CN113486756B - 一种空气智能消毒系统及方法 - Google Patents

一种空气智能消毒系统及方法 Download PDF

Info

Publication number
CN113486756B
CN113486756B CN202110731286.0A CN202110731286A CN113486756B CN 113486756 B CN113486756 B CN 113486756B CN 202110731286 A CN202110731286 A CN 202110731286A CN 113486756 B CN113486756 B CN 113486756B
Authority
CN
China
Prior art keywords
information
air
obtaining unit
air quality
predetermined
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.)
Active
Application number
CN202110731286.0A
Other languages
English (en)
Other versions
CN113486756A (zh
Inventor
王钢
王长利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Qubao Technology Co ltd
Original Assignee
Harbin Qubao Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Qubao Technology Co ltd filed Critical Harbin Qubao Technology Co ltd
Priority to CN202110731286.0A priority Critical patent/CN113486756B/zh
Publication of CN113486756A publication Critical patent/CN113486756A/zh
Application granted granted Critical
Publication of CN113486756B publication Critical patent/CN113486756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F3/00—Air-conditioning systems in which conditioned primary air is supplied from one or more central stations to distributing units in the rooms or spaces where it may receive secondary treatment; Apparatus specially designed for such systems
    • F24F3/12—Air-conditioning systems in which conditioned primary air is supplied from one or more central stations to distributing units in the rooms or spaces where it may receive secondary treatment; Apparatus specially designed for such systems characterised by the treatment of the air otherwise than by heating and cooling
    • F24F3/16—Air-conditioning systems in which conditioned primary air is supplied from one or more central stations to distributing units in the rooms or spaces where it may receive secondary treatment; Apparatus specially designed for such systems characterised by the treatment of the air otherwise than by heating and cooling by purification, e.g. by filtering; by sterilisation; by ozonisation
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters

Abstract

本发明公开了一种空气智能消毒系统及方法，其中，所述方法应用于一种空气智能消毒系统，所述方法包括：通过图像采集装置获得第一图像信息；获得预定卷积核，其中，所述预定卷积核包括第一人物特征、第二人物特征和第三人物特征，且所述第一人物特征、所述第二人物特征和所述第三人物特征互不相同；根据所述预定卷积核对所述第一图像信息进行特征提取，获得第一比对结果；根据第一比对结果，获得与所述第一比对结果相对应的第一空气质量标准；根据所述第一空气质量标准，对空气进行消毒。解决了现有技术中对室内进行空气消毒时缺少智能辅助的技术问题。

Description

一种空气智能消毒系统及方法
技术领域
本发明涉及人工智能领域，尤其涉及一种空气智能消毒系统及方法。
背景技术
室内环境易受到悬浮颗粒上沾染的病原、装潢装修后挥发性气态污染物、可吸入颗粒、生活异味、室外污染空气入侵等的污染而变得对人体健康不利，长期遭受室内污染对人体健康的会造成严重的影响，导致嗅觉异常、肺功能异常、肝功能异常、免疫功能异常、视网膜及中枢神经系统受损等，更严重者，甚至会损伤细胞内的遗传物质。为降低或排除空气污染，需定时对室内进行空气消毒。室内消毒的方法分为类型，常见的物理方法例如利用空气净化器的吸附作用对空气进行消杀，常见的化学方法例如喷洒消毒剂利用氧化还原反应进行空气净化等。
本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中的空气消毒方法在选用和执行过程中仅依靠人的经验对环境进行判断，会导致消毒过程不顺利，消毒方法的选择不合适等问题的发生，没有智能辅助时的情况下，人的工作效率低下，大幅影响了消毒工作的进展。
发明内容
本申请实施例通过提供一种空气智能消毒系统及方法，对室内图像进行采集，预设特征值并根据卷积神经网络进行人物特征识别以实现根据人物特征选择合适的空气消毒方法对空气进行消毒的目的，解决了现有技术中对室内进行空气消毒时缺少智能辅助的技术问题，实现了空气杀毒过程更加人性化的技术效果，进一步提高了智慧生活体验感。
为解决现有存在的技术问题，本申请实施例提供一种空气智能消毒系统及方法。
第一方面，本申请提供了一种空气智能消毒系统，其中，所述系统与一图像采集装置通信连接，所述系统包括：第一获得单元，所述第一获得单元用于通过所述图像采集装置获得第一图像信息，所述第一图像信息包括第一预定范围内的图像信息；第二获得单元，所述第二获得单元用于获得预定卷积核，其中，所述预定卷积核包括第一人物特征、第二人物特征和第三人物特征，其中，所述第一人物特征、所述第二人物特征和所述第三人物特征互不相同；第三获得单元，所述第三获得单元用于根据所述预定卷积核对所述第一图像信息进行特征提取，获得第一比对结果；第四获得单元，所述第四获得单元用于根据所述第一比对结果，获得与所述第一比对结果相对应的第一空气质量标准；第五获得单元，所述第五获得单元用于根据所述第一空气质量标准，对所述第一预定范围内的空气进行消毒。
另一方面，本申请还提供了一种空气智能消毒方法，其中，所述方法应用于一种空气智能消毒系统，所述方法包括：通过所述图像采集装置获得第一图像信息，所述第一图像信息包括第一预定范围内的图像信息；获得预定卷积核，其中，所述预定卷积核包括第一人物特征、第二人物特征和第三人物特征，其中，所述第一人物特征、所述第二人物特征和所述第三人物特征互不相同；根据所述预定卷积核对所述第一图像信息进行特征提取，获得第一比对结果；根据所述第一比对结果，获得与所述第一比对结果相对应的第一空气质量标准；根据所述第一空气质量标准，对所述第一预定范围内的空气进行消毒。
另一方面，本申请实施例还提供一种空气智能消毒系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机应用程序和操作系统，其中，所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例通过提供一种空气智能消毒系统及方法，对室内图像进行采集，预设特征值并根据卷积神经网络进行人物特征识别以实现根据人物特征选择合适的空气消毒方法对空气进行消毒的目的，解决了现有技术中对室内进行空气消毒时缺少智能辅助的技术问题，实现了空气杀毒过程更加人性化的技术效果，进一步提高了智慧生活体验感。
上述说明是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案，下面对本发明实施例或背景技术中所需使用的附图进行说明。
图1为本申请实施例一种空气智能消毒方法的流程示意图；
图2为本申请实施例一种空气智能消毒系统的结构示意图；
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第五获得单元15，总线310，处理器320，收发器330，总线接口340，存储器350，操作系统351，应用程序352，用户接口360。
具体实施方式
本申请实施例通过提供一种空气智能消毒系统及方法，对室内图像进行采集，预设特征值并根据卷积神经网络进行人物特征识别以实现根据人物特征选择合适的空气消毒方法对空气进行消毒的目的，解决了现有技术中对室内进行空气消毒时缺少智能辅助的技术问题，实现了空气杀毒过程更加人性化的技术效果，进一步提高了智慧生活体验感。
下面，将参考附图详细地描述本申请的示例实施例，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
室内消毒的方法分为类型，常见的物理方法例如利用空气净化器的吸附作用对空气进行消杀，常见的化学方法例如喷洒消毒剂利用氧化还原反应进行空气净化等。针对不同的环境和人群，应采取合适的空气消毒方法。现有技术中的空气消毒方法在选用和执行过程中仅依靠人的经验对环境进行判断，会导致消毒过程不顺利，消毒方法的选择不合适等问题的发生，没有智能辅助的情况下，人的工作效率低下，大幅影响了消毒工作的进展。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请提供了一种空气智能消毒系统及方法，其中，所述方法应用于一种空气智能消毒系统，所述方法包括：通过所述图像采集装置获得第一图像信息，所述第一图像信息包括第一预定范围内的图像信息；获得预定卷积核，其中，所述预定卷积核包括第一人物特征、第二人物特征和第三人物特征，其中，所述第一人物特征、所述第二人物特征和所述第三人物特征互不相同；根据所述预定卷积核对所述第一图像信息进行特征提取，获得第一比对结果；根据所述第一比对结果，获得与所述第一比对结果相对应的第一空气质量标准；根据所述第一空气质量标准，对所述第一预定范围内的空气进行消毒。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
图1为本申请实施例一种空气智能消毒方法的流程示意图。如图1所示，所述方法包括：
步骤S100：通过所述图像采集装置获得第一图像信息，所述第一图像信息包括第一预定范围内的图像信息；
具体而言，为降低或排除空气污染，需定时对室内进行空气消毒。室内消毒的方法分为类型，常见的物理方法例如利用空气净化器的吸附作用对空气进行消杀，常见的化学方法例如喷洒消毒剂利用氧化还原反应进行空气净化等，针对不同的环境和人群，应采取合适的空气消毒方法。本申请实施例通过图像采集装置获得第一图像信息，以便对杀毒环境进行分析。所述第一图像信息包括第一预定范围内的图像信息，所述第一预定范围为本申请实施例所述方法的实施地点范围，为保证杀毒工作的有效性，通常将其设定为室内范围。
步骤S200：获得预定卷积核，其中，所述预定卷积核包括第一人物特征、第二人物特征和第三人物特征，其中，所述第一人物特征、所述第二人物特征和所述第三人物特征互不相同；
具体而言，卷积核本质上是一种特征提取器，应用于神经网络模型，能够对目标值进行提取以实现相关对比运算。所述预定卷积核为提前输入的信息集合，其内容包含第一人物特征、第二人物特征和第三人物特征，所述第一人物特征、第二人物特征和第三人物特征分别指不同类型的人物具有的属性信息，用于将被识别对象划分为三种类型。举例而言，所述第一人物特征可以为皮肤松弛、面部起色较差等信息，当系统识别到所述第一人物特征时，将被识别对象划分至“老年人”类别。
步骤S300：根据所述预定卷积核对所述第一图像信息进行特征提取，获得第一比对结果；
具体而言，所述第一比对结果是预期特征值与目标人物特征值之间的差异，所述预定卷积核对所述第一图像信息进行特征提取，并获得第一比对结果的步骤分为物体定位、物体识别、目标分割和关键点检测。对于图片提取而言，设计合理的卷积核并经过卷积运算和池化后便可得到期望的值。卷积神经网络(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。目标值通过卷积神经网络进行训练，能够使得所述第一比对结果的值更加准确。
步骤S400：根据所述第一比对结果，获得与所述第一比对结果相对应的第一空气质量标准；
步骤S500：根据所述第一空气质量标准，对所述第一预定范围内的空气进行消毒。
具体而言，所述第一比对结果展现了所述第一人物特征与所述第一图像信息之间的差异，当差异不存在时，说明所述第一图像信息即为所述第一人物特征所要检索的目标，随即获得对应的第一空气质量标准，并对所述第一预定范围内的空气进行消毒。举例而言，当所述预定卷积核的第一人物特征信息的表现形式为儿童且第一图像信息显示同样的结果时，所述第一对比结果显示所述第一图像信息与所述第一人物特征信息相吻合，此时，所述第一空气质量标准应当为儿童适用的标准。本申请实施例通过提供一种空气智能消毒系统及方法，对室内图像进行采集，预设特征值并根据卷积神经网络进行人物特征识别以实现根据人物特征选择合适的空气消毒方法对空气进行消毒的目的，解决了现有技术中对室内进行空气消毒时缺少智能辅助的技术问题。
进一步地，本申请实施例步骤S400还包括：
步骤S410：将所述第一比对结果输入相似度等级评估模型，获得所述第一比对结果的第一相似度等级；
步骤S420：根据所述第一相似度等级，获得与所述第一相似度等级相对应的第一空气质量标准。
具体而言，所述第一相似度等级反映了所述第一图像信息中所述第一人物特征、第二人物特征和第三人物特征的特征占有量的程度，举例而言，当所述第一相似度等级较高时，说明所述第一图像信息中占有的人物特征越丰富，人物类型也就越丰富。同时，通过得所述第一相似度等级的获得，使得所述第一比对结果与所述第一空气质量标准之间的对应关系更加明确，能够有效降低系统的错误率。
进一步地，本申请实施例还包括步骤S600，其中，步骤S600包括：
步骤S610：获得所述第一预定范围内的第一空气成分信息和各成分信息的含量信息；
步骤S620：将所述第一空气成分信息和所述各成分信息的含量信息输入空气质量评估模型，获得所述第一预定范围内的空气质量信息；
步骤S630：根据所述第一空气质量标准和所述空气质量信息，对所述第一预定范围内的空气进行消毒。
具体而言，在对空气进行消毒前，需要获得空气的具体成分信息，以便于确定具体的消毒方法或消毒剂的具体配比情况。通过将所述第一预定范围内的第一空气成分信息和所述各成分信息的含量信息输入空气质量评估模型，可获得所述第一预定范围内的空气质量信息。所述空气质量评估模型为机器学习中的神经网络模型，神经网络(NeuralNetworks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial NeuralNetworks)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型，通过大量训练数据的训练，将所述第一空气成分信息和所述各成分信息的含量信息输入神经网络模型，获得所述第一预定范围内的空气质量信息。根据所述第一空气质量标准和所述空气质量信息，对所述第一预定范围内的空气进行消毒，达到了针对具体环境提供合理的消毒方案的目的，同时，引入神经网络模型确保了所述空气质量信息获取的准确性。
进一步地，本申请实施例步骤S700，其中，步骤S700包括：
步骤S710：获得所述第一预定范围的第一位置信息；
步骤S720：获得所述第一位置信息的环境信息；
步骤S730：判断所述环境信息是否包括预定污染源；
步骤S740：如果所述环境信息包括所述预定污染源，获得第一消毒指令，所述第一消毒指令用于控制所述系统对所述预定污染源产生的有害物质进行消杀。
具体而言，在对所述第一预定范围进行空气消毒前，可获取第一预定范围的大环境信息，根据大环境信息对消毒操作进行完善。所述第一预定范围的第一位置信息指所述第一预定范围的地理位置，通过获得所述第一预定范围的第一位置信息，可以对附近生态环境等信息进行获取并判断其受污染程度。当所述第一位置的环境信息包括所述预定污染源，获得第一消毒指令。所述预定污染源是根据所述第一位置的环境信息预设的有概率发生的污染事件，所述第一消毒指令用于控制所述系统对所述预定污染源产生的有害物质进行消杀。通过对所述第一预定范围的所处地理环境信息提前获取并预设一个极有可能出现的污染源，通过对该污染源进行有目的地特定排查，进一步加强了环境防护，建立了针对性应对机制，提高了空气质量分析的效率。
进一步地，本申请实施例步骤S740还包括：
步骤S741：获得所述第一预定范围内的第二空气成分信息；
步骤S742：判断所述第一预定范围内的第二空气成分信息中是否包含所述预定污染源产生的有害物质；
步骤S743：如果所述第一预定范围内的第二空气成分信息中包含所述预定污染源产生的有害物质，获得第一消毒指令。
具体而言，通过分析环境中的空气成分，对有害物质进行识别，可以针对性地得出消毒方案。所述第二空气成分信息由所述第一预定范围获得，对所述第二空气成分信息进行分析，判断其中是否包含所述预定污染源产生的有害物质，例如金属粉尘、有害气体等，若所述第一预定范围内的第二空气成分信息中包含所述预定污染源产生的有害物质，则获得能够同时消灭该有害物质的消毒指令。通过对空气成分信息进行具体分析，并对有害物质进行捕获，可以将所述第一消毒指令精准地定位在能消除该有害物质的基础上，最终完成所述第一预定范围的空气消毒作业，确保有害物质无残留，彻底消除安全隐患。
进一步地，本申请实施例步骤S740还包括：
步骤S744：如果所述第一预定范围内的第二空气成分信息中不包含所述预定污染源产生的有害物质，获得第一预警指令；
步骤S745：根据所述第一预警指令，提醒所述系统进入第一预定准备状态。
具体而言，若所述第一预定范围内的第二空气成分信息中不包含所述预定污染源产生的有害物质，说明所述预定污染源的获取结果不准确或所述第二空气成分中已不包含其余有害物质，无论是哪一种情况，都需要对系统进行优化，使得获取的信息更准确。所述第一预警指令用于提醒所述系统进入第一预定准备状态，所述第一预定准备状态是空气消毒前的准备期，在所述第一预定准备状态下，系统的管理员可对系统的信息获取单元进行优化设置，以便再次启动时系统能够更新设置并达最佳状态。通过不断优化设置，所述空气智能消毒系统的精确程度会得到进一步地提升。
进一步地，本申请实施例步骤S620还包括：
步骤S621：通过多组所述第一空气成分信息和所述各成分信息的含量信息对神经网络模型进行训练，构建所述空气质量评估模型；
步骤S622：将所述第一空气成分信息和所述各成分信息的含量信息作为输入信息输入所述空气质量评估模型；
步骤S623：获得所述空气质量评估模型的输出信息，所述输出信息包括所述第一预定范围内的空气质量信息。
具体而言，所述空气质量评估模型通过多组训练数据训练获得，所述训练的过程实质为监督学习的过程，基于历史数据中的治疗行为和治疗节点状态数据进行模型训练，通过带标签的数据去训练，误差自初始至末态传输，对网络进行微调。基于历史数据得到的各层参数进一步优化调整个多层模型的参数，这一步是一个有监督训练过程，通过进一步的监督学习可获得所述空气质量评估模型。所述空气质量评估模型用于空气质量进行评价，将所述第一空气成分信息和所述各成分信息的含量信息输入空气质量评估模型，可获得空气质量评估模型的输出结果，所述输出结果包括所述第一预定范围内的空气质量信息。基于所述机器学习模型能不断学习、获取经验来处理数据的方式，使得所述空气质量信息的获得更为准确。
综上所述，本申请实施例所提供的一种空气智能消毒系统及方法具有如下技术效果：
1.本申请实施例通过提供一种空气智能消毒系统及方法，对室内图像进行采集，预设特征值并根据卷积神经网络进行人物特征识别以实现根据人物特征选择合适的空气消毒方法对空气进行消毒的目的，解决了现有技术中对室内进行空气消毒时缺少智能辅助的技术问题，实现了空气杀毒过程更加人性化的技术效果，进一步提高了智慧生活体验感。
2.通过引入神经网络模型对空气质量进行评估，将所述第一空气成分信息和所述各成分信息的含量信息输入空气质量评估模型，获得所述第一预定范围内的空气质量信息。所述空气质量评估模型为一机器学习模型，基于机器学习模型能不断学习、获取经验来处理数据的方式，使得对空气质量信息的评估结果的获得更为准确。
实施例二
基于与前述实施例中一种空气智能消毒系统及方法同样发明构思，本发明还提供了一种空气智能消毒系统，如图2所示，所述系统包括：
第一获得单元11，所述第一获得单元11用于通过所述图像采集装置获得第一图像信息，所述第一图像信息包括第一预定范围内的图像信息；
第二获得单元12，所述第二获得单元12用于获得预定卷积核，其中，所述预定卷积核包括第一人物特征、第二人物特征和第三人物特征，其中，所述第一人物特征、所述第二人物特征和所述第三人物特征互不相同；
第三获得单元13，所述第三获得单元13用于根据所述预定卷积核对所述第一图像信息进行特征提取，获得第一比对结果；
第四获得单元14，所述第四获得单元14用于根据所述第一比对结果，获得与所述第一比对结果相对应的第一空气质量标准；
第五获得单元15，所述第五获得单元15用于根据所述第一空气质量标准，对所述第一预定范围内的空气进行消毒。
进一步地，所述系统还包括：
第六获得单元，所述第六获得单元用于将所述第一比对结果输入相似度等级评估模型，获得所述第一比对结果的第一相似度等级；
第七获得单元，所述第七获得单元用于根据所述第一相似度等级，获得与所述第一相似度等级相对应的第一空气质量标准。
进一步地，所述系统还包括：
第八获得单元，所述第八获得单元用于获得所述第一预定范围内的第一空气成分信息和各成分信息的含量信息；
第九获得单元，所述第九获得单元用于将所述第一空气成分信息和所述各成分信息的含量信息输入空气质量评估模型，获得所述第一预定范围内的空气质量信息；
第一执行单元，所述第一执行单元用于根据所述第一空气质量标准和所述空气质量信息，对所述第一预定范围内的空气进行消毒。
进一步地，所述系统还包括：
第十获得单元，所述第十获得单元用于获得所述第一预定范围的第一位置信息；
第十一获得单元，所述第十一获得单元用于获得所述第一位置信息的环境信息；
第一判断单元，所述第一判断单元用于判断所述环境信息是否包括预定污染源；
第十二获得单元，所述第十二获得单元用于当所述环境信息包括所述预定污染源，获得第一消毒指令，所述第一消毒指令用于控制所述系统对所述预定污染源产生的有害物质进行消杀。
进一步地，所述系统还包括：
第十三获得单元，所述第十三获得单元用于获得所述第一预定范围内的第二空气成分信息；
第二判断单元，所述第二判断单元用于判断所述第一预定范围内的第二空气成分信息中是否包含所述预定污染源产生的有害物质；
第十四获得单元，所述第十四获得单元用于当所述第一预定范围内的第二空气成分信息中包含所述预定污染源产生的有害物质，获得第一消毒指令。
进一步地，所述系统还包括：
第十五获得单元，所述第十五获得单元用于当所述第一预定范围内的第二空气成分信息中不包含所述预定污染源产生的有害物质，获得第一预警指令；
第一提醒单元，所述第一提醒单元用于根据所述第一预警指令，提醒所述系统进入第一预定准备状态；
进一步地，所述系统还包括：
第一构建单元，所述第一构建单元用于通过多组所述第一空气成分信息和所述各成分信息的含量信息对神经网络模型进行训练，构建所述空气质量评估模型；
第一输入单元，所述第一输入单元用于将所述第一空气成分信息和所述各成分信息的含量信息作为输入信息输入所述空气质量评估模型；
第十六获得单元，所述第十六获得单元用于获得所述空气质量评估模型的输出信息，所述输出信息包括所述第一预定范围内的空气质量信息。
关于空气智能消毒系统的具体限定可以参见上文中空气智能消毒系统及方法的限定，在此不再赘述。上述空气智能消毒系统中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个单元对应的操作。
示例性电子设备
本发明实施例还提供了一种电子设备，包括总线，收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序和操作系统，该收发器、存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述空气智能消毒系统及方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
下面参考图3来描述本申请实施例的电子设备。
参见图3所示，本发明实施例还提供了一种电子设备，该电子设备包括总线310、处理器320、收发器330、总线接口340、存储器350和用户接口360。
在本发明实施例中，该电子设备还包括：存储在存储器350上并可在处理器320上运行的计算机程序，计算机程序被处理器320执行时实现上述空气智能消毒系统及方法实施例的各个过程。
本发明实施例中，总线架构(用总线310来代表)，总线310可以包括任意数量互联的总线和桥，总线310将包括由处理器320代表的一个或多个处理器与存储器350代表的存储器的各种电路连接在一起。
总线310表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线以及存储器控制器、外围总线、加速图形端口(Accelerate Graphical Port，AGP)、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括；工业标准体系结构(Industry Standard Architecture，ISA)总线、微通道体系结构(Micro Channel Architecture，MCA)总线、扩展ISA(Enhanced ISA，EISA)总线、视频电子标准协会(Video Electronics Standards Association，VESA)、外围部件互连(Peripheral Component Interconnect，PCI)总线。
总线310还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。
处理器320可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器(Central Processing Unit，CPU)，网络处理器(Network Processor，NP)、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(FieldProgrammable Gate Array，FPGA)、复杂可编程逻辑器件(Complex Programmable LogicDevice，CPLD)、可编程逻辑阵列(Programmable Logic Array，PLA)微控制单元(Microcontroller Unit，MCU)或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器320可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(Random Access Memory，RAM)，闪存(FlashMemory)、只读存储器(Read-Only Memory，ROM)，可编程只读存储器(Programmable ROM，PROM)，可擦除可编程只读存储器(Erasable PROM，EPROM)、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
收发器330，用于在处理器320的控制下接收和发送数据。收发器330可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器330从其他设备接收外部数据，收发器330用于将处理器320处理后的数据发送给其他设备。取决于计算机系统的性质，还可以提供用户接口360，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔等。
存储器350可进一步包括相对于处理器320远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络(Ad hocnetwork)，内联网(Intranet)、外联网(Extranet)，虚拟专用网(VPN)、局域网(LAN)、无线局域网(WLAN)、广域网(WAN)、无线广域网(WWAN)、城域网(MAN)、互联网(Intemet)、公共交换电话网(PSTN)、普通老式电话业务网(POTS)，蜂窝电话网，无线网络、无线保真(Wi-Fi)网络以及两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信(GSM)系统、码分多址(CDMA)系统、全球微波互联接入(WiMAX)系统、通用分组无线业务(GPRS)系统、宽带码分多址(WCDMA)系统、长期演进(LTE)系统、LTE频分双工(FDD)系统、LTE时分双工(TDD)系统、先进长期演进(LTE-A)系统、通用移动通信(UMTS)系统、增强移动宽带(Enhance Mobile Broadband，eMBB)系统，海量机器类通信(massivc Machinc Typc ofCommunication，mMTC)系统，超可靠低时延通信(Ultra Reliable Low LatencyCommunications，uRLLC)系统等。
在本发明实施例中，存储器350进一步包括操作系统351和应用程序352。操作系统35l包含各种系统程序，例如：框架层，核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序352包含各种应用程序，例如：媒体播放器(Media Player)，浏览器(Browser)，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序352中。应用程序352包括：小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体或详细，但并不能因此而理解为对发明专利范围的限制，应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以作出若干变形和改进，这些都属于本申请的保护范围。因此，本申请实施例的保护范围应以权利要求为准。

Claims (9)

1.一种空气智能消毒系统，其中，所述系统与一图像采集装置通信连接，所述系统包括：
第一获得单元，所述第一获得单元用于通过所述图像采集装置获得第一图像信息，所述第一图像信息包括第一预定范围内的图像信息；
第二获得单元，所述第二获得单元用于获得预定卷积核，其中，所述预定卷积核包括第一人物特征、第二人物特征和第三人物特征，其中，所述第一人物特征、所述第二人物特征和所述第三人物特征互不相同；
第三获得单元，所述第三获得单元用于根据所述预定卷积核对所述第一图像信息进行特征提取，获得第一比对结果；
第四获得单元，所述第四获得单元用于根据所述第一比对结果，获得与所述第一比对结果相对应的第一空气质量标准；
第五获得单元，所述第五获得单元用于根据所述第一空气质量标准，对所述第一预定范围内的空气进行消毒。
2.如权利要求1所述的系统，其中，所述第四获得单元还包括：
第六获得单元，所述第六获得单元用于将所述第一比对结果输入相似度等级评估模型，获得所述第一比对结果的第一相似度等级；
第七获得单元，所述第七获得单元用于根据所述第一相似度等级，获得与所述第一相似度等级相对应的第一空气质量标准。
3.如权利要求1所述的系统，其中，所述系统还包括：
第八获得单元，所述第八获得单元用于获得所述第一预定范围内的第一空气成分信息和各成分信息的含量信息；
第九获得单元，所述第九获得单元用于将所述第一空气成分信息和所述各成分信息的含量信息输入空气质量评估模型，获得所述第一预定范围内的空气质量信息；
第一执行单元，所述第一执行单元用于根据所述第一空气质量标准和所述空气质量信息，对所述第一预定范围内的空气进行消毒。
4.如权利要求1所述的系统，其中，所述系统还包括
第十获得单元，所述第十获得单元用于获得所述第一预定范围的第一位置信息；
第十一获得单元，所述第十一获得单元用于获得所述第一位置信息的环境信息；
第一判断单元，所述第一判断单元用于判断所述环境信息是否包括预定污染源；
第十二获得单元，所述第十二获得单元用于当所述环境信息包括所述预定污染源，获得第一消毒指令，所述第一消毒指令用于控制所述系统对所述预定污染源产生的有害物质进行消杀。
5.如权利要求4所述的系统，其中，所述第十二获得单元还包括：
第十三获得单元，所述第十三获得单元用于获得所述第一预定范围内的第二空气成分信息；
第二判断单元，所述第二判断单元用于判断所述第一预定范围内的第二空气成分信息中是否包含所述预定污染源产生的有害物质；
第十四获得单元，所述第十四获得单元用于当所述第一预定范围内的第二空气成分信息中包含所述预定污染源产生的有害物质，获得第一消毒指令。
6.如权利要求5所述的系统，其中，所述系统还包括：
第十五获得单元，所述第十五获得单元用于当所述第一预定范围内的第二空气成分信息中不包含所述预定污染源产生的有害物质，获得第一预警指令；
第一提醒单元，所述第一提醒单元用于根据所述第一预警指令，提醒所述系统进入第一预定准备状态。
7.如权利要求3所述的系统，其中，所述第九获得单元还包括；
第一构建单元，所述第一构建单元用于通过多组所述第一空气成分信息和所述各成分信息的含量信息对神经网络模型进行训练，构建所述空气质量评估模型；
第一输入单元，所述第一输入单元用于将所述第一空气成分信息和所述各成分信息的含量信息作为输入信息输入所述空气质量评估模型；
第十六获得单元，所述第十六获得单元用于获得所述空气质量评估模型的输出信息，所述输出信息包括所述第一预定范围内的空气质量信息。
8.一种空气智能消毒方法，其中，所述方法应用于一种空气智能消毒系统，所述系统与一图像采集装置通信连接，所述方法包括：
通过所述图像采集装置获得第一图像信息，所述第一图像信息包括第一预定范围内的图像信息；
获得预定卷积核，其中，所述预定卷积核包括第一人物特征、第二人物特征和第三人物特征，其中，所述第一人物特征、所述第二人物特征和所述第三人物特征互不相同；
根据所述预定卷积核对所述第一图像信息进行特征提取，获得第一比对结果；
根据所述第一比对结果，获得与所述第一比对结果相对应的第一空气质量标准；
根据所述第一空气质量标准，对所述第一预定范围内的空气进行消毒。
9.一种空气智能消毒系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机应用程序和操作系统，其中，所述处理器执行所述程序时实现权利要求8所述方法的步骤。
CN202110731286.0A 2021-06-29 2021-06-29 一种空气智能消毒系统及方法 Active CN113486756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110731286.0A CN113486756B (zh) 2021-06-29 2021-06-29 一种空气智能消毒系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110731286.0A CN113486756B (zh) 2021-06-29 2021-06-29 一种空气智能消毒系统及方法

Publications (2)

Publication Number Publication Date
CN113486756A CN113486756A (zh) 2021-10-08
CN113486756B true CN113486756B (zh) 2022-07-22

Family

ID=77936931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110731286.0A Active CN113486756B (zh) 2021-06-29 2021-06-29 一种空气智能消毒系统及方法

Country Status (1)

Country Link
CN (1) CN113486756B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114062606B (zh) * 2021-11-11 2023-07-07 南通市第二人民医院 一种空气消毒成分检验的智能分析方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104456727A (zh) * 2014-11-06 2015-03-25 华北电力大学 一种室内空气质量的显示与净化的方法及设备
CN105833306A (zh) * 2016-03-31 2016-08-10 太仓日森信息技术有限公司 针对不同人群的细菌浓度超标杀菌系统及其杀菌方法
CN105928099A (zh) * 2016-04-14 2016-09-07 吴本刚 一种智能空气净化机
CN111457493A (zh) * 2020-03-31 2020-07-28 广东美的制冷设备有限公司 空气净化控制方法、装置及相关设备
CN111964209A (zh) * 2020-07-16 2020-11-20 厦门理工学院 一种智能空气净化方法和装置
KR102241673B1 (ko) * 2020-08-07 2021-04-20 최용삼 실내공기 소독장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104456727A (zh) * 2014-11-06 2015-03-25 华北电力大学 一种室内空气质量的显示与净化的方法及设备
CN105833306A (zh) * 2016-03-31 2016-08-10 太仓日森信息技术有限公司 针对不同人群的细菌浓度超标杀菌系统及其杀菌方法
CN105928099A (zh) * 2016-04-14 2016-09-07 吴本刚 一种智能空气净化机
CN111457493A (zh) * 2020-03-31 2020-07-28 广东美的制冷设备有限公司 空气净化控制方法、装置及相关设备
CN111964209A (zh) * 2020-07-16 2020-11-20 厦门理工学院 一种智能空气净化方法和装置
KR102241673B1 (ko) * 2020-08-07 2021-04-20 최용삼 실내공기 소독장치

Also Published As

Publication number Publication date
CN113486756A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
US20210188051A1 (en) Identifying and mitigating vehicle odors
EP4006790A1 (en) Inference device, inference method, and inference program
Aguilar et al. PREGSF90–POSTGSF90: computational tools for the implementation of single-step genomic selection and genome-wide association with ungenotyped individuals in BLUPF90 programs
CN113486756B (zh) 一种空气智能消毒系统及方法
RU2015124595A (ru) Способ и устройство для выдачи подсказок по очистке воздуха, пользовательское оборудование и система
CN109033513B (zh) 电力变压器故障诊断方法与电力变压器故障诊断装置
JP2018191774A (ja) 気流制御システム及び気流制御方法
CN113729657B (zh) 一种基于智能穿戴装置的数据监测方法及系统
McCormick et al. Using Bayesian networks to explore the role of weather as a potential determinant of disease in pigs
CN111580411A (zh) 控制参数优化方法、装置和系统
CN114008436A (zh) 追踪气载颗粒物的系统和方法
CN112904852B (zh) 一种自动驾驶控制方法、装置及电子设备
FI20206252A1 (en) Deviation detection
CN113962380A (zh) 嗅味阈值预测方法、装置和家电设备
CN109376228B (zh) 一种信息推荐方法、装置、设备及介质
CN114857677A (zh) 用于控制空调的方法及装置、空调
CN116168403A (zh) 医疗数据分类模型训练方法、分类方法、装置及相关介质
WO2018211855A1 (ja) 汚染度推定装置及び汚染度推定方法
CN115077932A (zh) 一种高机动救援装备综合试验的方法及系统
CN107833228B (zh) 医疗废物监控方法、装置、系统及电子设备
CN114062606B (zh) 一种空气消毒成分检验的智能分析方法及系统
Tripathi et al. Cloud Based Sewerage Monitoring and Predictive Maintenance Using Machine Learning
Babayani et al. An elaborated SIR model for haemonchosis in sheep in South Africa under a targeted selective anthelmintic treatment regime
Tsirtsis et al. Pooled testing of traced contacts under superspreading dynamics
CN117423476B (zh) 基于降尺度和贝叶斯模型的包虫病流行率预测方法

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