CN112391793A - 一种洗衣机控制方法、洗衣机及存储介质 - Google Patents

Abstract

本发明公开了一种洗衣机控制方法、洗衣机及存储介质，所述方法包括：采集放入洗衣机内的衣物量、洗涤剂量和水温的数据，并输入到神经网络模型进行数据分析；基于所述神经网络模型根据所述衣物量和所述洗涤剂量输出进水量预测结果，并基于所述神经网络模型根据所述衣物量、所述洗涤剂量和所述水温输出洗涤时间预测结果；根据进水量和洗涤时间开始洗衣。本发明不需要用户预估衣物量和洗涤剂量来手动选择进水量按键，通过神经网络模型智能预测洗衣机的进水量和洗涤时间，提高了洗衣机控制的准确性，减少了水资源和用电资源的浪费。

Description

一种洗衣机控制方法、洗衣机及存储介质

技术领域

本发明涉及洗衣机控制技术领域，尤其涉及一种洗衣机控制方法、洗衣机及存储介质。

背景技术

波轮式全自动洗衣机是洗衣机的一种，由电动机带动波轮转动，衣物随水不断上下翻滚。洗涤衣物有单桶、套桶、双桶几种，它的结构比较简单，维修方便，洗净率高，但对衣物磨损率大，用水多。随着科技发展，出现了电脑控制的新水流洗衣机，采用大波轮、凹型波轮等，优点是对衣物缠绕小，洗涤均匀损衣率低；洗涤缸缸体有全塑、搪瓷、铝合金、不锈钢四大类。波轮式洗衣机工作原理：依靠装在洗衣桶底部的波轮正反旋转，带动衣物上下左右不停地翻转，使衣物之间、衣物与桶壁之间，在水中进行柔和地摩擦，在洗涤剂的作用下实现去污清洗。

目前，市场上的大部分波轮式全自动洗衣机在用户自定义洗涤模式选择进水量和洗涤时间时需要用户对洗衣量进行预估然后手动选择进水量按键，且洗涤时间与洗衣量成正比，而用户按照自己的感觉来预估容易产生一个误差，如果预估过高，进水量比实际需要多的话，可能会浪费水电能源，而预估过低，进水量比实际用水量低的话，造成洗涤时间不够，洗净率低，还会造成漂洗不净，进而造成洗衣液和洗衣粉的残留，使用户在穿着洗涤后的衣物产生不舒适的体感。市面上已经有某些波轮式全自动洗衣机做到了量衣进水，但只是单纯的依据压力传感器测得衣物重量来控制进水量，并没有考虑到不同的织物的密度不同，如果密度小，衣物总量体积大于预判的进水量，则会造成衣物浸湿不够充分，影响洗净率和漂净率。每个用户对衣物量对应的洗涤剂量也会有误判，过多或过少都会对洗净率和漂净率有一定影响，另外，全国各地自来水的软硬度还是有较大的差异性的，市面上还没有一款波轮式全自动洗衣机有根据所在地区自来水的软硬度调整洗涤模式的功能。

因此，现有技术还有待于改进和发展。

发明内容

本发明的主要目的在于提供一种洗衣机控制方法、洗衣机及存储介质，旨在解决现有技术中用户需要预估洗衣量和洗涤剂量来手动选择进水量按键，且无法根据不同地区自来水的软硬度来调节洗涤参数的问题。

为实现上述目的，本发明提供一种洗衣机控制方法，所述洗衣机控制方法包括如下步骤：

采集放入洗衣机内的衣物量、洗涤剂量和水温的数据，并输入到神经网络模型进行数据分析；

基于所述神经网络模型根据所述衣物量和所述洗涤剂量输出进水量预测结果，并基于所述神经网络模型根据所述衣物量、所述洗涤剂量和所述水温输出洗涤时间预测结果。

可选地，所述的洗衣机控制方法，其中，所述衣物量包括：衣物重量和衣物体积。

可选地，所述的洗衣机控制方法，其中，所述采集放入洗衣机内的衣物量包括：采集放入洗衣机内的衣物重量和采集放入洗衣机内的衣物体积；

所述采集放入洗衣机内的衣物重量具体为：通过第一重量传感器采集放入的衣物重量；

所述采集放入洗衣机内的衣物体积具体为：通过红外线测距装置检测盖顶到衣物顶部的距离，根据所述距离得出衣物的满桶率，根据所述满桶率计算得到放入的衣物体积。

可选地，所述的洗衣机控制方法，其中，采集放入洗衣机内的洗涤剂量具体为：

通过第二重量传感器采集放入所述容器内的洗涤剂量。

可选地，所述的洗衣机控制方法，其中，采集放入洗衣机内的水温具体为：

预先存储不同地区的水质软硬度值；

获取洗衣机的所处位置；

根据所处位置的所述水质软硬度值与升温度数对应表确定需要的升温度数；

启动加热器，通过温度传感器检测水温是否上升了所述升温度数，当是时，则关闭所述加热器，并采集升温后的水温。

可选地，所述的洗衣机控制方法，其中，所述神经网络模型的训练具体包括：

获取历史衣物量、历史洗涤剂量和历史水温与历史进水量和历史洗涤时间之间的对应关系；

将所述历史衣物量、所述历史洗涤剂量和所述历史水温输入所述神经网络模型，并获取所述神经网络模型输出的进水量和洗涤时间；

将所输出的进水量和洗涤时间与对应的所述历史进水量和所述历史洗涤时间相比较，计算出误差，根据所述误差对所述神经网络模型的参数进行调整，直至输出的进水量和洗涤时间满足洗涤要求。可选地，所述的洗衣机控制方法，其中，所述洗涤要求为所述神经网络模型所输出的进水量和洗涤时间匹配所述历史衣物量、所述历史洗涤剂量和所述历史水温。

可选地，所述的洗衣机控制方法，其中，所述神经网络模型进行数据分析具体包括：

获取洗衣机内所述衣物重量、所述衣物体积和所述洗涤剂量，当水温按照升温度数升高后，读取温度数据并处理所述温度数据，计算其特征向量，输入所述神经网络模型中，所述神经网络模型输出进水量和洗涤时间的预测结果。

此外，为实现上述目的，本发明还提供一种洗衣机，其中，所述洗衣机包括：

第一传感器，用于采集放入所述洗衣机内部的衣物量；

红外线测距装置，用于检测盖顶到衣物顶部的距离；

第二传感器，用于采集放入洗涤剂盒内的洗涤剂量；

温度传感器，设置在洗衣机内用于检测水温；

所述洗衣机还包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的洗衣机控制程序，所述洗衣机控制程序被所述处理器执行时实现如上所述的洗衣机控制方法的步骤。

此外，为实现上述目的，本发明还提供一种存储介质，其中，所述存储介质存储有洗衣机控制程序，所述洗衣机控制程序被处理器执行时实现如上所述的洗衣机控制方法的步骤。

本发明通过采集放入洗衣机内的衣物量、洗涤剂量和水温的数据，并输入到神经网络模型进行数据分析；基于所述神经网络模型根据所述衣物量和所述洗涤剂量输出进水量预测结果，并基于所述神经网络模型根据所述衣物量、所述洗涤剂量和所述水温输出洗涤时间预测结果。可以根据衣物量、洗涤剂量和水温智能得出进水量和洗涤时间，不需要用户根据衣物的多少手动选择进水量，避免用户手动操作洗衣机的控制面板，准确的预测适宜于当前衣物量和当前洗涤剂量的进水量和洗涤时间，既保证了衣物清洗的干净度，同时减少了水资源和用电资源的浪费。

附图说明

图1是本发明洗衣机控制方法的较佳实施例的流程图；

图2是本发明洗衣机控制方法的较佳实施例中神经网络模型处理数据的过程示意图；

图3是本发明洗衣机控制方法的较佳实施例中神经网络的训练与应用到终端的流程示意图；

图4为本发明洗衣机的较佳实施例的结构原理图；

图5为本发明洗衣机的较佳实施例的运行环境示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

传统的洗涤模式的控制方法是需要用户根据衣物量自己预判进水量并通过洗衣机的控制面板来选择手动按键，这样的弊端就是用户自己需要用眼睛来做一个粗略的预测，不够准确，可能会造成水和电资源的浪费(例如用户选择进水量过大，那么洗涤时间会变长，既浪费水也浪费电)，手动按键不够方便，市面上现有的量衣进水的控制方案是单纯考虑衣物重量，没有考虑衣物体积，这样是不够全面和准确，并且用户加入的洗涤剂也不一定是最适合当前衣物量，影响洗净率和漂净率；另外，水质软硬度对洗涤剂有很大的影响，各个地区的水质软硬度不一样，如果以同一个温度来进行洗涤，会大大影响洗涤效果。

本发明中，采集放入洗衣机内的衣物量包括采集放入洗衣机内的衣物重量和采集放入洗衣机内的衣物体积，同时采集放入洗衣机衣物的衣物重量和衣物体积，对于预测进水量而言，更加全面和准确。

本发明较佳实施例所述的洗衣机控制方法，如图1所示，所述洗衣机控制方法包括以下步骤：

步骤S10、采集放入洗衣机内的衣物量、洗涤剂量和水温的数据，并输入到神经网络模型进行数据分析。

其中，所述神经网络模型已基于历史衣物量、历史洗涤剂量和历史水温，与历史进水量和历史洗涤时间之间的对应关系进行了训练，已训练的所述神经网络模型进而可以判断或预测在实际使用时的进水量和洗涤时间。

具体地，本发明首先要获取放入洗衣机内的衣物量、洗涤剂量和水温的数据，其中，所述衣物量包括衣物重量和衣物体积这两个参数，洗涤剂量就是洗衣液活着洗衣粉的重量，水温是根据当前地区的水质软硬度加热到一定温度的温度参数(即洗衣服时的水温)。

需要说明的是，在本实施例中，对于衣物量这个参数，可以通过第一传感器进行检测，其中，第二传感器可以包括第二重量传感器、红外线测距装置、摄像头和图像处理装置等，具体地：

对于衣物重量这个参数，本发明是通过第一重量传感器(例如第一重量传感器设置在洗衣机内筒的底部中心位置)采集放入的衣物重量，通过所述第一重量传感器可以快速、方便知道衣物重量；重量传感器实际上是一种将压力信号转变为可测量的电信号输出的器件，在选择时，要考虑其工作环境选择合适种类的重量传感器，它关系到重量传感器能否正常工作以及它的安全和使用寿命，乃至整个的可靠性和安全性。

对于衣物体积这个参数，本发明可以通过红外线测距装置(例如红外线测距装置设置在洗衣机的盖顶朝向内容一面的中心位置)检测盖顶到衣物顶部的距离，可以间接得出衣物的满桶率，或者说可以根据衣物的高度，例如通过摄像头采集到图像确定衣服的高度或者通过红外线测距装置确定衣服的高度，由于洗衣机内筒的截面积是固定的，所以就可以测得衣物的总体积，在神经网络模型(所述神经网络模型可以包括BP神经网络、Hopfield网络、ART网络和Kohonen网络，本发明中，对所述神经网络模型的类型不进行限定，满足相关功能要求既可)中，并不需要具体计算衣物体积，只要测得盖顶到衣物顶部的距离，就可以得到衣物体积。

需要说明的是，在本实施例中，洗涤剂量可以包括洗涤剂的重量和/或洗涤剂的体积。对于洗涤剂量这个参数，可以通过第二传感器进行检测，其中，第二传感器可以包括第二重量传感器、红外线测距装置、摄像头和图像处理装置等，具体地：

对于洗涤剂的重量这个参数，本发明可以通过第二重量传感器(例如设置在洗衣机进水口处的容器中，即洗涤剂盒中，型号与第一重量传感器可以相同或者不同)采集放入所述容器内的洗涤剂量。此外，将洗涤剂放在进水口的容器内，在洗衣机进水时刚好可以充分溶解洗涤剂，因为此时水与洗涤剂的冲击力较大，可以充分溶解洗涤剂，最大程度的释放洗涤剂的效果。

对于洗涤剂的体积这个参数，本发明可以通过红外线测距装置(例如红外线测距装置设置在洗涤盒的盒顶朝向内容一面的中心位置)检测盒顶到洗涤剂顶部的距离，可以间接得出洗涤剂的体积；或者说可以根据洗涤剂在洗涤盒内的高度以及洗涤盒的截面积，确定洗涤剂的体积，对于洗涤剂在洗涤盒内的高度的检测方式有多种，例如通过摄像头采集到图像确定洗涤剂在洗涤盒内的高度或者通过红外线测距装置确定洗涤剂在洗涤盒内的高度。

对于水温(这里的水温指的是洗衣机清洗衣物时的水温)这个参数，本发明要先获取当前地区的自来水的水质软硬度的值，水质软硬度是指水中钙、镁离子的了浓度，硬度单位是ppm，1ppm代表水中碳酸钙含量1毫克/升(mg/L)，原因是水质软硬度对洗涤剂有很大的影响的，洗衣液或者洗衣粉(或者其他的洗涤剂)中的表面活性物质会与水中的钙、镁离子结合产生絮状沉淀物，使得使用相同品牌、相同量的洗涤用品，溶解在硬水里，表面活性物质的含量会变少，影响洗净率。

本发明中，为了缓解由于水质过硬造成的洗净率低下，可以采用升高水温的方式来解决，可知，洗涤剂随着水温的升高，表面活性剂的溶解度就越高，洗净率也会提高，发挥最大洗净率的温度是30摄氏度，所以需要根据不同地区的水质软硬度值的区间做一个划分，不同子区间对应一个升温度数，如下表所示(可根据需要修改，此处仅为举例说明)，根据这个表格来确定升温度数，当确定升温度数后，启动加热器，通过温度传感器检测水温是否上升了所述升温度数，当是时，则关闭所述加热器，并采集升温后的水温。，该升温后的水温温会和衣物量的两个参数还有洗涤剂量一起送入所述神经网络模型来确定进水量和洗涤时间。

不同地区自来水的水质软硬度值与升温对照表

也就是说，本发明会预先存储不同地区的水质软硬度，可通过洗衣机的IP自动获取洗衣机的所处位置，根据所处位置的水质软硬度值与升温度数对应表(例如上表)确定需要的升温度数，例如当前地区的水质软硬度值为300，那么根据上表对应的自来水的升温度数为6℃；然后通过设置在洗衣机内的温度传感器检测水温是否达到预设阈值(例如水温是否上升了6℃)来启动和关闭加热器，直到水温升高了预设阈值，采集升温后的水温。

例如，当前自来水的温度用A表示，升温度数用B表示，则升温后的水温用C表示，则：C＝A+B，假设当前自来水的温度用A＝10℃，当前地区的水质软硬度为300，那么对应的自来水的升温度数B＝6℃，则升温后的水温C＝A+B＝10℃+6℃＝16℃。

步骤S20、基于所述神经网络模型根据所述衣物量和所述洗涤剂量输出进水量预测结果，并基于所述神经网络模型根据所述衣物量、所述洗涤剂量和所述水温输出洗涤时间预测结果。

具体地，所述神经网络模型的训练具体包括：获取历史衣物量、历史洗涤剂量和历史水温与历史进水量和历史洗涤时间之间的对应关系；将所述历史衣物量、所述历史洗涤剂量和所述历史水温输入所述神经网络模型，并获取所述神经网络模型输出的进水量和洗涤时间；将所输出的进水量和洗涤时间与对应的所述历史进水量和所述历史洗涤时间相比较，计算出误差，根据所述误差对所述神经网络模型的参数进行调整，直至输出的进水量和洗涤时间满足洗涤要求。

其中，所述洗涤要求为所述神经网络模型所输出的进水量和洗涤时间匹配所述历史衣物量、所述历史洗涤剂量和所述历史水温。在一种可能的实现方式中，所述神经网络模型所输出的进水量和洗涤时间匹配所述历史衣物量、所述历史洗涤剂量和所述历史水温，可以理解为，神经网络模型所输出的进水量和洗涤时间，与历史衣物量、历史洗涤剂量和所述历史水温所对应的历史进水量和历史洗涤时间相同；或者，可以理解为，神经网络模型所输出的进水量和洗涤时间，与历史衣物量、历史洗涤剂量和所述历史水温所对应的历史进水量和历史洗涤时间之间的误差小于预设阈值。

进一步地，如图2所示，采集的数据输入到所述神经网络模型后，经过神经网络模型的处理，输出与输入数据匹配的数据，进一步地，神经网络模型处理过程是：通过学习，根据衣物量(衣物重量和衣物体积)、洗涤剂量和水温这四个参数经人工标记的洗涤进水量和洗涤时间的大量数据，四个参数构成一个四维数组(输入数据)，训练后，可以较为准确地根据洗衣机所处地点，间接得到要对自来水升温的度数和升温后的水温，用户所投放的衣物量和洗衣剂量判断出(数据处理)当前状态下需要的洗涤水量和洗涤时间(输出数据，二维数组，一个对应洗涤的进水量，另一个对应洗涤时间)，再据此控制相关的模块，从而具体实施智能洗涤模式。

也就是说，输入所述衣物量、洗涤剂量和水温的数据到经过训练的神经网络模型后，可以直接输出对应的进水量和洗涤时间的数据。

具体实施时，图如图3所示，分为训练流程和应用流程。

其中，训练流程包括：先将经人工标记的数据处理成训练集，构造好神经网络模型，读取数据，然后提取特征向量，将特征向量作为训练样本添加到网络中，然后不断地再读入数据，添加其特征向量到网络中，循环往复的训练网络，直到生成满足要求的所述神经网络模型。

其中，应用流程包括：首先获取完整参数，待水温达到升温度数后的温度，读取数据，处理数据，然后计算其特征向量，送入训练好的神经网络模型中，最后输出结果。

本发明中的神经网络模型通过由人工标记得到的训练集学习到根据用户所投放的衣物量、洗涤剂量和水温来确定适合当前状态的进水量和洗涤时间，大规模的数据量足以使得该神经网络模型能够较为准确地输出结果。

进一步地，本发明的数据输入形式是数字量，虽然由传感器(例如重量传感器、温度传感器)和红外线测距装置，测得的数据为模拟量，但考虑到模拟量处理起来比较占用内存，使分类器的处理速度变慢甚至不准确，因此，本发明可以通过A/D转换器获得数字量作为输入数据，加快数据的处理数据，同时占用的内存更小。

进一步地，在洗衣机洗衣服的过程中，用户可以向洗衣机内继续增加衣物，或者从洗衣机中取出部分衣物，此时，衣物量发生了变化，根据变化可以控制洗衣机再次调节进水量和洗涤时间，例如还可以设置自动添加洗涤剂的结构，即可以根据衣物量自动添加适合当前衣物量的洗涤剂，无需用户手动进行添加，那么在用户向洗衣机内继续增加衣物，或者从洗衣机中取出部分衣物后，就可以根据衣物量的改变自动调节洗涤剂的用量。

进一步地，在洗衣机完成洗涤后，当洗衣机的盖被打开时，洗衣机可以向用户的手机端发送洗涤效果反馈提示信息(洗衣机与手机端已提前建立通信连接)，用户完成晾衣后，可以通过手机端或者洗衣机的触控面板(例如，洗涤效果反馈提示信息可以通过洗衣机的触控面板/触控屏进行显示，且通过触控屏接收反馈指令，在触控屏上显示提示用户对本次洗涤效果进行反馈的提示文字，用户可以按照触控屏上的提示，输入各项洗涤效果的反馈情况)反馈洗衣的效果，洗衣机接收用户根据洗涤效果反馈提示信息生成的反馈指令，并根据反馈指令对洗衣参数的计算策略进行修正，可以为洗衣机设置最佳的洗衣参数，提高洗涤效果。

本发明主要基于深度学习得到了一个神经网络模型，通过所述神经网络对洗衣机的参数进行选择控制，本发明达到了如下的技术效果：

(1)能够根据用户投放的衣物量、洗涤剂量和加热后的自来水水温，准确、智能的确定适宜的进水量和洗涤时间；

(2)非单一维度参数检测衣物量(包括衣物重量和衣物体积)，以及洗涤剂量，更加准确，还有根据地区水质来确定不同的自来水升温度数，更加智能化，提高了衣物的洗净率；

(3)用户不需要估计衣物量来手动在洗衣机的显示面板上选择按键，更加便捷，在能保证一定洗净率的前提下，达到了一个节能节水的目的；

(4)用户无需考虑洗衣剂量的多少，洗衣机会根据当前衣物量的大小，通过改变进水量和洗涤时间来保持一定的洗净率。

进一步地，如图4所示，基于上述洗衣机控制方法，本发明还相应提供了一种洗衣机，所述洗衣机包括：

第一传感器1，用于采集放入所述洗衣机内部的衣物量；

红外线测距装置2，用于检测盖顶到衣物顶部的距离；

第二传感器3，用于采集放入洗涤剂盒内的洗涤剂量；

温度传感器4，设置在洗衣机内用于检测水温；

具体地，通过设置在洗衣机内筒底部的第一传感器1采集放入的衣物量；通过设置在盖顶上的红外线测距装置2检测盖顶到衣物顶部的距离，得出衣物的满桶率，计算得到放入的衣物体积；通过设置在洗衣机进水口处的容器中的第二传感器3采集放入所述容器内的洗涤剂量；预先存储不同地区的水质软硬度，自动获取洗衣机的所处位置，根据所处位置的水质软硬度与升温度数对应表确定需要的升温度数；通过设置在洗衣机内的温度传感器4检测水温是否达到预设阈值来启动和关闭加热器，直到水温升高了预设阈值，采集升温后的水温。

将采集的衣物重量、衣物体积、洗涤剂量和水温的数据，并传入预先训练好的神经网络模型进行数据分析；神经网络模型根据当前衣物重量、衣物体积和洗涤剂量预测进水量，并根据衣物重量、衣物体积、洗涤剂量和水温来预测洗涤时间。

进一步地，如图5所示，所述洗衣机还包括：处理器10、存储器20及显示器30。图5仅示出了洗衣机的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

所述存储器20在一些实施例中可以是所述洗衣机的内部存储单元，例如洗衣机的硬盘或内存。所述存储器20在另一些实施例中也可以是所述洗衣机的外部存储设备，例如所述洗衣机上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所述洗衣机的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述洗衣机的应用软件及各类数据，例如所述安装洗衣机的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有洗衣机控制程序40，该洗衣机控制程序40可被处理器10所执行，从而实现本申请中洗衣机控制方法。

所述处理器10在一些实施例中可以是一中央处理器(CentralProcessing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述洗衣机控制方法等。

所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器30用于显示在所述洗衣机的信息以及用于显示可视化的用户界面。所述洗衣机的部件10-30通过系统总线相互通信。

在一实施例中，当处理器10执行所述存储器20中洗衣机控制程序40时实现以下步骤：

采集放入洗衣机内的衣物量、洗涤剂量和水温的数据，并输入到神经网络模型进行数据分析；

基于所述神经网络模型根据所述衣物量和所述洗涤剂量输出进水量预测结果，并基于所述神经网络模型根据所述衣物量、所述洗涤剂量和所述水温输出洗涤时间预测结果。

通过第一重量传感器采集放入的衣物重量；

通过红外线测距装置检测盖顶到衣物顶部的距离，根据所述距离得出衣物的满桶率，根据所述满桶率计算得到放入的衣物体积；

通过第二重量传感器采集放入所述容器内的洗涤剂量；

预先存储不同地区的水质软硬度，自动获取洗衣机的所处位置，根据所处位置的水质软硬度与升温度数对应表确定需要的升温度数；

通过设置在洗衣机内的温度传感器检测水温是否达到预设阈值来启动和关闭加热器，直到水温升高了预设阈值，采集升温后的水温。

所述神经网络模型的训练具体包括：

获取历史衣物量、历史洗涤剂量和历史水温与历史进水量和历史洗涤时间之间的对应关系；

将所述历史衣物量、所述历史洗涤剂量和所述历史水温输入所述神经网络模型，并获取所述神经网络模型输出的进水量和洗涤时间；

将所输出的进水量和洗涤时间与对应的所述历史进水量和所述历史洗涤时间相比较，计算出误差，根据所述误差对所述神经网络模型的参数进行调整，直至输出的进水量和洗涤时间满足洗涤要求。

所述洗涤要求为所述神经网络模型所输出的进水量和洗涤时间匹配所述历史衣物量、所述历史洗涤剂量和所述历史水温。

所述神经网络模型进行数据分析具体包括：

获取洗衣机内衣物重量、衣物体积和洗涤剂量，当水温按照升温度数升高后，读取数据并处理数据，计算其特征向量，输入所述神经网络模型中，输出进水量和洗涤时间的预测结果。

本发明还提供一种存储介质，其中，所述存储介质存储有洗衣机控制程序，所述洗衣机控制程序被处理器执行时实现如上所述的洗衣机控制方法的步骤。

综上所述，本发明提供一种洗衣机控制方法、洗衣机及存储介质，所述方法包括：采集放入洗衣机内的衣物量、洗涤剂量和水温的数据，并输入到神经网络模型进行数据分析；基于所述神经网络模型根据所述衣物量和所述洗涤剂量输出进水量预测结果，并基于所述神经网络模型根据所述衣物量、所述洗涤剂量和所述水温输出洗涤时间预测结果；根据进水量和洗涤时间开始洗衣。本发明不需要用户预估衣物量和洗涤剂量来手动选择进水量按键，通过神经网络模型智能预测洗衣机的进水量和洗涤时间，提高了洗衣机控制的准确性，减少了水资源和用电资源的浪费。

当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种洗衣机控制方法，其特征在于，所述洗衣机控制方法包括：

采集放入洗衣机内的衣物量、洗涤剂量和水温的数据，并输入到神经网络模型进行数据分析；

基于所述神经网络模型根据所述衣物量和所述洗涤剂量输出进水量预测结果，并基于所述神经网络模型根据所述衣物量、所述洗涤剂量和所述水温输出洗涤时间预测结果；

其中，所述神经网络模型已基于历史衣物量、历史洗涤剂量和历史水温，与历史进水量和历史洗涤时间之间的对应关系进行了训练。

2.根据权利要求1所述的洗衣机控制方法，其特征在于，所述衣物量包括：衣物重量和衣物体积。

3.根据权利要求2所述的洗衣机控制方法，其特征在于，所述采集放入洗衣机内的衣物量包括：采集放入洗衣机内的衣物重量和采集放入洗衣机内的衣物体积；

所述采集放入洗衣机内的衣物重量具体为：通过第一重量传感器采集放入的衣物重量；

所述采集放入洗衣机内的衣物体积具体为：通过红外线测距装置检测盖顶到衣物顶部的距离，根据所述距离得出衣物的满桶率，根据所述满桶率计算得到放入的衣物体积。

4.根据权利要求1所述的洗衣机控制方法，其特征在于，采集放入洗衣机内的洗涤剂量具体为：

通过第二重量传感器采集放入所述容器内的洗涤剂量。

5.根据权利要求2所述的洗衣机控制方法，其特征在于，采集放入洗衣机内的水温具体为：

预先存储不同地区的水质软硬度值；

获取洗衣机的所处位置；

根据所处位置的所述水质软硬度值与升温度数对应表确定需要的升温度数；

启动加热器，通过温度传感器检测水温是否上升了所述升温度数，当所述水温上升至所述升温度数时，则关闭所述加热器，并采集升温后的水温。

6.根据权利要求5所述的洗衣机控制方法，其特征在于，所述神经网络模型的训练具体包括：

获取历史衣物量、历史洗涤剂量和历史水温与历史进水量和历史洗涤时间之间的对应关系；

将所述历史衣物量、所述历史洗涤剂量和所述历史水温输入所述神经网络模型，并获取所述神经网络模型输出的进水量和洗涤时间；

将所输出的进水量和洗涤时间与对应的所述历史进水量和所述历史洗涤时间相比较，计算出误差，根据所述误差对所述神经网络模型的参数进行调整，直至输出的进水量和洗涤时间满足洗涤要求。

7.根据权利要求6所述的洗衣机控制方法，其特征在于，所述洗涤要求为所述神经网络模型所输出的进水量和洗涤时间匹配所述历史衣物量、所述历史洗涤剂量和所述历史水温。

8.根据权利要求7所述的洗衣机控制方法，其特征在于，所述神经网络模型进行数据分析具体包括：

获取洗衣机内所述衣物重量、所述衣物体积和所述洗涤剂量，当水温按照升温度数升高后，读取温度数据并处理所述温度数据，计算其特征向量，输入所述神经网络模型中，所述神经网络模型输出进水量和洗涤时间的预测结果。

9.一种洗衣机，其特征在于，所述洗衣机包括：

第一传感器，用于采集放入所述洗衣机内部的衣物量；

红外线测距装置，用于检测盖顶到衣物顶部的距离；

第二传感器，用于采集放入洗涤剂盒内的洗涤剂量；

温度传感器，设置在洗衣机内用于检测水温；

所述洗衣机还包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的洗衣机控制程序，所述洗衣机控制程序被所述处理器执行时实现如权利要求1-8任一项所述的洗衣机控制方法的步骤。

10.一种存储介质，其特征在于，所述存储介质存储有洗衣机控制程序，所述洗衣机控制程序被处理器执行时实现如权利要求1-8任一项所述的洗衣机控制方法的步骤。

Images