CN111279135A - 集中度推断装置 - Google Patents

集中度推断装置 Download PDF

Info

Publication number
CN111279135A
CN111279135A CN201880070124.3A CN201880070124A CN111279135A CN 111279135 A CN111279135 A CN 111279135A CN 201880070124 A CN201880070124 A CN 201880070124A CN 111279135 A CN111279135 A CN 111279135A
Authority
CN
China
Prior art keywords
concentration
users
unit
estimation
air
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.)
Granted
Application number
CN201880070124.3A
Other languages
English (en)
Other versions
CN111279135B (zh
Inventor
北川慧太
上総拓也
半田阳一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Daikin Industries Ltd
Original Assignee
Daikin Industries Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Daikin Industries Ltd filed Critical Daikin Industries Ltd
Publication of CN111279135A publication Critical patent/CN111279135A/zh
Application granted granted Critical
Publication of CN111279135B publication Critical patent/CN111279135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • F24F11/70—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
    • F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
    • F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
    • 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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/52—Indication arrangements, e.g. displays
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • 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
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
    • G01J5/0025—Living bodies
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P13/00—Indicating or recording presence, absence, or direction, of movement
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F1/00—Room units for air-conditioning, e.g. separate or self-contained units or units receiving primary air from a central station
    • F24F1/0007—Indoor units, e.g. fan coil units
    • F24F1/0043—Indoor units, e.g. fan coil units characterised by mounting arrangements
    • F24F1/0047—Indoor units, e.g. fan coil units characterised by mounting arrangements mounted in the ceiling or at the ceiling
    • 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
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • F24F11/65—Electronic processing for selecting an operating mode
    • 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
    • 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
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/65—Concentration of specific substances or contaminants
    • F24F2110/70—Carbon dioxide
    • 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
    • F24F2120/12—Position of occupants
    • 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
    • F24F2120/14—Activity of occupants
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/48—Thermography; Techniques using wholly visual means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Fluid Mechanics (AREA)
  • Automation & Control Theory (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Air Conditioning Control Device (AREA)
  • Image Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

相机(26)拍摄用户(U1、U2、U3)。室内环境信息传感器(13)检测与用户(U1、U2、U3)所处的室内(r1)的环境相关的室内环境信息。推断部(66)基于相机(26)所拍摄到的用户(U1、U2、U3)的图像和室内环境信息传感器(13)所检测到的室内环境信息，推断用户(U1、U2、U3)的集中程度。

Description

集中度推断装置
技术领域
本发明涉及一种集中度推断装置。
背景技术
如专利文献1所示，已知有如下技术：根据对作业者(以下为用户)进行拍摄的相机的影像提取用户的移动，使用提取出的移动来求出集中度的评价值。
专利文献1：日本公开专利公报特开2016-35365号公报
发明内容
-发明要解决的技术问题-
与用户相关的各种因素作用于该用户，由此，用户的集中度受到影响。因此，仅根据拍摄到的图像，难以精度良好地掌握作业者的集中度。
本发明的目的在于，精度良好地掌握用户的集中程度。
-用以解决技术问题的技术方案-
本公开的第一方面发明是一种集中度推断装置，其特征在于，包括：拍摄部26，其拍摄用户U1、U2、U3；检测部13，其检测与上述用户U1、U2、U3所处的室内r1的环境相关的室内环境信息；以及推断部66，其基于上述拍摄部26所拍摄到的上述用户U1、U2、U3的图像和上述检测部13所检测到的上述室内环境信息，推断上述用户U1、U2、U3的集中程度。
作为室内环境信息，举出室内的CO2浓度、温度等。这样的室内环境信息可能成为对用户的集中程度造成影响的因素。这里，若拍摄用户，则基于该图像和上述室内环境信息来推断用户的集中程度。由此，能够精度良好地掌握用户的集中程度。
第二方面发明在第一方面发明的基础上，其特征在于，在上述图像中，映出表示上述用户U1、U2、U3的集中程度的上述用户U1、U2、U3的动作和/或表示上述用户U1、U2、U3的集中程度的上述用户U1、U2、U3的状态，上述推断部66从上述图像中提取上述用户U1、U2、U3的动作和/或上述用户U1、U2、U3的状态，来推断上述用户U1、U2、U3的集中程度。
由此，进一步精度良好地推断用户集中到何种程度的集中程度。
第三方面发明在第一方面发明或第二方面发明的基础上，其特征在于，上述推断部66根据上述图像计算上述用户U1、U2、U3的性别和/或年龄，还基于计算出的上述用户U1、U2、U3的性别和/或年龄推断上述用户U1、U2、U3的上述集中程度。
由此，用户的集中程度的推断精度进一步提高。
第四方面发明在第一方面发明到第三方面发明中任一方面发明的基础上，其特征在于，上述集中度推断装置还包括表面温度测定部128，上述表面温度测定部128测定处于上述室内r1的上述用户U1、U2、U3的表面温度，上述推断部66还基于上述表面温度测定部128的测定结果，推断上述用户U1、U2、U3的上述集中程度。
由此，用户的集中程度的推断精度进一步提高。
第五方面发明在第一方面发明到第四方面发明中任一方面发明的基础上，其特征在于，空调装置10设置于上述室内r1的天花板，上述拍摄部26设置于上述空调装置10。
由此，拍摄部26能够在被障碍物遮挡的可能性较低的状态下对处于室内的用户进行拍摄。
第六方面发明在第一方面发明到第五方面发明中任一方面发明的基础上，其特征在于，在上述室内r1存在多个上述用户U1、U2、U3的情况下，上述推断部66推断多个上述用户U1、U2、U3各自的上述集中程度。
第七方面发明在第六方面发明的基础上，其特征在于，上述集中度推断装置还包括存储部62，上述存储部62存储关于多个上述用户U1、U2、U3各自的、将上述用户U1、U2、U3的动作和/或上述用户U1、U2、U3的状态与该动作和/或该状态时的上述用户U1、U2、U3的上述集中程度建立了对应的用户信息63，上述推断部66从上述图像中提取各上述用户U1、U2、U3的动作和/或各上述用户U1、U2、U3的状态，上述推断部66使用提取结果和上述用户信息63，推断多个上述用户U1、U2、U3各自的上述集中程度。
由此，每个用户的集中程度的推断精度进一步提高。
第八方面发明在第一方面发明到第七方面发明中任一方面发明的基础上，其特征在于，上述集中度推断装置还包括：受理部30，其能够受理由上述用户U1、U2、U3进行的、表示该用户U1、U2、U3的上述集中程度的集中度信息的输入；以及模型更新部68，其基于上述拍摄部26所拍摄到的上述图像和/或上述受理部30所受理到的上述集中度信息，使推断模型67学习，上述推断模型67用于推断上述集中程度。
由此，通过使用学习后的推断模型来进行用户的集中程度的推断动作，从而用户的集中程度的推断精度进一步提高。
第九方面发明在第一方面发明到第七方面发明中任一方面发明的基础上，其特征在于，上述集中度推断装置还包括控制部14，上述控制部14基于上述推断部66的推断结果，控制以上述室内r1为空调对象的空调装置10的第一空调动作，使得上述用户U1、U2、U3的上述集中程度上升。
由此，处于室内的用户的集中程度提高。
第十方面发明在第九方面发明的基础上，其特征在于，上述集中度推断装置还包括模型更新部68，上述模型更新部68根据在基于上述推断部66的推断结果而进行上述第一空调动作之后的由上述拍摄部26拍摄到的上述图像，掌握上述用户U1、U2、U3的实际的上述集中程度，基于其掌握结果，使推断模型67学习，上述推断模型67用于推断上述集中程度。
由此，推断模型的精度以推断模型的推断结果与实际尽量一致的方式进一步提高。通过使用学习后的推断模型来进行用户的集中程度的推断动作，从而用户的集中程度的推断精度进一步提高。
第十一方面发明在第九方面发明或第十方面发明的基础上，其特征在于，上述集中度推断装置还包括模型更新部68，上述模型更新部68根据比较在基于上述推断部66的推断结果而进行上述第一空调动作之后的由上述拍摄部26拍摄到的图像与上述拍摄部26在上述第一空调动作之前拍摄到的图像来判断上述用户U1、U2、U3的上述集中程度的行动及状态的变化，使推断模型67学习，上述推断模型67用于推断上述集中程度。
由此，推断模型的精度以推断模型的推断结果与实际尽量一致的方式进一步提高。通过使用学习后的推断模型来进行用户的集中程度的推断动作，从而用户的集中程度的推断精度进一步提高。
第十二方面发明在第十一方面发明的基础上，其特征在于，判断上述用户U1、U2、U3的上述集中程度的行动及状态的变化是指，上述行动及上述状态的频度减少，或者不出现上述行动及上述状态。
由此，更加准确地判断推断模型的推断结果与实际是否一致。
第十三方面发明在第九方面发明到第十二方面发明中任一方面发明的基础上，其特征在于，上述集中度推断装置还包括受理部30，上述受理部30能够受理由上述用户U1、U2、U3进行的、表示该用户U1、U2、U3的上述集中程度的集中度信息的输入，上述控制部14根据在基于上述推断部66的推断结果而进行上述第一空调动作之后由上述受理部30受理到的上述集中度信息，以上述用户U1、U2、U3的上述集中程度上升的方式学习上述第一空调动作的控制的内容。
由此，下次进行的第一空调动作容易使用户U1、U2、U3的集中程度进一步上升。
第十四方面发明在第九方面发明到第十三方面发明中任一方面发明的基础上，其特征在于，上述控制部14根据在基于上述推断部66的推断结果而进行上述第一空调动作之后的由上述拍摄部26拍摄到的上述图像，以上述用户U1、U2、U3的上述集中程度上升的方式学习上述第一空调动作的控制的内容。
由此，下次进行的第一空调动作容易使用户U1、U2、U3的集中程度进一步上升。
第十五方面发明在第十三方面发明或第十四方面发明的基础上，其特征在于，在上述第一空调动作的控制的内容中，包括：对上述空调装置10所包含的室内风扇12的旋转速度、调节从上述空调装置10吹出的风向的挡板16的位置、上述空调装置10的设定温度、上述室内r1的目标CO2浓度中的至少一个进行调整。
由此，下次进行的第一空调动作容易使用户U1、U2、U3的集中程度进一步可靠地下降。
-发明的效果-
根据本公开的方案，能够精度良好地掌握用户的集中程度。
附图说明
图1是包括集中度推断装置的空调系统的外观图。
图2是示意性示出包括集中度推断装置的空调系统的结构的框图。
图3是用户信息的概念图。
图4是表示第一实施方式的集中程度推断时的推断模型的输入及输出的概念图。
图5是示出年龄与集中程度之间的关系、性别与和集中相关的事项之间的关系的一例的图。
图6是表示第一实施方式的推断模型更新时的推断模型的输入及输出的概念图。
图7是示出用户的集中程度的推断动作及与推断出的用户的集中程度相伴的空调动作的流程的图。
图8是表示第二实施方式的集中程度推断时的推断模型的输入及输出的概念图。
图9是表示第二实施方式的推断模型更新时的推断模型的输入及输出的概念图。
具体实施方式
以下，基于附图对本发明的实施方式详细进行说明。需要说明的是，以下的实施方式是本质上优选的示例，并没有限制本发明、其应用对象或者其用途的范围的意图。
《第一实施方式》
＜概要＞
图1是包括本实施方式的空调控制装置50(相当于集中度推断装置)的空调系统100的外观图。如图1及图2所示，空调控制装置50具有空调装置10的构成要素的一部分、遥控器30(相当于受理部)、以及运算装置60。
如图1所示，空调装置10设置于作为空调对象的室内r1，对室内r1进行空气调节。除了在设定空调装置10的目标温度及目标湿度时使用遥控器30之外，还在用户U1、U2、U3操作遥控器30来直接向空调装置10指示空调装置10的运转模式、运转的进行(ON)及运转的停止(OFF)时使用遥控器30。
空调控制装置50对空调装置10的空调动作进行控制。尤其是，本实施方式的空调控制装置50使用映出处于室内r1的用户U1、U2、U3的图像，推断该用户U1、U2、U3的集中程度，基于推断出的集中程度来控制空调装置10的空调动作(相当于第一空调动作)，由此，提供例如改善进行事务作业的用户U1、U2、U3的集中程度这样的环境。
＜空调装置的结构＞
空调装置10是天花板设置类型的空调机，设置为主体部11被埋入到室内r1的天花板内。主体部11的下表面21在室内r1露出，在下表面21形成有向主体部11内吸入空气的吸入口23和从主体部11向室内r1吹出空气的吹出口24。
在主体部11的下表面21上设置有相机26(相当于拍摄部)。
相机26的透镜(未图示)朝向空调装置10的下方，对处于室内r1的用户U1、U2、U3进行拍摄。图像可以是拍摄了用户U1、U2、U3的动态图像，也可以是连续拍摄用户U1、U2、U3的静态图像而得到的图像，但这里示例出的是动态图像的情况。在相机26拍摄到的图像中，映出了用户U1、U2、U3的动作及状态(包括表情)，上述的动作及状态表示各用户U1、U2、U3的集中程度。用户U1、U2、U3在集中的情况下，采取只有手移动而身体的移动量少、眨眼次数少、瞳孔稍微打开等这样的动作及状态。反之，用户U1、U2、U3在不集中的情况下，采取身体的移动量大、托住脸颊、伸展腰部、眨眼次数多等这样的动作及状态。相机26拍摄用户U1、U2、U3的这些动作等，作为启示各用户U1、U2、U3的集中程度的图像。
在空调装置10的主体部11的内部包括：使从吸入口23吸入到主体部11内部的空气与制冷剂进行热交换的热交换器(未图示)、将与制冷剂进行了热交换后的空气经由吹出口24向室内r1供给的室内风扇12、设置在吹出口24的用于调节风向的挡板16、以及与挡板16的旋转轴连接且成为改变挡板16的朝向时的驱动源的马达16a等(参照图2)。
此外，在主体部11的内部包括室内环境信息传感器13(相当于检测部)及控制部14。
室内环境信息传感器13是用于检测与室内r1的环境相关的室内环境信息的传感器，是设置于吸入口23附近的吸入传感器。作为室内环境信息，举出从吸入口23吸入的室内r1的空气的温度、湿度、CO2的浓度等。
控制部14由微型计算机构成，该微型计算机由CPU及存储器构成。控制部14与室内风扇12、挡板16的马达16a、室内环境信息传感器13、相机26等电连接。另外，控制部14也与遥控器30及运算装置60以能够通信的方式连接。
控制部14通过基于室内环境信息传感器13的检测结果而进行的室内风扇12及挡板16的马达16a等的驱动控制，来控制空调装置10的空调动作。
尤其是，本实施方式的控制部14基于由运算装置60推断出的用户U1、U2、U3的集中程度，对室内r1的空调装置10的空调动作(第一空调动作)进行控制，使得用户U1、U2、U3的集中程度上升。下文中叙述基于集中程度的推断结果而进行的空调动作的详细情况。
需要说明的是，控制部14与以下叙述的运算装置60的推断部66同样地，优选预先构筑出神经网络。这是为了更加细致地对空调动作进行调整。
＜遥控器＞
遥控器30安装于室内r1的壁面上。遥控器30具有显示各种画面的显示器和受理用户U1、U2、U3的操作的多个操作按钮，对此未图示。通过由用户U1、U2、U3对操作按钮进行操作，在显示器上显示与用户U1、U2、U3的操作相应的各种画面。在显示器上，作为通常画面而显示室内r1的设定温度、设定湿度等。
本实施方式的遥控器30能够受理集中度信息、即不集中等的信息的由用户U1、U2、U3进行的输入，上述集中度信息表示用户U1、U2、U3的实际的集中程度。运算装置60能够根据所输入的集中度信息，判定用户U1、U2、U3的集中程度的推断结果是否与用户U1、U2、U3的实际的集中程度一致。若鉴于基于用户U1、U2、U3的集中程度的推断结果而进行空调装置10的空调动作这一情况，则上述输入优选在空调装置10伴随着用户U1、U2、U3的集中程度的推断结果而进行空调动作的期间进行，但不一定限于此。另外，也可以为了修正根据用户U1、U2、U3的集中程度的推断结果而执行的空调装置10的空调控制的内容(例如，为了根据实际的集中程度来调整室内风扇12的旋转速度)，使用上述输入。
＜空调控制装置的结构＞
如图2所示，空调控制装置50具有作为空调装置10的构成要素的一部分的室内环境信息传感器13、控制部14及相机26之外，还具有相当于受理部的遥控器30、以及运算装置60。
由于在上文中说明了室内环境信息传感器13、控制部14、相机26及遥控器30，因此，以下对运算装置60进行说明。
＜运算装置＞
运算装置60主要进行用户U1、U2、U3的集中程度的推断动作，其是包括存储部62及CPU65的计算机。运算装置60可以是云服务器、本地服务器等。
运算装置60与空调装置10及遥控器30以通过有线或无线的方式能够通信的方式连接。由此，运算装置60能够从空调装置10获取作为室内r1的温度等的室内环境信息传感器13的检测结果及相机26所拍摄到的图像，在遥控器30从用户U1、U2、U3受理到表示实际的集中程度的集中度信息的输入的情况下，能够获取上述信息。另外，运算装置60能够将自身推断出的推断结果即集中程度向空调装置10的控制部14输出。
需要说明的是，在本实施方式中，示例出运算装置60是空调装置10外的另外的装置的情况，但运算装置60也可以与控制部14同样地由微型计算机构成并组入到空调装置10内，其中，该微型计算机由CPU及存储器构成。
存储部62由闪存及硬盘等非易失性存储装置构成。在存储部62中主要存放有用户信息63。
如图3所示，用户信息63是关于每个用户U1、U2、U3的、将用户U1、U2、U3的动作及状态(包括表情)与采取该动作及状态时的用户U1、U2、U3的集中程度建立了对应的信息。有时，每个用户U1、U2、U3的在集中时和不集中时用户U1、U2、U3自然进行的行动和表情等不同。即，针对对于集中程度的行动和表情等而言，认为每个用户U1、U2、U3具有不同的习惯。因此，将该习惯作为所谓的指示用户U1、U2、U3的集中程度的基准而定义的信息即是用户信息63。
CPU65通过读出并执行存储于存储部62或该存储部62以外的其他存储器的各种程序，从而作为推断部66及模型更新部68发挥功能。
-用户的集中程度的推断-
推断部66基于相机26所拍摄到的用户U1、U2、U3的图像和作为室内环境信息传感器13的检测结果的室内环境信息，来推断用户U1、U2、U3的集中程度。这样的推断部66具有推断模型67。
推断模型67是根据拍摄到的图像等并通过使用了深度学习等方法的运算而求出用户U1、U2、U3的集中程度的专用模型，被预先构筑为神经网络。如图4的虚线所示，本实施方式的推断模型67构成为所谓的双层构造的神经网络，上述双层构造的神经网络主要具有：对相机26所拍摄到的图像的数据实施图像处理的图像处理神经网络67a；以及根据图像处理的结果和与室内环境信息传感器13的检测结果相关的信息而推断用户U1、U2、U3的集中程度的集中度推断神经网络67b。
推断部66首先将相机26所拍摄到的图像的数据向图像处理神经网络67a输入。在图像处理神经网络67a中，除了图像数据(这里为动态图像数据)的同时化处理等之外，还运用边缘检测、对比度处理等，进行：正在伸展腰部等的用户U1、U2、U3的动作的提取、眨眼次数少等的用户U1、U2、U3的状态的提取、用户U1、U2、U3的性别的计算、用户U1、U2、U3的年龄的计算。即，在图像处理神经网络67a中，提取表示集中程度的用户U1、U2、U3的特定的动作及状态，运算与集中程度相关联的性别及年龄。
在图5(a)中，概要地示出年龄的高低与集中程度之间的关系的一例，在图5(b)中，概要地示出性别与和集中相关的事项之间的关系的一例。在室内r1的温度为某一温度且均匀的情况下，在图5(a)中表示：存在年龄越低，则集中程度越高、集中力的持续时间越长的趋势，且存在年龄越高，则集中程度越低、集中力的持续时间越短的趋势。在图5(b)中表示：若以相同的年龄进行比较，则女性具有同时并行多个事件的性质，男性具有集中于一个事件的趋势。这样，所求出的性别及年龄成为影响(或者关联)集中程度的指标之一。
如图4所示，从图像处理神经网络67a输出的上述提取结果及上述运算结果、以及例如与室内r1的温度、湿度、CO2的浓度即室内环境信息传感器13的检测结果(室内环境信息)相关的信息被输入到集中度推断神经网络67b。在本实施方式中，示例出室内环境信息传感器13的检测结果通过推断模型67中的运算神经网络67c被实施了用于成为集中度推断神经网络67b能够处理的类型的数据的规定运算之后，作为与室内环境信息传感器13的检测结果相关的信息而输入到集中度推断神经网络67b的情况，但也可以不经由运算神经网络67c，直接输入至集中度推断神经网络67b。
在集中度推断神经网络67b中，根据所输入的各种信息中的、表示集中程度的用户U1、U2、U3的特定的动作及状态即提取结果以及与室内环境信息传感器13的检测结果相关的信息，以图3的用户信息63为基准，求出各个用户U1、U2、U3的集中程度。此时，在各个用户U1、U2、U3的集中程度的计算中考虑所输入的运算结果、即用户U1、U2、U3的性别及年龄。
例如室内r1的温度越超过约25度，并且CO2的浓度越高，则用户U1、U2、U3的集中程度越下降。于是，将与室内环境信息传感器13的检测结果相关的信息和用户U1、U2、U3的特定的动作及状态一起用于推断各个用户U1、U2、U3的集中程度。另外，通过考虑图5(a)、(b)所示的性别、年龄与集中程度的相关性，从而更加细致地推断用户U1、U2、U3的每个个人的集中程度。
推断部66将这样求出的用户U1、U2、U3的集中程度作为集中程度的推断结果而发送到空调装置10的控制部14。
-推断模型的更新-
如图6所示，模型更新部68基于相机26所拍摄到的图像的数据及遥控器30所受理到的表示用户U1、U2、U3的实际的集中程度的集中度信息，使上述推断模型67学习。
在推断集中程度后由相机26新拍摄到的图像中，例如可能在用户U1、U2、U3的动作及状态中出现目前为止较多的眨眼次数减少等所希望的变化。在该情况下，能够判断为集中程度的推断动作比较良好，基于该推断结果的空调动作(即第一空调动作)向使用户U1、U2、U3的集中程度朝向上升的方向变化。但是，在未观察到这样的所希望的变化的情况下，集中程度的推断动作可能与实际的集中程度背离。于是，模型更新部68使用相机26新拍摄到的图像来更新推断模型67。
需要说明的是，在表示集中程度的用户U1、U2、U3的动作及状态中，除了眨眼次数之外，如既述那样，还包括手或身体的移动量、瞳孔的开闭度、是否托住脸颊、是否伸展腰部等。关于这些各动作及状态，也在观察到所希望的变化的情况下，能够判断为基于推断结果的空调动作(即第一空调动作)向使用户U1、U2、U3的集中程度朝向上升的方向变化，模型更新部68更新推断模型67，其中，上述所希望的变化表示集中程度的改善。
能够判断为上述的每个动作及状态的、集中程度改善(上升)的具体例如下。
(I)在空调动作前，每固定时间的身体的移动量较多，但在空调动作后，该身体的移动量变少，并且手的移动量变多。
(II)在空调动作前托住了脸颊，但在空调动作后不再托住脸颊。
(III)在空调动作前伸展了腰部，但在空调动作后不再伸展腰部。
(IV)与空调动作前相比，空调动作后，瞳孔稍微打开。
如上述具体例所示，关于集中程度是否改善(上升)，不仅能够根据某些动作及状态的有无来判断，还能够根据某些行动及状态的频度的增减来判断，将这些情况统称为“所希望的变化”。在根据相机26的图像掌握了这样的所希望的变化的情况下，能够判断为集中程度的推断动作与实际的集中程度大致一致，不进行推断模型67的更新。
另外，在用户U1、U2、U3经由遥控器30输入的集中度信息中，表示出用户U1、U2、U3的实际的集中程度。因此，模型更新部68也使用遥控器30所受理到的集中度信息来更新推断模型67。
通过这样的更新动作，推断模型67(具体而言是集中度推断神经网络67b)被持续更新为能够计算与实际的集中程度更近的推断结果的这种模型。
需要说明的是，也可以是：模型更新部68对上次摄影而得的图像中的用户U1、U2、U3的动作及状态与新拍摄到的图像中的用户U1、U2、U3的动作及状态进行了比较，结果是，在存在所希望的变化的情况下，和/或在遥控器30受理到的集中度信息是表示集中程度比上次上升了规定等级以上的内容的情况下，判定为不需要推断模型67的更新动作，不进行推断模型67的更新动作。即，在上次拍摄到的图像与新拍摄到的图像之间在用户U1、U2、U3的动作及状态中不存在所希望的变化的情况下，和/或在遥控器30受理到的集中度信息为所希望的等级以上的情况下，进行推断模型67的更新动作即可。这是为了缓和CPU65由于进行不必要的处理而成为高负载。
需要说明的是，在本实施方式中，推断模型67中的成为更新对象的部分是集中度推断神经网络67b，但图像处理神经网络67a或运算神经网络67c也可以进一步成为更新对象。
需要说明的是，如图6所示，在更新推断模型67时，还可以进一步利用室内环境信息传感器13的检测结果，但也可以不利用该检测结果。
＜与推断出的用户的集中程度相伴的空调动作＞
图7是示出用户U1、U2、U3的集中程度的推断动作及与推断出的集中程度相伴的空调动作的流程的图。
相机26拍摄用户U1、U2、U3的图像(St11)。相机26所拍摄到的图像被发送到运算装置60。
在运算装置60中，推断部66使用推断模型67中的图像处理神经网络67a，进行用户U1、U2、U3的动作及状态的提取、性别及年龄的运算(St12)。推断部66向推断模型67中的集中度推断神经网络67b输入步骤St12中的提取结果及运算结果、以及作为室内环境信息传感器13的检测结果的室内环境信息(这里是与检测结果相关的信息)，推断各用户U1、U2、U3的集中程度(St13)。集中程度的推断结果被发送到空调装置10的控制部14。
将上述推断结果存放于运算装置60所具有的数据库(St14)，对此未图示。此时，包括室内r1的温度的室内环境信息、当前的空调装置10的风向及风量与推断结果一起建立对应而存放于数据库。为了提高集中程度的推断动作的精度，也可以在更新推断模型67时使用数据库。另外，数据库更优选用于将以下的“阈值”修正为最佳值。
空调装置10的控制部14以推断出的集中程度上升到阈值以上的方式，计算适合于各个用户U1、U2、U3的空调控制内容(St15)，执行计算出的空调控制(St16)。例如，集中程度与阈值之差越大，控制部14越对推断出集中程度的用户U1、U2、U3执行用于供给摆动气流的空调控制内容。摆动气流是指，通过在随着时间的经过使风量上下变化的同时，使设置于吹出口24的风向变更叶片上下变化而生成的气流。，被供给摆动气流的用户U1、U2、U3不会感到不适，反而能够感到舒适。反之，集中程度与阈值之差越小，控制部14越对推断出集中程度的用户U1、U2、U3执行维持当前的空气的供给的空调控制内容。
另外，控制部14也可以执行对供给空气的加热冷却程度等进行调节的空调控制内容，使得集中程度与阈值之差大于规定差的用户U1、U2、U3的人数越多，越使室内r1的温度在容易集中的18度～25度的范围内。
这样，根据各个用户U1、U2、U3的集中程度与阈值之差的大小，计算并执行使朝向该用户U1、U2、U3的风向及风量变化的空调控制内容。这样的空调控制内容可以说是对集中程度低的用户U1、U2、U3提供促进放松状态而容易集中的环境的内容，并且是用于对集中程度高的用户U1、U2、U3以继续维持当前的状态的方式发挥作用的内容。由此，通过空调控制而改善或维持每个个人的集中程度，因此，室内r1内的用户U1、U2、U3整体的集中程度的平均得到改善，用户U1、U2、U3的作业性提高。
＜效果＞
室内的环境对用户U1、U2、U3的集中程度造成影响。于是，运算装置60的推断部66基于相机26所拍摄到的用户U1、U2、U3的图像、以及作为室内环境信息传感器13的检测结果的室内环境信息(室内r1的温度等)，推断用户U1、U2、U3的集中程度。由此，能够精度良好地掌握用户U1、U2、U3的集中程度。
在上述图像中，映出用户U1、U2、U3的动作及状态，上述的动作及状态表示用户U1、U2、U3的集中程度。于是，推断部66从图像中提取用户U1、U2、U3的动作及状态，推断用户U1、U2、U3的集中程度。由此，用户U1、U2、U3的集中程度的推断精度提高。
另外，年龄及性别的不同有时对人的集中容易度及集中难度产生影响。于是，推断部66根据图像对用户U1、U2、U3的年龄及性别进行运算，进一步使用该运算结果来推断用户U1、U2、U3的集中程度。由此，用户U1、U2、U3的集中程度的推断精度进一步提高。
另外，相机26设置于空调装置10，空调装置10设置于天花板。因此，相机26能够在被障碍物遮挡的可能性减轻的状态下对处于室内r1的用户U1、U2、U3进行拍摄。
另外，推断部66推断处于室内r1的多个用户U1、U2、U3各自的集中程度。即，在本实施方式中，能够推断各个用户U1、U2、U3的集中程度。
然而，用户U1、U2、U3有时自然采取与自身的集中程度相应的动作及状态。该动作及状态的详细情况有时根据每个用户U1、U2、U3而不同。于是，推断部66将用户信息63用于与实际拍摄到的图像中的用户U1、U2、U3的动作及状态的对照，其中，上述用户信息63表示各个用户U1、U2、U3根据自身的集中程度而自然采取的动作及状态。由此，各个用户U1、U2、U3的集中程度的推断精度进一步提高。
空调装置10的控制部14基于运算装置60的推断部66推断出的集中程度而控制空调动作(第一空调动作)，使得用户U1、U2、U3的集中程度上升。由此，即便用户U1、U2、U3没有如操作遥控器30等而对空调装置10赋予使集中程度增加这样的空调动作的执行指示，空调装置10也自动地进行适合于促进改善用户U1、U2、U3的集中程度的空调动作。因此，用户U1、U2、U3的便利性提高，用户U1、U2、U3变得容易集中。
尤其是，为了提高用户U1、U2、U3的集中程度的推断精度而进行与推断出的集中程度相应的空调动作，由此，用户U1、U2、U3的集中程度更加容易改善。
尤其是，通过推断每个用户U1、U2、U3的集中程度，并进行适合于各个用户U1、U2、U3的集中程度的空调动作，从而能够改善处于室内r1的用户U1、U2、U3整体的集中程度。
另外，基于用户U1、U2、U3的图像及遥控器30所受理到的用户U1、U2、U3的集中度信息，使推断模型67学习。因此，推断部66使用学习后的推断模型67来进行集中程度的推断动作，由此用户U1、U2、U3的集中程度的推断精度进一步提高。
另外，推断模型67根据在基于推断部66的推断结果而进行空调动作之后由相机26拍摄到的图像，掌握用户U1、U2、U3的实际的集中程度，基于其掌握结果而进行学习。更具体而言，推断模型67根据比较在基于推断部66的推断结果进行空调动作(第一空调动作)之后的相机26的拍摄图像与相机26在空调动作(第一空调动作)之前拍摄到的图像来判断用户U1、U2、U3的集中程度的行动及状态的变化，来进行学习。这里，判断了用户U1、U2、U3的集中程度的行动及状态的变化是指，行动及状态的频度减少，或者不再出现行动及状态。由此，更加准确地判断推断模型的推断结果与实际是否一致，推断模型67的精度以推断模型67的推断结果与实际尽量一致的方式进一步提高。通过使用学习后的推断模型67来进行用户U1、U2、U3的集中程度的推断动作，从而用户U1、U2、U3的集中程度的推断精度进一步提高。
《第二实施方式》
在本实施方式中，针对如下情况进行说明：上述第一实施方式中的空调控制装置50还包括热成像传感器128(相当于表面温度测定部)，推断部66在用户U1、U2、U3的集中程度的推断动作中还使用热成像传感器128的检测结果。
图8是与第一实施方式的图4对应的图，是示出本实施方式的推断集中程度时的推断模型67的输入及输出的概念图。如图8的虚线所示，与上述第一实施方式同样，推断部66中的推断模型67被预先构筑为根据拍摄到的图像的数据和室内环境信息并通过运算而求出用户U1、U2、U3的集中程度的专用的神经网络。具体而言，推断模型67构成为主要具有图像处理神经网络67a和集中度推断神经网络67b的所谓的双层构造的神经网络。
与上述第一实施方式同样，示例出如下情况：作为室内环境信息传感器13的检测结果的室内环境信息通过推断模型67中的运算神经网络67c被实施了用于成为集中度推断神经网络67b能够处理的类型的数据的规定运算之后，被输入到集中度推断神经网络67b。
图像处理神经网络67a的输入和输出与上述第一实施方式相同。
向集中度推断神经网络67b输入图像处理神经网络67a的提取结果及运算结果、与室内环境信息传感器13的检测结果相关的信息之外，还向集中度推断神经网络67b输入热成像传感器128的检测结果。
热成像传感器128测定处于室内r1的各用户U1、U2、U3的表面温度。对于热成像传感器128的在室内r1的安装位置没有特别限定，例如也可以组入到遥控器30中，还可以安装于空调装置10的下表面21上。
需要说明的是，如图8所示，也可以为：与通过运算神经网络67c对室内环境信息传感器13的检测结果进行运算处理的情况同样地，通过其他运算神经网络67d对热成像传感器128的检测结果实施规定的运算，之后输入到集中度推断神经网络67b。
在集中度推断神经网络67b中，与上述第一实施方式同样，基于图像处理神经网络67a的提取结果及室内环境信息，求出各个用户U1、U2、U3的集中程度。此时，与上述第一实施方式同样，用户信息63被用作基准。除了图像处理神经网络67a的运算结果(年龄及性别)之外，在用户U1、U2、U3的集中程度的计算中还考虑热成像传感器128的检测结果(表面温度)。
如图9所示，也可以是：在推断模型67的更新动作中，除了使用图像处理神经网络67a的提取结果及运算结果、与室内环境信息传感器13的检测结果相关的信息之外，还使用热成像传感器128的检测结果。
除了使用图8及图9进行的说明之外，具体而言，使用了空调控制装置50的空调系统100的结构、用户信息63、使用了推断结果的空调动作的详细情况与上述第一实施方式相同，因此，省略说明。
如上所述，在本实施方式中，在用户U1、U2、U3的集中程度的推断中，还使用了用户U1、U2、U3的实际的表面温度。因此，用户U1、U2、U3的集中程度的推断精度进一步提高。另外，空调装置10能够进行适合于促进改善用户U1、U2、U3的集中度的空调动作。
需要说明的是，热成像传感器128的检测结果还可以进一步用于供控制部14判断从空调装置10向用户U1、U2、U3供给的空气的温度及风量是否为对用户U1、U2、U3来说适当的温度及风量。例如，即便说是为了改善用户U1、U2、U3的集中程度，若供给对用户U1、U2、U3来说过量的空气，则用户U1、U2、U3的表面温度也会过度地下降或上升，反而对用户U1、U2、U3过度赋予刺激，最终有可能成为妨碍集中的因素。因此，优选的是：在根据热成像传感器128的检测结果而判断出空调装置10向用户U1、U2、U3供给的空气的温度及风量不是对用户U1、U2、U3来说适当的温度及风量时，控制部14基于热成像传感器128的检测结果，调整空调控制内容，以缓和所供给的空气的温度及风量。
《其他实施方式》
在上述第一实施方式及第二实施方式中，还可以使用图像和室内环境信息中的CO2浓度，来进一步进行提高集中程度这样的空调控制。例如，CO2浓度越高，人变得越困，集中力越下降。于是，空调装置10的控制部14也可以执行进行换气的空调控制内容，使得CO2的浓度下降。该空调控制内容也可以如下：集中程度较低的人的数量越多，换气时间越长。
另外，还可以进行按照时间段而提高集中程度这样的空调控制。例如，午饭后，人犯困，集中力下降。于是，空调装置10的控制部14优选使下午的室内r1的目标温度相比上午暂时下降。此外，也可以根据CO2的浓度来调整目标温度的下降幅度。
在上述第一实施方式及第二实施方式中，推断部66还可以在推断各用户U1、U2、U3的集中程度时进一步使用各用户U1、U2、U3的心率及脑波的检测结果。
此时，也可以通过深度学习对心率及脑波的检测结果进行解析，由此求出用户U1、U2、U3的集中程度。由此，更加细致地掌握各用户U1、U2、U3的集中程度。就各用户U1、U2、U3的心率及脑波而言，也可以根据相机26所拍摄到的图像，作为表示各用户U1、U2、U3的状态的信息而进行计算，还可以利用相机26之外的检测心率及脑波的传感器来进行检测。各用户U1、U2、U3的心率及脑波也可以在推断模型67的学习时使用。
控制部14也可以使用根据图像而运算出的用户U1、U2、U3的年龄及性别来控制空调动作，使得进行如个人的集中程度更加提高这样的有效的单独的空调动作。
在上述第一实施方式及第二实施方式中，也可以将与吸入传感器不同的传感器设置为室内环境信息传感器13。室内环境信息传感器13所检测的与室内相关的信息不限于室内r1的温度、湿度、CO2的浓度，而是包括与室内r1的环境相关的各种信息。另外，室内环境信息传感器13的检测结果也可以仅是室内r1的温度，或者仅是CO2的浓度。
经由遥控器30输入的用户U1、U2、U3的集中度信息也可以用于空调动作(相当于第一空调动作)的控制的微调整及学习等。另外，与上述集中度信息同样，相机26新拍摄到的图像也不仅用于推断模型67的更新，还可以用于空调动作(相当于第一空调动作)的控制的微调整及学习等。
作为上述空调动作的控制的微调整及学习，主要包括：对室内风扇12的旋转速度([具体例1])、用户U1、U2、U3的空调空气的温度及挡板16的位置([具体例2])、CO2浓度([具体例3])各个情况下的、在用于改善(上升)集中程度的空调动作中使用的各个目标值进行微调整及学习。
以下，说明该具体例。
[具体例1]
具体而言，假设设推断部66推断出用户U1、U2、U3的集中程度在规定值以下且处于欠缺集中力的状态。针对该用户U1、U2、U3，空调装置10的控制部14对室内风扇12的旋转速度及挡板16的位置进行控制，以较弱的风量开始供给摆动气流(摆动运转)。
之后，相机26新拍摄图像。使用该图像，推断部66重新推断被供给摆动气流的用户U1、U2、U3的集中程度。其结果是，在该用户U1、U2、U3的集中程度仍为规定值以下且未改善集中力的情况下，控制部14进行使室内风扇12的旋转速度比目前为止升高的控制。由此，摆动气流的风量达到比已供给的风量(较弱的风量)强的风量。
需要说明的是，在该情况下，控制部14不进行对挡板16的位置的控制。因此，即便改变了风量，风向也不会变。
之后，相机26再次新拍摄图像。根据该图像，推断部66再次重新推断该用户U1、U2、U3的集中程度，其结果，在集中程度达到了规定值以上的情况下，能够判断为该用户U1、U2、U3的集中力提高，集中程度得到了改善。在该情况下，控制部14学习用于改善(上升)用户U1、U2、U3的集中程度所需的摆动运转的控制，为了有助于下次以后的空调动作(第一空调动作)，将目标值设定为室内风扇12的旋转速度的最终值(使目标值上升)。即，在从下次起的摆动运转中，以该学习后的风量自动地开始摆动气流的供给。因此，下次进行的空调动作(第一空调动作)容易使用户U1、U2、U3的集中程度更加可靠地上升。
另一方面，在即便通过供给使风量增强了某种程度的摆动气流、用户U1、U2、U3的集中程度也在规定值以下的情况下，控制部14停止摆动运转。这是因为，如果风量较强的空调空气被过量供给至用户U1、U2、U3，则用户U1、U2、U3的集中程度反而下降，从而更加与规定值背离。
需要说明的是，优选在即使例如使摆动气流的风量阶段性地上升两次(即，使室内风扇12的旋转速度阶段性地上升两次)，用户U1、U2、U3的集中程度仍在规定值以下的情况下，进行该摆动运转的停止控制。
需要说明的是，控制部14在上述的摆动运转的控制的基础上，也可以同时进行在上述第一实施方式中说明过的室内的温度的调整及CO2浓度的调整中的至少一方。
[具体例2]
针对由推断部66推断出集中程度小于阈值的用户U1、U2、U3，若为制冷运转时，则空调装置10的控制部14进行使空调空气的温度下降至目标值且调节挡板16的位置的控制。由此，空调装置10朝向由推断部66推断出集中程度小于阈值的用户U1、U2、U3供给比到比当前冷的空调空气。作为使空调空气的温度下降至目标值的控制，例如，控制部14通过暂时设定比当前设定的目标温度低2℃的目标温度来控制空调装置，从而进行降低空调空气的温度的控制。
之后，相机26新拍摄图像。使用该图像，推断部66重新推断被供给空调空气的用户U1、U2、U3的集中程度。其结果是，在该用户U1、U2、U3的集中程度未达到阈值以上的情况下，控制部14进行使空调空气的温度进一步下降的控制，并且，进行根据用户U1、U2、U3的位置来调整挡板16的位置的控制。其结果是，空调装置10朝向用户U1、U2、U3供给作为温度进一步下降的冷风的空调空气。具体而言，控制部14使暂时设定为降低了2℃的目标温度进一步下降2度，暂时设定比初始设定的目标温度低4℃的目标温度，从而控制空调装置10的空调动作。
之后，相机26再次新拍摄图像。根据该图像，推断部66再次重新推断该用户U1、U2、U3的集中程度，其结果，在集中程度达到了阈值以上的情况下，能够判断为该用户U1、U2、U3的集中程度得到了改善。在该情况下，控制部14学习用于改善用户U1、U2、U3的集中程度所需的空调空气的冰凉度(即，空调空气的温度的下降程度)，将目标值设定为(下降到)空调空气的最终温度，使得从下次以后供给该温度的空调空气。
需要说明的是，控制部14也可以将空调装置10的空调动作控制为：不进行挡板16的位置的控制而降低室内r1整体的温度。也可以代替空调空气的设定温度而进行空调空气的湿度调整，还可以在空调空气的设定温度的基础上进行空调空气的湿度调整。
另外，也能够将上述具体例1与该具体例2组合来实现。
另外，在制热运转时也能够应用该具体例2。在制热运转时，控制部14不是以使设定温度下降的方式进行控制，而是以使设定温度上升的方式进行控制。
[具体例3]
另外，控制部14也可以根据用户U1、U2、U3的集中程度，进一步对室内r1的换气扇(未图示)的运转进行调节，由此来调整室内r1的CO2浓度。该调整能够与上述具体例1、2中的至少一方进一步组合来实现。在与上述具体例1组合来实现的情况下，“空调空气”也可以为冷风。
作为CO2浓度的调整，举出如下情况：在用户U1、U2、U3的集中程度小于阈值的情况下，控制部14在上述具体例1、2中的至少一方的基础上，还使换气扇(未图示)运转，使得CO2浓度在规定值以下。在该情况下，控制部14判断与不进行换气扇(未图示)的运转的情况(即，仅进行了具体例1、2中的至少一方的情况)相比、直至用户U1、U2、U3的集中程度得到改善为止的时间是否提前，在提前的情况下提前了多少程度等，并且，将集中程度得到了改善时的CO2浓度作为目标值进行学习。
由此，从下次以后起，为了改善用户U1、U2、U3的集中程度，还考虑CO2浓度的状态而自动地进行换气扇(未图示)的运转。因此，下次进行的空调动作(第一空调动作)更加容易改善用户U1、U2、U3的集中程度。
此外，控制部14也可以针对如下内容进行学习：对于各个用户U1、U2、U3，为了改善集中程度而由空调装置10进行怎样的空调运转，对于位于室内r1的某个位置的用户U1、U2、U3，为了改善集中程度而由空调装置10进行怎样的空调运转。
另外，在这样的空调控制的学习时，也可以进一步利用在上述第一实施方式、第二实施方式中说明过的由用户U1、U2、U3从遥控器30进行的输入(集中度信息)。即，控制部14也可以使用在上述空调控制后输入的集中度信息，判断当前的空调控制是否成为对于集中程度的改善(上升)来说有效的内容，通过学习来更新空调控制的内容。在该情况下，也可以为：针对空调控制，也构筑用于该控制的控制模型，使该控制模型学习。
在上述第一实施方式及第二实施方式中，说明了在图像中映出表示用户U1、U2、U3的集中程度的用户U1、U2、U3的动作及状态，但在图像中映出的内容也可以是用户U1、U2、U3的动作及状态中的至少一方。在该情况下，图像处理神经网络67a的提取结果是用户U1、U2、U3的动作及状态中的至少一方。
用户U1、U2、U3的性别及年龄的运算结果也可以不用于推断集中程度。
在将用户U1、U2、U3的性别及年龄用于推断集中程度的情况下，也可以将用户U1、U2、U3的性别及年龄中的任一方用于推断集中程度。
空调装置10不限于设置在室内r1的天花板的类型，能够为壁面设置型、落地式等。
相机26位于能够拍摄室内r1的用户U1、U2、U3的位置即可，其也可以不设置于空调装置10。例如，相机26也可以是用户U1、U2、U3的个人计算机所具有的网络相机。
在处于室内r1的用户的人数为一个人的情况下，也能够应用上述第一实施方式及第二实施方式的空调控制装置50。
另外，就空调控制装置50而言，在处于室内r1的用户的人数为多个人的情况下，集中程度的推断对象者也可以不是全员，而是任意的人数。
推断部66在推断集中程度时也可以不利用用户信息63。
基于集中程度的推断结果而控制空调装置10的空调动作并不是必须的。因此，也可以是仅进行集中程度的推断动作的集中度推断装置。
也可以不进行推断模型67的更新动作。
在进行推断模型67的更新动作的情况下，在推断集中程度时和推断模型67的更新动作时，所使用的参数可以相同，也可以不同。例如，推断集中程度时的参数能够是图像、室内的温度及湿度、从吹出口24吹出的空气的吹出温度及湿度、风量、风向、空调能力中的至少一个。推断模型67的更新动作时的参数能够是图像、室内的温度及湿度、风速、辐射温度、CO2的浓度中的至少一个。
在上述第一实施方式及第二实施方式中，说明了利用由神经网络构筑的推断模型67而进行集中程度的推断的情况，但集中程度的推断动作中也可以不利用上述推断模型67，例如通过执行程序而进行集中程度的推断动作。
也可以代替控制部14，由运算装置60进行空调动作的控制。
在上述第一实施方式及第二实施方式中，示例出受理集中度信息的输入的受理部是“遥控器30”的情况。但是，受理部也可以由智能手机、平板电脑、个人计算机等与遥控器不同的设备构成。另外，输入集中度信息的方式也可以是声音输入等。
-产业实用性-
综上所述，本发明针对推断用户的集中程度的集中度推断装置是有用的。
-符号说明-
10 空调装置
13 室内环境信息传感器(检测部)
14 控制部
26 相机(拍摄部)
30 遥控器(受理部)
50 空调控制装置(集中度推断装置)
62 存储部
63 用户信息
66 推断部
67 推断模型
68 模型更新部
U1、U2、U3 用户
128 热成像传感器(表面温度测定部)

Claims (15)

1.一种集中度推断装置，其特征在于，包括：
拍摄部(26)，其拍摄用户(U1、U2、U3)；
检测部(13)，其检测与上述用户(U1、U2、U3)所处的室内(r1)的环境相关的室内环境信息；以及
推断部(66)，其基于上述拍摄部(26)所拍摄到的上述用户(U1、U2、U3)的图像和上述检测部(13)所检测到的上述室内环境信息，推断上述用户(U1、U2、U3)的集中程度。
2.根据权利要求1所述的集中度推断装置，其特征在于，
在上述图像中，映出表示上述用户(U1、U2、U3)的集中程度的上述用户(U1、U2、U3)的动作和/或表示上述用户(U1、U2、U3)的集中程度的上述用户(U1、U2、U3)的状态，
上述推断部(66)从上述图像中提取上述用户(U1、U2、U3)的动作和/或上述用户(U1、U2、U3)的状态，来推断上述用户(U1、U2、U3)的集中程度。
3.根据权利要求1或2所述的集中度推断装置，其特征在于，
上述推断部(66)根据上述图像计算上述用户(U1、U2、U3)的性别和/或年龄，还基于计算出的上述用户(U1、U2、U3)的性别和/或年龄推断上述用户(U1、U2、U3)的上述集中程度。
4.根据权利要求1到3中任一项权利要求所述的集中度推断装置，其特征在于，
上述集中度推断装置还包括表面温度测定部(128)，上述表面温度测定部(128)测定处于上述室内(r1)的上述用户(U1、U2、U3)的表面温度，
上述推断部(66)还基于上述表面温度测定部(128)的测定结果，推断上述用户(U1、U2、U3)的上述集中程度。
5.根据权利要求1到4中任一项权利要求所述的集中度推断装置，其特征在于，
空调装置(10)设置于上述室内(r1)的天花板，
上述拍摄部(26)设置于上述空调装置(10)。
6.根据权利要求1到5中任一项权利要求所述的集中度推断装置，其特征在于，
在上述室内(r1)存在多个上述用户(U1、U2、U3)的情况下，上述推断部(66)推断多个上述用户(U1、U2、U3)各自的上述集中程度。
7.根据权利要求6所述的集中度推断装置，其特征在于，
上述集中度推断装置还包括存储部(62)，上述存储部(62)存储关于多个上述用户(U1、U2、U3)各自的、将上述用户(U1、U2、U3)的动作和/或上述用户(U1、U2、U3)的状态与该动作和/或该状态时的上述用户(U1、U2、U3)的上述集中程度建立了对应的用户信息(63)，
上述推断部(66)从上述图像中提取各上述用户(U1、U2、U3)的动作和/或各上述用户(U1、U2、U3)的状态，
上述推断部(66)使用提取结果和上述用户信息(63)，推断多个上述用户(U1、U2、U3)各自的上述集中程度。
8.根据权利要求1到7中任一项权利要求所述的集中度推断装置，其特征在于，
上述集中度推断装置还包括：
受理部(30)，其能够受理由上述用户(U1、U2、U3)进行的、表示该用户(U1、U2、U3)的上述集中程度的集中度信息的输入；以及
模型更新部(68)，其基于上述拍摄部(26)所拍摄到的上述图像和/或上述受理部(30)所受理到的上述集中度信息，使推断模型(67)学习，上述推断模型(67)用于推断上述集中程度。
9.根据权利要求1到7中任一项权利要求所述的集中度推断装置，其特征在于，
上述集中度推断装置还包括控制部(14)，上述控制部(14)基于上述推断部(66)的推断结果，控制以上述室内(r1)为空调对象的空调装置(10)的第一空调动作，使得上述用户(U1、U2、U3)的上述集中程度上升。
10.根据权利要求9所述的集中度推断装置，其特征在于，
上述集中度推断装置还包括模型更新部(68)，上述模型更新部(68)根据在基于上述推断部(66)的推断结果而进行上述第一空调动作之后的由上述拍摄部(26)拍摄到的上述图像，掌握上述用户(U1、U2、U3)的实际的上述集中程度，基于其掌握结果，使推断模型(67)学习，上述推断模型(67)用于推断上述集中程度。
11.根据权利要求9或10所述的集中度推断装置，其特征在于，
上述集中度推断装置还包括模型更新部(68)，上述模型更新部(68)根据比较在基于上述推断部(66)的推断结果而进行上述第一空调动作之后的由上述拍摄部(26)拍摄到的图像与上述拍摄部(26)在上述第一空调动作之前拍摄到的图像来判断上述用户(U1、U2、U3)的上述集中程度的行动及状态的变化，使推断模型(67)学习，上述推断模型(67)用于推断上述集中程度。
12.根据权利要求11所述的集中度推断装置，其特征在于，
判断上述用户(U1、U2、U3)的上述集中程度的行动及状态的变化是指，上述行动及上述状态的频度减少，或者不出现上述行动及上述状态。
13.根据权利要求9到12中任一项权利要求所述的集中度推断装置，其特征在于，
上述集中度推断装置还包括受理部(30)，上述受理部(30)能够受理由上述用户(U1、U2、U3)进行的、表示该用户(U1、U2、U3)的上述集中程度的集中度信息的输入，
上述控制部(14)根据在基于上述推断部(66)的推断结果而进行上述第一空调动作之后由上述受理部(30)受理到的上述集中度信息，以上述用户(U1、U2、U3)的上述集中程度上升的方式学习上述第一空调动作的控制的内容。
14.根据权利要求9到13中任一项权利要求所述的集中度推断装置，其特征在于，
上述控制部(14)根据在基于上述推断部(66)的推断结果而进行上述第一空调动作之后的由上述拍摄部(26)拍摄到的上述图像，以上述用户(U1、U2、U3)的上述集中程度上升的方式学习上述第一空调动作的控制的内容。
15.根据权利要求13或14所述的集中度推断装置，其特征在于，
在上述第一空调动作的控制的内容中，包括：对上述空调装置(10)所包含的室内风扇(12)的旋转速度、调节从上述空调装置(10)吹出的风向的挡板(16)的位置、上述空调装置(10)的设定温度、上述室内(r1)的目标CO2浓度中的至少一个进行调整。
CN201880070124.3A 2017-10-30 2018-08-23 集中度推断装置 Active CN111279135B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017209735 2017-10-30
JP2017-209735 2017-10-30
PCT/JP2018/031095 WO2019087538A1 (ja) 2017-10-30 2018-08-23 集中度推定装置

Publications (2)

Publication Number Publication Date
CN111279135A true CN111279135A (zh) 2020-06-12
CN111279135B CN111279135B (zh) 2022-06-14

Family

ID=66331671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880070124.3A Active CN111279135B (zh) 2017-10-30 2018-08-23 集中度推断装置

Country Status (5)

Country Link
US (1) US11530828B2 (zh)
EP (1) EP3680567B1 (zh)
JP (2) JP6658822B2 (zh)
CN (1) CN111279135B (zh)
WO (1) WO2019087538A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113932432A (zh) * 2021-09-24 2022-01-14 青岛海尔空调器有限总公司 用于控制空调器的方法及装置、空调器
CN115264800A (zh) * 2022-06-16 2022-11-01 青岛海尔空调器有限总公司 一种基于空调的电子产品使用时长提示方法、装置及空调

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102443052B1 (ko) * 2018-04-13 2022-09-14 삼성전자주식회사 공기 조화기 및 공기 조화기의 제어 방법
EP3875773A4 (en) * 2018-11-02 2021-12-29 Panasonic Intellectual Property Management Co., Ltd. Environmental control system and environmental control method
JP2020165590A (ja) * 2019-03-29 2020-10-08 株式会社エヌ・ティ・ティ・データ 環境制御装置及びプログラム
JP7369946B2 (ja) * 2019-06-11 2023-10-27 パナソニックＩｐマネジメント株式会社 集中度計測装置、集中度計測方法、およびプログラム
JP7439426B2 (ja) * 2019-09-20 2024-02-28 三菱電機株式会社 環境制御システム
WO2021086684A1 (en) * 2019-10-31 2021-05-06 Carrier Corporation Hvac performance monitoring method
WO2021095561A1 (ja) * 2019-11-15 2021-05-20 ソニーグループ株式会社 情報処理装置、情報処理方法、及び、プログラム
KR20210074792A (ko) * 2019-12-12 2021-06-22 삼성전자주식회사 공기 조화 장치 및 그 제어 방법
CN115280077B (zh) * 2020-03-27 2024-03-08 三菱电机株式会社 空调控制的学习装置以及推理装置
WO2022059137A1 (ja) * 2020-09-17 2022-03-24 三菱電機株式会社 空調システム、学習装置、および推論装置
CN112487948B (zh) * 2020-11-27 2022-05-13 华中师范大学 一种基于多空间融合的学习者学习过程的专注度感知方法
JP7249068B1 (ja) 2022-03-28 2023-03-30 ｃｙｎａｐｓ株式会社 換気制御システム

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06265190A (ja) * 1993-03-12 1994-09-20 Sharp Corp 空気調和機
JP2005009847A (ja) * 2003-06-16 2005-01-13 Ind Technol Res Inst 遠隔環境条件模擬方法及びシステム
CN104390307A (zh) * 2014-10-29 2015-03-04 小米科技有限责任公司 控制空气净化器工作的方法及装置
CN204480115U (zh) * 2015-01-16 2015-07-15 吴妍 通风笔记本电脑
CN105042784A (zh) * 2015-07-30 2015-11-11 四川长虹电器股份有限公司 一种空气调节方法及空气控制系统
CN205351650U (zh) * 2015-12-31 2016-06-29 美的集团股份有限公司 用于控制空调器的穿戴式设备及控制系统
CN105916540A (zh) * 2014-01-14 2016-08-31 松下知识产权经营株式会社 环境控制系统、控制装置、程序
WO2016147544A1 (ja) * 2015-03-16 2016-09-22 パナソニックＩｐマネジメント株式会社 環境制御システム、制御装置、プログラム
CN106094256A (zh) * 2016-06-01 2016-11-09 宇龙计算机通信科技(深圳)有限公司 家居设备控制方法、家居设备控制装置和智能眼镜
CN106361270A (zh) * 2015-07-22 2017-02-01 松下电器（美国）知识产权公司 清醒度预测方法和清醒度预测装置
CN106440240A (zh) * 2016-10-31 2017-02-22 广州华凌制冷设备有限公司 室内空气的优化方法、优化装置、空调器和可穿戴设备

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002022238A (ja) 2000-07-07 2002-01-23 Toyota Central Res & Dev Lab Inc 快適感評価装置及び空調制御装置
US7505621B1 (en) * 2003-10-24 2009-03-17 Videomining Corporation Demographic classification using image components
JP4311212B2 (ja) * 2004-01-26 2009-08-12 ダイキン工業株式会社 天井埋込型空気調和装置及びその制御方法
US8000505B2 (en) * 2004-09-01 2011-08-16 Eastman Kodak Company Determining the age of a human subject in a digital image
US9165280B2 (en) * 2005-02-22 2015-10-20 International Business Machines Corporation Predictive user modeling in user interface design
JP2006293979A (ja) * 2005-03-18 2006-10-26 Advanced Telecommunication Research Institute International コンテンツ提供システム
US8208694B2 (en) * 2006-06-06 2012-06-26 Thomas Jelonek Method and system for image and video analysis, enhancement and display for communication
US20100111375A1 (en) * 2008-10-31 2010-05-06 Michael Jeffrey Jones Method for Determining Atributes of Faces in Images
JP5085670B2 (ja) * 2010-02-24 2012-11-28 株式会社東芝 空調制御システムおよび空調制御方法
US8582807B2 (en) * 2010-03-15 2013-11-12 Nec Laboratories America, Inc. Systems and methods for determining personal characteristics
WO2012095917A1 (ja) * 2011-01-13 2012-07-19 株式会社ニコン 電子機器および電子機器の制御プログラム
JP6206791B2 (ja) * 2012-08-31 2017-10-04 パナソニックＩｐマネジメント株式会社 集中度計測装置、プログラム
US10278624B2 (en) * 2013-05-23 2019-05-07 Iphenotype Llc Method and system for maintaining or improving wellness
JP2015017753A (ja) * 2013-07-11 2015-01-29 富士電機株式会社 空気調和機の制御装置および空気調和機の制御方法
EP3047387A4 (en) * 2013-09-20 2017-05-24 Intel Corporation Machine learning-based user behavior characterization
JP6271294B2 (ja) * 2014-02-26 2018-01-31 シャープ株式会社 空気調和機
JP2016035365A (ja) 2014-08-04 2016-03-17 パナソニックＩｐマネジメント株式会社 環境制御装置、プログラム
US10716502B2 (en) 2015-07-22 2020-07-21 Panasonic Intellectual Property Corporation Of America Method for predicting arousal level and arousal level prediction apparatus
CN109906165A (zh) * 2016-08-10 2019-06-18 兹沃公司 使用推断的注意力模型经由收集和存储的元数据提供信息的方法和设备
JP2018056012A (ja) * 2016-09-29 2018-04-05 パナソニック株式会社 環境制御システム、環境制御方法及びプログラム
JP6771151B2 (ja) * 2016-09-29 2020-10-21 パナソニックＩｐマネジメント株式会社 環境制御システム、環境制御方法及びプログラム
US11249544B2 (en) * 2016-11-21 2022-02-15 TeleLingo Methods and systems for using artificial intelligence to evaluate, correct, and monitor user attentiveness
US20180144280A1 (en) * 2016-11-22 2018-05-24 International Business Machines Corporation System and method for analyzing the focus of a person engaged in a task
US11232385B2 (en) * 2016-11-22 2022-01-25 International Business Machines Corporation System and method to measure optimal productivity of a person engaged in a task
KR102380513B1 (ko) 2017-02-08 2022-03-31 삼성에스디아이 주식회사 전력 변환 장치 및 이를 포함하는 배터리의 충전 시스템
JP6387173B1 (ja) * 2017-10-30 2018-09-05 ダイキン工業株式会社 眠気推定装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06265190A (ja) * 1993-03-12 1994-09-20 Sharp Corp 空気調和機
JP2005009847A (ja) * 2003-06-16 2005-01-13 Ind Technol Res Inst 遠隔環境条件模擬方法及びシステム
CN105916540A (zh) * 2014-01-14 2016-08-31 松下知识产权经营株式会社 环境控制系统、控制装置、程序
CN104390307A (zh) * 2014-10-29 2015-03-04 小米科技有限责任公司 控制空气净化器工作的方法及装置
CN204480115U (zh) * 2015-01-16 2015-07-15 吴妍 通风笔记本电脑
WO2016147544A1 (ja) * 2015-03-16 2016-09-22 パナソニックＩｐマネジメント株式会社 環境制御システム、制御装置、プログラム
CN106361270A (zh) * 2015-07-22 2017-02-01 松下电器（美国）知识产权公司 清醒度预测方法和清醒度预测装置
CN105042784A (zh) * 2015-07-30 2015-11-11 四川长虹电器股份有限公司 一种空气调节方法及空气控制系统
CN205351650U (zh) * 2015-12-31 2016-06-29 美的集团股份有限公司 用于控制空调器的穿戴式设备及控制系统
CN106094256A (zh) * 2016-06-01 2016-11-09 宇龙计算机通信科技(深圳)有限公司 家居设备控制方法、家居设备控制装置和智能眼镜
CN106440240A (zh) * 2016-10-31 2017-02-22 广州华凌制冷设备有限公司 室内空气的优化方法、优化装置、空调器和可穿戴设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113932432A (zh) * 2021-09-24 2022-01-14 青岛海尔空调器有限总公司 用于控制空调器的方法及装置、空调器
CN113932432B (zh) * 2021-09-24 2023-08-18 青岛海尔空调器有限总公司 用于控制空调器的方法及装置、空调器
CN115264800A (zh) * 2022-06-16 2022-11-01 青岛海尔空调器有限总公司 一种基于空调的电子产品使用时长提示方法、装置及空调

Also Published As

Publication number Publication date
CN111279135B (zh) 2022-06-14
JP6658822B2 (ja) 2020-03-04
EP3680567A1 (en) 2020-07-15
US20200240658A1 (en) 2020-07-30
JP2019082311A (ja) 2019-05-30
EP3680567A4 (en) 2020-11-25
EP3680567B1 (en) 2021-12-08
JP2020008278A (ja) 2020-01-16
JP6835165B2 (ja) 2021-02-24
US11530828B2 (en) 2022-12-20
WO2019087538A1 (ja) 2019-05-09

Similar Documents

Publication Publication Date Title
CN111279135B (zh) 集中度推断装置
CN111247375B (zh) 空调控制装置
US11598548B2 (en) Device for estimating drowsiness of a user based on image and environment information
JP2019215162A5 (zh)
JP6784314B2 (ja) 換気制御装置及び換気システム
JP2010025359A (ja) 空気調和機
JP6668010B2 (ja) 空調制御装置、空調制御方法、および空調制御プログラム
JP2015102307A (ja) 空調制御システム及び空調制御方法
WO2024113920A1 (zh) 空调及其控制方法
JP2017166798A (ja) 空気調和機
JP7527363B2 (ja) 制御システム、設備機器システム及び設備機器の制御方法
JP2023001623A (ja) 学習装置、推論装置及び空調装置
JP6233744B2 (ja) 環境制御装置および環境制御システム
JP6229973B2 (ja) 環境制御装置およびそれを用いた環境制御システム
JP2008185282A (ja) 空気調和装置
JP2023054614A (ja) 環境制御システム

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
GR01 Patent grant
GR01 Patent grant