CN112215258A - 一种马桶冲刷控制方法、系统及马桶 - Google Patents
一种马桶冲刷控制方法、系统及马桶 Download PDFInfo
- Publication number
- CN112215258A CN112215258A CN202010979483.XA CN202010979483A CN112215258A CN 112215258 A CN112215258 A CN 112215258A CN 202010979483 A CN202010979483 A CN 202010979483A CN 112215258 A CN112215258 A CN 112215258A
- Authority
- CN
- China
- Prior art keywords
- image
- cleanliness
- toilet
- closestool
- convolution
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000011010 flushing procedure Methods 0.000 title claims abstract description 48
- 230000003749 cleanliness Effects 0.000 claims abstract description 89
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000013145 classification model Methods 0.000 claims abstract description 5
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000005286 illumination Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 206010028813 Nausea Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000004332 deodorization Methods 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 230000008693 nausea Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种马桶冲刷控制方法、系统及马桶，该方法包括：在非工作模式时获取马桶的内槽的环境图像，环境图像是指马桶上设置的摄像头在视区范围内采集的内槽中的图像；对环境图像进行图像预处理后，通过训练好的图像洁净度确定模型确定内槽的洁净度，并根据洁净度判断是否冲刷马桶以及冲刷等级；其中，图像洁净度确定模型为基于深度神经网络的分类模型。本发明实施例公开的马桶冲刷控制方法、系统及马桶，可通过训练好的图像洁净度确定模型对马桶内槽环境的洁净度评价，控制马桶的自动冲刷，提高人们对马桶的体验舒适度。
Description
技术领域
本发明涉及但不仅限于卫生洁净领域，尤指一种马桶冲刷控制方法、系统及马桶。
背景技术
在日常生活中，经常会碰到冲刷不干净或者是没有冲刷的马桶，比如停水或者忘记冲刷等情况，不仅视觉污染严重且臭味熏天无法靠近。这极大地降低了人们对马桶的主观体验，是一个亟待解决的问题。
然而，在控制马桶冲刷领域，大多需要用户主观判断是否冲刷马桶，用户体验较差。
发明内容
第一方面，本申请实施例提供了一种马桶冲刷控制方法，适用于包括设置有摄像头的马桶，包括：
在非工作模式时获取马桶的内槽的环境图像，所述环境图像是指马桶上设置的摄像头在视区范围内采集的内槽中的图像；
对所述环境图像进行图像预处理后，通过训练好的图像洁净度确定模型确定内槽的洁净度，并根据所述洁净度判断是否冲刷马桶；其中，所述图像洁净度确定模型为基于深度神经网络的分类模型。
第二方面，本申请实施例提供了一种马桶冲刷控制系统，适用于包括设置有摄像头的马桶，包括：存储器和处理器，存储器用于存储计算机指令；处理器用于调用所述计算机指令，用于执行如第一方面任一实施例所述的马桶冲刷控制方法。
第三方面，本申请实施例提供了一种马桶，包括摄像头和如第二方面实施例所述的马桶冲刷控制系统，所述摄像头位于所述马桶内，且所述摄像头的视区范围包括马桶的内槽。
本申请至少一个实施例提供的马桶冲刷控制方法、系统及马桶，与现有技术相比，具有以下有益效果：可通过训练好的图像洁净度确定模型对马桶内槽环境的洁净度评价，控制马桶的自动冲刷，提高人们对马桶的体验舒适度。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本发明一示例实施例提供的马桶冲刷控制方法的流程图；
图2为本发明实施例提供的图像洁净度确定模型的训练流程示意图；
图3为本发明一示例实施例提供的马桶冲刷控制方法的流程图；
图4为本发明实施例提供的马桶冲刷控制系统的结构框图；
图5为本发明实施例提供的马桶的结构框图。
具体实施方式
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
图1为本发明一示例实施例提供的马桶冲刷控制方法的流程图，如图1所示，本实施例提供的马桶冲刷控制方法，可以包括：
S101：在非工作模式时获取马桶的内槽的环境图像，环境图像是指马桶上设置的摄像头在视区范围内采集的内槽中的图像。
本实施例提供的马桶冲刷控制方法可以适用于包括设置有摄像头的马桶，摄像头可以安装在马桶上，摄像头拍摄图像供给图像处理芯片进行洁净度判断。摄像头在马桶上的具体安装位置可根据实际需求或经验值而定，只要能确保摄像头的成像范围覆盖马桶内槽即可，能够实现宽动态成像。
在一示例中，摄像头可以设置于马桶本体中，或摄像头可以设置于马桶的附加配件，如马桶圈中。
本实施例中，可通过马桶内的摄像头获取内槽的环境图像，根据内槽的环境图像进行自动分类以确定内槽的洁净度。
本实施例中，非工作模式可以根据需求自行设置，非工作模式可以但不限于是指满足一个或多个预设的条件，比如马桶不在使用中且冲刷完毕。在一示例中，非工作模式可以包括：马桶被使用完毕并首次冲刷马桶后或再次冲刷后。本实施例中，可在正常的马桶冲刷流程后，检测冲刷后的内槽中环境图像的洁净度，根据洁净度判断是否进行二次或再次冲刷，实现对正常冲刷不干净后的检测，能够更进一步保证马桶的干净和卫生。
在一可替代示例中，非工作模式可以包括：到设定时间时。本实施例中，摄像头可以以预设间隔获取马桶的内槽的环境图像，定时检测内槽中环境图像的洁净度，根据洁净度判断是否进行冲刷马桶，可实现人不着座情况下食物、脏水等异物倒入的检测冲刷，能够更进一步保证马桶的干净和卫生。
S102：对环境图像进行图像预处理后，通过训练好的图像洁净度确定模型(以下可简称模型)确定内槽的洁净度，并根据洁净度判断是否冲刷马桶。
其中，图像洁净度确定模型为基于深度神经网络的分类模型。
本实施例中，可通过图像处理芯片将环境图像进行预处理，然后将预处理后的环境图像输入给训练好的图像洁净度确定模型，图像洁净度确定模型进行分类，自动给出该环境图像对应的洁净度。
本实施例中，图像洁净度确定模型采用基于深度神经网络的分类模型，深度学习能够提取底层特征形成更加抽象的高层语义信息，可以避免传统的图像处理方案难以提取图像的高级别语义信息，泛化能力和鲁棒性比较差，且阈值难以选取的问题。
本实施例中，预处理使得输入至训练好的图像洁净度确定模型的环境图像具有一致的数据分布，以及可以符合图像洁净度确定模型的输入要求，预处理可以包括插值和标准化。其中插值是为了使环境图像缩小，以减少计算量，并符合神经网络模型的输入尺度要求。标准化是为了保证环境图像中的数据具有相同的数据分布。插值和标准化的具体实现原理可采用现有技术，本实施例在此不进行限定和赘述。
在一示例中，图像预处理可以包括：通过插值法缩小环境图像的尺度，以得到预设尺度的图片，预设尺度符合图像洁净度确定模型的输入大小；对图片进行标准化处理以使图片符合预设的数据分布规律。本实施例中，为节省计算资源和算力，通过插值法，将环境图片缩小为预设尺度的图片，比如尺度缩小为320x320x3，其中3表示R(红)、G(黄)、B(蓝)三通道。为加快模型训练收敛速度，并增加模型的泛化能力，将缩小后的图像标准化，使得数据符合数据分布规律后，再送入图像洁净度确定模型。
本实施例中，根据洁净度判断是否冲刷马桶，可以包括：在内槽的洁净度满足冲刷条件时，进行冲刷马桶。内槽的洁净度采用等级表示，等级越高表示内槽越干净。内槽的洁净度等级小于或等于预设等级时，确定内槽的洁净度满足冲刷条件，冲刷马桶。
在一可替代实施例中，内槽的洁净度采用等级表示，等级越高表示内槽越脏污。内槽的洁净度等级大于或等于预设等级时，确定内槽的洁净度满足冲刷条件，冲刷马桶。
其中，自动冲刷马桶的实现原理与现有技术相同，比如可通过马桶冲刷控制器控制马桶实现自动冲刷马桶，本实施例在此不进行限定和赘述。
本发明实施例提供的马桶冲刷控制方法，可通过训练好的图像洁净度确定模型对马桶内槽环境的洁净度评价，控制马桶的自动冲刷，提高人们对马桶的体验舒适度。
在本发明一示例实施例中，图像洁净度确定模型采用卷积神经网络，卷积神经网络可以包括：输入层、标准卷积层、深度可分离卷积层、池化层和全连接层；以及采用Softmax层进行归一化处理，得到洁净度的分类得分，并取得分最高类为洁净度等级。
图像洁净度确定模型的训练数据为已标注洁净度的等级的样本图像；样本图像包括内槽处在各种等级的洁净度场景时，经过图像预处理后的马桶的内槽的环境图像。
本实施例中，图像洁净度确定模型可采用卷积神经网络，通过卷积神经网络的深度学习以确定内槽的洁净度。卷积神经网络的卷积层可以包括标准卷积层和深度可分离卷积层，采用计算复杂度比较低的深度可分离卷积代替标准卷积结构，可减少计算复杂度。
本实施例中，图像洁净度确定模型用于确定内槽的洁净度，其训练时先用标注好的样本图像进行训练。可通过摄像头采集实际生活场景中各种等级的洁净度的马桶内槽的环境图像分别作为样本图像，然后根据人眼主观洁净度评价对样本图像进行标注，以得到已标注洁净度的等级的样本图像。比如，人工可对样本图像做主观评价，将样本图像分为5组：干净、可以忍受、有点恶心、恶心和超级恶心。
本发明实施例提供的马桶冲刷控制方法，采用卷积神经网络深度学习的方法不需要人工筛选特征，能够自适应提取马桶内槽图像的抽象语义，有效地提高马桶洁净度客观评价效果与主观感知之间的相关性。
在一示例中，标准卷积层采用大小为3x3的卷积核进行第一次卷积，卷积核数目为3，步长为2，得到第一尺度大小的第一特征图；
深度可分离卷积层采用大小为3x3的卷积核进行第二次卷积，卷积核数目为6，步长为2，得到第二尺度大小的特征图；
深度可分离卷积层采用大小为3x3的卷积核进行第三次卷积，卷积核数目为10，步长为2，得到第三尺度大小的特征图；
深度可分离卷积层采用大小为5x5的卷积核进行第四次卷积，卷积核数目为10，步长为2，得到第四尺度大小的特征图。
本实施例中，为保证特征的丰富性，第1层卷积可采用卷积核大小为3x3的标准卷积，卷积核数目为3，步长为2，得到特征图尺度为160x160x3；将特征图像2x2平均池化，池化步长为2，特征尺度变为80x80x3。第2层可采用卷积核为3x3的深度可分离卷积，卷积核大小为3x3，卷积数目为6，步长为2，后接2x2最大池化，步长为2得到特征图尺度为20x20x6。第3层可采用卷积核为3x3的深度可分离卷积，卷积核大小为3x3，卷积数目为10，步长为2，得到特征图尺度为5x5x10。第4层可采用5x5的深度可分离卷积，卷积核大小为5x5，卷积数目为10，步长为2，得到特征图尺度为1x1x10；深度可分离卷积的10个结点与全连接层的5个结点都相连，综合所提取的特征。最后采用Softmax层用作归一化处理，以将模型输出结果(每种洁净度等级的概率)转换成分类结果(即确定的洁净度等级)。
其中，输入层、池化层、全连接层和Softmax层的实现原理与现有技术相同，本实施例在此不进行限定和赘述。
在一示例中，图像洁净度确定模型的训练过程，可以包括：
对于卷积神经网络，采用交叉熵作为损失函数，采用交替方向乘子法(Alternating Direction Method of Multipilers。简称ADMM)作为优化器进行卷积神经网络的参数更新，经交叉验证后得到训练好的卷积神经网络，作为图像洁净度确定模型。
本实施例中，图像洁净度确定模型的训练过程为不断迭代进行优化的过程，建立优化器与神经网络参数的更新关系，采用交叉熵作为损失函数，采用ADMM法作为优化方法，将图像预处理后的环境图像的洁净度进行迭代训练和测试，保存经交叉验证后最好的模型作为图像洁净度确定模型。其中，优化器可以包括但不仅限于ADMM，ADMM的实现原理与现有技术相同，本实施例在此不进行限定和赘述。
图2为本发明实施例提供的图像洁净度确定模型的训练流程示意图，如图2所示，其具体可以包括：
S201：确定洁净度图像(即样本图像)训练集。
S202：构建卷积神经网络模型。
S203：初始化卷积神经网络参数。
S204：计算前向传播损失值。
S205：反向传播更新模型参数。
S206：保存模型文件。
本发明实施例提供的马桶冲刷控制方法，采用计算复杂度比较低的深度可分离卷积代替标准卷积结构，并采用神经网络推理引擎优化，将优化后的神经网络模型部署在马桶或终端上的图像处理芯片中，实现基于深度神经网络的马桶自动冲刷系统。
在本发明一示例实施例中，内槽的洁净度等级与冲刷力度一一对应；冲刷马桶可以包括：以内槽的洁净度等级对应的冲刷力度冲刷马桶。
图3为本发明一示例实施例提供的马桶冲刷控制方法的流程图，如图3所示，其具体可以包括：
S301：启动摄像头成像。
S302：加载训练好的模型文件。
S303：前向传播。
S304：得到图像分类。
S305：根据分类决定冲刷等级。
S306：触发冲刷。
本实施例中，摄像头拍摄的图像经图像预处理后，在训练好的神经网络前向传播得到图像的洁净度等级，以触发对应等级的马桶冲刷程序。在一示例中，图像处理芯片可根据当前环境图像的洁净度，决定何种力度的冲刷模式，马桶冲刷控制器可根据冲刷模式启动对应的冲刷程序。
在本发明一示例实施例中，冲刷马桶之后，还可以包括：自动开启排气除臭功能进行排气除臭。本实施例中，可在马桶冲刷完成后开启排气除臭功能，排除马桶的恶臭气味。其中，马桶上可设置有排气除臭器，排气除臭器在冲刷完成后开启，排除马桶的恶臭气味。
在本发明一示例实施例中，马桶上设置的摄像头在视区范围内采集内槽中的图像时，还可以包括：
检测内槽中当前环境的亮度；在亮度小于或等于预设的第一亮度阈值时，进行补光；在亮度大于或等于预设的第二亮度阈值时，进行强光抑制；其中，第二亮度阈值大于第一亮度阈值。
本实施例中，可在马桶上设置光照强度感应模块，通过光照强度感应模块能够检测内槽中当前环境的亮度，当亮度低于第一亮度阈值时，启动补光模块以便高成像质量；补光模块用于亮度较暗时，自动开启灯光协助摄像头成像，避免了现有智能马桶有自动关盖的功能隔绝了外部光源，导致摄像头拍摄的环境图像亮度太低影响洁净度识别的问题。
当亮度大于或等于预设的第二亮度阈值时，启动强光抑制模块以便高成像质量；强光抑制模块用于亮度较亮时，把图像中强光部分的信息进行处理，将图像的亮度调整为正常范围，避免了现有智能马桶所处的外部光源较亮，导致摄像头拍摄的环境图像亮度太高影响洁净度识别的问题。
图4为本发明实施例提供的马桶冲刷控制系统的结构框图，如图4所示，本发明实施例提供的马桶冲刷控制系统，可以包括：存储器41和处理器42。
存储器41用于存储计算机指令，处理器42可以是一个中央处理器(CentralProcessing Unit，简称CPU)，或者是特定集成电路(Application Specific IntegratedCircuit，简称ASIC)，或者完成实施本发明实施例的一个或多个集成电路。当马桶冲刷控制系统运行时，处理器42与存储器41之间通信，处理器42调用计算机指令，用于执行上述任一实施例所示的马桶冲刷控制方法。
图5为本发明实施例提供的马桶的结构框图，如图5所示，本发明实施例提供的马桶可以包括摄像头51和上述实施例所示的马桶冲刷控制系统；摄像头可以位于马桶内，且摄像头的视区范围包括马桶的内槽。
马桶冲刷控制系统可以包括：图像处理芯片52和马桶冲刷控制器53，图像处理芯片52可用于执行上述任一实施例所示的马桶冲刷控制方法，以根据当前环境图像的洁净度，决定是否冲刷马桶，或以何种力度的冲刷模式冲刷马桶，马桶冲刷控制器可根据冲刷模式启动对应的冲刷程序。
在一示例中，摄像头可以设置于马桶本体中，或摄像头可以设置于马桶的附加配件，如马桶圈中。
在一示例中，马桶还可以包括：排气除臭器54，马桶上可设置有排气除臭器，排气除臭器在冲刷完成后开启，排除马桶的恶臭气味。
在一示例中，马桶还可以包括：光照强度感应模块55，可在马桶上设置光照强度感应模块，通过光照强度感应模块能够检测内槽中当前环境的亮度。
在一示例中，马桶还可以包括：补光灯56，当亮度低于第一亮度阈值时，启动补光灯以便高成像质量；补光灯用于亮度较暗时，自动开启灯光协助摄像头成像，避免了现有智能马桶有自动关盖的功能隔绝了外部光源，导致摄像头拍摄的环境图像亮度太低影响洁净度识别的问题。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
Claims (10)
1.一种马桶冲刷控制方法，适用于包括设置有摄像头的马桶，其特征在于，包括：
在非工作模式时获取马桶的内槽的环境图像，所述环境图像是指马桶上设置的摄像头在视区范围内采集的内槽中的图像；
对所述环境图像进行图像预处理后，通过训练好的图像洁净度确定模型确定内槽的洁净度，并根据所述洁净度判断是否冲刷马桶；其中，所述图像洁净度确定模型为基于深度神经网络的分类模型。
2.根据权利要求1所述的方法，其特征在于，所述图像洁净度确定模型采用卷积神经网络，所述卷积神经网络包括：输入层、标准卷积层、深度可分离卷积层、池化层和全连接层；以及采用Softmax层进行归一化处理，得到洁净度的分类得分，并取得分最高类为洁净度等级；
所述图像洁净度确定模型的训练数据为已标注洁净度的等级的样本图像；所述样本图像包括内槽处在各种等级的洁净度场景时，经过所述图像预处理后的马桶的内槽的环境图像。
3.根据权利要求2所述的方法，其特征在于，
所述标准卷积层采用大小为3x3的卷积核进行第一次卷积，卷积核数目为3，步长为2，得到第一尺度大小的第一特征图；
所述深度可分离卷积层采用大小为3x3的卷积核进行第二次卷积，卷积核数目为6，步长为2，得到第二尺度大小的特征图；
所述深度可分离卷积层采用大小为3x3的卷积核进行第三次卷积，卷积核数目为10，步长为2，得到第三尺度大小的特征图；
所述深度可分离卷积层采用大小为5x5的卷积核进行第四次卷积，卷积核数目为10，步长为2，得到第四尺度大小的特征图。
4.根据权利要求2所述的方法，其特征在于，所述图像洁净度确定模型的训练过程，包括：
对于所述卷积神经网络，采用交叉熵作为损失函数，采用交替方向乘子法ADMM作为优化器进行卷积神经网络的参数更新，得到收敛的神经网络模型，经交叉验证后得到训练好的卷积神经网络模型，作为所述图像洁净度确定模型。
5.根据权利要求1或2所述的方法，其特征在于，所述图像预处理包括：
通过插值法缩小所述环境图像的尺度，以得到预设尺度的图片，所述预设尺度符合所述图像洁净度确定模型的输入大小；
对所述图片进行标准化处理以使图片符合预设的数据分布规律。
6.根据权利要求1或2所述的方法，其特征在于，内槽的洁净度采用等级表示，等级越高表示内槽越干净；
或者，
内槽的洁净度采用等级表示，等级越高表示内槽越脏污。
7.根据权利要求6所述的方法，其特征在于，内槽的洁净度等级与冲刷力度一一对应；
冲刷马桶包括：以内槽的洁净度等级对应的冲刷力度冲刷马桶。
8.根据权利要求1或2所述的方法，其特征在于，马桶上设置的摄像头在视区范围内采集内槽中的图像时，所述方法还包括：
检测内槽中当前环境的亮度；
在所述亮度小于或等于预设的第一亮度阈值时，进行补光；
在所述亮度大于或等于预设的第二亮度阈值时，进行强光抑制；
其中，所述第二亮度阈值大于所述第一亮度阈值。
9.一种马桶冲刷控制系统，适用于包括设置有摄像头的马桶，其特征在于，包括：存储器和处理器，存储器用于存储计算机指令；处理器用于调用所述计算机指令，用于执行如权利要求1-8任一项所述的马桶冲刷控制方法。
10.一种马桶，包括摄像头和如权利要求9所述的马桶冲刷控制系统，所述摄像头位于所述马桶内，且所述摄像头的视区范围包括马桶的内槽。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010979483.XA CN112215258B (zh) | 2020-09-17 | 2020-09-17 | 一种马桶冲刷控制方法、系统及马桶 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010979483.XA CN112215258B (zh) | 2020-09-17 | 2020-09-17 | 一种马桶冲刷控制方法、系统及马桶 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112215258A true CN112215258A (zh) | 2021-01-12 |
| CN112215258B CN112215258B (zh) | 2022-10-18 |
Family
ID=74049428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010979483.XA Active CN112215258B (zh) | 2020-09-17 | 2020-09-17 | 一种马桶冲刷控制方法、系统及马桶 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215258B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180258625A1 (en) * | 2017-03-08 | 2018-09-13 | Boe Technology Group Co., Ltd. | Toilet and flushing control method thereof |
| CN109063666A (zh) * | 2018-08-14 | 2018-12-21 | 电子科技大学 | 基于深度可分离卷积的轻量化人脸识别方法及系统 |
| WO2019184738A1 (zh) * | 2018-03-26 | 2019-10-03 | 曹可瀚 | 座便器和冲洗人体的方法 |
| CN110751037A (zh) * | 2019-09-17 | 2020-02-04 | 中控智慧科技股份有限公司 | 车身颜色识别的方法及终端设备 |
| CN110929603A (zh) * | 2019-11-09 | 2020-03-27 | 北京工业大学 | 一种基于轻量级卷积神经网络的天气图像识别方法 |
| CN111173090A (zh) * | 2018-11-13 | 2020-05-19 | 余姚市展翰电器有限公司 | 马桶冲水水量分析系统 |
| CN111580393A (zh) * | 2020-02-29 | 2020-08-25 | 佛山市云米电器科技有限公司 | 冲水控制方法、马桶和存储介质 |
| CN111580395A (zh) * | 2020-02-29 | 2020-08-25 | 佛山市云米电器科技有限公司 | 冲洗控制方法、马桶和存储介质 |
-
2020
- 2020-09-17 CN CN202010979483.XA patent/CN112215258B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180258625A1 (en) * | 2017-03-08 | 2018-09-13 | Boe Technology Group Co., Ltd. | Toilet and flushing control method thereof |
| WO2019184738A1 (zh) * | 2018-03-26 | 2019-10-03 | 曹可瀚 | 座便器和冲洗人体的方法 |
| CN109063666A (zh) * | 2018-08-14 | 2018-12-21 | 电子科技大学 | 基于深度可分离卷积的轻量化人脸识别方法及系统 |
| CN111173090A (zh) * | 2018-11-13 | 2020-05-19 | 余姚市展翰电器有限公司 | 马桶冲水水量分析系统 |
| CN110751037A (zh) * | 2019-09-17 | 2020-02-04 | 中控智慧科技股份有限公司 | 车身颜色识别的方法及终端设备 |
| CN110929603A (zh) * | 2019-11-09 | 2020-03-27 | 北京工业大学 | 一种基于轻量级卷积神经网络的天气图像识别方法 |
| CN111580393A (zh) * | 2020-02-29 | 2020-08-25 | 佛山市云米电器科技有限公司 | 冲水控制方法、马桶和存储介质 |
| CN111580395A (zh) * | 2020-02-29 | 2020-08-25 | 佛山市云米电器科技有限公司 | 冲洗控制方法、马桶和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112215258B (zh) | 2022-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109615632B (zh) | 一种基于半监督条件生成式对抗网络的眼底图视盘和视杯分割方法 | |
| KR100793989B1 (ko) | 사진 카테고리 분류 방법 및 그 시스템 | |
| CN110060223B (zh) | 一种基于特征提取及去噪的图像分割方法 | |
| CN111932933B (zh) | 一种城市智能停车位检测方法、设备及可读存储介质 | |
| CN112215258B (zh) | 一种马桶冲刷控制方法、系统及马桶 | |
| CN112707058B (zh) | 一种厨余垃圾规范动作的检测方法、系统、装置及介质 | |
| Smith et al. | A context aware sound classifier applied to prawn feed monitoring and energy disaggregation | |
| CN112149476A (zh) | 目标检测方法、装置、设备和存储介质 | |
| IL299034A (en) | Identification and filtering of clusters based on naming bases using artificial intelligence predictions | |
| CN109034253A (zh) | 一种基于多尺度语义特征的慢性静脉疾病图像分类方法 | |
| JP7293687B2 (ja) | 情報処理方法、プログラム、取水制御システム及び学習済みモデルの生成方法 | |
| CN118115502A (zh) | 基于图像特征的污水排放监测方法及系统 | |
| CN112214791B (zh) | 基于强化学习的隐私策略优化方法、系统及可读存储介质 | |
| JP3797499B2 (ja) | 水路流出入物監視装置 | |
| CN116229379A (zh) | 一种道路属性识别方法、装置、电子设备及存储介质 | |
| CN111580395A (zh) | 冲洗控制方法、马桶和存储介质 | |
| US11721141B2 (en) | Method of AI-based vehicle diagnosis using CAN data and device thereof | |
| CN113516593B (zh) | 人眼图像检测与修复方法 | |
| CN113985876B (zh) | 基于仿生鱼类觅食的海洋垃圾回收路径规划方法及系统 | |
| CN114612319A (zh) | 一种基于双层优化权重重分配的图像复原监督学习方法 | |
| Gasparini et al. | A review of redeye detection and removal in digital images through patents | |
| CN115345872A (zh) | 一种基于自适应降噪的刀具损伤灰度图像智能分类方法 | |
| GB2616363A (en) | Weakly-supervised sound event detection method and system based on adaptive hierarchical pooling | |
| CN116363542A (zh) | 到离岗事件检测方法、装置、设备及计算机可读存储介质 | |
| abd el Azeem Marzouk | Modified background subtraction algorithm for motion detection in surveillance systems |
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 |