CN112834578A - 异味检测方法、可移动家用设备及计算机可读存储介质 - Google Patents
异味检测方法、可移动家用设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112834578A CN112834578A CN201911167384.5A CN201911167384A CN112834578A CN 112834578 A CN112834578 A CN 112834578A CN 201911167384 A CN201911167384 A CN 201911167384A CN 112834578 A CN112834578 A CN 112834578A
- Authority
- CN
- China
- Prior art keywords
- odor
- current period
- smell
- target
- signal data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 99
- 238000012549 training Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 abstract description 14
- 230000035943 smell Effects 0.000 description 50
- 238000010408 sweeping Methods 0.000 description 38
- 238000010586 diagram Methods 0.000 description 11
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 210000003454 tympanic membrane Anatomy 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000002861 polymer material Substances 0.000 description 3
- 235000019640 taste Nutrition 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 239000003463 adsorbent Substances 0.000 description 1
- 239000010828 animal waste Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010794 food waste Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
- G01N27/122—Circuits particularly adapted therefor, e.g. linearising circuits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
- G01N27/125—Composition of the body, e.g. the composition of its sensitive layer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本申请涉及智能家居技术领域,公开了一种异味检测方法、可移动家用设备及计算机可读存储介质,应用于可移动家用设备,该可移动家用设备包括气味传感器阵列,该方法包括:在可移动家用设备处于行进状态时,获取当前周期内气味传感器阵列检测的各个气味信号数据;通过训练好的气味检测模型,对当前周期内检测的各个气味信号数据进行分析,以从气味传感器阵列中确定出检测到异味的第一目标气味传感器;确定当前周期内第一目标气味传感器与可移动家用设备行进方向的第一夹角,并获取上一周期内检测到异味的第二目标气味传感器与可移动家用设备行进方向的第二夹角;根据第一夹角和第二夹角确定异味来源区域。本申请能够提升家居异味检测的智能性。
Description
技术领域
本申请涉及智能家居技术领域,尤其涉及一种异味检测方法、可移动家用设备及计算机可读存储介质。
背景技术
家居环境中不可避免产生异味或一些不希望出现的味道,比如发霉食物残渣、动物粪便、昆虫尸体等产生的味道,仅靠用户闻到来发现,智能化程度低,且不够及时,会影响用户居住体验。
因此,如何提升家居异味检测的智能性是目前亟需解决的问题。
发明内容
本申请的主要目的在于提供一种异味检测方法、可移动家用设备及计算机可读存储介质,旨在提升家居异味检测的智能性。
为实现上述目的,本申请提供一种异味检测方法,所述异味检测方法应用于可移动家用设备,所述可移动家用设备包括气味传感器阵列,所述异味检测方法,包括:
在所述可移动家用设备处于行进状态时,获取当前周期内所述气味传感器阵列检测的各个气味信号数据;
通过训练好的气味检测模型,对当前周期内检测的各个气味信号数据进行分析,以从所述气味传感器阵列中确定出当前周期内检测到异味的第一目标气味传感器;
确定当前周期内所述第一目标气味传感器与所述可移动家用设备行进方向之间的第一夹角,并获取上一周期内检测到异味的第二目标气味传感器与所述可移动家用设备行进方向之间的第二夹角;
根据所述第一夹角和所述第二夹角确定异味来源区域。
此外,为实现上述目的,本申请还提供一种可移动家用设备,所述可移动家用设备包括可移动家用设备本体、气味传感器阵列、处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的异味检测程序,其中所述异味检测程序被所述处理器执行时,实现如上述的异味检测方法的步骤。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有异味检测程序,其中所述异味检测程序被处理器执行时,实现如上述的异味检测方法的步骤。
本申请提供一种异味检测方法、可移动家用设备及计算机可读存储介质,在可移动家用设备处于行进状态时,首先获取当前周期内可移动家用设备安装的气味传感器阵列检测的各个气味信号数据;然后通过训练好的气味检测模型,对当前周期内检测的各个气味信号数据进行分析,以从气味传感器阵列中确定出当前周期内检测到异味的第一目标气味传感器;之后,确定当前周期内该第一目标气味传感器与可移动家用设备行进方向之间的第一夹角,并获取上一周期内检测到异味的第二目标气味传感器与可移动家用设备行进方向之间的第二夹角,再根据该第一夹角和该第二夹角确定异味来源区域。如此,通过在可移动家用设备上复用多个气味传感器,实现异味来源区域的定位,提升了家居异味检测的智能性,且还能降低外界干扰带来的检测误差,从而提升异味检测的可靠性。
附图说明
图1为本申请各实施例涉及的可移动家用设备的硬件结构示意图;
图2为本申请各实施例涉及的气味传感器的安装示意图;
图3为本申请各实施例涉及的应力感应单元示意图;
图4为本申请各实施例涉及的压敏电阻元件受力示意图;
图5为本申请各实施例涉及的电阻变化检测电桥示意图;
图6为本申请异味检测方法一实施例的流程示意图;
图7为本申请一实施例中涉及的扫地机器人接收到的电信号示意图;
图8为本申请一实施例中涉及的异味来源区域定位示意图;
图9为本申请一实施例中涉及的包含异味来源区域的路线图;
图10为本申请异味检测方法另一实施例的流程示意图;
图11为本申请另一实施例中涉及的异味来源区域定位示意图;
图12为本申请又一实施例中涉及的气味检测模型训练示意图;
图13为本申请又一实施例中涉及的形成气味检测模型判断逻辑曲线的示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例涉及的异味检测方法主要应用于可移动家用设备,该可移动家用设备可以是扫地机器人等可移动的智能家用设备。
参照图1,图1为本申请实施例方案中涉及的可移动家用设备的硬件结构示意图。在本申请实施例中,可移动家用设备可以包括可移动家用设备本体1001,气味传感器阵列1002,通信总线1003,处理器1004(例如中央处理器Central Processing Unit、CPU),存储器1005。其中,通信总线1003用于实现这些组件之间的连接通信;存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1004的存储。本领域技术人员可以理解,图1中示出的硬件结构并不构成对本申请的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图1,图1中作为一种计算机可读存储介质的存储器1005可以包括网络通信模块和异味检测程序。在图1中,处理器1004可以调用存储器1005中存储的异味检测程序,并执行本申请实施例提供的异味检测方法的步骤。
气味传感器阵列1002包括两个以上的气味传感器,参照图2,图2为气味传感器的安装示意图,以可移动家用设备为扫地机器人为例,多个气味传感器安装在扫地机器人外壳内表面,多个气味传感器之间彼此呈一定间隔且朝向不同。
继续参照图1,每个气味传感器包括应力感应单元,压敏电阻元件,电阻变化检测电桥,以及配套电源电路和电信号检测/输出电路。
其中,参照图3,图3为应力感应单元示意图(左为侧视图,右为俯视图),应力感应元件包括一个有弹性的鼓膜结构,以及涂在其上表层的高分子吸附材料,;鼓膜通过四个桥接点与外部电信号检测/输出电路连接;四个桥接点表面贴有压敏电阻元件,其中两个贴在上表面,两个贴在下表面,使压敏电阻元件贴在同一表面上的桥接点彼此处于鼓膜的对角线位置上,压敏电阻元件在收到外力作用时,电阻值会发生变化,具体的,当压敏电阻元件受到外力挤压时,电阻值会变大,当受到外力拉扯时,电阻值会变小,压敏电阻元件受力示意图可参照4,压敏电阻元件的材料,优选单晶硅,因为大多数金属与半导体材料都有压敏效应,但半导体的敏感度远高于金属,而硅作为集成电路中广泛使用的材料,选用于制作压敏电阻较为合适;参照图5,图5为电阻变化检测电桥示意图,电阻变化检测电桥包括四个上述压敏电阻元件(电阻A、B、C、D),其中电阻A、B之间串联,电阻C、D之间串联,而A、B与C、D并行;电信号检测/输出电路,其正负极分别与电阻A、B之间,电阻C、D之间连接,即检测电信号即正负级之间电势差;再经过电压/电流转换,即输出一个与电阻变化量成正比关系的电流输出信号;电源电路,作为检测电桥的恒定电源输入。
基于上述硬件结构,本申请实施例提供了一种异味检测方法。
参照图6,图6为本申请异味检测方法一实施例的流程示意图。该异味检测方法应用于可移动家用设备,该可移动家用设备包括气味传感器阵列。具体地,如图6所示,该异味检测方法包括步骤步骤S101至步骤S104。
本申请实施例中提供一种异味检测方法,通过在可移动家用设备上复用多个气味传感器,实现异味来源区域的定位,提升了家居异味检测的智能性,且还能降低外界干扰带来的检测误差,从而提升异味检测的可靠性。
以下以可移动家用设备为扫地机器人为例,详细介绍本申请实施例中逐步实现异味检测的各个步骤:
步骤S101、在所述可移动家用设备处于行进状态时,获取当前周期内所述气味传感器阵列检测的各个气味信号数据。
扫地机器人启动时,以行进状态进行扫地作业,同时启用气味传感器阵列,通过气味传感器阵列检测扫地机器人周围的空气环境,并周期性地获取气味传感器阵列检测的各个气味信号数据,例如以5S为周期获取。
具体的,异味气体中的挥发性有机分子会被每个气味传感器中的应力感应单元上的高分子材料吸收,参照图4,高分子材料吸收挥发性有机分子后发生膨胀,引起高分子材料下方粘连的弹性鼓膜结构产生凸起形变。形变后的鼓膜开始对桥接点表面的压敏电阻元件产生应力,如图5所示,对上表面电阻元件(A、C)形成挤压,对下表面电阻元件(B、D)形成拉扯,上述4个压敏电阻元件与电路连接,VCC为恒定电源,为电路供电;Vs为测量电压,当未产生应力时,由于电阻电阻A、B、C、D电阻值相同,Vs+与Vs-之间的电势相等,输出电压值为0。当产生应力时,被挤压的A、C电阻值变大,被拉扯的B、D电阻值变小,Vs+与Vs-之间形成电势差,输出电压不再为零,且随着应力增大而增大;输出电压经过转换电路,线性正比地转化为电流,并将电信号输出给扫地机器人。
扫地机器人接收到的电信号如图7所示,可以理解的是,对于正常空气,由于气体中挥发性有机分子含量很少,在检测周期内其电流值都保持在较低值;对于异味空气,在检测周期内其电流值则都保持在较高值;同时正常空气可能会受到外界因素或电路自身等干扰,会有短时间内电流值突发变高的可能性,因此,为了提高检测的准确性,扫地机器人将接收到的电信号分为两个维度处理,即峰值电流和占空比。峰值电流表示在一个检测周期内电信号所达到的最大电流量级,例如电流的浮动在0~40mA,则按0~10mA、10~20mA、20~30mA、30~40mA划分出4个峰值电流量级;而占空比表征了在一个检测周期内,信号达到峰值电流量级的时间,与检测周期总时间的占比,这个指标反应了信号的稳定程度,为高峰值电流信号的偶然性提供参考。
由此,通过复用多个传感器,扫地机器人便可获得当前周期内气味传感器阵列中每个气味传感器检测的气味信号数据,其中,气味信号数据包括峰值电流和占空比。
步骤S102、通过训练好的气味检测模型,对当前周期内检测的各个气味信号数据进行分析,以从所述气味传感器阵列中确定出当前周期内检测到异味的第一目标气味传感器。
扫地机器人在获得当前周期内气味传感器阵列检测的各个气味信号数据之后,通过训练好的针对气味类型的气味检测模型,对当前周期内检测的各个气味信号数据进行分析,以从气味传感器阵列中确定出当前周期内检测到异味的第一目标气味传感器,其中,气味检测模型可以是支持向量机SVM模型。
示例性的,所述步骤S102,具体为:
将当前周期内检测的各个气味信号数据,分别代入气味检测模型中分析,得出当前周期内检测的各个气味信号数据是否属于异味;按照大小关系对当前周期内属于异味的气味信号数据进行排序;将当前周期内气味传感器阵列中检测到最大气味信号数据的气味传感器,作为检测到异味的第一目标气味传感器。
即,将气味传感器阵列在当前周期内检测的各个气味信号数据,分别代入至训练好的气味检测模型中分析,得出当前周期内检测的各个气味信号数据是否属于异味,对于属于异味的气味信号数据,则按照大小关系进行排序,将当前周期内气味传感器阵列中检测到最大气味信号数据的气味传感器,作为第一目标气味传感器。可以理解的是,最大气味信号数据指的是峰值电流和占空比均最大。
步骤S103、确定当前周期内所述第一目标气味传感器与所述可移动家用设备行进方向之间的第一夹角,并获取上一周期内检测到异味的第二目标气味传感器与所述可移动家用设备行进方向之间的第二夹角。
之后,扫地机器人确定第一目标气味传感器与其在当前周期内的行进方向之间的第一夹角。具体的,可根据传感器阵列的排布方式确定第一夹角,以图8为例,圆形的扫地机器人,5个气味传感器在其半圆区域的外壳内表面均匀排布,在当前周期内,2号气味传感器为第一目标气味传感器,2号气味传感器与扫地机器人行进方向之间的夹角即为-45度。此外,扫地机器人还需获取上一周期内检测到异味的第二目标气味传感器与其上一周期内的行进方向之间的第二夹角。
步骤S104、根据所述第一夹角和所述第二夹角确定异味来源区域。
之后,扫地机器人即可根据第一夹角和第二夹角对异味来源区域进行定位。
示例性的,所述步骤S104,具体为:
获取所述可移动家用设备在当前周期内的第一途经位置,以及在上一周期内的第二途经位置;根据所述第一夹角和所述第二夹角,结合当前周期内的所述第一途经位置和上一周期内的所述第二途经位置,得到异味坐标作为异味来源区域。
即,扫地机器人先获取其在当前周期内的第一途径位置,以及上一周期内的第二途径位置,然后根据当前周期内第一目标气味传感器与可移动家用设备行进方向之间的第一夹角,结合第一途径位置和第二途径位置,定位异味来源区域。继续以图8为例进行说明,在上一周期(周期T-1),检测到异味的第二目标气味传感器与扫地机器人行进方向之间的第二夹角为-90度,以扫地机器人在上一周期(周期T-1)的第二途经位置为原点,朝与扫地机器人行进方向呈-90度的方向投射一条虚拟射线;在当前周期(周期T),检测到异味的第一目标气味传感器与扫地机器人行进方向之间的第二夹角为-45度,以扫地机器人在当前周期(周期T)的第一途经位置为原点,朝与扫地机器人行进方向呈-45度的方向投射一条虚拟射线,两条虚拟射线的交点即为异味来源位置,之后,扫地机器人便可在其预先构建的坐标系中表示该异味来源位置的坐标,实现异味来源区域的定位。
在更多的实施中,步骤S104之后,包括:生成包含所述异味来源区域的路线图。
即,由于扫地机器人是在清扫作业中进行异味检测,在定位到异味来源区域之后,还可以生成包含异味来源区域的路线图,如图9所示。之后,便可通过IOT网络,将该路线图发送给用户,以告知用户异味来源区域。
上述提供的异味检测方法,在可移动家用设备处于行进状态时,首先获取当前周期内可移动家用设备安装的气味传感器阵列检测的各个气味信号数据;然后通过训练好的气味检测模型,对当前周期内检测的各个气味信号数据进行分析,以从气味传感器阵列中确定出当前周期内检测到异味的第一目标气味传感器;之后,确定当前周期内该第一目标气味传感器与可移动家用设备行进方向之间的第一夹角,并获取上一周期内检测到异味的第二目标气味传感器与可移动家用设备行进方向之间的第二夹角,再根据该第一夹角和该第二夹角确定异味来源区域。如此,通过在可移动家用设备上复用多个气味传感器,实现异味来源区域的定位,提升了家居异味检测的智能性,且还能降低外界干扰带来的检测误差,从而提升异味检测的可靠性。
进一步地,参照图10,基于上述实施例,提出了本发明异味检测方法的另一实施例,所述确定当前周期内所述第一目标气味传感器与所述可移动家用设备行进方向之间的第一夹角之前,包括:
步骤S105、判断当前周期内所述第一目标气味传感器是否与所述可移动家用设备的行进方向平行;
若当前周期内所述第一目标气味传感器与所述可移动家用设备的行进方向不平行,则执行步骤:确定当前周期内所述第一目标气味传感器与所述可移动家用设备行进方向之间的第一夹角;
步骤S106、若当前周期内所述第一目标气味传感器与所述可移动家用设备的行进方向平行,则确定上一周期内检测到异味的第二目标气味传感器与所述可移动家用设备的行进方向是否平行;
步骤S107、若上一周期内所述第二目标气味传感器与所述可移动家用设备的行进方向平行,则将所述可移动家用设备在上一周期内的第二途经位置,作为异味来源区域。
即,扫地机器人在从气味传感器阵列中确定出当前周期内检测到异味的第一目标气味传感器后,先判断当前周期内该第一目标气味传感器是否与扫地机器人的行进方向平行,如果当前周期内该第一目标气味传感器与扫地机器人的行进方向不平行,则执行步骤:确定当前周期内所述第一目标气味传感器与所述可移动家用设备行进方向之间的第一夹角。
如果当前周期内该第一目标气味传感器与扫地机器人的行进方向平行,则进一步确定上一周期内检测到异味的第二目标气味传感器与扫地机器人的行进方向是否平行,如果平行,则说明在上一周期和当前周期内检测到异味的第一目标气味传感器正好是扫地机器人的正前向气味传感器,表示扫地机器人途经了异味来源位置,因此将扫地机器人在上一周期内的第二途经位置,作为异味来源区域,示意图可参照11。
上述提供的异味检测方法,在从气味传感器阵列中确定出当前周期内检测到异味的第一目标气味传感器之后,先判断当前周期内该第一目标气味传感器是否与扫地机器人的行进方向平行,在该第一目标气味传感器与扫地机器人的行进方向平行的情况下,再确定上一周期内检测到异味的第二目标气味传感器是否与扫地机器人的行进方向平行,由此,可以快速判断出扫地机器人是否途经了异味来源位置,从而快速定位异味来源区域。
进一步地,基于上述实施例,提出了本发明异味检测方法的另一实施例,步骤S101之前,包括:
训练针对气味类型的气味检测模型,得到训练好的气味检测模型。
即,在步骤S101之前,先训练针对气味类型的气味检测模型,以得到训练好的气味检测模型。
示例性的,所述训练针对气味类型的气味检测模型,得到训练好的气味检测模型,具体为:获取用于训练气味检测模型的样本气味信号数据,并提取所述样本气味信号数据对应的气味类型的标注;根据所述样本气味信号数据和所述样本气味信号数据对应的气味类型的标注,建立用于训练气味检测模型的样本集;根据建立的所述样本集,训练针对气味类型的气味检测模型,得到训练好的气味检测模型。
其中,气味检测模型可以是支持向量机SVM模型。即,可以将气味传感器阵列以往检测的历史气味信号数据作为用于训练SVM模型的样本气味信号数据,还可以预先对样本气味信号数据对应的气味类型进行标注。之后,便可根据样本气味信号数据及其对应的气味类型的标注,建立用于训练SVM模型的样本集,例如:该样本集是一个集合,集合里面的元素是一个个气味信号样本,即
样本集={气味信号样本1,气味信号样本2,...}
={(样本气味信号数据1,气味类型标注1),(样本气味信号数据2,气味类型标注2),...}。
优选地,SVM模型采用神经网络,采用神经网络可提高异味检测的精确性和合理性。由于需要区分的气味类型有正常和异味两种情况,SVM模型的任务即为总结样本集的规律,将这两种情况划分为两类,逐步形成一个自主的判断逻辑曲线,来作为其判断气味是否正常的标准,其示意图可参照图12和13,由此,得到训练好的气味检测模型。
在更多的实施中,训练完成后,并不立即投入使用,而是先检测训练好的气味检测模型的成熟度。具体地,首先获取预设的测试样本,该测试样本中包括多个用于测试的气味信号数据,然后将该测试样本中的各个气味信号数据,依次输入到训练好的气味信号中,得到训练好的气味检测模型输出的气味类型,将气味检测模型输出的气味类型,与对应的用于测试的气味信号数据的标注类型进行比对,二者若一致,则将识别准确数量加1,然后根据公式:识别准确率=识别准确数量/测试样本气味信号数据的数量,计算训练好的气味检测模型的识别准确率。之后,将计算的识别准确率与预设阈值进行比对,若计算的识别准确率超过预设阈值,则说明训练好的气味检测模型的成熟度达到要求,可以投入使用,如此,也可提高分析的准确度。
此外,本申请实施例还提供一种计算机可读存储介质。
本申请计算机可读存储介质上存储有异味检测程序,其中所述异味检测程序被处理器执行时,实现如上述的异味检测方法的步骤。
其中,异味检测程序被执行时所实现的方法可参照本申请异味检测方法的各个实施例,此处不再赘述。
其中,所述计算机可读存储介质可以是前述实施例所述的可移动家用设备的内部存储单元,例如所述可移动家用设备的硬盘或内存。所述计算机可读存储介质也可以是所述可移动家用设备的外部存储设备,例如所述可移动家用设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种异味检测方法,其特征在于,所述异味检测方法应用于可移动家用设备,所述可移动家用设备包括气味传感器阵列,所述异味检测方法,包括:
在所述可移动家用设备处于行进状态时,获取当前周期内所述气味传感器阵列检测的各个气味信号数据;
通过训练好的气味检测模型,对当前周期内检测的各个气味信号数据进行分析,以从所述气味传感器阵列中确定出当前周期内检测到异味的第一目标气味传感器;
确定当前周期内所述第一目标气味传感器与所述可移动家用设备行进方向之间的第一夹角,并获取上一周期内检测到异味的第二目标气味传感器与所述可移动家用设备行进方向之间的第二夹角;
根据所述第一夹角和所述第二夹角确定异味来源区域。
2.根据权利要求1所述的异味检测方法,其特征在于,所述通过训练好的气味检测模型,对当前周期内检测的各个气味信号数据进行分析,以从所述气味传感器阵列中确定出当前周期内检测到异味的第一目标气味传感器,包括:
将当前周期内检测的各个气味信号数据,分别代入气味检测模型中分析,得出当前周期内检测的各个气味信号数据是否属于异味;
按照大小关系对当前周期内属于异味的气味信号数据进行排序;
将当前周期内气味传感器阵列中检测到最大气味信号数据的气味传感器,作为检测到异味的第一目标气味传感器。
3.根据权利要求1所述的异味检测方法,其特征在于,所述根据所述第一夹角和所述第二夹角确定异味来源区域,包括:
获取所述可移动家用设备在当前周期内的第一途经位置,以及在上一周期内的第二途经位置;
根据所述第一夹角和所述第二夹角,结合当前周期内的所述第一途经位置和上一周期内的所述第二途经位置,得到异味坐标作为异味来源区域。
4.根据权利要求1所述的异味检测方法,其特征在于,所述确定当前周期内所述第一目标气味传感器与所述可移动家用设备行进方向之间的第一夹角之前,包括:
判断当前周期内所述第一目标气味传感器是否与所述可移动家用设备的行进方向平行;
若当前周期内所述第一目标气味传感器与所述可移动家用设备的行进方向不平行,则执行步骤:确定当前周期内所述第一目标气味传感器与所述可移动家用设备行进方向之间的第一夹角。
5.根据权利要求4所述的异味检测方法,其特征在于,所述判断当前周期内所述第一目标气味传感器是否与所述可移动家用设备的行进方向平行之后,包括:
若当前周期内所述第一目标气味传感器与所述可移动家用设备的行进方向平行,则确定上一周期内检测到异味的第二目标气味传感器与所述可移动家用设备的行进方向是否平行;
若上一周期内所述第二目标气味传感器与所述可移动家用设备的行进方向平行,则将所述可移动家用设备在上一周期内的第二途经位置,作为异味来源区域。
6.根据权利要求1至5中任一项所述的异味检测方法,其特征在于,根据所述第一夹角和所述第二夹角确定异味来源区域之后,包括:
生成包含所述异味来源区域的路线图。
7.根据权利要求1所述的异味检测方法,其特征在于,所述在所述可移动家用设备处于行进状态时,获取当前周期内所述气味传感器阵列检测的各个气味信号数据之前,包括:
训练针对气味类型的气味检测模型,得到训练好的气味检测模型。
8.根据权利要求7所述的异味检测方法,其特征在于,所述训练针对气味类型的气味检测模型,得到训练好的气味检测模型,包括:
获取用于训练气味检测模型的样本气味信号数据,并提取所述样本气味信号数据对应的气味类型的标注;
根据所述样本气味信号数据和所述样本气味信号数据对应的气味类型的标注,建立用于训练气味检测模型的样本集;
根据建立的所述样本集,训练针对气味类型的气味检测模型,得到训练好的气味检测模型。
9.一种可移动家用设备,其特征在于,所述可移动家用设备包括可移动家用设备本体、气味传感器阵列、处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的异味检测程序,其中所述异味检测程序被所述处理器执行时,实现如权利要求1至8中任一项所述的异味检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有异味检测程序,其中所述异味检测程序被处理器执行时,实现如权利要求1至8中任一项所述的异味检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911167384.5A CN112834578B (zh) | 2019-11-25 | 2019-11-25 | 异味检测方法、可移动家用设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911167384.5A CN112834578B (zh) | 2019-11-25 | 2019-11-25 | 异味检测方法、可移动家用设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112834578A true CN112834578A (zh) | 2021-05-25 |
CN112834578B CN112834578B (zh) | 2023-12-05 |
Family
ID=75922464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911167384.5A Active CN112834578B (zh) | 2019-11-25 | 2019-11-25 | 异味检测方法、可移动家用设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112834578B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113932392A (zh) * | 2021-10-12 | 2022-01-14 | 青岛海尔空调器有限总公司 | 用于控制空调的方法及装置、空调、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08249566A (ja) * | 1995-03-14 | 1996-09-27 | Sogo Keibi Hosho Co Ltd | ガスセンサを備えた自律型移動体 |
US8265881B1 (en) * | 2011-10-07 | 2012-09-11 | H2Scan Corporation | Techniques for calculating gas concentrations in a fluid environment |
JP2018072310A (ja) * | 2016-10-31 | 2018-05-10 | 韓國電子通信研究院Electronics and Telecommunications Research Institute | 匂いの方向および位置探知が可能な嗅覚情報生成装置および生成方法 |
CN109932515A (zh) * | 2019-03-29 | 2019-06-25 | 廊坊市智恒机器人科技有限公司 | 一种仿生嗅觉气味识别方法 |
-
2019
- 2019-11-25 CN CN201911167384.5A patent/CN112834578B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08249566A (ja) * | 1995-03-14 | 1996-09-27 | Sogo Keibi Hosho Co Ltd | ガスセンサを備えた自律型移動体 |
US8265881B1 (en) * | 2011-10-07 | 2012-09-11 | H2Scan Corporation | Techniques for calculating gas concentrations in a fluid environment |
JP2018072310A (ja) * | 2016-10-31 | 2018-05-10 | 韓國電子通信研究院Electronics and Telecommunications Research Institute | 匂いの方向および位置探知が可能な嗅覚情報生成装置および生成方法 |
CN109932515A (zh) * | 2019-03-29 | 2019-06-25 | 廊坊市智恒机器人科技有限公司 | 一种仿生嗅觉气味识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113932392A (zh) * | 2021-10-12 | 2022-01-14 | 青岛海尔空调器有限总公司 | 用于控制空调的方法及装置、空调、存储介质 |
CN113932392B (zh) * | 2021-10-12 | 2023-03-21 | 青岛海尔空调器有限总公司 | 用于控制空调的方法及装置、空调、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112834578B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107972670B (zh) | 车辆虚拟地图 | |
CN103308650B (zh) | 气味和/或气体识别系统 | |
CN105339877B (zh) | 用于移动装置的触摸屏上的手指检测 | |
JP5919936B2 (ja) | 水分検出装置、電気伝導度検出装置、センサネットワークシステム、プログラム、水分検出方法および電気伝導度検出方法 | |
US9651512B2 (en) | Gas sensor | |
US20200211582A1 (en) | Method and device for obtaining amplitude of sound in sound zone | |
CN113306449A (zh) | 一种新能源汽车的电池健康提醒方法及系统 | |
US11175281B2 (en) | Well plate cover with embedded electronic sensors for monitoring cell metabolism | |
CN112834578A (zh) | 异味检测方法、可移动家用设备及计算机可读存储介质 | |
CN110839051A (zh) | 服务提供方法、装置、机器人和存储介质 | |
CN112153051A (zh) | 基于物联网和云计算的信息处理方法及系统 | |
CN110275639B (zh) | 触摸数据处理方法、装置、终端及存储介质 | |
US11245764B2 (en) | Server apparatus, odor sensor data analysis method, and computer readable recording medium for unfixed odor analysis targets | |
CN110672086B (zh) | 场景识别方法、装置、设备及计算机可读介质 | |
CN106841522A (zh) | 一种气体监测方法 | |
Eamsa-Ard et al. | Wearable sensor of humanoid robot-based textile chemical sensors for odor detection and tracking | |
JP2004093447A (ja) | におい測定装置 | |
CN115567371A (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
CN108711255A (zh) | 穿戴式设备的定位方法、装置、移动终端及存储介质 | |
CN111344583A (zh) | 电池单体监控系统 | |
CN113491479B (zh) | 一种具有气味检测的清扫装置 | |
US11054933B2 (en) | Touch sensor circuit and touch sensor method | |
JP6241889B2 (ja) | 酸化還元電位の測定装置及び測定方法 | |
CN112950439A (zh) | 基于威胁感知的大数据处理方法、系统及云平台 | |
CN111474217A (zh) | 湿度传感器及湿度测试方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |