CN114485037B - 一种冰箱及其食材定位方法 - Google Patents
一种冰箱及其食材定位方法 Download PDFInfo
- Publication number
- CN114485037B CN114485037B CN202210127079.9A CN202210127079A CN114485037B CN 114485037 B CN114485037 B CN 114485037B CN 202210127079 A CN202210127079 A CN 202210127079A CN 114485037 B CN114485037 B CN 114485037B
- Authority
- CN
- China
- Prior art keywords
- module
- information
- positioning
- refrigerator
- reader
- 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
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 111
- 239000000463 material Substances 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000007704 transition Effects 0.000 claims abstract description 45
- 230000007246 mechanism Effects 0.000 claims abstract description 38
- 230000009467 reduction Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 239000003507 refrigerant Substances 0.000 description 8
- 235000015278 beef Nutrition 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000005057 refrigeration Methods 0.000 description 6
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 4
- 235000017647 Brassica oleracea var italica Nutrition 0.000 description 4
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 4
- 238000009833 condensation Methods 0.000 description 4
- 235000013372 meat Nutrition 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 235000013311 vegetables Nutrition 0.000 description 4
- 230000005494 condensation Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 229920000122 acrylonitrile butadiene styrene Polymers 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 239000011555 saturated liquid Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
- F25D29/003—Arrangement or mounting of control or safety devices for movable devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
- G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
- G06K19/067—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components
- G06K19/07—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components with integrated circuit chips
- G06K19/077—Constructional details, e.g. mounting of circuits in the carrier
- G06K19/07749—Constructional details, e.g. mounting of circuits in the carrier the record carrier being capable of non-contact communication, e.g. constructional details of the antenna of a non-contact smart card
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
- G06K7/10297—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves arrangements for handling protocols designed for non-contact record carriers such as RFIDs NFCs, e.g. ISO/IEC 14443 and 18092
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
- G06K7/10316—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves using at least one antenna particularly designed for interrogating the wireless record carriers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2400/00—General features of, or devices for refrigerators, cold rooms, ice-boxes, or for cooling or freezing apparatus not covered by any other subclass
- F25D2400/36—Visual displays
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2500/00—Problems to be solved
- F25D2500/06—Stock management
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2600/00—Control issues
- F25D2600/06—Controlling according to a predetermined profile
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Toxicology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Computer Security & Cryptography (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)
Abstract
本发明公开了一种冰箱及其食材定位方法，所述冰箱包括设于箱门上的显示器以及读写器，所述读写器包括一个读写器主机和若干个天线，读写器主机通过天线发射或接收射频信号给RFID标签，以使所述RFID标签计算信号强度并通过所述天线返回给所述读写器主机。通过获取所述读写器主机收集到的不同天线检测到的同一RFID标签的信号强度信息；然后将所述信号强度信息输入到定位模型中，所述定位模型包括稠密模块、过渡模块、前向模块、反向模块和通道域注意力机制模块；最后在显示器中显示所述定位模型输出的定位信息。通过定位模型实现对冰箱中食材的定位，能提高食材定位的精确度，使得用户可快速得知该食材的存放位置。
Description
技术领域
本发明涉及冰箱技术领域，尤其涉及一种冰箱及其食材定位方法。
背景技术
由于RFID(Radio Frequency Identification，无线射频识别)定位技术的优点在于不进行接触就可以进行信息识别以及在近距离的场景下可以在毫秒内得到厘米级定位精度信度，所以在冰箱领域中常使用RFID标签对食材进行管理。现有冰箱除了通过RFID标签收集食材信息外，还能利用RFID标签进行食材定位，在将RFID标签与食材放置在一起后，通过安置在冰箱中的读写器采集每个标签收到的数据，然后在经由相应的分类算法对数据进行处理预测出每份食材在冰箱中的位置分区，实现食材的智能化管理。但是，现有基于RFID标签识别食物存放位置的技术仅能识别到食物存放在哪一储藏室，并不能进一步识别出食物在该储藏室的分布位置，当储藏室的存储空间较大时，即使告知用户食物的存放位置，仍然无法快速找到这一食材。
发明内容
本发明实施例的目的是提供一种冰箱及其食材定位方法，能提高食材定位的精确度，使得用户可快速得知该食材的存放位置。
为实现上述目的，本发明实施例提供了一种冰箱，包括：
显示器，设于冰箱的箱门上；
读写器，包括一个读写器主机和若干个天线，读写器主机通过天线发射或接收射频信号给RFID标签，以使所述RFID标签计算信号强度并通过所述天线返回给所述读写器主机；
控制器被配置为：
获取所述读写器主机收集到的不同天线检测到的同一RFID标签的信号强度信息；
将所述信号强度信息输入到定位模型中；其中，所述定位模型由服务器预先训练得到，所述定位模型包括稠密模块、过渡模块、前向模块、反向模块和通道域注意力机制模块；
在显示器中显示所述定位模型输出的定位信息。
作为上述方案的改进，所述信号强度信息输入到定位模型中前，所述控制器还被配置为：
利用小波去噪法对所述信号强度信息进行去噪处理操作；
对进行完所述去噪处理操作后的所述信号强度信息进行标准化操作；
对进行完所述标准化操作后的所述信号强度信息进行维度扩充，以将所述信号强度信息的维度扩充至图像数据格式所对应的维度。
作为上述方案的改进，所述稠密模块包括依次连接的第一稠密层、第二稠密层和批归一化层；所述过渡模块包括至少一个卷积层和至少一个池化层；所述通道域注意力机制模块包括压缩层和激发层。
作为上述方案的改进，所述稠密模块用于加强所述信号强度信息中特征的传播；
所述过渡模块用于将所述稠密模块堆叠的深度进行缩减，以对不满足预设的深度条件的数据进行降维；
所述前向模块用于将所述过渡模块中降维数据序列中的每一个点的完整过去信息提供给所述通道域注意力机制模块；
所述反向模块用于将所述过渡模块中降维数据序列中的每一个点的完整未来的信息提供给通道域注意力机制；
所述通道域注意力机制模块用于将所述前向模块和所述反向模块提供的降维数据中每一个点的过去和未来数据进行分类和对比处理，以提取出序列中每一个节点完整的过去和未来的上下文信息，并根据所述上下文信息对图像中的重要信息部分进行可视化。
作为上述方案的改进，所述在显示器中显示所述定位模型输出的定位信息，包括：
获取预先存储的所述冰箱的储藏室的三维模型；
在所述三维模型的查找到与所述定位信息对应的目标位置；
在所述显示器中显示标记有所述目标位置的三维模型；其中，当所述定位信息存在至少两个时，不同的所述定位信息对应的目标位置采用不同的标记方式进行标记。
作为上述方案的改进，所述在显示器中显示所述定位模型输出的定位信息后，所述控制器还被配置为：
接收用户对所述三维模型的控制操作；其中，所述控制操作包括放大操作、缩小操作、旋转操作中的至少一种；
根据所述控制操作对所述三维模型进行显示调整。
本发明实施例还提供了一种冰箱食材定位方法，所述冰箱包括设于箱门上的显示器以及读写器，所述读写器包括一个读写器主机和若干个天线，读写器主机通过天线发射或接收射频信号给RFID标签，以使所述RFID标签计算信号强度并通过所述天线返回给所述读写器主机；则，所述冰箱食材定位方法包括：
获取所述读写器主机收集到的不同天线检测到的同一RFID标签的信号强度信息；
将所述信号强度信息输入到定位模型中；其中，所述定位模型由服务器预先训练得到，所述定位模型包括稠密模块、过渡模块、前向模块、反向模块和通道域注意力机制模块；
在显示器中显示所述定位模型输出的定位信息。
作为上述方案的改进，所述信号强度信息输入到定位模型中前，所述冰箱食材定位方法还包括：
利用小波去噪法对所述信号强度信息进行去噪处理操作；
对进行完所述去噪处理操作后的所述信号强度信息进行标准化操作；
对进行完所述标准化操作后的所述信号强度信息进行维度扩充，以将所述信号强度信息的维度扩充至图像数据格式所对应的维度。
作为上述方案的改进，所述稠密模块包括依次连接的第一稠密层、第二稠密层和批归一化层；所述过渡模块包括至少一个卷积层和至少一个池化层；所述通道域注意力机制模块包括压缩层和激发层。
作为上述方案的改进，所述稠密模块用于加强所述信号强度信息中特征的传播；
所述过渡模块用于将所述稠密模块堆叠的深度进行缩减，以对不满足预设的深度条件的数据进行降维；
所述前向模块用于将所述过渡模块中降维数据序列中的每一个点的完整过去信息提供给所述通道域注意力机制模块；
所述反向模块用于将所述过渡模块中降维数据序列中的每一个点的完整未来的信息提供给通道域注意力机制；
所述通道域注意力机制模块用于将所述前向模块和所述反向模块提供的降维数据中每一个点的过去和未来数据进行分类和对比处理，以提取出序列中每一个节点完整的过去和未来的上下文信息，并根据所述上下文信息对图像中的重要信息部分进行可视化。
相比于现有技术，本发明实施例公开的冰箱及其食材定位方法，所述冰箱包括设于箱门上的显示器以及读写器，所述读写器包括一个读写器主机和若干个天线，读写器主机通过天线发射或接收射频信号给RFID标签，以使所述RFID标签计算信号强度并通过所述天线返回给所述读写器主机。通过获取所述读写器主机收集到的不同天线检测到的同一RFID标签的信号强度信息；然后将所述信号强度信息输入到定位模型中，所述定位模型包括稠密模块、过渡模块、前向模块、反向模块和通道域注意力机制模块；最后在显示器中显示所述定位模型输出的定位信息。通过定位模型实现对冰箱中食材的定位，能提高食材定位的精确度，使得用户可快速得知该食材的存放位置。
附图说明
图1是本发明实施例提供的一种冰箱的结构示意图；
图2是本发明实施例提供的天线在冰箱中的布局示意图；
图3是本发明实施例提供的冰箱中制冷系统的结构示意图；
图4是本发明实施例提供的定位模块的结构框图；
图5是本发明实施例提供的提示模块在冰箱中的结构示意图；
图6是本发明实施例提供的客户端与冰箱的交互示意图；
图7是本发明实施例提供的冰箱食材定位方法的流程图；
图8是本发明实施例提供的对信号强度信息进行预处理的流程图；
图9是本发明实施例提供的在显示器中显示定位信息的流程图；
图10是本发明实施例提供的调整三维模型的流程图。
其中，100、冰箱；200、客户端；300、RFID标签；10、显示器；20、读写器主机；30、天线；40、控制器；50、制冷系统；60、提示模块；1、压缩机；2、冷凝器；3、防凝管；4、干燥过滤器；5、毛细管；6、蒸发器；7、气液分离器。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
参见图1，图1是本发明实施例提供的一种冰箱100的结构示意图，本发明实施例所述的冰箱100包括设于箱门上的显示器10、读写器以及控制器40，所述读写器包括一个读写器主机20和若干个天线30，所述读写器主机20通过天线发射或接收射频信号给RFID标签，以使所述RFID标签计算信号强度并通过所述天线返回给所述读写器主机20。所述控制器40用于控制所述显示器10和所述读写器的工作，以及根据所述读写器主机20返回的RFID标签的信号强度信息对食材进行定位。
值得说明的是，本发明实施例中的一个RFID标签代表一种食材，该RFID标签的标识码在出厂前写入到所述RFID标签的芯片内，以供数据传输和使用，所述RFID标签的标识码和其对应的食材信息，例如食材名称和食材图标等，可以是预先对应存储在预设食材数据库中，从而，冰箱中的控制器40通过读写器可以获取到所述RFID标签的信息中包含的标识码，并根据所述RFID标签的标识码从预设食材数据库中查询得到所述RFID标签对应的食材信息。更进一步地，所述RFID标签的表面上可以是标记有与不同种类的食材对应的标识，例如颜色或是图案等，以供用户识别和区分。当用户向冰箱存放新食品或取出食品时，把对应种类的所述RFID标签一同放入或取出。所述RFID标签由食品级的ABS塑料或PP塑料制成。
参见图2，图2是本发明实施例提供的天线在冰箱中的布局示意图，在本发明实施例中，所述冰箱被划分为三个分区，每个分区均分布有天线，值得说明的是，冰箱分区的划分方式可以根据其储藏室的分布方式来划分，在此不做具体限定。所述天线30发射出电磁波信号用于激活RFID标签，被激活的RFID标签再将电磁波信号传出，由读写器主机20进行数据的读取和采集，从而获得冰箱100内食材的采集数据。
参见图3，图3是本发明实施例提供的冰箱中制冷系统50的结构示意图，所述制冷系统50包括压缩机1、冷凝器2、防凝管3、干燥过滤器4、毛细管5、蒸发器6和气液分离器7。所述制冷系统的工作过程包括压缩过程、冷凝过程、节流过程和蒸发过程。
其中，压缩过程为：插上电冰箱电源线，在温控器的触点接通的情况下，压缩机1开始工作，低温、低压的制冷剂被压缩机1吸入，在压缩机1汽缸内被压缩成高温、高压的过热气体后排出到冷凝器2中；冷凝过程为：高温、高压的制冷剂气体通过冷凝器2散热，温度不断下降，逐渐被冷却为常温、高压的饱和蒸气，并进一步冷却为饱和液体，温度不再下降，此时的温度叫冷凝温度，制冷剂在整个冷凝过程中的压力几乎不变；节流过程为：经冷凝后的制冷剂饱和液体经干燥过滤器4滤除水分和杂质后流入毛细管5，通过它进行节流降压，制冷剂变为常温、低压的湿蒸气；蒸发过程为：常温、低压的湿蒸气在蒸发器6内开始吸收热量进行汽化，不仅降低了蒸发器及其周围的温度，而且使制冷剂变成低温、低压的气体，从蒸发器6出来的制冷剂经过气液分离器7后再次回到压缩机1中，重复以上过程，将电冰箱内的热量转移到箱外的空气中，实现了制冷的目的。
所述控制器40被配置为：
获取所述读写器主机收集到的不同天线检测到的同一RFID标签的信号强度信息；
将所述信号强度信息输入到定位模型中；其中，所述定位模型由服务器预先训练得到，所述定位模型包括稠密模块、过渡模块、前向模块、反向模块和通道域注意力机制模块；
在显示器中显示所述定位模型输出的定位信息。
示例性的，本发明实施例提供的食材定位的响应方式可以通过用户手动触发，比如通过显示器10或者语音输入需要所述冰箱100进行定位的食材，此时所述显示器10或语音输入装置根据用户输入生成对应食材的定位指令，所述控制器40在接收到食材定位指令时，收集所述读写器主机20采集到的不同天线30检测到的同一RFID标签的信号强度信息，比如用户需要查询“牛肉”的存储位置，此时所述控制器40查询到与“牛肉”对应的RFID标签，因此时天线30会收集到冰箱100所有的标签信息，根据RFID标签的标识码获取用户所需的目标RFID标签(即与牛肉进行绑定的标签)，将不同天线检测到的目标RFID标签的信号强度信息筛选出来。在获取到不同天线检测到的同一RFID标签的信号强度信息后，将所述信号强度信息输入到定位模型中，所述定位模型可以根据所述信号强度信息实现对食材的定位，然后在显示器10中显示所述定位模型输出的定位信息，方便用户快速得知该食材的存放位置。
进一步地，所述信号强度信息输入到定位模型中前，所述控制器40还被配置为：
利用小波去噪法对所述信号强度信息进行去噪处理操作；
对进行完所述去噪处理操作后的所述信号强度信息进行标准化操作；
对进行完所述标准化操作后的所述信号强度信息进行维度扩充，以将所述信号强度信息的维度扩充至图像数据格式所对应的维度。
示例性的，为了减少噪声对模型训练时带来的影响，本发明实施例中采用小波去噪的方法对信号强度信息进行去噪，本发明实施例采用的小波去噪法可以采用现有技术中的小波分解与重构去噪法、非线性小波变换阈值法去噪、平移不变量小波法去噪或模极大值法去噪。小波去噪方法是一种建立在小波变换多分辨分析基础上的算法，其基本思想是根据噪声与信号在不同频带上的小波分解系数具有不同强度分布的特点，将各频带上的噪声对应的小波系数去除，保留原始信号的小波分解系数，然后对处理后的系数进行小波重构，得到纯净信号。
示例性的，信号强度信息经过去噪处理操作后，再对信号强度信息进行标准化的操作。本发明实施例中使用Z-score标准化方法。将多组数据转化为无单位的Z-score分值，提高了数据的可比性，削弱了数据的解释性使得数据标准统一化。Z-Score通过(x-μ)/σ将两组或多组数据转化为无单位的Z-Score分值，其中，为总体数据的均值，为总体数据的标准差，为个体观测值，使得数据标准统一化，提高了数据可比性，削弱了数据解释性。
示例性的，在经过前两个数据处理的操作后，将N*8维的信号强度信息扩充为N*9维的信号强度信息，再将N*9维的信号强度信息转化为N*3*3维图像数据格式，再使用补零操作(Zero-Padding)对图像数据的边缘进行进一步的扩充，使其扩充为N*7*7维的图像数据格式，以此增大输入特征矩阵的宽高，有益于对于少量特征的充分利用。
进一步地，在本发明实施例中，在进行完维度扩充后，再对数据进行独热编码，解决了分类器不易处理属性数据的问题，同时起到了对分区数据的维度扩充的作用，提升分区速度。
值得说明的是，本发明实施例所述的定位模型采用DenseNet_SE-less_relu模型，参见图4，图4是本发明实施例提供的定位模块的结构框图，所述定位模型主要是由稠密模块(dense block)101、过渡模块(transition layer)102、前向模块103、反向模块104以及通道域注意力机制模块(SE Block)105构成。采集到的数据经过数据预处理之后，经过一次稠密块后，将其深度进行一个扩充，能够更加充分的使用每个图像数据的少量特征。再使用过渡模块进行一个深度的随机所见，主要是防止网络图像过大导致消耗时间过长，影响正常使用，同时，减少算力的消耗。再继续进行稠密模块与过渡模块的堆叠，前向模块和反向模块负责对每一个标签点完整的过去和未来的上下文信息进行分析处理，可以去除由信号反射叠加或金属材质屏蔽的无效数据信息，最终使用分类层对最终的分区进行分类。
可选地，所述稠密模块包括依次连接的第一稠密层、第二稠密层和批归一化层，所述稠密模块用于加强所述信号强度信息中特征的传播。
示例性的，所述稠密模块是由两个稠密层(dense layer)和一个批归一化层(Batch-Norm layer)叠加所构成的，本发明实现的模型主要使用了三个稠密模块，稠密模块主要用于加强特征的传播，鼓励重复利用特征以及减少了模型参数。
可选地，所述过渡模块包括至少一个卷积层和至少一个池化层，所述过渡模块用于将所述稠密模块堆叠的深度进行缩减，以对不满足预设的深度条件的数据进行降维。
示例性的，所述过渡模块主要是由一个卷积层和一个池化层构成的，本发明实现的模型主要使用了两个所述过渡模块，所述过渡模块主要用于将稠密块堆叠的深度进行缩减，如此对过深的数据进行降维。
可选地，所述前向模块用于将所述过渡模块中降维数据序列中的每一个点的完整过去信息提供给所述通道域注意力机制模块。所述反向模块用于将所述过渡模块中降维数据序列中的每一个点的完整未来的信息提供给通道域注意力机制。
示例性的，过去信息指的是某ID食材标签的信息在一定时间段内会采集n条数据，m是1到n此数据中的某一次数据采集，则1到m-1次数据信息为第m次的过去信息，m+1到n次的数据为第m次的未来信息；前向模块和反向模块之间没有信息流，这样可以有效保证数据流向是非循环的，可以有效缩短模型搭建过程中的数据处理时间，提高了该模型的效率。
可选地，所述通道域注意力机制模块包括压缩层和激发层。所述通道域注意力机制模块用于将所述前向模块和所述反向模块提供的降维数据中每一个点的过去和未来数据进行分类和对比处理，以提取出序列中每一个节点完整的过去和未来的上下文信息，并根据所述上下文信息对图像中的重要信息部分进行可视化。
示例性的，所述通道域注意力机制模块主要用于将前向模块和反向模块提供的降维数据中每一个点的过去和未来数据进行分类和对比处理，从而提取出序列中每一个节点完整的过去和未来的上下文信息，然后根据该上下文信息再对图像中的重要信息部分进行可视化，该方法更加强调重要信息的前后关联关系，对于食材位置信息的判断更加全面和准确，更加适用于食材定位。
DenseNet_SE-less_relu模型搭建完毕之后，需要使用训练集对模型进行训练以及使用测试集对模型进行测试；设置好模型的初始学习率、迭代次数、以及模型的模块个数等参数，将不同条件下所采集到的数据汇成一个训练集，在经过数据预处理之后，将生成的图像数据输入到模型内进行训练，选取模型最优的权重应用于冰箱内食材定位。
可选地，所述在显示器中显示所述定位模型输出的定位信息，包括：
获取预先存储的所述冰箱的储藏室的三维模型；
在所述三维模型的查找到与所述定位信息对应的目标位置；
在所述显示器中显示标记有所述目标位置的三维模型；其中，当所述定位信息存在至少两个时，不同的所述定位信息对应的目标位置采用不同的标记方式进行标记。
示例性的，所述冰箱100的数据库中预先存储有与储藏室结构对应的三维模型，在所述定位模型输出某些食材的定位信息后，在所述三维模型中查找与所述定位信息对应的目标位置，然后通过显示标记的方式将这一目标位置标记出来，用户可迅速得知食材的所在位置。若存在两种以上的食材需要定位，此时在显示时，为避免用户混淆位置，可以采用不同的标记方式进行标记，比如用户需要查找的食材为“牛肉”和“西蓝花”，此时“牛肉”可以采用与肉类食物对应的标记，比如该标记为一个肉类形状的简笔画，“西蓝花”可以采用与蔬菜类食物对应的标记，比如该标记为一个蔬菜形状的简笔画，同时还可以在所述显示器10中一并显示与该标记对应的食材名称，避免用户混淆。
可选地，所述在显示器中显示所述定位模型输出的定位信息后，所述控制器还被配置为：
接收用户对所述三维模型的控制操作；其中，所述控制操作包括放大操作、缩小操作、旋转操作中的至少一种；
根据所述控制操作对所述三维模型进行显示调整。
示例性的，当在所述显示器中显示出有标记的三维模型时，可以接受用户在所述显示器10上的触控操作，比如对所述三维模型进行放大、缩小、旋转等操作，在视野存在遮挡时可通过放大和旋转来看清楚食材在三维模型的位置。
进一步地，参见图5，图5是本发明实施例提供的提示模块60在冰箱100中的结构示意图，所述提示模块60用于播放语音提示，比如食材定位结束时播放食材定位结束的语音提示，同时结合所述三维模型给出语音提示，比如提示用户该食材在哪个层架的哪一位置等，方便用户快速得知食材的存储位置。
更进一步地，参见图6，图6是本发明实施例提供的客户端200与冰箱100的交互示意图，所述客户端200可以直接与所述冰箱100中的控制器40连接所述控制器40可以将食材管理信息发送给所述客户端。用户可以远程对查看冰箱中的食材信息。
相比于现有技术，本发明实施例公开的冰箱100，所述冰箱包括设于箱门上的显示器以及读写器，所述读写器包括一个读写器主机和若干个天线，读写器主机通过天线发射或接收射频信号给RFID标签，以使所述RFID标签计算信号强度并通过所述天线返回给所述读写器主机。通过获取所述读写器主机收集到的不同天线检测到的同一RFID标签的信号强度信息；然后将所述信号强度信息输入到定位模型中，所述定位模型包括稠密模块、过渡模块、前向模块、反向模块和通道域注意力机制模块；最后在显示器中显示所述定位模型输出的定位信息。通过定位模型实现对冰箱中食材的定位，能提高食材定位的精确度，使得用户可快速得知该食材的存放位置。
参见图7，图7是本发明实施例提供的冰箱食材定位方法的流程图,所述冰箱包括设于箱门上的显示器以及读写器，所述读写器包括一个读写器主机和若干个天线，读写器主机通过天线发射或接收射频信号给RFID标签，以使所述RFID标签计算信号强度并通过所述天线返回给所述读写器主机；则，所述冰箱食材定位方法包括步骤S1～S3：
S1、获取所述读写器主机收集到的不同天线检测到的同一RFID标签的信号强度信息；
S2、将所述信号强度信息输入到定位模型中；其中，所述定位模型由服务器预先训练得到，所述定位模型包括稠密模块、过渡模块、前向模块、反向模块和通道域注意力机制模块；
S3、在显示器中显示所述定位模型输出的定位信息。
示例性的，本发明实施例提供的食材定位的响应方式可以通过用户手动触发，比如通过显示器或者语音输入需要所述冰箱进行定位的食材，此时所述显示器或语音输入装置根据用户输入生成对应食材的定位指令，所述控制器在接收到食材定位指令时，收集所述读写器主机采集到的不同天线检测到的同一RFID标签的信号强度信息，比如用户需要查询“牛肉”的存储位置，此时所述控制器40查询到与“牛肉”对应的RFID标签，因此时天线会收集到冰箱所有的标签信息，根据RFID标签的标识码获取用户所需的目标RFID标签(即与牛肉进行绑定的标签)，将不同天线检测到的目标RFID标签的信号强度信息筛选出来。在获取到不同天线检测到的同一RFID标签的信号强度信息后，将所述信号强度信息输入到定位模型中，所述定位模型可以根据所述信号强度信息实现对食材的定位，然后在显示器中显示所述定位模型输出的定位信息，方便用户快速得知该食材的存放位置。
值得说明的是，本发明实施例所述的冰箱食材定位方法由冰箱中的控制器执行实现，本发明实施例中的一个RFID标签代表一种食材，该RFID标签的标识码在出厂前写入到所述RFID标签的芯片内，以供数据传输和使用，所述RFID标签的标识码和其对应的食材信息，例如食材名称和食材图标等，可以是预先对应存储在预设食材数据库中，从而，冰箱中的控制器通过读写器可以获取到所述RFID标签的信息中包含的标识码，并根据所述RFID标签的标识码从预设食材数据库中查询得到所述RFID标签对应的食材信息。更进一步地，所述RFID标签的表面上可以是标记有与不同种类的食材对应的标识，例如颜色或是图案等，以供用户识别和区分。当用户向冰箱存放新食品或取出食品时，把对应种类的所述RFID标签一同放入或取出。所述RFID标签由食品级的ABS塑料或PP塑料制成。
在本发明实施例中，所述冰箱被划分为三个分区，每个分区均分布有天线，值得说明的是，冰箱分区的划分方式可以根据其储藏室的分布方式来划分，在此不做具体限定。所述天线发射出电磁波信号用于激活RFID标签，被激活的RFID标签再将电磁波信号传出，由读写器主机进行数据的读取和采集，从而获得冰箱内食材的采集数据。
参见图8，图8是本发明实施例提供的对信号强度信息进行预处理的流程图，所述信号强度信息输入到定位模型中前，所述冰箱食材定位方法还包括步骤S101～S103：
S101、利用小波去噪法对所述信号强度信息进行去噪处理操作；
S102、对进行完所述去噪处理操作后的所述信号强度信息进行标准化操作；
S103、对进行完所述标准化操作后的所述信号强度信息进行维度扩充，以将所述信号强度信息的维度扩充至图像数据格式所对应的维度。
示例性的，在步骤S101中，为了减少噪声对模型训练时带来的影响，本发明实施例中采用小波去噪的方法对信号强度信息进行去噪，本发明实施例采用的小波去噪法可以采用现有技术中的小波分解与重构去噪法、非线性小波变换阈值法去噪、平移不变量小波法去噪或模极大值法去噪。小波去噪方法是一种建立在小波变换多分辨分析基础上的算法，其基本思想是根据噪声与信号在不同频带上的小波分解系数具有不同强度分布的特点，将各频带上的噪声对应的小波系数去除，保留原始信号的小波分解系数，然后对处理后的系数进行小波重构，得到纯净信号。
示例性的，在步骤S102中，信号强度信息经过去噪处理操作后，再对信号强度信息进行标准化的操作。本发明实施例中使用Z-score标准化方法。将多组数据转化为无单位的Z-score分值，提高了数据的可比性，削弱了数据的解释性使得数据标准统一化。Z-Score通过(x-μ)/σ将两组或多组数据转化为无单位的Z-Score分值，其中，为总体数据的均值，为总体数据的标准差，为个体观测值，使得数据标准统一化，提高了数据可比性，削弱了数据解释性。
示例性的，在步骤S103中，在经过前两个数据处理的操作后，将N*8维的信号强度信息扩充为N*9维的信号强度信息，再将N*9维的信号强度信息转化为N*3*3维图像数据格式，再使用补零操作(Zero-Padding)对图像数据的边缘进行进一步的扩充，使其扩充为N*7*7维的图像数据格式，以此增大输入特征矩阵的宽高，有益于对于少量特征的充分利用。
进一步地，在本发明实施例中，在进行完维度扩充后，再对数据进行独热编码，解决了分类器不易处理属性数据的问题，同时起到了对分区数据的维度扩充的作用，提升分区速度。
值得说明的是，本发明实施例所述的定位模型采用DenseNet_SE-less_relu模型，所述定位模型主要是由稠密模块(dense block)、过渡模块(transition layer)、前向模块、反向模块以及通道域注意力机制模块(SE Block)构成。采集到的数据经过数据预处理之后，经过一次稠密块后，将其深度进行一个扩充，能够更加充分的使用每个图像数据的少量特征。再使用过渡模块进行一个深度的随机所见，主要是防止网络图像过大导致消耗时间过长，影响正常使用，同时，减少算力的消耗。再继续进行稠密模块与过渡模块的堆叠，前向模块和反向模块负责对每一个标签点完整的过去和未来的上下文信息进行分析处理，可以去除由信号反射叠加或金属材质屏蔽的无效数据信息，最终使用分类层对最终的分区进行分类。
可选地，所述稠密模块包括依次连接的第一稠密层、第二稠密层和批归一化层，所述稠密模块用于加强所述信号强度信息中特征的传播。
示例性的，所述稠密模块是由两个稠密层(dense layer)和一个批归一化层(Batch-Norm layer)叠加所构成的，本发明实现的模型主要使用了三个稠密模块，稠密模块主要用于加强特征的传播，鼓励重复利用特征以及减少了模型参数。
可选地，所述过渡模块包括至少一个卷积层和至少一个池化层，所述过渡模块用于将所述稠密模块堆叠的深度进行缩减，以对不满足预设的深度条件的数据进行降维。
示例性的，所述过渡模块主要是由一个卷积层和一个池化层构成的，本发明实现的模型主要使用了两个所述过渡模块，所述过渡模块主要用于将稠密块堆叠的深度进行缩减，如此对过深的数据进行降维。
可选地，所述前向模块用于将所述过渡模块中降维数据序列中的每一个点的完整过去信息提供给所述通道域注意力机制模块。所述反向模块用于将所述过渡模块中降维数据序列中的每一个点的完整未来的信息提供给通道域注意力机制。
示例性的，过去信息指的是某ID食材标签的信息在一定时间段内会采集n条数据，m是1到n此数据中的某一次数据采集，则1到m-1次数据信息为第m次的过去信息，m+1到n次的数据为第m次的未来信息；前向模块和反向模块之间没有信息流，这样可以有效保证数据流向是非循环的，可以有效缩短模型搭建过程中的数据处理时间，提高了该模型的效率。
可选地，所述通道域注意力机制模块包括压缩层和激发层。所述通道域注意力机制模块用于将所述前向模块和所述反向模块提供的降维数据中每一个点的过去和未来数据进行分类和对比处理，以提取出序列中每一个节点完整的过去和未来的上下文信息，并根据所述上下文信息对图像中的重要信息部分进行可视化。
示例性的，所述通道域注意力机制模块主要用于将前向模块和反向模块提供的降维数据中每一个点的过去和未来数据进行分类和对比处理，从而提取出序列中每一个节点完整的过去和未来的上下文信息，然后根据该上下文信息再对图像中的重要信息部分进行可视化，该方法更加强调重要信息的前后关联关系，对于食材位置信息的判断更加全面和准确，更加适用于食材定位。
DenseNet_SE-less_relu模型搭建完毕之后，需要使用训练集对模型进行训练以及使用测试集对模型进行测试；设置好模型的初始学习率、迭代次数、以及模型的模块个数等参数，将不同条件下所采集到的数据汇成一个训练集，在经过数据预处理之后，将生成的图像数据输入到模型内进行训练，选取模型最优的权重应用于冰箱内食材定位。
参见图9，图9是本发明实施例提供的在显示器中显示定位信息的流程图，在步骤S3中，所述在显示器中显示所述定位模型输出的定位信息，包括步骤S31～S33：
S31、获取预先存储的所述冰箱的储藏室的三维模型；
S32、在所述三维模型的查找到与所述定位信息对应的目标位置；
S33、在所述显示器中显示标记有所述目标位置的三维模型；其中，当所述定位信息存在至少两个时，不同的所述定位信息对应的目标位置采用不同的标记方式进行标记。
示例性的，所述冰箱的数据库中预先存储有与储藏室结构对应的三维模型，在所述定位模型输出某些食材的定位信息后，在所述三维模型中查找与所述定位信息对应的目标位置，然后通过显示标记的方式将这一目标位置标记出来，用户可迅速得知食材的所在位置。若存在两种以上的食材需要定位，此时在显示时，为避免用户混淆位置，可以采用不同的标记方式进行标记，比如用户需要查找的食材为“牛肉”和“西蓝花”，此时“牛肉”可以采用与肉类食物对应的标记，比如该标记为一个肉类形状的简笔画，“西蓝花”可以采用与蔬菜类食物对应的标记，比如该标记为一个蔬菜形状的简笔画，同时还可以在所述显示器10中一并显示与该标记对应的食材名称，避免用户混淆。
参见图10，图10是本发明实施例提供的调整三维模型的流程图，在执行完步骤S31～S33后，所述冰箱食材定位方法还包括步骤S4～S5：
S4、接收用户对所述三维模型的控制操作；其中，所述控制操作包括放大操作、缩小操作、旋转操作中的至少一种；
S5根据所述控制操作对所述三维模型进行显示调整。
示例性的，当在所述显示器中显示出有标记的三维模型时，可以接受用户在所述显示器上的触控操作，比如对所述三维模型进行放大、缩小、旋转等操作，在视野存在遮挡时可通过放大和旋转来看清楚食材在三维模型的位置。
进一步地，本发明实施例提供的冰箱上还设有提示模块，所述提示模块用于播放语音提示，比如食材定位结束时播放食材定位结束的语音提示，同时结合所述三维模型给出语音提示，比如提示用户该食材在哪个层架的哪一位置等，方便用户快速得知食材的存储位置。
相比于现有技术，本发明实施例公开的冰箱食材定位方法，所述冰箱包括设于箱门上的显示器以及读写器，所述读写器包括一个读写器主机和若干个天线，读写器主机通过天线发射或接收射频信号给RFID标签，以使所述RFID标签计算信号强度并通过所述天线返回给所述读写器主机。通过获取所述读写器主机收集到的不同天线检测到的同一RFID标签的信号强度信息；然后将所述信号强度信息输入到定位模型中，所述定位模型包括稠密模块、过渡模块、前向模块、反向模块和通道域注意力机制模块；最后在显示器中显示所述定位模型输出的定位信息。通过定位模型实现对冰箱中食材的定位，能提高食材定位的精确度，使得用户可快速得知该食材的存放位置。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种冰箱，其特征在于，包括：
显示器，设于冰箱的箱门上；
读写器，包括一个读写器主机和若干个天线，读写器主机通过天线发射或接收射频信号给RFID标签，以使所述RFID标签计算信号强度并通过所述天线返回给所述读写器主机；
控制器被配置为：
获取所述读写器主机收集到的不同天线检测到的同一RFID标签的信号强度信息；
将所述信号强度信息输入到定位模型中；其中，所述定位模型由服务器预先训练得到，所述定位模型包括稠密模块、过渡模块、前向模块、反向模块和通道域注意力机制模块；
在显示器中显示所述定位模型输出的定位信息；
其中，所述稠密模块用于加强所述信号强度信息中特征的传播；所述过渡模块用于将所述稠密模块堆叠的深度进行缩减，以对不满足预设的深度条件的数据进行降维；所述前向模块用于将所述过渡模块中降维数据序列中的每一个点的完整过去信息提供给所述通道域注意力机制模块；所述反向模块用于将所述过渡模块中降维数据序列中的每一个点的完整未来的信息提供给通道域注意力机制；所述通道域注意力机制模块用于将所述前向模块和所述反向模块提供的降维数据中每一个点的过去和未来数据进行分类和对比处理，以提取出序列中每一个节点完整的过去和未来的上下文信息，并根据所述上下文信息对图像中的重要信息部分进行可视化。
2.如权利要求1所述的冰箱，其特征在于，所述信号强度信息输入到定位模型中前，所述控制器还被配置为：
利用小波去噪法对所述信号强度信息进行去噪处理操作；
对进行完所述去噪处理操作后的所述信号强度信息进行标准化操作；
对进行完所述标准化操作后的所述信号强度信息进行维度扩充，以将所述信号强度信息的维度扩充至图像数据格式所对应的维度。
3.如权利要求1所述的冰箱，其特征在于，所述稠密模块包括依次连接的第一稠密层、第二稠密层和批归一化层；所述过渡模块包括至少一个卷积层和至少一个池化层；所述通道域注意力机制模块包括压缩层和激发层。
4.如权利要求1所述的冰箱，其特征在于，所述在显示器中显示所述定位模型输出的定位信息，包括：
获取预先存储的所述冰箱的储藏室的三维模型；
在所述三维模型的查找到与所述定位信息对应的目标位置；
在所述显示器中显示标记有所述目标位置的三维模型；其中，当所述定位信息存在至少两个时，不同的所述定位信息对应的目标位置采用不同的标记方式进行标记。
5.如权利要求4所述的冰箱，其特征在于，所述在显示器中显示所述定位模型输出的定位信息后，所述控制器还被配置为：
接收用户对所述三维模型的控制操作；其中，所述控制操作包括放大操作、缩小操作、旋转操作中的至少一种；
根据所述控制操作对所述三维模型进行显示调整。
6.一种冰箱食材定位方法，其特征在于，所述冰箱包括设于箱门上的显示器以及读写器，所述读写器包括一个读写器主机和若干个天线，读写器主机通过天线发射或接收射频信号给RFID标签，以使所述RFID标签计算信号强度并通过所述天线返回给所述读写器主机；则，所述冰箱食材定位方法包括：
获取所述读写器主机收集到的不同天线检测到的同一RFID标签的信号强度信息；
将所述信号强度信息输入到定位模型中；其中，所述定位模型由服务器预先训练得到，所述定位模型包括稠密模块、过渡模块、前向模块、反向模块和通道域注意力机制模块；
在显示器中显示所述定位模型输出的定位信息；
其中，所述稠密模块用于加强所述信号强度信息中特征的传播；所述过渡模块用于将所述稠密模块堆叠的深度进行缩减，以对不满足预设的深度条件的数据进行降维；所述前向模块用于将所述过渡模块中降维数据序列中的每一个点的完整过去信息提供给所述通道域注意力机制模块；所述反向模块用于将所述过渡模块中降维数据序列中的每一个点的完整未来的信息提供给通道域注意力机制；所述通道域注意力机制模块用于将所述前向模块和所述反向模块提供的降维数据中每一个点的过去和未来数据进行分类和对比处理，以提取出序列中每一个节点完整的过去和未来的上下文信息，并根据所述上下文信息对图像中的重要信息部分进行可视化。
7.如权利要求6所述的冰箱食材定位方法，其特征在于，所述信号强度信息输入到定位模型中前，所述冰箱食材定位方法还包括：
利用小波去噪法对所述信号强度信息进行去噪处理操作；
对进行完所述去噪处理操作后的所述信号强度信息进行标准化操作；
对进行完所述标准化操作后的所述信号强度信息进行维度扩充，以将所述信号强度信息的维度扩充至图像数据格式所对应的维度。
8.如权利要求6所述的冰箱食材定位方法，其特征在于，所述稠密模块包括依次连接的第一稠密层、第二稠密层和批归一化层；所述过渡模块包括至少一个卷积层和至少一个池化层；所述通道域注意力机制模块包括压缩层和激发层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210127079.9A CN114485037B (zh) | 2022-02-11 | 2022-02-11 | 一种冰箱及其食材定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210127079.9A CN114485037B (zh) | 2022-02-11 | 2022-02-11 | 一种冰箱及其食材定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114485037A CN114485037A (zh) | 2022-05-13 |
| CN114485037B true CN114485037B (zh) | 2024-04-05 |
Family
ID=81478621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210127079.9A Active CN114485037B (zh) | 2022-02-11 | 2022-02-11 | 一种冰箱及其食材定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114485037B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113915841B (zh) * | 2021-10-18 | 2023-04-07 | 海信冰箱有限公司 | 一种冰箱及其食材定位方法 |
| CN115342585A (zh) * | 2022-08-09 | 2022-11-15 | 海信冰箱有限公司 | 冰箱及冰箱的化霜控制方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107798277A (zh) * | 2016-09-05 | 2018-03-13 | 合肥美的智能科技有限公司 | 食材识别系统和方法、食材模型训练方法、冰箱和服务器 |
| CN111477221A (zh) * | 2020-05-28 | 2020-07-31 | 中国科学技术大学 | 采用双向时序卷积与自注意力机制网络的语音识别系统 |
| CN113627282A (zh) * | 2021-07-23 | 2021-11-09 | 中南民族大学 | 一种基于深度迁移学习的茶叶病害识别方法 |
| CN113792673A (zh) * | 2021-09-16 | 2021-12-14 | 哈尔滨理工大学 | 一种基于注意力机制的场景分类方法及装置 |
| CN113887410A (zh) * | 2021-09-30 | 2022-01-04 | 杭州电子科技大学 | 一种基于深度学习的多类别食材识别系统及方法 |
| WO2022001768A1 (zh) * | 2020-07-01 | 2022-01-06 | 海信视像科技股份有限公司 | 一种冰箱 |
| CN113915887A (zh) * | 2021-04-19 | 2022-01-11 | 海信（山东）冰箱有限公司 | 一种冰箱及其食材定位方法 |
| CN113915841A (zh) * | 2021-10-18 | 2022-01-11 | 海信（山东）冰箱有限公司 | 一种冰箱及其食材定位方法 |
| CN113915840A (zh) * | 2021-10-18 | 2022-01-11 | 海信（山东）冰箱有限公司 | 一种冰箱及其食材定位方法 |
| CN113915835A (zh) * | 2021-08-24 | 2022-01-11 | 海信家电集团股份有限公司 | 一种冰箱和冰箱食材定位方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150045683A (ko) * | 2013-10-21 | 2015-04-29 | 삼성전자주식회사 | 맞춤형 식생활 서비스 제공 방법 및 맞춤형 식생활 서비스 제공 장치 |
-
2022
- 2022-02-11 CN CN202210127079.9A patent/CN114485037B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107798277A (zh) * | 2016-09-05 | 2018-03-13 | 合肥美的智能科技有限公司 | 食材识别系统和方法、食材模型训练方法、冰箱和服务器 |
| CN111477221A (zh) * | 2020-05-28 | 2020-07-31 | 中国科学技术大学 | 采用双向时序卷积与自注意力机制网络的语音识别系统 |
| WO2022001768A1 (zh) * | 2020-07-01 | 2022-01-06 | 海信视像科技股份有限公司 | 一种冰箱 |
| CN113915887A (zh) * | 2021-04-19 | 2022-01-11 | 海信（山东）冰箱有限公司 | 一种冰箱及其食材定位方法 |
| CN113627282A (zh) * | 2021-07-23 | 2021-11-09 | 中南民族大学 | 一种基于深度迁移学习的茶叶病害识别方法 |
| CN113915835A (zh) * | 2021-08-24 | 2022-01-11 | 海信家电集团股份有限公司 | 一种冰箱和冰箱食材定位方法 |
| CN113792673A (zh) * | 2021-09-16 | 2021-12-14 | 哈尔滨理工大学 | 一种基于注意力机制的场景分类方法及装置 |
| CN113887410A (zh) * | 2021-09-30 | 2022-01-04 | 杭州电子科技大学 | 一种基于深度学习的多类别食材识别系统及方法 |
| CN113915841A (zh) * | 2021-10-18 | 2022-01-11 | 海信（山东）冰箱有限公司 | 一种冰箱及其食材定位方法 |
| CN113915840A (zh) * | 2021-10-18 | 2022-01-11 | 海信（山东）冰箱有限公司 | 一种冰箱及其食材定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114485037A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114485037B (zh) | 一种冰箱及其食材定位方法 | |
| US7808366B2 (en) | Refrigerator and method of controlling the same | |
| Yuan et al. | A multiple feature fused model for visual object tracking via correlation filters | |
| CN110414559B (zh) | 智能零售柜商品目标检测统一框架的构建方法及商品识别方法 | |
| CN110163891A (zh) | 基于感知模型的长期目标跟踪方法 | |
| CN107229548B (zh) | 一种基于红外图像的服务器热故障监测及诊断方法 | |
| CN107341813B (zh) | 基于结构学习和素描特性推理网络的sar图像分割方法 | |
| CN111274972B (zh) | 基于度量学习的菜品识别方法及装置 | |
| CN102279383A (zh) | 一种基于有源rfid的室内定位方法 | |
| CN113915840B (zh) | 一种冰箱及其食材定位方法 | |
| CN112766327B (zh) | 空调故障预测方法、电子设备和储存介质 | |
| CN110162013A (zh) | 一种制冷系统故障诊断方法 | |
| CN114623640A (zh) | 一种冰箱及其电子标签管理方法 | |
| CN110309858A (zh) | 基于判别学习的细粒度图像分类算法 | |
| JP2005221163A (ja) | シミュレーション装置、シミュレーション方法、データベース装置およびシミュレーションシステム | |
| CN113915841B (zh) | 一种冰箱及其食材定位方法 | |
| CN102116551A (zh) | 基于射频识别技术的冰箱管理系统 | |
| CN104268852B (zh) | 红外序列图像中弱小目标的检测方法及其检测装置 | |
| CN201689434U (zh) | 基于射频识别技术的冰箱管理系统 | |
| CN116278378B (zh) | 纸张的智能覆膜系统及其方法 | |
| WO2022262234A1 (zh) | 一种冰箱及其食材管理方法及装置 | |
| WO2023196126A1 (en) | Automated plant grouping and tracking using image data | |
| CN112762574B (zh) | 室内机耗电量检测方法、热回收多联机、存储介质及装置 | |
| CN112558760A (zh) | 一种空调器和控制方法 | |
| CN113496245A (zh) | 智能冰箱及识别存取食材的方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: Zhong Guo Address after: 266000 Haixin Avenue, Nancun Town, Pingdu City, Qingdao City, Shandong Province Applicant after: Hisense refrigerator Co.,Ltd. Address before: 266736 No. 8 Haixin Avenue, Nancun Town, Pingdu City, Qingdao City, Shandong Province Applicant before: HISENSE (SHANDONG) REFRIGERATOR Co.,Ltd. Country or region before: Zhong Guo |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |