CN115387063A - 洗衣机的消泡控制方法、装置、存储介质及洗衣机 - Google Patents

Abstract

本发明提供了一种洗衣机的消泡控制方法、装置、存储介质及洗衣机，所述方法包括：获取洗涤阶段的洗衣机内桶的图像信息；调用预先训练得到的泡沫体积占比网络识别模型对所述图像信息进行识别，得到洗衣机内桶中的泡沫占比，所述泡沫占比为泡沫体积与洗衣机内桶总体积的比值；判断所述泡沫占比是否大于预设的消泡阈值；当所述泡沫占比大于所述消泡阈值时，则控制洗衣机执行消泡操作。本发明根据预先训练得到的泡沫体积占比网络识别模型根据洗衣机内桶的图像信息中泡沫占拍摄面积的比值对洗衣机内桶中的泡沫占比进行智能识别，从而更加准确的识别执行消泡程序的时机，避免洗衣机内桶因泡沫过量带来的危害，提升了用户体验。

Description

洗衣机的消泡控制方法、装置、存储介质及洗衣机

技术领域

本发明涉及家电技术领域，尤其涉及一种洗衣机的消泡控制方法、装置、存储介质及洗衣机。

背景技术

洗涤剂在洗衣机的洗涤过程中会产生大量泡沫，如果在洗涤的过程中没有根据洗衣机内桶的泡沫量快速控制消泡，则有可能因为过量的泡沫不但在漂洗时难以完全清除，影响用户的使用体验，同时还可能溢出到洗衣机外部，带来安全隐患。

且传统的洗衣机消泡操作都是按照统一的程序执行，这种不够智能的消泡操作会在泡沫量比较小时还需要根据既定的消泡程序长时间的执行消泡的操作，造成能源和时间的浪费。因而在洗衣机洗涤的过程中何时控制洗衣机执行消泡程序和何时控制洗衣机结束消泡程序，是为提升用户体验而亟待解决的问题。

发明内容

本发明提出了一种洗衣机的消泡控制方法、装置、存储介质及洗衣机，以解决现有技术中洗衣机的消泡控制不够智能的问题。

本发明的一个方面，提供了一种洗衣机的消泡控制方法，所述方法包括：

获取洗涤阶段的洗衣机内桶的图像信息；

调用预先训练得到的泡沫体积占比网络识别模型对所述图像信息进行识别，得到洗衣机内桶中的泡沫占比，所述泡沫占比为泡沫体积与洗衣机内桶总体积的比值；

判断所述泡沫占比是否大于预设的消泡阈值；

当所述泡沫占比大于所述消泡阈值时，则控制洗衣机执行消泡操作。

进一步地，在控制洗衣机执行消泡操作之后，所述方法还包括：

每隔预设的第一时长获取洗衣机内桶的第二图像信息；

调用所述泡沫体积占比网络识别模型对所述第二图像信息进行识别，得到洗衣机内桶中的实时泡沫占比；

判断所述实时泡沫占比是否小于预设的停止阈值；

当所述实时泡沫占比小于所述停止阈值时，则控制洗衣机停止执行消泡操作。

进一步地，在控制洗衣机停止执行消泡操作之后，所述方法还包括：

判断所述洗衣机内桶的泡沫占比是否大于预设的第一泡沫占比；

若所述洗衣机内桶的泡沫占比大于所述第一泡沫占比，则判定泡沫体积占比网络识别模型存在识别误差，并对泡沫体积占比网络识别模型进行修正。

进一步地，在调用预先训练得到的泡沫体积占比网络识别模型对所述洗衣机内桶的图像信息进行识别之前，所述方法还包括：

搭建图像识别神经网络模型；

获取洗衣机内桶的图像信息的训练集，所述洗衣机内桶的图像信息的训练集包括多个设置有泡沫占比标签的洗衣机内桶的图像信息训练样本；

将所述图像信息训练样本输入到所述图像识别神经网络模型，经过训练得到泡沫体积占比网络识别模型。

进一步地，所述对泡沫体积占比网络识别模型进行修正包括：

修改所述图像识别神经网络模型的训练参数；

在洗衣机的后续运行中，将获取的洗衣机内桶的图像信息和与所述图像信息对应的泡沫占比的识别结果重新输入到所述图像识别神经网络模型，对所述图像识别神经网络模型进行负反馈训练，获得更新后的泡沫体积占比网络识别模型。

进一步地，所述修改所述图像识别神经网络模型的训练参数包括：

调节所述图像识别神经网络模型的权重和阈值；和/或，

调节所述图像识别神经网络模型的专业参数。

本发明的另一个方面，提供了一种洗衣机的消泡控制装置，所述装置包括：

获取模块，用于获获取洗涤阶段的洗衣机内桶的图像信息；

识别模块，用于调用预先训练得到的泡沫体积占比网络识别模型对所述图像信息进行识别，得到洗衣机内桶中的泡沫占比，所述泡沫占比为泡沫体积与洗衣机内桶总体积的比值；

判断模块，用于判断所述泡沫占比是否大于预设的消泡阈值；

控制模块，用于当所述实时泡沫占比小于所述停止阈值时，则控制洗衣机停止执行消泡操作。

进一步地，所述获取模块，还用于在控制洗衣机执行消泡程序之后，每隔预设的第一时长获取洗衣机内桶的第二图像信息；

所述识别模块，还用于调用所述泡沫体积占比网络识别模型对所述第二图像信息进行识别，得到洗衣机内桶中的实时泡沫占比；

所述判断模块，还用于判断所述实时泡沫占比是否小于预设的停止阈值；

所述控制模块，还用于当所述实时泡沫占比小于所述停止阈值时，则控制洗衣机停止执行消泡操作。

此外，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述方法的步骤。

此外，本发明还提供了一种洗衣机，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。

本发明实施例提供的洗衣机的消泡控制方法、装置、存储介质及洗衣机，通过调用预先训练得到的泡沫体积占比网络识别模型对洗涤阶段洗衣机内桶图像信息进行识别，得到洗衣机内桶中的泡沫占比，以在泡沫占比大于预设的消泡阈值时，控制洗衣机执行消泡操作。本发明根据预先训练得到的泡沫体积占比网络识别模型根据洗衣机内桶的图像信息中泡沫占拍摄面积的比值对洗衣机内桶中的泡沫占比进行智能识别，从而更加准确的识别执行消泡程序的时机，避免洗衣机内桶因泡沫过量带来的危害，提升了用户体验。

本发明实施例提供的洗衣机的消泡控制方法还能够在控制洗衣机执行消泡操作之后，每隔预设的第一时长获取洗衣机内桶的图像信息，调用所述泡沫体积占比网络识别模型对所述第二图像信息进行识别，得到洗衣机内桶中的实时泡沫占比；判断所述实时泡沫占比是否小于预设的停止阈值；当所述实时泡沫占比小于所述停止阈值时，则控制洗衣机停止执行消泡操作。本发明能够根据实时泡沫占比智能化的控制消泡操作的结束时机，避免了洗衣机消泡操作都是按照统一的程序执行造成泡沫量比较小时还需要根据既定的消泡程序长时间的执行消泡的操作。本发明的消泡控制方法能够进一步节约消泡操作的时间和能源，提升用户体验。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例提供的一种洗衣机的消泡控制方法的流程示意图；

图2为实时拍摄的洗衣机内桶的图像；

图3为本发明实施例的对洗衣机内桶的图像进行处理之后的图像；

图4为本发明实施例提供的一种洗衣机的消泡控制装置的结构示意图。

具体实施方式

为了使本领域技术人员更好的理解本发明方案，下面将结合本发明实施例中的附图，对本发明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，都属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本发明实施例的洗衣机具有图像采集装置，用于对洗衣机内桶进行图像采集，以便于根据采集到的图像信息执行洗衣机的消泡控制方法。

图1示意性示出了本发明实施例提供的一种洗衣机的消泡控制方法的流程图，由图1可知，本发明的洗衣机的消泡控制方法包括如下步骤：

S1、获取洗涤阶段的洗衣机内桶的图像信息；

S2、调用预先训练得到的泡沫体积占比网络识别模型对所述图像信息进行识别，得到洗衣机内桶中的泡沫占比，所述泡沫占比为泡沫体积与洗衣机内桶总体积的比值；

在发明实施例中的泡沫体积占比网络识别模型为预先训练得到的，在训练的过程中，研发人员需要采集大量的如图2所示的洗衣机内桶的图像信息，并对该图像的泡沫占比设置泡沫占比标签，做成如图3所示的将图2的图像进行了标记处理的训练样本，以便于神经网络模型训练使用。具体的，在本法实施例可以通过labelme打标软件进行打标处理。需要说明的是，在本发明实施例中获取的洗衣机内桶的图像信息为平面图像，本发明的训练样本为根据实际操作中平面图像中的泡沫面积占比设置泡沫体积与洗衣机内桶总体积的比值的标签，以便于泡沫体积占比网络识别模型只利用平面图像便智能化的能识别出泡沫体积与洗衣机内桶总体积的比值。避免了单纯依靠面积占比进行泡沫占比判断造成的识别误差。

具体的，本发明实施例在调用预先训练得到的泡沫体积占比网络识别模型对所述洗衣机内桶的图像信息进行识别之前，所述方法还包括：搭建图像识别神经网络模型；获取洗衣机内桶的图像信息的训练集，所述洗衣机内桶的图像信息的训练集包括多个设置有泡沫占比标签的洗衣机内桶的图像信息训练样本；将所述图像信息训练样本输入到所述图像识别神经网络模型，经过训练得到泡沫体积占比网络识别模型。

进一步地，在洗衣机的实际运行中，将洗衣机内桶的图像输入到泡沫体积占比网络识别模型，该网络识别模型便能自动识别出将洗衣机内桶的泡沫占比。

S3、判断所述泡沫占比是否大于预设的消泡阈值；

在本发明实施例中，当泡沫占比大于所述消泡阈值时则说明此时洗衣机内桶的泡沫体积过大，需要执行消泡操作。其消泡阈值为系统预先设定的，可以根据用户的需求设定，也可以根据具体的洗涤程序进行设定，例如当执行婴儿洗时，其消泡阈值设定为0.4，在执行普通洗涤是，其消泡阈值设定为0.5等，对此本发明不做过多限定。

S4、当所述泡沫占比大于所述消泡阈值时，则控制洗衣机执行消泡操作。

本发明实施例的洗衣机的消泡控制方法还包括对控制洗衣机执行消泡程序智能识别出退出时机，以避免时间和资源的浪费，具体的，本发明实施例在在控制洗衣机执行消泡程序之后，所述方法还包括附图中未示出的如下步骤：

S5、每隔预设的第一时长获取洗衣机内桶的第二图像信息；

在本发明实施例中，预设的第一时长为系统预设的时间阈值，其具体的取值根据控制精度设定，对此本发明不做限定。

S6、调用所述泡沫体积占比网络识别模型对所述第二图像信息进行识别，得到洗衣机内桶中的实时泡沫占比；

S7、判断所述实时泡沫占比是否小于预设的停止阈值；

在本发明实施例中，预设的停止阈值为系统预先设定的，可以根据用户的需求设定，也可以根据具体的洗涤程序进行设定，例如当执行婴儿洗时，其停止阈值设定为0.1，在执行普通洗涤是，其停止阈值设定为0.2等，对此本发明不做过多限定。

S8、当所述实时泡沫占比小于所述停止阈值时，则控制洗衣机停止执行消泡操作。

在本发明实施例中当实时泡沫占比小于所述停止阈值时则控制洗衣机结束当前的消泡程序，不必等到整个消泡程序完全执行完再退出消泡程序，加快了洗涤进度，也避免了时间和水资源的浪费。

进一步地，在本发明实施例中，当整个消泡程序的执行过程中均没有检测到实时泡沫占比小于所述停止阈值的时刻，则在整个消泡程序执行完毕后，控制洗衣机退出消泡操作。经过大量试验可以发现，洗衣机一般执行完既定的消泡程序后均能达到满意的消泡效果，因而若整个过程均没有检测到实时泡沫占比小于所述停止阈值时的时刻，则证明泡沫体积占比网络识别模型存在识别误差，需要对该泡沫体积占比网络识别模型进行修正。

因而，本发明实施例的洗衣机的消泡控制方法在控制洗衣机结束消泡操作之后，判断所述洗衣机内桶的泡沫占比是否大于预设的第一泡沫占比；若所述洗衣机内桶的泡沫占比大于所述第一泡沫占比，则判定泡沫体积占比网络识别模型存在识别误差，并对泡沫体积占比网络识别模型进行修正。

其中第一泡沫占比为预设的消泡程序结束后能够接受的最大泡沫占比值，若实时泡沫占比高于该值则对泡沫体积占比网络识别模型进行修正。

具体的，对泡沫体积占比网络识别模型进行修正包括：修改所述图像识别神经网络模型的训练参数；在洗衣机的后续运行中，将获取的洗衣机内桶的图像信息和与所述图像信息对应的泡沫占比的识别结果重新输入到所述图像识别神经网络模型，对所述图像识别神经网络模型进行负反馈训练，获得更新后的泡沫体积占比网络识别模型。

在本发明实施例中，所述修改所述图像识别神经网络模型的训练参数包括：调节所述图像识别神经网络模型的权重和阈值；和/或，调节所述图像识别神经网络模型的专业参数。

一般地，当判定需要对泡沫体积占比网络识别模型进行修正时，先通过程序自动对图像识别神经网络模型的权重和阈值进行调节，若调节后的效果扔得不到满足，则需要通知专业人员手动对图像识别神经网络模型的专业参数进行调节，该专业参数包括神经网络的学习率，学习步长，梯度下降方法以及池化方法等等专业参数。此外，可以同时对两类参数进行调节，对此本发明不做限定。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

图4示意性示出了本发明一个实施例的一种洗衣机的消泡控制装置的结构示意图。参照图4，本发明实施例的一种洗衣机的消泡控制装置具体包括获取模块401、识别模块402、判断模块403和控制模块404，其中：

获取模块401，用于获获取洗涤阶段的洗衣机内桶的图像信息；

识别模块402，用于调用预先训练得到的泡沫体积占比网络识别模型对所述图像信息进行识别，得到洗衣机内桶中的泡沫占比，所述泡沫占比为泡沫体积与洗衣机内桶总体积的比值；

判断模块403，用于判断所述泡沫占比是否大于预设的消泡阈值；

控制模块404，用于当所述实时泡沫占比小于所述停止阈值时，则控制洗衣机停止执行消泡操作。

进一步地，所述获取模块401，还用于在控制洗衣机执行消泡程序之后，每隔预设的第一时长获取洗衣机内桶的第二图像信息；

所述识别模块402，还用于调用所述泡沫体积占比网络识别模型对所述第二图像信息进行识别，得到洗衣机内桶中的实时泡沫占比；

所述判断模块403，还用于判断所述实时泡沫占比是否小于预设的停止阈值；

所述控制模块404，还用于当所述实时泡沫占比小于所述停止阈值时，则控制洗衣机停止执行消泡操作。

进一步地，在控制洗衣机结束消泡程序之后，

所述判断模块403，还用于判断所述洗衣机内桶的泡沫占比是否大于预设的第一泡沫占比；

若所述洗衣机内桶的泡沫占比大于所述第一泡沫占比，则判定泡沫体积占比网络识别模型存在识别误差，并对泡沫体积占比网络识别模型进行修正。

进一步地，洗衣机的消泡控制装置还包括负反馈模块和修正模块；

所述修正模块，用于修改所述图像识别神经网络模型的训练参数；

所述负反馈模块，用于在洗衣机的后续运行中，将获取的洗衣机内桶的图像信息和与所述图像信息对应的泡沫占比的识别结果重新输入到所述图像识别神经网络模型，对所述图像识别神经网络模型进行负反馈训练，获得更新后的泡沫体积占比网络识别模型。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

本发明实施例提供的洗衣机的消泡控制方法、装置，所述方法包括：获取洗涤阶段的洗衣机内桶的图像信息；调用预先训练得到的泡沫体积占比网络识别模型对所述图像信息进行识别，得到洗衣机内桶中的泡沫占比，所述泡沫占比为泡沫体积与洗衣机内桶总体积的比值；判断所述泡沫占比是否大于预设的消泡阈值；当所述泡沫占比大于所述消泡阈值时，则控制洗衣机执行消泡操作。本发明根据预先训练得到的泡沫体积占比网络识别模型根据洗衣机内桶的图像信息中泡沫占拍摄面积的比值对洗衣机内桶中的泡沫占比进行智能识别，从而更加准确的识别执行消泡程序的时机，避免洗衣机内桶因泡沫过量带来的危害，提升了用户体验。

本发明实施例提供的洗衣机的消泡控制方法还能够在控制洗衣机执行消泡操作之后，每隔预设的第一时长获取洗衣机内桶的图像信息，调用所述泡沫体积占比网络识别模型对所述第二图像信息进行识别，得到洗衣机内桶中的实时泡沫占比；判断所述实时泡沫占比是否小于预设的停止阈值；当所述实时泡沫占比小于所述停止阈值时，则控制洗衣机停止执行消泡操作。本发明能够根据实时泡沫占比智能化的控制消泡操作的结束时机，避免了洗衣机消泡操作都是按照统一的程序执行造成泡沫量比较小时还需要根据既定的消泡程序长时间的执行消泡的操作。本发明的消泡控制方法能够进一步节约消泡操作的时间和能源，提升用户体验。

此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法的步骤。

本实施例中，所述一种洗衣机的消泡控制装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本发明实施例提供的洗衣机，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程序，所述处理器执行所述计算机程序时实现上述各个湿帘清洗提醒的方法实施例中的步骤，例如图1所示的S1-S4的洗衣机的消泡控制方法的步骤。或者，洗衣机的消泡控制装置实施例中各模块/单元的功能，例如图4所示的包括获取模块401、识别模块402、判断模块403和控制模块404。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在对应洗衣机的消泡控制装置中的执行过程。

所述系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述系统并不构成对系统的限定，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，例如所述系统还可以包括输入输出系统、网络接入系统、总线等。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，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)、现成可编程门阵列(Field-Programmable Gate Array，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，所述处理器是所述系统的控制中心，利用各种接口和线路连接整个系统的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

在本发明实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性或其它的形式。

本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种洗衣机的消泡控制方法，其特征在于，所述方法包括：

获取洗涤阶段的洗衣机内桶的图像信息；

调用预先训练得到的泡沫体积占比网络识别模型对所述图像信息进行识别，得到洗衣机内桶中的泡沫占比，所述泡沫占比为泡沫体积与洗衣机内桶总体积的比值；

判断所述泡沫占比是否大于预设的消泡阈值；

当所述泡沫占比大于所述消泡阈值时，则控制洗衣机执行消泡操作。

2.根据权利要求1所述的方法，其特征在于，在控制洗衣机执行消泡操作之后，所述方法还包括：

每隔预设的第一时长获取洗衣机内桶的第二图像信息；

调用所述泡沫体积占比网络识别模型对所述第二图像信息进行识别，得到洗衣机内桶中的实时泡沫占比；

判断所述实时泡沫占比是否小于预设的停止阈值；

当所述实时泡沫占比小于所述停止阈值时，则控制洗衣机停止执行消泡操作。

3.根据权利要求1所述的方法，其特征在于，在控制洗衣机停止执行消泡操作之后，所述方法还包括：

判断所述洗衣机内桶的泡沫占比是否大于预设的第一泡沫占比；

若所述洗衣机内桶的泡沫占比大于所述第一泡沫占比，则判定泡沫体积占比网络识别模型存在识别误差，并对泡沫体积占比网络识别模型进行修正。

4.根据权利要求3所述的方法，其特征在于，在调用预先训练得到的泡沫体积占比网络识别模型对所述洗衣机内桶的图像信息进行识别之前，所述方法还包括：

搭建图像识别神经网络模型；

获取洗衣机内桶的图像信息的训练集，所述洗衣机内桶的图像信息的训练集包括多个设置有泡沫占比标签的洗衣机内桶的图像信息训练样本；

将所述图像信息训练样本输入到所述图像识别神经网络模型，经过训练得到泡沫体积占比网络识别模型。

5.根据权利要求4所述的方法，其特征在于，所述对泡沫体积占比网络识别模型进行修正包括：

修改所述图像识别神经网络模型的训练参数；

在洗衣机的后续运行中，将获取的洗衣机内桶的图像信息和与所述图像信息对应的泡沫占比的识别结果重新输入到所述图像识别神经网络模型，对所述图像识别神经网络模型进行负反馈训练，获得更新后的泡沫体积占比网络识别模型。

6.根据权利要求5所述的方法，其特征在于，所述修改所述图像识别神经网络模型的训练参数包括：

调节所述图像识别神经网络模型的权重和阈值；和/或，

调节所述图像识别神经网络模型的专业参数。

7.一种洗衣机的消泡控制装置，其特征在于，所述装置包括：

获取模块，用于获获取洗涤阶段的洗衣机内桶的图像信息；

识别模块，用于调用预先训练得到的泡沫体积占比网络识别模型对所述图像信息进行识别，得到洗衣机内桶中的泡沫占比，所述泡沫占比为泡沫体积与洗衣机内桶总体积的比值；

判断模块，用于判断所述泡沫占比是否大于预设的消泡阈值；

控制模块，用于当所述实时泡沫占比小于所述停止阈值时，则控制洗衣机停止执行消泡操作。

8.根据权利要求7所述的装置，其特征在于，

所述获取模块，还用于在控制洗衣机执行消泡程序之后，每隔预设的第一时长获取洗衣机内桶的第二图像信息；

所述识别模块，还用于调用所述泡沫体积占比网络识别模型对所述第二图像信息进行识别，得到洗衣机内桶中的实时泡沫占比；

所述判断模块，还用于判断所述实时泡沫占比是否小于预设的停止阈值；

所述控制模块，还用于当所述实时泡沫占比小于所述停止阈值时，则控制洗衣机停止执行消泡操作。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。

10.一种洗衣机，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述方法的步骤。

Images