CN110893091A - 摆放餐具的方法及装置 - Google Patents

Abstract

本申请提供了一种摆放餐具的方法及装置，其中，该方法包括：通过摄像头获取当前洗碗机中的餐具的第一照片，使用预先训练好的机器学习模型对第一照片进行分析，得出当前餐具的总数量，以及餐具类型等信息，依据该信息计算出摆放餐具的方式，洗碗机依据该方式在存储位置摆放餐具，采用上述方案，解决了相关技术中洗碗机内的餐具需要人工摆放的问题，洗碗机自动化地实现了餐具摆放，不需要人工参与，节省了人力资源。

Description

摆放餐具的方法及装置

技术领域

本申请涉及但不限于电器领域，具体而言，涉及一种摆放餐具的方法及装置。

背景技术

在相关技术中，随着家电业的发展，洗碗机的普及越来越广泛。洗碗机通过喷头进行高温高压的喷射来完成餐具的清洗。通常，洗碗机都具有洗完、烘干、存储等功能，不仅能够代替用户完成洗碗的功能，还能够代替消毒柜或橱柜，对餐具进行存储摆放。但对于相关技术中的洗碗机，虽然洗涤过程中无需有人守候，可以自动完成洗涤工作，但在洗碗机完成洗涤工作之后，需要人为的进行餐具的摆放，这种方式不仅为用户带来不便，还会由于人为的介入导致已经被清洁过的餐具重新被污染，因此，这种餐具的摆放方式需要被改善。

针对相关技术中洗碗机内的餐具需要人工摆放的问题，目前还没有有效的解决方案。

发明内容

本申请实施例提供了一种摆放餐具的方法及装置，以至少解决相关技术中洗碗机内的餐具需要人工摆放的问题。

根据本申请的一个实施例，提供了一种摆放餐具的方法，包括：通过摄像头获取洗碗机中餐具的第一照片；使用机器学习模型获取与所述第一照片具有关联关系的第一餐具信息，其中，所述机器学习模型是使用第一样本信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本信息包括第一规则和多组照片，其中，所述第一规则是依据识别照片的结果判断出照片中餐具信息的规则；依据所述第一餐具信息获取在所述洗碗机中摆放餐具的摆放操作信息，控制所述洗碗机执行所述摆放操作信息。

根据本申请的另一个实施例，还提供了一种摆放餐具的装置，包括：第一获取模块，用于通过摄像头获取洗碗机中餐具的第一照片；第二获取模块，用于使用机器学习模型获取与所述第一照片具有关联关系的第一餐具信息，其中，所述机器学习模型是使用第一样本信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本信息包括第一规则和多组照片，其中，所述第一规则是依据识别照片的结果判断出照片中餐具信息的规则；第三获取模块，用于依据所述第一餐具信息获取在所述洗碗机中摆放餐具的摆放操作信息，控制所述洗碗机执行所述摆放操作信息。

根据本申请的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本申请的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本申请，通过摄像头获取当前洗碗机中的餐具的第一照片，使用预先训练好的机器学习模型对第一照片进行分析，得出当前餐具的总数量，以及餐具类型等信息，依据该信息计算出摆放餐具的方式，洗碗机依据该方式在存储位置摆放餐具，采用上述方案，解决了相关技术中洗碗机内的餐具需要人工摆放的问题，洗碗机自动化地实现了餐具摆放，不需要人工参与，节省了人力资源。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本申请实施例的一种摆放餐具的方法的计算机终端的硬件结构框图；

图2是根据本申请实施例的摆放餐具的方法流程图；

图3是根据本申请另一个实施例的基于神经网络摆放餐具的方法流程图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

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。

实施例一

本申请实施例一所提供的方法实施例洗碗机中的运行，可以在洗碗机中集成计算模块或者处理器等，或者由洗碗机连接的服务器进行计算。即本申请的方案可以在计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是本申请实施例的一种摆放餐具的方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的摆放餐具的方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种摆放餐具的方法，图2是根据本申请实施例的摆放餐具的方法流程图，如图2所示，该流程包括如下步骤：

步骤S202，通过摄像头获取洗碗机中餐具的第一照片；

步骤S204，使用机器学习模型获取与该第一照片具有关联关系的第一餐具信息，其中，该机器学习模型是使用第一样本信息作为原始模型的输入信息对该原始模型进行训练得到的模型，该第一样本信息包括第一规则和多组照片，其中，该第一规则是依据识别照片的结果判断出照片中餐具信息的规则；

上述的第一规则可以是原始模型的多层的规则，例如模型第一层可以使用依据照片找到盘子的规则，模型的第二层可以是使用依据照片找到碗的规则。经过上述模型一层层筛选后就可以输出该第一照片中包括的第一餐具信息。

步骤S206，依据该第一餐具信息获取在该洗碗机中摆放餐具的摆放操作信息，控制该洗碗机执行该摆放操作信息。

在洗碗机中可以设置预设区域用于存储餐具，洗碗机在获取上述摆放操作信息之后，自动将当前餐具进行分类，然后将其放置对应的位置。

通过上述步骤，通过摄像头获取当前洗碗机中的餐具的第一照片，使用预先训练好的机器学习模型对第一照片进行分析，得出当前餐具的总数量，以及餐具类型等信息，依据该信息计算出摆放餐具的方式，洗碗机依据该方式在存储位置摆放餐具，采用上述方案，解决了相关技术中洗碗机内的餐具需要人工摆放的问题，洗碗机自动化地实现了餐具摆放，不需要人工参与，节省了人力资源。

可选地，，使用机器学习模型获取与该第一照片具有关联关系的第一餐具信息之前，包括：

步骤一，将该第一样本信息的多组照片作为输入信息输入该原始模型，在该原始模型中依据该第一规则对该多组照片进行识别，获取识别结果；

步骤二，依据该第一样本信息的多组照片实际对应的餐具信息，校验该识别结果，获取识别准群率；

步骤三，在该识别准确率低于阈值的情况下，调整该原始模型；

步骤四，重复执行该步骤一至步骤三直至该识别准确率高于阈值，输出模型作为该机器学习模型。

上述步骤一至步骤四是对原始模型训练的过程，步骤三的中的调整原始模型不是对第一规则的调整，是对原始模型中的系数进行调整。

可选地，使用机器学习模型获取与该第一照片具有关联关系的第一餐具信息，包括：使用机器学习模型识别该第一照片中的餐具总数量、餐具类型和/或每种类型的餐具数量；将该餐具总数量、餐具类型和/或每种类型的餐具数量，作为该第一餐具信息。

可选的，依据该第一餐具信息获取在该洗碗机中摆放餐具的摆放操作信息，包括：获取该洗碗机的摆放餐具区域的规格信息；依据该第一餐具信息和该规格信息获取该摆放操作信息，其中，该摆放操作信息包括将同种类型的餐具摆放至相邻位置。

可选地，该规格信息包括以下至少之一：在该摆放餐具区域内分别摆放各种类型餐具的第一最大数量；在该摆放餐具区域内同时摆放多种类型餐具的第二最大数量。

相关技术中的市场上出现的洗碗机均是根据使用者的摆放位置进行清洗。清洗后的厨具需要人工进行分类。然而，由于餐具种类繁多。洗好的碗具需要人工分类，给用户带来了不便。本方案提供一种基于神经网络算法和投资原理实现对碗具的分类，图3是根据本申请另一个实施例的基于神经网络摆放餐具的方法流程图，如图3所示，包括以下步骤：

步骤一，神经网络算法预测餐具总量，种类和每种餐具的数量。通过基于神经网络算法建立的预测模型预测餐具的总数量M、种类数N和每种类型厨具的数量；

步骤二，基于投资组合原理，将同种类型的餐具放置在预订区域。

获取在所述预设区域内可放置的约束参数值，其中，所述约束参数值至少包括以下之一：可用于放置每种类型厨具的上限值，在所述预定区域内放置每两种至每N种厨具的上限值；

步骤三，基于投资组合原理，将剩余种类的餐具按照最优组合方式放置在预订区域。

通过目标函数确定将相同种类的餐具放置在所述预定区域中，统计剩余的餐具种类及每种餐具的数量，所述目标函数基于投资组合理论确定，所述目标函数用于将相同餐具放置在预定区域中，将剩余餐具按照最优的组合方式放置在预定区域。

函数的待定参数包括所述剩余餐具的组合参数，剩余餐具的组合参数包括餐具组合中的种类及每种餐具的数量。

在洗碗机对餐具的分类中，假设洗碗机共有S个餐具摆放架(对应于预定区域)。假设，M＝100，N＝3，三种类型的餐具分别用Y1，Y2，Y3表示，Y1＝50，Y2＝30，Y3＝20。通过神经网络算法预测洗碗机内餐具的总数M、种类数N以及每种餐具的数量。通过目标函数确定每个摆放架中可以放置Y1的数量为24，Y2的数量为15，Y3的数量是12。基于投资组合原理将Y1分别放置在两个摆放架中，剩余2个Y1，将Y2放置在两个摆放架，Y3相应放置在一个摆放架，剩余8个。将剩余的2个Y1和8个Y3按照最优的组合原理，将8个Y3放置在一个摆放架，2个Y1放在另一个摆放架。

通过神经网络算法实现了对洗碗机内餐具的总数及种类数进行预测，利用投资组合理论实现对不同餐具的最优组合，实现了对洗碗机内餐具的最优分类。解决了洗碗机不能对餐具进行分类的问题，达到了可以根据分类清洗餐具，充分利用洗碗机的资源，节省劳动力的效果。

本方案通过使用神经网络算法对洗碗机内餐具的数量和种类，以及每种餐具的数量进行预测。基于投资组合原理实现对餐具的最优组合，实现了对洗碗机内餐具的最优分类，由此，可以带来可以根分类清洗餐具，充分利用洗碗机的资源，节省劳动力的有益效果。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

实施例二

在本实施例中还提供了一种摆放餐具的装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

根据本申请的另一个实施例，还提供了一种摆放餐具的装置，包括：

第一获取模块，用于通过摄像头获取洗碗机中餐具的第一照片；

第二获取模块，用于使用机器学习模型获取与所述第一照片具有关联关系的第一餐具信息，其中，所述机器学习模型是使用第一样本信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本信息包括第一规则和多组照片，其中，所述第一规则是依据识别照片的结果判断出照片中餐具信息的规则；

第三获取模块，用于依据所述第一餐具信息获取在所述洗碗机中摆放餐具的摆放操作信息，控制所述洗碗机执行所述摆放操作信息。

通过摄像头获取当前洗碗机中的餐具的第一照片，使用预先训练好的机器学习模型对第一照片进行分析，得出当前餐具的总数量，以及餐具类型等信息，依据该信息计算出摆放餐具的方式，洗碗机依据该方式在存储位置摆放餐具，采用上述方案，解决了相关技术中洗碗机内的餐具需要人工摆放的问题，洗碗机自动化地实现了餐具摆放，不需要人工参与，节省了人力资源。

可选地，所述第二获取模块在使用机器学习模型获取与所述第一照片具有关联关系的第一餐具信息之前，还用于执行以下步骤：

步骤一，将所述第一样本信息的多组照片作为输入信息输入所述原始模型，在所述原始模型中依据所述第一规则对所述多组照片进行识别，获取识别结果；

步骤二，依据所述第一样本信息的多组照片实际对应的餐具信息，校验所述识别结果，获取识别准群率；

步骤三，在所述识别准确率低于阈值的情况下，调整所述原始模型；

步骤四，重复执行所述步骤一至步骤三直至所述识别准确率高于阈值，输出模型作为所述机器学习模型。

可选地，所述第二获取模块还用于使用机器学习模型识别所述第一照片中的餐具总数量、餐具类型和/或每种类型的餐具数量；以及用于将所述餐具总数量、餐具类型和/或每种类型的餐具数量，作为所述第一餐具信息。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

实施例三

本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：

S1，通过摄像头获取洗碗机中餐具的第一照片；

S2，使用机器学习模型获取与所述第一照片具有关联关系的第一餐具信息，其中，所述机器学习模型是使用第一样本信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本信息包括第一规则和多组照片，其中，所述第一规则是依据识别照片的结果判断出照片中餐具信息的规则；

S3，依据所述第一餐具信息获取在所述洗碗机中摆放餐具的摆放操作信息，控制所述洗碗机执行所述摆放操作信息。

可选地，在本实施例中，上述存储介质可以包括但不限于：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。

本申请的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输装置以及输入输出设备，其中，该传输装置和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，通过摄像头获取洗碗机中餐具的第一照片；

S2，使用机器学习模型获取与所述第一照片具有关联关系的第一餐具信息，其中，所述机器学习模型是使用第一样本信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本信息包括第一规则和多组照片，其中，所述第一规则是依据识别照片的结果判断出照片中餐具信息的规则；

S3，依据所述第一餐具信息获取在所述洗碗机中摆放餐具的摆放操作信息，控制所述洗碗机执行所述摆放操作信息。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

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 (10)

1.一种摆放餐具的方法，其特征在于，包括：

通过摄像头获取洗碗机中餐具的第一照片；

使用机器学习模型获取与所述第一照片具有关联关系的第一餐具信息，其中，所述机器学习模型是使用第一样本信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本信息包括第一规则和多组照片，其中，所述第一规则是依据识别照片的结果判断出照片中餐具信息的规则；

依据所述第一餐具信息获取在所述洗碗机中摆放餐具的摆放操作信息，控制所述洗碗机执行所述摆放操作信息。

2.根据权利要求1所述的方法，其特征在于，使用机器学习模型获取与所述第一照片具有关联关系的第一餐具信息之前，所述方法还包括：

步骤一，将所述第一样本信息的多组照片作为输入信息输入所述原始模型，在所述原始模型中依据所述第一规则对所述多组照片进行识别，获取识别结果；

步骤二，依据所述第一样本信息的多组照片实际对应的餐具信息，校验所述识别结果，获取识别准群率；

步骤三，在所述识别准确率低于阈值的情况下，调整所述原始模型；

步骤四，重复执行所述步骤一至步骤三直至所述识别准确率高于阈值，输出模型作为所述机器学习模型。

3.根据权利要求1所述的方法，其特征在于，使用机器学习模型获取与所述第一照片具有关联关系的第一餐具信息，包括：

使用机器学习模型识别所述第一照片中的餐具总数量、餐具类型和/或每种类型的餐具数量；

将所述餐具总数量、餐具类型和/或每种类型的餐具数量，作为所述第一餐具信息。

4.根据权利要求1所述的方法，其特征在于，依据所述第一餐具信息获取在所述洗碗机中摆放餐具的摆放操作信息，包括：

获取所述洗碗机的摆放餐具区域的规格信息；

依据所述第一餐具信息和所述规格信息获取所述摆放操作信息，其中，所述摆放操作信息包括将同种类型的餐具摆放至相邻位置。

5.根据权利要求4所述的方法，其特征在于，所述规格信息包括以下至少之一：

在所述摆放餐具区域内分别摆放各种类型餐具的第一最大数量；

在所述摆放餐具区域内同时摆放多种类型餐具的第二最大数量。

6.一种摆放餐具的装置，其特征在于，包括：

第一获取模块，用于通过摄像头获取洗碗机中餐具的第一照片；

第二获取模块，用于使用机器学习模型获取与所述第一照片具有关联关系的第一餐具信息，其中，所述机器学习模型是使用第一样本信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本信息包括第一规则和多组照片，其中，所述第一规则是依据识别照片的结果判断出照片中餐具信息的规则；

第三获取模块，用于依据所述第一餐具信息获取在所述洗碗机中摆放餐具的摆放操作信息，控制所述洗碗机执行所述摆放操作信息。

7.根据权利要求6所述的装置，其特征在于，所述第二获取模块在使用机器学习模型获取与所述第一照片具有关联关系的第一餐具信息之前，还用于执行以下步骤：

步骤一，将所述第一样本信息的多组照片作为输入信息输入所述原始模型，在所述原始模型中依据所述第一规则对所述多组照片进行识别，获取识别结果；

步骤二，依据所述第一样本信息的多组照片实际对应的餐具信息，校验所述识别结果，获取识别准群率；

步骤三，在所述识别准确率低于阈值的情况下，调整所述原始模型；

步骤四，重复执行所述步骤一至步骤三直至所述识别准确率高于阈值，输出模型作为所述机器学习模型。

8.根据权利要求6所述的装置，其特征在于，所述第二获取模块还用于使用机器学习模型识别所述第一照片中的餐具总数量、餐具类型和/或每种类型的餐具数量；

以及用于将所述餐具总数量、餐具类型和/或每种类型的餐具数量，作为所述第一餐具信息。

9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的方法。

10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至5任一项中所述的方法。

Images