图10所示生成二维直方图时，可以如图8的S55中所提示地提取特征。在如图10的68所示的直方图中对每个角度提取特征向量n。将欲提取角度的直方图序列值和周边序列值w用作特征值。当直方图左/右端(0～5度、100～105度等)周边序列值不存在时，将相应值设定为0并提取特征。图11的直方图的Y轴根据室内人员和空调之间的距离来定义，X轴根据以空调为基准室内人员所在的角度来定义。室内人员的位置在特定小区中由数字表示，该数字可以随着感测到室内人员的次数而增加。

然后，当应用3x3大小的DNN71，以送风区域70的各个小区为中心，将3x3的相邻小区输入到前面图5中描述的输入层时，通过输出层计算出判断相应区域是否属于集中送风区域/非集中送风区域的结果。这可以对送风区域70的所有小区执行。其结果，可以根据各个小区是否属于集中送风区域或非集中送风区域，将整个送风区域区分为集中送风区域和非集中送风区域。当然，该过程中可以将集中送风区域和非集中送风区域再次详细区分后区分为一个以上的集中送风区域和一个以上的非集中送风区域，如前面所描述。

图12是示出本发明一实施例的识别送风区域的过程的图。前面识别送风区域的过程在区域识别单元153中执行。或者，区域识别单元153的功能可以由服务器的学习单元提供。区域识别单元153可以分为学习过程和识别过程动作。

下面将描述图12，区域识别单元153具有学习过程(虚线表示)和识别过程(实线表示)。如果学习达到了预定水平，则之后可以不需要学习仅执行识别区域的过程。

下面将描述学习过程，虚线表示的学习过程是对学习前收集的关于送风区域的识别数据库均提取特征，并学习区域识别单元153的过程。此时，图像数据库是可以确认每个特定区域属于哪个类别的图像。

如前面图5中所描述，将关于送风区域的直方图(例如，各个小区和相邻小区的值)输入到输入层。对应于相应输入，输出层输出以集中送风区域或非集中送风区域指示直方图的每个区域的输出值。神经网络电路可以在学习过程中调节神经网络的参数(parameter)(权重和偏置)。

当空调100设置完成后动作时，上述学习过程可以在预定时间期间自行完成。另外，即使在学习达到设定的水平以上之后，也可以在每次导出识别结果时反映在预先学习的模型参数中并进行更新。

或者，也可以将由摄像头拍摄的图像中的至少一部分发送到外部服务器，并接收利用外部服务器执行学习的数据，从而更新人工神经网络。之后，如实线流程所示，区域识别单元153执行识别过程，可以使用已学习模型参数(权重和偏置确定的深度学习网络)，基于由摄像头193获取并新输入的图像，将送风区域区分为集中送风区域/非集中送风区域之后进行识别(实线流程)。

当如图12所示地执行学习时，可以确定构成如图5所示的DNN的权重、偏置激活函数(activation function)。这些权重和偏置激活函数作为各个层之间的单一节点之间的复杂连接的集合，可以计算出权重和偏置以满足学习过程中的输入层和输出层，通过反复学习可以计算出最佳权重和偏置。然后，为了对这样生成的DNN识别区域，当直方图的小区(例如，包含特定小区和相邻小区的3x3的小区)作为输入值输入时，输出端计算出关于特定小区的区域识别结果(集中送风区域/非集中送风区域)。或者，可以使其计算出三个以上的送风区域，计算出第一集中送风区域/第二集中送风区域/非集中送风区域中的任一种，或者计算出集中送风区域/第一非集中送风区域/第二非集中送风区域。也可以将其区分为集中送风区域/间歇性送风区域/未送风区域。

然后，在空调对集中送风区域以集中运转模式动作之后，运转模式控制模块170可以控制空调对其他区域以非集中运转模式动作。

图13是本发明一实施例的空调100通过摄像头拍摄室内空间以获取图像，并且从获取的图像中识别室内人员201、202是否存在以及室内人员的位置的图。

此时，识别到的室内人员201、202的位置信息可以包括角度信息(ang1,ang2)和距离信息(dist1,dist2)。角度和距离可以分为规定的范围。例如，当整个送风区域的角度以x轴为基准分为0～105度时，可以以5度单位来区分直方图的小区。同样地，距离由y轴区分，可以以近、中、远来区分直方图的小区。

当每个距离和角度的感测频率以具有多个行和列的矩阵(matrix)类型使用直方图来实现时如205所示。通过累积室内人员识别结果来生成直方图205，当室内人员识别结果达到预定时间或者预定次数以上时，区域识别单元153可以执行区分送风区域。

在一些实施例中，可以将权重反映在特定识别结果中，而不将一次的识别结果反映在同等水平中。例如，可以对连续在同一位置识别到室内人员或者在预定时间内识别频率较高的位置赋予权重。另一方面，为了提高准确度，当送风区域区分结果累积到预定数量以上时，可以使用基于深度学习的算法进行分析，最终区分出集中送风区域和非集中送风区域。通过应用深度学习算法能够获得坚韧性和可靠性。

由于二维直方图205的左下端的小区(0度且远距离)感测到了室内人员202，因此+1。同样地，由于二维直方图205的右上端的小区(105度且近距离)也感测到了室内人员201，因此+1。直方图的各个小区的值根据室内人员感测情况而改变，当达到预定水平时，可以如图11及图12所示地输入到区域识别单元153，从而对各个小区分别区分集中/非集中送风区域。

上面描述了输入3x3的小区，但也可以根据不同实现方式输入5x5的小区。在该情况下，可以对送风区域外部以3x3的外边界为基准分别添加固定设定为0的区域。

图14是示出本发明一实施例的感测最终空间的结果的图。图14是将送风区域区分为集中送风区域、第一非集中送风区域和第二非集中送风区域的实施例。对于由区域识别单元153判断为集中送风区域的空间，空调100可以以集中运转模式进行动作。然后，以集中运转模式动作预定时间之后，可以对第一非集中送风区域和集中送风区域以非集中运转模式动作。该过程中，集中运转模式意味着使温度快速达到目标温度，非集中运转模式以集中运转模式的动作完成之后根据运转模式控制模块170的指示来控制空调100的运转作为一实施例。

当应用上述实施例时，空调100可以仅对送风区域中的集中送风区域，即，可以使用将生活区域推定为常住/非常住区域的结果，仅对用户主要居住的空间控制气流。其结果，可以限制流向墙壁等不必要的区域的气流，并且能够实现用户定制运转，从而能够在增大制冷/制热效率的同时为用户提供便利和舒适。另外，由于可以分为集中运转模式和非集中运转模式，因此可以为用户短时间内将主要送风空间(集中送风区域)的温度调节到目标温度。

另外，当应用实施例时，可以持续更新独立于设置环境的算法，从而掌握和适应改变的生活区域信息。区分送风区域也可以通过持续拍摄空间内部来更新室内人员的位置。然后，通信单元192从外部接收软件升级所需要的数据，以持续更新构成区域识别单元153或运转模式指示单元175的深度学习，从而可以更新为具有更高的准确度的深度学习模块。

图15至17是示出本发明一实施例的运转模式控制模块区分为集中运转模式和非集中运转模式动作的结构的图。集中运转模式意味着集中运转以使室内温度快速达到目标温度的模式。非集中运转模式意味着当室内温度达到目标温度、或者接近目标温度时，运转以保持温度或逐渐达到目标温度的模式。

根据本发明一实施例，可以仅对集中送风区域执行集中运转模式。另外，根据本发明另一实施例，可以对集中送风区域和非集中送风区域执行非集中运转模式。因此，运转模式控制模块170指示对由区域识别模块150计算出的集中送风区域执行预定时间的集中运转模式，其结果，空调100在相应集中送风区域中以集中运转模式动作。

另外，当集中运转模式结束时，运转模式控制模块170指示对非集中送风区域和集中送风区域执行的非集中运转模式，与前面的集中运转模式相比，集中运转模式的每小时能耗量可以设定为大于非集中运转模式的每小时能耗量。这是因为能够减少风量、降低风强度或者降低冷风/暖风的温度变化所需的能耗。另外，在集中运转模式中短时间内能耗量较高，而在非集中运转模式中长时间期间能耗逐渐降低，因此，结果在集中运转模式中计算出的每小时能耗量较大。对此将进一步详细描述。

图15是本发明一实施例的参数生成单元在集中运转模式中计算出输入因子，从而计算出指示运转非集中运转模式的信息的图。设温度为Y轴，时间为X轴，示出随着时间变化的温度变化。图15是关于用于学习的输入因子的例示，是对产品端的控制信息和温度变化时间比，导出的温度变化率等学习因子的计算例示。

作为参数生成单元171可能生成的输入因子，举出了室内初始温度、目标设定温度、初始N分钟温度变化率、快速区间温度变化率、以及目标温度到达时间等。这里，N可以有各种选择，在图15的实施例中设为3分钟。

图15示出了参数生成单元171可以计算出初始温度TempInit和目标设定温度TempTarget。初始温度TempInit可以由感测单元173感测室内的初始温度后计算。目标设定温度TempTarget可以基于存储在运转模式控制模块170中的目标设定温度来计算。另一方面，参数生成单元171可以通过a/b来计算初始3分钟的温度变化率InitRate。

b表示空调动作后经过的时间。例如，可以是3分钟或5分钟。a表示经过b时间期间温度从TempInit变化的大小。

另一方面，快速区间温度变化率PowerRate也可以通过c/d来计算。c表示TempTarget和TempInit之间的温度差。因此，c可以是“TempInit–TempTarget”。然后，可以将达到目标温度的时间PowerTime计算为d。作为d的一实施例，表示在最大M分钟期间以最大制冷能力执行运转，以尽可能快速达到设定温度所需的时间，作为一实施例，包括15分钟或20分钟的时间大小。然后，可以在d时间点设定舒适模式(第二区间)中将执行的制冷能力，并确定超负载/标准负载/少负载。

集中运转模式区间(快速模式或快速区间)意味着使空调驱动后在初期达到目标温度的运转模式。作为一实施例，将在初始制冷时以空调最大制冷能力执行高速制冷运转，以达到目标设定温度作为集中运转模式的一实施例。

在图15中，目标温度可以设定为特定目标温度值，但是也可是预定范围内的温度。例如，当目标温度值是20度时，作为达到目标温度的一实施例，可以是当前温度达到20度。然而，作为达到目标温度的另一实施例，即使当前温度达到以20度为基准的+1度或-1度的状态(即，19～21度)时，也可以判断为达到了目标温度。

这可以应用于可以动作在集中运转模式区间的时间范围预定的情况。例如，假设可以在快速区间运转的最大时间(快速可能时间)是预定的，例如，10分钟或15分钟。当空调开始运转并超过快速可能时间但没有达到目标温度时，参数生成单元110、210可以将当前所达到的温度包含在学习因子中代替目标温度。

之后，当达到目标温度时，可以从集中运转模式区间(快速区间)改变为非集中运转模式区间(舒适模式或舒适区间)。另外，即使未达到目标温度，如果达到预定时间或接近目标温度，则空调的动作模式可以改变为非集中运转模式区间。非集中运转模式区间(舒适区间)以舒适运转作为一实施例，还包括在达到目标温度之后保持设定温度并以自动模式(间接风)动作。

室内温度未达到目标温度的情况可以对应于外部对空间的影响较大或者空间较广等情况。因此，即使当温度在某种程度上接近目标温度时，也可以将模式从集中运转模式区间改变为非集中运转模式区间。

之后，在非集中运转模式区间可以选择与集中运转模式区间不同的运转模式，如前面所描述，运转模式指示单元175可以使用由参数生成单元171生成的五个学习因子TempInit、TempTarget、InitRate、PowerRate、PowerTime来计算舒适区间中空调的动作模式即运转模式。

根据图15中所描述的实施例，可以基于空调可能计算出的环境因子推定出负载。包括计算出空调所处的空间的制冷环境的特性作为各种学习因子，并基于此来计算出负载。另外，负载的计算不是基于简单的函数，而是使用外部服务器的学习单元或空调中的运转模式控制模块170内的运转模式指示单元175所提供的深度学习算法，从而可以计算出对应于学习因子的最佳负载。其结果，可以使空调在集中运转模式区间选择根据负载阶段的省电或舒适制冷等动作。

在现有的情况下，由于在快速区间之后没有考虑环境变化，因此在快速区间结束之后的舒适区间会发生用户需要再次控制温度的问题，然而，本发明实施例基于初始学习和持续学习，使得用户在舒适区间的状态下不需要额外地控制温度就能够保持制冷状态。

尤其是，为了在不需要用户进行额外的空调调节的情况下为用户提供舒适感，在初期执行快速制冷(或者制热)直到达到目标温度附近(集中运转模式区间)，当达到目标温度附近时，在保持制冷或制热的同时可以判断保持集中运转模式区间的运转模式、比非集中运转模式区间的运转模式消耗更多的电力、还是消耗比其小的电力等。作为一实施例，执行负载判断。

以上描述了作为用于判断负载而输入到运转模式指示单元175的值，将在前面描述的集中运转模式区间计算出的时间或者温度的变化、初始值、结果值或它们的大小等作为参数。另外，运转模式指示单元175也可以反映集中送风区域所占的面积、集中送风区域和非集中送风区域所占的面积的比例或者位置等，确定非集中运转模式中的运转方式。总结如下，运转模式指示单元175可以基于在集中运转模式区间感测到的变化以及集中送风区域和非集中送风区域的物理特征(面积、比例、位置)确定非集中运转模式中的运转方式，并确定非集中运转模式中的超负载/标准负载/少负载或风量和风速等。

运转模式指示单元175中执行的识别过程还可以使用配置在外部服务器中的学习单元来执行。即，运转模式指示单元175可以基于包含通过机器学习预先学习的人工神经网络的结构，将由参数生成单元171计算出的参数用作人工神经网络的输入数据，从而指示非集中运转模式中的负载大小或送风区域。即，可以在对集中送风区域以集中运转模式动作之后，在非集中运转模式中判断图16中将要描述的超负载/标准负载/少负载，或者确定送风区域。

配置在运转模式指示单元175或外部服务器中的学习单元中包含的深度学习模块以前面图5中所描述的DNN作为一实施例。由参数生成单元171生成的五个学习因子TempInit、TempTarget、InitRate、PowerRate、PowerTime以及集中送风区域和非集中送风区域的物理特征(面积、比例、位置)信息作为输入值输入到输入层，输出层的输出值可以输出指示超负载/标准负载/少负载中的任一种。

为了提取输入/结果因子，图5的隐藏层和输入因子可以在初期收集实际多个住户中的实际使用(现场)数据、以及用于标准环境测试的室(实验)数据，并基于此来预先学习，从而设定隐藏层的初始权值。之后，当通过外部服务器或者由同一室内机中的空调100持续收集实际使用数据时，可以应用对整体数据的重新学习，周期性地执行隐藏层每个节点、每个链路的权重的更新。

作为一实施例，为了对输出因子进行判断，在空调运转期间对预定时间执行DB收集，从而在负载基准的分类中也可以利用聚类技术(无监督学习：k-means算法)。

另外，各个隐藏层可以直接使用通常的深度学习方式，但是可以改变用于学习的各个隐藏层的结构或更新权重，例如，可以由云服务器300将多个室内机所提供的信息DB化之后，经过分析改变DNN的层和节点以及链路的结构。另外，可以感测用户在目标温度设定后的舒适区间状态下在预定时间内的温度调节，并将其反映出来。

图16是示出应用本发明一实施例时的运转模式的变化的图。

如前面图15中所描述，当空调开始动作时，参数生成单元171可以持续地感测温度，从而计算出如图15所示的曲线图，并且可以在该过程中计算出学习因子。图15中示出了三种不同的计算出的曲线图。首先，运转模式计算出超负载的曲线图是由虚线(dashedline)表示的曲线图(由G-Over表示)，运转模式计算出标准负载的曲线图(由G-Medium表示)是由实线表示的曲线图，运转模式计算出少负载的曲线图(由G-Under表示)是由点划线表示的曲线图。

集中运转模式区间是压缩机以最大输出或者大量输出在短时间内迅速降低温度的区间。此时，送风单元15可以控制风的左右角度或上下角度，以便对集中送风区域以集中运转模式动作。例如，空调100可以仅对图14的集中送风区域以集中运转模式送风。然后，根据空间的情况，达到目标温度TempTarget或者达到距目标温度相差预定温度差的时间点为PowerTime。在到达该时间点之前，参数生成单元171生成各种参数并将其提供给运转模式指示单元175。

运转模式指示单元175可以使用在PowerTime时间点提供的参数计算出运转模式。运转模式指示单元175可以在221所指示的时期，分析基于集中运转模式区间的制冷的变化模式。然后，可以选择非集中运转模式区间中的空调在降低功耗的同时为用户提供舒适感的运转模式。

根据变化模式，当在集中运转模式区间没有充分达到目标温度、达到温度所需的时间较长、或者反映初始N分钟期间的变化率等由运转模式指示单元175计算出超负载运转模式时，空调可以如G-Over所指示的曲线图以超负载模式动作。

根据变化模式，当在集中运转模式区间充分达到目标温度、达到温度所需的时间对应于基准值、或者反映初始N分钟期间的变化率等由运转模式指示单元175计算出标准负载运转模式以保持当前的温度或目标温度时，空调可以如G-Medium所指示的曲线图以超负载模式动作。

根据变化模式，当在集中运转模式区间达到低于目标温度的温度、达到温度所需的时间较短、或者反映初始N分钟期间的变化率等由运转模式指示单元175计算出少负载运转模式时，空调可以如G-Under所指示的曲线图以超负载模式动作。

即使在目标温度相同的情况下，如果达到目标温度之前的变化模式不同，则空调可以以不同的方式动作。即，基于由于所描述的学习因子不同导致在达到目标温度之后分析出的基于制冷的温度变化模式不同的结果，则可以对应于室内环境的条件适当地执行进一步制冷或减少制冷等运转模式。

在现有的情况下，由于不同的室内环境条件导致即使同样在集中运转模式区间执行制冷(或者制热)，也会根据之后的空间而发生弱制冷或过度制冷的情况。然而，当应用本发明实施例时，可以对应于室内环境条件适当在非集中运转模式区间执行制冷(或者制热)，因此能够在降低能耗的同时保持舒适的室内环境。尤其是，在非集中运转模式中，送风单元15可以控制风的左右角度或上下角度，以便以集中送风区域和非集中送风区域为对象进行动作。例如，空调100可以仅对图14的集中送风区域和第一非集中送风区域以非集中运转模式送风。

图17是示出本发明一实施例的运转模式控制模块根据负载阶段控制运转模式的过程的图。作为一实施例，下面将描述计算出少负载的情况。空调以快速模式运转，以便从初始温度TempInit变为目标温度。在图17中表示为集中运转模式区间的时间区域中处于达到目标设定温度之前的状态，因此空调可以以快速模式运转，在该情况下，可以以使用空调的最大制冷能力的制冷动力模式动作。该过程中空调可以通过感测人体或感测空间区域来更有效地降低空间中的温度。

另一方面，表示为非集中运转模式区间的时间区域是达到目标设定温度之后的状态，因此空调可以以舒适模式运转。本发明一实施例的运转模式指示单元175或云服务器的学习单元在t1时间点使用由参数生成单元171生成的学习因子来判断运转模式。即，判断空调在非集中运转模式区间动作时所需的负载。其判断结果，图17判断为少负载而动作。这是由于在集中运转模式区间的快速模式之后的非集中运转模式区间，中央控制单元110可以控制室内机和室外机等，从而减少人体适应时间、提升温度并降低风量。

因此，可以在集中运转模式区间仅对集中送风区域执行制冷或制热之后，在非集中运转模式区间对包括非集中送风区域的整体区域执行制冷或制热。

对应于少负载控制，在t1时间点的目标温度的状态Temp-a在t2时间点温度部分上升到如Temp-aa，在t3时间点温度再次上升到如Temp-ab，从而可以将温度保持在Temp-ab。目标温度以自动设定为用户主要使用的温度作为一实施例，可以是最近N次(例如，20次)期间用户最常设定的温度。或者，可以将外部服务器对应于当前温度基于大数据最优选的温度设定为目标温度。

在t1可以基于达到目标温度为止计算出的各种参数来设定t1之后的制冷能力。例如，可以基于预先学习的信息和计算出的参数来设定在当前状态下提供超负载的制冷能力、标准负载的制冷能力、还是少负载的制冷能力。

之后，可以在t2、t3阶段逐渐调节制冷能力，从而以省电运转模式动作。该过程中，当湿度较高时，可以根据额外的湿度控制联动调节到目标湿度。另外，可以根据用户的模式计算出提升温度的时间点t2、t3等。

另外，该过程中可以区分送风区域进行制冷(或者制热)。例如，当整体空间区分为集中送风区域、第一非集中送风区域(间歇性送风区域)、第二非集中送风区域(未送风区域)时，可以在t1到t2对集中、第一非集中送风区域，并且在t2到t3对整个区域执行制冷或制热。

尽管未在图中示出，但是当判断为标准负载时，可以使用标准条件反映人体适应时间，从而提升温度并将风量切换为弱风。另外，当判断为超负载时，可以在不发生根据人体适应条件的温度上升的情况下增强风量。

即，在本说明书的一实施例中，超负载以增加风量或风速作为一实施例，少负载以降低风量或风速作为一实施例。标准负载以保持风量或风速作为一实施例。

作为关于达到目标温度前/后的运转模式的例示，区分为在达到目标温度之前以空调最大制冷能力运转的模式(集中运转模式区间)、以及在达到目标温度之后根据在到达时间点t1判断的负载定制控制的运转模式(非集中运转模式区间)，为了实现根据t1时间点推定的负载阶段的省电或舒适制冷，可以通过改变温度、风量来提供各种运转模式。

详细而言，提取空调开始动作时的起始温度和目标温度、以及在此期间发生的各种环境的变数作为学习因子，从而在使用最大制冷能力的快速模式之后将空调的动作改变为舒适模式，该过程中可以选择合适的负载来控制空调的动作，以使用户不会感觉到温度上升。

另外，当使用各种环境因子确定负载并以舒适模式动作的过程中发生控制空调的动作的外部操作(增减温度或调节风量等)时，将外部操作输入到运转模式指示单元175使其成为新的结果节点，以便更准确地推定负载。

如图17中所提示，需要在非集中运转模式区间动作的运转模式信息可以包括时间信息t2、t3和温度信息Temp-ab、Temp-aa。另外，还可以包括关于送风区域的信息。

图18是示出本发明一实施例的云服务器的结构的图。通信单元370与空调以预定方式收发信息。前面图3中的区域识别单元153或运转模式指示单元175基于机器学习判断送风区域、或者判断非集中运转模式中的动作方式(负载的大小、送风区域等)。上述区域识别单元153或运转模式指示单元175的判断可以在云服务器300中实现，云服务器300的学习单元360包括区域识别单元363和运转模式指示单元365。云服务器300的区域识别单元363对应于空调发送的室内人员的距离和方向信息，在空调的送风区域中判断出集中送风区域，并对其他区域判断为非集中送风区域进行区分，这些详细动作在前面已经描述过。

另外，云服务器300的运转模式指示单元365也同样如前面所描述，在空调对由区域识别单元363区分的集中送风区域以集中运转模式动作之后，对集中送风区域和非集中送风区域指示区别于集中运转模式的非集中运转模式。

这些区域识别单元363和运转模式指示单元365的动作如前面图3的区域识别单元153或运转模式指示单元175中执行判断的动作相同。需要说明的是，区别在于，云服务器300是从多个空调接收信息并基于此来确定送风区域和非集中运转模式。服务器控制单元350用于控制上述构成要素。

图19是示出本发明一实施例的空调与云服务器之间的动作过程的图。

空调100计算出室内人员的距离和方向信息(S381)。然后，将计算出的信息发送到云服务器300(S382)。此时，包含室内人员的距离或方向信息的图像信息也作为所发送信息的一实施例。

云服务器300的通信单元370所接收的室内人员的距离和方向信息提供至云服务器300的区域识别单元363。区域识别单元363在空调的送风区域中判断集中送风区域，并对其他区域判断为非集中送风区域进行区分(S383)，云服务器300的通信单元370将关于集中送风区域和非集中区域的信息发送到空调100(S384)。

之后，空调100基于接收的信息对集中送风区域以集中运转模式动作(S385)。该过程中空调100的参数生成单元171生成如前面所描述的种类的参数(S386)。然后，所生成的参数被发送到云服务器300(S387)，云服务器300的运转模式指示单元365使用接收的参数，对空调100的集中送风区域和非集中送风区域计算出区别于集中运转模式的非集中运转模式的信息(S388)。

然后，当云服务器300的通信单元370将关于非集中运转模式的信息发送到空调时(S389)，空调100对集中送风区域和非集中送风区域以非集中运转模式动作(S390)。这里，信息可以是负载的大小、风强度、吐出的冷气或热气的温度等。

图20是示出本发明一实施例的对应于集中运转模式和非集中运转模式的送风单元的动作的图。

送风单元可以控制风向。例如，送风单元15可以由左侧叶片和右侧叶片构成。或者，可以由上侧叶片和下侧叶片构成。上述左右叶片(vane)可以确定风的左右方向，上下叶片可以确定风的距离。在集中运转模式中，左右叶片和上下叶片被固定为朝向集中送风区域，或者，可以仅在集中送风区域内左右或上下调节角度。另外，风向也可以以强风(动力风)动作。

之后，在非集中运转模式中，对集中送风区域乃至非集中送风区域送风。例如，左右叶片和上下叶片可以左右或上下调节角度，以使风能够到达集中送风区域和间歇性送风区域。

尤其是，当送风单元15的风以中央为基准分为左侧叶片和右侧叶片时，例如，可以确认到图14的空调100中左侧叶片和右侧叶片是区分开的。图14的左侧和右侧是以空调的正面为中心确定的。在该情况下，空调100的送风单元15可以将以左侧叶片15b和右侧叶片15a为基准送风的区域分为左侧区域402和右侧区域401，并对应于每个区域独立控制左侧叶片和右侧叶片。然后，中央控制单元150可以对集中送风区域和非集中送风区域独立控制送风单元的左侧叶片15b和右侧叶片15a。

送风可能区域可以再次分为左侧送风可能区域和右侧送风可能区域。然后，左侧送风可能区域再次区分为左侧集中送风区域和左侧非集中送风区域。同样地，右侧送风可能区域再次区分为右侧集中送风区域和右侧非集中送风区域。

然后，空调100的送风单元15控制左侧叶片，使得通过左侧叶片的风朝向左侧集中送风区域。空调100的送风单元15控制右侧叶片，使得通过右侧叶片的风朝向右侧集中送风区域。左侧集中送风区域和右侧集中送风区域可以连续配置。左侧集中送风区域和右侧集中送风区域可以分散配置。

当未确定集中送风区域时，运转模式控制模块170可以指示左侧叶片15b和右侧叶片15a固定朝向正中央动作的集中运转模式。

另一方面，当集中送风区域或非集中送风区域分为左侧区域402和右侧区域401，并且集中送风区域或非集中送风区域在左侧和右侧区域中不连续配置时，可以独立控制左右叶片15a、15b。例如，可以排除空间区域中的距离信息，由如下的集中送风区域、第一非集中送风区域、第二非集中送风区域构成。

下面的表1至表5示出了左侧叶片所负责的角度区域(5～55度)以及右侧叶片所负责的角度区域(60～105度)中的集中送风区域H和第一非集中送风区域L。

【表1】

如表1所示的结构中，左侧叶片15b控制为覆盖20～55度，右侧叶片15a控制为覆盖60～90度，而这些可以分别控制。例如，可以独立控制左侧和右侧叶片15a、15b，使得在集中运转模式中覆盖表示为H的区域，在非集中运转模式中覆盖表示为H和L的区域。

【表2】

如表2所示的结构中，由于左侧叶片15b没有H/L，因此是未设定集中送风区域的情况。因此，如果是左侧叶片15b，则控制为固定动作以朝向正中央，右侧叶片15a控制为覆盖70～90度，而这些可以分别控制。在表2的情况下，集中送风区域H由左侧集中送风区域(图14的402内的区域)和右侧集中送风区域(图14的401内的区域)构成，左侧集中送风区域和右侧集中送风区域可以如表2所示不连续。中央控制单元150控制左侧叶片以对左侧集中送风区域送风，控制右侧叶片以对右侧集中送风区域送风，如果某一侧未配置集中送风区域，则可以控制相应侧面的叶片朝向正中央。表2中右侧叶片控制为对应于集中送风区域即75～90度，左侧叶片可以朝向正中央。

这同样可以应用于非集中送风区域(包括H和L的非集中运转模式的送风区域)。即，非集中送风区域由左侧非集中送风区域(图14的402内的区域)和右侧非集中送风区域(图14的401内的区域)构成，且左侧非集中送风区域和右侧非集中送风区域可以如表2所示不连续。中央控制单元150控制左侧叶片以对左侧非集中送风区域送风，控制右侧叶片以对右侧非集中送风区域送风，如果某一侧未配置非集中送风区域，则可以控制相应侧面的叶片朝向正中央。表2中右侧叶片控制为对应于集中送风区域即70～90度，左侧叶片可以朝向正中央。

总结如下，围绕图14，当左侧区域402或右侧区域401中的任一区域不包含在集中送风区域时，运转模式控制模块170或中央控制单元150可以控制所述未包含的区域(左侧或右侧)的叶片朝向中央固定。

【表3】

如表3所示的结构中，左侧叶片15b控制为覆盖20～45度，右侧叶片15a控制为覆盖70～90度，而这些可以分别控制。

【表4】

如表4所示的结构中，左侧叶片15b控制为覆盖20～55度，右侧叶片15a控制为覆盖85～90度，而这些可以分别控制。该过程中，当左侧或右侧叶片可以旋转的角度为10度以下时(例如，表4的右侧叶片的旋转角度为85～90度)，可以使左侧叶片或右侧叶片朝向相应集中送风区域或非集中送风区域固定。在表4的情况下，右侧叶片可以朝向85～90度固定。

【表5】

如表5所示，当左侧和右侧区域均未配置集中、非集中送风区域时，左侧叶片15b和右侧叶片15a均可以全角摆动。或者在集中运转模式中可以控制为朝向正中央，在非集中运转模式中可以以覆盖左右方向上5～105度的全角摆动方式动作。表1至表5总结如下。

集中送风区域(或者非集中送风区域)分为由左侧叶片15b的控制确定风向的左侧集中送风区域(402内的区域)、以及由右侧叶片15a的控制确定风向的右侧集中送风区域(401内的区域)，运转模式控制模块170或中央控制单元150可以朝向左侧集中送风区域调节左侧叶片以控制左侧风向，朝向右侧集中送风区域调节右侧叶片以控制右侧风向。

图20的231示出了在集中运转模式区间对集中送风区域送风的运转模式。确定送风单元的左右叶片的左右移动角度和上下叶片的上下移动角度，以适应集中送风区域。

232示出了在非集中运转模式区间对集中送风区域和第一非集中送风区域送风的运转模式。可以确认到左右送风角度和上下角度与231相比大大增大。当然，非集中运转模式也可以以不同于集中运转模式的风量动作。例如，可以以弱风或者微风动作。

在本说明书中，集中运转模式和非集中运转模式可以以各种方式实现。例如，在集中运转模式中可以仅对集中送风区域送风，但是也可以不同于此，可以对除了集中送风区域以外的非集中送风区域也间歇性地送风。例如，在集中运转模式中，如231所示动作的次数是10次，如232所示动作的次数是3次，但在非集中运转模式中，如231所示动作的次数可以改变为5次，如232所示动作的次数可以改变为10次。即，尽管主要描述了在集中运转模式中对集中送风区域送风的实施例，但是除此之外也可以以各种变形的方式对相邻的区域或其他区域送风。

如图15至17中所描述，空调以集中运转模式动作之后，基于由此计算出的信息以非集中运转模式动作，此外，非集中运转模式对不同于集中运转模式的送风区域送风，从而可以仅对以初始或特定时间点为基准在预定时间期间人数多或者需要将温度快速调节到目标温度的区域集中送风，而在之后的时间点开始对更广的区域送风，能够实现在短时间内快速运转以及保持该状态的舒适运转。

因此，基于通过摄像头确认到的室内人员以及其位置(距离、角度等)信息，将集中送风区域(常住区域)与非常住区域或未生活区域区分开，从而可以控制流向集中送风区域的气流或者调节设置于本体的风扇马达的转速、转向的角度、引导件的角度和风量等。此外，在集中送风区域执行集中运转模式之后，可以基于由此计算出的温度/湿度/区域的面积或位置等执行非集中运转模式。为此，可以利用直接或间接气流来实现舒适控制，可以基于实际用户所生活的区域(送风区域)与空调的距离判断制冷或制热负载，从而自适应地调节风量或风速等。

以上描述了构成本发明的实施例的所有构成要素结合在一起或结合来运转，但本发明并不一定限于上述实施例，在本发明的目的范围内，所有构成要素也可以选择性地结合成一个以上来运转。另外，上述所有构成要素可以分别实现为一个独立的硬件，也可以实现为具有各个构成要素的部分或全部可选地进行组合，用于执行在一个或多个硬件中组合的部分或全部功能的程序模块的计算机程序。构成上述计算机程序的代码和代码段可以由本发明领域技术人员容易地推导出。上述计算机程序可以存储在计算机可读取的存储介质(Computer Readable Media)中，并由计算机读取并执行，从而实现本发明的实施例。作为计算机程序的存储介质，包括磁存储介质、光存储介质、半导体存储元件等存储介质。另外，实现本发明的实施例的计算机程序包括通过外部装置实时传输的程序模块。

以上，以本发明的实施例为中心进行了说明，但本领域技术人员可以进行各种变更或变形。因此，应理解，上述变更和变形在不脱离本发明的范围的前提下均应包含在本发明的范围内。

Claims (18)

1.一种区域选择性地动作的空调，其中，

包括：

摄像头，用于以所述空调为基准感测室内人员的距离和方向；

区域识别模块，在所述空调的送风空间中与感测到的所述室内人员的距离和方向相对应地判断集中送风区域，将所述集中送风区域以外的区域判断并区分为非集中送风区域；

运转模式控制模块，指示所述空调对所述集中送风区域以集中运转模式运转；以及，

中央控制单元，将所述空调控制为对由所述区域识别模块区分的集中送风区域以指示的所述集中运转模式进行动作，当以所述集中运转模式完成动作时，将所述空调控制为对所述集中送风区域和所述非集中送风区域以区别于所述集中运转模式的运转模式进行动作，

所述集中运转模式所需要的时间比所述非集中运转模式所需要的时间较短，

所述运转模式控制模块接收在集中运转模式下算出的输入因子以及所述集中送风区域和所述非集中送风区域的面积、比例、位置的信息，来输出所述非集中运转模式下的运转状态的负载，

所述运转模式控制模块包括：

感测单元，用于感测所述送风区域的温度或湿度的变化；

参数生成单元，生成参数，所述参数包括所述送风区域中所述非集中送风区域和所述集中送风区域的位置和面积、以所述集中运转模式运转的区间的起始时间点的室内初始温度、所述区间的目标设定温度、所述区间的预定初始区间的温度变化率、所述区间的温度变化率、以及所述区间的起始时间点与结束时间点之间的时间大小中的一个以上；以及

运转模式指示单元，以所述空调开启或智能接通时间点为基准，对由所述区域识别模块判断的集中送风区域，指示预定时间的集中运转模式，如果所述集中运转模式结束，则对所述非集中送风区域和所述集中送风区域，指示非集中运转模式，

所述智能接通时间点是空调在没有用户控制的情况下开始自动动作模式的时间点。

2.根据权利要求1所述的区域选择性地动作的空调，其中，

所述区域识别模块包括：

人体识别单元，从所述摄像头获取的图像中识别所述室内人员是否存在以及所述室内人员的距离和方向；以及

区域识别单元，基于对所述室内人员识别的结果，从多个区域中划分出生活区域。

3.根据权利要求2所述的区域选择性地动作的空调，其中，

所述区域识别模块包括通过机器学习来预先学习的人工神经网络，

累积识别所述室内人员的距离和方向的结果，生成对应于多个所述区域的各区域的直方图，将生成的所述直方图用作所述人工神经网络的输入数据，从而区分为所述集中送风区域和所述非集中送风区域。

4.根据权利要求1所述的区域选择性地动作的空调，其中，

所述区域识别模块将所述非集中送风区域区分为间歇性送风区域和未送风区域。

5.根据权利要求1所述的区域选择性地动作的空调，其中，

所述空调还包括将左侧叶片和右侧叶片进行独立控制的送风单元，

对所述集中送风区域和所述非集中送风区域，所述中央控制单元独立控制所述送风单元的所述左侧叶片和所述右侧叶片。

6.根据权利要求5所述的区域选择性地动作的空调，其中，

如果没有计算出所述集中送风区域，则所述运转模式控制模块指示集中运转模式，所述集中运转模式使所述左侧叶片和所述右侧叶片朝向正中央方向固定并进行动作。

7.根据权利要求5所述的区域选择性地动作的空调，其中，

所述集中送风区域由左侧集中送风区域和右侧集中送风区域构成，所述左侧集中送风区域和所述右侧集中送风区域不连续，

所述中央控制单元控制所述左侧叶片以向所述左侧集中送风区域送风，控制所述右侧叶片以向所述右侧集中送风区域送风。

8.根据权利要求5所述的区域选择性地动作的空调，其中，

如果与所述集中送风区域或所述非集中送风区域相对应地，左侧叶片要旋转的角度或右侧叶片要旋转的角度为10度以下，则所述运转模式控制模块控制所述左侧叶片或所述右侧叶片朝向所述集中送风区域或所述非集中送风区域固定，如果没有计算出所述集中送风区域，则控制所述左侧叶片和所述右侧叶片对左侧、右侧和中央整体进行摆动。

9.根据权利要求5所述的区域选择性地动作的空调，其中，

如果左侧区域和右侧区域中的任一区域不包含于所述集中送风区域，则所述运转模式控制模块控制为将不包含的区域的所述叶片朝向中央固定。

10.根据权利要求5所述的区域选择性地动作的空调，其中，

所述集中送风区域分为风向因控制所述左侧叶片而确定的左侧集中送风区域和风向因控制所述右侧叶片而确定的右侧集中送风区域，

所述运转模式控制模块调节所述左侧叶片，控制朝向所述左侧集中送风区域的左侧风向，

调节所述右侧叶片，控制朝向所述右侧集中送风区域的右侧风向。

11.根据权利要求1所述的区域选择性地动作的空调，其中，

如果计算出所述集中送风区域，则所述运转模式控制模块指示对所述集中送风区域进行预定时间的动作的集中运转模式，

如果所述集中运转模式结束，则所述运转模式控制模块指示对所述非集中送风区域和所述集中送风区域执行的非集中运转模式，

所述集中运转模式的每小时能耗量大于所述非集中运转模式的每小时能耗量。

12.一种指示空调区域选择性地动作的云服务器，包括：

通信单元，用于与所述空调以预定方式收发信息；

区域识别单元，与所述空调发送的室内人员的距离和方向信息相对应地，在所述空调的送风区域中判断出集中送风区域，并且将所述集中送风区域以外的区域判断并区分为非集中送风区域；

运转模式指示单元，在所述空调对由所述区域识别单元区分的集中送风区域以集中运转模式进行动作之后，对所述集中送风区域和所述非集中送风区域指示区别于所述集中运转模式的非集中运转模式；以及

服务器控制单元，用于控制所述通信单元、所述区域识别单元、所述运转模式指示单元，

所述运转模式指示单元接收在所述空调的集中运转模式下算出的输入因子以及所述集中送风区域和所述非集中送风区域的面积、比例、位置的信息，来输出所述空调的非集中运转模式下的运转状态的负载，

使用所述空调发送的所述送风区域中的所述非集中送风区域和所述集中送风区域的位置和面积、以所述集中运转模式运转的区间的起始时间点的室内初始温度、所述区间的目标设定温度、所述区间的预定初始区间的温度变化率、所述区间的温度变化率、以及所述区间的起始时间点与结束时间点之间的时间大小中的任意一种以上，

所述运转模式指示单元以所述空调以开启或智能接通时间点为基准，对由所述区域识别模块判断的集中送风区域，指示预定时间的集中运转模式，当所述集中运转模式结束时，指示对所述非集中送风区域和所述集中送风区域的非集中运转模式，

所述智能接通时间点是所述空调在没有用户控制的情况下开始自动动作模式的时间点。

13.根据权利要求12所述的指示空调区域选择性地动作的云服务器，其中，

所述区域识别单元基于从所述空调的摄像头所获取的图像中识别出的室内人员的距离和方向，从多个所述区域划分出生活区域。

14.根据权利要求13所述的指示空调区域选择性地动作的云服务器，其中，

所述区域识别单元包括通过机器学习来预先学习的人工神经网络，

累积识别到的所述室内人员的距离和方向，生成对应于多个所述区域的各区域的直方图，将生成的所述直方图用作所述人工神经网络的输入数据，从而区分为所述送风区域和所述非集中送风区域。

15.根据权利要求12所述的指示空调区域选择性地动作的云服务器，其中，

所述区域识别单元将所述非集中送风区域区分为间歇性送风区域和未送风区域。

16.一种空调区域选择性地动作的方法，其中，包括：

所述空调的摄像头感测室内人员的距离和方向的步骤；

所述空调的区域识别模块在所述空调的送风区域中与感测到的所述室内人员的距离和方向相对应地判断集中送风区域，并且将所述集中送风区域以外的区域判断并区分为非集中送风区域的步骤；

所述空调的运转模式控制模块指示空调对所述集中送风区域以集中运转模式运转的步骤；以及，

如果以所述集中运转模式完成动作，则所述空调的控制单元控制所述空调对所述集中送风区域和所述非集中送风区域以区别于所述集中运转模式的非集中运转模式进行动作的步骤，

指示所述非集中运转模式的步骤包括：所述运转模式控制模块接收在集中运转模式下算出的输入因子以及所述集中送风区域和所述非集中送风区域的面积、比例、位置的信息，来输出所述非集中运转模式下的运转状态的负载，

使用所述空调发送的所述送风区域中的所述非集中送风区域和所述集中送风区域的位置和面积、以所述集中运转模式运转的区间的起始时间点的室内初始温度、所述区间的目标设定温度、所述区间的预定初始区间的温度变化率、所述区间的温度变化率、以及所述区间的起始时间点与结束时间点之间的时间大小中的任意一种以上，

所述运转模式控制模块以所述空调以开启或智能接通时间点为基准，对由所述区域识别模块判断的集中送风区域，指示预定时间的集中运转模式，当所述集中运转模式结束时，指示对所述非集中送风区域和所述集中送风区域的非集中运转模式，

所述智能接通时间点是所述空调在没有用户控制的情况下开始自动动作模式的时间点。

17.根据权利要求16所述的空调区域选择性地动作的方法，其中，

所述区域识别模块包括：

人体识别单元，从所述摄像头获取的图像中识别室内人员是否存在以及所述室内人员的距离和方向；以及

区域识别单元，基于对所述室内人员识别的结果，从多个所述区域划分出生活区域。

18.根据权利要求17所述的空调区域选择性地动作的方法，其中，

所述区域识别模块包括通过机器学习来预先学习的人工神经网络，

所述方法包括：

累积所述区域识别单元识别所述室内人员的距离和方向的结果，生成对应于多个所述区域的各区域的直方图的步骤；以及，

所述区域识别单元将生成的所述直方图用作所述人工神经网络的输入数据，从而区分为所述送风区域和所述非集中送风区域的步骤。

Images