CN111334982A - 洗涤物处理装置及其操作方法 - Google Patents

Abstract

本发明提供一种洗涤物处理装置及其操作方法。一实施例的洗涤物处理装置包括：无线通信部；至少一个以上传感器；以及处理器，将通过监督学习算法学习的学习模型应用于包括从所述至少一个以上传感器收集的感测值和所述感测值的测量时刻的感测信息，以获取包括微生物的种类和所述微生物的增殖速度的微生物信息，并以获取的微生物信息为基础，获取洗涤引导信息，并通过所述无线通信部将获取的洗涤引导信息发送给终端。

Description

洗涤物处理装置及其操作方法

技术领域

本发明涉及洗涤物处理装置，更具体而言，涉及能够基于感测数据使用人工智能来判断洗涤物处理装置的污染状态的洗涤物处理装置。

背景技术

在现代，洗涤物处理装置是所有家庭必备的家用电器。

近年来，鉴于消费者对杀菌的认识不断提高，已经开发了附加了杀菌功能的洗涤物处理装置。

这种附加了杀菌功能的洗涤物处理装置作为其杀菌方法使用了实施桶清洗、操作除湿模式或使用紫外线的方法。

然而，虽然现有的洗涤物处理装置检测霉菌或细菌并能自动地执行槽清洗，但是，没有采取根据霉菌或细菌的种类的措施。

并且，由于洗涤物处理装置仅执行统一的槽清洗，而未执行适合于检测到的微生物的种类或增殖情况的槽清洗，因此，存在可能没有进行正确的清洁的问题。

发明内容

本发明的目的在于，通过根据在洗涤物处理装置检测到的微生物的种类和微生物的增殖速度来区分洗涤操作，从而采取适合于洗涤物处理装置的污染情况的措施。

本发明的实施例的洗涤物处理装置可以基于附接于洗涤物处理装置的一个以上传感器的感测值来预测微生物的种类和微生物的增殖速度，并且，基于预测的信息来提供洗涤引导信息。

根据本发明的实施例，执行了适合于在洗涤物处理装置检测到的微生物的种类和微生物的增殖速度的洗涤操作，从而能够执行更加准确的洗涤操作。

由此，能够降低洗涤物的污染度，并且，能够增加洗涤物处理装置的使用寿命。

附图说明

图1是用于说明人工神经网络的学习装置的框图。

图2是用于说明本发明一实施例的终端的框图。

图3是用于说明本发明一实施例的洗涤物处理装置的结构的框图。

图4是用于说明本发明一实施例的洗涤物处理装置的操作方法的流程图。

图5是说明根据本发明实施例的由感测部收集的感测信息的示例的图。

图6是说明根据本发明一实施例的使用线性回归算法获取微生物种类的方法的图。

图7是说明根据本发明一实施例的使用线性回归算法获取其他种类微生物的方法的图。

图8至图10是说明根据本发明实施例的能够与洗涤物处理装置通信的终端显示微生物信息和洗涤引导信息的示例的图。

图11是用于说明本发明一实施例的洗涤系统的操作方法的梯形图。

具体实施方式

下面，将参照附图详细描述本说明书中公开的实施例，无论附图符号如何，相同或相似的构成要素赋予相同的附图标记，并且将省略对此的重复描述。以下描述中使用的结构要素的后缀“模块”和“部”仅出于考虑说明书的容易撰写而赋予或混用，它们本身并不具有彼此区分的含义或作用。并且，在描述本说明书中公开的实施例时，如果判断对相关的公知技术的具体描述可能会混淆本说明书中公开的实施例的主旨，则省略其详细描述。并且，附图仅是用于使本说明书中公开的实施例容易理解，本说明书中公开的技术思想并不受附图限制，本发明的思想和技术范围内的所有变更、等同物以及替代物应当被理解为包括在本发明的思想和技术范围。

包括诸如第一、第二等的序数的术语可以用于说明各种构成要素，但是所述构成要素并不受所述术语的限制。所述术语仅用于将一个构成要素从另一个构成要素区分的目的。

当提及一个构成元素与另一构成要素“连接”或“接触”时，应理解为可以与另一构成要素直接连接或接触，或者它们之间还可以存在其他构成要素。相反，当提及一个构成要素与另一构成要素“直接连接”或“直接接触”时，应理解为它们之间不存在其他构成要素。

人工智能(artificial intelligence,AI)作为计算机工学和信息技术的一个领域，涉及研究如何使计算机以类似于人类智能的方式进行思考、学习、自我开发等的方法，表示使计算机能够模仿人类的智能行为。

并且，人工智能其本身并不存在，而是直接或间接地与计算机科学的其他领域有很多关联。尤其，在现代已经进行了许多尝试来将人工智能要素导入到信息技术的各个领域，以用于解决这些领域中的问题。

机器学习(machine learning)作为人工智能的一个领域，是赋予计算机无需显式编程即可学习的能力的研究领域。

具体而言，机器学习可以是指研究和构建基于经验数据执行学习和预测并提高自身性能的系统以及用于该系统的算法的技术。机器学习的算法不执行严格定义的静态的程序命令，而是采取构建特定模型以激发基于输入数据进行预测或决策的方式。

术语“machine learning”可以与术语“机器学习”混用。

基于如何在机器学习中对数据进行分类，已经开发了许多机器学习算法。其典型例子包括决策树(Decision Tree)或贝叶斯网络(Bayesian network)、支持向量机(support vector machine,SVM)以及人工神经网络(Artificial neural network)等。

决策树是通过将决策规则(Decision Rule)图表化为树结构来执行分类和预测的分析方法。

贝叶斯网络是以图表结构表示多个变量之间的概率关系(条件独立性：conditional independence)的模型。贝叶斯网络适合通过无监督学习(unsupervisedlearning)进行数据挖掘(data mining)。

支持向量机是用于模式识别和数据分析的监督学习(supervised learning)的模型，主要用于分类和回归分析。

人工神经网络(Artificial Neural Network,ANN)是生物神经元的工作原理与神经元之间的连接关系的模型，并且是被称为节点(node)或处理元素(processing element)的多个神经元以层(Layer)结构的形式连接的信息处理系统。

人工神经网络(Artificial Neural Network,ANN)是在机器学习中使用的模型，由此，是一种受机器学习和认知科学中的生物神经网络(尤其是动物的中枢神经系统中的大脑)启发的统计学习算法。

具体而言，人工神经网络(Artificial Neural Network,ANN)可以表示一个整体模型，其中，通过突触(Synapse)的结合来形成网络的人工神经元(节点)通过学习改变突触的结合强度，从而具有解决问题能力。

术语人工神经网络(Artificial Neural Network,ANN)可以与术语神经网络(Neural Network)混用。

人工神经网络(Artificial Neural Network,ANN)可以包括多个层(layer)，每个层可以包括多个神经元(neuron)。并且，人工神经网络(Artificial Neural Network,ANN)可以包括连接神经元(neuron)和神经元(neuron)的突触(synapse)。

人工神经网络(Artificial Neural Network,ANN)通常可以由以下三个因素定义：(1)不同层(layer)的神经元之间的连接模式；(2)更新连接的权重的学习过程；以及(3)对从上一层(layer)接收到的输入进行加权求和并生成输出值的激活函数。

人工神经网络(Artificial Neural Network,ANN)可以包括诸如深度神经网络(DNN：Deep Neural Network)、递归神经网络(RNN：Recurrent Neural Network)、双向递归深度神经网络(BRDNN：Bidirectional Recurrent Deep Neural Network)、多层感知器(MLP：Multilayer Perceptron)、卷积神经网络(CNN：Convolutional Neural Network)方式的网络模型，但并不限于此。

在本说明书中，术语“layer”可以与术语“层”混用。

根据层(layer)数，人工神经网络(Artificial Neural Network,ANN)分为单层神经网络(Single Layer Neural Networks)和多层神经网络(Multi Layer NeuralNetworks)。

通常的单层神经网络(Single Layer Neural Networks)由输入层和输出层构成。

并且，通常的多层神经网络(Multi Layer Neural Networks)由输入层、隐藏层以及输出层构成。

输入层(input layer)是接收外部的数据的层，输入层的神经元数量等于输入的变量的数量，隐藏层(hidden layer)位于输入层和输出层之间，所述隐藏层从输入层接收信号并提取特征以传输到输出层。输出层(output layer)从隐藏层接收信号并输出到外部。神经元之间的输入信号乘以具有0到1之间的值的各个连接强度，然后求和，如果该和大于神经元的临界值，则激活神经元，并且通过激活函数体现为输出值。

另外，在输入层(input layer)和输出层(output layer)之间包括多个隐藏层(hidden layer)的深度神经网络(Deep Neural Network,DNN)可以是实现作为机器学习(machine learning)技术的一种类型的深度学习(deep learning)的典型人工神经网络。

另外，术语“deep learning”可以和术语“深度学习”混用。

人工神经网络(Artificial Neural Network,ANN)可以使用训练数据(trainingdata)来学习(training)。在此，学习(training)可以是指出于分类(classification)、回归分析(regression)或聚类(clustering)输入数据等目的而使用学习数据来确定人工神经网络(Artificial Neural Network,ANN)的参数(parameter)的过程。作为人工神经网络(Artificial Neural Network,ANN)的参数的典型例子，可以举出施加到突触的权重(weight)或应用于神经元的偏差(bias)。

使用训练数据来学习的人工神经网络可以根据输入数据所具有的模式对输入数据进行分类(classification)或聚类(clustering)。

另外，在本说明书中，可以将使用训练数据来学习的人工神经网络称为学习模型(a trained model)。

接下来，对人工神经网络(Artificial Neural Network,ANN)的学习方式进行描述。

人工神经网络(Artificial Neural Network,ANN)的学习方式可以大致分为监督学习(Supervised Learning)、无监督学习(Unsupervised Learning)、半监督学习(semi-supervised learning)以及强化学习(Reinforcement learning)。

监督学习(Supervised Learning)是一种用于从训练数据(Training Data)推导出一个函数的机器学习(Machine Learning)的方法。

此外，在以如上所述的方式推导出的函数中，输出连续值可以被称为回归分析(Regression)，预测并输出输入向量的类别(class)可以被称为分类(Classification)。

在监督学习中，在提供训练数据(training data)的标签(label)的状态下，使人工神经网络(Artificial Neural Network,ANN)学习。

在此，标签(label)可以表示，当训练数据(training data)被输入到人工神经网络(Artificial Neural Network,ANN)时，需要由人工神经网络(Artificial NeuralNetwork,ANN)推断出的正确答案(或结果值)。

在本说明书中，当训练数据(training data)被输入时，需要由人工神经网络(Artificial Neural Network,ANN)推断出的正确答案(或结果值)被称为标签(label)或标记数据(labeling data)。

并且，在本说明书中，将为使人工神经网络(Artificial Neural Network,ANN)学习而对训练数据(training data)标记标签(label)命名为对训练数据(training data)标记(labeling)标记数据(labeling data)。

在该情况下，训练数据(training data)和与训练数据相对应的标签(label)构成一个训练集(training set)，并且可以以训练集(training set)的形式输入到人工神经网络(Artificial Neural Network,ANN)。

另外，训练数据(training data)表示多个特征(feature)，对训练数据标记(labeling)标签(label)可以表示对训练数据(training data)所表示的特征标记标签(label)。在该情况下，训练数据(training data)可以以向量形式表示输入对象的特征。

人工神经网络(Artificial Neural Network,ANN)可以使用训练数据和标记数据(labeling data)来推导对于训练数据和标记数据(labeling data)的关联关系的函数。并且，人工神经网络(Artificial Neural Network,ANN)可以通过对推导出的函数的评价来确定(优化)人工神经网络(Artificial Neural Network,ANN)的参数。

无监督学习(Unsupervised Learning)作为机器学习中的一种，其没有对训练数据标记标签(label)。

具体而言，无监督学习(Unsupervised Learning)可以是使人工神经网络学习的学习方法，以在训练数据本身寻找模式并分类，而不是检测训练数据和与训练数据相对应的标签(label)之间的关联。

作为无监督学习(Unsupervised Learning)的例子，可以举出聚类(Clustering)或独立成分分析(Independent Component Analysis)。

在本说明书中，术语“聚类”可以与术语“Clustering”混用。

作为使用无监督学习的人工神经网络的一例，可以举出生成对抗神经网络(Generative Adversarial Network,GAN)、自动编码器(Autoencoder,AE)。

生成对抗神经网络(Generative Adversarial Network,GAN)是生成器(generator)和鉴别器(discriminator)这两个不同的人工智能竞争并提高性能的机器学习方法。

在该情况下，生成器(generator)作为创造新的数据的模型，可以基于原始数据生成新的数据。

并且，鉴别器(discriminator)作为识别数据模式的模型，可以执行鉴别基于原始数据由生成器(generator)生成的新数据是否真实。

此外，生成器(generator)可以接收未欺骗鉴别器(discriminator)的数据并学习，鉴别器(discriminator)可以从生成器(generator)接收欺骗数据并学习。由此，生成器(generator)可以进化为能够最大程度地欺骗鉴别器(discriminator)，并且，鉴别器(discriminator)可以进化为能够更好地区分原始数据和由生成器(generator)生成的数据。

自动编码器(Autoencoder,AE)是以将输入本身再现为输出为目的的神经网络。

自动编码器(Autoencoder,AE)包括输入层、隐藏层以及输出层，对于输入数据而言，输入数据通过输入层而输入到隐藏层。

在该情况下，由于隐藏层的节点数小于输入层的节点数，因此减小了数据的维数，由此执行压缩或编码。

并且，从隐藏层输出的数据输入到输出层。在该情况下，由于输出层的节点数大于隐藏层的节点数，因此增加了数据的维数，由此执行解压缩或解码。

另外，自动编码器(Autoencoder,AE)通过学习来调整神经元的连接强度，以使输入数据由隐藏层数据表示。在隐藏层中，虽然由数量少于输入层的神经元表示信息，但能够将输入数据再现为输出，这表示隐藏层从输入数据中发现隐藏模式并进行了表达。

半监督学习(Semi-Supervised Learning)作为机器学习的一种，可以表示同时使用标记了标签(label)的训练数据和未标记标签(label)的训练数据的学习方法。

作为半监督学习的技术的一种，具有一种在推断未标记标签的训练数据的标签之后，使用所推断的标签进行学习的技术，这种技术可以在标记所需成本很高的情况下使用。

强化学习(Reinforcement learning)是一种理论，即当给出了代理(Agent)能够判断何时采取哪种行动的环境时，可以在没有数据的情况下通过经验寻找最佳途径。

强化学习(Reinforcement Learning)主要可以通过马尔可夫决策过程(MarkovDecision Process,MDP)来执行。

对马尔可夫决策过程(Markov Decision Process,MDP)进行描述，第一，给出由代理采取下一步行动所需的信息构成的环境，第二，定义代理在该环境中如何行动，第三，定义当代理成功采取某种行为时给予奖励(reward)，当未能采取某种行为时给予惩罚(penalty)，第四，直到将来的奖励达到最高点为止重复经验，从而导出最佳的策略(policy)。

图1是用于说明人工神经网络的学习装置的框图。

人工神经网络的学习装置1000可以包括数据输入部1010、处理器1020以及人工神经网络1030。

数据输入部1010可以接收输入数据。在该情况下，数据输入部1010可以接收训练数据，还可以接收未加工的数据。

当数据输入部1010接收未加工的数据时，处理器1020可以通过预处理接收到的数据来生成能够输入到人工神经网络1030的训练数据。

人工神经网络1030可以以硬件、软件或硬件和软件的组合来实现，如果人工神经网络1030的一部分或全部以软件实现，则构成人工神经网络1030的一个以上命令语可以存储在人工神经网络的学习装置1000中包括的存储器(未图示)。

处理器1020可以将训练数据或训练集(training set)输入到人工神经网络1030以训练(training)人工神经网络1030。

具体而言，处理器1020使用如前所述的各种学习方法来使人工神经网络(Artificial Neural Network,ANN)反复学习，从而能够确定(优化)人工神经网络(Artificial Neural Network,ANN)的参数。

如上所述，在本说明书中，可以将通过使用训练数据学习来确定参数的人工神经网络称为学习模型(a trained model)。

另外，学习模型(a trained model)可以用于推断新的输入数据的结果值，而不是训练数据的结果值。

另外，学习模型(a trained model)可以在搭载于人工神经网络的学习装置1000的状态下推断结果值，还可以被传输到另一装置并搭载。

当将学习模型(a trained model)传输到另一装置时，人工神经网络的学习装置1000可以包括用于与另一装置进行通信的通信部(未图示)。

图2是用于说明本发明一实施例的终端的框图。

在本说明书中描述的终端可以包括手机、智能电话(smart phone)、笔记本电脑(laptop computer)、数字广播终端、个人数字助理(PDA：personal digital assistants)、便携式多媒体播放器(PMP：portable multimedia player)、导航仪、石板PC(slate PC)、平板PC(tablet PC)、超级本(ultrabook)、可穿戴装置(wearable device，例如，智能手表(smartwatch)、智能眼镜(smart glass)、头戴式显示器(HMD：head mounted display))等。

然而，本说明书中记载的实施例的终端100还可以应用于诸如智能TV、台式计算机、数字标牌等固定终端。

并且，本发明实施例的终端100还可以应用于固定或可移动的机器人。

并且，本发明实施例的终端100可以执行语音代理功能。语音代理可以是识别用户的语音并输出适合于所识别的用户的语音的响应的程序。

终端100可以包括无线通信部110、输入部120、学习处理器130、感测部140、输出部150、接口部160、存储器170、处理器180以及电源供应部190。

学习模型(a trained model)可以搭载于终端100。

另外，学习模型(a trained model)可以以硬件、软件或硬件和软件的组合来实现，如果学习模型(a trained model)的一部分或全部以软件实现，则构成学习模型(atrained model)的一个以上命令语可以存储在存储器170。

无线通信部110可以包括广播接收模块111、移动通信模块112、无线互联网模块113、短距离通信模块114、位置信息模块115中的至少一个模块。

广播接收模块111通过广播频道从外部的广播管理服务器接收广播信号和/或广播相关信息。

移动通信模块112在基于用于移动通信的技术标准或通信方式(例如，全球移动通信系统(GSM：Global System for Mobile communication)、码分多址(CDMA：CodeDivision Multi Access)、码分多址2000(CDMA2000：Code Division Multi Ac-cess2000)、增强型优化语音数据或增强型仅语音数据(EV-DO：Enhanced Voice-DataOptimized or Enhanced Voice-Data Only)、宽带CDMA(WCDMA：Wideband CDMA)、高速下行链路分组接入(HSDPA：High Speed Downlink Packet Access)、高速上行链路分组接入(HSUPA：High Speed Uplink Packet Access)、长期演进(LTE：Long Term Evolution)、高级长期演进(LTE-A：Long Term Evolution-Advanced)等)构建的移动通信网上与基站、外部终端、服务器中的至少一种收发无线信号。

无线互联网模块113是指用于无线互联网接入的模块，可以内置或外接于终端100。无线互联网模块113构成为根据无线互联网技术的通信网络收发无线信号。

无线互联网技术包括例如，无线局域网(WLAN：Wireless LAN)、无线保真(Wi-Fi：Wireless-Fidelity)、无线保真直连(Wi-Fi Direct：Wireless Fidelity Direct)、数字生活网络联盟(DLNA：Digital Living Network Alliance)、无线宽带(WiBro：WirelessBroadband)、全球微波接入互操作性(WiMAX：World Interoper-ability for MicrowaveAccess)、高速下行链路分组接入(HSDPA：High Speed Down-link Packet Access)、高速上行链路分组接入(HSUPA：High Speed Uplink Packet Ac-cess)、长期演进(LTE：Long TermEvolution)、高级长期演进(LTE-A：Long Term Evolution-Advanced)等。

短距离通信模块114用于短距离通信(Short range communication)，可以使用蓝牙(Bluetooth^TM)、射频识别(RFID：Radio Frequency Identification)、红外线通信(Infrared Data Association；IrDA)、超宽带(UWB：Ultra Wideband)、紫峰(ZigBee)、近场通信(NFC：Near Field Communication)、无线保真(Wi-Fi：Wireless-Fidelity)、无线保真直连(Wi-Fi Direct)、无线通用串行总线(Wireless USB：Wireless Universal SerialBus)技术中的至少一种来支持短距离通信。

位置信息模块115是用于获取终端的位置(或当前位置)的模块，其典型例子包括全球定位系统(GPS：Global Positioning System)模块或无线保真(WiFi：WirelessFidelity)模块。例如，当终端使用GPS模块时，可以利用从GPS卫星发送的信号来获得终端的位置。

输入部120可以包括用于输入影像信号的摄像头121、用于接收音频信号的麦克风122以及用于接收由用户输入的信息的用户输入部123。

由输入部120收集的语音数据或图像数据可以被分析而处理为用户的控制命令。

输入部120用于输入影像信息(或信号)、音频信息(或信号)、数据或由用户输入的信息，为了输入影像信息，终端100可以包括一个或多个摄像头121。

摄像头121处理在视频通话模式或拍摄模式下由图像传感器获得的静止影像或视频等的图像帧。经处理的图像帧可以被显示在显示器部151或被存储在存储器170中。

麦克风122将外部的声音信号处理为电子语音数据。可以根据在终端100中执行的功能(或运行的应用程序)来以各种方式利用经处理的语音数据。另外，麦克风122可以实现各种噪音消除算法，以消除在接收外部的声音信号的过程中产生的噪音(noise)。

用户输入部123用于接收用户输入的信息，当通过用户输入部123输入信息时，处理器180可以控制终端100的操作，以对应于所输入的信息。

用户输入部123可以包括机械式(mechanical)输入手段(或者机械键，例如，位于终端100的正/背面或侧面的按钮、圆顶开关(dome switch)、滚轮、滚轮开关等)以及触摸式输入手段。作为一例，触摸式输入手段可以由通过软件处理显示在触摸屏的虚拟键(virtual key)、软键(soft key)或可视键(visual key)构成，或者可以由配置在所述触摸屏以外的部分的触摸键(touch key)构成。

学习处理器130可以构成为接收、分类、存储以及输出用于数据挖掘、数据分析、智能决策、机器学习算法以及技术的信息。

学习处理器130可以包括一个以上存储器单元，所述存储器单元构成为存储由终端接收、检测、感测、生成、预定或以其他方式输出的数据，或者由另一组件、设备、终端或与终端通信的装置接收、检测、感测、生成、预定或以其他方式输出的数据。

学习处理器130可以包括整合于终端或在终端中实现的存储器。在一部分实施例中，学习处理器130可以使用存储器170来实现。

选择性地或附加地，学习处理器130可以使用与终端有关的存储器来实现，例如直接结合于终端的外部存储器或在与终端进行通信的服务器中维护的存储器。

在另一实施例中，学习处理器130可以使用在云计算环境中维护的存储器、或通过诸如网络的通信方式能够由终端访问的另一远程存储器位置来实现。

学习处理器130通常将用于监督或无监督学习、数据挖掘、预测分析或其他机器的数据存储在一个以上数据库中，以便识别、索引、分类、操作、存储、检索以及输出数据。

存储在学习处理器130中的信息可以由处理器180或终端的一个以上其他控制器通过使用各种不同类型的数据分析算法和机器学习算法中的任一种来被使用。

作为这种算法的例子包括k-近邻系统、模糊逻辑(例如：可能性理论)、神经网络、玻尔兹曼机、矢量量化、脉冲神经网络、支持矢量机、最大余量分类器、爬山算法、归纳逻辑系统贝叶斯网络、Peretnet(例如：有限状态机、米利机、摩尔有限状态机)、分类器树(例如：感知器树、支持向量树、马尔可夫树、决策树森林、随机森林)、投注模型和系统、人工融合、传感器融合、图像融合、强化学习、增强现实、模式识别、自动计划等。

处理器180可以使用数据分析和机器学习算法来做出决定，或者基于生成的信息确定或预测终端的至少一个可执行操作。为此，处理器180可以请求、检索、接收或使用学习处理器130的数据，并且，可以控制所述终端以执行所述至少一个可执行操作中的预测的操作或判断为优选的操作。

处理器180可以执行实现智能仿真(即，基于知识的系统、推理系统以及知识获取系统)的各种功能。这可以适用于包括适应系统、机器学习系统、人工神经网络等各种类型的系统(例如，模糊逻辑系统)。

处理器180可以包括能够进行涉及语音和自然语言语音处理的运算的子模块，诸如I/O处理模块、环境条件模块、语音-文本(STT)处理模块、自然语言处理模块、工作流程处理模块以及服务处理模块。

这些子模块可以分别具有对终端的一个以上系统或数据和模型、或者它们的子集或超集的访问。并且，这些子模块分别可以提供各种功能，包括词汇搜索、用户数据、工作流程模型、服务模型以及自动语音识别(ASR)系统。

在另一实施例中，可以通过所述子模块、系统或数据和模型来实现处理器180或终端的其他方面。

在一部分示例中，基于学习处理器130的数据，处理器180可以基于以用户输入或自然语言输入表达的语境条件或用户的意图来检测和感测要求事项。

处理器180可以基于语境条件或用户的意图来主动地导出并获取完全确定要求事项所必须的信息。例如，处理器180可以通过分析包括历史输入和输出、模式匹配、明确词、输入意图等的历史数据来主动地导出确定要求事项所必须的信息。

处理器180可以基于语境条件或用户的意图来确定用于执行响应要求事项的功能的任务流程。

处理器180可以构成为通过终端中的一个以上感测组件来收集、感测、提取、检测和/或接收用于数据分析和机器学习工作的信号或数据，以收集用于在学习处理器130处理和存储的信息。

信息收集可以包括：通过传感器感测信息；提取存储在存储器170中的信息；或者通过通信手段从另一终端、实体或外部存储装置接收信息。

处理器180可以从终端收集并存储使用历史信息。

处理器180可以使用存储的使用历史信息和预测建模来确定用于执行特定功能的最佳匹配。

处理器180可以通过感测部140来接收或感测周围环境信息或其他信息。

处理器180可以通过无线通信部110来接收广播信号和/或广播相关信息、无线信号、无线数据。

处理器180可以从输入部120接收图像信息(或相应信号)、音频信息(或相应信号)、数据或用户输入信息。

处理器180可以实时收集信息，对信息(例如，知识图、命令策略、个性化数据库、对话引擎等)进行处理或分类，并将经处理的信息存储到存储器170或学习处理器130。

当基于数据分析以及机器学习算法和技术来确定终端的操作时，处理器180可以控制终端的构成要素，以执行所确定的操作。此外，处理器180可以根据控制命令来控制终端以执行所确定的操作。

当执行特定操作时，处理器180通过数据分析以及机器学习算法和技术来分析表示特定操作的执行的历史信息，并且，可以基于经分析的信息来执行对先前学习的信息的更新。

因此，处理器180可以与学习处理器130一起基于更新后的信息来提高数据分析以及机器学习算法和技术的未来性能的准确性。

感测部140可以包括用于感测终端的内部信息、围绕终端的周围环境信息以及用户信息中的至少一种信息的一个以上传感器。

例如，感测部140可以包括接近传感器(proximity sensor)141、照度传感器(illumination sensor)142、触摸传感器(touch sensor)、加速度传感器(accelerationsensor)、磁传感器(magnetic sensor)、重力传感器(G-sensor)、陀螺仪传感器(gyroscopesensor)、运动传感器(motion sensor)、RGB传感器、红外传感器(IR传感器：infraredsensor)、指纹识别传感器(finger scan sensor)、超声传感器(ultrasonic sensor)、光学传感器(optical sensor，例如，摄像头(参照121))、麦克风(microphone，参照122)、电池电量计(battery gauge)、环境传感器(例如，气压计、湿度计、温度计、辐射检测传感器、热传感器、气体传感器等)、化学传感器(例如，电子鼻、保健传感器、生物传感器等)中的至少一种。另外，本说明书中公开的终端可以对这些传感器中的至少两个以上的传感器感测的信息进行组合并利用。

输出部150用于产生与视觉、听觉或触觉等相关的输出，其可以包括显示器部151、声音输出部152、触觉模块153、光输出部154中的至少一种。

显示器部151显示(输出)在终端100处理的信息。例如，显示器部151可以显示在终端100中运行的应用程序的执行画面信息、或者根据上述执行画面信息的用户界面(UI：User Interface)、图形用户界面(GUI：Graphic User Interface)信息。

显示器部151与触摸传感器相互形成层结构或形成为一体，从而可以实现触摸屏。这种触摸屏在起到提供终端100与用户之间的输入接口的用户输入部123功能的同时，可以提供终端100与用户之间的输出接口。

声音输出部152可以在呼叫信号接收、通话模式或录音模式、语音识别模式、广播接收模式等模式下输出从无线通信部110接收或存储在存储器170中的音频数据。

声音输出部152可以包括接收器(receiver)、扬声器(speaker)、蜂鸣器(buzzer)中的至少一种以上。

触觉模块(haptic module)153产生用户可以感觉到的各种触觉效果。由触觉模块153产生的触觉效果的典型例子可以是振动。

光输出部154利用终端100的光源的光来输出用于通知事件发生的信号。作为终端100中发生的事件的示例，可以包括消息接收、呼叫信号接收、未接电话、闹钟、日程提醒、邮件接收、通过应用的信息接收等。

接口部160用作与连接于终端100的各种种类的外部设备之间的通路。这种接口部160可以包括有线/无线耳麦端口(port)、外部充电器端口(port)、有线/无线数据端口(port)、存储卡(memory card)端口、用于连接具有识别模块的装置的端口(port)、音频I/O(Input/Output)端口(port)、视频I/O(Input/Output)端口(port)、耳机端口(port)中的至少一种。终端100可以与外部设备连接到所述接口部160相对应地执行与连接的外部设备相关的适当控制。

另外，识别模块是存储了用于验证终端100的使用权限的各种信息的芯片，可以包括用户认证模块(user identify module；UIM)、订户认证模块(subscriber identitymodule；SIM)、通用用户认证模块(universal subscriber identity module；USIM)等。具有识别模块的装置(以下，称为“识别装置”)可以制成智能卡(smart card)形式。因此，识别装置可以通过所述接口部160与终端100连接。

存储器170存储用于支持终端100的各种功能的数据。

存储器170可以存储在终端100运行的多个应用程序(application program或应用(application))、用于终端100的操作的数据、命令语、用于学习处理器130的操作的数据(例如，用于机器学习的至少一种算法信息等)。

除了与所述应用程序相关的操作以外，处理器180通常控制终端100的总体操作。处理器180可以处理通过上述构成要素输入或输出的信号、数据、信息等，或者可以驱动存储在存储器170中的应用程序，从而向用户提供或处理适当的信息或功能。

并且，处理器180可以控制与图1一起描述的构成要素中的至少一部分，以驱动存储在存储器170中的应用程序。此外，处理器180可以使终端100中包括的构成要素中的至少两种以上彼此组合而进行操作，以驱动所述应用程序。

电源供应部190在处理器180的控制下接收外部电源、内部电源，从而向终端100中包括的各个构成要素供应电源。这种电源供应部190包括电池，所述电池可以是内置型电池或可更换形式的电池。

另外，如前所述，处理器180控制与应用程序相关的操作，并且通常控制终端100的总体操作。例如，当所述终端的状态满足设定条件时，处理器180可以执行或解除限制用户向应用输入控制命令的锁定状态。

图3是用于说明本发明一实施例的洗涤物处理装置的结构的框图。

参照图3，洗涤物处理装置300可以包括图2中示出的终端100和洗涤部310等。

作为洗涤物处理装置300的内部构成要素，终端100可以被模块化而构成。

洗涤物处理装置300可以包括图2中示出的终端100的内部构成要素和洗涤部310作为并列的构成要素。

洗涤部310可以包括执行与洗涤相关的功能的洗涤模块311、执行与烘干相关的功能的烘干模块312以及执行与其他衣物护理相关的功能的衣物护理模块313中的至少一个模块以上。

洗涤模块311可以执行浸泡、洗涤、漂洗以及脱水等与洗涤相关的功能。

烘干模块312可以使用各种方法来执行烘干洗涤物的功能，典型地，可以利用风(热风或冷风)来烘干洗涤物。

衣物护理模块313可以执行衣物悬挂、干洗、除尘、杀菌、除皱以及熨烫等各种与衣物护理相关的功能。

处理器180或设置于洗涤部310的控制处理器314通过控制包括在洗涤部310的洗涤模块311、烘干模块312或衣物护理模块313中的构成要素来提供各种洗涤功能。

输入部120和传感器部140可以收集有关洗涤部310的使用和控制的与用户的交互作用相关的数据。例如，输入部120和传感器部140可以收集通过语音或交互作用的程序选择信息和控制信息等。

输出部150可以输出与洗涤部310的使用和控制相关的信息。例如，输出部150可以输出与洗涤、烘干以及衣物护理相对应的程序信息、使用记录、控制信息等。

存储器170可以存储与洗涤部310的使用和控制相关的信息。例如，存储器170可以存储与洗涤、烘干以及衣物护理相对应的程序信息、使用记录、控制信息等。

具体而言，洗涤模块311可以包括：洗涤桶311a，其用于储存洗涤水；滚筒311b，其以能够旋转的方式设置于所述洗涤桶内，洗涤物被投入到所述滚筒311b；驱动部311c，所述驱动部311c使所述滚筒旋转；供水部311d，其用于供应所述洗涤水；泵311e，其使所述洗涤水循环或排出；以及排水部311f，其将所述排出的洗涤水排出；等。

在洗涤桶311a内以能够旋转的方式设置有容纳洗涤物的滚筒311b。滚筒311b容纳洗涤物，所述滚筒311b被配置成用于投入洗涤物的入口位于正面或顶面，并且以大致水平或垂直的旋转中心线为中心进行旋转。在滚筒311b形成有多个通孔，以使洗涤桶311a内的水可以流入到滚筒311b内。

然而，在此使用的术语“水平”或“垂直”并不是作为数学上的严格意义使用。即，如实施例中所述，即使旋转中心线相对于水平或垂直倾斜规定角度，也接近于水平或垂直，因此，可以说是实质上水平或垂直。

供水部311d可以包括供水阀、供水管以及供水软管等。

当供水时，通过了供水阀、供水管的洗涤水可以在洗涤剂分配器中与洗涤剂混合后，可以通过供水软管供应到洗涤桶311a。

另外，直接供水管可以与供水阀连接，使得洗涤水通过直接供水管直接供应到洗涤桶311a内而不与洗涤剂混合。

泵311e执行将洗涤水排出到外部的排水泵311e和使洗涤水循环的循环泵311e的功能，然而，与此不同，可以分开设置排水泵311e和循环泵311e。

泵311e可以与设置于排水部311f的排水管连接，以通过排水管将洗涤水排出到外部。并且，泵311e可以与循环水供应管连接，以将存储在洗涤桶311a内的洗涤水通过循环水供应管喷射到滚筒311b内部，从而使洗涤水循环。

滚筒311b的内侧面可以包括朝向滚筒311b的内部凸出的一个以上凸出部。

凸出部可以是配置于滚筒311b的内侧面的升降器，或者是形成为一体的压纹。在滚筒311b的内侧面设置有升降器或形成有压纹的情况下，当滚筒311b旋转时，洗涤物可以通过升降器反复地被抬起后掉落。

驱动部311c使滚筒311b旋转，并且，在驱动部311c的作用下旋转的驱动轴可以穿过洗涤桶311a的背面部与滚筒311b结合。

驱动部311c可以包括能够控制速度的马达。

此时，马达可以是直接驱动方式的逆变器马达(Inverter Direct Drive Motor)。

控制处理器314可以接收驱动部311c的马达的输出值(例如，输出电流)，并以此为基础控制驱动部311c的马达的转速(或旋转速度)追随预设的目标转速(或目标旋转速度)。并且，控制处理器314可以根据驱动模式来控制驱动部311c的马达的驱动。

此外，烘干模块312可以包括：滚筒312a，洗涤物投入到所述滚筒312a；驱动部312b，其使所述滚筒旋转；加热部312c，其对空气进行加热；送风风扇312d，其使内部空气循环；以及排气部312e，其用于排出内部空气；等。

滚筒312a作为对烘干物进行烘干的空间，以能够旋转的方式设置于本体的内部。此外，在滚筒312a的内部可以设置有一个以上升降器，所述升降器用于使烘干物上升并掉落。

滚筒312a与吸气口(未图示)连接，空气可以通过送风风扇312d来流入到内部。

驱动部312b使滚筒312a旋转，在驱动部312b的作用下旋转的驱动轴可以与滚筒312a结合。

驱动部312b可以包括能够控制速度的马达。

此时，马达可以是直接驱动方式的逆变器马达(Inverter Direct Drive Motor)。

控制处理器314可以接收驱动部312b的马达的输出值(例如，输出电流)，并以此为基础控制驱动部312b的马达的转速(或旋转速度)追随预设的目标转速(或目标旋转速度)。并且，控制处理器314可以根据驱动模式来控制驱动部312b的马达的驱动。

加热部312c可以包括对滚筒312a内部的空气或从外部流入的空气进行加热的加热部分。

加热部分可以使用气体式或电力式等各种能源来加热空气，在电力式的情况下，可以使用线圈加热器。

加热部312c可以包括多个加热部分，每个加热部分彼此不同，可以使用各种能源，并且每个加热部分的性能都可以不同。

送风风扇312d循环由加热部312c加热的空气或滚筒312a内部的空气。

排气部312e起到引导的作用，使得滚筒312a内部的空气排出到外部，其可以包括排气管和空气过滤器等。

此外，衣物护理模块313可以包括作为能够放置衣物的空间的衣物容器313a、移动设置于衣物容器313a的置物架的驱动部313b、循环内部空气的送风风扇313c、空气过滤器313d、杀菌部313e以及褶皱管理部313f等。

衣物容器313a是用于容纳要成为被管理或处理的对象的衣物(或洗涤物)的空间，其可以包括能够固定衣物的置物架。例如，衣物容器可以包括衣架和能够悬挂衣架的挂钩、或诸如躯干和人体模型的立体形状等。

衣物容器313a与吸气口(未图示)连接，空气可以通过送风风扇313c流入。

驱动部313b可以驱动置物架以引导悬挂于置物架的衣物的预设动作。

例如，驱动部313b可以以根据预定振动模式使置物架和悬挂于置物架的衣物振动的方式操作。随着悬挂的衣物振动，可以去除附着或粘附于衣物的灰尘或异物等。

驱动部313b可以包括能够控制速度的马达。

此时，马达可以是直接驱动方式的逆变器马达(Inverter Direct Drive Motor)。

控制处理器314可以接收驱动部313b的马达的输出值(例如，输出电流)，并以此为基础控制驱动部313b的马达的转速(或旋转速度)追随预设的目标转速(或目标旋转速度)。并且，控制处理器314可以根据驱动模式来控制驱动部313b的马达的驱动。

送风风扇313c通过将从衣物容器313a的外部流入的空气或衣物容器313a内部的空气供应到衣物容器内部来循环空气。

送风风扇313c可以设置成使所供应的空气撞击容纳于衣物容器313a的衣物，或者可以控制空气供应方向。

例如，送风风扇313c可以引导空气喷射到容纳的衣物以使附着或粘附于衣物的灰尘从衣物掉落，或者可以去除衣物的湿气。

当衣物容器313a的内部空气循环或内部空气排出到外部时，空气过滤器313d过滤灰尘等。

杀菌部313e可以包括对所容纳的衣物进行杀菌的各种杀菌装置。

例如，杀菌装置可以包括使用臭氧的杀菌装置和使用紫外线的杀菌装置等。

褶皱管理部313f减少或去除所容纳的衣物的褶皱，可以包括蒸汽供应器、熨斗以及熨烫板等。

蒸汽供应器可以对供应的水进行加热以产生蒸汽，并将蒸汽自然地供应到衣物容器313a或直接喷射到所容纳的衣物。

熨斗和熨烫板设置于衣物容器313a的内部。此外，可以根据考虑到作为熨烫对象的衣物的形状、位置以及材料等而确定的熨烫操作信息来控制其操作。

此时，熨烫操作信息可以包括熨斗和熨烫板的位置/动线、熨烫温度/时间等。

控制处理器314可以通过控制驱动部313b或单独设置于褶皱管理部313f的驱动部来控制熨斗和熨烫板的动作，并且，可以根据熨烫操作信息来控制熨斗和熨烫板。

图4是用于说明本发明一实施例的洗涤物处理装置的操作方法的流程图。

参照图4，洗涤物处理装置300的感测部140收集感测信息(S401)。

在一实施例中，感测部140可以包括霉菌传感器(未图示)或空气质量传感器(未图示)、气体传感器中的一种以上。

并且，一个以上霉菌传感器、一个以上空气质量传感器或一个以上气体传感器可以设置于洗涤物处理装置300的内部。

可以收集感测信息，以用于判断诸如霉菌或细菌的微生物的种类或微生物的增殖速度。

感测信息可以包括通过霉菌传感器测量的感测值、通过空气质量传感器测量的感测值以及测量每个感测值的时刻信息。

对此将参照图5进行描述。

图5是说明根据本发明实施例的由感测部收集的感测信息的示例的图。

参照图5，示出了由感测部140收集的感测信息500。

例如，感测信息500可以包括通过霉菌传感器测量的第一感测值(0.0120011)、通过空气质量传感器测量的第二感测值(0.0013200)以及测量第一感测值和第二感测值的时刻(1811111020表示2018年11月11日10点20分)。

感测部140可以周期性地收集感测信息。在此，周期可以是1分钟，但这仅是示例性的数值。

再次对图4进行描述。

洗涤物处理装置300的处理器180将学习模型应用于所收集的感测信息，以获取包括微生物的种类和微生物的增殖速度中的一个以上的微生物信息(S403)。

在一实施例中，学习模型可以是学习了感测信息和微生物的种类之间的关系的模型。

在又一实施例中，学习模型可以是学习了感测信息、微生物的种类以及每种微生物的增殖速度之间的关系的模型。

可以通过学习给出正确答案的数据的监督学习方式来获得学习模型。更具体而言，可以通过作为监督学习方式的一种的线性回归算法来获得学习模型。

线性回归算法是任意绘制一次函数的直线并以该直线为基础预测结果数据的算法。

处理器180可以将收集的感测信息作为输入数据，使用学习模型来获取与感测信息匹配的微生物的种类和微生物的增殖速度中的一个以上。

在一实施例中，学习模型可以是由学习处理器130生成的模型。

在又一实施例中，学习模型可以从外部服务器、例如图1中的学习装置1000接收。

另外，当感测信息不属于学习模型中包括的感测信息的范围时，处理器180可以判断为检测到新的微生物。

在此情况下，处理器180可以通过将对应于每种微生物种类的感测值的范围与所收集的感测值进行比较，来将与相应感测值相对应的微生物分类为与最接近所收集的感测值的感测值范围相对应的微生物种类。

详细描述将学习模型应用于收集的感测信息以获取微生物信息的过程。

图6是说明根据本发明一实施例的使用线性回归算法来获取微生物的种类的方法的图。

参照图6，示出了学习了与A霉菌相对应的测量时刻和感测值之间的关系的一次函数600。

关于A霉菌学习的一次函数可以具有与图6中示出的一次函数600不同的斜率和y截距值。

一次函数600的x轴表示感测值的测量时刻，y轴表示感测值。

例如，将在第一时刻x1具有第一感测值的点称为第一点601，将在第二时刻x2具有第二感测值的点称为第二点603。

处理器180可以将收集的第一感测信息表示为第一点601，将收集的第二感测信息表示为第二点603。

当在x1时刻作为第一点601的y值的y1与作为一次函数600的y值的h1之间的差小于参考值且在x2时刻作为第二点603的y值的y2与作为一次函数600的y值的h2之间的差小于参考值时，处理器180可以判断为检测到A霉菌。

图7是说明根据本发明一实施例的使用线性回归算法来获取其他种类的微生物的方法的图。

参照图7，示出了学习了与B霉菌相对应的测量时刻和感测值之间的关系的一次函数700。

关于B霉菌学习的一次函数可以具有与图7中示出的一次函数700不同的斜率和y截距值。

一次函数700的x轴表示感测值的测量时刻，y轴表示感测值。

例如，将在第三时刻x3具有第三感测值的点称为第三点701，将在第四时刻x4具有第四感测值的点称为第四点703。

处理器180可以将收集的第三感测信息表示为第三点701，将收集的第四感测信息表示为第四点703。

当在x3时刻作为第三点701的y值的y3与作为一次函数700的y值的h3之间的差小于参考值且在x4时刻作为第四点703的y值的y4与一次函数700的y值的h4之间的差小于参考值时，处理器180可以判断为检测到B霉菌。

再次对图4进行描述。

洗涤物处理装置300的处理器180以获取的微生物信息为基础获取洗涤引导信息(S405)。

在一实施例中，处理器180可以以包括微生物的种类和微生物的增殖速度中的一个以上的微生物信息为基础获取洗涤引导信息，以引导执行用于去除微生物或防止微生物的增殖的特定洗涤操作。

处理器180可以预先将微生物的种类和微生物的增殖速度对应于对应的洗涤引导信息的表存储在存储器170中。

当确定了微生物的种类和微生物的增殖速度时，处理器180可以使用存储在存储器170中的表来获取与确定的微生物的种类和微生物的增殖速度相对应的洗涤引导信息。

作为又一例，洗涤引导信息可以包括发现微生物的传感器的位置信息。为此，感测部140的霉菌传感器或空气质量传感器可以将自身的识别信息与感测信息一起传递到处理器180。

感测信息可以还包括识别信息。

识别信息可以包括识别传感器的识别符和表示传感器配置在洗涤物处理装置300的哪个位置的传感器的位置信息。

处理器180可以在获取微生物信息时将提供作为相应微生物信息的基础的感测信息的传感器的识别信息包括在微生物信息中。

然后，处理器180可以通过微生物信息中包括的传感器的识别信息来确定传感器的位置，并且，可以使用确定的传感器的位置来生成洗涤引导信息。

例如，当通过传感器的位置信息，传感器配置在洗涤槽时，洗涤引导信息可以还包括表示在洗涤槽中检测到微生物的微生物位置信息。

洗涤物处理装置300的处理器180将获取的微生物信息和洗涤引导信息通过无线通信部110发送给终端100(S407)。

终端100可以通过显示器部151显示微生物信息和洗涤引导信息。

作为又一例，在洗涤物处理装置300设置有显示器的情况下，处理器180可以在显示器上显示微生物信息和洗涤引导信息。

作为又一例，在洗涤物处理装置300设置有扬声器的情况下，处理器180可以通过扬声器将微生物信息和洗涤引导信息输出为语音。

作为又一例，处理器180可以控制洗涤部310的操作，以根据洗涤引导信息来执行洗涤操作。

例如，当洗涤引导信息包括执行桶洗涤时，处理器180可以控制洗涤模块311的操作，以自动地执行桶洗涤。

图8至图10是说明根据本发明实施例的能够与洗涤物处理装置通信的终端显示微生物信息和洗涤引导信息的示例的图。

参照图8，示出了表示A霉菌的增殖速度的增殖速度图表800。

用户可以看到A霉菌的预测的增殖速度，并获得对洗涤物处理装置300执行除湿或洗涤的动机。

参照图9，终端100可以将包括如《检测到A霉菌》的微生物信息和如《请实施桶清洗》的洗涤引导信息的引导信息900显示到显示器部151上。

参照图10，终端100可以将包括如《检测到B霉菌》的微生物信息和如《请实施除湿模式》的洗涤引导信息的引导信息990显示到显示器部151上。

用户可以通过引导信息900、990来确定洗涤物处理装置300的细菌状态，并立即采取与其相应的措施。

图11是用于说明本发明一实施例的洗涤系统的操作方法的梯形图。

尤其，图11是说明学习装置1000获取微生物信息和洗涤引导信息的实施例的图。

参照图11，洗涤物处理装置300的处理器180通过感测部140收集感测信息(S1101)。

在一实施例中，感测部140可以包括霉菌传感器(未图示)、空气质量传感器(未图示)、气体传感器中的一个以上。

并且，一个以上霉菌传感器、一个以上空气质量传感器或一个以上气体传感器可以设置于洗涤物处理装置300的内部。

可以收集感测信息以判断诸如霉菌或细菌的微生物的种类或微生物的增殖速度。

感测信息可以包括通过霉菌传感器测量的感测值、通过空气质量传感器测量的感测值以及测量每个感测值的时刻信息。

洗涤物处理装置300的处理器180将通过无线通信部110收集的感测信息发送给学习装置1000(S1103)。

在一实施例中，处理器180可以周期性地将感测信息发送给学习装置1000。

学习装置1000将学习模型应用于接收的感测信息，以获取包括微生物的种类和微生物的增殖速度的微生物信息(S1105)。

学习装置1000可以以已收集的感测信息为基础生成学习模型。

学习模型可以是使用线性回归算法来学习了感测信息和微生物的种类之间的关系的模型。

作为又一例，学习模型可以是使用线性回归算法来学习了感测信息和微生物的种类以及微生物的增殖速度之间的关系的模型。

学习装置1000以获取的微生物信息为基础获取洗涤引导信息(S1107)。

学习装置1000可以预先将微生物的种类和微生物的增殖速度对应于对应的洗涤引导信息的表存储在数据库中。

当确定了微生物的种类和微生物的增殖速度时，学习装置1000可以使用存储在数据库中的表来获取与确定的微生物的种类和微生物的增殖速度相对应的洗涤引导信息。

学习装置1000将获取的微生物信息和洗涤引导信息发送给终端100(S1109)。

作为又一例，学习装置1000可以将获取的微生物信息和洗涤引导信息发送给洗涤物处理装置300，洗涤物处理装置300还可以将微生物信息和洗涤引导信息传递到终端100。

终端100通过显示器部151输出从学习装置1000接收的微生物信息和洗涤引导信息(S1111)。

用户可以通过微生物信息来确认洗涤物处理装置300中存在哪些微生物、以及微生物的数量以哪种增殖速度增加。

并且，可以通过洗涤引导信息来引导用户当前需要在洗涤物处理装置300采取哪种措施。用户可以根据洗涤引导信息来操作洗涤物处理装置300，由此，能够防止洗涤物处理装置300的损坏，并且，能够防止在之后洗涤时洗涤物被微生物污染。

前述的本发明可以在写入程序的介质中实现为计算机可读的代码。计算机可读介质包括存储有可以由计算机系统读取的数据的所有种类的记录设备。计算机可读介质的例子可以包括硬盘驱动器(HDD：Hard Disk Drive)、固态驱动器(SSD：Solid State Disk)、硅盘驱动器(SDD：Silicon Disk Drive)、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、光数据存储装置等。并且，所述计算机可以包括终端的处理器180。

Claims (15)

1.一种洗涤物处理装置，其中，包括：

无线通信部；

至少一个以上传感器；以及

处理器，将通过监督学习算法学习的学习模型应用于包括从所述至少一个以上传感器收集的感测值和所述感测值的测量时刻的感测信息，以获取包括微生物的种类和所述微生物的增殖速度的微生物信息，并以获取的微生物信息为基础，获取洗涤引导信息，并通过所述无线通信部将获取的洗涤引导信息发送给终端。

2.根据权利要求1所述的洗涤物处理装置，其中，

所述学习模型包括感测信息、微生物的种类以及每种微生物的增殖速度之间的关系。

3.根据权利要求2所述的洗涤物处理装置，其中，

所述处理器将通过所述一个以上传感器收集的感测信息作为输入数据，应用所述学习模型而获取与所述输入数据匹配的微生物的种类和微生物的增殖速度。

4.根据权利要求3所述的洗涤物处理装置，其中，

还包括存储器，所述存储器存储将洗涤引导与微生物的种类和微生物的增殖速度对应的表。

5.根据权利要求4所述的洗涤物处理装置，其中，

所述处理器使用所述表来获取与获取的所述微生物的种类和所述微生物的增殖速度对应的洗涤引导。

6.根据权利要求1所述的洗涤物处理装置，其中，

所述洗涤引导信息包括引导特定洗涤操作的信息，以去除所述微生物或防止所述微生物的增殖。

7.根据权利要求6所述的洗涤物处理装置，其中，

所述洗涤引导信息还包括检测到所述微生物的位置信息。

8.一种洗涤物处理装置的操作方法，其中，包括：

收集包括从至少一个传感器收集的感测值和所述感测值的测量时刻的感测信息的步骤；

将通过监督学习算法学习的学习模型应用于所述感测信息，以获取包括微生物的种类和所述微生物的增殖速度的微生物信息的步骤；以及

以获取的微生物信息为基础，获取洗涤引导信息，并将获取的洗涤引导信息发送给终端的步骤。

9.根据权利要求8所述的洗涤物处理装置的操作方法，其中，

所述学习模型包括感测信息、微生物的种类以及每种微生物的增殖速度之间的关系。

10.根据权利要求9所述的洗涤物处理装置的操作方法，其中，

处理器将通过所述一个以上传感器收集的感测信息作为输入数据，应用所述学习模型而获取与所述输入数据匹配的微生物的种类和微生物的增殖速度。

11.根据权利要求10所述的洗涤物处理装置的操作方法，其中，

所述洗涤物处理装置还包括存储器，所述存储器存储将洗涤引导与微生物的种类和微生物的增殖速度对应的表。

12.根据权利要求11所述的洗涤物处理装置的操作方法，其中，

还包括使用所述表来获取与获取的所述微生物的种类和所述微生物的增殖速度对应的洗涤引导的步骤。

13.根据权利要求8所述的洗涤物处理装置的操作方法，其中，

所述洗涤引导信息包括引导特定洗涤操作的信息，以去除所述微生物或防止所述微生物的增殖。

14.根据权利要求13所述的洗涤物处理装置的操作方法，其中，

所述洗涤引导信息还包括检测到所述微生物的位置信息。

15.一种记录介质，记录有用于执行洗涤物处理装置的操作方法的程序，其中，

所述洗涤物处理装置的操作方法包括：

收集包括从至少一个传感器收集的感测值和所述感测值的测量时刻的感测信息的步骤；

将通过监督学习算法学习的学习模型应用于所述感测信息，以获取包括微生物的种类和所述微生物的增殖速度的微生物信息的步骤；以及

以获取的微生物信息为基础，获取洗涤引导信息，并将获取的洗涤引导信息发送给终端的步骤。

Images