CN110924056A - 人工智能洗衣机及其控制方法 - Google Patents

Abstract

人工智能洗衣机及其控制方法。本发明涉及洗衣机和洗衣机的控制方法。洗衣机的控制方法包括：第一检测步骤，获取容纳在洗涤桶中的衣物的量；第一洗涤步骤，当在第一检测步骤中获取的第一衣物量等于或大于预设的第一阈值时，基于第一衣物量执行洗涤；第二检测步骤，在第一洗涤步骤之后，在使用输入至电动机的用于在洗涤桶的加速旋转期间使洗涤桶旋转的电流值作为先前通过机器学习学到的人工神经网络的输入层的输入数据的同时，通过人工神经网络的输出层的输出来获取容纳在洗涤桶中的衣物的量；以及第二洗涤步骤，当在第二检测步骤中获取的第二衣物量小于第一阈值时，基于第二衣物量执行洗涤。

Description

人工智能洗衣机及其控制方法

技术领域

本发明涉及洗衣机和洗衣机的控制方法，并且更具体地，涉及基于机器学习来执行衣物(laundry)量检测和衣物材料检测的洗衣机和洗衣机的控制方法。

背景技术

通常，洗衣机是用于通过利用水和洗涤剂的化学分解、诸如水与衣物之间的摩擦的物理作用等从衣服、被褥等(在下文中称为“衣物”)分离污染物的装置。

洗衣机被分类为搅拌式洗衣机、涡旋式洗衣机以及滚筒式洗衣机。在这些洗衣机中，滚筒式洗衣机设置有用于存储水的储水箱和可旋转地设置在储水箱中并容纳衣物的洗涤桶。洗涤桶设置有使水通过的多个通孔。洗涤操作一般被划分成洗涤过程、漂洗过程以及脱水过程。可以通过设置在控制面板中的显示器来检查这种过程的进展。

由于存储在储水箱中的水与存储在滚筒中的衣物的摩擦以及存储在水中的洗涤剂的化学作用，洗涤过程从衣物去除污染物。

漂洗过程是通过将不含洗涤剂的水供应到储水箱中来漂洗衣物，特别是去除在洗涤过程期间由衣物吸收的洗涤剂。在漂洗过程期间，可以将织物柔顺剂与水一起供应。

脱水过程是，在漂洗过程完成之后，使洗涤桶高速旋转以使衣物脱水。在正常情况下，在完成脱水过程后，洗衣机的所有操作完成。然而，在洗衣烘干机的情况下，在脱水过程之后还可以添加烘干过程。

在正常情况下，洗涤操作根据引入到洗涤桶中的衣物的量(下文中还称为“衣物量”)来设定。例如，水位、洗涤强度、排水时间以及脱水时间根据衣物量来设定。

因此，存在当不正确地测量衣物量时无法期望充分洗涤性能的问题。

另外，洗涤性能不仅受衣物的量影响，而且受衣物的类型(下文中也被称为“衣物材料”)影响。如果在设定洗涤操作时仅考虑衣物量，则不能期望充分洗涤性能。

另外，存在如下问题：即使在相同洗涤操作的情况下，衣物的损坏程度也根据衣物的类型而变化，并且仅考虑衣物量设定的洗涤操作会损坏衣物。

同时，最近极大地增加了对诸如人工智能和深度学习的机器学习的关注。

常规机器学习基于以统计为基础的分类、回归以及聚类模型。特别是，在分类和回归模型的监督学习中，学习数据的特征和基于这种特征来区分新数据的学习模型先前由人来定义。另一方面，在深度学习中，计算机自己搜索和识别特征。

加速开发深度学习的因素之一是作为开源提供的深度学习框架。例如，深度学习框架包括加拿大蒙特利尔大学的Theano、美国纽约大学的Torch、加州大学伯克利分校的Caffe、谷歌的TensorFlow等。

随着深度学习框架的发布，除了深度学习算法，提取和选择在学习过程、学习方法以及学习中使用的数据对于有效学习和感知也变得更加重要。

另外，利用人工智能和机器学习用于各种产品和服务的研究正在日益增加。

专利登记10-1841248(下文中还称为“现有技术”)公开了一种通过使用电动机的速度作为已经通过机器学习学到的人工神经网络的输入数据来检测衣物的量的控制方法。

现有技术仅检测衣物的量，并且存在如上所述的洗涤性能和衣物损坏的问题。

发明内容

本发明鉴于上述问题而作出，并且提供了一种基于机器学习快速准确地检测衣物量和/或衣物材料的洗衣机及其控制方法。

本发明还提供了可以通过有效地处理用于确定衣物量/衣物材料的数据来缩短确定所需的时间的洗衣机及其控制方法。

本发明还提供了可以根据各种标准(诸如衣物的柔软度/硬度、润湿率、湿衣物与干衣物之间的体积差异)来对衣物进行分类的洗衣机及其控制方法。

本发明还提供了基于机器学习来设定用于执行衣物量/衣物材料检测的范围的洗衣机及其控制方法。

本发明还提供了这样一种洗衣机，该洗衣机通过已知衣物量检测方法基于机器学习较早快速地确定是否执行衣物量/衣物材料检测，并且可以在由已知衣物量检测方法确定的衣物量不准确时，在考虑衣物的状态的情况下修改洗涤过程。

根据本发明的一方面，一种控制洗衣机的方法包括以下步骤：第一检测步骤，获取容纳在洗涤桶中的衣物的量；第一洗涤步骤，当在第一检测步骤中获取的第一衣物量等于或大于预设的第一阈值时，基于第一衣物量来执行洗涤；第二检测步骤，在第一洗涤步骤之后，在使用施加至电动机的用于在洗涤桶的加速旋转期间使洗涤桶旋转的电流值作为先前通过机器学习学到的人工神经网络的输入层的输入数据的同时，通过人工神经网络的输出层的输出来获取容纳在洗涤桶中的衣物量；以及第二洗涤步骤，当在第二检测步骤中获取的第二衣物量小于第一阈值时，基于第二衣物量来执行洗涤。

第二检测步骤可以包括：在第一洗涤步骤之后，在使用施加至电动机的用于在洗涤桶加速旋转期间使洗涤桶旋转的电流值作为人工神经网络的输入层的输入数据的同时，通过人工神经网络的输出层的输出获取衣物量。

第二检测步骤可以包括：使洗涤桶加速旋转；获取在洗涤桶加速旋转的区段中施加至电动机的电流值；以及在使用该电流值作为人工神经网络的输入层的输入数据的同时，通过人工神经网络的输出层的输出获取衣物量。

使洗涤桶加速旋转的步骤可以包括：使洗涤桶从第一转速加速至比第一转速快的第二转速；

第二转速可以是衣物与洗涤桶一体旋转的转速。

第二转速可以是洗涤桶中的衣物在附着至洗涤桶的同时旋转而不会从洗涤桶的最高点落下的转速。第二转速可以是通过洗涤桶的旋转作用在衣物上的离心力大于作用在衣物上的重力的转速。

第二转速可以是60rpm至80rpm。

第一转速可以是10rpm至20rpm。

使洗涤桶加速旋转的步骤可以包括：以恒定加速度将洗涤桶的转速从第一转速加速至第二转速。

获取衣物量的步骤可以包括：使用在使洗涤桶的转速从第一转速加速至第二转速的区段中施加至电动机的电流值作为输入数据。

第二检测步骤可以包括：检测洗涤桶的转速。

获取衣物量的步骤可以包括：基于检测到的速度值，从在获取电流值的步骤中获取的电流值当中选择与洗涤桶的转速从第一转速加速至第二转速的区段相对应的电流值；使用所选择的电流值作为输入数据。

第二检测步骤可以包括：在使用该电流值作为人工神经网络的输入层的输入数据的同时，通过人工神经网络的输出层的输出获取容纳在洗涤桶中的衣物的状态。

第二洗涤步骤可以包括：基于第二衣物量和衣物状态来执行洗涤。

可以在考虑衣物的磨损风险和洗涤强度的情况下对衣物的状态分类。

第二洗涤步骤可以包括：基于第二衣物量和衣物状态，选择在考虑衣物的磨损风险和洗涤强度的情况下分类的多种洗涤模式中的一种；并且根据所选择的洗涤模式来执行洗涤。可以在考虑衣物的磨损和洗涤强度的情况下，对多种洗涤模式进行分类。

根据本发明的另一方面的洗衣机可以执行上述控制方法。

根据本发明的另一方面，一种洗衣机包括：容纳衣物并且可旋转地设置的洗涤桶、用于使洗涤桶旋转的电动机、用于控制电动机以使洗涤桶旋转的控制器以及用于检测电动机的电流的电流检测单元。

控制器可以在使用在洗涤桶的加速旋转期间由电流检测单元检测到的电流值作为人工神经网络的输入层的输入数据的同时，在人工神经网络的输出层中获取衣物量和衣物状态。可以通过机器学习预先学习人工神经网络。

控制器可以基于通过人工神经网络的输出获取的衣物量和衣物状态来执行洗涤过程。

附图说明

结合附图，本发明的上述和其它目的、特征以及优点将从以下详细描述变得更清楚，其中：

图1是根据本发明的实施方式的洗衣机的截面图；

图2是示出图1的洗衣机的主要组件之间的控制关系的框图；

图3示出了根据衣物的状态和负载量(衣物量)施加至电动机的电流模式；

图4示出了针对每种衣物材料的电流模式；

图5示出了在通过预设方法控制电动机的速度时针对每种负载的电流模式；

图6例示了将由电流检测单元获取的电流值处理作为人工神经网络的输入数据的过程；

图7是示出人工神经网络的示例的示意图；

图8是将通过使用电动机的电流值来确定衣物量和衣物材料的过程划分成学习过程和识别过程的示意图；

图9的(a)是示出由电流检测单元检测到的电流值的图表，图9的(b)是示出通过处理移动平均滤波器而获取的平均值的图表；

图10是示出由电流检测单元检测到的电流值的图表；

图11是示出被处理以便使用图9所示的图表中的电流值作为人工神经网络的输入数据的值的图表；

图12是例示根据本发明的实施方式的控制洗衣机的方法的流程图；

图13是针对各个负载被叠加的电流模式的图表；

图14是在图13中对与0至6kg的负载对应的电流模式进行分类的图表；

图15是示出与图13中的7kg至9kg的负载对应的电流模式的图表；以及

图16是示出根据本发明的第一实施方式的控制洗衣机的方法的流程图。

具体实施方式

参考附图对本发明的示例性实施方式进行详细描述。贯穿附图使用相同标号来指示相同或相似部件。可以省略对本文中并入的公知功能和结构的详细描述，以避免模糊本发明的主题。下面对本发明的优选实施方式进行详细说明，其示例在附图中示出。在下面的描述中使用的部件中的后缀“模块”和“单元”仅是在考虑易于准备本说明书的情况下给出的，并且没有具体的含义或功能。因此，后缀“模块”和“单元”可以互换地使用。

图1是根据本发明的实施方式的洗衣机的截面图。图2是示出图1的洗衣机的主要组件之间的控制关系的框图。

参照图1，根据本发明的实施方式的洗衣机包括：形成外形的壳体1、设置在壳体1中并存储洗涤水的储水箱3、可旋转地安装在储水箱3中并且装载衣物的洗涤桶4以及用于使洗涤桶4旋转的电动机9。

洗涤桶4包括：具有用于装载和卸载衣物的开口的前盖41、大致水平设置并且其前端与前盖41联接的圆柱形滚筒42以及联接至滚筒42的后端的后盖43。电动机9的旋转轴可以穿过储水箱3的后壁并且连接至后盖43。可以在滚筒42中形成多个通孔，使得水可以在洗涤桶4与储水箱3之间交换。

洗涤桶4绕水平轴旋转。这里，术语“水平”不意味着严格意义上的几何水平。也就是说，由于当洗涤桶如图1所示相对于水平倾斜一定角度时，该洗涤桶比垂直更接近水平，因此可以说洗涤桶4绕水平轴旋转。

衣物装载口形成在壳体1的前表面中，并且用于打开和关闭衣物装载口的门2可旋转地设置在壳体1中。供水阀5、供水管6以及供水软管8可以安装在壳体1中。当供水阀5打开以进行供水时，通过供水管6的洗涤水可以在分配器7中与洗涤剂混合，然后通过供水软管8供应至储水箱3。

泵11的输入口通过排放软管10连接至储水箱3，并且泵11的排放口连接至排水管12。从储水箱3通过排放软管10排放的水由泵11泵送，以沿排水管12流动，然后排放至洗衣机外部。

参照图2，根据本发明的实施方式的洗衣机包括：用于控制洗衣机的总体操作的控制器60、由控制器60控制的电动机驱动单元71、输出单元72、通信单元73、速度检测单元74、电流检测单元75以及存储器76。

控制器60可以控制包括洗涤、漂洗、脱水以及烘干的一系列洗涤过程。控制器60可以根据预设算法来执行洗涤过程和漂洗过程，并且控制器60还可以根据该算法控制电动机驱动单元71。

电动机驱动单元71可以响应于从控制器60施加的控制信号来控制电动机9的驱动。控制信号可以是用于控制电动机9的目标速度、加速度斜率(或加速度)、驱动时间等的信号。

电动机驱动单元71被实现成驱动电动机9，并且可以包括逆变器(未示出)和逆变器控制器(未示出)。而且，电动机驱动单元71还可以包括供应输入到逆变器的DC电力的转换器等。

例如，当逆变器控制器(未示出)将脉冲宽度调制(PWM)方案的切换控制信号输出至逆变器(未示出)时，该逆变器(未示出)执行高速切换操作，并且可以向电动机9供应特定频率的AC电力。

速度检测单元74检测洗涤桶4的转速。速度检测单元74可以检测电动机9的转子的转速。当通过改变电动机9的旋转比来提供用于使洗涤桶4旋转的行星齿轮系时，洗涤桶4的转速可以是通过在考虑行星齿轮系的减速比或增速比的情况下转换由速度检测单元74检测到的转子的转速来获取的值。

控制器60可以控制电动机驱动单元71，使得电动机9通过反馈从速度检测单元74发送的当前速度来跟随预设的目标速度。

电流检测单元75检测施加至电动机9的电流(下文中称为“电流”)并将检测到的电流发送至控制器60。控制器60可以通过使用接收到的电流数据作为输入数据来检测衣物量和衣物材料。这时，作为输入数据的电流值包括在电动机9朝着预设的目标速度加速的过程期间获取的值。

当通过基于转矩电流和磁通量电流的矢量控制来控制电动机9的旋转时，当前电流可以是在电动机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输出洗衣机的操作状态。输出单元72可以是诸如LCD或LED的用于输出视觉显示的图像输出装置，或者是诸如蜂鸣器的用于输出声音的声音输出装置。控制器60可以控制输出单元72以输出关于衣物量或衣物材料的信息。

存储器可以存储编程的人工神经网络、针对各个衣物量和/或衣物材料的电流模式、通过基于电流模式的机器学习构建的数据库(DB)、机器学习算法、由电流检测单元75检测到的当前电流值、通过对当前电流值求平均而获取的值、通过根据解析规则处理平均值而获取的值、通过通信单元73发送和接收的数据等。

另外，存储器76可以存储用于控制洗衣机的总体操作的各种控制数据、用户输入的洗涤设定数据、根据洗涤设定计算出的洗涤时间、关于洗涤过程等的数据、用于确定洗衣机发生错误的数据等。

通信单元73可以与连接至网络的服务器进行通信。通信单元73可以包括一个或更多个通信模块，诸如互联网模块和移动通信模块。通信单元73可以从服务器接收学习数据和诸如算法更新的各种数据。

控制器60可以处理通过通信单元73接收的各种数据并更新存储器76。例如，如果通过通信单元73输入的数据是针对先前存储在存储器76中的操作程序的更新数据，则将该数据用于更新存储器76，而如果输入的数据是新操作程序，则可以将所述数据另外存储在存储器76中。

深度学习是一种基于人工神经网络(ANN)来向计算机教导人的思维以构建人工智能的方案，并且是允许计算机本身像人一样自学而不需要人教导的人工智能技术。人工神经网络(ANN)可以以软件形式或者以诸如芯片的硬件形式来实现。

洗衣机可以基于机器学习来处理由电流检测单元75检测到的电流值并确定装载到洗涤桶4中的衣物的特性(下文中称为衣物特性)。这种衣物特性可以通过衣物量和衣物的状态(下文中还称为“衣物材料”)来举例说明，并且控制器60可以基于机器学习确定针对各个衣物量的衣物材料。例如，控制器60可以获取衣物量，并且可以在根据衣物材料预先分类的类别当中确定所属的类别。衣物的状态可以基于各种因素来定义，诸如衣物的材料、柔软度(例如，软衣物/硬衣物)、衣物保水的能力(即，润湿率)、湿衣物与干衣物之间的体积差异、衣物的组成(即，软衣物和硬衣物的混合比)。

控制器60可以通过使用直至达到目标速度的时间点由电流检测单元75检测到的当前电流值作为先前通过机器学习学到的人工神经网络的输入数据，来检测衣物体积。

图3示出了根据衣物的状态和负载量(衣物量)施加至电动机的电流模式。图4示出了针对每种衣物材料的电流模式。图5示出了在通过预设方法控制电动机的速度的同时针对各个负载的电流模式。

图3所示的每个图表都示出了在使洗涤桶4加速直至预设的目标转速(例如，80rpm)时测量的当前电流，并且这些图表示出了在改变衣物的组成(即，软衣物和硬衣物的混合比)的同时测量的电流。即，可以通过水平排列的图表来确定根据负载量的模式改变的趋势。例如，在相同衣物组成的情况下，可以看出，随着负载变得更大，在洗涤桶4开始加速时，当前电流的最大值也变大。因此，可以说所述图表的早期数据适合用于确定负载量(衣物量)。

通过垂直排列的图表，可以确定根据衣物组成的模式的形状的变化。例如，在相同负载量的情况下，可以看出，特别是在洗涤桶4加速到中后半段时或者在目标转速维持区段中，随着粗糙衣物的比率变大，电流值向下移位。因此，可以说，在获取要被用于确定衣物量的数据的区段之后取得获取衣物材料所需的数据是合适的。

图4示出了针对每种衣物组成(每种衣物材料)的电流模式。在图4中，C0.0示出了100％软衣物，C0.25、C0.5以及C0.75顺序地示出了软衣物:硬衣物的比率为1:3、1:1、3:1，而C1.0示出了100％硬衣物的情况。在每种情况下，通过将软衣物添加至硬衣物而获取的总衣物量(负载量)是恒定的。

所述图表示出了当衣物的组成改变时，即使负载量相同，电流模式也改变。因此，可以基于电流模式的机器学习来实现根据衣物的组成(或衣物材料)的分类。

这种衣物量/衣物材料检测可以重复多次，并且在该实施方式中，重复了三次，但次数不限于此。衣物量/衣物材料检测可以在同一步骤中重复多次，或者可以在不同步骤中重复多次。

控制器60可以根据各个衣物量/衣物材料检测的结果设定洗涤算法或改变洗涤算法的设定，并且可以根据所述设定控制洗衣机的操作。

图5所示的图表P1、P3、P5、P7、P9以及P15分别示出了衣物量为1kg、3kg、5kg、7kg、9kg以及15kg的情况。总体上，所述图表示出了在洗涤桶4加速的早期阶段，当前电流值迅速上升直至一定水平，并且随着该电流值进入后半段而收敛至恒定值。特别地，可以看出，在洗涤桶4加速的早期阶段，因衣物量而造成的当前电流值的偏差是显著的。

控制器60可以包括衣物量/衣物材料学习模块61和衣物量/衣物材料识别模块62。衣物量/衣物材料学习模块61可以通过使用由电流检测单元75检测到的当前电流值或通过处理当前电流值而获取的值来执行机器学习。通过这样的机器学习，衣物量/衣物材料学习模块61可以更新存储在存储器76中的数据库。

可以使用无监督学习和有监督学习中的任何一种作为衣物量/衣物材料学习模块61的学习方法。

衣物量/衣物材料识别模块62可以基于由衣物量/衣物材料学习模块61学习的数据，根据衣物量确定级别。衣物量的确定可以是根据重量(负载)将放入洗涤桶4中的衣物分类成多个预设衣物量级别的任务。

在该实施方式中，将衣物量分类为五个梯级(级别)，并且在以下表1中示出了与每个梯级相对应的负载量(kg)。另外，表1统计地示出了在将对应衣物量装载至单个家庭中的洗衣机时构成所述家庭的家庭成员的数量。

[表1]

可以通过根据预设的标准对装载到洗涤桶4中的衣物进行分类来实现衣物材料的确定。所述标准可以是衣物的材料、柔软度或硬度、润湿率、湿衣物与干衣物之间的体积差异。

基于从电流检测单元75获取的当前电流值，衣物量/衣物材料识别模块62确定多个衣物量梯级中的哪个梯级对应于装载到洗涤桶4的衣物，并且确定此时哪种分类对应于该衣物材料(即，针对每个衣物量的衣物材料)。

在该实施方式中，将衣物材料分类为五个梯级(级别)，并且在以下表2中示出了与每个梯级相对应的类型。参照以下表2，可以将柔软且弱耐用的衣服系列分类到级别1，可以将具有比级别1更强的耐用性的衣服系列分类到级别3，可以将具有比级别3更强的耐用性的僵硬衣服系列分类到级别5，可以将级别1和级别3的混合衣服系列分类到级别2，以及可以将级别3和级别5的混合衣服系列分类到级别4。

[表2]

衣物量/衣物材料识别模块62可以装配有先前通过机器学习学到的人工神经网络(ANN)。这样的人工神经网络可以通过衣物量/衣物材料学习模块61加以更新。

衣物量/衣物材料识别模块62可以基于人工神经网络来确定衣物量和衣物材料。如果将衣物量如该实施方式中那样分类成五个级别，则衣物量/衣物材料识别模块62可以确定衣物量所属的梯级，并且进一步通过使用由电流检测单元75检测到的当前电流值作为人工神经网络(ANN)的输入数据，确定衣物材料所属的梯级。

衣物量/衣物材料识别模块62可以包括人工神经网络(ANN)，该人工神经网络被学习以根据特定标准将衣物量和衣物材料分类成多个梯级。例如，衣物量识别模块62可以包括通过深度学习学到的深度神经网络(DNN)，诸如卷积神经网络(CNN)、递归神经网络(RNN)以及深度信念网络(DBN)。

递归神经网络(RNN)被广泛用于自然语言处理，并且可以通过在每个时刻堆叠层来构成人工神经网络结构，该人工神经网络结构具有针对随时间变化的时间系列数据处理的有效结构。

深度信念网络(DBN)是通过堆叠作为深度学习方案的多层受限玻尔兹曼机(RBM)而配置的深度学习结构。可以重复受限玻尔兹曼机(RBM)学习，并且可以在实现一定数量的层时，构成具有对应数量的层的深度信念网络(DBN)。

卷积神经网络(CNN)是基于以下假定来模拟人类大脑功能的模型：当一个人识别物体时，它提取该物体的基本特征，然后在大脑中经历复杂的计算，并且根据计算结果识别该物体。

此时，可以通过调整节点间连接的权重(若需要的话，调整偏置值)来实现人工神经网络的学习，使得针对给定输入来获取希望的输出。人工神经网络可以通过学习连续更新权重值。可以将诸如反向传播的方案用于人工神经网络的学习。

衣物量/衣物材料识别模块62可以使用当前电流值作为输入数据，并且基于DNN中包括的节点之间的权重，通过使用输出层的输出，来确定装载到洗涤桶4中的衣物量和衣物材料中的至少一个。

图7是示出人工神经网络的示例的示意图。图8是将通过使用电动机的电流值来确定衣物量和衣物材料的过程划分成学习过程和识别过程的示意图。

参照图7至图8，作为机器学习类型的深度学习技术是一种在基于数据进展至多个梯级的深级别的同时执行学习的方案。

深度学习可以表示一组机器学习算法，该组机器学习算法在依次经历隐藏层的同时从多种数据中提取关键数据。

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

参照图7，人工神经网络(ANN)可以包括：输入层、隐藏层以及输出层。当设置多个隐藏层时，将其称为深度神经网络(DNN)。每一层包含多个节点，并且每一层都与下一层相关联。节点可以在具有权重的同时彼此连接。

属于第一隐藏层(隐藏层1)的任何节点的输出变为属于第二隐藏层(隐藏层2)的至少一个节点的输入。这时，每个节点的输入可以是将权重应用于前一层的节点的输出的值。该权重可以意指节点之间的链接强度。深度学习过程可以被视为找到适当权重的过程。

这里，回顾了公知的面部识别过程，以便更好地理解深度学习。计算机可以根据像素的亮度从输入图像中区分亮像素和暗像素，区分诸如边界和边缘的简单形式，然后区分稍微复杂一点的形状和物体。最后，计算机可以确定定义人脸的形态。因此，在通过中间层的隐藏层之后，最终从输出层获取特征(定义人脸形态)的详细说明。

存储器76可以存储用于检测衣物量的输入数据、以及用于学习深度神经网络(DNN)的数据。存储器76可以存储由速度检测单元74获取的电动机速度数据和/或通过按特定间隔求和或计算速度数据而获取的数据。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，可以将构成深度神经网络(DNN)结构的权重和偏差存储在衣物量/衣物材料识别模块62的嵌入式存储器中。

此时，衣物量/衣物材料学习模块61可以通过使用通过电流检测单元75检测到的当前电流值作为训练数据来执行学习。即，衣物量/衣物材料学习模块61可以在识别或确定衣物量和/或衣物材料时通过将确定结果添加至数据库来更新深度神经网络(DNN)的结构(例如重量或偏差)，或者可以通过使用在保证一定数量的训练数据之后保证的训练数据执行学习过程来更新诸如权重的DNN结构。

根据本发明的实施方式的洗衣机可以将通过电流检测单元75经由通信单元73获取的当前电流数据发送至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相关的数据。在这种情况下，洗衣机可以基于与从服务器接收的机器学习相关的数据来更新人工神经网络。

图9的(a)是示出由电流检测单元检测到的电流值的图表，并且图9的(b)是示出通过处理移动平均滤波器获取的平均值的图表。图10是示出由电流检测单元检测到的电流值的图表。图11是示出被处理以便使用图9所示的图表中的电流值作为人工神经网络的输入数据的值的图表。图12是例示根据本发明的实施方式的控制洗衣机的方法的流程图。下文中，将参照图9至图12，对确定衣物量和衣物材料的方法进行描述。

控制器60控制电动机9以预设的目标转速旋转(S1、S2、S3、S4、S5)。在电动机9旋转的同时，由速度检测单元74检测洗涤桶4(或电动机9)的转速(S2)。

目标转速可以设定成洗涤桶4的如下转速，即，当洗涤桶4保持该目标转速并且沿一个方向连续旋转一次或更多次时，该转速可以保持将衣物附着至滚筒42的状态。即，该目标转速可以被确定为洗涤桶4的转速，在该转速下衣物可以与滚筒42一体地旋转。当洗涤桶4以该目标转速旋转时，由于洗涤桶4的旋转而作用在衣物上的离心力可以大于作用在衣物上的重力。

该目标转速可以是60rpm到80rpm，优选为80rpm。优选地，在洗涤桶4的转速达到目标转速之前的状态下，衣物在滚筒42中自然垂落(flow)。即，由于滚筒42的旋转，衣物被升高到一定高度，然后落下。

同时，目标转速可以基于随着将水供应到储水箱3中洗涤桶4被部分地浸没在水中的状态来确定。即，当洗涤桶4在部分被浸没在水中的状态下以该目标转速旋转时，衣物可能自然垂落。换句话说，在洗涤桶4旋转期间，衣物并不总是附着至滚筒42，而是可能会升高到一定高度然后落下。

用于确定衣物量和衣物材料的当前电流值包括在洗涤桶4旋转期间发生衣物自然垂落的区段中取得的电流值。即，控制器60可以基于由速度检测单元74检测到的洗涤桶4的转速(或电动机9的转速)来获取必需的当前电流值。

具体地，在控制器60指示电动机驱动单元71使电动机9加速之后，当速度检测单元74检测到的转速达到预设的第一转速V1时，可以将从该时间起的当前电流值存储在存储器76中(S3至S4)。

当洗涤桶4的转速V达到预设的第二转速V2时，控制器60可以处理当前电流值而不再存储当前电流值(S5至S6)。这里，第二转速V2是上述目标转速。

此时，在从第一转速V1加速至第二转速V2的区段中的加速度斜率可以是恒定的。该加速度斜率优选保持恒定，以便提高电流模式变化检测的可靠性。

该加速度斜率不应太高，以使可以清楚地看到洗涤桶4内部的衣物自然垂落的变化趋势。该加速度斜率优选为1.5rpm/s至2.5rpm/s，更优选为2.0rpm/s，但不必受限于此。该加速度斜率可以在可以由控制器60控制的范围内尽可能小。

如图6所示，处理当前电流值是根据预设算法处理在预设时间点获取的当前电流值Iq并生成人工神经网络的输入层的输入数据(In1、In2、In3、In4、…)的过程(S6)。

该过程可以包括获取当前电流值Iq的平均值的步骤、以及根据预设的解析规则处理所获取的平均值以生成人工神经网络的输入数据的步骤。特别地，根据该解析规则处理的输入数据的数量小于平均值的数量。

参照图8，控制器60可以通过电流检测单元75以特定时间间隔获取电流值。在该实施方式中，在使洗涤桶4的转速从第一转速V1加速至第二转速V2的区段中以特定时间间隔获取总共545个当前电流值。

控制器60可以对每一个特定时间区段以这种方式获取的当前电流值求平均。这时，控制器60可以使用移动平均滤波器。移动平均意指在移动所述区段以便查看趋势变化的同时获取平均值的操作。例如，如果当前电流值是按时间顺序的Iq1、Iq2、Iq3、…、Iqn，则通过对Iq1到Iql(l<n)求平均来获取M1，并且通过对Iqm(m>l)到Iqm+s-1(s是用于获取每个移动平均值的Iq的数量)求平均来获取M2。可以在继续以这种方式移动该区段的同时获取移动平均值。

通过恰当地设定获取移动平均值的时间区段，可以将移动平均值(M1、M2、…)的数量实现得小于总当前电流Iq的数量。然而，由于随着时间区段(窗口)的长度变长，当前电流的变化趋势的分辨率变低，因此应恰当地选择时间区段的长度。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中获取50个移动平均值。

控制器60可以根据预设的解析规则处理当前电流值和移动平均值，以生成输入数据(In1、In2、In3、In4、…)。该解析规则可以被配置成选择获取最终输入数据的区段，使得充分揭示要获取的特征(衣物量/衣物材料)。

参照图10，在本发明的实施方式中产生总共14个输入数据。该输入数据包括：在电动机9加速的早期阶段获取的九个当前电流值(第16个至第24个当前电流值：DATA1到DATA9)和通过根据预设划分后续区段而获得的每个区段中的五个平均值(DATA10到DATA14)。特别地，通过基于先前获取的移动平均值获取上述五个平均值，与对每个区段中的当前电流值求和的情况相比，可以更快地处理该计算。此时，这样获取的输入数据(In1、In2、In3、In4、…、In14)变为输入层的每个节点的输入值。

应用于构成人工神经网络的节点的权重和偏差是由机器学习决定的，并且基于电流模式或当前电流值重复该机器学习。另外，由于电流模式(或当前电流值)反映了衣物量和/或衣物材料的特性，因此通过对预先存储的数据或者通过洗衣机的操作添加的数据执行机器学习直到导出准确结果(即，当前装载到洗涤桶4中的确切衣物量和衣物材料)，可以设定改进的或准确的权重和偏差值。

在以这种方式构成的人工智能网络中，输出层的输出将反映衣物量和衣物材料信息，并且控制器60可以基于输出层的节点当中的输出最大值的节点来确定衣物量和/或衣物材料。

控制器60可以将在步骤S6中生成的输入数据输入至人工神经网络，并且通过使用输出层的输出来获取衣物量和/或衣物材料(S7)。然后，控制器60可以基于在步骤S7中获取的衣物量和/或衣物材料来设定洗涤算法，并且根据所述设定控制洗衣机的操作(S8)。该洗涤算法可以包括：供水级别，洗涤、漂洗、脱水、烘干等的执行时间，各个过程中电动机的驱动模式(例如，转速、旋转时间、加速度、制动)等。

图13是针对各个负载被叠加的电流模式的图表。图14是在图13中对与0至6kg的负载对应的电流模式分类的图表。图15是示出与图13中的7kg至9kg的负载对应的电流模式的图表。

下文中，参照图13至图15，图中所示的P0至P9分别指示0至9kg的负载量(衣物量)。

可能发生衣物被门2束缚的问题。在将大量衣物装载到洗涤桶4中以附着至门2或干扰门2时，会发生这种现象。衣物的束缚影响施加至电动机9的负载。因此，在确定衣物量和/或衣物材料的过程中，优选排除在衣物被束缚的状态下通过旋转(或加速)洗涤桶4而获取的当前电流值。

参照图14至图15，清楚地区分了负载量为0至6kg的电流模式(P0至P6)和负载量为7kg至9kg的电流模式(P7至P9)。即，在大量衣物的情况下(在该实施方式中为7kg至9kg)，可以看出，在洗涤桶4加速的早期阶段，电流值周期性地增加或减少(或振动)。这是因为一些衣物的移动受到门2的束缚，使得当洗涤桶4受到被束缚的衣物干扰时电动机9的负载增加，然后当所述干扰减弱或消失时电动机9的负载减小。即，与洗涤桶4的旋转周期对应地生成因衣物的束缚而造成的电动机9的负载变化。

可以通过机器学习来学习这种负载变化模式，并且可以将这种学习结果作为数据库存储在存储器76中。可以通过使用这样的学习结果来配置人工神经网络。基于这样配置的人工神经网络，控制器60可以通过输出层的输出确定衣物束缚(或衣物卡滞)。

图16是示出根据本发明的第一实施方式的控制洗衣机的方法的流程图。下文中，将参照图16，对根据本发明的第一实施方式的控制洗衣机的方法进行描述。

根据本发明的第一实施方式的控制洗衣机的方法包括利用人工神经网络检测衣物的量的步骤。可以将人工神经网络用于检测衣物的状态以及衣物的量。

然而，如上所述，可能通过缓慢加速电动机的转速直到电动机的转速达到目标转速V2为止，并且使用检测到的电流值作为人工神经网络的输入层的输入数据，来执行使用人工神经网络检测衣物的量的步骤。因此，当在洗衣机的操作的初始阶段执行利用人工神经网络的检测步骤时，用户可能觉得检测步骤相当长。

另外，如果发生衣物卡滞，那么衣物量和衣物材料的确定可能是不准确的。因此，可以通过在洗涤的初始阶段利用常规衣物量检测技术来获取衣物量，并且可以基于所获取的衣物量来确定是否利用人工神经网络来执行衣物量/衣物材料检测步骤。

根据本发明的第一实施方式的控制洗衣机的方法包括：第一检测步骤(S10)，获取容纳在洗涤桶4中的衣物量；以及第一洗涤步骤(S30、S35)，当在第一检测步骤中获取的第一衣物量A1等于或大于第一阈值X1时，基于该第一衣物量A1来执行洗涤。另外，在第一洗涤步骤之后，洗衣机的控制方法包括：第二检测步骤(S50、S60、S70、S80)，在使用输入至电动机9的电流值作为先前通过机器学习学到的人工神经网络的输入层的输入数据的同时，通过人工神经网络的输出层的输出来获取容纳在洗涤桶4中的衣物量；以及第二洗涤步骤(S100、S110)，当在第二检测步骤中获取的第二衣物量A2小于第一阈值X1时，基于该第二衣物量来执行洗涤。

在第二检测步骤中，人工神经网络不仅可以用于获取衣物的量，而且可以用于获取衣物的状态。另外，在第二洗涤步骤(S100、S110)中，如果第二衣物量A2小于第一阈值X1，则可以基于第二衣物量A2和衣物的状态来执行洗涤。

衣物的状态可以基于几种因素来定义，诸如衣物的材料、柔软度(例如，软衣物/硬衣物)、衣物保水的能力(即，吸湿率)、干洗衣物与湿衣物之间的体积差异、衣物的组成(即，软衣物和硬衣物的混合比)。

在将衣物放入洗衣机中的状态下，通过检测衣物的量的常规方法获取衣物的量(第一检测步骤)，并且通过利用人工神经网络再次获取衣物的量(第二检测步骤)。相同的衣物容纳在洗涤桶内，但检测衣物的量的方法不同。因此，在第一检测步骤中获取的第一衣物量A1和在第二检测步骤中获取的第二衣物量A2可以被不同地获取。

在检测干衣物的量的常规方法中，通过利用在洗涤桶4旋转时施加至电动机9的负载、停止洗涤桶4所花费的时间等中的任一个值来获取衣物的量。比较而言，在通过利用人工神经网络来获取衣物的量和衣物的状态的方法中，通过使用在电动机9加速的区段中根据电动机9的转速V的当前电流值Iq作为输入数据，可以获取准确的衣物量。

下文中，将对根据本发明的第一实施方式的洗衣机的控制方法进行详细描述。

当接通电源时，洗衣机处于用户可以通过输入单元(77)输入洗涤进程的状态。用户可以选择的洗涤进程可以包括各种洗涤进程，例如标准洗涤进程、高温洗涤(boiling)进程、婴儿衣服进程、旧污渍进程等。

当输入洗涤进程时，获取容纳在洗涤桶中的衣物的量(S10)。在用于获取衣物的量的第一检测步骤中，可以通过检测衣物的量的常规方法获取衣物的量。

基于在S10中获取的第一衣物量A1，确定是基于衣物量执行洗涤还是通过使用人工神经网络来获取衣物量或衣物的状态(S20)。如果第一衣物量A1等于或大于第一阈值X1，则基于衣物量执行洗涤(S30、S35)。如果第一衣物量A1小于第一阈值X1，则通过使用人工神经网络LAI获取衣物量或衣物的状态(S40至S80)。

参照图13至图15，可以将第一阈值X1预设定成具有被束缚至门的高概率的衣物的量。在本实施方式中，可以将第一阈值X1预设定成对应于7kg的值。

同时，图13至图15示出了从设计者的观点放入衣物时的电流模式，并且用户可以在现实生活中更随机地放入衣物。因此，甚至在相同衣物量的情况下，在早期阶段，体积可能更大，使得即使装载重量为7kg或以下的衣物，该衣物也可能被束缚至门上。因此，第一阈值X1可以是7kg或更少。例如，可以将第一阈值X1设定成5kg。参照表1，人工神经网络的输出层中的衣物量的输出可以是一至三级别的衣物量。

在通过使用电动机9的当前电流值作为人工神经网络的输入层的输入数据并使用输出来获取衣物的量和衣物的状态的上述方法中，当衣物是干衣物时，与在湿衣物的情况下相比，可以更准确地确定衣物的量和衣物的状态。

因此，当第一衣物量A1小于第一阈值X1时，在获取衣物量和衣物材料之前，控制器60控制供水阀5将洗涤水供应至洗涤桶4(S40)。在供应洗涤水之后，执行衣物润湿步骤(S45)以润湿衣物。在衣物润湿步骤S45中，在洗涤水被供应至洗涤桶4的状态下持续一定时间，或者洗涤桶4可以旋转以均匀地润湿衣物。另外，当洗衣机具有用于使存储在储水箱3中的水循环的循环泵(未示出)和循环喷嘴(未示出)时，可以使洗涤水循环以有效地润湿衣物。

在衣物湿润步骤之后，可以通过步骤S50至步骤S80获取衣物的量以及状态，步骤S50至步骤S80与参照图12描述的S1至S7相同。

此时，当第一衣物量A1等于或大于第一阈值X1时，因为在衣物被束缚至门2上时，利用人工神经网络来确定衣物材料/衣物量可能是不准确的，所以处理一般洗涤。上述一般洗涤是指基于衣物的量根据预设算法来执行洗涤而不考虑衣物的状态的方法。

一般洗涤包括：供水步骤(S30)，在该供水步骤中，控制器60控制供水阀5将洗涤水供应至洗涤桶4；以及基于衣物量来执行洗涤的第一洗涤步骤(S35)。

在第一洗涤步骤(S35)之后，存在以下情况：通过根据利用人工神经网络获取的衣物量A2修改洗涤进程来执行第二洗涤步骤(S110)。

因此，在当第一衣物量A1等于或大于第一阈值X1时执行的供水步骤(S30)中，可以通过与在第一衣物量A1小于第一阈值X1的情况下执行的供水步骤(S40)不同的流路径来供应洗涤水。

例如，放入洗涤剂的分配器7可以包括两个分配器，或者一个分配器可以分成两个或更多个空间。两个分配器中的一个分配器(或者分配器的一个空间)可以是被放置用于预洗涤的洗涤剂的分配器，而另一个分配器(或分配器的另一个空间)可以是放置用于主洗涤的洗涤剂的分配器。

在当第一衣物量A1等于或大于第一阈值X1时执行的供水步骤(S30)中，可以将洗涤水通过被放置用于预洗涤的洗涤剂的分配器供应至洗涤桶4。在第一衣物量A1小于第一阈值X1的情况下执行的供水步骤(S40)中，可以将洗涤水通过被放置用于主洗涤的洗涤剂的分配器供应至洗涤桶4。

第一洗涤步骤(S35)是基于衣物的量根据预设算法执行洗涤的步骤。例如，可以基于衣物的量来预设水量、洗涤时间等。

由于在第一洗涤步骤S35之后执行利用人工神经网络来确定衣物量/衣物材料的步骤，因此第一洗涤步骤S35可以包括调整供应至储水箱3的洗涤水的步骤。

在步骤S40和步骤S45中，洗涤水和洗涤剂仅供应至洗涤桶4，并且洗涤剂没有完全溶解在洗涤水中。然而，在步骤S30和步骤S35中，随着洗涤的进行，洗涤剂完全溶解在洗涤水中。因此，即使将相同量和状态的衣物放入到洗涤桶中，通过利用人工神经网络确定的衣物的量和衣物的状态可以根据是在洗涤之前还是在洗涤期间被检测而不同地被导出。

为了最小化这种差异，第一洗涤步骤35可以包括：在排放洗涤水之后重新供应洗涤水的步骤。在重新供应洗涤水的步骤中，可以将洗涤水通过用于主洗涤的分配器供应至洗涤桶4。

在终止第一洗涤步骤35之后，可以通过步骤S50至步骤S80获取衣物的量以及状态，该步骤S50至步骤S80与参照图12描述的S1至S7相同。即，S50包括S1、S2以及S3，S60包括S4和S5，S70与S6相同，并且S80是与S7相同的步骤。

在第一洗涤步骤35之后执行的第二检测步骤(S50、S60、S70、S80)包括：使洗涤桶4或电动机9加速的步骤(S50)，获取在使洗涤桶4加速旋转的区段中施加至电动机的电流值的步骤(S60)，以及通过利用电流值作为人工神经网络的所述输入层的输入数据(S70)，通过人工神经网络的输出层的输出来获取衣物量和衣物状态的步骤(S80)。

使洗涤桶加速的步骤S50包括：检测电动机9(或洗涤桶4)的转速V的步骤。使洗涤桶加速的步骤S50包括：使洗涤桶4从第一转速V1加速旋转至比第一转速快的第二转速V2的步骤。使洗涤桶加速的步骤S50可以包括：以恒定加速度使洗涤桶4的转速V从第一转速V1加速至第二转速V2的步骤。即，在使电动机9从第一转速V1加速至第二转速V2时，控制器60可以以恒定加速度使电动机9加速。

获取衣物量和衣物状态的步骤(S70、S80)包括：在使洗涤桶4的转速V从第一转速V1加速至第二转速V2的区段中，使用施加至电动机9的电流值Iq作为人工神经网络的输入层的输入数据的步骤。更具体地说，获取衣物量和衣物状态的步骤可以包括：基于所检测到的速度值，从在步骤S60中获取的电流值当中选择与电动机的转速V从第一转速V1加速至比第一转速快的第二转速V2的区段对应的电流值的步骤；以及使用所选择的电流值作为人工神经网络的输入层的输入数据的步骤。

根据本实施方式的洗衣机的控制方法可以包括：在第二检测步骤之后，基于在第二检测步骤中获取的第二衣物量A2来确定是否执行反映衣物状态的洗涤的步骤(S90)。

如果第二衣物量A2小于第一阈值X1，则控制器60确定在考虑衣物的磨损风险和洗涤强度的情况下分类的多种洗涤模式中的一种(S100)，并且执行用于根据所确定的洗涤模式来执行洗涤的第二洗涤步骤(S110)。

控制器60可以基于在第二检测步骤中获取的衣物状态和第二衣物量来选择多种洗涤模式中的任一种洗涤模式。将每种洗涤模式的洗涤算法存储在存储器76中，并且控制器60根据所选择的洗涤模式的洗涤算法来执行洗涤。

下文中，将参照表3，对基于衣物状态和第二衣物量来选择洗涤模式的方法的示例进行描述。

[表3]

参照表1至表3，如果衣物状态是级别1或级别2，并且第二衣物量是级别1到级别3，则控制器可以选择第一洗涤模式。当衣物状态对应于级别3或级别4，并且第二衣物量是级别1至级别3时，控制器可以选择第二洗涤模式。

参照表2，在衣物状态为级别1或级别2的情况下，放入洗涤桶4中的衣物是经过洗涤易于穿着的柔软材料的衣物，并且需要根据不损坏衣物的洗涤算法来洗涤。另外，由于这种材料的衣物通常相对少被污染，因此不需要相对高的洗涤性能。

因此，与其它洗涤模式相比，在第一洗涤模式下，可以将洗涤算法设定成洗涤桶的相对慢转速、低温洗涤水以及低净作用比。该净作用比是指电动机运行的时间与洗涤时间的比率。

当衣物状态是级别1、级别2时或者当衣物量更大(级别4、级别5)时，控制器60可以选择第二洗涤模式。与第一洗涤模式相比，可以将第二洗涤模式设定成适合于洗涤大量衣物的算法。

当衣物状态是级别1或级别2并且衣物量是级别4或级别5时，如果利用与第一洗涤模式相同的洗涤算法来执行洗涤，则洗涤性能可能因大量衣物而劣化。因此，与第一洗涤模式相比，在第二洗涤模式下，可以将洗涤算法设定成洗涤桶的相对高转速以及高净作用比。

与具有级别1、级别2的衣物状态的衣物相比，具有级别3、级别4的衣物状态的衣物不太可能因洗涤而损坏，并且可能受到相对严重的污染。因此，与其它洗涤模式相比，在第三洗涤模式下，可以将洗涤算法设定成洗涤桶的相对高转速、高温洗涤水以及高净作用比。

当衣物状态是级别3、级别4时或者当衣物的量较大(级别4、级别5)时，控制器60可以选择第四洗涤模式。与第三洗涤模式相比，可以将第四洗涤模式设定成适合于洗涤大量衣物的算法。

出于与第二洗涤模式中所描述的相同理由，在第四洗涤模式下，与第三洗涤模式相比，可以将洗涤算法设定成洗涤桶4的相对高转速以及高净作用比。另外，与第三洗涤模式相比，可以将算法设定成提供更大量的洗涤水。可以将第四洗涤模式下的洗涤水的温度设定成等于或高于第三洗涤模式下的洗涤水的温度。

当衣物状态为级别5时，放入洗涤桶中的衣物是由坚韧材料制成的衣物，这种坚韧材料不需要担心因洗涤而造成的衣物损坏。因此，当衣物状态为级别5时，控制器60可以选择洗涤级别5而不管第二衣物量如何。在第五洗涤模式下，可以设定具有出色洗涤性能的洗涤算法。与第三洗涤模式相比，在第五洗涤模式下，可以将洗涤算法设定成洗涤桶4的相对高转速、高温洗涤水以及高净作用比。

可以将洗涤桶4的转速设定在衣物在洗涤桶4中自然垂落的范围内。在第一洗涤模式至第五种洗涤模式下，可以将转速设定在30rpm至60rpm的范围内。

此时，在考虑衣物的磨损风险和洗涤强度的情况下，在需要高洗涤性能的洗涤模式下，可以将洗涤时间设定成更长的时间。

然而，如果第一洗涤模式的洗涤时间短，则洗涤性能可能太低。在第五洗涤模式下，洗涤时间长，用户可能会觉得不舒服。

因此，可以将第一洗涤模式至第五洗涤模式下的洗涤时间设定成相同的。

上述洗涤模式的描述仅仅是出于理解起见的示例，而并非旨在限制本发明。

尽管上面的描述是基于洗涤桶4绕大致水平的轴旋转的前部负载类型的，但本发明的洗衣机和控制方法也可以应用于顶部负载型。

此时，根据本发明的实施方式的操作自动机和自动机系统的方法可以实现为处理器可读的记录介质上的处理器可读的代码。处理器可读记录介质包括存储可以通过处理器读取的数据的所有种类的记录装置。可以通过处理器读取的记录介质的示例包括：ROM、RAM、CD-ROM、磁带、软盘、光学数据存储装置等，并且也可以以载波的形式实现，诸如通过互联网传输。另外，处理器可读记录介质可以跨网络连接计算机系统分布，使得可以存储和执行处理器能够以分布方式读取的代码。

根据本发明的洗衣机和控制方法可以基于以机器学习为基础的人工神经网络来分析电动机的电流模式。特别地，这种电流模式根据洗涤桶中包含的衣物的状态而改变，并且反映各种衣物的特性，诸如衣物量、衣物材料、衣物的自然垂落。因此，通过利用电流模式作为通过基于机器学习的学习构成的人工神经网络的输入数据，可以准确快速地分类衣物。

特别地，根据特性的这种衣物分类不仅可以根据衣物量来实现，而且可以根据诸如衣物材料、吸湿率、湿衣物和干衣物两者的体积的各种标准来实现。而且，随着对机器学习的训练数据(电动机电流数据)的累积，可以进一步提高准确度。

另外，当洗涤桶中包含的衣物的量为特定级别或更高时，由于衣物与门之间的摩擦，通过电流模式分析难以准确地检测衣物量和/或衣物状态。因此，确定根据衣物量因衣物的摩擦是否很难确定准确衣物状态，使得可以执行适合这种情况的洗涤。

另外，可以在早期阶段通过已知衣物量检测方法快速地确定是否基于机器学习来执行衣物量/衣物材料检测，并且可以在由已知衣物量检测方法确定的衣物量不准确时，在考虑衣物的状态的情况下校正洗涤进程并且执行洗涤。

尽管本发明的示例性实施方式已经出于例示性目的进行了公开，但本领域技术人员应当想到，在不脱离如所附权利要求中公开的本发明的范围和精神的情况下，各种修改、添加以及替换都是可以的。因此，本发明的范围不被视为限于所描述的实施方式，而是通过所附权利要求及其等同物来限定的。

Claims (12)

1.一种控制洗衣机的方法，所述方法包括以下步骤：

第一检测步骤，获取容纳在洗涤桶中的衣物的量；

第一洗涤步骤，当在所述第一检测步骤中获取的第一衣物量等于或大于预设的第一阈值时，基于所述第一衣物量来执行洗涤；

第二检测步骤，在所述第一洗涤步骤之后，在使用施加至电动机的用于在所述洗涤桶的加速旋转期间使所述洗涤桶旋转的电流值作为先前通过机器学习学到的人工神经网络的输入层的输入数据的同时，通过所述人工神经网络的输出层的输出来获取容纳在所述洗涤桶中的衣物的量；以及

第二洗涤步骤，当在所述第二检测步骤中获取的第二衣物量小于所述第一阈值时，基于所述第二衣物量来执行洗涤。

2.根据权利要求1所述的方法，其中，所述第二检测步骤包括：

使所述洗涤桶从第一转速加速旋转到比所述第一转速快的第二转速；

获取在所述洗涤桶加速旋转的区段中施加至所述电动机的电流值；以及

在使用所述电流值作为所述人工神经网络的所述输入层的输入数据的同时，通过所述人工神经网络的所述输出层的输出获取所述衣物的量。

3.根据权利要求2所述的方法，其中，所述第二转速是所述衣物与所述洗涤桶一体旋转的转速。

4.根据权利要求2所述的方法，其中，使所述洗涤桶加速旋转的步骤包括：

使所述洗涤桶的转速以恒定加速度从所述第一转速加速到所述第二转速。

5.根据权利要求2所述的方法，其中，获取所述衣物的量的步骤包括：使用在所述洗涤桶的所述转速从所述第一转速加速到所述第二转速的区段中施加至所述电动机的电流值作为所述输入数据。

6.根据权利要求2所述的方法，其中，所述第二检测步骤还包括：检测所述洗涤桶的转速。

7.根据权利要求6所述的方法，其中，获取所述衣物的量的步骤包括：

基于所检测到的速度值，从在获取电流值时获取的电流值中选择与所述洗涤桶的所述转速从所述第一转速加速至所述第二转速的区段相对应的电流值；并且

使用所选择的电流值作为所述输入数据。

8.根据权利要求1所述的方法，其中，所述第二检测步骤包括：在使用所述电流值作为所述人工神经网络的所述输入层的输入数据的同时，通过所述人工神经网络的所述输出层的输出获取容纳在所述洗涤桶中的所述衣物的状态。

9.根据权利要求8所述的方法，其中，所述第二洗涤步骤包括：基于所述第二衣物量和所述衣物的状态来执行洗涤。

10.根据权利要求8所述的方法，其中，在考虑所述衣物的磨损风险和洗涤强度的情况下对所述衣物的状态进行分类。

11.根据权利要求8所述的方法，其中，所述第二洗涤步骤包括：

基于所述第二衣物量和所述衣物的状态，选择在考虑所述衣物的磨损风险和所述洗涤强度的情况下分类的多种洗涤模式中的一种洗涤模式；以及

根据所选择的洗涤模式来执行洗涤。

12.一种洗衣机，所述洗衣机执行根据权利要求1至11中的任一项所述的方法。

Images