CN111948954A - 一种基于互联网控制的智能家居系统 - Google Patents

Abstract

本发明公开了一种基于互联网控制的智能家居系统，包括摄像头、识别比对单元、分析模块、监测模块、数据库、判断模块和警报单元；所述摄像头用于实时监控室内家具状态并获取影像信息，将影像信息传输至识别比对单元；所述数据库内存储有家具图像数据、距离数据、名称数据和规格数据，识别比对单元从数据库内获取图像数据、名称数据和规格数据，并将其与影像信息进行识别比对操作，本发明通过分析模块和判定模块的设置，对识别比对的相关数据进行分析，并依据分析后的数据进行家具判定，从而快速判断出家具的安全性，增加数据分析的准确性，增加数据的说服力度，节省人为判定所消耗的时间，提高工作效率。

Description

一种基于互联网控制的智能家居系统

技术领域

本发明涉及智能家居技术领域，具体为一种基于互联网控制的智能家居系统。

背景技术

智能家居是以住宅为平台，利用综合布线技术、网络通信技术、安全防范技术、自动控制技术、音视频技术将家居生活有关的设施集成，构建高效的住宅设施与家庭日程事务的管理系统，提升家居安全性、便利性、舒适性、艺术性，并实现环保节能的居住环境。

目前，对于智能家居而言，无法通过网络的数据分析，来判定出智能家具所处于的状态，并依据状态进行安全判定，从而增加家具的使用寿命，从而增加安全性，为此，我们提出一种基于互联网控制的智能家居系统。

发明内容

本发明的目的在于提供一种基于互联网控制的智能家居系统，通过识别比对单元的设置，对摄像头获取的单元进行识别，并将识别后的相关数据与数据库内存储的数据进行比对，从而快速判定影像信息的种类等数据，节省识别物件所消耗的时间，提高工作效率，通过识别比对单元的设置，对摄像头获取的单元进行识别，并将识别后的相关数据与数据库内存储的数据进行比对，从而快速判定影像信息的种类等数据，节省识别物件所消耗的时间，提高工作效率，通过警报单元的设置，快速对判定的结果进行信号转化，从而发出对应的警报信号，增加家具的安全性，增加使用寿命。

本发明的目的可以通过以下技术方案实现：一种基于互联网控制的智能家居系统，包括摄像头、识别比对单元、分析模块、监测模块、数据库、判断模块和警报单元；

所述摄像头用于实时监控室内家具状态并获取影像信息，将影像信息传输至识别比对单元；

所述数据库内存储有家具图像数据、距离数据、名称数据和规格数据，识别比对单元从数据库内获取图像数据、名称数据和规格数据，并将其与影像信息进行识别比对操作，得到名称数据、距离数据、规格数据以及对应的处理影像，并将其一同传输至分析模块；

所述监测模块用于实时监测家具的运作状态，并自动获取家具状态信息，将家具状态信息传输至分析模块；

数据库内还存储有家具开合信息，所述分析模块从数据库内获取开合信息，并将其与家具状态信息、名称数据、距离数据、规格数据以及对应的处理影像进行分析操作，得到内温差、外温差、内时差、影响偏差预设因子均值、外时差、分开距离数据和闭合距离数据，并将其一同传输至判定模块；

所述判定模块用于对内温差、外温差、内时差、影响偏差预设因子均值、外时差、分开距离数据和闭合距离数据一同进行判定操作，得到异常信号和观察信号，并将其一同传输至警报单元；

所述警报单元接收异常信号和观察信号，并对其进行识别，当识别到异常信号时，则自动生成警报信号，并发出警报，当识别到观察信号时，则不发出警报。

作为本发明的进一步改进方案：识别比对操作的具体操作过程为：

步骤一：获取影像信息，将其内家具种类的图像标定为图片数据，并将图片数据标记为TPi，i＝1，2，3......n1；

步骤二：获取家具图像数据，并将其标记为TXl，l＝1，2，3......n2，获取名称数据，并将其标记为MCl，l＝1，2，3......n2，获取规格数据，将其内家具的长度数据标定为记录长度数据，并将记录长度数据标记为JCl，l＝1，2，3......n2，将其内家具的宽度标定为记录宽度数据，并将记录宽度数据标记为JKl，l＝1，2，3......n2，将其内家具的高度标定为记录高度数据，并将记录高度数据标记为JGl，l＝1，2，3......n2，获取距离数据，并将距离数据标记为JLl，l＝1，2，3......n2；

步骤三：将上述步骤一中的图片数据自动划分至影像信息内，将上述步骤二中的图像数据和规格数据划分至名称数据内；

步骤四：获取图片数据和图像数据，并将两者进行匹配，具体为：当图片数据与图像数据的匹配结果一致时，则判定该图片数据存在对应家具，生成提取信号，当图片数据与图像数据的匹配结果不一致时，则判定该图片数据不存在对应家具，生成错误信号；

步骤五：获取上述步骤三中的提取信号和错误信号，并对其进行识别，当识别到提取信号时，则自动提取图像数据对应的名称数据和规格数据，并将图片数据对应的影像信息标定为处理影像，当识别到错误信号时，则不进行数据提取。

作为本发明的进一步改进方案：分析操作的具体操作过程为：

K1：获取处理影像，建立一个虚拟空间直角坐标系，并将处理影像在虚拟空间直角坐标系中进行标记，依据图像数据和图片数据的匹配结果，对处理影像的各个顶点进行坐标标记，并将每个坐标标记为ZBi(Xi，Yi，Zi)，将每两个相邻的坐标点之间进行差值计算，从而得出做标定差值，其中，坐标点差值即指代每两个相邻的坐标点之间的差值，差值计算式为：差值＝(第一坐标的X轴值-第二坐标的X轴值)或(第一坐标的Y轴值-第二坐标的Y轴值)或(第一坐标的Z轴值-第二坐标的Z轴值)，由于摄像头获取的家具的外形为规则图形，那么他相邻的两个顶点是位于同一平面，即X轴、Y轴和Z轴中有两个是相同的值；

K2：获取记录长度数据、记录宽度数据和记录高度数据，对其进行从大到小的排序，从而得到记录数据排序，并依据其进行坐标点差值标定，具体为：提取坐标点差值，并将其进行从大到小的排序，依据排序顺序将坐标点差值分别标定为影像长度数据、影像宽度数据和影像高度数据；

K3：获取距离数据，并将其与记录长度数据、记录宽度数据、记录高度数据、影像长度数据、影像宽度数据和影像高度数据分别带入到对应的计算式：JCl＝YCi*JLl*u1，JGl＝YGi*JLl*u2，JKl＝YKi*JLl*u3，其中，YCi表示为影像长度数据，YGi表示为影像高度数据，YKi表示为影像宽度数据，u1、u2和u3分别表示为影像长度、影像高度和影像宽度的影响偏差预设因子，将u1、u2和u3一同带入到计算式：

其中，Pu表示为影响偏差预设因子的平均值，即影响偏差预设因子均值；

K4：获取家具状态信息，将其内柜门的位置标定为位置数据，并将位置数据标记为WZv，v＝1,2,3......n3，将其内家具内部温度标定为内部温度数据，并将内部温度数据标记为NWv，v＝1,2,3......n3，将其内家具外部温度标定为外部温度数据，并将外部温度数据标记为WWv，v＝1,2,3......n3，将其内柜门的影像标定为柜门影像数据，并将柜门影像数据标记为GYv，v＝1,2,3......n3，将其内家具的内部温度变化的时间和外部温度变化的时间分别标定为内部时间和外部时间，并将内部时间和外部时间分别标记为NSv和WSv，v＝1,2,3......n3；

K5：获取开合信息，将其内闭合状态下柜门与柜体之间的距离标定为闭合距离数据，并将闭合距离数据标记为BHa，a＝1,2,3......n4，将其内柜门的图像标定为柜门图像数据，并将柜门图像数据标记为GTa，a＝1,2,3......n4；

K6：提取不同时间段的家具外部温度数据和内部温度数据，并将不同时间段的内部温度数据分别标记为NW1和NW2，将不同时间段的外部温度数据分别标记为WW1和WW2，并将其分别带入到差值计算式：NW_差＝NW1-NW2，WW_差＝WW1-WW2，其中，NW_差表示为内部温度差值，即内温差，WW_差表示为外部温度差值，即外温差，将两个不同时间的内部时间分别标记为NS1和NS2,两个不同时间的外部时间分别标记WS1和WS2，并将NS1和NS2带入到计算式：NS_差＝NS1-NS2，其中，NS_差表示为内部时间差值，即内时差，将WS1和WS2带入到计算式：WS_差＝WS1-WS2，其中，WS_差表示为外部时间差值，即外时差；

K7：获取柜门图像数据和柜门影像数据，并将其进行匹配，具体为：当匹配结果不一致时，则判定该影像不为柜门影像，当匹配结果一致时，则判定该影像为柜门影像，则自动提取对应的位置数据，将位置数据在虚拟空间直角坐标系中进行标记，并依据位置坐标和勾股定理计算出柜门与柜体的距离差值，并将其标定为分开距离数据。

作为本发明的进一步改进方案：判定操作的具体操作过程为：

H1：获取内温差、外温差、内时差和外时差，并将其一同带入到计算式中，从而计算出内部温度变化频率和外部温度变化频率，其中，温度变化频率＝温度差/时间差；

H2：选取内部和外部温度变化的频率，并将其标定为B1v和B2v，并对内部和外部温度变化的频率进行分析，具体为：当B1v逐渐增大或减小，且B2v数值不变，则判定内部温度不影响外部温度，生成正常信号，当B1v逐渐减小，且B2v数值减小，则判定内部温度影响外部温度，生成正影响信号，当B1v逐渐减小，且B2v数值增大，则判定内部温度影响外部温度，生成负影响信号；

H3：获取分开距离数据，并将其带入到计算式：计算距离＝分开距离数据*影响偏差预设因子均值，并将计算距离与闭合距离数据一同进行数据判定，具体为：当出现计算距离小于等于闭合距离数据时，则判定该柜门闭合，生成安全信号，当出现计算距离大于闭合距离数据时，则判定该柜门打开，生成危险信号；

H4：获取安全信号、危险信号、正常信号、正影响信号和负影响信号，并对其进行判定，具体为：当危险信号和负影响信号同时出现时，则判定柜体开合泄露，生成异常信号，反之，则判定柜体闭合安全，生成观察信号。

本发明的有益效果：

(1)通过摄像头实时监控室内家具状态并获取影像信息，将影像信息传输至识别比对单元；数据库内存储有家具图像数据、距离数据、名称数据和规格数据，识别比对单元从数据库内获取图像数据、名称数据和规格数据，并将其与影像信息进行识别比对操作，得到名称数据、距离数据、规格数据以及对应的处理影像，通过识别比对单元的设置，对摄像头获取的单元进行识别，并将识别后的相关数据与数据库内存储的数据进行比对，从而快速判定影像信息的种类等数据，节省识别物件所消耗的时间，提高工作效率。

(2)监测模块实时监测家具的运作状态，并自动获取家具状态信息，将家具状态信息传输至分析模块，分析模块从数据库内获取开合信息，并将其与家具状态信息、名称数据、距离数据、规格数据以及对应的处理影像进行分析操作，得到内温差、外温差、内时差、影响偏差预设因子均值、外时差、分开距离数据和闭合距离数据，判定模块对内温差、外温差、内时差、影响偏差预设因子均值、外时差、分开距离数据和闭合距离数据一同进行判定操作，得到异常信号和观察信号，通过分析模块和判定模块的设置，对识别比对的相关数据进行分析，并依据分析后的数据进行家具判定，从而快速判断出家具的安全性，增加数据分析的准确性，增加数据的说服力度，节省人为判定所消耗的时间，提高工作效率。

(3)警报单元接收异常信号和观察信号，并对其进行识别，当识别到异常信号时，则自动生成警报信号，并发出警报，当识别到观察信号时，则不发出警报；通过警报单元的设置，快速对判定的结果进行信号转化，从而发出对应的警报信号，增加家具的安全性，增加使用寿命。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明的系统框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明为一种基于互联网控制的智能家居系统，包括摄像头、识别比对单元、分析模块、监测模块、数据库、判断模块和警报单元；

所述摄像头用于实时监控室内家具状态并获取影像信息，将影像信息传输至识别比对单元；

所述数据库内存储有家具图像数据、距离数据、名称数据和规格数据，识别比对单元从数据库内获取图像数据、名称数据和规格数据，并将其与影像信息进行识别比对操作，识别比对操作的具体操作过程为：

步骤一：获取影像信息，将其内家具种类的图像标定为图片数据，并将图片数据标记为TPi，i＝1，2，3......n1；

步骤二：获取家具图像数据，并将其标记为TXl，l＝1，2，3......n2，获取名称数据，并将其标记为MCl，l＝1，2，3......n2，获取规格数据，将其内家具的长度数据标定为记录长度数据，并将记录长度数据标记为JCl，l＝1，2，3......n2，将其内家具的宽度标定为记录宽度数据，并将记录宽度数据标记为JKl，l＝1，2，3......n2，将其内家具的高度标定为记录高度数据，并将记录高度数据标记为JGl，l＝1，2，3......n2，获取距离数据，并将距离数据标记为JLl，l＝1，2，3......n2；

步骤三：将上述步骤一中的图片数据自动划分至影像信息内，将上述步骤二中的图像数据和规格数据划分至名称数据内；

步骤四：获取图片数据和图像数据，并将两者进行匹配，具体为：当图片数据与图像数据的匹配结果一致时，则判定该图片数据存在对应家具，生成提取信号，当图片数据与图像数据的匹配结果不一致时，则判定该图片数据不存在对应家具，生成错误信号；

步骤五：获取上述步骤三中的提取信号和错误信号，并对其进行识别，当识别到提取信号时，则自动提取图像数据对应的名称数据和规格数据，并将图片数据对应的影像信息标定为处理影像，当识别到错误信号时，则不进行数据提取；

步骤六：将名称数据、距离数据、规格数据以及对应的处理影像一同传输至分析模块；

所述监测模块用于实时监测家具的运作状态，并自动获取家具状态信息，将家具状态信息传输至分析模块；

数据库内还存储有家具开合信息，所述分析模块从数据库内获取开合信息，并将其与家具状态信息、名称数据、距离数据、规格数据以及对应的处理影像进行分析操作，分析操作的具体操作过程为：

K1：获取处理影像，建立一个虚拟空间直角坐标系，并将处理影像在虚拟空间直角坐标系中进行标记，依据图像数据和图片数据的匹配结果，对处理影像的各个顶点进行坐标标记，并将每个坐标标记为ZBi(Xi，Yi，Zi)，将每两个相邻的坐标点之间进行差值计算，从而得出做标定差值，其中，坐标点差值即指代每两个相邻的坐标点之间的差值，差值计算式为：差值＝(第一坐标的X轴值-第二坐标的X轴值)或(第一坐标的Y轴值-第二坐标的Y轴值)或(第一坐标的Z轴值-第二坐标的Z轴值)，由于摄像头获取的家具的外形为规则图形，那么他相邻的两个顶点是位于同一平面，即X轴、Y轴和Z轴中有两个是相同的值；

K2：获取记录长度数据、记录宽度数据和记录高度数据，对其进行从大到小的排序，从而得到记录数据排序，并依据其进行坐标点差值标定，具体为：提取坐标点差值，并将其进行从大到小的排序，依据排序顺序将坐标点差值分别标定为影像长度数据、影像宽度数据和影像高度数据；

K3：获取距离数据，并将其与记录长度数据、记录宽度数据、记录高度数据、影像长度数据、影像宽度数据和影像高度数据分别带入到对应的计算式：JCl＝YCi*JLl*u1，JGl＝YGi*JLl*u2，JKl＝YKi*JLl*u3，其中，YCi表示为影像长度数据，YGi表示为影像高度数据，YKi表示为影像宽度数据，u1、u2和u3分别表示为影像长度、影像高度和影像宽度的影响偏差预设因子，将u1、u2和u3一同带入到计算式：

其中，Pu表示为影响偏差预设因子的平均值，即影响偏差预设因子均值；

K4：获取家具状态信息，将其内柜门的位置标定为位置数据，并将位置数据标记为WZv，v＝1,2,3......n3，将其内家具内部温度标定为内部温度数据，并将内部温度数据标记为NWv，v＝1,2,3......n3，将其内家具外部温度标定为外部温度数据，并将外部温度数据标记为WWv，v＝1,2,3......n3，将其内柜门的影像标定为柜门影像数据，并将柜门影像数据标记为GYv，v＝1,2,3......n3，将其内家具的内部温度变化的时间和外部温度变化的时间分别标定为内部时间和外部时间，并将内部时间和外部时间分别标记为NSv和WSv，v＝1,2,3......n3；

K5：获取开合信息，将其内闭合状态下柜门与柜体之间的距离标定为闭合距离数据，并将闭合距离数据标记为BHa，a＝1,2,3......n4，将其内柜门的图像标定为柜门图像数据，并将柜门图像数据标记为GTa，a＝1,2,3......n4；

K6：提取不同时间段的家具外部温度数据和内部温度数据，并将不同时间段的内部温度数据分别标记为NW1和NW2，将不同时间段的外部温度数据分别标记为WW1和WW2，并将其分别带入到差值计算式：NW_差＝NW1-NW2，WW_差＝WW1-WW2，其中，NW_差表示为内部温度差值，即内温差，WW_差表示为外部温度差值，即外温差，将两个不同时间的内部时间分别标记为NS1和NS2,两个不同时间的外部时间分别标记WS1和WS2，并将NS1和NS2带入到计算式：NS_差＝NS1-NS2，其中，NS_差表示为内部时间差值，即内时差，将WS1和WS2带入到计算式：WS_差＝WS1-WS2，其中，WS_差表示为外部时间差值，即外时差；

K7：获取柜门图像数据和柜门影像数据，并将其进行匹配，具体为：当匹配结果不一致时，则判定该影像不为柜门影像，当匹配结果一致时，则判定该影像为柜门影像，则自动提取对应的位置数据，将位置数据在虚拟空间直角坐标系中进行标记，并依据位置坐标和勾股定理计算出柜门与柜体的距离差值，并将其标定为分开距离数据；

K8：将内温差、外温差、内时差、影响偏差预设因子均值、外时差、分开距离数据和闭合距离数据一同传输至判定模块；

所述判定模块用于对内温差、外温差、内时差、影响偏差预设因子均值、外时差、分开距离数据和闭合距离数据一同进行判定操作，判定操作的具体操作过程为：

H1：获取内温差、外温差、内时差和外时差，并将其一同带入到计算式中，从而计算出内部温度变化频率和外部温度变化频率，其中，温度变化频率＝温度差/时间差；

H2：选取内部和外部温度变化的频率，并将其标定为B1v和B2v，并对内部和外部温度变化的频率进行分析，具体为：当B1v逐渐增大或减小，且B2v数值不变，则判定内部温度不影响外部温度，生成正常信号，当B1v逐渐减小，且B2v数值减小，则判定内部温度影响外部温度，生成正影响信号，当B1v逐渐减小，且B2v数值增大，则判定内部温度影响外部温度，生成负影响信号；

H3：获取分开距离数据，并将其带入到计算式：计算距离＝分开距离数据*影响偏差预设因子均值，并将计算距离与闭合距离数据一同进行数据判定，具体为：当出现计算距离小于等于闭合距离数据时，则判定该柜门闭合，生成安全信号，当出现计算距离大于闭合距离数据时，则判定该柜门打开，生成危险信号；

H4：获取安全信号、危险信号、正常信号、正影响信号和负影响信号，并对其进行判定，具体为：当危险信号和负影响信号同时出现时，则判定柜体开合泄露，生成异常信号，反之，则判定柜体闭合安全，生成观察信号；

H5：将异常信号和观察信号一同传输至警报单元；

所述警报单元接收异常信号和观察信号，并对其进行识别，当识别到异常信号时，则自动生成警报信号，并发出警报，当识别到观察信号时，则不发出警报；

所述本发明所监测和分析的柜体为一种方形冰箱，柜门为冰箱门。

本发明在工作时，通过摄像头实时监控室内家具状态并获取影像信息，将影像信息传输至识别比对单元；数据库内存储有家具图像数据、距离数据、名称数据和规格数据，识别比对单元从数据库内获取图像数据、名称数据和规格数据，并将其与影像信息进行识别比对操作，得到名称数据、距离数据、规格数据以及对应的处理影像，并将其一同传输至分析模块；监测模块实时监测家具的运作状态，并自动获取家具状态信息，将家具状态信息传输至分析模块；数据库内还存储有家具开合信息，分析模块从数据库内获取开合信息，并将其与家具状态信息、名称数据、距离数据、规格数据以及对应的处理影像进行分析操作，得到内温差、外温差、内时差、影响偏差预设因子均值、外时差、分开距离数据和闭合距离数据，并将其一同传输至判定模块；判定模块对内温差、外温差、内时差、影响偏差预设因子均值、外时差、分开距离数据和闭合距离数据一同进行判定操作，得到异常信号和观察信号，并将其一同传输至警报单元；警报单元接收异常信号和观察信号，并对其进行识别，当识别到异常信号时，则自动生成警报信号，并发出警报，当识别到观察信号时，则不发出警报。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (4)

1.一种基于互联网控制的智能家居系统，其特征在于，包括摄像头、识别比对单元、分析模块、监测模块、数据库、判断模块和警报单元；

所述摄像头用于实时监控室内家具状态并获取影像信息，将影像信息传输至识别比对单元；

所述数据库内存储有家具图像数据、距离数据、名称数据和规格数据，识别比对单元从数据库内获取图像数据、名称数据和规格数据，并将其与影像信息进行识别比对操作，得到名称数据、距离数据、规格数据以及对应的处理影像，并将其一同传输至分析模块；

所述监测模块用于实时监测家具的运作状态，并自动获取家具状态信息，将家具状态信息传输至分析模块；

数据库内还存储有家具开合信息，所述分析模块从数据库内获取开合信息，并将其与家具状态信息、名称数据、距离数据、规格数据以及对应的处理影像进行分析操作，得到内温差、外温差、内时差、影响偏差预设因子均值、外时差、分开距离数据和闭合距离数据，并将其一同传输至判定模块；

所述判定模块用于对内温差、外温差、内时差、影响偏差预设因子均值、外时差、分开距离数据和闭合距离数据一同进行判定操作，得到异常信号和观察信号，并将其一同传输至警报单元；

所述警报单元接收异常信号和观察信号，并对其进行识别，当识别到异常信号时，则自动生成警报信号，并发出警报，当识别到观察信号时，则不发出警报。

2.根据权利要求1所述的一种基于互联网控制的智能家居系统，其特征在于，识别比对操作的具体操作过程为：

步骤一：获取影像信息，将其内家具种类的图像标定为图片数据，并将图片数据标记为TPi，i＝1，2，3......n1；

步骤二：获取家具图像数据，并将其标记为TXl，l＝1，2，3......n2，获取名称数据，并将其标记为MCl，l＝1，2，3......n2，获取规格数据，将其内家具的长度数据标定为记录长度数据，并将记录长度数据标记为JCl，l＝1，2，3......n2，将其内家具的宽度标定为记录宽度数据，并将记录宽度数据标记为JKl，l＝1，2，3......n2，将其内家具的高度标定为记录高度数据，并将记录高度数据标记为JGl，l＝1，2，3......n2，获取距离数据，并将距离数据标记为JLl，l＝1，2，3......n2；

步骤三：将上述步骤一中的图片数据自动划分至影像信息内，将上述步骤二中的图像数据和规格数据划分至名称数据内；

步骤四：获取图片数据和图像数据，并将两者进行匹配，具体为：当图片数据与图像数据的匹配结果一致时，则判定该图片数据存在对应家具，生成提取信号，当图片数据与图像数据的匹配结果不一致时，则判定该图片数据不存在对应家具，生成错误信号；

步骤五：获取上述步骤三中的提取信号和错误信号，并对其进行识别，当识别到提取信号时，则自动提取图像数据对应的名称数据和规格数据，并将图片数据对应的影像信息标定为处理影像，当识别到错误信号时，则不进行数据提取。

3.根据权利要求1所述的一种基于互联网控制的智能家居系统，其特征在于，分析操作的具体操作过程为：

K1：获取处理影像，建立一个虚拟空间直角坐标系，并将处理影像在虚拟空间直角坐标系中进行标记，依据图像数据和图片数据的匹配结果，对处理影像的各个顶点进行坐标标记，并将每个坐标标记为ZBi(Xi，Yi，Zi)，将每两个相邻的坐标点之间进行差值计算，从而得出做标定差值，其中，坐标点差值即指代每两个相邻的坐标点之间的差值，差值计算式为：差值＝(第一坐标的X轴值-第二坐标的X轴值)或(第一坐标的Y轴值-第二坐标的Y轴值)或(第一坐标的Z轴值-第二坐标的Z轴值)；

K2：获取记录长度数据、记录宽度数据和记录高度数据，对其进行从大到小的排序，从而得到记录数据排序，并依据其进行坐标点差值标定，具体为：提取坐标点差值，并将其进行从大到小的排序，依据排序顺序将坐标点差值分别标定为影像长度数据、影像宽度数据和影像高度数据；

K3：获取距离数据，并将其与记录长度数据、记录宽度数据、记录高度数据、影像长度数据、影像宽度数据和影像高度数据分别带入到对应的计算式：JCl＝YCi*JLl*u1，JGl＝YGi*JLl*u2，JKl＝YKi*JLl*u3，其中，YCi表示为影像长度数据，YGi表示为影像高度数据，YKi表示为影像宽度数据，u1、u2和u3分别表示为影像长度、影像高度和影像宽度的影响偏差预设因子，将u1、u2和u3一同带入到计算式：

其中，Pu表示为影响偏差预设因子的平均值，即影响偏差预设因子均值；

K4：获取家具状态信息，将其内柜门的位置标定为位置数据，并将位置数据标记为WZv，v＝1,2,3......n3，将其内家具内部温度标定为内部温度数据，并将内部温度数据标记为NWv，v＝1,2,3......n3，将其内家具外部温度标定为外部温度数据，并将外部温度数据标记为WWv，v＝1,2,3......n3，将其内柜门的影像标定为柜门影像数据，并将柜门影像数据标记为GYv，v＝1,2,3......n3，将其内家具的内部温度变化的时间和外部温度变化的时间分别标定为内部时间和外部时间，并将内部时间和外部时间分别标记为NSv和WSv，v＝1,2,3......n3；

K5：获取开合信息，将其内闭合状态下柜门与柜体之间的距离标定为闭合距离数据，并将闭合距离数据标记为BHa，a＝1,2,3......n4，将其内柜门的图像标定为柜门图像数据，并将柜门图像数据标记为GTa，a＝1,2,3......n4；

K6：提取不同时间段的家具外部温度数据和内部温度数据，并将不同时间段的内部温度数据分别标记为NW1和NW2，将不同时间段的外部温度数据分别标记为WW1和WW2，并将其分别带入到差值计算式：NW_差＝NW1-NW2，WW_差＝WW1-WW2，其中，NW_差表示为内部温度差值，即内温差，WW_差表示为外部温度差值，即外温差，将两个不同时间的内部时间分别标记为NS1和NS2,两个不同时间的外部时间分别标记WS1和WS2，并将NS1和NS2带入到计算式：NS_差＝NS1-NS2，其中，NS_差表示为内部时间差值，即内时差，将WS1和WS2带入到计算式：WS_差＝WS1-WS2，其中，WS_差表示为外部时间差值，即外时差；

K7：获取柜门图像数据和柜门影像数据，并将其进行匹配，具体为：当匹配结果不一致时，则判定该影像不为柜门影像，当匹配结果一致时，则判定该影像为柜门影像，则自动提取对应的位置数据，将位置数据在虚拟空间直角坐标系中进行标记，并依据位置坐标和勾股定理计算出柜门与柜体的距离差值，并将其标定为分开距离数据。

4.根据权利要求1所述的一种基于互联网控制的智能家居系统，其特征在于，判定操作的具体操作过程为：

H1：获取内温差、外温差、内时差和外时差，并将其一同带入到计算式中，从而计算出内部温度变化频率和外部温度变化频率，其中，温度变化频率＝温度差/时间差；

H2：选取内部和外部温度变化的频率，并将其标定为B1v和B2v，并对内部和外部温度变化的频率进行分析，具体为：当B1v逐渐增大或减小，且B2v数值不变，则判定内部温度不影响外部温度，生成正常信号，当B1v逐渐减小，且B2v数值减小，则判定内部温度影响外部温度，生成正影响信号，当B1v逐渐减小，且B2v数值增大，则判定内部温度影响外部温度，生成负影响信号；

H3：获取分开距离数据，并将其带入到计算式：计算距离＝分开距离数据*影响偏差预设因子均值，并将计算距离与闭合距离数据一同进行数据判定，具体为：当出现计算距离小于等于闭合距离数据时，则判定该柜门闭合，生成安全信号，当出现计算距离大于闭合距离数据时，则判定该柜门打开，生成危险信号；

H4：获取安全信号、危险信号、正常信号、正影响信号和负影响信号，并对其进行判定，具体为：当危险信号和负影响信号同时出现时，则判定柜体开合泄露，生成异常信号，反之，则判定柜体闭合安全，生成观察信号。

Images