CN116479618A - 负载判别方法、装置及智能洗衣方法与装置 - Google Patents
负载判别方法、装置及智能洗衣方法与装置 Download PDFInfo
- Publication number
- CN116479618A CN116479618A CN202210051243.2A CN202210051243A CN116479618A CN 116479618 A CN116479618 A CN 116479618A CN 202210051243 A CN202210051243 A CN 202210051243A CN 116479618 A CN116479618 A CN 116479618A
- Authority
- CN
- China
- Prior art keywords
- load
- neural network
- network model
- washing
- parameter
- 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
Links
- 238000005406 washing Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012850 discrimination method Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005303 weighing Methods 0.000 abstract description 18
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F33/00—Control of operations performed in washing machines or washer-dryers
- D06F33/30—Control of washing machines characterised by the purpose or target of the control
- D06F33/32—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F33/00—Control of operations performed in washing machines or washer-dryers
- D06F33/30—Control of washing machines characterised by the purpose or target of the control
- D06F33/32—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
- D06F33/36—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry of washing
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
- D06F2103/02—Characteristics of laundry or load
- D06F2103/04—Quantity, e.g. weight or variation of weight
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B40/00—Technologies aiming at improving the efficiency of home appliances, e.g. induction cooking or efficient technologies for refrigerators, freezers or dish washers
Landscapes
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Control Of Washing Machine And Dryer (AREA)
Abstract
本发明涉及人工智能领域,具体提供一种负载判别方法、装置及智能洗衣方法与装置,旨在解决现有方法由于洗衣机桶的重量会对称重结果造成影响从而导致确定的小负载的称重结果误差较大的技术问题。为此目的,本发明的负载判别方法包括下述步骤:获取训练样本集,训练样本集中每一样本对应一个负载大小标签;构建神经网络模型,并利用训练样本集对神经网络模型进行训练,得到训练好的神经网络模型;利用训练好的神经网络模型判别待洗衣物的负载大小。
Description
技术领域
本发明涉及人工智能领域,具体提供一种负载判别方法、装置及智能洗衣方法与装置。
背景技术
传统的洗衣机桶有一定重量,现有方法在称重大负载时能够有较好效果,然而在称重小负载时,由于洗衣机桶的重量会对称重结果造成影响,导致现有方法确定的小负载的称重结果误差较大,对后续计算洗涤时间以及洗涤水量均有较大影响。
相应地,本领域需要一种新的负载判别方案来解决上述问题。
发明内容
为了克服上述缺陷,提出了本发明,以提供解决或至少部分地解决现有方法由于洗衣机桶的重量会对称重结果造成影响从而导致确定的小负载的称重结果误差较大的技术问题。本发明提供了一种负载判别方法、装置及智能洗衣方法与装置。
在第一方面,本发明提供一种负载判别方法,包括下述步骤:获取训练样本集,所述训练样本集中每一样本对应一个负载大小标签;构建神经网络模型,并利用所述训练样本集对所述神经网络模型进行训练,得到训练好的神经网络模型;利用所述训练好的神经网络模型判别待洗衣物的负载大小。
在一个实施方式中,所述获取训练样本集包括:步骤S1、对于洗衣机空载到满载的不同负载下,分别获取电机提速到多个转速的提速时间、电机电流和电机电压,所述多个转速为六个转速,其中第一转速在20rpm到40rpm范围内,第二转速在50rpm到70rpm范围内,第三转速在80rpm到100rpm范围内,第四转速在110rpm到130rpm范围内,第五转速在140rpm到160rpm范围内,第六转速在170rpm到190rpm范围内;步骤S2、重复执行上述步骤S1,得到所述训练样本集。
在一个实施方式中,所述第一转速为30rpm,所述第二转速为60rpm,所述第三转速为90rpm,所述第四转速为120rpm,所述第五转速为150rpm,所述第六转速为180rpm。
在一个实施方式中,所述神经网络模型包括输入层、第一卷积层、至少一个第二卷积层、至少一个池化层以及输出层,所述第一卷积层的尺寸为n*m,其中1≤n≤3,2≤m≤6,步长在1至4范围内。
在第二方面,本发明提供一种智能洗衣方法,包括下述步骤:利用负载判别方法确定待洗衣物的负载大小;基于所述待洗衣物的负载大小确定洗涤参数,以根据所述洗涤参数对所述待洗衣物进行洗涤,所述洗涤参数包括水量参数和洗涤时间参数。
在第三方面,本发明提供一种负载判别装置,包括获取模块,被配置为获取训练样本集,所述训练样本集中每一样本对应一个负载大小标签;训练模块,被配置为构建神经网络模型,并利用所述训练样本集对所述神经网络模型进行训练,得到训练好的神经网络模型;判别模块,被配置为利用所述训练好的神经网络模型判别待洗衣物的负载大小。
在第四方面,本发明提供一种智能洗衣系统,包括负载判别装置,被配置为确定待洗衣物的负载大小;参数确定装置,被配置为基于所述待洗衣物的负载大小确定洗涤参数,以根据所述洗涤参数对所述待洗衣物进行洗涤,所述洗涤参数包括水量参数和洗涤时间参数。
在第五方面,本发明提供一种滚筒洗衣机,包括智能洗衣系统,所述智能洗衣系统用于根据待洗衣物的负载大小确定洗涤参数,以使所述滚筒洗衣机基于所述洗涤参数对待洗衣物进行洗涤。
在第六方面,提供一种电子设备,该电子设备包括处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行前述任一项所述的负载判别方法智能洗衣方法。
在第七方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行前述任一项所述的负载判别方法智能洗衣方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
本发明提供了一种负载判别方法,通过构建神经网络,并获取大量训练样本训练神经网络模型,从而优化神经网络模型的参数,以训练出识别精度较高的神经网络模型,该神经网络模型无论对大负载还是小负载均有较高的识别精度,获得了良好的称重效果,满足了用户的需求。
通过在洗衣机空载到满载的不同负载下,获取电机提速到30rpm、60rpm、90rpm、120rpm、150rpm和180rpm的提速时间、电机电流、电压数据,从而构建训练样本集以用于对神经网络模型进行训练,有利于提高神经网络模型的精度,为神经网络模型的训练提供了技术支撑。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本发明的保护范围组成限制。此外,图中类似的数字用以表示类似的部件,其中:
图1是根据本发明的一个实施例的负载判别方法的主要步骤流程示意图;
图2是根据本发明的一个实施例的神经网络模型结构示意图;
图3是根据本发明的一个实施例的神经网络模型训练流程示意图
图4是根据本发明的一个实施例的智能洗衣方法的流程示意图;
图5是根据本发明的一个实施例的负载判别装置的主要结构框图示意图。
附图标记列表:
11:获取模块;12:训练模块;13:判别模块。
具体实施方式
下面参照附图来描述本发明的一些实施方式。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发明的技术原理,并非旨在限制本发明的保护范围。
在本发明的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
目前传统的的洗衣机桶有一定重量,现有方法在称重大负载时能够有较好效果,然而在称重小负载时,由于洗衣机桶的重量会对称重结果造成影响,导致现有方法确定的小负载的称重结果误差较大,对后续计算洗涤时间以及洗涤水量均有较大影响。为此,本申请提供了一种负载判别方法、装置及智能洗衣方法与装置,通过构建神经网络,并获取大量训练样本训练神经网络模型,从而优化神经网络模型的参数,以训练出识别精度较高的神经网络模型,该神经网络模型无论对大负载还是小负载均有较高的识别精度,获得了良好的称重效果,满足了用户的需求。
参阅附图1,图1是根据本发明的一个实施例的负载判别方法的主要步骤流程示意图。如图1所示,本发明实施例中的负载判别方法主要包括下列步骤S101-步骤S103。
步骤S101:获取训练样本集,训练样本集中每一样本对应一个负载大小标签。具体来说,在该步骤中,首先可以在洗衣机空载到满载的不同负载下,分别获取电机提速到多个转速的提速时间、电机电流和电机电压,多次获取上述数据,即可得到训练样本集。其中,多个转速为六个转速,其中第一转速在20rpm到40rpm范围内,第二转速在50rpm到70rpm范围内,第三转速在80rpm到100rpm范围内,第四转速在110rpm到130rpm范围内,第五转速在140rpm到160rpm范围内,第六转速在170rpm到190rpm范围内。在该实施例中,第一转速可以为30rpm,第二转速可以为60rpm,第三转速可以为90rpm,第四转速可以为120rpm,第五转速可以为150rpm,第六转速可以为180rpm。该实施例中,可以以0.5公斤为单位,分别获取洗衣机从空载到满载的不同负载下提速到30rpm、60rpm、90rpm、120rpm、150rpm和180rpm的提速时间、电机电流、电压数据,以此构建一个3*6的数据矩阵。示例性的,以1公斤负载为例,对1公斤负载称重N次,能够获得N组数据,可以构建N*3*6的数据矩阵用于神经网络模型,理论上N越大越好。
通过在洗衣机空载到满载的不同负载下,获取电机提速到30rpm、60rpm、90rpm、120rpm、150rpm和180rpm的提速时间、电机电流、电压数据,从而构建训练样本集以用于对神经网络模型进行训练,有利于提高神经网络模型的精度,为神经网络模型的训练提供了技术支撑。
步骤S102:构建神经网络模型,并利用训练样本集对神经网络模型进行训练,得到训练好的神经网络模型。具体来说,本申请中的神经网络模型可以包括输入层、第一卷积层、至少一个第二卷积层、至少一个池化层以及输出层,第一卷积层的尺寸为n*m,其中1≤n≤3,2≤m≤6,步长在1至4范围内。其中,第二卷积层和池化层的个数可以为多个。示例性的,如图2所示的神经网络模型包括输入层、第一卷积层、N个第二卷积层、N个池化层以及输出层。具体的,该实施例中的第一卷积层的尺寸可以为1*4,步长可以为1。具体在负载判别时,可以将获取的N*3*6的数据矩阵输入到输入层,经过一个尺寸为1*4、步长为1的第一卷积层卷积后,得到N*3*3的特征矩阵,然后经过N个大小为2*2的卷积层以及池化层进行特征提取,最后经激活函数输出负载大小。
构建神经网络模型后,可以利用步骤S101获取的训练样本集对神经网络模型进行训练,从而得到训练好的神经网络模型。具体来说,获取的训练样本集中的每一样本均标注有一个负载大小标签,如图3所示,将标注有负载大小标签的训练样本集输入神经网络模型进行网络训练,持续优化神经网络模型参数直至取得稳定且较高的验证精度及较小的损失值时,得到训练好的神经网络模型并保存。
步骤S103:利用训练好的神经网络模型判别待洗衣物的负载大小。在该步骤中,可以在存在待洗衣物的情况下分别获取将电机提速到30rpm、60rpm、90rpm、120rpm、150rpm和180rpm时的提速时间、电流大小和电压大小,从而得到一个N*3*6的数据矩阵,接着将该N*3*6的数据矩阵输入训练好的神经网络模型即可输出待洗衣物的负载大小。利用训练好的神经网络模型直接判别待洗衣物的负载大小,不论负载大小,均能够得到较为精确的负载大小,解决了现有方法由于洗衣机桶的重量会对称重结果造成影响从而导致确定的小负载的称重结果误差较大的问题,提高了小负载的判别精度,从而为后续根据负载大小计算洗涤时间和洗涤水量提供了技术支撑。
基于上述步骤S101-步骤S103,通过构建神经网络,并获取大量训练样本训练神经网络模型,从而优化神经网络模型的参数,以训练出识别精度较高的神经网络模型,该神经网络模型无论对大负载还是小负载均有较高的识别精度,获得了良好的称重效果,满足了用户的需求。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本发明的保护范围之内。
进一步,本发明还提供了一种智能洗衣方法,具体如图4所示,在称重阶段,先利用负载判别方法确定待洗衣物的负载大小,接着基于待洗衣物的负载大小确定洗涤参数,以使得洗衣机根据洗涤参数对待洗衣物进行洗涤,洗涤参数包括水量参数和洗涤时间参数。另外,在一些情况下,在本申请中的洗涤参数还可以是基于负载大小确定的漂洗时间以及脱水时间。具体来说,在该实施例确定洗涤参数的过程中,负载大小可以被划分为若干从小到大排列的负载区间,每个负载区间分别对应至少一个洗涤水量值,至少一个洗涤时间值,至少一个漂洗时间值和至少一个脱水时间值。在洗衣机启动时,对投放的待洗衣物进行负载大小判别,得到负载大小后再判断该负载值落入的负载区间,并调用与落入负载区间相对应的洗涤水量、洗涤时间、漂洗时间和脱水时间进行洗涤以及相应的漂洗或者脱水。当然,基于待洗衣物的负载大小确定水量参数和洗涤时间参数或者漂洗时间参数或者脱水时间参数的方法不限于上述描述,还可以通过其它方式获得,这里不赘述。
进一步,本发明还提供了一种负载判别装置。参阅附图5,图5是根据本发明的一个实施例的负载判别装置的主要结构框图。如图5所示,本发明实施例中的负载判别装置主要包括获取模块11、训练模块12和判别模块13。在一些实施例中,获取模块11、训练模块12和判别模块13中的一个或多个可以合并在一起成为一个模块。在一些实施例中获取模块11可以被配置成获取训练样本集,所述训练样本集中每一样本对应一个负载大小标签。训练模块12可以被配置成构建神经网络模型,并利用训练样本集对所述神经网络模型进行训练,得到训练好的神经网络模型。判别模块13可以被配置成利用训练好的神经网络模型判别待洗衣物的负载大小。一个实施方式中,具体实现功能的描述可以参见步骤S101-步骤S103所述。
上述负载判别装置以用于执行图1所示的负载判别方法实施例,两者的技术原理、所解决的技术问题及产生的技术效果相似,本技术领域技术人员可以清楚地了解到,为了描述的方便和简洁,负载判别装置的具体工作过程及有关说明,可以参考负载判别方法的实施例所描述的内容,此处不再赘述。
本领域技术人员能够理解的是,本发明实现上述一实施例的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。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储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,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本发明还提供了一种智能洗衣系统,包括负载判别装置和参数确定装置。负载判别装置可以被配置为确定待洗衣物的负载大小;参数确定装置可以被配置为基于待洗衣物的负载大小确定洗涤参数,以根据洗涤参数对待洗衣物进行洗涤,洗涤参数包括水位参数和洗涤时间参数。
进一步,本发明还提供了一种滚筒洗衣机,包括智能洗衣系统,智能洗衣系统用于根据待洗衣物的负载大小确定洗涤参数,以使滚筒洗衣机基于洗涤参数对待洗衣物进行洗涤。
进一步,本发明还提供了一种电子设备。在根据本发明的一个电子设备实施例中,电子设备包括处理器和存储装置,存储装置可以被配置成存储执行上述方法实施例的负载判别方法或智能洗衣方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的负载判别方法或智能洗衣方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。
进一步,本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的负载判别方法或智能洗衣方法的程序,该程序可以由处理器加载并运行以实现上述负载判别方法或智能洗衣方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步,应该理解的是,由于各个模块的设定仅仅是为了说明本发明的装置的功能单元,这些模块对应的物理器件可以是处理器本身,或者处理器中软件的一部分,硬件的一部分,或者软件和硬件结合的一部分。因此,图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是,可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理,因此,拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种负载判别方法,其特征在于,包括下述步骤:
获取训练样本集,所述训练样本集中每一样本对应一个负载大小标签;
构建神经网络模型,并利用所述训练样本集对所述神经网络模型进行训练,得到训练好的神经网络模型;
利用所述训练好的神经网络模型判别待洗衣物的负载大小。
2.根据权利要求1所述的负载判别方法,其特征在于,所述获取训练样本集包括:
步骤S1、对于洗衣机空载到满载的不同负载下,分别获取电机提速到多个转速的提速时间、电机电流和电机电压,所述多个转速为六个转速,其中第一转速在20rpm到40rpm范围内,第二转速在50rpm到70rpm范围内,第三转速在80rpm到100rpm范围内,第四转速在110rpm到130rpm范围内,第五转速在140rpm到160rpm范围内,第六转速在170rpm到190rpm范围内;
步骤S2、重复执行上述步骤S1,得到所述训练样本集。
3.根据权利要求2所述的负载判别方法,其特征在于,所述第一转速为30rpm,所述第二转速为60rpm,所述第三转速为90rpm,所述第四转速为120rpm,所述第五转速为150rpm,所述第六转速为180rpm。
4.根据权利要求1所述的负载判别方法,其特征在于,所述神经网络模型包括输入层、第一卷积层、至少一个第二卷积层、至少一个池化层以及输出层,所述第一卷积层的尺寸为n*m,其中1≤n≤3,2≤m≤6,步长在1至4范围内。
5.一种智能洗衣方法,其特征在于,包括下述步骤:
利用权利要求1至权利要求4任一项所述的负载判别方法确定待洗衣物的负载大小;
基于所述待洗衣物的负载大小确定洗涤参数,以使洗衣机根据所述洗涤参数对所述待洗衣物进行洗涤,所述洗涤参数包括水量参数和洗涤时间参数。
6.一种负载判别装置,其特征在于,包括:
获取模块,被配置为获取训练样本集,所述训练样本集中每一样本对应一个负载大小标签;
训练模块,被配置为构建神经网络模型,并利用所述训练样本集对所述神经网络模型进行训练,得到训练好的神经网络模型;
判别模块,被配置为利用所述训练好的神经网络模型判别待洗衣物的负载大小。
7.一种智能洗衣系统,其特征在于,包括:
负载判别装置,被配置为确定待洗衣物的负载大小;
参数确定装置,被配置为基于所述待洗衣物的负载大小确定洗涤参数,以使洗衣机根据所述洗涤参数对所述待洗衣物进行洗涤,所述洗涤参数包括水量参数和洗涤时间参数。
8.一种滚筒洗衣机,其特征在于,包括权利要求7所述的智能洗衣系统,所述智能洗衣系统用于根据待洗衣物的负载大小确定洗涤参数,以使所述洗衣机根据所述洗涤参数对待洗衣物进行洗涤。
9.一种电子设备,包括处理器和存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至4中任一项所述的负载判别方法,或执行权利要求5的智能洗衣方法。
10.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至4中任一项所述的负载判别方法,或执行权利要求5的智能洗衣方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210051243.2A CN116479618A (zh) | 2022-01-17 | 2022-01-17 | 负载判别方法、装置及智能洗衣方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210051243.2A CN116479618A (zh) | 2022-01-17 | 2022-01-17 | 负载判别方法、装置及智能洗衣方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116479618A true CN116479618A (zh) | 2023-07-25 |
Family
ID=87216519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210051243.2A Pending CN116479618A (zh) | 2022-01-17 | 2022-01-17 | 负载判别方法、装置及智能洗衣方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116479618A (zh) |
-
2022
- 2022-01-17 CN CN202210051243.2A patent/CN116479618A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106502778A (zh) | 一种终端及其进程调度优化方法 | |
CN111560732A (zh) | 一种洗衣控制方法、智能洗衣机及存储介质 | |
CN116479618A (zh) | 负载判别方法、装置及智能洗衣方法与装置 | |
CN110938967A (zh) | 洗衣机及其洗涤控制方法、装置和可读存储介质 | |
CN116702668A (zh) | 一种回归测试方法、装置、电子设备和存储介质 | |
CN111607938A (zh) | 洗衣机的控制方法、洗衣机及存储介质 | |
CN113005715B (zh) | 多筒洗衣机的脱水控制方法、装置、介质及多筒洗衣机 | |
CN112391795B (zh) | 洗衣机的控制方法、装置、洗衣机及存储介质 | |
CN112411123A (zh) | 漂洗控制方法、装置及洗涤设备 | |
CN113472611A (zh) | 获取WiFi信号强度的方法、装置及可读存储介质 | |
CN114990847A (zh) | 洗衣机控制方法及其装置 | |
CN116502511A (zh) | 基于神经网络的负载判别方法、装置及存储介质 | |
CN114990846A (zh) | 洗衣机脱水控制方法、装置及其存储介质 | |
CN112783012B (zh) | 用于投币装置的投币检测方法、系统及衣物处理设备 | |
CN112575502A (zh) | 一种洗涤剂残留量过多的处理方法及装置 | |
CN116926862A (zh) | 洗衣机控制方法及其装置 | |
CN116502143A (zh) | 基于监督学习的泡沫量检测方法、装置及系统 | |
CN116837583A (zh) | 衣物洗涤的管理方法、装置、设备、系统和存储介质 | |
CN116695386A (zh) | 洗涤设备的控制方法、装置、控制装置及存储介质 | |
CN114318750A (zh) | 洗衣处理方法和衣物处理设备 | |
CN117988046A (zh) | 洗衣机智能控制方法、装置及存储介质 | |
CN113957657B (zh) | 共享洗衣机推荐方法、设备及系统 | |
CN117364392A (zh) | 洗衣机的控制方法、系统、装置、介质及洗衣机 | |
CN116497556A (zh) | 一种洗衣机洗涤控制方法、存储介质、电子设备及洗衣机 | |
CN115262169A (zh) | 衣物洗涤设备的控制方法及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |