CN112650069A - 智能化家居设备控制方法及其系统 - Google Patents
智能化家居设备控制方法及其系统 Download PDFInfo
- Publication number
- CN112650069A CN112650069A CN202011456107.9A CN202011456107A CN112650069A CN 112650069 A CN112650069 A CN 112650069A CN 202011456107 A CN202011456107 A CN 202011456107A CN 112650069 A CN112650069 A CN 112650069A
- Authority
- CN
- China
- Prior art keywords
- weather
- image
- resolution
- signal
- processing module
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000009471 action Effects 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 15
- 230000005284 excitation Effects 0.000 claims description 13
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009850 completed effect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- 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
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种智能化家居设备控制方法及其系统，方法包括：通过设置于室外的图像采集装置获取室外图像；优化室外图像的分辨率；通过天气识别模型识别室外图像对应的天气；当天气与预设的第一天气匹配，则发送第一信号至处理模块；当所述天气与预设的第二天气匹配，则发送第二信号至处理模块；处理模块判断窗户的当前状态，若与当前接收到的第一信号相对应，则发送第一信号至执行装置，若与当前接收到的第二信号相对应，则发送第二信号至执行装置；执行装置依据第一信号执行第一动作，依据第二信号执行第二动作。本发明能够提升开关窗功能的智能化程度和可靠性。
Description
技术领域
本发明涉及智能家居领域，具体涉及智能化家居设备控制方法及其系统。
背景技术
窗户既有保持房间空气流通的作用，又有阻挡室外风雨侵入室内的作用。对于在大城市工作的白领们而言，出门上班就是一整天。而为了避免回家后房间空气质量不佳，都是让家里的窗户处于常开状态。但是，变化莫测的天气让人难以预料，早上还艳阳高照，下午可能就下起了雨；即便是预知了下午的雨天，出门前因为匆忙而忘记关窗的事情也很容易发生。对于忙碌的人们来说，每天掌握第二天的天气预测并保证出门前关好窗户是不现实的事情。
针对上述问题，智能家居领域研发出了具有自动关窗功能的设备。例如，可以通过传感器检测雨天和晴天以控制自动开关窗，但是，单独采用湿度传感器作为天气评判标准的失误率较高，可靠性不足；又例如，可以通过气象局发布的当日天气预测来智能控制开关窗，但显然，天气预报的失误率依然居高不下，同样存在可靠性不足的问题。
有鉴于此，本发明提出一种智能化家居设备控制系统及其方法，进一步完善自动开关窗功能，实现智能化的同时还能保证准确率。
发明内容
本发明所要解决的技术问题是：提供一种智能化家居设备控制系统及其方法，能够提升开关窗功能的智能化程度和可靠性。
为了解决上述技术问题，本发明采用的技术方案为：
一种智能化家居设备控制方法，包括：
通过设置于室外的图像采集装置获取原始室外图像；
优化所述原始室外图像的分辨率，得到高分辨率的室外图像；
通过天气识别模型识别所述室外图像对应的天气；
当所述天气与预设的第一天气匹配，则发送第一信号至处理模块；
处理模块判断窗户的当前状态，若所述当前状态与第一信号相对应，则发送所述第一信号至执行装置；
当所述天气与预设的第二天气匹配，则发送第二信号至处理模块；
处理模块判断窗户的当前状态，若所述当前状态与第二信号相对应，则发送所述第二信号至执行装置；
执行装置依据接收到的第一信号执行对应的第一动作，以及依据接收到的第二信号执行对应的第二动作。
进一步地，所述优化所述原始室外图像的分辨率，得到高分辨率的室外图像，包括：
构建一深度卷积神经网络，其中，所述深度卷积神经网络包括两个以上的卷积层和两个以上的激励层，且所述激励层位于所述卷积层之前；
获取两个以上高分辨率方向特征各自对应的高低分辨率图像数据训练对集合；
依据所获取的高低分辨率图像数据训练对集合对所述深度卷积神经网络进行训练，得到用于预测输入图像的两个以上高分辨率方向特征的预测模型；
输入所述原始室外图像至所述预测模型，得到对应的两个以上高分辨率方向特征；
依据所述两个以上高分辨率方向特征，构建得到对应的两个以上高分辨率方向特征预测先验；
融合所述两个以上高分辨率方向特征预测先验以及降质约束，获取分辨率重建函数；
优化所述分辨率重建函数，获取原始室外图像对应的高分辨率的室外图像。
进一步地，所述通过天气识别模型识别所述室外图像对应的天气，之前，还包括：
获取各种天气类型对应的天气图像集合；
对所述天气图像集合进行特征提取，获取各种天气类型对应的特征训练集；
依据所述各种天气类型对应的特征训练集，训练得到用于识别输入图像对应天气的天气识别模型。
进一步地，所述天气图像集合由所述图像采集装置获取，且其中各个天气图像对应的天气类型依据用户输入的指令确定。
进一步地，所述处理模块判断窗户的当前状态，包括：
处理模块获取设置于窗户上的感应装置的感应信息；
处理模块依据所述感应信息判断窗户的当前状态是闭合状态还是开启状态。
本发明提供的另一个技术方案为：
一种智能化家居设备控制系统，包括依序连接的图像采集装置、分析模块、处理模块以及执行装置；所述系统还包括与所述处理模块连接的感应装置，
所述图像采集装置，设置于室外，用于获取原始室外图像；
所述分析模块包括依序连接的优化单元、识别单元以及匹配单元；
所述优化单元用于优化所述原始室外图像的分辨率，得到高分辨率的室外图像；
所述识别单元用于通过天气识别模型识别所述室外图像对应的天气；
所述匹配单元用于当所述天气与预设的第一天气匹配，则发送第一信号至处理模块；
所述处理模块，用于判断窗户的当前状态，若所述当前状态与第一信号相对应，则发送所述第一信号至执行装置；
当所述天气与预设的第二天气匹配，则发送第二信号至处理模块；
处理模块，用于通过感应装置获取并判断窗户的当前状态，若所述当前状态与第二信号相对应，则发送所述第二信号至执行装置；
执行装置，用于依据接收到的第一信号执行对应的第一动作，以及依据接收到的第二信号执行对应的第二动作。
进一步地，所述优化单元包括用于预测输入图像的两个以上高分辨率方向特征的预测模型；
所述预测模型通过先构建一深度卷积神经网络，其中，所述深度卷积神经网络包括两个以上的卷积层和两个以上的激励层，且所述激励层位于所述卷积层之前；然后获取两个以上高分辨率方向特征各自对应的高低分辨率图像数据训练对集合；然后依据所获取的高低分辨率图像数据训练对集合对所述深度卷积神经网络进行训练而得到；
所述优化单元，具体用于获取所述原始室外图像后，通过其预测模型得到对应的两个以上高分辨率方向特征；以及依据所述两个以上高分辨率方向特征，构建得到对应的两个以上高分辨率方向特征预测先验；以及融合所述两个以上高分辨率方向特征预测先验以及降质约束，获取分辨率重建函数；以及优化所述分辨率重建函数，获取原始室外图像对应的高分辨率的室外图像。
进一步地，所述识别单元中用于识别输入图像对应天气的天气识别模型，具体通过先获取各种天气类型对应的天气图像集合；然后对所述天气图像集合进行特征提取，获取各种天气类型对应的特征训练集；然后依据所述各种天气类型对应的特征训练集得到。
进一步地，所述图像采集装置，还用于获取组成所述天气图像训练集的各个天气图像；所述识别单元，还用于接收依据用户输入的指令确定的各个天气图像对应的天气类型。
进一步地，所述感应装置设置于窗户上，用于感应窗户的当前状态是闭合状态还是开启状态，以及依据处理模块的指令将窗户的当前状态发送给处理模块。
本发明的有益效果在于：本发明以对窗外的实景图像进行分析和识别确定天气，区别于依据感应装置确定的天气，准确性能够得到显著提升，同时也更贴近实际日常的开关窗习惯，因此更具合理性。并且，在对实景图像进行分析的过程中，还结合了分辨率提升技术以及识别模型技术，能够大大提升识别结果的准确性，进而提升智能控制的正确度。进一步地，实现了天气与开关窗控制关系的自定义，能够满足不同人的不同需求，更具人性化和智能化。再进一步地，在控制过程中，增加了依据窗户当前状态确定是否发送开关窗的信号指令至执行装置的步骤，以此省去执行装置接收无效信号指令并虚拟执行的过程，降低执行装置由于处理过多无效信号而发生故障的概率，提升了智能化程度和控制可靠性。
附图说明
图1为本发明一实施例一种一种智能化家居设备控制方法的流程示意图；
图2为本发明实施例一所述的一种智能化家居设备控制方法的流程示意图；
图3为本发明一实施例一种智能化家居设备控制系统的结构与连接组成示意图。
标号说明：
1、图像采集装置；2、分析模块；3、处理模块；4、执行装置；
5、感应装置；21、优化单元；22、识别单元；23、匹配单元。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
本发明最关键的构思在于：依据对窗外的实景图像进行精准分析和精准识别的结果作为开关窗的依据，同时提高自动开关窗的智能程度和可靠程度。
实施例一
请参照图1以及图2，本发明提供一种智能化家居设备控制方法，所述家居设备为窗户，能够实现依据户外实景对窗户进行智能化地开关控制，以确保可靠性地将室内和室外的环境差异隔离开来。
所述方法包括：
S1：构建用于预测输入图像的两个以上高分辨率方向特征的预测模型。
首先，构建一个深度卷积神经网络，并在网络内部，使用局部残差策略来降低参数的优化难度。具体而言，局部残差策略在网络内部的运用为：设置两个以上的卷积层和两个以上的激励层，各个激励层与各个卷积层交错排列，且所述激励层位于所述卷积层之前。通过所述局部残差策略，能够产生深度卷积神经网络的最终残差图像，使网络得到很好地训练，并预测出高质量的方向特征。
其次，获取两个以上高分辨率方向特征各自对应的高低分辨率图像数据训练对集合。例如，分别获取0°、45°、90°以及135°四个方向的梯度特征对应的高低分辨率图像数据训练对集合。获取方式为先对原始高分辨率的图像数据进行降质处理后，再分别使用各个方向的梯度滤波核对原始图像数据和降质后图像数据分别进行方向特征提取，得到原始高分辨率图像数据对应各个方向特征的由高分辨率图像特征以及低分辨率图像特征构成的高低分辨率图像数据训练对。
再来，依据所获取的各个方向特征对应的高低分辨率图像数据训练对集合对所述深度卷积神经网络分别进行训练，得到用于预测输入图像的两个以上高分辨率方向特征的预测模型。优选地，可以依据各个方向特征对应的高低分辨率图像数据训练对集合，使用最小化二范数损失函数分别更新所构建的深度卷积神经网络中的参数，最终得到多个高分辨率方向特征的深度卷积神经网络，即所述的用于预测输入图像的两个以上高分辨率方向特征的预测模型。
S2：创建用于预测室外图像对应天气的天气识别模型。
首先，获取各种天气类型各自对应的天气图像集合。例如，分别获取晴、多云、阴、绵绵雨、小雨、中雨、大雨、大风、大雾、沙尘等各种天气类型的多个天气图像。
其次，对所获取的天气图像集合中的各个天气图像进行特征提取，获取各种天气类型对应的特征训练集。例如，可以分别从对比度特征、锐度特征、纹理特征、色相特征、饱和度特征、明度特征等入手，确认每张天气图像的特征向量。
最后，依据所述各种天气类型对应的特征训练集，训练得到用于识别输入图像对应天气的天气识别模型。所述天气识别模型能够实现将输入天气图像与多个天气类型中的一个对应起来。
特别的，训练模型所用的天气图像均由本实施例下述的用于采集室外图像的图像采集装置获取，并且，所获取的各个天气图像所对应的天气类型依据用户输入的指令确定。也就是说，用于训练天气识别模型的图像数据与识别时输入的数据来源相同，优选拍摄视角也一致，这样能够显著提升模型识别结果的精准性。而天气图像对应的天气类型由用户自主定义，能够确保天气图像所对应天气类型的准确性，从而提高天气识别模型的识别精准程度。例如，所述天气图像和使用时获取的原始室外图像，均是对应窗外同一处景象拍摄得到；由用户自主确定所获取的天气图像对应的天气类型。这样，便能在对同一景象的当前图像进行分析识别时，依据历史图像更精准、快速地识别出对应的天气类型。
S3：设置于室外的图像采集装置获取原始室外图像。
所述图像采集装置可以设置在窗户周边，也可以设置在其他能够拍摄到室外环境的任何地方。获取图像的方式可以是（依据预设周期）进行周期性获取，也可以是实时获取，支持灵活设置。
S4：优化所述原始室外图像的分辨率，得到高分辨率的室外图像。
原始室外图像将经过预测模型的处理，转变为高分辨率的室外图像。具体而言，该步骤可以通过下述过程实现：首先，输入原始室外图像至预测模型，利用预测模型中训练好的多个高分辨率方向特征的网络预测得到原始室外图像的多个高分辨率方向特征；然后，依据预测得到的多个高分辨率方向特征，构建得到对应各个方向特征的预测先验，以对原始室外图像的边缘进行充分约束。然后，融合所述预测先验以及降质约束，构建出高分辨率重建代价函数；最后，优化所述高分辨率重建函数，获取原始室外图像对应的高分辨率的室外图像。优选地，可以使用TFOCS技术来实现优。
通过该步骤，实现了对原始室外图像分辨率的提升，以提高后续图像识别的准确率。
S5：通过天气识别模型识别所述室外图像对应的天气。
通过步骤S2构建的天气识别模型识别出经过分辨率处理后的室外图像对应的天气类型。例如，输入天气识别模型的是一张下着绵绵细雨的室外图像，通过天气识别模型的识别，将输出“绵绵细雨”这一天气类型。
S6：预配置第一天气以及第二天气所包含的天气类型。
在本实施例中，第一天气和第二天气可以理解为是两个数据集合，且对应窗户执行不同的操作。第一天气和第二天气所包含的天气类型支持用户自定义，也可以直接使用默认配置。例如，第一天气默认对应需要关窗操作的天气类型，对应的第一信号为关窗信号。又例如，若第一天气对应开窗操作，则第一天气可以包含晴朗、多云、阴等天气；第二天气对应关窗操作，则第二天气可以包含中雨、大雨、大雾、粉尘等天气。
由于支持自定义对应开关窗操作的天气类型，即，用户可以随心定义需要执行关窗/开窗操作的天气类型，因此实现了依据用户的心意决定开关窗控制，更具人性化，更智能化。例如，只是绵绵细雨的天气类型，用户可以自主设置进行关窗操作，也可以设置不必进行关窗操作，完全依据个人习惯来进行配置和控制。
S7：当所述天气与预设的第一天气匹配，则发送第一信号至处理模块；当所述天气与预设的第二天气匹配，则发送第二信号至处理模块。
即，第一天气与第一信号相对应；第二天气与第二信号相对应。第一信号和第二信号分别对应不同的操作，操作对象为窗户。例如，第一天气对应开窗信号；第二天气对应关窗信号，反之亦可。
所述匹配，指的是S5识别出的天气与第一天气中的任一天气类型相匹配，则认为与第一天气匹配成功；与第二天气的匹配方式亦同。
S8：处理模块判断窗户的当前状态，若当前状态与当前接收到的第一信号相对应，则发送所述第一信号至执行装置；若当前状态与当前接收到的第二信号相对应，则发送所述第二信号至执行装置。
窗户的当前状态，处理模块可以从特定的可以获取窗户状态的装置上获取。如，可以在窗户上设置感应装置（红外感应、磁吸感应、卡扣感应、触点感应等），通过处理模块依据感应信息判断窗户的当前状态是闭合状态。也可以是能够分辨窗户不同状态的其他装置，例如限位装置，窗户的开合都将作用于限位装置，使得限位装置的状态发生变化，而处理模块可以通过获取限位装置的当前状态确定窗户的当前状态。
所述相对应，指的是窗户的当前状态与接收到的信号是对立的，执行装置可以依据处理模块接收到的这个信号改变窗户的状态。例如，窗户当前状态为关闭状态，只有开窗信号才能使之发生状态改变，因此关闭状态与开窗信号相对应。
在该步骤中，处理模块在接收到第一信号或第二信号时，都需要对窗户的当前状态进行判断，并将其与接收到的第一信号或第二信号进行对应，再确定是否发送接收到的信号。这样能够减少无效信号的发送和处理，降低数据处理量，提高程序的合理性，并有效避免执行装置发生错乱。例如，窗户当前处于关闭状态，而处理模块接收到的是关闭窗户的信号，则处理模块便无需再发送关闭窗户的信号至执行装置去执行这个已经完成的动作。
S9：执行装置依据接收到的第一信号执行对应的第一动作，以及依据接收到的第二信号执行对应的第二动作。
执行装置用于控制窗户执行相应操作而改变其状态。依据预先配置，执行装置将依据第一信号执行第一动作，依据第二信号执行第二动作。作为一个具体实例，当第一信号对应关窗信号，则第一动作为关窗动作；第二信号为开窗信号，第二动作为开窗动作。
实施例二
请参阅3，本实施例对应实施例一，提供能够实现实施例一所述方法的智能化家居设备控制系统。所述系统包括图像采集装置1、分析模块2、感应装置5、处理模块3以及执行装置4；其中，图像采集装置1、分析模块2、处理模块3以及执行装置4依序连接，感应装置5与所述处理模块3连接。上述，除了感应装置以及执行装置需设置于窗户上，其他均无需安装于窗户上。
所述图像采集装置1，设置于室外，用于获取原始室外图像。
在一具体实例中，所述图像采集装置1还用于获取组成所述天气图像训练集的各个天气图像。
所述分析模块2包括依序连接的优化单元21、识别单元22以及匹配单元23；
所述优化单元21用于优化所述原始室外图像的分辨率，得到高分辨率的室外图像；
在一具体实例中，所述优化单元21包括用于预测输入图像的两个以上高分辨率方向特征的预测模型。所述预测模型通过先构建一深度卷积神经网络，其中，所述深度卷积神经网络包括两个以上的卷积层和两个以上的激励层，且所述激励层位于所述卷积层之前；然后获取两个以上高分辨率方向特征各自对应的高低分辨率图像数据训练对集合；然后依据所获取的高低分辨率图像数据训练对集合对所述深度卷积神经网络进行训练而得到；
所述优化单元21，具体用于获取所述原始室外图像后，通过其预测模型得到对应的两个以上高分辨率方向特征；以及依据所述两个以上高分辨率方向特征，构建得到对应的两个以上高分辨率方向特征预测先验；以及融合所述两个以上高分辨率方向特征预测先验以及降质约束，获取分辨率重建函数；以及优化所述分辨率重建函数，获取原始室外图像对应的高分辨率的室外图像。
系统的识别单元22用于通过天气识别模型识别所述室外图像对应的天气。
在一具体实例中，所述识别单元22中用于识别输入图像对应天气的天气识别模型，具体通过先获取各种天气类型对应的天气图像集合；然后对所述天气图像集合进行特征提取，获取各种天气类型对应的特征训练集；然后依据所述各种天气类型对应的特征训练集得到。
在另一具体实例中，所述识别单元22，还用于接收依据用户输入的指令确定的各个天气图像对应的天气类型。
所述匹配单元23用于当所述天气与预设的第一天气匹配，则发送第一信号至处理模块；
所述处理模块3，用于通过从感应装置获取窗户的当前状态，若所述当前状态与第一信号相对应，则发送所述第一信号至执行装置；
当所述天气与预设的第二天气匹配，则发送第二信号至处理模块；
处理模块3，还用于若所述当前状态与第二信号相对应，则发送所述第二信号至执行装置；
执行装置4，用于依据接收到的第一信号执行对应的第一动作，以及依据接收到的第二信号执行对应的第二动作。
其中，所述感应装置5用于感应窗户的当前状态是闭合状态还是开启状态，以及依据处理模块的指令将窗户的当前状态发送给处理模块。
在本实施例中，配合使用的窗户可以是装有滑轨等滑动装置的推拉窗，也可以是平开窗（包括窗扇向室内打开的内平开窗和窗扇向室外打开的外平开窗）等其他开关窗类型的窗户。对应推拉窗，优选所述执行装置设置于滑动装置上；对应平开窗，优选所述执行装置设置于连接窗扇和窗架的牵引件上。
实施例三
本实施例对应实施例一和实施例二，提供一具体运用场景：
预先设定第一天气对应关窗信号，关窗信号与开窗状态相对应，第一天气包括中雨、大雨、大雾、粉尘等；第二天气对应开窗信号，开窗信号与关窗状态相对应，第二天气包括晴朗、多云、阴等天气。
通过设置在窗架上，视角朝向室外的摄像头周期性（假设为1分钟）拍摄室外图像；依据过去一段时间内拍摄的室外图像，由用户标定对应的天气类型，然后依据标定了对应天气类型的历史室外图像生成对应各类天气的训练集，训练得到天气识别模型。由于生成训练数据的图像与输入图像都是对应同一场景下（即使不是相同的角度，周边场景也是高度相似），训练得到天气识别模型的识别精度将更高。
在运用时，摄像头实时获取的室外图像，首先经过分辨率优化处理，转变为高分辨率的室外图像；然后，通过天使识别模型的识别，获取当下的天气。
若识别出当前天气为阴天，则阴天与第二天气匹配，因此处理模块发送开窗信号至处理模块；处理模块获取窗户的当前状态，假设为开窗状态；由于开窗状态与开窗信号无法对应，则不进行处理；若获取的窗户的当前状态为关窗状态，则与开窗信号相对应，处理模块将发送开窗信号至执行装置；由执行装置执行开窗信号对应的开窗动作。
一分钟后，摄像头获取下一张室外图像，经过处理和识别后，确定当下天气为绵绵细雨，则依然与第二天气匹配，因此处理模块发送开窗信号至处理模块；处理模块获取窗户的当前状态为开窗状态，不进行处理。
再过去一分钟后，处理摄像头新获取的室外图像，经过处理和识别后，确定当下天气为中雨，中雨与第一天气匹配，因此处理模块发送关窗信号至处理模块；处理模块获取窗户的当前状态为开窗状态；由于开窗状态与关窗信号对应，则处理模块将发送关窗信号至执行装置；由执行装置执行关窗信号对应的关窗动作。
再半小时后，识别出当下天气为阴，与第一天气匹配，则处理模块发送开窗信号至处理模块，处理模块依据当前窗户状态为关窗状态，发送开窗信号至执行模块，执行开窗动作。
综上所述，本发明提供的智能化家居设备控制方法及其系统，能够精准地识别出当下天气，并且智能地、可靠地实现开关窗控制；同时，天气类型与开关窗操作的对应关系支持自定义，更具人性化，更具实用性；进一步地，能够省去执行装置接收无效信号指令并虚拟执行的过程，降低执行装置由于处理过多无效信号而发生故障的概率，提升了智能化程度和控制可靠性。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种智能化家居设备控制方法，其特征在于，包括：
通过设置于室外的图像采集装置获取原始室外图像；
优化所述原始室外图像的分辨率，得到高分辨率的室外图像；
通过天气识别模型识别所述室外图像对应的天气；
当所述天气与预设的第一天气匹配，则发送第一信号至处理模块；
处理模块判断窗户的当前状态，若所述当前状态与第一信号相对应，则发送所述第一信号至执行装置；
当所述天气与预设的第二天气匹配，则发送第二信号至处理模块；
处理模块判断窗户的当前状态，若所述当前状态与第二信号相对应，则发送所述第二信号至执行装置；
执行装置依据接收到的第一信号执行对应的第一动作，以及依据接收到的第二信号执行对应的第二动作。
2.如权利要求1所述的一种智能化家居设备控制方法，其特征在于，所述优化所述原始室外图像的分辨率，得到高分辨率的室外图像，包括：
构建一深度卷积神经网络，其中，所述深度卷积神经网络包括两个以上的卷积层和两个以上的激励层，且所述激励层位于所述卷积层之前；
获取两个以上高分辨率方向特征各自对应的高低分辨率图像数据训练对集合；
依据所获取的高低分辨率图像数据训练对集合对所述深度卷积神经网络进行训练，得到用于预测输入图像的两个以上高分辨率方向特征的预测模型；
输入所述原始室外图像至所述预测模型，得到对应的两个以上高分辨率方向特征；
依据所述两个以上高分辨率方向特征，构建得到对应的两个以上高分辨率方向特征预测先验；
融合所述两个以上高分辨率方向特征预测先验以及降质约束，获取分辨率重建函数；
优化所述分辨率重建函数，获取原始室外图像对应的高分辨率的室外图像。
3.如权利要求1所述的一种智能化家居设备控制方法，其特征在于，所述通过天气识别模型识别所述室外图像对应的天气，之前，还包括：
获取各种天气类型对应的天气图像集合；
对所述天气图像集合进行特征提取，获取各种天气类型对应的特征训练集；
依据所述各种天气类型对应的特征训练集，训练得到用于识别输入图像对应天气的天气识别模型。
4.如权利要求3所述的一种智能化家居设备控制方法，其特征在于，所述天气图像集合由所述图像采集装置获取，且其中各个天气图像对应的天气类型依据用户输入的指令确定。
5.如权利要求1所述的一种智能化家居设备控制方法，其特征在于，所述处理模块判断窗户的当前状态，包括：
处理模块获取设置于窗户上的感应装置的感应信息；
处理模块依据所述感应信息判断窗户的当前状态是闭合状态还是开启状态。
6.一种智能化家居设备控制系统，其特征在于，包括依序连接的图像采集装置、分析模块、处理模块以及执行装置；所述系统还包括与所述处理模块连接的感应装置，
所述图像采集装置，设置于室外，用于获取原始室外图像；
所述分析模块包括依序连接的优化单元、识别单元以及匹配单元；
所述优化单元用于优化所述原始室外图像的分辨率，得到高分辨率的室外图像；
所述识别单元用于通过天气识别模型识别所述室外图像对应的天气；
所述匹配单元用于当所述天气与预设的第一天气匹配，则发送第一信号至处理模块；
所述处理模块，用于判断窗户的当前状态，若所述当前状态与第一信号相对应，则发送所述第一信号至执行装置；
当所述天气与预设的第二天气匹配，则发送第二信号至处理模块；
处理模块，用于通过感应装置获取并判断窗户的当前状态，若所述当前状态与第二信号相对应，则发送所述第二信号至执行装置；
执行装置，用于依据接收到的第一信号执行对应的第一动作，以及依据接收到的第二信号执行对应的第二动作。
7.如权利要求6所述的一种智能化家居设备控制系统，其特征在于，所述优化单元包括用于预测输入图像的两个以上高分辨率方向特征的预测模型；
所述预测模型通过先构建一深度卷积神经网络，其中，所述深度卷积神经网络包括两个以上的卷积层和两个以上的激励层，且所述激励层位于所述卷积层之前；然后获取两个以上高分辨率方向特征各自对应的高低分辨率图像数据训练对集合；然后依据所获取的高低分辨率图像数据训练对集合对所述深度卷积神经网络进行训练而得到；
所述优化单元，具体用于获取所述原始室外图像后，通过其预测模型得到对应的两个以上高分辨率方向特征；以及依据所述两个以上高分辨率方向特征，构建得到对应的两个以上高分辨率方向特征预测先验；以及融合所述两个以上高分辨率方向特征预测先验以及降质约束，获取分辨率重建函数；以及优化所述分辨率重建函数，获取原始室外图像对应的高分辨率的室外图像。
8.如权利要求6所述的一种智能化家居设备控制系统，其特征在于，所述识别单元中用于识别输入图像对应天气的天气识别模型，具体通过先获取各种天气类型对应的天气图像集合；然后对所述天气图像集合进行特征提取，获取各种天气类型对应的特征训练集；然后依据所述各种天气类型对应的特征训练集得到。
9.如权利要求8所述的一种智能化家居设备控制系统，其特征在于，所述图像采集装置，还用于获取组成所述天气图像训练集的各个天气图像；所述识别单元，还用于接收依据用户输入的指令确定的各个天气图像对应的天气类型。
10.如权利要求6所述的一种智能化家居设备控制系统，其特征在于，所述感应装置设置于窗户上，用于感应窗户的当前状态是闭合状态还是开启状态，以及依据处理模块的指令将窗户的当前状态发送给处理模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011456107.9A CN112650069A (zh) | 2020-12-13 | 2020-12-13 | 智能化家居设备控制方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011456107.9A CN112650069A (zh) | 2020-12-13 | 2020-12-13 | 智能化家居设备控制方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112650069A true CN112650069A (zh) | 2021-04-13 |
Family
ID=75353731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011456107.9A Pending CN112650069A (zh) | 2020-12-13 | 2020-12-13 | 智能化家居设备控制方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112650069A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105539326A (zh) * | 2015-12-24 | 2016-05-04 | 百利得汽车主动安全系统（苏州）有限公司 | 一种基于车载摄像头的天气识别系统及方法 |
| US20160334811A1 (en) * | 2015-05-12 | 2016-11-17 | Echostar Technologies L.L.C. | Home automation weather detection |
| CN106246038A (zh) * | 2016-10-18 | 2016-12-21 | 桂林电子科技大学 | 一种基于雨滴谱监测的智能窗户及其使用方法 |
| CN206096913U (zh) * | 2016-09-29 | 2017-04-12 | 福州大学 | 一种基于室内空气成分检测的窗户智能启闭监控装置 |
| CN107238874A (zh) * | 2017-05-25 | 2017-10-10 | 苏州工业职业技术学院 | 基于时景照片的实时天气探测方法及系统 |
| CN107830604A (zh) * | 2017-09-28 | 2018-03-23 | 歌尔科技有限公司 | 一种室内温度控制方法、装置、系统及机器人 |
| CN109214989A (zh) * | 2018-09-04 | 2019-01-15 | 四川大学 | 基于多方向特征预测先验的单幅图像超分辨率重建方法 |
| CN110259321A (zh) * | 2019-01-17 | 2019-09-20 | 合肥工业大学智能制造技术研究院 | 一种车窗控制系统及方法 |
| CN110983729A (zh) * | 2019-12-26 | 2020-04-10 | 上海电力大学 | 一种涡轮蜗杆驱动的基于机器视觉的智能晾衣装置 |
| CN111476713A (zh) * | 2020-03-26 | 2020-07-31 | 中南大学 | 基于多深度卷积神经网络融合的天气图像智能识别方法及系统 |
-
2020
- 2020-12-13 CN CN202011456107.9A patent/CN112650069A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160334811A1 (en) * | 2015-05-12 | 2016-11-17 | Echostar Technologies L.L.C. | Home automation weather detection |
| CN105539326A (zh) * | 2015-12-24 | 2016-05-04 | 百利得汽车主动安全系统（苏州）有限公司 | 一种基于车载摄像头的天气识别系统及方法 |
| CN206096913U (zh) * | 2016-09-29 | 2017-04-12 | 福州大学 | 一种基于室内空气成分检测的窗户智能启闭监控装置 |
| CN106246038A (zh) * | 2016-10-18 | 2016-12-21 | 桂林电子科技大学 | 一种基于雨滴谱监测的智能窗户及其使用方法 |
| CN107238874A (zh) * | 2017-05-25 | 2017-10-10 | 苏州工业职业技术学院 | 基于时景照片的实时天气探测方法及系统 |
| CN107830604A (zh) * | 2017-09-28 | 2018-03-23 | 歌尔科技有限公司 | 一种室内温度控制方法、装置、系统及机器人 |
| CN109214989A (zh) * | 2018-09-04 | 2019-01-15 | 四川大学 | 基于多方向特征预测先验的单幅图像超分辨率重建方法 |
| CN110259321A (zh) * | 2019-01-17 | 2019-09-20 | 合肥工业大学智能制造技术研究院 | 一种车窗控制系统及方法 |
| CN110983729A (zh) * | 2019-12-26 | 2020-04-10 | 上海电力大学 | 一种涡轮蜗杆驱动的基于机器视觉的智能晾衣装置 |
| CN111476713A (zh) * | 2020-03-26 | 2020-07-31 | 中南大学 | 基于多深度卷积神经网络融合的天气图像智能识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李骞等: "基于室外图像的天气现象识别方法", 《计算机应用》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104537389B (zh) | 人脸识别方法和装置 | |
| CN112487999B (zh) | 一种基于CycleGAN的遥感图像鲁棒特征提取方法 | |
| US11640677B2 (en) | Navigation using selected visual landmarks | |
| CN109242802A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN107238874B (zh) | 基于时景照片的实时天气探测方法及系统 | |
| CN111161379B (zh) | 基于深度学习的空户型特征检测的室内家居自动布局方法 | |
| CN116452379B (zh) | 一种基于大数据的智慧校园管理系统 | |
| CN110493517A (zh) | 图像捕获装置的辅助拍摄方法和图像捕获装置 | |
| US12073698B1 (en) | Security device with user-configurable motion detection settings | |
| CN113689382B (zh) | 基于医学影像和病理图像的肿瘤术后生存期预测方法及系统 | |
| CN109657580B (zh) | 一种城市轨道交通闸机通行控制方法 | |
| CN113158913A (zh) | 一种人脸口罩佩戴识别方法、系统及终端 | |
| CN105867151A (zh) | 人脸识别家居门智能系统及工作方法 | |
| CN105469038A (zh) | 一种用于电力开闭所的安全帽视频检测方法 | |
| CN117166873A (zh) | 用于移动门窗的智能控制方法及系统 | |
| KR102168301B1 (ko) | 호텔 객실 하이브리드 관리 시스템 및 그 방법 | |
| US20220284723A1 (en) | Zero-footprint image capture by mobile device | |
| CN116259101A (zh) | 一种用于考场或课堂纪律巡视的方法及巡视机器人 | |
| CN112650069A (zh) | 智能化家居设备控制方法及其系统 | |
| CN106223777A (zh) | 控制窗户的方法及装置 | |
| US11416715B2 (en) | Apparatus and method for recognizing a face based on artificial intelligence | |
| CN106569840B (zh) | 一种机器视觉驾驶辅助系统自动获取样本以提高识别精度的方法 | |
| CN109492515B (zh) | 信息处理装置、图像文件的数据结构以及计算机可读介质 | |
| CN103903269B (zh) | 球机监控视频的结构化描述方法和系统 | |
| CN108494636A (zh) | 家庭宽带嵌入式自动化测试系统及测试方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210413 |