CN110924043A - 人工智能衣物处理设备及其控制方法 - Google Patents

Abstract

本发明公开了一种人工智能衣物处理设备及其控制方法。该衣物处理设备包括：洗涤桶，其构造成接收衣物，所述洗涤桶构造成能旋转；马达，其构造成旋转所述洗涤桶；控制器，其构造成控制所述马达，使得所述洗涤桶加速旋转；和电流感测单元，其构造成以预定时间间隔感测所述马达的电流，其中所述控制器构造成向基于机器学习预训练的人工神经网络的输入层输入输入数据，以从所述人工神经网络的输出层的输出获得衣物重量或衣物质量中的至少一者，所述输入数据是通过根据预定的解析规则处理在所述马达在衣物在所述洗涤桶中移动的范围内加速时由所述电流感测单元感测到的电流值而生成的。

Description

人工智能衣物处理设备及其控制方法

技术领域

本发明涉及一种衣物处理设备及其控制方法，该衣物处理设备基于机器学习来感测衣物重量和衣物质量。

背景技术

衣物处理设备是通过诸如洗涤、漂洗、离心脱水和/或干燥之类的各种操作处理衣物的设备。衣物处理设备具有洗涤桶，该洗涤桶借助马达旋转。

衣物处理设备通常配备有用于感测引入洗涤桶中的衣物的重量(或衣物重量)的算法。例如，现有技术1(韩国专利申请公开10-2006-0061319号公报)公开了一种计算进行控制时获得的诸如偏心值、DC电压和马达转矩值之类的信息的方法，使得马达是在使用以下数学表达式将马达加速到预定的旋转速率之后以均匀的速度旋转，以便感测衣物重量。

衣物重量值＝恒定速度期间的电流量的平均值+直流电压补偿值-偏心补偿值+a

(a是通过实验获得的常数)

直流电压补偿值＝(直流电压感测值-b)×t

(b是实验常数，t是恒定速度期间的时间)

偏心补偿值＝恒定速度期间内的偏心值×d

(d是实验常数)

在现有技术1中，许多常数用于估计衣物重量值，并且其中大部分常数是实验值，由此需要专家设定，并且设定值不准确。因此，现有技术1在提高感测衣物重量的准确性方面存在限制。

而且，在现有技术1中，必须准确地找到设定值(实验常数)以便提高感测衣物重量的准确度，这可能需要很多时间。

现有技术2(韩国专利申请1999-0065538号公报)公开了一种测量将马达加速到预定速度所需的时间以及马达以预定速度旋转时马达旋转速度的变化的方法，以便感觉衣物重量。

在现有技术2中，将测得的时间和马达的旋转速度的变化与预定的衣物重量感测比较值进行比较，以便感测衣物重量是大还是小。这些值在大小方面简单地相互比较，以便感测衣物重量。也就是说，仅可以区分大的衣物重量和小的衣物重量。因此，现有技术2在准确地感测各种衣物重量方面具有局限性。另外，即使在现有技术2中，人们也必须预先找到所有设定值以进行比较，这是麻烦的。

在不能准确测量衣物重量的情况下，需要大量时间来进行高速度离心脱水操作。结果，总洗涤时间增加，从而增加了能量消耗。由于这些原因，已经进行了关于准确地感测衣物重量的方法的各种研究。

同时，近年来，人们对人工智能和机器学习(如深度学习)的兴趣有所增加。基于统计的分类、回归和聚类模型是传统机器学习的中心。特别地，在分类和回归模型的监督学习中，人预先定义学习数据的特征和基于特征区分新数据的学习模型。与此不同，深度学习是计算机本身在特征之间的发现和区分。

加速深度学习成长的因素之一是开源深度学习框架。例如，深度学习框架的实施例包括加拿大蒙特利尔大学的Theano、美国纽约大学的Torch、美国加利福尼亚大学的Caffe以及Google的TensorFlow。

随着深度学习框架的开放，除了深度学习算法之外，学习过程、学习方法以及用于学习的数据的提取和选择对于有效学习和识别变得更加重要。此外，越来越多地进行关于在各种产品和服务中使用人工智能和机器学习的研究。

(现有技术文献)

(专利文献)

1.韩国专利申请10-2006-0061319号公报(2006年6月7日公布)

2.韩国专利申请1999-0065538号公报(1999年8月5日公布)

发明内容

本发明的一个目的是提供一种衣物处理设备及其控制方法，该衣物处理设备能够基于机器学习快速且准确地感测诸如衣物重量和衣物质量之类的衣物特性。

本发明的另一个目的是提供一种衣物处理设备及其控制方法，该衣物处理设备能够使用在加速洗涤桶时感测到的电流值作为人工神经网络的输入数据，但是根据预定的解析规则处理电流值，而不是使用所有的感测电流值，从而减少输入数据的数量。

本发明的另一个目的是提供一种衣物处理设备及其控制方法，该衣物处理设备能够应用解析规则，使得在处理电流值以生成输入数据时适当地反映衣物特性。

根据本发明的一个方面，通过提供一种衣物处理设备可以实现上述和其他目的，该衣物处理设备包括：洗涤桶，其构造成接收衣物；洗衣桶，其构造成可旋转；马达，其构造成旋转所述洗涤桶；控制器，其构造成控制所述马达，使得所述洗涤桶加速旋转；和电流感测单元，其构造成以预定时间间隔感测所述马达的电流。

所述控制器可以构造成根据预定的解析规则处理由所述电流感测单元感测到的电流值，以生成输入数据。

控制器可以构造成将所述输入数据输入到基于机器学习预训练的人工神经网络的输入层，以获得衣物重量或衣物质量中的至少一者。

所述输入数据可以包括在由所述电流感测单元感测到的所述电流值中的在预定时间段中获得的电流值以及按预定时段计算在所述时间段之后获得的电流值的平均值而获得的值。

可以使用在所述预定时间段中获得的所述电流值作为所述输入层的输入来获得所述衣物重量。

可以使用按所述预定时段计算的所述平均值作为所述输入层的输入来获得所述衣物质量。

所述控制器可以构造成获得在所述衣物在所述洗涤桶中移动的所述范围内由所述电流感测单元感测到的所述电流值的移动平均值。可以基于所述移动平均获得根据所述解析规则处理而生成的输入数据。

当在所述洗涤桶的获得作为所述输入数据的所述电流值的旋转速度时段中所述洗涤桶在一个方向上旋转一圈或多圈时，位于所述洗涤桶最低侧的衣物可以通过所述洗涤桶的旋转升高到预定高度然后可以在与所述洗涤桶分离的同时下落。

所述衣物处理设备还可以包括：速度感测单元，该速度感测单元构造成感测所述马达的旋转速度，其中所述控制器可以构造成基于由所述速度感测单元感测到的速度值，从所述电流感测单元获得的电流值中选择对应于所述马达的旋转速度从第一旋转速度加速到第二旋转速度的时段的电流值，并使用所选择的电流值作为所述输入数据。

所述第二旋转速度可以为60至80rpm。

所述第一旋转速度可以为10至20rpm。

可以考虑所述衣物的磨损程度和洗涤强度来分类衣物质量。

所述衣物处理设备还可以包括：供水阀，其构造成将水供应到所述洗涤桶中，其中所述控制器可以构造成进行控制，使得经由所述供水阀供应水，然后加速所述洗涤桶。

所述控制器可以构造成基于所述衣物重量或所述衣物质量中的至少一者来构建操作设定，并且根据所构建的操作设定来控制所述衣物处理设备的操作。

根本发明的另一方面，提供一种控制衣物处理设备的方法，该方法包括：(a)加速其中引入有衣物的洗涤桶；(b)获得马达的电流值，该马达构造成所述洗涤桶在所述衣物在所述洗涤桶中移动的范围内加速旋转的时间段内以预定时间间隔旋转所述洗涤桶；(c)通过根据预定的解析规则处理由电流感测单元感测到的电流值来生成输入数据；并且(d)使用步骤(c)获得的所述输入数据作为基于机器学习预训练的人工神经网络的输入层的输入，从所述人工神经网络的输出层的输出获得衣物重量或衣物质量中的至少一者。

所述输入数据可以包括在由所述电流感测单元感测到的所述电流值中的预定时间段中获得的电流值以及按预定时段计算在所述时间段之后获得的电流值的平均值而获得的值。

可以使用在所述预定时间段中获得的所述电流值作为所述输入层的输入来获得所述衣物重量。

可以使用按所述预定时段计算的所述平均值作为所述输入层的输入来获得所述衣物质量。

所述方法还可以包括：(e)获得在所述衣物在所述洗涤桶中移动的范围内由所述电流感测单元感测到的所述电流值的移动平均值，其中基于所述移动平均值可以获得根据所述解析规则处理生成的所述输入数据。

附图说明

根据以下结合附图的详细描述，将更清楚地理解本发明的以上和其他目的、特征以及其他优点，在附图中：

图1是示出根据本发明的实施方式的衣物处理设备的侧剖视图；

图2是示出图1的衣物处理设备的主要部件之间的控制关系的框图；

图3是示出基于衣物质量和负载重量(衣物重量)供应到马达的电流模式的图；

图4是示出根据衣物质量的电流模式的图；

图5是示出在使用预定方法控制马达的速度的状态下根据负载的电流模式的图；

图6是示出将电流感测单元获得的当前电流值作为人工神经网络的输入数据进行处理的过程的图；

图7是示出人工神经网络的实施例的简图；

图8是示出在分为学习处理和识别处理的状态下使用马达的当前电流值借助衣物重量确定衣物质量的过程的简图；

图9的(a)是示出由电流感测单元感测到的当前电流值的曲线图，并且图9的(b)是示出通过处理移动平均滤波器而得到的平均值的曲线图；

图10是示出由电流感测单元感测到的电流值的曲线图；

图11是示出通过处理图9中所示的曲线图的电流值而获得以用作人工神经网络的输入数据的值的曲线图；

图12是示出根据本发明的实施方式的控制衣物处理设备的方法的流程图；

图13是示出根据负载的电流模式在相互重叠的状态下的曲线图；

图14是示出对应于图13中的0至6kg的负载的电流模式的分类的曲线图；以及

图15是示出对应于图13中的7kg至9kg的负载的电流模式的分类的曲线图。

具体实施方式

在下文中，将参考附图描述本发明的实施方式。然而，本发明不限于以下实施方式，并且可以以各种不同的形式实施。

为了清楚和简要地描述本发明，将从附图中省略与本发明的描述无关的部分。只要有可能，在整个说明书中将使用相同的附图标记来表示相同或相似的元件。

同时，术语“模块”和“单元”当附加到部件的名称时，在本文中仅为了描述的方便，因此它们不应被视为具有特定的含义或作用。因此，术语“模块”和“单元”可以互换使用。

图1是示出根据本发明的实施方式的衣物处理设备的侧剖视图。图2是示出根据本发明的实施方式的衣物处理设备的主要部件之间的控制关系的框图。

参考图1，根据本发明的实施方式的衣物处理设备包括：壳体1，其限定衣物处理设备的外观；储水桶3，其设置在壳体1中，用于储存洗涤水；洗涤桶4，其可旋转地安装在储水桶3中，衣物被引入洗涤桶4；以及马达9，其用于旋转洗涤桶4。

洗涤桶4包括：前盖41，其中具有开口，衣物通过该开口被引入和移除；圆柱形滚筒42，其大致水平设置，圆柱形滚筒42的前端联接至前盖41；以及后盖43，其联接至滚筒42的后端。马达9的旋转轴可以穿过储水桶3的后壁连接到后盖43。滚筒42中可以形成有多个通孔，使得水在洗涤桶4和储水桶3之间流动。

滚筒42的内周表面处可以设置有提升器20。提升器20可以形成为从滚筒42的内周表面突出，并且可以在滚筒42的纵向方向(前后方向)上延伸。多个提升器20可沿滚筒42的圆周方向布置，以便彼此间隔开。当洗涤桶4旋转时，衣物可以被提升器20提起。

然而，本发明不限于此。从滚筒42突出的每个提升器20的高度优选为30mm(或滚筒直径的6.0％)或更小，更优选为10至20mm。特别地，在每个提升器20的高度为20mm或更小的情况下，即使当洗涤桶4以大约80rpm沿一个方向连续旋转时，衣物也可以移动而不会附着至洗涤桶4。也就是说，当洗涤桶4在一个方向上旋转一圈或多圈时，位于洗涤桶4中最下侧的衣物可以通过洗涤桶4的旋转升高到预定高度，然后可以在与洗涤桶4分离的同时下落。

洗涤桶4绕水平轴线旋转。在这里，“水平”并不是指严格意义上的几何水平。即使在洗涤桶4相对于水平以预定角度倾斜的情况下(如图1中所示)，洗涤桶4的倾斜近似于水平，而不是竖直。因此，在下文中，将洗涤桶4描述为绕水平轴线旋转。

衣物引入端口形成在壳体1的前表面中，用于打开和关闭衣物引入端口的门2铰接到壳体1。供水阀5、供水管6和供水软管8可以安装在壳体1中。当供水阀5打开以供水时，穿过供水管6的洗涤水与分配器7中的洗涤剂混合，然后经由供水软管8供应到储水桶3。

泵11的输入端口经由排放软管10连接到储水桶3，并且泵11的排放端口连接到排水管12。穿过排放软管10从储水桶3排放的水被泵11沿排水管12驱动，然后排出衣物处理设备。

参考图2，根据本发明的实施方式的衣物处理装置可以包括：用于控制衣物处理设备的整体操作的控制器60；马达驱动单元71；输出单元72；通信单元73；速度感测单元74；电流感测单元75；和存储器76，所有这些都由控制器60控制。

控制器60可以控制一系列洗涤过程，例如洗涤、漂洗、离心脱水和干燥。控制器60可以根据预定算法进行洗涤和漂洗循环。另外，控制器60可以根据算法控制马达驱动单元71。

马达驱动单元71可以响应来自控制单元60的控制信号而控制马达9的驱动。控制信号可以是用于控制马达9的目标速度、加速梯度(或加速度)，驱动时间等的信号。

驱动马达9的马达驱动单元71可以包括逆变器(未示出)和逆变器控制器(未示出)。另外，马达驱动单元71可以是这样的概念，其进一步包括用于供应输入到逆变器的直流电力的转换器。

例如，在逆变器控制器(未示出)将具有调制(PWM)型开关控制信号的脉冲输出到逆变器(未示出)的情况下，逆变器(未示出)可以进行高速度开关操作以便向马达9供应具有预定频率的交流电力。

速度感测单元74感测洗涤桶4的旋转速度。速度感测单元74可以感测马达9的转子的旋转速度。在提供转换马达9的旋转比以便旋转洗涤桶4的行星齿轮系的情况下，洗涤桶4的旋转速度可以是通过考虑行星齿轮系的减速或加速比来转换由速度感测单元74感测到的转子的旋转速度而获得的值。

控制器60可以控制马达驱动单元71，使得马达使用从速度感测单元74传输的当前速度作为反馈来遵循预定目标速度。

电流感测单元75可以感测供应给马达的电流(下文中称为当前电流)，并且可以将感测的当前电流传输到控制器60。控制器60可以使用接收到的当前电流作为输入数据来感测衣物重量和衣物质量。此时，作为输入数据的当前电流值包括在马达9加速到预定目标速度时获得的值。

在通过基于转矩电流和磁通电流的矢量控制来控制马达9的旋转的情况下，当前电流可以是在马达电路中流动的电流的转矩轴(q轴)分量，即转矩电流Iq。

输出单元72输出衣物处理设备的操作状态。输出单元72可以是视觉输出图像的图像输出装置，例如LCD或LED；或输出声音的声音输出装置，例如扬声器或蜂鸣器。输出单元72可以在控制器60的控制下输出关于衣物重量或衣物质量的信息。

存储器76可以存储编程的人工神经网络、根据衣物重量和/或衣物质量的电流模式、基于电流模式通过基于机器学习的训练构建的数据库(DB)、机器学习算法、由电流感测单元75感测到的当前电流值、当前电流值的平均值、通过根据解析规则处理平均值而获得的值以及由通信单元73传输和接收的数据。

另外，存储器76可以存储用于控制衣物处理设备的整体操作的各种控制数据、用户输入的洗涤设定数据、根据洗涤设定而获得的洗涤时间、关于洗涤进程的数据以及用于确定衣物处理设备中是否发生错误的数据。

通信单元73可以与连接到网络的服务器通信。通信单元73可以包括一个或多个通信模块，例如因特网模块和移动通信模块。通信单元73可以从服务器接收各种数据，例如学习数据和算法更新。

控制器60可以处理经由通信单元73接收的各种数据，以便更新存储器76。例如，在经由通信单元73输入的数据是关于预先存储在存储器76中的操作程序的更新数据的情况下，控制器60可以使用该更新数据来更新存储器76。在输入数据是新操作程序的情况下，控制器60还可以将该输入数据存储在存储器76中。

机器学习意味着，虽然人类没有直接向计算机指示逻辑，但计算机通过数据进行学习，从而通过其自身解决问题。

深度学习是一种基于用于构建人工智能的人工神经网络(ANN)来教授计算机人类思维方式的方法，并且是一种尽管人类没有教授计算机但是使得计算机能够像人类一样自主学习的人工智能技术。人工神经网络(ANN)可以以软件或硬件(例如芯片)的形式实现。

衣物处理设备可以处理由电流感测单元75感测到的电流值，以便基于机器学习掌握引入洗涤桶4中的衣物的特征(下文中称为衣物特性)。衣物特性的实施例可以包括衣物重量和衣物质量。控制器60可以基于机器学习借助衣物重量确定衣物质量。例如，控制器60可以获得衣物重量，并且可以基于衣物质量确定衣物所属的预先分类的类别之一。可以基于各种因素来定义衣物质量，例如衣物的材料、衣物的柔软度(例如，柔软衣物/硬衣物)、衣物容纳水的能力(即水含量)以及干衣物和湿衣物之间的体积差异。

控制器60可以使用由电流感测单元75感测到的当前电流值来感测衣物重量作为预先通过机器学习训练的人工神经网络的输入数据，直到达到目标速度。

图3是示出基于衣物质量和负载重量(衣物重量)供应到马达的电流模式的图。

图4是示出根据衣物质量的电流模式的图。图5是示出在使用预定方法控制马达的速度的状态下根据负载的电流模式的图。

图3中所示的曲线图示出了当洗涤桶4加速到预定目标速度(例如80rpm)时测得的当前电流。在这些曲线图中，在改变衣物的组成(即，柔软衣物与硬衣物的混合比)和负载重量时进行测量。也就是说，可以从水平布置的曲线图中根据负载重量来掌握模式的变化。例如，在相同的衣物组成的情况下，可以看出，随着负载重量的增加，洗涤桶4的加速的初始阶段中的当前电流的最大值增加。因此，使用曲线图的初始数据以确定负载重量(衣物重量)可能是合适的。

可以从竖直布置的曲线图中根据衣物的组成来掌握模式的变化。例如，在相同负载重量的情况下，可以看出，随着硬衣物的百分比增加，电流值减小，并且这种现象在洗涤桶4的加速的中间和最后阶段、在洗涤桶4的旋转的中间/最后阶段或者在维持目标速度的时段特别显著。因此，在获得用于确定衣物重量的数据的时段之后采用获得衣物质量所需的数据可能是合适的。

图4示出了根据衣物组成(衣物质量)的当前电流模式。在图4中，C0.0表示100％的柔软衣物，C0.25、C0.5和C0.75表示柔软衣物与硬衣物的比例分别为1：3、1：1和3：1，并且C1.0表示100％的硬衣物。在每种情况下，包括柔软衣物和硬衣物两者的总衣物重量(负载重量)是一致的。

曲线图显示，在改变衣物组成的情况下，即使负载重量一致，当前电流的模式也改变。因此，根据衣物组成(或衣物重量)的分类可以基于电流模式的机器学习。

可以多次重复感测衣物重量/衣物质量。在该实施方式中，感测衣物重量/衣物质量重复三次。

控制器60可以根据感测的衣物重量/衣物质量的每个结果来设定洗涤算法，或者可以改变洗涤算法的设定，并且可以根据设定的洗涤算法来控制衣物处理设备的操作。

图5中所示的曲线P1、P3、P5、P7、P9和P15表示衣物重量分别为1kg、3kg、5kg、7kg、9kg和15kg。每个曲线大体形成为使得当前电流值在洗涤桶4的加速初始阶段突然增加到预定等级并且在洗涤桶4旋转的最后阶段收敛于一致的值。特别地，可以看出，在洗涤桶4的加速初始阶段，取决于衣物重量的当前电流值的偏差是显著的。

控制器60可以包括衣物重量/衣物质量学习模块61和衣物重量/衣物质量识别模块62。衣物重量/衣物质量学习模块61可以使用由电流感测单元75感测到的当前电流值或者通过处理当前电流值获得的值来进行机器学习。衣物重量/衣物质量学习模块61可以通过机器学习来更新存储在存储器76中的数据库。

无人监督学习和监督学习中的任何一者可以用作衣物重量/衣物质量学习模块61的学习方法。

衣物重量/衣物质量识别模块62可以基于由衣物重量/衣物质量学习模块61训练的数据确定取决于衣物重量的等级。衣物重量的确定可以是根据重量(负载)将引入洗涤桶4中的衣物分类为预定的多个衣物重量等级的工作。

在该实施方式中，衣物重量分为五个级别(等级)。对应于每个等级的负载重量(kg)示出在以下表1中。另外，表1统计地示出了在具有相应衣物重量的衣物被引入家庭用的衣物处理设备的情况下构成家庭成员的数量。

表1

衣物质量的确定用于基于预定标准对引入洗涤桶4中的衣物进行分类。标准可以包括衣物的材料、衣物的柔软度或硬度、衣物的水含量以及干衣物和湿衣物之间的体积差异。

衣物重量/衣物质量识别模块62可以基于从电流感测单元75获得的当前电流值确定引入洗涤桶4中的衣物对应的衣物重量等级中的一者和衣物对应的衣物质量级别中的一者(即根据衣物重量的衣物质量)。

表2

衣物重量/衣物质量识别模块62可以配备有基于机器学习预先训练的人工神经网络(ANN)。人工神经网络可以由衣物重量/衣物质量学习模块61更新。

衣物重量/衣物质量识别模块62可以基于人工神经网络确定衣物重量和衣物质量。在如在该实施方式中那样衣物重量分类为五个级别的情况下，衣物重量/衣物质量识别模块62可以使用由电流感测单元75感测到的当前电流值作为人工神经网络(ANN)的输入数据来确定衣物重量所属的等级，并且还可以确定衣物质量所属的等级。。

衣物重量/衣物质量识别模块62可以包括经过训练以基于预定标准对衣物重量和衣物质量进行分类的人工神经网络(ANN)。例如，衣物重量/衣物质量识别模块62可以包括基于深度学习训练的深度神经网络(DNN)，例如卷积神经网络(CNN)、递归神经网络(RNN)和深度信念网络(DBN)。

递归神经网络(RNN)可以具有人工神经网络结构，该人工神经网络结构经常用于自然语言处理等并且对于处理随时间变化的时间序列数据是有效的，并且该人工神经网络结构在每个实例处通过构建层而形成。

深度信念网络(DBN)具有通过堆叠多层受限玻尔兹曼机(RBM)形成的深度学习结构，这是一种深度学习技术。深度信念网络(DBN)可以具有通过重复受限玻尔兹曼机(RBM)学习而形成的预定数量的层。

卷积神经网络(CNN)是模仿人类大脑功能的模型，其基于这样的假设：当人识别物体时，大脑提取物体的基本特征并基于大脑中复杂处理的结果识别物体。

同时，可以通过调节节点之间的连接权重(如果需要，也调节偏差值)来训练人工神经网络，以便从给定输入产生期望的输出。人工神经网络可以通过学习连续更新权重值。诸如反向传播之类的方法可以用于训练人工神经网络。

衣物重量/衣物质量识别模块62可以使用当前电流值作为输入数据并且基于包括在深度神经网络(DNN)中的节点之间的权重，根据输出层的输出确定引入洗涤桶4中的衣物的衣物重量和衣物质量中的至少一者。

图7是示出人工神经网络的实施例的简图。图8是示出在分成学习过程和识别过程的状态下使用马达的当前电流值根据衣物重量确定衣物质量的过程的简图。在下文中，将参考图7和图8给出描述。深度学习是机器学习的一个子领域，其通过多层实现基于数据的学习。

深度学习可以展示机器学习算法的集合，机器学习算法的集合通过一系列隐藏层从多个数据中提取核心数据。

深度学习结构可以包括人工神经网络(ANN)。例如，深度学习结构可以包括深度神经网络(DNN)，例如卷积神经网络(CNN)、递归神经网络(RNN)和深度信念网络(DBN)。

参考图7，人工神经网络(ANN)可以包括输入层、隐藏层和输出层。深度神经网络(DNN)包括多个隐藏层。每个层均包括多个节点，并且每个层与下一层相关。节点可以在具有权重的同时彼此连接。

来自属于第一隐藏层(隐藏层1)的任意节点的输出变为对属于第二隐藏层(隐藏层2)的至少一个节点的输入。此时，对每个节点的输入可以是通过将权重应用于前一层的节点输出而获得的值。权重可以表示节点之间的连接强度。深度学习过程可以是发现适当权重的过程。

将描述众所周知的面部识别过程以更好地理解深度学习。计算机可以根据像素的亮度区分亮像素和暗像素；可以区分简单形式，例如轮廓和边缘；并且可以从输入图像中区分复杂形式和对象。最后，计算机可以掌握规定人脸的形式。通过多个隐藏层从输出层最终获得这种特征的实体化(人的面部形式的规定)。

存储器76可以存储用于感测衣物重量的输入数据和训练深度神经网络(DNN)所需的数据。存储器76可以存储由感测单元获取的马达速度数据和/或以预定时段添加或处理的状态下的速度数据。另外，存储器76可以存储构成深度神经网络(DNN)结构的权重和偏差。

另选地，在一些实施方式中，构成深度神经网络结构的权重和偏差可以存储在嵌入于衣物重量/衣物质量识别模块62中的存储器中。

同时，衣物重量/衣物质量学习模块61可以使用由电流感测单元75感测到的当前电流值作为训练数据来进行学习。也就是说，每当识别或确定衣物重量和/或衣物质量时，衣物重量/衣物质量学习模块61可将确定结果添加到数据库以便更新深度神经网络(DNN)结构，例如权重或偏差。另选地，在训练数据被确保预定次数之后，可以使用所确保的训练数据来进行学习过程，以便更新深度神经网络(DNN)结构，例如权重。

衣物处理设备可以将关于由电流感测单元75获取的当前电流的数据传输到经由通信单元73连接到通信网络的服务器(未示出)，并且可以从服务器接收与机器学习有关的数据。在这种情况下，衣物处理设备可以基于从服务器接收的与机器学习有关的数据来更新人工神经网络。

图9(a)是示出由电流感测单元感测到的当前电流值的曲线图，并且图9(b)是示出通过处理移动平均滤波器获得的平均值的曲线图。图10是示出由电流感测单元感测到的电流值的曲线图。图11是示出通过处理图9中所示的曲线图的电流值而获得以用作人工神经网络的输入数据的值的曲线图。图12是示出根据本发明的实施方式的控制衣物处理设备的方法的流程图。在下文中，将参考图9至图12描述根据本发明的实施方式的控制衣物处理设备的方法。

控制器60进行控制，使得马达9以预定目标速度(S1、S2、S4和S5)旋转。在马达9旋转期间，由速度感测单元74感测洗涤桶4(或马达9)的旋转速度(S2)。

目标速度可以被设定为洗涤桶4的这样的旋转速度，在该旋转速度下，当洗涤桶4在一个方向上连续旋转一圈或多圈同时保持目标速度时能够维持衣物附着到滚筒42的状态。目标速度可以是60至80rpm，优选80rpm。优选地，在洗涤桶4的旋转速度达到目标速度之前的状态下，衣物在滚筒42中移动(即，衣物被升高到预定高度，然后由于滚筒42的旋转而下落)。

同时，可以基于将水供应到储水桶3中并因此洗涤桶4的一部分浸入水中的状态来设定目标速度。也就是说，当洗涤桶4在洗涤桶4的一部分浸入水中的状态下以目标速度旋转时，衣物可以移动。换句话说，在洗涤桶4旋转期间，衣物不会始终附着到滚筒42上，而是可以升高到预定高度然后下落。

用于确定衣物重量和衣物质量的当前电流值包括在洗涤桶4旋转期间衣物移动的时段中采用的值。即，控制器60可以基于由速度感测单元74感测到的洗涤桶4的旋转速度(或马达9的旋转速度)采用所需的当前电流值。

具体地，控制器60命令马达驱动单元71加速马达9，并且当速度感测单元74感测到的旋转速度达到预定的第一旋转速度V1时，可以将当时的当前电流值存储在存储器76中(S3和S4)。第一旋转速度V1是10至20rpm，优选20rpm。

当洗涤桶4的旋转速度V达到预定的第二旋转速度V2时，控制器60可以不再存储当前的电流值，并且可以处理当前的电流值(S5和S6)。这里，第二旋转速度V2是目标速度。

同时，从第一旋转速度V1到第二旋转速度V2的加速梯度可以是一致的。优选地，加速梯度维持一致，以便提高感测电流模式变化的可靠性。

加速梯度不能太高，以便清楚地显示洗涤桶4中衣物移动的变化。加速梯度优选为1.5至2.5rpm/s，更优选为2.0rpm/s。然而，本发明不限于此。加速梯度可以具有在控制器60可控制的范围内的最小可能值。

如图6中所示，当前电流值的处理是根据预定算法处理在预定时间点获得的当前电流值Iq的过程，以便产生人工神经网络的输入层的输入数据In1、In2、In3、In4......(S6)。

该过程可以包括获得当前电流值Iq的平均值的步骤和根据预定的解析规则处理所获得的平均值的步骤，以便生成人工神经网络的输入数据。特别地，根据解析规则处理的输入数据的数量小于平均值的数量。

参考图8，控制器60可以借助电流感测单元75以预定时间间隔获取电流值。在该实施方式中，在洗涤桶4的旋转速度从第一旋转速度V1加速到第二旋转速度V2的时段中以预定时间间隔获得总共545个当前电流值。

控制器60可以对在每个预定时间段内如此获得的当前电流值进行平均。此时，控制器60可以使用移动平均滤波器。移动平均是在改变时段时获得平均值，从而能够看到变化。例如，假设当前电流值按时间序列顺序为Iq1、Iq2、Iq3...Iqn，Iq1至Iql(l<n)被平均以获得M1，并且Iqm(m>1)至Iqm+s-1(s是用于获得每个移动平均值的Iq的数量)平均以获得M2。以这种方式，可以在连续改变时段的同时获得移动平均值。

在适当地设定获得移动平均值的时间段的情况下，移动平均值M1、M2……的数量可以小于总当前电流值Iq的数量。然而，随着时间段(窗口)的长度增加，当前电流变化的分辨率降低。因此，需要适当地选择时间段的长度。在该实施方式中，控制器60使用移动平均滤波器从545个当前电流值Iq获得50个移动平均值。

控制器60可以根据预定的解析规则处理当前的当前值和移动平均值，以便生成输入数据In1、In2、In3、In4…….。解析规则可以构造成选择这样的时段，在该时段中获得最终输入数据使得良好地展现要获得的特征(衣物重量/衣物质量)。

在该实施方式中，生成总共14个输入数据，并且输入数据包括在马达9的加速的初始阶段获得的9个当前电流值DATA1至DATA9(第16至第24当前电流值)以及根据预定条件划分的后续时段中的5个平均值DATA10至的DATA14。特别地，基于预先获得的移动平均值获得五个平均值，由此可以比在各个时段中添加当前电流值更快地处理操作。同时，由此获得的输入数据In1、In2、In3、In4……In14成为输入层的各个节点的输入值。

分配给构成人工神经网络的节点的权重和偏差通过机器学习来设定。基于当前模式或当前电流值重复这种机器学习。另外，因为如上所述，关于衣物重量和/或衣物质量的特性反映在电流模式(或当前电流值)中，所以可以对通过衣物处理设备的操作预先存储或添加的数据进行机器学习直到导出准确的结果(即，引入洗涤桶4中的衣物的准确的衣物重量和衣物质量)，由此可以设定改进的或准确的权重和偏差。

在如上所述构建的人工智能网络中，衣物重量-衣物质量信息可以反映在输出层的输出中，并且控制器60可以基于输出层的节点之中的输出最大值的节点确定衣物重量和/或衣物质量。

控制器60可以将在步骤S6中生成的输入数据输入到人工神经网络中，以便从输出层的输出获得衣物重量和/或衣物质量(S7)。随后，控制器60可以基于在步骤S7获得的衣物重量和/或衣物质量来设定洗涤算法，并且可以根据设定的洗涤算法来控制衣物处理设备的操作(运行)(S8)。洗涤算法可以包括供水水位、洗涤时间、漂洗时间、离心脱水时间和干燥时间以及每个循环中的马达驱动模式(例如，旋转速度、旋转时间、加速度和制动)。

图13是示出根据负载的电流模式在相互重叠的状态下的曲线图。图14是示出对应于图13中的0至6kg的负载的电流模式的分类的曲线图。图15是示出对应于图13中的7kg至9kg的负载的电流模式的分类的曲线图。在下文中，将参考图13至图15给出描述。这些图中所示的P0至P9表示0至9kg的负载重量(衣物重量)。

衣物可能受到门2的约束。可能在大量衣物引入洗涤桶4中的情况下发生这种现象，由此衣物与门2紧密接触或干扰门2。衣物的约束影响施加至马达9的负载。因此，在确定衣物重量和/或衣物质量的过程中，优选排除在衣物受到约束的状态下在洗涤桶4旋转(或加速)时获得的当前电流值。

参考图14和图15，当负载重量为0至6kg时的电流模式P0至P6和当负载重量为7kg至9kg时的电流模式P7至P9彼此完全不同。也就是说，在衣物重量大的情况下(在该实施方式中，7kg至9kg)，可以看出当前的电流值在洗涤桶4加速的初始阶段周期性地增加和减少(或波动)。其原因在于，当一些衣物被门2约束并且洗涤桶4干扰受约束的衣物时，马达9的负载增加，并且当干扰被削弱或消除时，马达9的负载减小。也就是说，响应于洗涤桶4的旋转周期，发生由于衣物的约束而引起的马达9的负载的变化。

可以通过机器学习来习得这种负载变化模式，并且学习结果可以以数据库的形式存储在存储器76中。可以使用学习结果来构建人工神经网络。控制器60可以基于如此构建的人工神经网络通过输出层的输出确定衣物约束(或衣物截留)。

尽管基于洗涤桶4围绕基本水平的轴线旋转的前侧负载型衣物处理设备的实施例进行的以上描述，但是根据本发明的衣物处理设备及其控制方法可以应用于顶部负载型衣物处理设备。

同时，根据本发明的实施方式的控制衣物处理设备的方法可以实施成能写在处理器可读记录介质上并由处理器读取的代码。处理器可读记录介质可以是任何类型的记录装置，其中数据以处理器可读方式存储。处理器可读记录介质可以包括例如只读存储器(ROM)、随机存取存储器(RAM)、光盘只读存储器(CD-ROM)、磁带、软盘和光学数据存储装置，并且可以以通过因特网传输的载波的形式实施。另外，处理器可读记录介质可以分布在连接到网络的多个计算机系统上，使得处理器可读代码以分散的方式被写入这些计算机系统并从这些计算机系统被执行。

从以上描述显而易见的是，根据本发明的衣物处理设备及其控制方法能够使用基于机器学习的人工神经网络来分析马达的电流模式。特别地，电流模式根据滚筒中衣物的状态而改变。特别地，衣物的各种特性(例如衣物移动、衣物重量和衣物质量)反映在电流模式中。因此，可以使用电流模式作为通过基于机器学习的训练构建的人工神经网络的输入数据，根据特性准确且快速地对衣物进行分类。

特别地，基于各种标准(例如除了衣物重量之外还有衣物的材料、衣物的水含量以及干衣物和湿衣物之间的体积差异)，可以根据特性对衣物进行分类。另外，通过累积机器学习的训练数据(马达电流数据)，可以进一步提高精度。

另外，在加速洗涤桶时感测到的电流值被用作人工神经网络的输入数据，但是根据预定的解析规则处理电流值，而不是使用所有感测到的当前值，从而减少了输入数据的数量。

另外，应用解析规则使得在处理电流值以产生输入数据的同时适当地反映衣物特性，由此可以从单个电流波形获得关于衣物重量和衣物质量的信息。具体地，基于从电流波形的反映衣物重量的特性的前部获得的电流值以及从电流波形的反映衣物质量特性的中/后部获得的电流值生成人工神经网络的输入数据，由此可以将关于衣物重量和衣物质量的信息输入到人工神经网络的输入层。

显而易见的是，尽管上面已经示出和描述了优选实施方式，但是本发明不限于上述特定实施方式，并且本领域技术人员可以在不脱离所附权利要求的主旨的情况下进行各种变型和变更。因此，意图是不应独立于本发明的技术精神或前景来理解所述变型和变更。

Claims (17)

1.一种衣物处理设备，该衣物处理设备包括：

洗涤桶，该洗涤桶构造成接收衣物，该洗涤桶构造成能旋转；

马达，该马达构造成旋转所述洗涤桶；

控制器，该控制器构造成控制所述马达，使得所述洗涤桶加速旋转；和

电流感测单元，该电流感测单元构造成以预定时间间隔感测所述马达的电流，其中，

所述控制器构造成向基于机器学习预训练的人工神经网络的输入层输入输入数据，以从所述人工神经网络的输出层的输出获得衣物重量和衣物质量中的至少一者，所述输入数据是通过根据预定的解析规则处理在所述马达在所述衣物在所述洗涤桶中移动的范围内加速时由所述电流感测单元感测到的电流值而生成的。

2.根据权利要求1所述的衣物处理设备，其中，所述输入数据包括在由所述电流感测单元感测到的所述电流值中在预定时间段中获得的电流值以及按预定时段计算在所述预定时间段之后获得的电流值的平均值而获得的值。

3.根据权利要求2所述的衣物处理设备，其中，使用在所述预定时间段中获得的所述电流值作为所述输入层的输入来获得所述衣物重量。

4.根据权利要求2所述的衣物处理设备，其中，使用按所述预定时段计算的所述平均值作为所述输入层的输入来获得所述衣物质量。

5.根据权利要求1所述的衣物处理设备，其中，

所述控制器构造成获得在所述衣物在所述洗涤桶中移动的范围内由所述电流感测单元感测到的所述电流值的移动平均值，并且

基于所述移动平均值获得根据所述解析规则处理而生成的所述输入数据。

6.根据权利要求1所述的衣物处理设备，其中，当在所述洗涤桶的获得作为所述输入数据的所述电流值的旋转速度时段中所述洗涤桶在一个方向上旋转一圈或更多圈时，位于所述洗涤桶最低侧的所述衣物通过所述洗涤桶的旋转升高到预定高度然后在与所述洗涤桶分离的同时下落。

7.根据权利要求1所述的衣物处理设备，该衣物处理设备还包括：

速度感测单元，该速度感测单元构造成感测所述马达的旋转速度，其中，

所述控制器构造成基于由所述速度感测单元感测到的速度值，从所述电流感测单元获得的电流值中选择对应于所述马达从第一旋转速度加速到第二旋转速度的时段的电流值，并使用所选择的电流值作为所述输入数据。

8.根据权利要求7所述的衣物处理设备，其中，所述第二旋转速度为60rpm至80rpm。

9.根据权利要求7所述的衣物处理设备，其中，所述第一旋转速度为10rpm至20rpm。

10.根据权利要求1所述的衣物处理设备，其中，考虑所述衣物的磨损程度和洗涤强度来分类衣物质量。

11.根据权利要求1所述的衣物处理设备，该衣物处理设备还包括：

供水单元，该供水单元构造成将水供应到所述洗涤桶中，其中，

所述控制器构造成进行控制，使得经由所述供水单元供应水，然后加速所述洗涤桶。

12.根据权利要求1所述的衣物处理设备，其中，所述控制器构造成基于所述衣物重量和所述衣物质量中的至少一者来构建操作设定，并且根据所构建的操作设定来控制所述衣物处理设备的操作。

13.一种控制衣物处理设备的方法，该方法包括：

(a)加速其中引入有衣物的洗涤桶；

(b)获得马达的电流值，该马达构造成所述洗涤桶在所述衣物在所述洗涤桶中移动的范围内加速旋转的时间段内以预定时间间隔旋转所述洗涤桶；

(c)通过根据预定的解析规则处理由电流感测单元感测到的电流值来生成输入数据；以及

(d)使用步骤(c)获得的所述输入数据作为基于机器学习预训练的人工神经网络的输入层的输入，从所述人工神经网络的输出层的输出获得衣物重量和衣物质量中的至少一者。

14.根据权利要求13所述的方法，其中，所述输入数据包括在由所述电流感测单元感测到的所述电流值中的预定时间段中获得的电流值以及按预定时段计算在所述预定时间段之后获得的电流值的平均值而获得的值。

15.根据权利要求14所述的方法，其中，使用在所述预定时间段中获得的所述电流值作为所述输入层的输入来获得所述衣物重量。

16.根据权利要求14所述的方法，其中，使用按所述预定时段计算的所述平均值作为所述输入层的输入来获得所述衣物质量。

17.根据权利要求13所述的方法，该方法还包括：

(e)获得在所述衣物在所述洗涤桶中移动的范围内由所述电流感测单元感测到的所述电流值的移动平均值，其中，

基于所述移动平均值获得根据所述解析规则处理而生成的所述输入数据。

Images