CN113051970A - 油烟浓度识别方法、油烟机和存储介质 - Google Patents
油烟浓度识别方法、油烟机和存储介质 Download PDFInfo
- Publication number
- CN113051970A CN113051970A CN201911371022.8A CN201911371022A CN113051970A CN 113051970 A CN113051970 A CN 113051970A CN 201911371022 A CN201911371022 A CN 201911371022A CN 113051970 A CN113051970 A CN 113051970A
- Authority
- CN
- China
- Prior art keywords
- frame image
- current frame
- oil smoke
- determining
- block
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000004071 soot Substances 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 239000006233 lamp black Substances 0.000 claims 11
- 230000000875 corresponding effect Effects 0.000 description 186
- 230000006870 function Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 19
- 238000000354 decomposition reaction Methods 0.000 description 15
- 238000009826 distribution Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 235000009413 Ratibida columnifera Nutrition 0.000 description 1
- 241000510442 Ratibida peduncularis Species 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24C—DOMESTIC STOVES OR RANGES ; DETAILS OF DOMESTIC STOVES OR RANGES, OF GENERAL APPLICATION
- F24C15/00—Details
- F24C15/20—Removing cooking fumes
- F24C15/2021—Arrangement or mounting of control or safety systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及油烟处理技术领域,特别涉及一种油烟浓度识别方法、油烟机和存储介质,该方法包括:获取所述拍摄装置采集的当前帧图像,获取所述当前帧图像对应的背景帧图像;将所述当前帧图像和所述背景帧图像划分为多个区块,确定所述当前帧图像和所述背景帧图像各自对应的区块的高频能量;根据所述当前帧图像对应的区块的高频能量和所述背景帧图像对应的区块的高频能量,确定所述当前帧图像中的油烟区块;根据所述当前帧图像中的油烟区块对应的灰度值,确定所述当前帧图像对应的油烟浓度等级。通过根据当前帧图像和背景帧图像各自对应的区块的高频能量,确定当前帧图像中的油烟区块,进而可以确定油烟浓度等级,提高了识别油烟浓度的准确度。
Description
技术领域
本申请涉及油烟处理技术领域,尤其涉及一种油烟浓度识别方法、油烟机和存储介质。
背景技术
随着人们生活水平的不断提高,厨房中的油烟处理问题越来越得到重视,油烟处理的效果也之间影响人们的生活品质。现有的油烟机大多数无法自动识别用户在做菜时产生的油烟浓度,少数的油烟机采用视觉技术识别油烟浓度;但是在外界环境的干扰下,存在误判断的情况,无法准确识别油烟浓度,不够智能化。
发明内容
本申请提供了一种油烟浓度识别方法、油烟机和存储介质,通过根据当前帧图像和背景帧图像各自对应的区块的高频能量,确定当前帧图像对应的油烟浓度等级,提高了识别油烟浓度的准确度。
第一方面,本申请提供了一种油烟浓度识别方法,应用于油烟机中,所述油烟机包括拍摄装置,所述方法包括:
获取所述拍摄装置采集的当前帧图像,获取所述当前帧图像对应的背景帧图像;
将所述当前帧图像和所述背景帧图像划分为多个区块,确定所述当前帧图像和所述背景帧图像各自对应的区块的高频能量;
根据所述当前帧图像对应的区块的高频能量和所述背景帧图像对应的区块的高频能量,确定所述当前帧图像中的油烟区块;
根据所述当前帧图像中的油烟区块对应的灰度值,确定所述当前帧图像对应的油烟浓度等级。
第二方面,本申请还提供了一种油烟机,所述油烟机包括拍摄装置、存储器和处理器;
所述拍摄装置,用于采集图像;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如上述的油烟浓度识别方法。
第三方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如上述的油烟浓度识别方法。
本申请公开了一种油烟浓度识别方法、油烟机和存储介质,通过获取拍摄装置采集的当前帧图像,可以根据当前帧图像获取背景帧图像;通过将当前帧图像和背景帧图像划分为多个区块,确定当前帧图像和背景帧图像各自对应的区块的高频能量,可以根据当前帧图像对应的区块的高频能量和背景帧图像对应的区块的高频能量,进而确定当前帧图像中存在的油烟区块;通过根据当前帧图像中的油烟区块对应的灰度值,可以确定当前帧图像对应的油烟浓度等级,可以避免外界环境的干扰,提高了识别油烟浓度的准确度。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请的实施例提供的一种油烟机的结构示意图;
图2是本申请的实施例提供的一种油烟机的示意性框图;
图3是本申请的实施例提供的一种油烟浓度识别方法的步骤示意流程图;
图4是本申请的实施例提供的采集当前帧图像的示意图;
图5是本申请的实施例提供的当前帧图像中各像素点的示意图;
图6是本申请的实施例提供的背景帧图像中各像素点的示意图;
图7是本申请的实施例提供的当前帧图像对应的区块的示意图;
图8是本申请的实施例提供的背景帧图像对应的区块的示意图;
图9为本申请的实施例提供的采用小波变换进行信号分解的示意图;
图10为本申请的实施例提供的像素点的高频系数与低频系数的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1是本申请提供的一种油烟机的示意性框图。以下将结合图1,对本申请实施例中的油烟机进行说明。
如图1所示,油烟机10包括拍摄装置11、功能控制装置12和壳体13。
示例性的,拍摄装置11设置于油烟机10的壳体13的内侧,功能控制装置12设置于油烟机10的壳体13的外侧,当然也可以设置壳体13的内部。油烟机10的正下方放置有燃气灶20;拍摄装置11的拍摄方向正对燃气灶20。
所述油烟机10可以包括中式油烟机或欧式油烟机,还可以包括顶吸式油烟机、侧吸式油烟机或下吸式油烟机。
所述燃气灶20可以包括台式燃气灶、埋入式燃气灶、嵌入式燃气灶,还可以包括压电陶瓷燃气灶、电脉冲电子打火燃气灶及带熄火保护装置燃气灶等。
在一些实施例中,拍摄装置11包括摄像头,该摄像头可以是普通拍摄装置,当然也可以是其他拍摄装置,比如深度摄像头。
可以理解的是,普通摄像头是只用于拍摄目标的图像;深度拍摄装置除了可以拍摄目标,还可用于拍摄深度图像。
在一些实施例中,功能控制装置12与所述拍摄装置11电连接,用于处理所述拍摄装置11拍摄的图像。
功能控制装置12可以包括处理器与存储器。所述存储器用于存储图像数据和计算机程序,所述处理器与油烟机10内部的风扇连接,用于控制所述风扇的开启、关闭、转速等级。
需要说明的是,在图1中,以拍摄装置11为普通摄像头以及功能控制装置12包括处理器与存储器为例进行示例,但并构成对拍摄装置11和功能控制装置12的限定。
示例性的,在油烟机10中,拍摄装置11用于采集当前帧图像,并将采集的当前帧图像传输至功能控制装置12。功能控制装置12中的处理器可以根据当前帧图像获取对应的背景帧图像,然后将当前帧图像和背景帧图像划分为多个区块,确定当前帧图像和背景帧图像各自对应的区块的高频能量;根据区块对应的高频能量,确定当前帧图像中的油烟区块。功能控制装置12还可以根据根据当前帧图像中的油烟区块对应的灰度值,确定当前帧图像对应的油烟浓度等级。
请结合图2,图2是本申请实施例提供的一种油烟机的示意性框图。在图2中,该油烟机10包括处理器101、存储器102和摄像头103,其中,处理器101、存储器102和摄像头103通过总线连接,该总线比如为I2C(Inter-integrated Circuit)总线。
其中,存储器102可以包括非易失性存储介质和内存储器。非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种油烟浓度识别方法。
摄像头103用于拍摄图像或拍摄视频,并将拍摄的当前帧图像传输到处理器101和存储器102中。
处理器101用于提供计算和控制能力,支撑整个油烟机10的运行。
其中,所述处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,所述处理器101用于运行存储在存储器102中的计算机程序,并在执行所述计算机程序时实现如下步骤:
获取所述拍摄装置采集的当前帧图像,获取所述当前帧图像对应的背景帧图像;将所述当前帧图像和所述背景帧图像划分为多个区块,确定所述当前帧图像和所述背景帧图像各自对应的区块的高频能量;根据所述当前帧图像对应的区块的高频能量和所述背景帧图像对应的区块的高频能量,确定所述当前帧图像中的油烟区块;根据所述当前帧图像中的油烟区块对应的灰度值,确定所述当前帧图像对应的油烟浓度等级。
在一些实施例中,所述处理器在实现获取所述当前帧图像对应的背景帧图像时,实现:
根据自适应背景提取算法,从所述当前帧图像提取对应的背景帧图像。
在一些实施例中,所述当前帧图像包括背景帧图像和前景帧图像;所述处理器在实现根据自适应背景提取算法,从所述当前帧图像提取对应的背景帧图像时,实现:
获取所述当前帧图像中的各像素点对应的像素值以及各所述像素点对应的中心点像素值;若存在像素值与中心点像素值的偏离值大于预设偏离阈值的像素点,则确定所述像素点为所述前景帧图像中的像素点;根据所述当前帧图像的像素点和所述前景帧图像中的像素点,确定所述当前帧图像对应的背景帧图像。
在一些实施例中,所述处理器在实现根据所述当前帧图像的像素点和所述前景帧图像中的像素点,确定所述当前帧图像对应的背景帧图像时,实现:
将所述前景帧图像中的像素点从所述当前帧图像的像素点中过滤,将过滤后的所述当前帧图像中的像素点作为所述背景帧图像中的像素点,以得到所述背景帧图像。
在一些实施例中,所述处理器在实现获取所述当前帧图像和所述背景帧图像各自对应的区块的高频能量时,实现:
根据小波变换算法,获取所述当前帧图像和所述背景帧图像各自对应的区块的高频系数;根据所述当前帧图像和所述背景帧图像各自对应的区块的高频系数,确定所述当前帧图像和所述背景帧图像各自对应的区块的高频能量。
在一些实施例中,所述处理器在实现根据所述当前帧图像和所述背景帧图像各自对应的区块的高频系数,确定所述当前帧图像和所述背景帧图像各自对应的区块的高频能量时,实现:
获取所述当前帧图像对应的区块中各像素点对应的高频系数,根据各所述像素点对应的高频系数确定所述当前帧图像对应的区块的高频能量;获取所述背景帧图像对应的区块中各像素点对应的高频系数,根据各所述像素点对应的高频系数确定所述背景帧图像对应的区块的高频能量。
在一些实施例中,所述高频系数包括不同层级对应的高频分量系数;所述处理器在实现根据各所述像素点对应的高频系数确定所述当前帧图像对应的区块的高频能量时,实现:
根据各所述像素点的不同层级对应的高频分量系数的平方值,确定各所述像素点对应的高频能量;根据各所述像素点对应的高频能量之和,确定所述当前帧图像对应的区块的高频能量。
在一些实施例中,所述处理器在实现根据所述当前帧图像对应的区块的高频能量和所述背景帧图像对应的区块的高频能量,确定所述当前帧图像中的油烟区块时,实现:
若所述当前帧图像对应的区块的高频能量与所述背景帧图像对应的区块的高频能量的差值大于预设的能量阈值,将所述当前帧图像对应的区块确定为所述当前帧图像对应的油烟区块。
在一些实施例中,所述当前帧图像包括多个油烟区块;所述处理器在实现根据所述当前帧图像中的油烟区块对应的灰度值,确定所述当前帧图像对应的油烟浓度等级时,包括:
获取所述当前帧图像中多个油烟区块中各像素点的灰度值,确定多个所述油烟区块对应的灰度值;对多个所述油烟区块对应的灰度值取均值,得到所述当前帧图像的灰度平均值;根据所述灰度平均值确定所述当前帧图像对应的油烟浓度等级。
在一些实施例中,所述处理器在实现根据所述灰度平均值确定所述当前帧图像对应的油烟浓度等级时,包括:
根据灰度平均值与油烟浓度等级之间预设的对应关系,根据所述当前帧图像对应的灰度平均值确定所述当前帧图像对应的油烟浓度等级。
在一些实施例中,所述处理器在实现确定所述当前帧图像对应的油烟浓度等级之后,还实现:
若检测到所述油烟机没有开启,则生成报警指令并根据所述报警指令提醒用户开启所述油烟机,或者自动开启所述油烟机并根据所述油烟浓度等级确定调整所述油烟机的抽风风量。
为了便于理解,以下将结合图1与图2中的油烟机,对本申请的实施例提供的油烟浓度识别方法进行详细介绍。需知,上述的油烟机构成对本申请实施例提供的油烟浓度识别方法应用场景的限定。
请参阅图3,图3是本申请一实施例提供的一种油烟浓度识别方法的步骤示意流程图。该油烟浓度识别方法可应用于油烟机中,通过根据当前帧图像和背景帧图像各自对应的区块的高频能量,确定当前帧图像中的油烟区块,进而可以确定油烟浓度等级,提高了识别油烟浓度的准确度。
如图3所示,该油烟浓度识别方法包括步骤S10至步骤S40。
步骤S10、获取所述拍摄装置采集的当前帧图像,获取所述当前帧图像对应的背景帧图像。
可以理解的是,在油烟机中安装拍摄装置,可以通过所述拍摄装置采集燃气灶上方的图像。其中,所述拍摄装置可以是摄像头,也可以是相机等可以用于拍摄图像的电子设备。
在一些实施例中,所述拍摄装置可以每隔一段时间拍摄一张图像,也可以连续拍摄视频,得到的视频中包括多张图像。比如,可以每隔30S拍摄一张图像,当然也可以是其它时间,在此不作限制。
如图4所示,图4是采集当前帧图像的示意图。示例性的,将所述拍摄装置当前拍摄的图像作为当前帧图像。所述当前帧图像包括背景帧图像和前景帧图像。其中,所述当前帧图像包括油烟和静止的背景物体;所述背景帧图像包括物体,比如燃气灶、炒锅、蒸锅等。
具体地,获取所述拍摄装置采集的当前帧图像之后,根据自适应背景提取算法,从所述当前帧图像提取对应的背景帧图像。
可以理解的是,所述当前帧图像包括背景物体的像素点和油烟的像素点;通过确定所述当前帧图像中油烟的像素点,并将油烟的像素点从所述当前帧图像中过滤掉,所述当前帧图像中剩余的像素点全为背景物体的像素点,从而得到背景帧图像。
示例性的,所述自适应背景提取算法可以包括混合高斯模型。在本申请的实施例中,基于混合高斯模型,从所述当前帧图像提取对应的背景帧图像。
需要说明的是,高斯混合模型(Gaussian Mixture Model,GMM)是一种广泛使用的聚类算法,该方法使用高斯分布作为参数模型,并使用期望最大(ExpectationMaximization,EM)算法进行训练。
可以理解的是,在高斯混合模型中,根据统计规律可知像素点足够多时,图像中每个像素点值的变化遵循高斯分布,即每个像素点的像素值围绕一个中心点像素值在一定距离内按高斯概率密度函数分布。其中,高斯概率密度函数如下所示:
式中,参数μ表示均值,参数σ表示方差,x表示输入的变量,例如像素点的灰度值。q表示第q个高斯分布。
需要说明的是,若外界环境保持稳定不变,背景图像对应的像素点的值基本不会变化,其值不会偏离均值μ太远。如果一个像素点值偏离其中心点μ达到2.5σ时,则可以以认为该像素点为前景图像中的像素点。
在一些实施例中,获取所述当前帧图像中的各像素点对应的像素值以及各所述像素点对应的中心点像素值;若存在像素值与中心点像素值的偏离值大于预设偏离阈值的像素点,则确定所述像素点为所述前景帧图像中的像素点;然后根据所述当前帧图像的像素点和所述前景帧图像中的像素点,确定所述当前帧图像对应的背景帧图像。如图5所示,图5是当前帧图像中的各像素点的示意图。
其中,所述像素值可以是灰度值;所述中心点像素值可以是高斯概率密度函数中的均值μ;所述偏离值可以是指像素点对应的像素值与该像素点对应的中心点像素值之间的差值;所述预设偏离阈值可以是2.5σ。
在本实施例中,在根据所述当前帧图像的像素点和所述前景帧图像中的像素点,确定所述当前帧图像对应的背景帧图像时,可以将所述前景帧图像中的像素点从所述当前帧图像的像素点中过滤,将过滤后的所述当前帧图像中的像素点作为所述背景帧图像中的像素点,以得到所述背景帧图像。如图6所示,图6是背景帧图像中的各像素点的示意图。
可以理解的是,在实际环境中由于光线等外部条件会不断发生变化,同一个位置的背景点像素值也会发生变化,即高斯分布的概率密度函数不同。因此可以设定多个不同的高斯概率密度函数的加权和来表征背景点的像素值,并根据实际环境的变化,自适应地调整这些不同的高斯分布的加权系数。
此时,加权的混合高斯模型可以表示为:
式中,P表示多个高斯分布的加权组合对应的概率密度函数;f表示高斯概率密度函数;w表示权值。
具体地,可以通过多个高斯分布获取同一位置的背景点的多个像素值。示例性的,若通过4个高斯分布获取同一位置的背景点的4个像素值,权重w分别是0.4,0.3,0.2,0.1;根据上述加权的混合高斯模型可以得到同一位置的背景点的平均像素值。
通过加权的混合高斯模型,可以准确地获取背景帧图像中的像素点对应的像素值并得到背景帧图像,避免了外界环境的干扰,提高了后续识别油烟浓度的准确度。
步骤S20、将所述当前帧图像和所述背景帧图像划分为多个区块,确定所述当前帧图像和所述背景帧图像各自对应的区块的高频能量。
示例性的,可以将所述当前帧图像和所述背景帧图像划分为M×N个区块,比如3×3个区块。如图7与图8所示,图7是当前帧图像对应的区块的示意图,图8是背景帧图像对应的区块的示意图。
需要说明的是,在实际应用中需要将所述当前帧图像和所述背景帧图像划分为更多的区块。
具体地,根据小波变换算法,获取所述当前帧图像和所述背景帧图像各自对应的区块的高频系数。
在一些实施例中,将所述当前帧图像和所述背景帧图像划分为3×3个区块,然后根据小波变换算法分别确定所述当前帧图像和所述背景帧图像各自对应的区块的高频能量。
需要说明的是,小波变换算法从多分辨率与多尺度这两维上进行信号的小波分解与小波重构,且能够在不同尺度上得到的分解小波表示信号在不同分辨率上的信息量。小波变换的基本原理:任一平方可积函数ψ(t),ψ(t)∈L2(R),都可以展开表达为在不同尺度系数a在小波基ψa,b(t)的投影与不同平移系数b在ψa,b(t)之上的投影之和。
其中,在进行小波分解时,可以使用Mallat算法进行分解;Mallat算法能够最大限度减少小波变换复杂的计算过程,而且能实时处理含有大量信息的信号。
如图9所示,图9是采用小波变换进行信号分解的示意图。Mallat算法的中心思想是根据多分辨率分析和二尺度差分方程,从空间V0出发,通过H0(ω)滤波器函数和H1(ω)滤波器函数将V0分解成V1和W1,即
式中,V0表示信号;V1表示低频分量系数,W1表示高频分量系数。然后将W1保持不变而将V1继续分解,经过J级分解后,得到:
式中,J表示分解的总层数。由此得到各子空间下的分解系数,分解系数包括多个高频分量系数和最后一层的低频系数。
具体地,在进行小波变换时,还需选取不同类型的小波函数作为小波基对信号进行展开解析。
示例性的,小波函数可以包括Haar小波、Daubechies小波、Symlet小波、Morlet小波、Battle-lemarie小波、Mexican hat墨西哥草帽小波等等。
在本申请实施例中,选用不同的小波函数对所述当前帧图像和所述背景帧图像各自对应的区块进行解析,均能获取区块的高频系数和低频系数。由于Haar小波函数运算简单快速,而且是紧支撑的正交小波函数,因此选用Haar小波函数获取所述当前帧图像和所述背景帧图像各自对应的区块的高频系数。
需要说明的是,在进行小波变换时,当分解层数增加到4层后,有用信号就会过多地被去除,效果反而不明显,计算量增多;因此分解层数选择3-5层时,解析得到的高频系数更能满足要求。因此在本申请实施例中,因此选用Haar小波函数进行3层分解,以获取所述当前帧图像和所述背景帧图像各自对应的区块的高频系数。
在一些实施例中,根据Haar小波函数,对所述当前帧图像和所述背景帧图像各自对应的区块中的像素点进行3层分解。如图10所示,图10是像素点的高频系数与低频系数的结构示意图。分解后得到的高频系数包括3层级对应的高频分量系数,分别为:HL1(x,y)、LH1(x,y)、HH1(x,y),最后一层级对应的低频系数为LL1(x,y),其中,(x,y)表示像素点。
具体地,根据所述当前帧图像和所述背景帧图像各自对应的区块的高频系数,确定所述当前帧图像和所述背景帧图像各自对应的区块的高频能量。
在一些实施例中,获取所述当前帧图像对应的区块中各像素点对应的高频系数,根据各所述像素点对应的高频系数确定所述当前帧图像对应的区块的高频能量。然后获取所述背景帧图像对应的区块中各像素点对应的高频系数,根据各所述像素点对应的高频系数确定所述背景帧图像对应的区块的高频能量。
示例性的,所述高频系数包括不同层级对应的高频分量系数,例如HL1(x,y)、LH1(x,y)、HH1(x,y)。
具体地,根据各所述像素点的不同层级对应的高频分量系数的平方值,确定各所述像素点对应的高频能量。然后根据各所述像素点对应的高频能量之和,确定所述当前帧图像对应的区块的高频能量。
示例性的,可以根据高频系数确定高频能量,其中,高频能量定义为高频系数的平方值,计算高频能量的公式如下:
式中,HW(x,y)表示区块中各像素点的高频能量;EH表示区块对应的总的高频能量。
示例性的,可以根据上述高频能量的计算公式,分别得到所述当前帧图像和所述背景帧图像各自对应的区块的高频能量。
通过根据区块中的像素点进行小波变换,并采用Haar小波函数进行解析,可以快速得到各像素点对应的高频系数和低频系数,进而可以获取区块对应的高频能量,最终得到当前帧图像和背景帧图像各自对应的区块的高频能量。
步骤S30、根据所述当前帧图像对应的区块的高频能量和所述背景帧图像对应的区块的高频能量,确定所述当前帧图像中的油烟区块。
需要说明的是,对区块中的像素点进行小波变换后,通过该区块中的各个像素点的高频系数可以得到该区块对应的高频系数。示例性的,将该区块中的各个像素点的高频系数进行相加,得到该区块对应的高频系数。
其中,高频系数与图像的边缘及纹理等信息相互关联。在没有油烟时,图像的边缘纹理清晰突出,高频分量较多;当出现油烟时,图像的边缘纹理会被平滑,会导致高频分量变少。随着油烟浓度的增高,高频分量逐渐变少。
可以理解的是,所述背景帧图像是不包括油烟的,则所述背景帧图像对应的区块的高频系数较大,因此所述背景帧图像对应的区块的高频能量也较大。若所述当前帧图像是包括油烟的,则所述当前帧图像对应的区块的高频系数较小,因此所述当前帧图像对应的区块的高频能量也较小。
在一些实施例中,若所述当前帧图像对应的区块的高频能量与所述背景帧图像对应的区块的高频能量的差值大于预设的能量阈值,将所述当前帧图像对应的区块确定为所述当前帧图像对应的油烟区块。
其中,所述预设的能量阈值根据实际应用进行设定,其具体数值,在此不做限定。
具体地,在确定所述当前帧图像对应的区块的高频能量与所述背景帧图像对应的区块的高频能量的差值时,可以对所述当前帧图像对应的区块和所述背景帧图像对应的区块分别进行编号。
示例性的,如图7和图8所示;将所述当前帧图像和所述背景帧图像划分为3×3个区块,可以对所述当前帧图像对应的9个区块按顺序进行编号,比如区块1、区块2、区块3等等;同样,可以将所述背景帧图像对应的9个区块按顺序进行编号,比如区块1、区块2、区块3等等。
需要说明的是,在比较所述当前帧图像对应的区块的高频能量与所述背景帧图像对应的区块的高频能量时,是指对编号相同的两类区块的高频能量进行比较。
在一些实施例中,若所述当前帧图像对应的区块1的高频能量与所述背景帧图像对应的区块1的高频能量的差值大于所述预设的能量阈值,因此可以确定所述当前帧图像对应的区块1为油烟区块。
在另一些实施例中,若所述当前帧图像对应的区块2的高频能量与所述背景帧图像对应的区块2的高频能量的差值大于所述预设的能量阈值,则也确定所述当前帧图像对应的区块2为油烟区块。
具体地,将所述当前帧图像中所有的区块一一和所述背景帧图像中编号相同的区块进行比较高频能量,可以确定所述当前帧图像中的所有油烟区块。
通过预设的能量阈值,可以根据当前帧图像对应的区块的高频能量与背景帧图像对应的区块的高频能量的差值,快速地确定当前帧图像中的油烟区块。
步骤S40、根据所述当前帧图像中的油烟区块对应的灰度值,确定所述当前帧图像对应的油烟浓度等级。
示例性的,由于所述当前帧图像包括多个油烟区块,因此可以根据所述当前帧图像中的多个油烟区块对应的灰度值,确定所述当前帧图像对应的灰度值。
可以理解的是,所述当前帧图像包括9个区块,在有油烟产生时,所述当前帧图像的大部分区域都是有油烟的,因此会产生多个油烟区块。
具体地,在确定所述当前帧图像中的油烟区块对应的灰度值时,可以通过获取多个所述油烟区块中各像素点的灰度值;然后根据多个所述油烟区块中各像素点的灰度值,确定多个所述油烟区块对应的灰度值。示例性的,可以将油烟区块中各个像素点的灰度值取平均值,得到该油烟区块对应的灰度值。
其中,所述灰度值是指黑白图像中像素点的颜色深度,范围一般从0到255,白色为255,黑色为0。
示例性的,若所述当前帧图像中的油烟区块包括区块1、区块2、区块4、区块5、区块7和区块8。通过获取区块1、区块2、区块4、区块5、区块7和区块8中各像素点的灰度值,可以确定区块1、区块2、区块4、区块5、区块7和区块8各自对应的灰度值,比如区块1对应的灰度值为200、区块2对应的灰度值为230、区块4对应的灰度值为225、区块5对应的灰度值为180、区块7对应的灰度值为240、区块8对应的灰度值为250。
在一些实施例中,对多个所述油烟区块对应的灰度值取均值,得到所述当前帧图像的灰度平均值。比如,多个所述油烟区块对应的灰度值分别为:200,230,225,180,240,250;得到所述当前帧图像的灰度平均值为220.83。
具体地,根据所述当前帧图像的灰度平均值确定所述当前帧图像对应的油烟浓度等级。
在一些实施例中,根据灰度平均值与油烟浓度等级之间预设的对应关系,根据所述当前帧图像对应的灰度平均值确定所述当前帧图像对应的油烟浓度等级。
示例性的,灰度平均值与油烟浓度等级之间预设的对应关系,可以用油烟浓度等级表进行表示。
表1为油烟浓度等级表
油烟浓度等级 | 灰度平均值范围 |
低 | [0,99] |
中 | [100,199] |
高 | [200,255] |
示例性的,若所述当前帧图像的灰度平均值为220.83,该灰度平均值处于[200,255]这一灰度平均值范围内;根据所述油烟浓度等级表中灰度平均值与油烟浓度等级之间预设的对应关系,可以确定所述当前帧图像对应的油烟浓度等级为高。
在一些实施例中,在确定所述当前帧图像对应的油烟浓度等级之后,还可以检测所述油烟机的工作状态。其中,所述工作状态是指所述油烟机中的风扇的状态;所述风扇的工作状态可以包括运行状态和停止状态。若检测到所述油烟机没有开启,则生成报警指令并根据所述报警指令提醒用户开启所述油烟机。
示例性的,可以通过所述报警指令在所述油烟机中产生声音、文字、图案提醒用户,也可以将所述报警指令发送至用户的移动终端的APP中,以提醒用户开启所述油烟机中的风扇。其中,可以通过蓝牙模块、Wi-Fi模块、LTE模块等通信模块将所述报警指令发送至用户的移动终端中;所述移动终端可以是智能手机、平板电脑、笔记本电脑、个人数字助理和穿戴式设备等电子设备。
在另一些实施例中,在确定所述当前帧图像对应的油烟浓度等级之后,还可以检测所述油烟机的工作状态。若检测到所述油烟机没有开启,则自动开启所述油烟机并根据所述油烟浓度等级确定调整所述油烟机的抽风风量。
示例性的,在自动开启所述油烟机中的风扇之后,若所述当前帧图像对应的油烟浓度等级为高,则可以将所述风扇的转速调节到高档位,以增大所述油烟机的抽风风量,快速地将油烟吸走。
具体地,通过所述油烟机中的拍摄装置,实时采集所述当前帧图像并实时确定所述当前帧图像对应的油烟浓度等级;根据所述当前帧图像对应的油烟浓度等级实时调整所述油烟机的抽风风量。
在一些实施例中,在所述油烟机中的风扇在高档位运行一段时间之后,若检测到所述当前帧图像对应的油烟浓度等级为中,则可以将所述风扇的转速调节到中档位;实现自动根据油烟浓度等级实时调节所述油烟机的抽风风量,更加智能化,节约能源。
通过确定当前帧图像中的油烟区块对应的灰度值,可以准确地得到当前帧图像对应的灰度平均值;并根据灰度平均值与油烟浓度等级之间预设的对应关系,确定当前帧图像对应的油烟浓度,提高了识别油烟浓度的准确度。还可以根据当前帧图像对应的油烟浓度实时调节油烟机的抽风风量,更加智能化,减少油烟对人的身体危害。
上述实施例提供的油烟浓度识别方法,通过自适应背景提取算法,可以获取当前帧图像对应的背景帧图像,可以提高后续识别油烟浓度的准确度;通过小波变换算法,可以获取当前帧图像和背景帧图像各自对应的区块的高频系数,进而确定当前帧图像和背景帧图像各自对应的区块的高频能量;通过预设的能量阈值,可以根据当前帧图像对应的区块的高频能量与背景帧图像对应的区块的高频能量的差值,可以准确地确定当前帧图像对应的油烟区块;通过灰度平均值与油烟浓度等级之间预设的对应关系,可以根据当前帧图像对应的灰度平均值确定当前帧图像对应的油烟浓度等级,可以避免外界环境的干扰,提高了识别油烟浓度的准确度。通过根据当前帧图像对应的油烟浓度实时调节油烟机的抽风风量,更加智能化,减少油烟对人的身体危害。
本申请的实施例中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存储有计算机程序,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请实施例提供的任一项油烟浓度识别方法。
其中,所述计算机可读存储介质可以是前述实施例所述的油烟机的内部存储单元,例如所述油烟机的硬盘或内存。所述计算机可读存储介质也可以是所述油烟机的外部存储设备,例如所述油烟机上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字卡(Secure Digital,SD),闪存卡(Flash Card)等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种油烟浓度识别方法,应用于油烟机中,其特征在于,所述油烟机包括拍摄装置,所述方法包括:
获取所述拍摄装置采集的当前帧图像,获取所述当前帧图像对应的背景帧图像;
将所述当前帧图像和所述背景帧图像划分为多个区块,确定所述当前帧图像和所述背景帧图像各自对应的区块的高频能量;
根据所述当前帧图像对应的区块的高频能量和所述背景帧图像对应的区块的高频能量,确定所述当前帧图像中的油烟区块;
根据所述当前帧图像中的油烟区块对应的灰度值,确定所述当前帧图像对应的油烟浓度等级。
2.根据权利要求1所述的油烟浓度识别方法,其特征在于,所述获取所述当前帧图像对应的背景帧图像,包括:
根据自适应背景提取算法,从所述当前帧图像提取对应的背景帧图像。
3.根据权利要求2所述的油烟浓度识别方法,其特征在于,所述当前帧图像包括背景帧图像和前景帧图像;所述根据自适应背景提取算法,从所述当前帧图像提取对应的背景帧图像,包括:
获取所述当前帧图像中的各像素点对应的像素值以及各所述像素点对应的中心点像素值;
若存在像素值与中心点像素值的偏离值大于预设偏离阈值的像素点,则确定所述像素点为所述前景帧图像中的像素点;
根据所述当前帧图像的像素点和所述前景帧图像中的像素点,确定所述当前帧图像对应的背景帧图像。
4.根据权利要求3所述的油烟浓度识别方法,其特征在于,所述根据所述当前帧图像的像素点和所述前景帧图像中的像素点,确定所述当前帧图像对应的背景帧图像,包括:
将所述前景帧图像中的像素点从所述当前帧图像的像素点中过滤,将过滤后的所述当前帧图像中的像素点作为所述背景帧图像中的像素点,以得到所述背景帧图像。
5.根据权利要求1所述的油烟浓度识别方法,其特征在于,所述获取所述当前帧图像和所述背景帧图像各自对应的区块的高频能量,包括:
根据小波变换算法,获取所述当前帧图像和所述背景帧图像各自对应的区块的高频系数;
根据所述当前帧图像和所述背景帧图像各自对应的区块的高频系数,确定所述当前帧图像和所述背景帧图像各自对应的区块的高频能量。
6.根据权利要求5所述的油烟浓度识别方法,其特征在于,所述根据所述当前帧图像和所述背景帧图像各自对应的区块的高频系数,确定所述当前帧图像和所述背景帧图像各自对应的区块的高频能量,包括:
获取所述当前帧图像对应的区块中各像素点对应的高频系数,根据各所述像素点对应的高频系数确定所述当前帧图像对应的区块的高频能量;
获取所述背景帧图像对应的区块中各像素点对应的高频系数,根据各所述像素点对应的高频系数确定所述背景帧图像对应的区块的高频能量。
7.根据权利要求6所述的油烟浓度识别方法,其特征在于,所述高频系数包括不同层级对应的高频分量系数;
所述根据各所述像素点对应的高频系数确定所述当前帧图像对应的区块的高频能量,包括:
根据各所述像素点的不同层级对应的高频分量系数的平方值,确定各所述像素点对应的高频能量;
根据各所述像素点对应的高频能量之和,确定所述当前帧图像对应的区块的高频能量。
8.根据权利要求1至7任一项所述的油烟浓度识别方法,其特征在于,所述根据所述当前帧图像对应的区块的高频能量和所述背景帧图像对应的区块的高频能量,确定所述当前帧图像中的油烟区块,包括:
若所述当前帧图像对应的区块的高频能量与所述背景帧图像对应的区块的高频能量的差值大于预设的能量阈值,将所述当前帧图像对应的区块确定为所述当前帧图像对应的油烟区块。
9.根据权利要求1至7任一项所述的油烟浓度识别方法,其特征在于,所述根据所述当前帧图像中的油烟区块对应的灰度值,确定所述当前帧图像对应的油烟浓度等级,包括:
获取所述当前帧图像中多个油烟区块中各像素点的灰度值,确定多个所述油烟区块对应的灰度值;
对多个所述油烟区块对应的灰度值取均值,得到所述当前帧图像的灰度平均值;
根据所述灰度平均值确定所述当前帧图像对应的油烟浓度等级。
10.根据权利要求9所述的油烟浓度识别方法,其特征在于,所述根据所述灰度平均值确定所述当前帧图像对应的油烟浓度等级,包括:
根据灰度平均值与油烟浓度等级之间预设的对应关系,根据所述当前帧图像对应的灰度平均值确定所述当前帧图像对应的油烟浓度等级。
11.根据权利要求1所述的油烟浓度识别方法,其特征在于,所述确定所述当前帧图像对应的油烟浓度等级之后,还包括:
若检测到所述油烟机没有开启,则生成报警指令并根据所述报警指令提醒用户开启所述油烟机,或者
自动开启所述油烟机并根据所述油烟浓度等级确定调整所述油烟机的抽风风量。
12.一种油烟机,其特征在于,所述油烟机包括拍摄装置、存储器和处理器;
所述拍摄装置用于采集图像;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至11中任一项所述的油烟浓度识别方法。
13.一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存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如权利要求1至11中任一项所述的油烟浓度识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911371022.8A CN113051970A (zh) | 2019-12-26 | 2019-12-26 | 油烟浓度识别方法、油烟机和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911371022.8A CN113051970A (zh) | 2019-12-26 | 2019-12-26 | 油烟浓度识别方法、油烟机和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113051970A true CN113051970A (zh) | 2021-06-29 |
Family
ID=76505812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911371022.8A Pending CN113051970A (zh) | 2019-12-26 | 2019-12-26 | 油烟浓度识别方法、油烟机和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113051970A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE60204855D1 (de) * | 2001-02-26 | 2005-08-04 | Fastcom Technology Sa | Verfahren und einrichtung zum erkennung von fasern auf der grundlage von bildanalyse |
KR101084719B1 (ko) * | 2010-06-25 | 2011-11-22 | (주)퓨처아이스 | 영상 처리와 지능 연산을 이용한 지능형 연기 검출 시스템 |
CN104050478A (zh) * | 2014-07-09 | 2014-09-17 | 湖南大学 | 烟雾检测方法与系统 |
KR20150074889A (ko) * | 2013-12-24 | 2015-07-02 | 동명대학교산학협력단 | 웨이블릿 변환 영역에서 부대역 에너지 비를 이용한 연기 감지 방법 및 장치 |
CN106600888A (zh) * | 2016-12-30 | 2017-04-26 | 陕西烽火实业有限公司 | 一种森林火灾自动检测方法及系统 |
CN106650600A (zh) * | 2016-10-17 | 2017-05-10 | 东南大学 | 一种基于视频图像分析的森林烟火检测方法 |
CN108548199A (zh) * | 2018-03-08 | 2018-09-18 | 佛山市云米电器科技有限公司 | 一种智能抽油烟机风速调级方法及装置 |
CN108932814A (zh) * | 2018-07-18 | 2018-12-04 | 东华大学 | 一种嵌入式图像型厨房火灾报警装置 |
CN109028233A (zh) * | 2018-09-29 | 2018-12-18 | 佛山市云米电器科技有限公司 | 厨房油烟浓度划分方法及油烟图像识别系统及油烟机 |
-
2019
- 2019-12-26 CN CN201911371022.8A patent/CN113051970A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE60204855D1 (de) * | 2001-02-26 | 2005-08-04 | Fastcom Technology Sa | Verfahren und einrichtung zum erkennung von fasern auf der grundlage von bildanalyse |
KR101084719B1 (ko) * | 2010-06-25 | 2011-11-22 | (주)퓨처아이스 | 영상 처리와 지능 연산을 이용한 지능형 연기 검출 시스템 |
KR20150074889A (ko) * | 2013-12-24 | 2015-07-02 | 동명대학교산학협력단 | 웨이블릿 변환 영역에서 부대역 에너지 비를 이용한 연기 감지 방법 및 장치 |
CN104050478A (zh) * | 2014-07-09 | 2014-09-17 | 湖南大学 | 烟雾检测方法与系统 |
CN106650600A (zh) * | 2016-10-17 | 2017-05-10 | 东南大学 | 一种基于视频图像分析的森林烟火检测方法 |
CN106600888A (zh) * | 2016-12-30 | 2017-04-26 | 陕西烽火实业有限公司 | 一种森林火灾自动检测方法及系统 |
CN108548199A (zh) * | 2018-03-08 | 2018-09-18 | 佛山市云米电器科技有限公司 | 一种智能抽油烟机风速调级方法及装置 |
CN108932814A (zh) * | 2018-07-18 | 2018-12-04 | 东华大学 | 一种嵌入式图像型厨房火灾报警装置 |
CN109028233A (zh) * | 2018-09-29 | 2018-12-18 | 佛山市云米电器科技有限公司 | 厨房油烟浓度划分方法及油烟图像识别系统及油烟机 |
Non-Patent Citations (2)
Title |
---|
何大超 等: "基于动态特性的实时视频烟雾检测", 计算机应用与软件, vol. 31, no. 2, pages 202 - 204 * |
吴爱国;杜春燕;李明;: "基于混合高斯模型与小波变换的火灾烟雾探测", 仪器仪表学报, no. 08 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018120936A1 (en) | Systems and methods for fusing infrared image and visible light image | |
CN108197546B (zh) | 人脸识别中光照处理方法、装置、计算机设备及存储介质 | |
US10452922B2 (en) | IR or thermal image enhancement method based on background information for video analysis | |
CN108234882B (zh) | 一种图像虚化方法及移动终端 | |
CN108805840A (zh) | 图像去噪的方法、装置、终端及计算机可读存储介质 | |
CN111935479B (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
US8625922B2 (en) | Image processing method and program for determining whether sabotage has occurred to an image | |
CN104504662A (zh) | 一种基于同态滤波的图像处理方法及系统 | |
CN111523344B (zh) | 人体活体检测系统及方法 | |
CN111768350B (zh) | 一种红外图像增强方法及系统 | |
CN112614136A (zh) | 一种红外小目标实时实例分割方法及装置 | |
CN106557729B (zh) | 用于处理人脸图像的设备和方法 | |
WO2020164266A1 (zh) | 一种活体检测方法、系统及终端设备 | |
Sun et al. | Color image denoising via discriminatively learned iterative shrinkage | |
CN111814745B (zh) | 手势识别方法、装置、电子设备及存储介质 | |
CN111444555B (zh) | 一种测温信息显示方法、装置及终端设备 | |
CN111882578A (zh) | 前景图像获取方法、前景图像获取装置和电子设备 | |
CN102289670A (zh) | 一种具有光照鲁棒性的图像特征提取方法 | |
CN113362338A (zh) | 铁轨分割方法、装置、计算机设备和铁轨分割处理系统 | |
CN111882584A (zh) | 一种通过灰度图像进行油烟量判断的方法及装置 | |
CN114820394A (zh) | 一种基于稳健参数估计的图像噪点滤波方法及装置 | |
WO2018078806A1 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN112204957A (zh) | 白平衡处理方法和设备、可移动平台、相机 | |
CN113822927A (zh) | 一种适用弱质量图像的人脸检测方法、装置、介质及设备 | |
CN113051970A (zh) | 油烟浓度识别方法、油烟机和存储介质 |
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 |