CN116072244A - 用于制冷器具的气味检测方法及制冷器具 - Google Patents

用于制冷器具的气味检测方法及制冷器具 Download PDF

Info

Publication number
CN116072244A
CN116072244A CN202111282701.5A CN202111282701A CN116072244A CN 116072244 A CN116072244 A CN 116072244A CN 202111282701 A CN202111282701 A CN 202111282701A CN 116072244 A CN116072244 A CN 116072244A
Authority
CN
China
Prior art keywords
machine learning
prediction
learning model
smell
preset
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
Application number
CN202111282701.5A
Other languages
English (en)
Inventor
瞿德安
鞠网扣
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.)
BSH Electrical Appliances Jiangsu Co Ltd
Original Assignee
BSH Electrical Appliances Jiangsu 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 BSH Electrical Appliances Jiangsu Co Ltd filed Critical BSH Electrical Appliances Jiangsu Co Ltd
Priority to CN202111282701.5A priority Critical patent/CN116072244A/zh
Priority to EP22199793.5A priority patent/EP4174487A1/en
Publication of CN116072244A publication Critical patent/CN116072244A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
    • 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
    • F25D17/00—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces
    • F25D17/04—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces for circulating air, e.g. by convection
    • F25D17/042—Air treating means within refrigerated spaces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0047—Organic compounds
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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
    • F25D2700/00—Means for sensing or measuring; Sensors therefor
    • F25D2700/06—Sensors detecting the presence of a product
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Combustion & Propulsion (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Immunology (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)

Abstract

一种用于制冷器具的气味检测方法及制冷器具，所述方法包括：获取制冷器具内的气体数据；将所述气体数据分别输入多个第一预设机器学习模型，并获取各所述第一预设机器学习模型的第一预测结果，其中，所述第一预测结果包括所述制冷器具内的气味属性和对应的概率，所述第一预设机器学习模型基于单一种类的食材在多个气味属性下的气体数据训练得到；根据多个第一预测结果之间的差异确定所述第一预设机器学习模型的预测可信度；若所述预测可信度高，则将所述多个第一预测结果中的概率最大值对应的气味属性确定为所述制冷器具内的当前气味属性。通过本发明方案能够提高气味检测的准确度，有利于及时发现并去除异味，从而更好地保持制冷器具内空气清新。

Description

用于制冷器具的气味检测方法及制冷器具
技术领域
本发明实施例涉及制冷器具技术领域，具体地涉及一种用于制冷器具的气味检测方法及制冷器具。
背景技术
随着制冷器具在人们日常生活中的普及，越来越多的人开始使用冰箱等制冷器具存储蔬菜、鱼肉等易腐食物。放置于制冷器具内的食材不可避免的会产生异味，如果不能及时去除这些异味，将对用户的使用体验造成不利影响。但现有技术无法准确检测到制冷器具内的异味，更无法及时去除这些异味。
发明内容
本发明实施例的一个目的在于提供一种改进的制冷器具及用于制冷器具的气味检测方法。
因此，本发明实施例提供一种用于制冷器具的气味检测方法，包括：获取所述制冷器具内的气体数据；将所述气体数据分别输入多个第一预设机器学习模型，并获取各所述第一预设机器学习模型的第一预测结果，其中，所述第一预测结果包括所述制冷器具内的气味属性和对应的概率，所述第一预设机器学习模型基于单一种类的食材在多个气味属性下的气体数据训练得到；根据多个第一预测结果之间的差异确定所述第一预设机器学习模型的预测可信度；若所述预测可信度高，则将所述多个第一预测结果中的概率最大值对应的气味属性确定为所述制冷器具内的当前气味属性。
采用本实施方案，能够提高气味检测的准确度，有利于及时发现并去除异味，从而更好地保持制冷器具内空气清新。具体而言，单一种类食材关联的气体数据可以视为简单数据，基于简单数据构建得到的第一预设机器学习模型对特定种类食材的气味属性预测准确率高。基于此，在第一预设机器学习模型的预测可信度满足预期的前提下，根据第一预设结果判定制冷器具内的当前气味属性，有利于得到高准确度的气味检测结果。
可选的，所述气味检测方法还包括：若所述预测可信度低，则将所述气体数据输入至少一个第二预设机器学习模型并获取第二预测结果，其中，所述第二预测结果包括所述制冷器具内的气味属性和对应的概率，所述第二预设机器学习模型基于复合种类的食材在多个气味属性下气体数据训练得到；根据所述第一预测结果和所述第二预测结果确定所述制冷器具内的当前气味属性。混合种类食材关联的气体数据可以视为复杂数据，基于复杂数据构建得到的第二预设机器学习模型适配度高，实际应用中能够可靠地预测多个种类食材共同产生的气体的气味属性。基于此，将基于复合种类食材关联的气味数据训练得到的综合数据模型作为辅助手段，在基于单一种类食材训练得到的第一预设机器学习模型可信度较低时，辅以第二预设机器学习模型的预测结果综合确定最终的预测结果，有利于提高预测结果的准确度。
可选的，所述根据所述第一预测结果和所述第二预测结果确定所述制冷器具内的当前气味属性包括：将所述多个第一预测结果和第二预测结果中的概率最大值对应的气味属性，确定为所述制冷器具内的当前气味属性。由此，通过多个模型综合判别来提高预测准确度。
可选的，所述根据多个第一预测结果之间的差异确定所述第一预设机器学习模型的预测可信度包括：若所述多个第一预测结果中，概率最大值和概率次大值之间的偏差小于第一预设阈值，且所述概率最大值和概率次大值分别对应不同的气味属性，则确定所述预测可信度低；若所述多个第一预测结果中概率最大值和概率次大值之间的偏差大于所述第一预设阈值，则确定所述预测可信度高。当概率最大值和概率次大值分别对应不同的气味属性时，表明输出这两个预测结果的第一预设机器学习模型的预测出现较大偏差。当出现上述情形时，可以认为第一预测结果的预测可信度低，从而引入第二预设机器学习模型辅助判别以确保最终预测结果的准确度。
可选的，所述气体数据包括所述制冷器具内至少一种气体成分的浓度信息。
可选的，所述第一预设机器学习模型包括多个子模型，不同子模型采用不同算法构建得到，所述第一预设机器学习模型的第一预测结果为所述多个子模型各自预测结果的平均值；和/或，所述第二预设机器学习模型包括多个子模型，不同子模型采用不同算法构建得到，所述第二预设机器学习模型的第二预测结果为所述多个子模型各自预测结果的平均值。由此，对于单个第一预设机器学习模型和/或单个第二预设机器学习模型，模型的输出结果也是综合多个子模型的预测结果后的产物，这有利于进一步提高模型预测结果的准确度。
可选的，所述第一预设机器学习模型的训练数据选取自单个训练集，所述第二预设机器学习模型的训练数据选取自多个训练集，其中，所述训练集和食材种类一一对应。由此，采用不同的训练集或不同的训练集组合来训练得到多个第一预设机器学习模型和第二预设机器学习模型，使得不同模型对不同种类食材或不同种类食材组合在各气味属性阶段产生的气味敏感，从而在实际应用时针对任意气味场合均能有合适的模型进行预测。
可选的，在根据多个第一预测结果之间的差异确定所述第一预设机器学习模型的预测可信度之前，还包括：判断各第一预测结果是否高于第二预设阈值；若判断结果表明任一第一预测结果低于所述第二预设阈值，则获取更新的所述气体数据，并基于更新的气体数据获取更新的第一预测结果。第二预设阈值可以用于表征单个第一预测结果本身的可靠性，当第一预测结果可靠性较低时，针对该第一预设机器学习模型重新采集气体数据并进行预测。由此，通过把控作为数据基础的多个第一预测结果本身的可靠性，有利于提高最终预测结果的准确度。
可选的，所述气味属性至少包括以下之一：好闻、难闻。
因此，本发明实施例还提供一种制冷器具，包括：气体探测器，用于采集所述制冷器具内的气体数据；控制模块，与所述气体探测器相通信以接收所述气体数据，所述控制模块执行上述气味检测方法，并根据所述制冷器具内的当前气味属性生成控制指令；除味模块，响应于接收到所述控制指令，根据所述控制指令调节运行参数。
由此，在基于本实施方案所提供的气味检测方法检测到异味时，主动控制除味模块运行以及时去除异味。
可选的，所述制冷器具还包括：通信模块，所述控制模块与所述气体探测器通过所述通信模块相通信，和/或，所述控制模块与所述除味模块通过所述通信模块相通信。
附图说明
图1是本发明实施例的一种用于制冷器具的气味检测方法的流程图；
图2是图1中步骤S101的一个具体实施方式的流程图；
图3是本发明实施例的一种第一预设机器学习模型的训练过程流程图；
图4是图1中步骤S103的一个具体实施方式的流程图；
图5是本发明实施例一种制冷器具的典型应用场景示意图；
图6是图5中控制模块执行图1所示气味检测方法时的逻辑框图；
附图中：
1-制冷器具；10-间室；11-气体探测器；12-控制模块；13-除味模块；14-通信模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例作详细地说明。
图1是本发明实施例的一种用于制冷器具的气味检测方法的流程图。
本实施方案可以应用于制冷器具内气味监控场景，如监控制冷器具内是否存在异味，又如监控制冷器具内的实时气味属性。气味属性可以包括非常好闻、好闻、中性、难闻和极度难闻五个类别，在实际应用中可以根据需要调整气味属性的划分标准和划分的类别数量。制冷器具内存放的食材可以属于单个种类也可以属于多个种类，本实施方案可以专门检测制冷器具内特定种类食材产生的气味的气味属性，也可以在宏观上整体检测制冷器具内多种食材产生的混合气味的气味属性。
具体地，参考图1，本实施例所述用于制冷器具的气味检测方法可以包括如下步骤：
步骤S101，获取所述制冷器具内的气体数据；
步骤S102，将所述气体数据分别输入多个第一预设机器学习模型，并获取各所述第一预设机器学习模型的第一预测结果，其中，所述第一预测结果包括所述制冷器具内的气味属性和对应的概率，所述第一预设机器学习模型基于单一种类的食材在多个气味属性下的气体数据训练得到；
步骤S103，根据多个第一预测结果之间的差异确定所述第一预设机器学习模型的预测可信度；
步骤S104，若所述预测可信度高，则将所述多个第一预测结果中的概率最大值对应的气味属性确定为所述制冷器具内的当前气味属性。
进一步，气体数据可以包括制冷器具内至少一种气体成分的浓度信息。不同种类的食材在不同的气味属性下可能产生不同种类的气体成分，对于用户的直观感受即为闻到不同的气味。例如，食材按种类可以包括肉类、坚果类、蔬菜类等。气味属性可以包括非常好闻、好闻、中性、难闻和极度难闻。关于各气味属性的评判标准，可以根据用户对气味的敏感度确定，还可以根据有关的行业标准确定。
在一个具体实施中，可以通过设置于制冷器具内的气体探测器来采集气体数据。相应的，参考图2，步骤S101可以包括如下步骤：
步骤S1011，在气体探测器运行期间调节所述气体探测器的工作温度，并接收所述气体探测器在多个工作温度下分别采集得到的候选气体数据，其中，不同工作温度关联的候选气体数据用于表征不同种类气体成分的浓度；
步骤S1012，基于接收到的多个候选气体数据生成所述气体数据。
由此，在一定温度范围内调节气体探测器的工作温度以丰富气体探测器的输出数据的多样性，从而实现对多种气体成分的探测。
具体地，所述气体探测器可以包括挥发性有机化合物(volatile organiccompounds，简称VOC)传感器。VOC传感器在不同温度下对特定类型气体反应剧烈，利用此特性使得本实施方案所使用的气体探测器能够在一定温度范围内探测得到多种气体成分。例如，在特定工作温度下，VOC传感器和空气中的特定类型气体成分发生反应并输出电阻值，该电阻值可以用于表征该特定类型气体成分的浓度。
进一步，步骤S1011可以包括步骤：在气体探测器运行期间，根据选取自预设工作温度集合的候选值调节所述气体探测器的工作温度，其中，所述预设工作温度集合包括所述工作温度的多个候选值。通过合理设计预设工作温度集合使得气体探测器能够准确探测到所需探测的多种气体成分。
所述预设工作温度集合中的候选值可以是根据所述气体探测器工作在所述候选值时对气体成分的灵敏度确定的。例如，可以通过预先实验确定各种食材在各气味属性下主要产生的气体成分，以该气体成分为目标，调节VOC传感器的工作温度来测试VOC传感器在何种工作温度下对该类气体成分的敏感度(即灵敏度)最高，以及测出这个气体成分所需时间。灵敏度最高的工作温度即添加至所述预设工作温度集合，作为执行本实施方案时可以选取的候选值。由此，使得气体探测器能够在对特定种类气体成分最敏感的工作温度下检测该种类气体成分，从而确保气体数据的精确度，这有利于确保最终预测结果的准确度。
进一步，所述选取自预设工作温度集合的候选值可以是按照递增、递减或者随机的顺序从所述预设工作温度集合中选取得到的。相应的，气体探测器的工作温度持续升高、持续降低或震荡变化，以获取各候选值关联的气体成分的浓度。
例如，执行步骤S1011时，可以从预设工作温度集合中选取数值最小的候选值作为VOC传感器的初始工作温度，在该初始工作温度下采集得到候选气体数据后，逐渐增加VOC传感器的工作温度，直至在预设工作温度集合中数值最大的候选值下采集得到候选气体数据。
当VOC传感器以持续升温或持续降温的方式进行气体探测时，VOC传感器的工作温度不会在短时间内剧烈波动，利于延长器件寿命。当VOC传感器随机从预设工作温度集合中选取候选值时，有更大几率快速切换至对当前气味属性产生的气体成分敏感的工作温度，有利于VOC传感器的快速响应。
进一步，所述预设工作温度集合在所述气体探测器运行期间可以被遍历至少一轮。通过循环采集的方式获得至少一组数据，以扩充输入第一预设机器学习模型的数据量，这有利于提高预测结果的准确度。例如，执行步骤S1011时，反复遍历预设工作温度集合以获得多组不同种类气体成分的浓度，并将其中相同种类气体成分的多个浓度值取平均值，由此将多组数据整合为一组气体数据输入各第一预设机器学习模型。由此，通过多次探测取平均值的方式消除单次探测误差对预测结果的影响。
进一步，VOC传感器从当前工作温度切换至下一工作温度的时间间隔，可以根据在当前工作温度下探测得到对应气体成分所需时间确定。该所需时间可以通过实验预先设定。
进一步，所述气体数据可以是基于遍历所述预设工作温度集合至少一轮后接收到的所有候选气体数据生成的，由此，能够确保气体数据的全面性，使得气体数据包括一段时间内制冷器具内可能出现的所有种类气体成分的浓度信息。例如，执行步骤S1012时，在遍历预设工作温度集合一轮后，将获得的所有候选气体数据均作为气体数据输入各第一预设机器学习模型。又例如，在遍历预设工作温度集合多轮后，将相同工作温度下获得的多个候选气体数据整合为单个候选气体数据，将所有工作温度下整合后的候选气体数据最为最终的气体数据输入各第一预设机器学习模型。
或者，生成所述气体数据的候选气体数据的数量可以少于所述预设工作温度集合中候选值的数量，由此，气体探测器的响应速度更快，能够更为迅速的生成气体数据。例如，执行步骤S1012时，在获得一个或多个候选气体数据后即作为气体数据输入各第一预设机器学习模型，以期能够更快地得到预测结果。
在一个具体实施中，预设工作温度集合中的各候选值可以用于检测多种食材共同存放于制冷器具时可能产生的气体成分。例如，收集烹饪肉类、蔬菜类等多种食材单独存放和混合存放时产生的气体并分析气体成分，根据分析得到的各种气体成分分别确定合适的候选值，最终生成所述预设工作温度集合。相应的，执行步骤S1011时，无论制冷器具内当前存放的食材属于何种种类，均从单个预设工作温度集合中选取候选值作为VOC传感器的工作温度。
在一个变化例中，可以针对不同种类的食材针对性的设计预设工作温度集合，例如，对肉类食材存放于制冷器具时可能产生的气体成分敏感的工作温度可以构建一个预设工作温度集合，对坚果类食材存放于制冷器具时产生的气体成分敏感的工作温度可以另外构建一个预设工作温度集合。相应的，执行步骤S1011时，根据制冷器具内当前存放的食材所属种类调取对应的预设工作温度集合，并从中选取候选值作为VOC传感器的工作温度。当制冷器具内同时存放多种食材时，分别调取各种食材对应的预设工作温度集合进行探测。例如，制冷器具内当前存放的食材种类可以获取自用户输入信息，也可以通过图像传感器等传感设备主动探测确定。
在一个具体实施中，第一预设机器学习模型的训练数据可以选取自单个训练集。其中，所述训练集和食材种类一一对应，每一训练集包括单一种类食材在至少一个气味属性下分别获得的气体数据，所述至少一个气味属性包括难闻。
相应的，参考图3，本实施例所述第一预设机器学习模型的训练过程可以包括如下步骤：
步骤S301，获取多个训练集，其中每一训练集包括单一种类食材在至少一个气味属性下分别获得的气体数据，其中，所述至少一个气味属性包括难闻；
步骤S302，对于每一训练集，基于所述训练集训练所述第一预设机器学习模型，直至所述第一预设机器学习模型的预测准确率达到第三预设阈值。
具体地，第一预设机器学习模型可以选取自多个候选模型，其中，不同候选模型采用不同算法构建得到。
例如，步骤S302中可以基于训练集分别训练各候选模型，直至各候选模型的预测准确率达到第三预设阈值。然后，选择训练得到的多个候选模型中预测准确率最高的候选模型作为所述第一预设机器学习模型。由此，将预测表现最优的候选模型作为最终使用的第一预设机器学习模型，有利于提高实际应用阶段对气味属性的识别准确度。
又例如，步骤S302中可以基于训练集分别训练各候选模型，并将各候选模型中预测准确率最先达到第三预设阈值的候选模型确定为第一预设机器学习模型。
其中，第三预设阈值的具体数值可以根据用户需要设定，如可以取值自85％至99％。第三预设阈值可以用于衡量用户对于模型预测错误率的容忍度，不同候选模型的预设阈值可以相同也可以不同。
用于构建候选模型的算法可以选自：多层感知器(multilayer perceptron，简称MLP)、随机森林(random forest)算法、逻辑回归(logistic regression)算法、决策树(decision tree)、极梯度提升树(Extreme Gradient Boosting Decision Tree，简称XGBoost)以及K最邻近(K-Nearest Neighbor，简称KNN)分类算法等。
候选模型的预测准确率可以是基于训练集初步训练得到模型后用测试集测试得到的。其中，测试集的获取过程可以参考训练集的生成过程，不同之处在于测试集在模型构建阶段没有输入给候选模型。
在一个典型的应用场景中，可以有意识的将不同种类食材从产生好闻气味放置到产生极度难闻气味，并采集这段时间内产生的气体。然后，使用气体分析仪来分析所采集气体中的气体成分，例如分析当产生难闻气味时气体中会出现的主要气体成分。根据分析出的气体成分调节VOC传感器的动态加热温度，使得VOC传感器对该气体成分比较敏感。将调节好的VOC传感器安装至制冷器具的合适位置上，准备用来接收气体数据。
接下来，设计用于做气味检测实验的食材列表，将每种食材分别放置到制冷器具内并基于VOC传感器收集放置期间制冷器具内的气体数据。同时，安排标定人员在现场进行实时标定。例如，当没有难闻气味时，标定人员可以标定当前制冷器具内气体的气味属性为中性，当第一次出现难闻气味时，标定当前制冷器具内气体的气味属性为难闻。
进一步，难闻气味还可以进一步细化为难闻和非常难闻。标定人员的实时标定结果和对应的气体数据即可生成训练集。
将所有的气味检测实验至少进行三遍，在每次进行实验时收集并标定数据。
根据收集的数据，将最后一次实验的数据作为测试集，其余数据分为训练集和验证集用于生成第一预设机器学习模型。例如，基于训练集构建采用特定算法的第一预设机器学习模型，然后用验证集验证并调整第一预设机器学习模型的模型参数，最后用测试集测试第一预设机器学习模型的预测准确率。
在一个具体实施中，第一预设机器学习模型可以结合气体数据和制冷器具的运行参数预测气味属性及对应概率。相应的，训练集还可以包括获得各气体数据时制冷器具的运行参数，其中，所述运行参数可以包括间室温度和间室湿度。
例如，可以在间室内设置温湿度采集设备以采集间室温度和间室湿度。又例如，运行参数可以复用VOC传感器采集得到。再例如，运行参数可以直接获取自制冷器具的控制模块。
相应的，步骤S102可以包括步骤：将所述气体数据和与所述气体数据同步获取的运行参数输入各第一预设机器学习模型并获取预测结果。由此，结合运行参数以进一步扩展训练样本的多样性，有利于优化第一预设机器学习模型的训练效果，提高预测准确度。
由上，采用本实施方案，能够提高气味检测的准确度，有利于及时发现并去除异味，从而更好地保持制冷器具内空气清新。具体而言，单一种类食材关联的气体数据可以视为简单数据，基于简单数据构建得到的第一预设机器学习模型对特定种类食材的气味属性预测准确率高。基于此，在第一预设机器学习模型的预测可信度满足预期的前提下，根据第一预设结果判定制冷器具内的当前气味属性，有利于得到高准确度的气味检测结果。
进一步，继续参考图1，本实施例所述气味检测方法还可以包括如下步骤：
步骤S105，若所述预测可信度低，则将所述气体数据输入至少一个第二预设机器学习模型并获取第二预测结果，其中，所述第二预测结果包括所述制冷器具内的气味属性和对应的概率，所述第二预设机器学习模型基于复合种类的食材在多个气味属性下气体数据训练得到；
步骤S106，根据所述第一预测结果和所述第二预测结果确定所述制冷器具内的当前气味属性。
具体地，各第一预设机器学习模型可以采用相同或不同的算法构建得到。类似的，第二预设机器学习模型较之第一预设机器学习模型，或者多个第二预设机器学习模型之间也可以是采用相同或不同算法构建得到的。
进一步，对于任一第一预设机器学习模型或第二预设机器学习模型，可以选取自基于相同训练集和不同算法构建得到的多个候选模型中预测表现最好的一个。
关于第二预设机器学习模型的训练过程可以参考上述图3所示实施例训练第一预设机器学习模型的相关描述，区别在于，第二预设机器学习模型的训练数据选取自多个训练集。
例如，第二预设机器学习模型可以基于所有的训练集训练得到。又例如，假设存在训练集1、训练集2和训练集3共三个训练集，其中每一训练集可以相应的训练得到一个第一预设机器学习模型，此外，基于训练集1和训练集2训练得到第二机器学习模型1，基于训练集1、训练集2和训练集3训练得到第二机器学习模型2。由此，多个训练集组成的训练样本的多样性使得第二预设机器学习模型在复杂环境下也能表现良好，能够准确识别不同食材的不同气味属性。
混合种类食材关联的气体数据可以视为复杂数据，基于复杂数据构建得到的第二预设机器学习模型适配度高，实际应用中能够可靠地预测多个种类食材共同产生的气体的气味属性。基于此，将基于复合种类食材关联的气味数据训练得到的综合数据模型作为辅助手段，在基于单一种类食材训练得到的第一预设机器学习模型可信度较低时，辅以第二预设机器学习模型的预测结果综合确定最终的预测结果，有利于提高预测结果的准确度。
由此，采用不同的训练集或不同的训练集组合来训练得到多个第一预设机器学习模型和第二预设机器学习模型，使得不同模型对不同种类食材或不同种类食材组合在各气味属性阶段产生的气味敏感，从而在实际应用时针对任意气味场合均能有合适的模型进行预测。
在一个具体实施中，参考图4，步骤S103可以包括如下步骤：
步骤S1031，计算多个第一预测结果中的概率最大值和概率次大值之间的偏差；
步骤S1032，比较所述偏差和第一预设阈值；
若偏差小于第一预设阈值，且所述概率最大值和概率次大值分别对应不同的气味属性，则执行步骤S1033，确定所述预测可信度低。
若偏差大于所述第一预设阈值，或者，偏差小于第一预设阈值且两者对应相同的气味属性，则执行步骤S1034，确定所述预测可信度高。
具体而言，当概率最大值和概率次大值分别对应不同的气味属性时，表明输出这两个预测结果的第一预设机器学习模型的预测出现较大偏差。当出现上述情形时，可以认为第一预测结果的预测可信度低，从而引入第二预设机器学习模型辅助判别以确保最终预测结果的准确度。
进一步，第一预设阈值可以取值自8％至12％。例如，多个第一预测结果中的概率最大值和概率次大值之间的差异小于10％时，可以认为两者偏差相近。在实际应用中，可以根据需要调整该第一预设阈值的具体数值。
在一个具体实施中，步骤S106可以包括步骤：将所述多个第一预测结果和第二预测结果中的概率最大值对应的气味属性，确定为所述制冷器具内的当前气味属性。由此，通过多个模型综合判别来提高预测准确度。
在一个具体实施中，第一预设机器学习模型可以包括多个子模型，不同子模型采用不同算法构建得到。例如，子模型可以为图3所示实施例中步骤S302训练得到的候选模型。在本具体实施中，将基于训练集训练得到的多个候选模型共同构成所述第一预设机器学习模型。
相应的，所述第一预设机器学习模型的第一预测结果为所述多个子模型各自预测结果的平均值。
类似的，第二预设机器学习模型也可以包括多个子模型，不同子模型采用不同算法构建得到，所述第二预设机器学习模型的第二预测结果为所述多个子模型各自预测结果的平均值。
由此，对于单个第一预设机器学习模型和/或单个第二预设机器学习模型，模型的输出结果也是综合多个子模型的预测结果后的产物，这有利于进一步提高模型预测结果的准确度。
在一个具体实施中，在执行步骤S102以得到多个第一预测结果之后，执行步骤S103之前，本实施例所述气味检测方法还可以包括步骤：判断各第一预测结果是否高于第二预设阈值；若判断结果表明任一第一预测结果低于所述第二预设阈值，则获取更新的所述气体数据，并基于更新的气体数据获取更新的第一预测结果。
具体而言，第二预设阈值可以用于表征单个第一预测结果本身的可靠性，当第一预测结果可靠性较低时，针对该第一预设机器学习模型重新采集气体数据并进行预测。由此，通过把控作为数据基础的多个第一预测结果本身的可靠性，有利于提高最终预测结果的准确度。
进一步，第二预设阈值可以取值自55％至65％，在实际应用中可以根据需要调整其具体数值。例如，第二预设阈值可以为60％。
图5是本发明实施例一种制冷器具的典型应用场景示意图。
具体地，参考图5，本实施例所述的制冷器具1可以包括：气体探测器11，用于采集制冷器具1内的气体数据；控制模块12，与气体探测器11相通信以接收气体数据，控制模块12执行上述图1至图4示出的气味检测方法，并根据制冷器具1内的当前气味属性生成控制指令；除味模块13，响应于接收到控制指令，根据控制指令调节运行参数。
例如，制冷器具1可以包括冰箱、冷藏柜、冷冻柜等。
由此，在基于本实施方案所提供的气味检测方法检测到异味时，主动控制除味模块13运行以及时去除异味。
气体探测器11可以设置于制冷器具1的每一间室10内，以针对性的采集所处间室10内的气体数据。或者，气体探测器11的数量可以为一个并设置于制冷器具1的回风口附近，以采集制冷器具1内整体的气体数据。
控制模块12可以包括制冷器具1的主控板。或者，控制模块12可以是专用于执行上述图1至图4所示方法的模块。
除味模块13可以设置于每一间室10内。对于任一间室10，当控制模块12对该间室10内气体探测器11所获取气体数据的预测结果表明，当前间室10内的气味属性为难闻时，该间室10内的除味模块13工作以去除间室10内的异味。
或者，除味模块13的数量可以为一个并设置于任一间室10内，或者设置于制冷器具1的风道内。当任一间室10内的气味属性被判定为难闻时，除味模块13工作并通过制冷器具1内的循环制冷系统实现所有间室10的整体性异味去除。
例如，除味模块13可以包括离子发生器(ionizer)。
气体探测器11和控制模块12之间、控制模块12和除味模块13之间可以采用有限或无线的方式通信。
进一步，制冷器具1还可以包括通信模块14，控制模块12与气体探测器11通过通信模块14相通信。
进一步，控制模块12与除味模块13也可以通过通信模块14相通信。
或者，通信模块14可以与用户的设备终端相通信，以将预测结果及时告知用户。例如，设备终端可以包括手机、IPAD、家庭监控设备等。
需要指出的是，图5仅示例性的展示控制模块12、除味模块13、气体探测器11和通信模块14在制冷器具1上可能的设置位置，在实际应用中可以根据需要调整各模块的相互位置关系和在制冷器具1上的具体设置位置。各模块可以相互独立，也可以集成在同一芯片或集成为同一功能模块。例如，控制模块12和通信模块14可以集成在一起。
在一个典型的应用场景中，结合图5和图6，控制模块12可以预先存储有第一预设机器学习模型1、第一预设机器学习模型2、第一预设机器学习模型3、第二预设机器学习模型1以及第二预设机器学习模型2共五个模型。其中，第一预设机器学习模型1基于训练集1训练得到，第一预设机器学习模型2基于训练集2训练得到，第一预设机器学习模型3基于训练集3训练得到，第二预设机器学习模型1基于训练集1和训练集2训练得到，第二预设机器学习模型2基于训练集1、训练集2和训练集3训练得到。其中每一模型均包括多个子模型，各子模型是基于所述模型的训练集采用不同算法构建得到的。
基于上述图1至图4所示实施例所述方案，控制模块12执行气味检测动作可以包括以下流程：
首先，获取气体探测器11采集的气体数据。
然后，将获取的气体数据分别输入第一预设机器学习模型1、第一预设机器学习模型2、第一预设机器学习模型3、第二预设机器学习模型1以及第二预设机器学习模型2。对于每一模型，所述模型的各个子模型分别对所述气体数据进行预测，以得到对应的预测结果。预测结果可以包括制冷器具1内的气味属性和对应的概率。
相应的，第一预设机器学习模型1输出的第一预测结果1可以为其所包括的各子模型预测结果的平均值，第一预设机器学习模型2输出的第一预测结果2可以为其所包括的各子模型预测结果的平均值，第一预设机器学习模型3输出的第一预测结果3可以为其所包括的各子模型预测结果的平均值，第二预设机器学习模型1输出的第二预测结果1可以为其所包括的各子模型预测结果的平均值，第二预设机器学习模型2输出的第二预测结果2可以为其所包括的各子模型预测结果的平均值。
接下来，对于每一预测结果，判断该预测结果是否大于60％。若预测结果大于60％则继续执行后续动作；否则，得到该预测结果的模型重新获取气体数据，并重新进行预测以更新预测结果。
所有预测结果均大于60％时，取第一预测结果1、第一预测结果2和第一预测结果3中的最大值作为第一候选结果，取第二预测结果1和第二预测结果2中的较大值作为第二候选结果。
同时或之后，判断第一预测结果1、第一预测结果2和第一预测结果3中的最大值和次大值之差是否小于10％，且最大值和次大值分别对应不同的气味属性。
如果判断结果表明最大值和次大值之差大于10％，或者，虽然小于10％但属于相同气味属性，则将第一候选结果确定为最终预测结果。也即，此时第一预设机器学习模型1、第一预设机器学习模型2和第一预设机器学习模型3的预测可信度高，将三者中的概率预测最大值确定为最终预测结果。
如果判断结果表明最大值和次大值之差小于10％且分别对应不同气味属性，则比较第一候选结果和第二候选结果的大小，并将两者中的较大值选为最终预测结果。也即，此时，第一预设机器学习模型1、第一预设机器学习模型2和第一预设机器学习模型3的预测可信度低，引入第二预设机器学习模型1和第二预设机器学习模型2的预测结果辅助判定最终预测结果。
进一步，若最终预测结果指示的气味属性为难闻或非常难闻，则控制模块12生成控制指令并发送至除味模块13。响应于接收到控制指令，除味模块13启动以开始除味。
进一步，控制指令可以包括运行参数，除味模块13根据该运行参数运行。不同的气味属性可以对应不同的运行参数。例如，气味属性为非常难闻时运行参数中的运行功率，可以大于气味属性为难闻时的运行功率。
当下一次执行图6所示逻辑进行气味检测动作得到的最终预测结果为好闻、非常好闻或者中性时，控制模块12可以指示除味模块13停止工作或切换至低功率运行状态，以节能省电。
尽管上文已经描述了具体实施方案，但这些实施方案并非要限制本公开的范围，即使仅相对于特定特征描述单个实施方案的情况下也是如此。本公开中提供的特征示例意在进行例示，而非限制，除非做出不同表述。在具体实施中，可将一项或者多项从属权利要求的技术特征与独立权利要求的技术特征进行组合，并可通过任何适当的方式而不是仅通过权利要求书中所列举的特定组合来组合来自相应独立权利要求的技术特征。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (11)

1.一种用于制冷器具的气味检测方法，其特征在于，包括：
获取所述制冷器具内的气体数据；
将所述气体数据分别输入多个第一预设机器学习模型，并获取各所述第一预设机器学习模型的第一预测结果，其中，所述第一预测结果包括所述制冷器具内的气味属性和对应的概率，所述第一预设机器学习模型基于单一种类的食材在多个气味属性下的气体数据训练得到；
根据多个第一预测结果之间的差异确定所述第一预设机器学习模型的预测可信度；
若所述预测可信度高，则将所述多个第一预测结果中的概率最大值对应的气味属性确定为所述制冷器具内的当前气味属性。
2.根据权利要求1所述的气味检测方法，其特征在于，还包括：
若所述预测可信度低，则将所述气体数据输入至少一个第二预设机器学习模型并获取第二预测结果，其中，所述第二预测结果包括所述制冷器具内的气味属性和对应的概率，所述第二预设机器学习模型基于复合种类的食材在多个气味属性下气体数据训练得到；
根据所述第一预测结果和所述第二预测结果确定所述制冷器具内的当前气味属性。
3.根据权利要求2所述的气味检测方法，其特征在于，所述根据所述第一预测结果和所述第二预测结果确定所述制冷器具内的当前气味属性包括：
将所述多个第一预测结果和第二预测结果中的概率最大值对应的气味属性，确定为所述制冷器具内的当前气味属性。
4.根据权利要求2所述的气味检测方法，其特征在于，所述第一预设机器学习模型包括多个子模型，不同子模型采用不同算法构建得到，所述第一预设机器学习模型的第一预测结果为所述多个子模型各自预测结果的平均值；和/或，所述第二预设机器学习模型包括多个子模型，不同子模型采用不同算法构建得到，所述第二预设机器学习模型的第二预测结果为所述多个子模型各自预测结果的平均值。
5.根据权利要求2所述的气味检测方法，其特征在于，所述第一预设机器学习模型的训练数据选取自单个训练集，所述第二预设机器学习模型的训练数据选取自多个训练集，其中，所述训练集和食材种类一一对应。
6.根据权利要求1所述的气味检测方法，其特征在于，所述根据多个第一预测结果之间的差异确定所述第一预设机器学习模型的预测可信度包括：
若所述多个第一预测结果中，概率最大值和概率次大值之间的偏差小于第一预设阈值，且所述概率最大值和概率次大值分别对应不同的气味属性，则确定所述预测可信度低；
若所述多个第一预测结果中概率最大值和概率次大值之间的偏差大于所述第一预设阈值，则确定所述预测可信度高。
7.根据权利要求1所述的气味检测方法，其特征在于，所述气体数据包括所述制冷器具内至少一种气体成分的浓度信息。
8.根据权利要求1所述的气味检测方法，其特征在于，在根据多个第一预测结果之间的差异确定所述第一预设机器学习模型的预测可信度之前，还包括：
判断各第一预测结果是否高于第二预设阈值；
若判断结果表明任一第一预测结果低于所述第二预设阈值，则获取更新的所述气体数据，并基于更新的气体数据获取更新的第一预测结果。
9.根据权利要求1所述的气味检测方法，其特征在于，所述气味属性至少包括以下之一：好闻、难闻。
10.一种制冷器具(1)，其特征在于，包括：
气体探测器(11)，用于采集所述制冷器具(1)内的气体数据；
控制模块(12)，与所述气体探测器(11)相通信以接收所述气体数据，所述控制模块(12)执行上述权利要求1至8中任一项所述的气味检测方法，并根据所述制冷器具(1)内的当前气味属性生成控制指令；
除味模块(13)，响应于接收到所述控制指令，根据所述控制指令调节运行参数。
11.根据权利要求10所述的制冷器具(1)，其特征在于，还包括：通信模块(14)，所述控制模块(12)与所述气体探测器(11)通过所述通信模块(14)相通信，和/或，所述控制模块(12)与所述除味模块(13)通过所述通信模块(14)相通信。
CN202111282701.5A 2021-11-01 2021-11-01 用于制冷器具的气味检测方法及制冷器具 Pending CN116072244A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111282701.5A CN116072244A (zh) 2021-11-01 2021-11-01 用于制冷器具的气味检测方法及制冷器具
EP22199793.5A EP4174487A1 (en) 2021-11-01 2022-10-05 Odor detection method for refrigeration appliance and refrigeration appliance

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111282701.5A CN116072244A (zh) 2021-11-01 2021-11-01 用于制冷器具的气味检测方法及制冷器具

Publications (1)

Publication Number Publication Date
CN116072244A true CN116072244A (zh) 2023-05-05

Family

ID=84331760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111282701.5A Pending CN116072244A (zh) 2021-11-01 2021-11-01 用于制冷器具的气味检测方法及制冷器具

Country Status (2)

Country Link
EP (1) EP4174487A1 (zh)
CN (1) CN116072244A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117174197B (zh) * 2023-08-17 2024-02-13 广东省生态气象中心（珠江三角洲环境气象预报预警中心） 基于动态有监督机器学习的臭氧污染风险预报方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020185101A1 (en) * 2019-03-11 2020-09-17 Victoria Link Limited Hybrid machine learning system and method

Also Published As

Publication number Publication date
EP4174487A1 (en) 2023-05-03

Similar Documents

Publication Publication Date Title
CN106766662B (zh) 冰箱内食材监测管理方法及系统
CN106123470B (zh) 检测冰箱储物间室内食物新鲜度的方法
CN109114742B (zh) 控制方法、装置、空调器、遥控终端、服务器及存储介质
CN103940957A (zh) 气味检测装置、检测系统及检测方法
CN116072244A (zh) 用于制冷器具的气味检测方法及制冷器具
CN103940970A (zh) 制冷设备气味检测方法、检测装置及制冷设备
CN110927217A (zh) 基于电子鼻系统的食物新鲜度的识别方法及电子鼻系统
CN110857807A (zh) 控制空气净化器的方法及装置
US11998927B2 (en) Method and device for controlling a process within a system, in particular a grinding process in a grinding device
Kodogiannis et al. Neuro-fuzzy based identification of meat spoilage using an electronic nose
CN114216246B (zh) 空调机组控制方法、装置、存储介质及电子设备
CN110285642A (zh) 一种冰箱的控制方法、存储介质及冰箱
CN116972902A (zh) 用于制冷器具的气味检测方法及制冷器具
Soltani et al. Fault detection of supermarket refrigeration systems using convolutional neural network
EP4266049A1 (en) Odor detecting method for refrigerating appliance and refrigerating appliance
CN106288182B (zh) 一种压缩机监控方法、装置及空调
CN116951887A (zh) 制冷器具及用于制冷器具的气味检测方法及装置、终端
CN116972901A (zh) 用于制冷器具的气味检测方法及制冷器具
CN113804842A (zh) 烹饪器具判熟装置、方法以及烹饪器具
US20220196623A1 (en) Method for determining a freshness state of a food in a storage container as well as computer program product and storage container
CN116972903A (zh) 用于制冷器具的气味检测方法及制冷器具
EP4174381A2 (en) Overcooking detection method and household appliance
CN116989840A (zh) 用于制冷器具的气味检测方法及制冷器具
CN110454904B (zh) 除湿机中冷媒含量的处理方法和装置
Lee et al. Development of machine learning model for reefer container failure determination and cause analysis with unbalanced data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication