CN116289132A - 衣物烘干模型训练方法、烘干控制方法、装置及设备 - Google Patents

Abstract

本申请属于智能家电领域，具体涉及一种衣物烘干模型训练方法、烘干控制方法、装置及设备。旨在解决现有烘干衣物的方式容易导致衣物出现烘干过度或者烘干不彻底损伤衣物的问题。本申请通过获取多组训练数据，其中，训练数据包括衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度，将衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将衣物理想干燥度作为响应量，进行模型训练得到衣物烘干模型。利用衣物烘干模型，根据衣物实际护理过程中采集的护理机当前的温度、湿度及目标衣物材质，计算得到目标干燥度，从而控制衣物护理机按照该目标干燥度烘干目标衣物，使得目标衣物的烘干效果更好，更好的保护衣物。

Description

衣物烘干模型训练方法、烘干控制方法、装置及设备

技术领域

本申请实施例属于智能家电技术领域，具体涉及一种衣物烘干模型训练方法、烘干控制方法、装置及设备。

背景技术

随着科技的发展和对品质生活要求的提高，用户在选择家电产品时更倾向于选择具有智能化的家电，例如衣物护理机，通过衣物护理机来提高对高端衣物的护理能力。

现有技术中，用户将待护理的衣物放置入护理机的烘干腔室内后，无论待护理的衣物属于什么材质，都是护理机根据用户在其显示面板上选择的干燥度模式，根据该模式对应的烘干温度和时间控制送风装置输送热风来烘干衣物。

但是，现有烘干衣物的方式容易导致待护理的衣物出现烘干过度或者烘干不彻底的情况，损伤衣物。

发明内容

为了解决现有技术中的上述问题，即为了解决现有技术的烘干衣物的方式容易导致待护理的衣物出现烘干过度或者烘干不彻底的情况，损伤衣物的问题，本申请实施例提供了一种衣物烘干模型训练方法、烘干控制方法、装置及设备。

第一方面，本申请实施例提供一种衣物烘干模型训练方法，包括：

获取多组训练数据，所述训练数据包括衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度；

将所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将所述衣物理想干燥度作为响应量，对监督学习模型进行模型训练，直至损失函数小于预设阈值时，得到衣物烘干模型。

在上述衣物烘干模型训练方法的优选技术方案中，所述将所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将所述衣物理想干燥度作为响应量，对监督学习模型进行模型训练，直至损失函数小于预设阈值时，得到衣物烘干模型，包括：

利用预设的目标函数，通过贝叶斯优化算法确定所述监督学习模型初始的运行参数，所述运行参数包括以下至少一种：学习速率、树深度、正则化参数；

根据所述初始的运行参数，将所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为输入数据矩阵，将所述衣物理想干燥度作为输出数据矩阵进行模型训练，得到输出后的衣物预测干燥度；

将所述衣物预测干燥度与所述衣物理想干燥度输入预设的损失函数，得到损失值；

若所述损失值小于所述预设阈值，得到所述衣物烘干模型；

或者，若所述损失值大于或者等于所述预设阈值，调整所述运行参数，直至对应得到的所述损失值小于所述预设阈值。

在上述衣物烘干模型训练方法的优选技术方案中，所述将所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将所述衣物理想干燥度作为响应量，对监督学习模型进行模型训练，直至损失函数小于预设阈值时，得到衣物烘干模型之前，还包括：

对所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度进行数据增强处理；

对数据增强处理后的所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度进行归一化处理，得到归一化后的所述训练数据。

在上述衣物烘干模型训练方法的优选技术方案中，所述获取多组训练数据，所述训练数据包括衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度，包括：

获取用户输入的衣物材质；

在衣物护理机运行过程中，每隔预设时间采集衣物护理机内部的温度和湿度；

根据所述温度和湿度，从预先存储的温/湿度与理想干燥度的对应关系中，确定所述衣物的理想干燥度。

第二方面，本申请实施例提供一种衣物烘干控制方法，包括：

获取用户输入的目标衣物材质；

每隔第一预设时间采集衣物护理机内部当前的温度和湿度；

将所述目标衣物材质、所述当前的温度和湿度输入衣物烘干模型进行计算，得到目标干燥度；

控制所述衣物护理机按照所述目标干燥度烘干所述目标衣物。

在上述衣物烘干控制方法的优选技术方案中，所述控制所述衣物护理机按照所述目标干燥度烘干所述目标衣物，包括：

控制送风装置向所述衣物护理机烘干腔室内输送热风；

每隔第二预设时间检测所述目标衣物的含水量；

若判断出所述含水量达到所述目标干燥度对应的含水量，则烘干完成；

若未达到，则重复执行控制送风装置向所述衣物护理机烘干腔室内输送热风的步骤。

第三方面，本申请实施例提供一种衣物烘干模型训练装置，包括：

获取模块，用于获取多组训练数据，所述训练数据包括衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度；

训练模块，用于将所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将所述衣物理想干燥度作为响应量，对监督学习模型进行模型训练，直至损失函数小于预设阈值时，得到衣物烘干模型。

第四方面，本申请实施例提供一种衣物烘干控制装置，包括：

获取模块，用于获取用户输入的目标衣物材质；

检测模块，用于每隔第一预设时间采集衣物护理机内部当前的温度和湿度；

处理模块，用于将所述目标衣物材质、所述当前的温度和湿度输入衣物烘干模型进行计算，得到目标干燥度；

控制模块，用于控制所述衣物护理机按照所述目标干燥度烘干所述目标衣物。

第五方面，本申请实施例提供一种电子设备，包括：处理器及存储器；

所述存储器用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行第一方面任一项所述的衣物烘干模型训练方法。

第六方面，本申请实施例提供一种电子设备，包括：处理器及存储器；

所述存储器用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行第二方面任一项所述的衣物烘干控制方法。

第七方面，本申请实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时用于实现第一方面任一项所述的衣物烘干模型训练方法，和/或，实现第二方面任一项所述的衣物烘干控制方法。

第八方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时用于实现第一方面任一项所述的衣物烘干模型训练方法，和/或，实现第二方面任一项所述的衣物烘干控制方法。

本领域技术人员能够理解的是，本申请实施例提供的一种衣物烘干模型训练方法、烘干控制方法、装置及设备，通过获取多组训练数据，其中，训练数据包括衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度，将衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将衣物理想干燥度作为响应量，对监督学习模型进行模型训练，直至损失函数小于预设阈值时，得到衣物烘干模型。烘干衣物时，通过获取用户输入的目标衣物材质，每隔第一预设时间采集的衣物护理机内部当前的温度和湿度，并将上述数据输入衣物烘干模型进行计算，得到目标干燥度后控制衣物护理机按照目标干燥度烘干目标衣物。本申请通过训练的衣物烘干模型，确定的目标干燥度更加准确，能够更好的烘干并保护待护理衣物。

附图说明

下面参照附图来描述本申请的衣物烘干模型训练方法、烘干控制方法、装置及设备的优选实施方式。附图为：

图1为本申请实施例一提供的一种衣物烘干模型训练的方法的流程示意图；

图2为本申请实施例二提供的又一种衣物烘干模型训练方法的流程示意图；

图3为本申请实施例三提供的一种衣物烘干控制方法的流程示意图；

图4为本申请实施例四提供的一种示例性衣物烘干方法的流程示意图；

图5为本申请实施例五提供的一种衣物烘干模型训练装置的结构示意图；

图6为本申请实施例六提供的一种衣物烘干控制装置的结构示意图；

图7为本申请实施例七提供的一种电子设备的结构示意图；

图8为本申请实施例八提供的一种电子设备的结构示意图。

具体实施方式

首先，本领域技术人员应当理解的是，这些实施方式仅仅用于解释本申请的技术原理，并非旨在限制本申请的保护范围。本领域技术人员可以根据需要对其做出调整，以便适应具体的应用场合。

其次，需要说明的是，在本申请实施例的描述中，术语“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示装置或构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。

此外，还需要说明的是，在本申请实施例的描述中，除非另有明确的规定和限定，术语“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，可以是两个构件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本申请实施例中的具体含义。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

随着信息时代的不断发展，越来越多的智能家电涌现在用户面前，其以高智能化、高便捷化的特点赢得用户青睐。本申请中以智能衣物护理机为例来说明，通过衣物护理机护理的衣物可以减少衣物上面的皱褶，祛除异味，让衣物保持清新，此外，还可以通过其烘干功能，让衣物干爽蓬松。

现有技术中，用户将待护理的衣物放置入护理机的烘干腔室内后，无论待护理的衣物属于什么材质，都是护理机根据用户在其显示面板上选择的干燥度模式，根据该模式对应的烘干温度和时间控制送风装置输送热风来烘干衣物。待护理的衣物通过衣物护理机烘干之后，经过内部的湿度传感器检测湿度，通过查表判断出湿度已经达到目标干燥度后，烘干完成。

但是现有技术在烘干衣物时，并未考虑衣物的材质，不同的衣物材质对干燥度的要求不同，也没有考虑烘干机在烘干过程中内部的温度和湿度对衣物干燥度的影响，容易导致待护理的衣物出现烘干过度或者烘干不彻底的情况，损伤衣物。

因此，针对现有技术的上述技术问题，本申请提出一种衣物烘干模型训练方法、烘干控制方法、装置及设备，通过获取训练数据，其中，训练数据包括衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度，并采用上述的数据对模型进行训练，得到衣物烘干模型。利用衣物烘干模型，根据衣物实际护理过程中采集的护理机当前的温度、湿度及目标衣物材质，计算得到目标干燥度，从而控制衣物护理机按照该目标干燥度烘干目标衣物，使得目标衣物的烘干效果更好，进而更好的保护衣物。

以下结合附图对本申请实施例的原理和特征进行描述，所举实例只用于解释本申请实施例，并非用于限定本申请实施例的范围。

本申请可以应用于对衣物护理机的烘干控制，还可以是衣物烘干机的烘干控制等，可以理解的是，本申请提出的衣物烘干模型训练方法及衣物烘干控制方法，包括但不限于以上的场景，所列举场景不因此作为对本申请的限制。

图1为本申请实施例一提供的一种衣物烘干模型训练的方法的流程示意图，该方法的执行主体可以为衣物烘干模型训练装置或设备，例如可以是个人计算机或者计算机集群等，还可以是具备模型训练功能的终端，例如笔记本电脑、智能手机、平板电脑等。本实施例中的方法可以通过软件、硬件或者软硬件结合的方式来实现。如图1所示，该方法具体包括以下步骤：

S101、获取多组训练数据，训练数据包括衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度。

本实施例中执行主体以计算机为例，获取多组训练数据，其中，训练数据包括但不限于衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度。训练数据可以是从计算机预先存储的历史数据中直接获得，也可以从存储在其它设备中的历史数据中通过筛选，得到训练数据后，再存储到进行模型训练的计算机中。还可以通过衣物护理机烘干衣物实时采集的不同材质衣物在烘干过程中的相关数据获得。

可以理解的是，本申请对获取训练数据的方式不进行限定。

S102、将衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将衣物理想干燥度作为响应量，对监督学习模型进行模型训练，直至损失函数小于预设阈值时，得到衣物烘干模型。

其中，监督学习模型可以为梯度提升决策树XGboost模型，全称为ExtremeGradient Boosting。XGboost是一种基于Boosting框架的算法，具有训练速度快，占用存储内存小，可并行训练的特点。

通过根据采集的训练数据，将衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将衣物理想干燥度作为响应量，对XGboost模型进行训练，得到衣物预测干燥度。将其输入预设的损失函数，直至计算的结果小于预设阈值，小于预设阈值说明损失函数已收敛，衣物烘干模型训练完成。

在本申请的上述实施例中，通过获取多组训练数据，训练数据包括衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度，将衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将衣物理想干燥度作为响应量，对监督学习模型进行模型训练，直至损失函数小于预设阈值时，得到衣物烘干模型。通过进行模型训练，得到的待护理衣物的干燥度更加准确。

进一步的，在上述实施例一的基础之上，下面，通过实施例二详细的说明将衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将衣物理想干燥度作为响应量，对监督学习模型进行模型训练，直至损失函数小于预设阈值时，得到衣物烘干模型的过程。如图2所示，图2为本申请实施例二提供的又一种衣物烘干模型训练方法的流程示意图，该方法包括以下步骤。

S201、获取多组训练数据，训练数据包括衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度。

一种可选的方式是：

获取用户输入的衣物材质。

衣物材质包括但不限于：

一、天然纤维面料，例如，棉、麻、毛、丝、以及竹纤维大豆纤维等。

二、化学纤维面料，例如，氨纶，腈纶，涤纶等。

三、混纺面料，例如，天然纤维与化学纤维的混合等。

其中，衣物材质可以通过终端进行输入，终端包括但不限于笔记本电脑、智能手机、平板电脑、可穿戴交互设备等。也可以通过可以检测出衣物材质的传感器获得。还可以通过摄像头拍摄的衣物图像，利用分辨算法或模型，得到衣物的材质等。本申请中，对获取衣物材质的方式不进行限定。

在衣物护理机运行过程中，每隔预设时间采集衣物护理机内部的温度和湿度。

在护理机运行的过程中，每隔预设时间，通过护理机内部安装的温度传感器采集内部的温度，通过护理机内部安装的湿度传感器采集内部的湿度。

根据不同时刻的温度和湿度，从预先存储的温/湿度与理想干燥度的对应关系中，确定衣物的理想干燥度。

另一种可选的方式是：

从存储在计算机中衣物护理机的烘干历史数据中，筛选出衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度的数据，构建数据集。筛选的方式可以通过任意一种数据筛选算法或者数据筛选工具等。

得到上述训练数据后，对衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度进行数据增强处理。

其中，对训练数据进行数据增强处理是将数据数量进行扩充，可以利用差值算法或者SMOTE(Synthetic minority oversampling technique，合成少数类样本的过采样技术)算法等，若采集的训练数据数量过多，也可以减少数据数量，以维持样本数据的平衡。

对数据增强处理后的衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度进行归一化处理，得到归一化后的训练数据。

对训练数据进行归一化处理，是因为不同的数据具有不同的量纲和量纲单位，为了消除不同量纲之间的影响，需要对数据进行标准化处理，以使不用量纲的训练数据被限定在一定的范围内，例如，被限定在[0,1]，或者，[-1,1]。

S202、利用预设的目标函数，通过贝叶斯优化算法确定监督学习模型初始的运行参数，运行参数包括以下至少一种：学习速率、树深度、正则化参数。

本实施例以XGboost模型为例，在训练过程中，首选需要对该模型的初始运行参数进行设置，运行参数包括但不限于学习速率、树深度、正则化参数等。

其中，学习率learning_rate用于控制模型每次迭代更新权重时的步长，其默认值为0.3，值越小，训练速度越慢，值越大，运行准确率越低。树深度max_depth用于控制模型的训练复杂度，值越大，越容易过拟合，值越小，越容易欠拟合。正则化参数同样用于控制模型训练过程中的复杂度，防止树深度过拟合，欠拟合或拟合都会影响模型训练的准确度。

需要注意的是，模型的运行参数众多，本实施例仅对训练过程中的重要参数进行示例说明，不因此作为对本申请的限制。

利用预设的目标函数，将运行参数的范围设置在预设范围内，利用任意一种优化算法，例如贝叶斯优化算法搜索最优参数，在搜索最优参数时可以设置早停EarlyStopping参数，其作用是当模型训练多轮后训练结果仍没有明显提升，则结束训练，以防止训练结果过拟合，导致模型准确度降低。最终，得到烘干模型的初始运行参数。其中，目标函数及运行参数的范围可以根据历史经验确定，或者根据实际情况确定。

S203、根据初始的运行参数，将衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为输入数据矩阵X，将衣物理想干燥度Y作为输出数据矩阵进行模型训练，得到输出后的衣物预测干燥度Y'。

S204、将衣物预测干燥度与衣物理想干燥度输入预设的损失函数，得到损失值。

S205、若损失值小于预设阈值，得到衣物烘干模型。

预设的损失函数，例如可以为F1 score分数函数，其多用于衡量模型的精确度。若损失函数小于预设阈值，说明训练结果已收敛。

S206、或者，若损失值大于或者等于预设阈值，调整运行参数，直至对应得到的损失值小于预设阈值。

综上，通过步骤S201-S206得到训练好的衣物烘干模型，最后将训练好的烘干模型部署到衣物护理机中。

在本申请的上述实施例中，通过利用预设的目标函数，通过贝叶斯优化算法确定监督学习模型初始的运行参数，运行参数包括以下至少一种：学习速率、树深度、正则化参数，并根据初始的运行参数，将衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为输入数据矩阵，将衣物理想干燥度作为输出数据矩阵进行模型训练，得到输出后的衣物预测干燥度。然后将衣物预测干燥度与衣物理想干燥度输入预设的损失函数，计算损失值，若损失值小于预设阈值，得到衣物烘干模型，若损失值大于或者等于预设阈值，调整运行参数，直至对应得到的损失值小于预设阈值。本申请，通过根据衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度对模型进行训练，使得得到的衣物烘干模型更加准确。

在上述实施例一和实施例二中，主要说明了衣物护理机的衣物烘干模型的训练方法，下面，通过实施例三说明该衣物烘干模型的使用方法，如图3所示，图3为本申请实施例三提供的一种衣物烘干控制方法的流程示意图。该方法的执行主体可以为衣物护理机，本申请中对护理机的型号及类型均不做限定，该方法主要包括以下步骤：

S301、获取用户输入的目标衣物材质。

目标衣物材质包括但不限于：

一、天然纤维面料，例如，棉、麻、毛、丝、以及竹纤维大豆纤维等。

二、化学纤维面料，例如，氨纶，腈纶，涤纶等。

三、混纺面料，例如，天然纤维与化学纤维的混合等。

其中，目标衣物材质可以通过能与衣物护理机进行通信交互的终端输入，终端包括但不限于笔记本电脑、智能手机、平板电脑、可穿戴交互设备等。还可以直接在衣物护理机的操作面板中输入，输入的方式可以为文字输入或者语音控制输入等。

S302、每隔第一预设时间采集衣物护理机内部当前的温度和湿度。

通过衣物护理机内部安装的温度传感器，每隔预设时间采集当前的温度，通过内部安装的湿度传感器采集，每隔预设时间采集当前的湿度。

S303、将目标衣物材质、当前的温度和湿度输入衣物烘干模型进行计算，得到目标干燥度。

将不同时刻采集的温度、湿度以及用户输入的目标衣物材质输入衣物烘干模型中，通过该模型预测不同时刻对应的目标衣物的目标干燥度。

S304、控制衣物护理机按照目标干燥度烘干目标衣物。

根据计算的目标干燥度，控制进行烘干操作。

在本申请的上述实施例中，通过获取用户输入的目标衣物材质，每隔第一预设时间采集衣物护理机内部当前的温度和湿度，将目标衣物材质、当前的温度和湿度输入衣物烘干模型进行计算，得到目标干燥度，控制衣物护理机按照目标干燥度烘干目标衣物。本实施例根据获取的衣物材质、护理机内部温度及湿度，利用衣物烘干模型，计算得到的目标干燥度更加准确，从而更好的烘干待护理的衣物，保护衣物质量。

进一步的，通过下方实施例四示例性的说明一种控制衣物护理机按照目标干燥度烘干目标衣物的方法。如图4所示，图4为本申请实施例四提供的一种示例性衣物烘干方法的流程示意图，该方法包括以下步骤：

S401、控制送风装置向衣物护理机烘干腔室内输送热风。

控制送风装置对烘干腔室进行送风，以烘干待护理的目标衣物。送风过程中，可以设置出风速度、风量、出风角度等。

S402、每隔第二预设时间检测目标衣物的含水量。

S403、若判断出含水量达到目标干燥度对应的含水量，则烘干完成。

S404、若未达到，则重复执行控制送风装置向衣物护理机烘干腔室内输送热风的步骤。

可选的，检测目标衣物的含水量可以通过任意可以测定含水量的装置或设备，例如红外线水分测定仪等，可以理解的是，本申请中对可以检测衣物含水量的装置不进行限定。

在本申请的上述实施例中，通过根据计算得到目标干燥度控制烘干衣物，使得衣物的烘干效果更好，提高了用户的穿衣舒适度。

图5为本申请实施例五提供的一种衣物烘干模型训练装置的结构示意图，如图5所示，该装置包括：获取模块501、训练模块502。

获取模块501，用于获取多组训练数据，训练数据包括衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度。

训练模块502，用于将衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将衣物理想干燥度作为响应量，对监督学习模型进行模型训练，直至损失函数小于预设阈值时，得到衣物烘干模型。

一种可能的实现方式是，训练模块502，具体用于：

利用预设的目标函数，通过贝叶斯优化算法确定监督学习模型初始的运行参数，运行参数包括以下至少一种：学习速率、树深度、正则化参数。

根据初始的运行参数，将衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为输入数据矩阵，将衣物理想干燥度作为输出数据矩阵进行模型训练，得到输出后的衣物预测干燥度。

将衣物预测干燥度与衣物理想干燥度输入预设的损失函数，得到损失值。

若损失值小于预设阈值，得到衣物烘干模型。

或者，若损失值大于或者等于预设阈值，调整运行参数，直至对应得到的损失值小于预设阈值。

一种可能的实现方式是，该装置还包括处理模块503，具体用于：

对衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度进行数据增强处理。

对数据增强处理后的衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度进行归一化处理，得到归一化后的训练数据。

一种可能的实现方式是，获取模块501，具体用于：

获取用户输入的衣物材质。

在衣物护理机运行过程中，每隔预设时间采集衣物护理机内部的温度和湿度。

根据温度和湿度，从预先存储的温/湿度与理想干燥度的对应关系中，确定衣物的理想干燥度。

本实施例提供的衣物烘干模型训练装置，用于执行前述的方法实施例一和实施例二，其实现原理与技术效果类似，对此不再赘述。

图6为本申请实施例六提供的一种衣物烘干控制装置的结构示意图，如图6所示，该装置包括：获取模块601、检测模块602、处理模块603、控制模块604。

获取模块601，用于获取用户输入的目标衣物材质。

检测模块602，用于每隔第一预设时间采集衣物护理机内部当前的温度和湿度。

处理模块603，用于将目标衣物材质、当前的温度和湿度输入衣物烘干模型进行计算，得到目标干燥度。

控制模块604，用于控制衣物护理机按照目标干燥度烘干目标衣物。

一种可能的实现方式是，控制模块604，具体用于：

控制送风装置向衣物护理机烘干腔室内输送热风。

每隔第二预设时间检测目标衣物的含水量。

若判断出含水量达到目标干燥度对应的含水量，则烘干完成。

若未达到，则重复执行控制送风装置向衣物护理机烘干腔室内输送热风的步骤。

本实施例提供的衣物烘干控制装置，用于执行前述的方法实施例三和实施例四，其实现原理与技术效果类似，对此不再赘述。

图7为本申请实施例七提供的一种电子设备的结构示意图，如图7所示，该设备可以包括：至少一个处理器701和存储器702。

存储器702，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。

存储器702可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

处理器701用于执行存储器702存储的计算机执行指令，以实现前述方法实施例所描述的方法。其中，处理器701可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。

可选的，该空调还可以包括通信接口703。在具体实现上，如果通信接口703、存储器702、处理器701独立实现，则通信接口703、存储器702、处理器701可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果通信接口703、存储器702、处理器701集成在一块芯片上实现，则通信接口703、存储器702、处理器701可以通过内部接口完成通信。

本实施例提供的电子设备，用于执行前述衣物烘干模型的训练方法，其实现原理与技术效果类似，对此不再赘述。

图8为本申请实施例八提供的一种电子设备的结构示意图，如图8所示，该设备可以包括：至少一个处理器801和存储器802。

存储器802，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。

存储器802可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

处理器801用于执行存储器802存储的计算机执行指令，以实现前述方法实施例所描述的方法。其中，处理器801可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。

可选的，该空调还可以包括通信接口803。在具体实现上，如果通信接口803、存储器802、处理器801独立实现，则通信接口803、存储器802、处理器801可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果通信接口803、存储器802、处理器801集成在一块芯片上实现，则通信接口803、存储器802、处理器801可以通过内部接口完成通信。

本实施例提供的电子设备，用于执行前述衣物烘干的控制方法，其实现原理与技术效果类似，对此不再赘述。

本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质其上存储有程序程序指令，程序指令用于上述衣物烘干模型训练方法，和/或，衣物烘干控制方法。

本申请还提供一种计算机程序产品，该程序产品包括可执行指令，该执行指令存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得电子设备实施上述的各种实施方式提供的上述衣物烘干模型训练方法，和/或，衣物烘干控制方法。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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，或者对其中部分或者全部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申请各实施例技术方案的范围。

Claims (12)

1.一种衣物烘干模型训练的方法，其特征在于，包括：

获取多组训练数据，所述训练数据包括衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度；

将所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将所述衣物理想干燥度作为响应量，对监督学习模型进行模型训练，直至损失函数小于预设阈值时，得到衣物烘干模型。

2.根据权利要求1所述的方法，其特征在于，所述将所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将所述衣物理想干燥度作为响应量，对监督学习模型进行模型训练，直至损失函数小于预设阈值时，得到衣物烘干模型，包括：

利用预设的目标函数，通过贝叶斯优化算法确定所述监督学习模型初始的运行参数，所述运行参数包括以下至少一种：学习速率、树深度、正则化参数；

根据所述初始的运行参数，将所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为输入数据矩阵，将所述衣物理想干燥度作为输出数据矩阵进行模型训练，得到输出后的衣物预测干燥度；

将所述衣物预测干燥度与所述衣物理想干燥度输入预设的损失函数，得到损失值；

若所述损失值小于所述预设阈值，得到所述衣物烘干模型；

或者，若所述损失值大于或者等于所述预设阈值，调整所述运行参数，直至对应得到的所述损失值小于所述预设阈值。

3.根据权利要求2所述的方法，其特征在于，所述将所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将所述衣物理想干燥度作为响应量，对监督学习模型进行模型训练，直至损失函数小于预设阈值时，得到衣物烘干模型之前，还包括：

对所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度进行数据增强处理；

对数据增强处理后的所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度进行归一化处理，得到归一化后的所述训练数据。

4.根据权利要求3所述的方法，其特征在于，所述获取多组训练数据，所述训练数据包括衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度，包括：

获取用户输入的衣物材质；

在衣物护理机运行过程中，每隔预设时间采集衣物护理机内部的温度和湿度；

根据所述温度和湿度，从预先存储的温/湿度与理想干燥度的对应关系中，确定所述衣物的理想干燥度。

5.一种衣物烘干控制方法，其特征在于，包括：

获取用户输入的目标衣物材质；

每隔第一预设时间采集衣物护理机内部当前的温度和湿度；

将所述目标衣物材质、所述当前的温度和湿度输入衣物烘干模型进行计算，得到目标干燥度；

控制所述衣物护理机按照所述目标干燥度烘干所述目标衣物。

6.根据权利要求5所述的方法，其特征在于，所述控制所述衣物护理机按照所述目标干燥度烘干所述目标衣物，包括：

控制送风装置向所述衣物护理机烘干腔室内输送热风；

每隔第二预设时间检测所述目标衣物的含水量；

若判断出所述含水量达到所述目标干燥度对应的含水量，则烘干完成；

若未达到，则重复执行控制送风装置向所述衣物护理机烘干腔室内输送热风的步骤。

7.一种衣物烘干模型训练装置，其特征在于，包括：

获取模块，用于获取多组训练数据，所述训练数据包括衣物材质、衣物护理机内部温度、衣物护理机内部湿度及衣物理想干燥度；

训练模块，用于将所述衣物材质、衣物护理机内部温度、衣物护理机内部湿度作为变量，将所述衣物理想干燥度作为响应量，对监督学习模型进行模型训练，直至损失函数小于预设阈值时，得到衣物烘干模型。

8.一种衣物烘干控制装置，其特征在于，包括：

获取模块，用于获取用户输入的目标衣物材质；

检测模块，用于每隔第一预设时间采集衣物护理机内部当前的温度和湿度；

处理模块，用于将所述目标衣物材质、所述当前的温度和湿度输入衣物烘干模型进行计算，得到目标干燥度；

控制模块，用于控制所述衣物护理机按照所述目标干燥度烘干所述目标衣物。

9.一种电子设备，其特征在于，包括：

处理器，存储器；

所述存储器用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至4任一项所述的衣物烘干模型训练方法。

10.一种电子设备，其特征在于，包括：

处理器，存储器；

所述存储器用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求5至6任一项所述的衣物烘干控制方法。

11.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述的衣物烘干模型训练方法，和/或，实现权利要求5至6任一项所述的衣物烘干控制方法。

12.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至4任一项所述的衣物烘干模型训练方法，和/或，实现权利要求5至6任一项所述的衣物烘干控制方法。

Images