CN115796846B - 一种设备清洁服务推荐方法、装置、设备及可读存储介质 - Google Patents
一种设备清洁服务推荐方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115796846B CN115796846B CN202310046692.2A CN202310046692A CN115796846B CN 115796846 B CN115796846 B CN 115796846B CN 202310046692 A CN202310046692 A CN 202310046692A CN 115796846 B CN115796846 B CN 115796846B
- Authority
- CN
- China
- Prior art keywords
- information
- equipment
- cleaning
- impurity
- cleaning service
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种设备清洁服务推荐方法、装置、设备及可读存储介质,涉及数据处理技术领域,包括通过声波设备获取设备内杂质信息和图像采集设备获取设备表面杂质信息,进而建立三维空间直角坐标系,快速确定设备的所有杂质位置信息,将所述设备的所有杂质位置信息发送至训练后的预测神经网络模型内进行处理,得到至少一条清洁路线信息;然后基于对客户历史采用的服务和清洁路线信息进行服务确定和推荐。本发明通过训练后的预测神经网络模型生成最少化清洁过程所需的时间和资源的有效清洁路线,可以使清洁更加有效率通过对杂质位置使得清洁服务更加科学合理,确保推荐的清洁服务是客户最经济和最有效的选择,减少客户成本。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种设备清洁服务推荐方法、装置、设备及可读存储介质。
背景技术
随着社会的发展,越来越多的公司或者工厂用到机械化设备,但是设备往往在使用一段时间后会产生堆积大量的灰尘或者杂质,但是公司或者工厂往往没有专业的清洁人员,灰尘等杂质进而加快设备老化,因此需要一种能自动判断识别设备是否需要清洁,并基于设备信息给与最合适的清洁服务的方法和装置,进而保证能够及时清洁设备内灰尘和杂质,按时保养设备,减少设备老化速度。
发明内容
本发明的目的在于提供一种设备清洁服务推荐方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种设备清洁服务推荐方法,包括:
获取第一信息、第二信息和第三信息,所述第一信息包括声波发射器和声波接收器采集到的时域信号信息,所述第二信息包括需要清洁服务的设备信息和需要清洁服务的设备图像信息,所述第三信息包括客户历史采用的清洁服务信息;
将所述第一信息发送至杂质判断模块进行处理,确定设备内的杂质位置信息;
将所述设备内的杂质位置信息和所述第二信息建立三维空间模型,确定设备的所有杂质位置信息,所述设备的所有杂质位置信息包括设备内的杂质位置坐标信息和设备表面的杂质位置的坐标信息;
将所述设备的所有杂质位置信息发送至训练后的预测神经网络模型内进行处理,得到至少一条清洁路线信息;
将所有的所述清洁路线信息和所述第三信息发送至清洁服务推荐模块进行清洁服务推荐分析,并将得到的最优路线的清洁服务信息发送至显示模块进行推荐,所述清洁服务推荐模块为推荐最优路线、最优价格和最优时间的清洁服务的模块。
第二方面,本申请还提供了一种设备清洁服务推荐装置,包括:
获取单元,用于获取第一信息、第二信息和第三信息,所述第一信息包括声波发射器和声波接收器采集到的时域信号信息,所述第二信息包括需要清洁服务的设备信息和需要清洁服务的设备图像信息,所述第三信息包括客户历史采用的清洁服务信息;
判断单元,用于将所述第一信息发送至杂质判断模块进行处理,确定设备内的杂质位置信息;
第一处理单元,用于将所述设备内的杂质位置信息和所述第二信息建立三维空间模型,确定设备的所有杂质位置信息,所述设备的所有杂质位置信息包括设备内的杂质位置坐标信息和设备表面的杂质位置的坐标信息;
第二处理单元,用于将所述设备的所有杂质位置信息发送至训练后的预测神经网络模型内进行处理,得到至少一条清洁路线信息;
分析单元,用于将所有的所述清洁路线信息和所述第三信息发送至清洁服务推荐模块进行清洁服务推荐分析,并将得到的最优路线的清洁服务信息发送至显示模块进行推荐,所述清洁服务推荐模块为推荐最优路线、最优价格和最优时间的清洁服务的模块。
第三方面,本申请还提供了一种设备清洁服务推荐设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述设备清洁服务推荐方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于设备清洁服务推荐方法的步骤。
本发明的有益效果为:
本发明通过利用声波发射器和声波接收器采集到的时域信号信息,可以确定设备内的杂质位置信息,进而通过设备内的杂质位置信息和需要清洁的设备建立三维空间模型,确定设备的所有杂质位置信息,使得可以更精确地找到设备内所有的杂质位置,这有助于更准确地评估设备的清洁需求。通过训练后的预测神经网络模型得到至少一条清洁路线信息,生成最少化清洁过程所需的时间和资源的有效清洁路线,可以使清洁更加有效率。利用清洁服务推荐模块进行清洁服务推荐分析,可以确定最优路线、最优价格和最优时间的清洁服务,使得清洁服务更加科学合理,确保推荐的清洁服务是客户最经济和最有效的选择,减少客户成本。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中所述的设备清洁服务推荐方法流程示意图;
图2为本发明实施例中所述的设备清洁服务推荐装置结构示意图;
图3为本发明实施例中所述的设备清洁服务推荐设备结构示意图。
图中标记:701、获取单元;702、判断单元;703、第一处理单元;704、第二处理单元;705、分析单元;7021、第一处理子单元;7022、第一计算子单元;7023、第二处理子单元;7031、第三处理子单元;7032、第一转换子单元;7033、第四处理子单元;7034、第二转换子单元;7035、第二计算子单元;7041、分类子单元;7042、第五处理子单元;7043、第一分析子单元;7044、判断子单元;7051、第三计算子单元;7052、第二分析子单元;7053、第六处理子单元;70531、第七处理子单元;70532、第四计算子单元;70533、第八处理子单元;800、设备清洁服务推荐设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种设备清洁服务推荐方法。
参见图1,图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取第一信息、第二信息和第三信息,所述第一信息包括声波发射器和声波接收器采集到的时域信号信息,所述第二信息包括需要清洁服务的设备信息和需要清洁服务的设备图像信息,所述第三信息包括客户历史采用的清洁服务信息;
可以理解的是本步骤通过采集声波信号、需要清洁的设备图像和客户历史采用的服务信息,保障能够快速查找到清洁设备内部和外部的所有杂质,提高清洁服务的确定效率。
步骤S2、将所述第一信息发送至杂质判断模块进行处理,确定设备内的杂质位置信息;
可以理解的是本步骤通过对第一信息进行处理,快速确定设备内的杂质信息,防止拆开设备后没有找到杂质,导致时间成本增加,本步骤中,步骤S2包括步骤S21、步骤S22和步骤S23。
步骤S21、将所述第一信息进行环道切除,并截取声波经过所述设备时的信号作为有效信号;
可以理解的是本步骤通过对所述第一信息进行环道切除,去除时域信号的噪声,并提高分析声波信号的准确性。
步骤S22、将所述有效信号分别与声波发射器发送的信号进行互相关计算,得到反应设备内杂质的波列信息;
可以理解的是本步骤通过将所述有效信号分别与声波发射器发送的信号进行互相关计算,得到反映设备内杂质的波列信息,为之后的杂质位置信息的确定做准备。
步骤S23、基于傅里叶变换将所述反应设备内杂质的波列信息进行滤波和振幅补偿处理,并将处理后波列信息和预设的全新设备的波列信息进行对比,得到设备内的杂质位置信息。
可以理解的是本步骤中通过傅里叶变换将所述反应设备内杂质的波列信息进行滤波和振幅补偿处理,减少声波误差,提高分析的准确性和可靠性。
步骤S3、将所述设备内的杂质位置信息和所述第二信息建立三维空间模型,确定设备的所有杂质位置信息,所述设备的所有杂质位置信息包括设备内的杂质位置坐标信息和设备表面的杂质位置的坐标信息;
可以理解的是本步骤通过建立三维空间模型,可以直观的知道设备内所有杂质的位置信息,全面的了解每个杂质的位置,可以更快速的进行清洁路线的确定,本步骤中,步骤S3包括步骤S31、步骤S32、步骤S33、步骤S34和步骤S35。
步骤S31、基于所述需要清洁服务的设备信息和所述需要清洁服务的设备图像信息建立三维空间模型,其中以需要清洁服务的设备的底部中心作为原点,基于需要清洁服务的设备图像信息建立三维空间模型;
可以理解的是本步骤通过建立三维空间模型,可以更全面的了解杂质在既定空间内的位置。
步骤S32、将所述设备内的杂质位置信息发送至所述三维空间模型内进行坐标转换,得到设备内的杂质位置坐标信息;
可以理解的是本步骤通过坐标转换步骤,可以精确的表示每个杂质位置信息,为之后的杂质确定路线做准备。
步骤S33、将所述第二信息进行灰度变换得到设备的灰度图像信息,并将所述设备的灰度图像进行轮廓识别,其中将所述设备得到灰度图像信息内包含的不同灰度值的区域的交界处进行连线,得到至少一个轮廓图像信息;
步骤S34、将所有的轮廓图像信息发送至所述三维空间模型内进行坐标转换,得到设备表面的杂质轮廓的坐标信息;
步骤S35、基于欧式距离的计算方法计算设备表面的杂质轮廓坐标信息的中心点坐标信息,并将所述中心点坐标信息作为设备表面的杂质位置的坐标信息。
可以理解的是本步骤通过对所有的设备图像进行灰度转换,智能识别杂质图像,进而确定杂质轮廓,然后快速确定杂质位置,精确的表示出杂质的大小和位置可以,位置后的确定清洁路线提供精确信息,减少推荐服务的误差,实现客观的服务推荐,保障服务质量。
步骤S4、将所述设备的所有杂质位置信息发送至训练后的预测神经网络模型内进行处理,得到至少一条清洁路线信息;
可以理解的是本步骤通过神经网络模型自动确定清洁路线,减少人工误差,达到高效快速的目的,本步骤中,步骤S4包括步骤S41、步骤S42、步骤S43和步骤S44。
步骤S41、将预设的历史设备的所有杂质位置信息和预设的历史设备清洁路线信息进行分类,得到一个训练集和一个验证集;
步骤S42、将所述训练集发送至LSTM神经网络模型中进行清洁路线预测,其中基于所述训练集预测得到至少一条预测清洁路线信息;
可以理解的是本步骤通历史设备杂质位置和历史识别清洁路线进行训练,然后通过过LSTM神经网络模型进行路线预测,得到至少一条清洁路线,通过神经网络模型快速高效的预测清洁路线,减少人工判断,减少人工处理的主观性。
步骤S43、将所有的预测清洁路线信息中经过的位置坐标分别与验证集内历史设备清洁路线信息经过的位置坐标进行关联分析,得到每个预测清洁路线信息与验证集内历史清洁路线信息的关联度值;
步骤S44、将所有的所述关联度值与预设的阈值进行对比,若所有的所述关联度值均大于预设的阈值,则得到训练后的预测神经网络模型。
可以理解的是本步骤通过利用验证集中的历史设备清洁路线信息对预测清洁路线信息进行关联分析,以计算每个预测清洁路线信息与验证集内历史清洁路线信息的关联度值。这有助于评估模型的准确性,并为下一步的决策提供依据,通过判断关联度与预设阈值的大小,能够确定模型的准确度,并确定是否可以使用该模型。这有助于保证清洁服务的质量,并避免在未来使用不准确的清洁路线信息导致清洁不彻底的情况出现。
步骤S5、将所有的所述清洁路线信息和所述第三信息发送至清洁服务推荐模块进行清洁服务推荐分析,并将得到的最优路线的清洁服务信息发送至显示模块进行推荐,所述清洁服务推荐模块为推荐最优路线、最优价格和最优时间的清洁服务的模块。
可以理解的是本步骤通过将所有的清洁路线进行清洁方式组合,确定每个清洁路线上的清洁方式,得到至少两种清洁服务信息,然后将所有的清洁服务进行对比,得到最适合客户的清洁服务,并进行推荐,本步骤中,步骤S5包括步骤S51、步骤S52和步骤S53。
步骤S51、基于所有的所述清洁路线信息和预设的清洁服务价格计算所有所述清洁路线上每种清洁服务的清洁价格和清洁时间;
可以理解的是本步骤通过将清洁路线信息、每种清洁服务价格和每种清洁服务时间进行组合,确定每条清洁路线上的清洁服务价格和清洁时间。
步骤S52、将所述客户历史采用的清洁服务信息进行编码特征提取,其中将客户的历史清洁服务信息包含的历史清洁价格编码和清洁时间编码进行聚类分析,得到至少两个聚类簇;
步骤S53、基于层次分析法确定每个所述聚类簇内聚类点的数量所占权重,并将所述权重作为修正系数和所述清洁路线上每种清洁服务的清洁价格和清洁时间发送至清洁服务推荐模型进行清洁服务预测,得到最优路线的清洁服务推荐信息,所述最优路线的清洁服务推荐信息为推荐最优路线上的最优价格和最优时间的服务信息。
可以理解的是本步骤通过将客户的历史数据作为参考,并提取历史清洁服务的编码特征,对清洁服务推荐模型内的清洁服务预测参数进行修正,进而更加准确的确定最优的清洁服务,本步骤中,步骤S53包括步骤S531、步骤S532和步骤S533。
步骤S531、将所有所述清洁路线上每种清洁服务的清洁价格和清洁时间作为输入参数输入至BP神经网络模型,并将所述输入参数进行初始化处理;
步骤S532、将初始化处理后的输入参数基于粒子群优化算法计算每个粒子的适应度值,按照最优位置计算公式对所述适应度值的大小处理,并基于修正系数与所述适应度值进行乘积计算,确定每个粒子的个体最优位置和全局最优位置;
步骤S533、基于粒子群优化算法动态跟踪个体最优位置和全局最优位置,直至所述粒子群优化算法达到最大迭代次数,得到最优路线的清洁服务推荐信息,所述最优路线的清洁服务推荐信息为推荐最优路线上的最优价格和最优时间的服务信息。
可以理解的是本步骤通过粒子群优化算法选取最优的清洁服务信息,并通过修正系数进行修正,进而使清洁服务的推荐更加准确,其中粒子群优化算法是一种进行优化计算的算法,可以有效地确定最优解。粒子群优化算法可以动态跟踪个体最优位置和全局最优位置,使得模型能够更快地收敛于最优解。通过使用粒子群优化算法,可以更好地确定最优路线上的最优价格和最优时间的服务信息。
可以理解的是本步骤中的最优位置计算公式如下所示:
其中,为更新后的速度,为当前的速度,和为学习因子,通常取2,为粒
子当前位置,a为粒子总数,为取0到1之间的随机数,为到目前为止本粒子
发现的最佳位置,为到目前位置所有粒子发现的最佳位置,为惯性因子。
实施例2:
如图2所示,本实施例提供了一种设备清洁服务推荐装置,所述装置包括获取单元701、判断单元702、第一处理单元703、第二处理单元704和分析单元705。
获取单元701,用于获取第一信息、第二信息和第三信息,所述第一信息包括声波发射器和声波接收器采集到的时域信号信息,所述第二信息包括需要清洁服务的设备信息和需要清洁服务的设备图像信息,所述第三信息包括客户历史采用的清洁服务信息;
判断单元702,用于将所述第一信息发送至杂质判断模块进行处理,确定设备内的杂质位置信息;
其中,所述判断单元702包括第一处理子单元7021、第一计算子单元7022和第二处理子单元7023。
第一处理子单元7021,用于将所述第一信息进行环道切除,并截取声波经过所述设备时的信号作为有效信号;
第一计算子单元7022,用于将所述有效信号分别与声波发射器发送的信号进行互相关计算,得到反应设备内杂质的波列信息;
第二处理子单元7023,用于基于傅里叶变换将所述反应设备内杂质的波列信息进行滤波和振幅补偿处理,并将处理后波列信息和预设的全新设备的波列信息进行对比,得到设备内的杂质位置信息。
第一处理单元703,用于将所述设备内的杂质位置信息和所述第二信息建立三维空间模型,确定设备的所有杂质位置信息,所述设备的所有杂质位置信息包括设备内的杂质位置坐标信息和设备表面的杂质位置的坐标信息;
其中,第一处理单元703包括第三处理子单元7031、第一转换子单元7032、第四处理子单元7033、第二转换子单元7034和第二计算子单元7035。
第三处理子单元7031,用于基于所述需要清洁服务的设备信息和所述需要清洁服务的设备图像信息建立三维空间模型,其中以需要清洁服务的设备的底部中心作为原点,基于需要清洁服务的设备图像信息建立三维空间模型;
第一转换子单元7032,用于将所述设备内的杂质位置信息发送至所述三维空间模型内进行坐标转换,得到设备内的杂质位置坐标信息;
第四处理子单元7033,用于将所述第二信息进行灰度变换得到设备的灰度图像信息,并将所述设备的灰度图像进行轮廓识别,其中将所述设备得到灰度图像信息内包含的不同灰度值的区域的交界处进行连线,得到至少一个轮廓图像信息;
第二转换子单元7034,用于将所有的轮廓图像信息发送至所述三维空间模型内进行坐标转换,得到设备表面的杂质轮廓的坐标信息;
第二计算子单元7035,用于基于欧式距离的计算方法计算设备表面的杂质轮廓坐标信息的中心点坐标信息,并将所述中心点坐标信息作为设备表面的杂质位置的坐标信息。
第二处理单元704,用于将所述设备的所有杂质位置信息发送至训练后的预测神经网络模型内进行处理,得到至少一条清洁路线信息;
其中,所述第二处理单元704包括分类子单元7041、第五处理子单元7042、第一分析子单元7043和判断子单元7044。
分类子单元7041,用于将预设的历史设备的所有杂质位置信息和预设的历史设备清洁路线信息进行分类,得到一个训练集和一个验证集;
第五处理子单元7042,用于将所述训练集发送至LSTM神经网络模型中进行清洁路线预测,其中基于所述训练集预测得到至少一条预测清洁路线信息;
第一分析子单元7043,用于将所有的预测清洁路线信息中经过的位置坐标分别与验证集内历史设备清洁路线信息经过的位置坐标进行关联分析,得到每个预测清洁路线信息与验证集内历史清洁路线信息的关联度值;
判断子单元7044,用于将所有的所述关联度值与预设的阈值进行对比,若所有的所述关联度值均大于预设的阈值,则得到训练后的预测神经网络模型。
分析单元705,用于将所有的所述清洁路线信息和所述第三信息发送至清洁服务推荐模块进行清洁服务推荐分析,并将得到的最优路线的清洁服务信息发送至显示模块进行推荐,所述清洁服务推荐模块为推荐最优路线、最优价格和最优时间的清洁服务的模块。
其中,所述分析单元705包括第三计算子单元7051、第二分析子单元7052和第六处理子单元7053。
第三计算子单元7051,用于基于所有的所述清洁路线信息和预设的清洁服务价格计算所有所述清洁路线上每种清洁服务的清洁价格和清洁时间;
第二分析子单元7052,将所述客户历史采用的清洁服务信息进行编码特征提取,其中将客户的历史清洁服务信息包含的历史清洁价格编码和清洁时间编码进行聚类分析,得到至少两个聚类簇;
第六处理子单元7053,用于基于层次分析法确定每个所述聚类簇内聚类点的数量所占权重,并将所述权重作为修正系数和所述清洁路线上每种清洁服务的清洁价格和清洁时间发送至清洁服务推荐模型进行清洁服务预测,得到最优路线的清洁服务推荐信息,所述最优路线的清洁服务推荐信息为推荐最优路线上的最优价格和最优时间的服务信息。
其中,所述第六处理子单元7053包括第七处理子单元70531、第四计算子单元70532和第八处理子单元70533。
第七处理子单元70531,用于将所有所述清洁路线上每种清洁服务的清洁价格和清洁时间作为输入参数输入至BP神经网络模型,并将所述输入参数进行初始化处理;
第四计算子单元70532,用于将初始化处理后的输入参数基于粒子群优化算法计算每个粒子的适应度值,按照最优位置计算公式对所述适应度值的大小处理,并基于修正系数与所述适应度值进行乘积计算,确定每个粒子的个体最优位置和全局最优位置;
第八处理子单元70533,用于基于粒子群优化算法动态跟踪个体最优位置和全局最优位置,直至所述粒子群优化算法达到最大迭代次数,得到最优路线的清洁服务推荐信息,所述最优路线的清洁服务推荐信息为推荐最优路线上的最优价格和最优时间的服务信息。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种设备清洁服务推荐设备,下文描述的一种设备清洁服务推荐设备与上文描述的一种设备清洁服务推荐方法可相互对应参照。
图3是根据示例性实施例示出的一种设备清洁服务推荐设备800的框图。如图3所示,该设备清洁服务推荐设备800可以包括:处理器801,存储器802。该设备清洁服务推荐设备800还可以包括多媒体组件803, I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该设备清洁服务推荐设备800的整体操作,以完成上述的设备清洁服务推荐方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该设备清洁服务推荐设备800的操作,这些数据例如可以包括用于在该设备清洁服务推荐设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(ElectricallyErasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该设备清洁服务推荐设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,设备清洁服务推荐设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(ProgrammableLogic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的设备清洁服务推荐方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的设备清洁服务推荐方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由设备清洁服务推荐设备800的处理器801执行以完成上述的设备清洁服务推荐方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种设备清洁服务推荐方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的设备清洁服务推荐方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种设备清洁服务推荐方法,其特征在于,包括:
获取第一信息、第二信息和第三信息,所述第一信息包括声波发射器和声波接收器采集到的时域信号信息,所述第二信息包括需要清洁服务的设备信息和需要清洁服务的设备图像信息,所述第三信息包括客户历史采用的清洁服务信息;
将所述第一信息发送至杂质判断模块进行处理,确定设备内的杂质位置信息;
将所述设备内的杂质位置信息和所述第二信息建立三维空间模型,确定设备的所有杂质位置信息,所述设备的所有杂质位置信息包括设备内的杂质位置坐标信息和设备表面的杂质位置的坐标信息;
将所述设备的所有杂质位置信息发送至训练后的预测神经网络模型内进行处理,得到至少一条清洁路线信息;
将所有的所述清洁路线信息和所述第三信息发送至清洁服务推荐模块进行清洁服务推荐分析,并将得到的最优路线的清洁服务信息发送至显示模块进行推荐,所述清洁服务推荐模块为推荐最优路线、最优价格和最优时间的清洁服务的模块;
其中,将所述设备内的杂质位置信息和所述第二信息建立三维空间模型,确定设备的所有杂质位置信息,包括:
基于所述需要清洁服务的设备信息和所述需要清洁服务的设备图像信息建立三维空间模型,其中以需要清洁服务的设备的底部中心作为原点,基于需要清洁服务的设备图像信息建立三维空间模型;
将所述设备内的杂质位置信息发送至所述三维空间模型内进行坐标转换,得到设备内的杂质位置坐标信息;
将所述第二信息进行灰度变换得到设备的灰度图像信息,并将所述设备的灰度图像进行轮廓识别,其中将所述设备得到灰度图像信息内包含的不同灰度值的区域的交界处进行连线,得到至少一个轮廓图像信息;
将所有的轮廓图像信息发送至所述三维空间模型内进行坐标转换,得到设备表面的杂质轮廓的坐标信息;
基于欧式距离的计算方法计算设备表面的杂质轮廓坐标信息的中心点坐标信息,并将所述中心点坐标信息作为设备表面的杂质位置的坐标信息;
其中,所述训练后的预测神经网络模型的构建方法,包括:
将预设的历史设备的所有杂质位置信息和预设的历史设备清洁路线信息进行分类,得到一个训练集和一个验证集;
将所述训练集发送至LSTM神经网络模型中进行清洁路线预测,其中基于所述训练集预测得到至少一条预测清洁路线信息;
将所有的预测清洁路线信息中经过的位置坐标分别与验证集内历史设备清洁路线信息经过的位置坐标进行关联分析,得到每个预测清洁路线信息与验证集内历史清洁路线信息的关联度值;
将所有的所述关联度值与预设的阈值进行对比,若所有的所述关联度值均大于预设的阈值,则得到训练后的预测神经网络模型。
2.根据权利要求1所述的设备清洁服务推荐方法,其特征在于,将所述第一信息发送至杂质判断模块进行处理,确定设备内的杂质位置信息,包括:
将所述第一信息进行环道切除,并截取声波经过所述设备时的信号作为有效信号;
将所述有效信号分别与声波发射器发送的信号进行互相关计算,得到反应设备内杂质的波列信息;
基于傅里叶变换将所述反应设备内杂质的波列信息进行滤波和振幅补偿处理,并将处理后波列信息和预设的全新设备的波列信息进行对比,得到设备内的杂质位置信息。
3.一种设备清洁服务推荐装置,其特征在于,包括:
获取单元,用于获取第一信息、第二信息和第三信息,所述第一信息包括声波发射器和声波接收器采集到的时域信号信息,所述第二信息包括需要清洁服务的设备信息和需要清洁服务的设备图像信息,所述第三信息包括客户历史采用的清洁服务信息;
判断单元,用于将所述第一信息发送至杂质判断模块进行处理,确定设备内的杂质位置信息;
第一处理单元,用于将所述设备内的杂质位置信息和所述第二信息建立三维空间模型,确定设备的所有杂质位置信息,所述设备的所有杂质位置信息包括设备内的杂质位置坐标信息和设备表面的杂质位置的坐标信息;
第二处理单元,用于将所述设备的所有杂质位置信息发送至训练后的预测神经网络模型内进行处理,得到至少一条清洁路线信息;
分析单元,用于将所有的所述清洁路线信息和所述第三信息发送至清洁服务推荐模块进行清洁服务推荐分析,并将得到的最优路线的清洁服务信息发送至显示模块进行推荐,所述清洁服务推荐模块为推荐最优路线、最优价格和最优时间的清洁服务的模块;
其中,所述第一处理单元,包括:
第三处理子单元,用于基于所述需要清洁服务的设备信息和所述需要清洁服务的设备图像信息建立三维空间模型,其中以需要清洁服务的设备的底部中心作为原点,基于需要清洁服务的设备图像信息建立三维空间模型;
第一转换子单元,用于将所述设备内的杂质位置信息发送至所述三维空间模型内进行坐标转换,得到设备内的杂质位置坐标信息;
第四处理子单元,用于将所述第二信息进行灰度变换得到设备的灰度图像信息,并将所述设备的灰度图像进行轮廓识别,其中将所述设备得到灰度图像信息内包含的不同灰度值的区域的交界处进行连线,得到至少一个轮廓图像信息;
第二转换子单元,用于将所有的轮廓图像信息发送至所述三维空间模型内进行坐标转换,得到设备表面的杂质轮廓的坐标信息;
第二计算子单元,用于基于欧式距离的计算方法计算设备表面的杂质轮廓坐标信息的中心点坐标信息,并将所述中心点坐标信息作为设备表面的杂质位置的坐标信息;
其中,所述第二处理单元,包括:
分类子单元,用于将预设的历史设备的所有杂质位置信息和预设的历史设备清洁路线信息进行分类,得到一个训练集和一个验证集;
第五处理子单元,用于将所述训练集发送至LSTM神经网络模型中进行清洁路线预测,其中基于所述训练集预测得到至少一条预测清洁路线信息;
第一分析子单元,用于将所有的预测清洁路线信息中经过的位置坐标分别与验证集内历史设备清洁路线信息经过的位置坐标进行关联分析,得到每个预测清洁路线信息与验证集内历史清洁路线信息的关联度值;
判断子单元,用于将所有的所述关联度值与预设的阈值进行对比,若所有的所述关联度值均大于预设的阈值,则得到训练后的预测神经网络模型。
4.根据权利要求3所述的设备清洁服务推荐装置,其特征在于,所述装置包括:
第一处理子单元,用于将所述第一信息进行环道切除,并截取声波经过所述设备时的信号作为有效信号;
第一计算子单元,用于将所述有效信号分别与声波发射器发送的信号进行互相关计算,得到反应设备内杂质的波列信息;
第二处理子单元,用于基于傅里叶变换将所述反应设备内杂质的波列信息进行滤波和振幅补偿处理,并将处理后波列信息和预设的全新设备的波列信息进行对比,得到设备内的杂质位置信息。
5.一种设备清洁服务推荐设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至2任一项所述设备清洁服务推荐方法的步骤。
6.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至2任一项所述设备清洁服务推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310046692.2A CN115796846B (zh) | 2023-01-31 | 2023-01-31 | 一种设备清洁服务推荐方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310046692.2A CN115796846B (zh) | 2023-01-31 | 2023-01-31 | 一种设备清洁服务推荐方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115796846A CN115796846A (zh) | 2023-03-14 |
CN115796846B true CN115796846B (zh) | 2023-05-26 |
Family
ID=85429317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310046692.2A Active CN115796846B (zh) | 2023-01-31 | 2023-01-31 | 一种设备清洁服务推荐方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796846B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562990B (zh) * | 2023-07-03 | 2023-10-27 | 湖北国网华中科技开发有限责任公司 | 一种售电交易服务推荐方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443175A (zh) * | 2019-07-29 | 2019-11-12 | 苏州维众数据技术有限公司 | 基于分离式视觉检测的清洁机器人控制系统及控制方法 |
CN114947652A (zh) * | 2019-03-21 | 2022-08-30 | 深圳阿科伯特机器人有限公司 | 导航、划分清洁区域方法及系统、移动及清洁机器人 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190037796A (ko) * | 2017-09-29 | 2019-04-08 | (주)위키박스 | 무인사물함을 이용한 생활편의 서비스 제공방법 |
US11227299B2 (en) * | 2019-09-25 | 2022-01-18 | Cvent, Inc. | Automatic computer price tracking, valuation, and negotiation optimization |
CN115586256B (zh) * | 2022-12-09 | 2023-05-02 | 成都西交智汇大数据科技有限公司 | 实验器材的清洁等级检测方法、装置、设备及存储介质 |
CN115629127B (zh) * | 2022-12-16 | 2023-04-14 | 北京中海兴达建设有限公司 | 一种货箱缺陷分析方法、装置、设备及可读存储介质 |
-
2023
- 2023-01-31 CN CN202310046692.2A patent/CN115796846B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114947652A (zh) * | 2019-03-21 | 2022-08-30 | 深圳阿科伯特机器人有限公司 | 导航、划分清洁区域方法及系统、移动及清洁机器人 |
CN110443175A (zh) * | 2019-07-29 | 2019-11-12 | 苏州维众数据技术有限公司 | 基于分离式视觉检测的清洁机器人控制系统及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115796846A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11449712B2 (en) | Anomaly detection and reporting for machine learning models | |
CN115796846B (zh) | 一种设备清洁服务推荐方法、装置、设备及可读存储介质 | |
US11703845B2 (en) | Abnormality predicting system and abnormality predicting method | |
CN108197638B (zh) | 对待评估样本进行分类的方法及装置 | |
CN107357764B (zh) | 数据分析方法、电子设备及计算机存储介质 | |
US11775502B2 (en) | Facilitating efficient and effective anomaly detection via minimal human interaction | |
CN101465943A (zh) | 图像处理设备、图像处理方法、程序和学习设备 | |
CN108982522B (zh) | 用于检测管道缺陷的方法和装置 | |
CN112446275A (zh) | 物体数量推定装置、物体数量推定方法以及存储介质 | |
JP6461639B2 (ja) | 学習データ生成システム、学習データ生成方法およびプログラム | |
CN117058518B (zh) | 基于yolo改进的深度学习目标检测方法、装置和计算机设备 | |
CN113011961B (zh) | 公司关联信息风险监测方法、装置、设备及存储介质 | |
CN113989721A (zh) | 目标检测方法和目标检测模型的训练方法、装置 | |
US20210117828A1 (en) | Information processing apparatus, information processing method, and program | |
CN115904916A (zh) | 一种硬盘故障预测的方法、装置、电子设备以及存储介质 | |
CN108961049B (zh) | 用于模糊匹配控制的阈值确定方法及装置、交易监控方法 | |
CN115375886A (zh) | 一种基于云计算服务的数据采集方法及系统 | |
CN114898287A (zh) | 用于餐盘检测预警的方法、装置、电子设备、存储介质 | |
CN110334657B (zh) | 一种鱼眼畸变图像的训练样本生成方法、系统及电子设备 | |
US11475255B2 (en) | Method for adaptive context length control for on-line edge learning | |
JP2023042400A (ja) | データ収集装置、データ収集方法及びデータ収集プログラム | |
CN113747270A (zh) | 一种云数据中心物联管控系统 | |
JP4200681B2 (ja) | 画像信号処理回路 | |
JP2021040221A (ja) | 通信品質分析システム、通信品質分析方法 | |
CN113610503B (zh) | 简历信息处理方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230725 Address after: Room 311, Floor 3, Building 1, Yard 1, East Energy Road, Changping District, Beijing 102206 Patentee after: Beijing Aucalin Technology Co.,Ltd. Address before: 100070 709, Block A, Times Fortune World, No.1 Hangfeng Road, Fengtai District, Beijing Patentee before: Beijing Zhonghai Xingda Construction Co.,Ltd. |