CN111256315A - 基于神经网络空调控制模型的创建方法、控制方法、空调 - Google Patents
基于神经网络空调控制模型的创建方法、控制方法、空调 Download PDFInfo
- Publication number
- CN111256315A CN111256315A CN201811467635.7A CN201811467635A CN111256315A CN 111256315 A CN111256315 A CN 111256315A CN 201811467635 A CN201811467635 A CN 201811467635A CN 111256315 A CN111256315 A CN 111256315A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- information
- body surface
- temperature information
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 230000000694 effects Effects 0.000 claims abstract description 43
- 238000010408 sweeping Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000001931 thermography Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 230000036760 body temperature Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/79—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling the direction of the supplied air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2120/00—Control inputs relating to users or occupants
- F24F2120/10—Occupancy
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于神经网络空调控制模型的创建方法、控制方法、空调，创建方法如下：获取用户活动范围、用户体表温度和环境温度；根据多次获取的活动范围、体表温度和环境温度使用神经网络模型进行训练，训练后得到空调的控制参数。控制方法如下：获取当前用户活动范围、用户体表温度和环境温度，将其输入训练好的空调控制模型得到空调的控制参数；根据控制参数调节空调的工作状态，本发明根据用户活动范围自动调节空调扫风角度，根据用户体表温度信息和环境温度信息调节空调扫风速度和温度，将空调的扫风效果最大化，使室内空气温度均匀，给用户带来最舒适的体验，提高了室内环境的舒适度，降低能耗，用户体验效果好。
Description
技术领域
本发明涉及家电控制领域，具体的涉及一种基于神经网络空调控制模型的创建方法、控制方法、空调。
背景技术
随着生活质量的提高，空调逐渐普和成为家居生活中一件不可或缺的家用电器，空调的形式也正在多元化的发展之中。
随着空调智能化、小型化以和节能化的发展，在空调自动扫风模式下，空调导风叶片的摆动，产生的扫风可以使房间温度达到均衡，加快室内空气温度的降低速度，提升了空调的使用效果，给用户带来良好的体感效果，但在自动扫风模式下，空调只能固定的角度和速度进行扫风，在环境温度调控、用户体验效果、节能降耗等方面效果不佳，主要体现在扫风范围无法控制、扫风速度调节方式单一、空气温度调节不均匀、无法感知环境状况、能耗高，在智能家居的背景下，如何对空调的智能控制、提升使用效果、用户个性化定制、最优化节省电量等方面成为亟待解决的问题。
发明内容
本发明的目的在于克服现有技术中空调只能固定的角度和速度进行扫风，扫风范围无法控制、扫风速度调节方式单一、空气温度调节不均匀、无法感知环境状况、能耗高，用户体验差的技术问题，提供一种基于神经网络空调控制模型的创建方法、控制方法、空调。
为实现上述目的，本发明采用的技术方案如下：一种基于神经网络空调控制模型的创建方法，所述方法包括：
获取用户活动范围信息；
获取用户体表温度信息和环境温度信息；
根据多次获取的活动范围信息、体表温度信息和环境温度信息使用神经网络模型进行训练，训练后得到空调控制模型。
进一步的，采集室内环境的热成像图，对所述热成像图进行处理得到该热成像图的人体轮廓信息，对所述人体轮廓信息进行处理得到用户活动范围信息。
进一步的，采用方向梯度直方图对所述热成像图进行检测得到人体轮廓信息。
进一步的，采用分类器对所述人体轮廓信息进行人体位置识别获得用户活动范围信息。
进一步的，采集室内环境的热成像图，对所述热成像图进行处理得到该热成像图的温度分布信息，根据所述温度分布信息得到用户体表温度信息和环境温度信息。
进一步的，对热成像图进行特征提取分别得到用户体表温度图和环境温度图，对所述用户体表温度图和环境温度图进行处理得到用户体表温度信息和环境温度信息。
进一步的，分别对用户体表温度图和环境温度图中的每个像素点的颜色幅值进行提取、统计分别得到用户体表温度信息和环境温度信息。
一种基于神经网络模型的空调控制方法，所述方法包括：
获取当前用户活动范围信息；
获取当前用户体表温度信息和环境温度信息；
将获取的用户活动范围信息、体表温度信息和环境温度信息输入训练好的空调控制模型得到空调的控制参数；
根据控制参数调节空调的工作状态。
进一步的，所述调节空调的工作状态包括调节空调的扫风角度、调节空调的扫风速度、调节空调的温度中一种或多种。
进一步的，根据用户活动范围信息调节空调的扫风角度。
进一步的，根据用户体表温度信息和环境温度信息调节空调的扫风速度和/或温度。
进一步的，通过采集热成像图获取用户活动范围信息、体表温度信息和环境温度信息。
一种空调，包括：
获取装置，用于获取用户活动范围信息、体表温度信息和环境温度信息；
训练装置，用于根据用户活动范围信息、体表温度信息和环境温度信息输出空调的控制参数，所述训练装置为训练好的空调控制模型；
控制装置，用于根据训练装置输出的控制参数调节空调的工作状态。
进一步的，所述获取装置包括图像采集元件，所述图像采集元件用于采集室内环境的热成像图，根据热成像图获取用户活动范围信息、体表温度信息和环境温度信息。
进一步的，所述图像采集元件包括红外摄像头。
进一步的，训练好的空调控制模型写入空调芯片中。
由上述对本发明的描述可知，与现有技术相比，本发明提供的一种基于神经网络空调控制模型的创建方法、控制方法、空调，通过获取当前用户活动范围信息、用户体表温度信息和环境温度信息；将其输入训练好的空调控制模型得到空调的控制参数；根据控制参数调节空调的工作状态，根据用户活动范围自动调节空调扫风角度，根据用户体表温度信息和环境温度信息调节空调扫风速度和温度，将空调的扫风效果最大化，使室内空气温度均匀，给用户带来最舒适的体验，提高了室内环境的舒适度，降低能耗，用户体验效果好。
附图说明
图1为本发明基于神经网络空调控制模型的创建方法流程图；
图2为本发明基于神经网络模型的空调控制方法流程图；
图3为本发明空调结构框图。
具体实施方式
以下将结合本发明实施例中的附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。
需要说明的是，本发明的说明书和权利要求书术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，为方便理解本发明实施例，下面将对本发明中所涉及的部分术语或名词进行解释说明：
像素：是计算机屏幕上所能显示的最小单位，用来表示图像的单位，指可以显示出的水平和垂直像素的数组，屏幕中的像素点越多，画面的分辨率越高，图像就越细腻和逼真。
像素点：指像素的数值。
方向梯度直方图：简称HOG，是应用在计算机视觉和图像处理领域，用于目标检测的特征描述器。这项技术是用来计算局部图像梯度的方向信息的统计值。HOG描述器是在一个网格密集的大小统一的细胞单元(dense grid of uniformly spaced cells)上计算，而且为了提高性能，还采用了重叠的局部对比度归一化(overlapping local contrastnormalization)技术。
SVM分类器：指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。例如在行人检测中可以用作区分行人和非行人的分类器。
本发明通过构建空调控制模型实现空调的工作状态的自动调节，主要采用神经网络模型进行构建，具体实施方式如下：
如图1所示，一种基于神经网络空调控制模型的创建方法，所述方法包括以下步骤：
S101：获取用户活动范围信息；
S102：获取用户体表温度信息和环境温度信息；
S103：根据多次获取的活动范围信息、体表温度信息和环境温度信息使用神经网络模型进行训练，训练后得到空调控制模型，并将训练好的空调控制模型写入芯片中。
具体的，采集大量的室内环境的热成像图，该热成像图可以通过网络获取或用户通过红外摄像头采集上传，获得原始训练数据，将收集到的原始图像数据样本输入神经网络模型进行训练。在本实施例中采用卷积神经网络模型进行训练，首先，对热成像图样本进行卷积运算，提取得到初步特征图，进行卷积分解，得到该热成像图的人体轮廓信息、用户体表温度图和环境温度图，采用方向梯度直方图对所述热成像图进行检测得到人体轮廓信息，采用分类器对所述人体轮廓信息进行人体位置识别获得用户活动范围信息，根据用户活动范围训练空调的扫风角度；
对热成像图进行特征提取分别得到用户体表温度图和环境温度图，具体的，对热成像图中的每个像素点的颜色幅值进行识别统计，颜色幅值的取值范围为0-255，统计颜色的直方图，颜色幅值较高的为人体轮廓，即用户体表温度图，颜色幅值较低的为环境背景，即环境温度图，在人体轮廓信息的基础上，提取出热成像图中环境温度图，再分别对用户体表温度图和环境温度图中的每个像素点的颜色幅值进行提取、统计分别得到用户体表温度信息和环境温度信息，具体的，对人体轮廓图中对头部、躯干、手臂、腿部等关键节点用矩形框进行标出，对每个矩形框中每个像素点的颜色幅值进行提取，求取平均值，所有矩形框计算完毕后汇总进行加权平均值计算，得到人体的体表温度值信息，环境温度信息依照体表温度的计算方法进行计算，根据人体的体表温度值信息，环境温度信息训练空调的扫风速度和温度；
在本实施例中，为了方便训练空调控制模型，将数据样本分成9个等级，其中，根据天气预报的室外舒适度指数计算方法，结合室内环境温度，空调风速、风向、空调温度，计算室内环境舒适度系数。结合人体温度，得到舒适度指数表，如表1所示：
| 等级 | 环境温度 | 指数 | 人体温度 | 舒适度 |
| 4 | >38° | >85 | >38° | 很热，极不舒适 |
| 3 | 32°～38° | 81～85 | 37.3°～37.9° | 热，很不舒适 |
| 2 | 28°～32° | 76～80 | 36.6°～37.3° | 暖热，不舒适 |
| 1 | 24°～28° | 71～75 | 36.3°～36.6° | 温暖，较舒适 |
| 0 | 19°～24° | 61～70 | 36.3°～36.6° | 舒适，最可接受 |
| -1 | 14°～19° | 51～60 | 35.9°～36.3° | 凉爽，较舒适 |
| -2 | 10°～14° | 41～50 | 35.5°～35.9° | 凉，不舒适 |
| -3 | 0°～10° | 20～40 | 35.1°～35.5° | 冷，很不舒适 |
| -4 | <0° | <20 | <35° | 很冷，极不舒适 |
表1：室内环境舒适度指数分级表
在表1中，0级为人体最舒适状态，需要对每个等级的空调扫风速度和温度进行训练，训练结果如表2所示，使得其他等级通过扫风速度和温度调节快速调到0级，调节到0级之后，保持不变，此时用户感觉最舒适，
| 等级 | 环境温度 | 指数 | 人体温度 | 扫风速度 | 温度 |
| 4 | >38° | >85 | >38° | 0.7m/s | 11° |
| 3 | 32°～38° | 81～85 | 37.3°～37.9° | 0.6m/s | 14° |
| 2 | 28°～32° | 76～80 | 36.9°～37.3° | 0.5m/s | 18° |
| 1 | 24°～28° | 71～75 | 36.6°～36.9° | 0.4m/s | 22° |
| 0 | 19°～24° | 61～70 | 36.3°～36.6° | 0.3m/s | 26° |
| -1 | 14°～19° | 51～60 | 35.9°～36.3° | 0.4m/s | 28° |
| -2 | 10°～14° | 41～50 | 35.5°～35.9° | 0.5m/s | 30° |
| -3 | 0°～10° | 20～40 | 35.1°～35.5° | 0.6m/s | 32° |
| -4 | <0° | <20 | <35° | 0.7m/s | 34° |
表2：根据用户体表温度和环境温度等级进行扫风速度和温度调节
训练之后，将训练好的空调控制模型写入芯片中，具体的，可写入空调的主板芯片中。
本实施例还提供了一种基于神经网络模型的空调控制方法，如图2所示，所述方法包括以下步骤：
S201：获取当前用户活动范围信息；
S202：获取当前用户体表温度信息和环境温度信息；
S203：将获取的所述用户活动范围信息、体表温度信息和环境温度信息输入训练好的空调控制模型得到空调的控制参数；
S204：根据控制参数调节空调的工作状态，所述调节空调的工作状态包括调节空调的扫风角度、调节空调的扫风速度、调节空调的温度，根据用户活动范围信息调节空调的扫风角度，根据用户体表温度信息和环境温度信息调节空调的扫风速度和温度。
具体的，通过采集热成像图获取用户活动范围信息、体表温度信息和环境温度信息，采集的热成像图输入到上述训练好的空调控制模型中，该空调控制模型采用卷积神经网络模型训练，卷积神经网络模型主要由五个部分组成：输入层、卷积层、池化层、全连接层、softmax层、具体来说，输入的图像首先经过第一个卷积层，通过卷积操作，得到卷积特征图(Feature Map)，卷积特征图再经过池化层，进行池化操作，池化的目的是进行降维度，减少冗余特征，经过多层卷积和池化操作，得到的图像特征输入全连接层，进行激活，全连接层也可以有多层，最后由softmax层输出分类结果，例如当前采集到的用户活动范围是在客厅的沙发上，将空调的扫风角度调节到客厅沙发处，当前采集到的环境温度是27°，人体温度是36.7°时，根据空调控制模型的训练结果，将空调的扫风速度调节为0.4m/s，空调的温度调节为22°，通过调节之后，当再次采集到环境温度为23°，人体温度为36.4°时，根据空调控制模型的训练结果，空调的扫风速度调节为0.3m/s，空调的温度调节为26°，并保持不变，直到再次检测到环境温度或人体温度发生变化，再进行调节。
此外，由于用户的实际体验与模拟计算数据会有一定的误差，因此本实施例设计了反馈回路以尽可能地贴近用户的实际体验。当空调调节结束后，若用户手动调节控制空调时，将用户的调节参数加入到空调控制模型的数据样本中，再对空调控制模型进行重新训练后更新。
本实施例还提供了一种空调，如图3所示，包括：获取装置1、训练装置2、控制装置3，
所述获取装置1获取用户活动范围信息、体表温度信息和环境温度信息，所述获取装置1包括图像采集元件11，所述图像采集元件11采集室内环境的热成像图，根据热成像图获取用户活动范围信息、体表温度信息和环境温度信息，所述图像采集元件11为红外摄像头；
所述训练装置2根据用户活动范围信息、体表温度信息和环境温度信息输出空调的控制参数，所述训练装置2为训练好的空调控制模型，将训练好的空调控制模型写入芯片中，具体的，可写入空调的主板芯片中，所述控制参数包括扫风角度、扫风速度、温度，根据用户活动范围信息输出空调的扫风角度，根据用户体表温度信息和环境温度信息输出空调的扫风速度和温度；
所述控制装置3根据训练装置2输出的控制参数调节空调的工作状态，所述调节空调的工作状态包括调节空调的扫风角度、调节空调的扫风速度、调节空调的温度，根据用户活动范围信息调节空调的扫风角度，根据用户体表温度信息和环境温度信息调节空调的扫风速度和温度。
例如当前采集到的用户活动范围是在客厅的沙发上，将空调的扫风角度调节到客厅沙发处，当前采集到的环境温度是27°，人体温度是36.7°时，根据空调控制模型的训练结果，将空调的扫风速度调节为0.4m/s，空调的温度调节为22°，通过调节之后，当再次采集到环境温度为23°，人体温度为36.4°时，即表2中0级时，根据空调控制模型的训练结果，空调的扫风速度调节为0.3m/s，空调的温度调节为26°，并保持不变，直到再次检测到环境温度或人体温度发生变化，再进行调节。
由上述对本发明的描述可知，与现有技术相比，本发明提供的一种基于神经网络空调控制模型的创建方法、控制方法、空调，通过获取当前用户活动范围信息、用户体表温度信息和环境温度信息；将其输入训练好的卷积神经网络空调控制模型得到空调的控制参数；根据控制参数调节空调的工作状态，根据用户活动范围自动调节空调扫风角度，根据用户体表温度信息和环境温度信息调节空调扫风速度和温度，将空调的扫风效果最大化，使室内空气温度均匀，给用户带来最舒适的体验，提高了室内环境的舒适度，降低能耗，用户体验效果好。
上述仅为本发明的若干具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
Claims (16)
1.一种基于神经网络空调控制模型的创建方法，其特征在于，所述方法包括：
获取用户活动范围信息；
获取用户体表温度信息和环境温度信息；
根据多次获取的活动范围信息、体表温度信息和环境温度信息使用神经网络模型进行训练，训练后得到空调控制模型。
2.根据权利要求1所述的基于神经网络空调控制模型的创建方法，其特征在于：采集室内环境的热成像图，对所述热成像图进行处理得到该热成像图的人体轮廓信息，对所述人体轮廓信息进行处理得到用户活动范围信息。
3.根据权利要求2所述的基于神经网络空调控制模型的创建方法，其特征在于：采用方向梯度直方图对所述热成像图进行检测得到人体轮廓信息。
4.根据权利要求3所述的基于神经网络空调控制模型的创建方法，其特征在于：采用分类器对所述人体轮廓信息进行人体位置识别获得用户活动范围信息。
5.根据权利要求1或2所述的基于神经网络空调控制模型的创建方法，其特征在于：采集室内环境的热成像图，对所述热成像图进行处理得到该热成像图的温度分布信息，根据所述温度分布信息得到用户体表温度信息和环境温度信息。
6.根据权利要求5所述的基于神经网络空调控制模型的创建方法，其特征在于：对热成像图进行特征提取分别得到用户体表温度图和环境温度图，对所述用户体表温度图和环境温度图进行处理得到用户体表温度信息和环境温度信息。
7.根据权利要求6所述的基于神经网络空调控制模型的创建方法，其特征在于：分别对用户体表温度图和环境温度图中的每个像素点的颜色幅值进行提取、统计分别得到用户体表温度信息和环境温度信息。
8.一种基于神经网络模型的空调控制方法，其特征在于，所述方法包括：
获取当前用户活动范围信息；
获取当前用户体表温度信息和环境温度信息；
将获取的用户活动范围信息、体表温度信息和环境温度信息输入训练好的空调控制模型得到空调的控制参数；
根据控制参数调节空调的工作状态。
9.根据权利要求8所述基于神经网络模型的空调控制方法，其特征在于：所述调节空调的工作状态包括调节空调的扫风角度、调节空调的扫风速度、调节空调的温度中一种或多种。
10.根据权利要求9所述的基于神经网络模型的空调控制方法，其特征在于：根据用户活动范围信息调节空调的扫风角度。
11.根据权利要求9或10所述的基于神经网络模型的空调控制方法，其特征在于：根据用户体表温度信息和环境温度信息调节空调的扫风速度和/或温度。
12.根据权利要求8所述基于神经网络模型的空调控制方法，其特征在于：通过采集热成像图获取用户活动范围信息、体表温度信息和环境温度信息。
13.一种空调，其特征在于，包括：
获取装置，用于获取用户活动范围信息、体表温度信息和环境温度信息；
训练装置，用于根据用户活动范围信息、体表温度信息和环境温度信息输出空调的控制参数，所述训练装置为训练好的空调控制模型；
控制装置，用于根据训练装置输出的控制参数调节空调的工作状态。
14.根据权利要求13所述的空调，其特征在于：所述获取装置包括图像采集元件，所述图像采集元件用于采集室内环境的热成像图，根据热成像图获取用户活动范围信息、体表温度信息和环境温度信息。
15.根据权利要求14所述的空调，其特征在于：所述图像采集元件包括红外摄像头。
16.根据权利要求13所述的空调，其特征在于：训练好的空调控制模型写入空调芯片中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811467635.7A CN111256315A (zh) | 2018-12-03 | 2018-12-03 | 基于神经网络空调控制模型的创建方法、控制方法、空调 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811467635.7A CN111256315A (zh) | 2018-12-03 | 2018-12-03 | 基于神经网络空调控制模型的创建方法、控制方法、空调 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111256315A true CN111256315A (zh) | 2020-06-09 |
Family
ID=70945006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811467635.7A Pending CN111256315A (zh) | 2018-12-03 | 2018-12-03 | 基于神经网络空调控制模型的创建方法、控制方法、空调 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111256315A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111780353A (zh) * | 2020-06-24 | 2020-10-16 | 珠海格力电器股份有限公司 | 空调机组控制方法、系统、装置及空调机组 |
| CN112032970A (zh) * | 2020-09-14 | 2020-12-04 | 重庆大学 | 一种基于体表温度监测的智能空调调控方法 |
| CN112562517A (zh) * | 2020-12-25 | 2021-03-26 | 峰米(北京)科技有限公司 | 一种智能动态展示屏保的系统、方法及存储介质 |
| CN112944641A (zh) * | 2021-04-06 | 2021-06-11 | 珠海格力电器股份有限公司 | 一种空调的控制方法、装置、空调、存储介质及处理器 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104597761A (zh) * | 2014-12-31 | 2015-05-06 | 珠海格力电器股份有限公司 | 智能家用设备的控制方法及装置 |
| US20160209068A1 (en) * | 2015-01-19 | 2016-07-21 | Lennox Industries Inc. | Distributed heating, ventilation, and air conditioning system |
| CN106288149A (zh) * | 2016-07-29 | 2017-01-04 | 广东美的制冷设备有限公司 | 空调器控制方法及装置 |
| CN107514752A (zh) * | 2017-08-22 | 2017-12-26 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器及计算机可读存储介质 |
-
2018
- 2018-12-03 CN CN201811467635.7A patent/CN111256315A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104597761A (zh) * | 2014-12-31 | 2015-05-06 | 珠海格力电器股份有限公司 | 智能家用设备的控制方法及装置 |
| US20160209068A1 (en) * | 2015-01-19 | 2016-07-21 | Lennox Industries Inc. | Distributed heating, ventilation, and air conditioning system |
| CN106288149A (zh) * | 2016-07-29 | 2017-01-04 | 广东美的制冷设备有限公司 | 空调器控制方法及装置 |
| CN107514752A (zh) * | 2017-08-22 | 2017-12-26 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器及计算机可读存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111780353A (zh) * | 2020-06-24 | 2020-10-16 | 珠海格力电器股份有限公司 | 空调机组控制方法、系统、装置及空调机组 |
| CN112032970A (zh) * | 2020-09-14 | 2020-12-04 | 重庆大学 | 一种基于体表温度监测的智能空调调控方法 |
| CN112032970B (zh) * | 2020-09-14 | 2021-06-22 | 重庆大学 | 一种基于体表温度监测的智能空调调控方法 |
| CN112562517A (zh) * | 2020-12-25 | 2021-03-26 | 峰米(北京)科技有限公司 | 一种智能动态展示屏保的系统、方法及存储介质 |
| CN112944641A (zh) * | 2021-04-06 | 2021-06-11 | 珠海格力电器股份有限公司 | 一种空调的控制方法、装置、空调、存储介质及处理器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111256315A (zh) | 基于神经网络空调控制模型的创建方法、控制方法、空调 | |
| CN110110629B (zh) | 面向室内环境控制的人员信息检测方法与系统 | |
| CN107292298B (zh) | 基于卷积神经网络和分类器模型的牛脸识别方法 | |
| CN110532970B (zh) | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 | |
| CN111476713B (zh) | 基于多深度卷积神经网络融合的天气图像智能识别方法及系统 | |
| CN104143079B (zh) | 人脸属性识别的方法和系统 | |
| CN108615226A (zh) | 一种基于生成式对抗网络的图像去雾方法 | |
| CN107145845A (zh) | 基于深度学习及多特征点融合的行人检测方法 | |
| CN107844797A (zh) | 一种基于深度图像的哺乳母猪姿态自动识别的方法 | |
| CN110738161A (zh) | 一种基于改进生成式对抗网络的人脸图像矫正方法 | |
| CN108830145A (zh) | 一种基于深度神经网络的人数统计方法及存储介质 | |
| CN107122787A (zh) | 一种基于特征融合的图像缩放质量评价方法 | |
| CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
| CN108762503A (zh) | 一种基于多模态数据采集的人机交互系统 | |
| CN110276363A (zh) | 一种基于密度图估计的鸟类小目标检测方法 | |
| CN108415260A (zh) | 一种智能家居服务机器人 | |
| CN108416304B (zh) | 一种利用上下文信息的三分类人脸检测方法 | |
| CN108830222A (zh) | 一种基于信息性和代表性主动学习的微表情识别方法 | |
| CN109828474A (zh) | 基于大数据的云端智能环境管理方法及系统 | |
| CN108426349A (zh) | 基于复杂网络与图像识别的空调个性化健康管理方法 | |
| CN108765384B (zh) | 一种联合流形排序和改进凸包的显著性检测方法 | |
| CN114419673B (zh) | 一种利用深度图像和cnn-svm的群猪多姿态识别方法 | |
| CN112815470B (zh) | 空调设备控制方法、装置、空调设备和存储介质 | |
| CN115601834A (zh) | 基于WiFi信道状态信息的跌倒检测方法 | |
| CN109389152A (zh) | 一种输电线路垂坠物的精细化识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200609 |