CN116624903A - 一种用于油烟管道的智能监测方法及系统 - Google Patents

Abstract

公开了一种用于油烟管道的智能监测方法及系统。其首先将多个预定时间点的油烟压力值和油烟流量值分别排列为油烟压力值时序输入向量和油烟流量值时序输入向量，接着，将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量，然后，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵，接着，对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵，最后，将所述优化关联特征矩阵通过分类器以得到用于表示油烟管道的性能是否符合预定要求的分类结果。这样，可以提高家庭安全性和环境卫生水平。

Description

一种用于油烟管道的智能监测方法及系统

技术领域

本申请涉及智能监测领域，且更为具体地，涉及一种用于油烟管道的智能监测方法及系统。

背景技术

油烟管道是餐饮业和家庭生活中不可或缺的设施，但长期使用会导致管道堵塞、老化等问题，从而引发安全隐患。然而，由于油烟管道内部存在较为复杂的结构，传统的油烟管道监测方法存在诸多局限性，例如通过人工定期巡检的方式不能实时反馈管道状态，且监测的准确性也较低。

因此，期望一种优化的用于油烟管道的智能监测方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于油烟管道的智能监测方法及系统。其首先将多个预定时间点的油烟压力值和油烟流量值分别排列为油烟压力值时序输入向量和油烟流量值时序输入向量，接着，将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量，然后，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵，接着，对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵，最后，将所述优化关联特征矩阵通过分类器以得到用于表示油烟管道的性能是否符合预定要求的分类结果。这样，可以提高家庭安全性和环境卫生水平。

根据本申请的一个方面，提供了一种用于油烟管道的智能监测方法，其包括：

获取预定时间段内多个预定时间点的油烟压力值和油烟流量值；

将所述多个预定时间点的油烟压力值和油烟流量值分别按照时间维度排列为油烟压力值时序输入向量和油烟流量值时序输入向量；

将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量；

对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵；

对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵；以及

将所述优化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示油烟管道的性能是否符合预定要求。

在上述的用于油烟管道的智能监测方法中，将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量，包括：

使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述油烟压力值时序输入向量和所述油烟流量值时序输入向量进行一维卷积编码以得到第一尺度压力值特征向量和第一尺度流量值特征向量；

使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述油烟压力值时序输入向量和所述油烟流量值时序输入向量进行一维卷积编码以得到第二尺度压力值特征向量和第二尺度流量值特征向量，所述第二长度不同于所述第一长度；以及

将所述第一尺度压力值特征向量和所述第二尺度压力值特征向量进行级联以得到所述油烟压力时序特征向量，以及，将所述第一尺度流量值特征向量和所述第二尺度流量值特征向量进行级联以得到所述油烟流量时序特征向量。

在上述的用于油烟管道的智能监测方法中，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵，包括：

以如下关联编码公式对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到所述关联特征矩阵；

其中，所述关联编码公式为：

其中，V₁表示所述油烟压力时序特征向量，表示所述油烟压力时序特征向量的转置向量，V₂表示所述油烟流量时序特征向量，M表示所述关联特征矩阵，/>表示向量相乘。

在上述的用于油烟管道的智能监测方法中，对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵，包括：

对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量；

将所述语义融合特征向量的转置与所述语义融合特征向量相乘以得到语义融合特征矩阵；以及

融合所述语义融合特征矩阵与所述关联特征矩阵以得到所述优化关联特征矩阵。

在上述的用于油烟管道的智能监测方法中，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量，包括：

以如下融合公式对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到所述语义融合特征向量；

其中，所述融合公式为：

其中，V₁是所述油烟压力时序特征向量，V₂是所述油烟流量时序特征向量，‖·‖₁和‖·‖₂分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，D(V₁,V₂)表示所述油烟压力时序特征向量和所述油烟流量时序特征向量之间的按位置距离矩阵，且I为单位矩阵，⊙分别表示按位置加法、按位置减法和按位置点乘，V_r是所述语义融合特征向量。

在上述的用于油烟管道的智能监测方法中，将所述优化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示油烟管道的性能是否符合预定要求，包括：

将所述优化关联特征矩阵按照行向量或列向量展开为分类特征向量；

使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

根据本申请的另一个方面，提供了一种用于油烟管道的智能监测系统，其包括：

数据获取模块，用于获取预定时间段内多个预定时间点的油烟压力值和油烟流量值；

输入向量排列模块，用于将所述多个预定时间点的油烟压力值和油烟流量值分别按照时间维度排列为油烟压力值时序输入向量和油烟流量值时序输入向量；

时序特征提取模块，用于将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量；

关联编码模块，用于对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵；

特征分布优化模块，用于对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵；以及

分类模块，用于将所述优化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示油烟管道的性能是否符合预定要求。

在上述的用于油烟管道的智能监测系统中，所述时序特征提取模块，用于：

使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述油烟压力值时序输入向量和所述油烟流量值时序输入向量进行一维卷积编码以得到第一尺度压力值特征向量和第一尺度流量值特征向量；

使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述油烟压力值时序输入向量和所述油烟流量值时序输入向量进行一维卷积编码以得到第二尺度压力值特征向量和第二尺度流量值特征向量，所述第二长度不同于所述第一长度；以及

将所述第一尺度压力值特征向量和所述第二尺度压力值特征向量进行级联以得到所述油烟压力时序特征向量，以及，将所述第一尺度流量值特征向量和所述第二尺度流量值特征向量进行级联以得到所述油烟流量时序特征向量。

在上述的用于油烟管道的智能监测系统中，所述关联编码模块，用于：

以如下关联编码公式对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到所述关联特征矩阵；

其中，所述关联编码公式为：

其中，V₁表示所述油烟压力时序特征向量，表示所述油烟压力时序特征向量的转置向量，V₂表示所述油烟流量时序特征向量，M表示所述关联特征矩阵，/>表示向量相乘。

在上述的用于油烟管道的智能监测系统中，所述特征分布优化模块，用于：

对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量；

将所述语义融合特征向量的转置与所述语义融合特征向量相乘以得到语义融合特征矩阵；以及

融合所述语义融合特征矩阵与所述关联特征矩阵以得到所述优化关联特征矩阵。

与现有技术相比，本申请提供的用于油烟管道的智能监测方法及系统，其首先将多个预定时间点的油烟压力值和油烟流量值分别排列为油烟压力值时序输入向量和油烟流量值时序输入向量，接着，将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量，然后，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵，接着，对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵，最后，将所述优化关联特征矩阵通过分类器以得到用于表示油烟管道的性能是否符合预定要求的分类结果。这样，可以提高家庭安全性和环境卫生水平。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。

图1为根据本申请实施例的用于油烟管道的智能监测方法的应用场景图。

图2为根据本申请实施例的用于油烟管道的智能监测方法的流程图。

图3为根据本申请实施例的用于油烟管道的智能监测方法的架构示意图。

图4为根据本申请实施例的用于油烟管道的智能监测方法的子步骤S130的流程图。

图5为根据本申请实施例的用于油烟管道的智能监测方法的子步骤S150的流程图。

图6为根据本申请实施例的用于油烟管道的智能监测方法的子步骤S160的流程图。

图7为根据本申请实施例的用于油烟管道的智能监测系统的框图。

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如上所述，由于油烟管道内部存在较为复杂的结构，传统的油烟管道监测方法存在诸多局限性，例如通过人工定期巡检的方式不能实时反馈管道状态，且监测的准确性也较低。因此，期望一种优化的用于油烟管道的智能监测方案。

相应地，考虑到在实际进行油烟管道的监测过程中，关键在于对于油烟管道的性能进行及时有效地检测，以判断其是否存在堵塞和老化，从而及时进行处理以避免安全隐患。并且，还考虑到若油烟管道发生堵塞或老化，则油烟压力和油烟流量都会发生变化，因此，在本申请的技术方案中，期望通过对油烟压力和油烟流量的分析来判断油烟管道的性能是否符合预定要求。但是，由于所述油烟压力和所述油烟流量都在时间维度上有着各自的动态变化规律性，并且这两者之间还具有着隐含的时序协同关联特征信息。因此，为了能够提高对于油烟管道性能检测的精准度，关键在于如何进行所述油烟压力和所述油烟流量的时序协同关联变化特征信息的充分表达，以此来准确地进行油烟管道的性能检测，从而及时发现、预防和解决油烟管道的堵塞和老化问题，提高家庭安全性和环境卫生水平。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述油烟压力和所述油烟流量的时序协同关联变化特征信息提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的油烟压力值和油烟流量值。接着，考虑到由于所述油烟压力值和所述油烟流量值都在时间维度上具有着动态性的变化规律，因此，为了能够对于所述油烟压力值和所述油烟流量值在时间维度上的变化特征信息进行提取，在本申请的技术方案中，将所述多个预定时间点的油烟压力值和油烟流量值分别按照时间维度排列为油烟压力值时序输入向量和油烟流量值时序输入向量，以此来分别整合所述油烟压力值和所述油烟流量值在时序上的分布信息。

然后，对于所述油烟压力值和所述油烟流量值来说，考虑到这两者在时间维度上都具有着波动性和不确定性，导致其在所述预定时间段内的不同时间周期跨度下呈现出不同的动态变化模式。因此，为了能够进行所述油烟压力值和所述油烟流量值的时序动态变化特征的充分表达，在本申请的技术方案中，进一步将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量。特别地，这里，所述第一卷积层和所述第二卷积层采用不同尺度的一维卷积核来分别进行所述油烟压力值时序输入向量和所述油烟流量值时序输入向量的特征挖掘，以分别提取出所述油烟压力值和所述油烟流量值在不同时间跨度下的时序动态多尺度邻域关联特征信息。

进一步地，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码，以此来表示所述油烟压力值的时序动态多尺度变化特征和所述油烟流量值的时序动态多尺度变化特征之间的时序协同关联特征分布信息，从而得到关联特征矩阵。然后，将所述关联特征矩阵作为分类特征矩阵通过分类器中进行分类处理，以得到用于表示油烟管道的性能是否符合预定要求的分类结果。

也就是，在本申请的技术方案中，所述分类器的标签包括油烟管道的性能符合预定要求(第一标签)，以及，油烟管道的性能不符合预定要求(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“油烟管道的性能是否符合预定要求”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，油烟管道的性能是否符合预定要求的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“油烟管道的性能是否符合预定要求”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为油烟管道的性能是否符合预定要求的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行油烟管道的性能检测，从而及时发现、预防和解决油烟管道的堵塞和老化问题。

特别地，在本申请的技术方案中，在对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码得到所述关联特征矩阵时，是对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行逐位置的跨时域分布关联以得到所述关联特征矩阵，而考虑到所述烟压力时序特征向量和油烟流量时序特征向量分别表达油烟压力值和油烟流量值的时序局部关联特征，虽然两者均基本上符合时序维度分布，但是在时序维度上的具体特征语义分布上存在差别，因此，期望能够提升所述关联特征矩阵对于所述油烟压力时序特征向量和所述油烟流量时序特征向量在特征语义层面上的关联表达效果。

由此，本申请的申请人首先对所述油烟压力时序特征向量V₁和所述油烟流量时序特征向量V₂进行深层空间封装语义匹配融合，以得到语义融合特征向量，例如记为V_r，其中，所述语义融合特征向量V_r具体表示为：

‖·‖₁和‖·‖₂分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，D(V₁,V₂)表示所述油烟压力时序特征向量V₁和所述油烟流量时序特征向量V₂之间的按位置距离矩阵，即D_ij＝d(v_1i,v_2j)，且I为单位矩阵。

这里，对于深度特征空间中的所述油烟压力时序特征向量V₁和所述油烟流量时序特征向量V₂，其语义表达被封装到了深层空间内，这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布，由此，通过所述深层空间封装语义匹配融合，可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配，以实现特征在特征空间内的语义受控的编译融合，从而获得所述油烟压力时序特征向量V₁和所述油烟流量时序特征向量V₂在特征融合空间内的语义协同。然后，再将所述语义融合特征向量V_r乘以其自身的转置得到语义融合特征矩阵，并将所述语义融合特征矩阵与所述关联特征矩阵进行融合以优化所述关联特征矩阵，就可以提升优化后的关联特征矩阵对于所述油烟压力时序特征向量和所述油烟流量时序特征向量在特征语义层面上的关联表达效果，从而提高所述关联特征矩阵通过分类器获得的分类结果的准确性。这样，能够准确地进行油烟管道的性能检测，从而及时发现、预防和解决油烟管道的堵塞和老化问题，提高家庭安全性和环境卫生水平。

图1为根据本申请实施例的用于油烟管道的智能监测方法的应用场景图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的油烟压力值(例如，图1中所示意的D1)和油烟流量值(例如，图1中所示意的D2)，然后，将所述多个预定时间点的油烟压力值和油烟流量值输入至部署有用于油烟管道的智能监测算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述用于油烟管道的智能监测算法对所述多个预定时间点的油烟压力值和油烟流量值进行处理以得到用于表示油烟管道的性能是否符合预定要求的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

图2为根据本申请实施例的用于油烟管道的智能监测方法的流程图。如图2所示，根据本申请实施例的用于油烟管道的智能监测方法，包括步骤：S110，获取预定时间段内多个预定时间点的油烟压力值和油烟流量值；S120，将所述多个预定时间点的油烟压力值和油烟流量值分别按照时间维度排列为油烟压力值时序输入向量和油烟流量值时序输入向量；S130，将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量；S140，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵；S150，对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵；以及，S160，将所述优化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示油烟管道的性能是否符合预定要求。

图3为根据本申请实施例的用于油烟管道的智能监测方法的架构示意图。如图3所示，在该网络架构中，首先，获取预定时间段内多个预定时间点的油烟压力值和油烟流量值；接着，将所述多个预定时间点的油烟压力值和油烟流量值分别按照时间维度排列为油烟压力值时序输入向量和油烟流量值时序输入向量；然后，将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量；接着，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵；然后，对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵；最后，将所述优化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示油烟管道的性能是否符合预定要求。

更具体地，在步骤S110中，获取预定时间段内多个预定时间点的油烟压力值和油烟流量值。在实际进行油烟管道的监测过程中，关键在于对于油烟管道的性能进行及时有效地检测，以判断其是否存在堵塞和老化，从而及时进行处理以避免安全隐患。并且，还考虑到若油烟管道发生堵塞或老化，则油烟压力和油烟流量都会发生变化，因此，在本申请的技术方案中，可以通过对油烟压力和油烟流量的分析来判断油烟管道的性能是否符合预定要求。

更具体地，在步骤S120中，将所述多个预定时间点的油烟压力值和油烟流量值分别按照时间维度排列为油烟压力值时序输入向量和油烟流量值时序输入向量。由于所述油烟压力值和所述油烟流量值都在时间维度上具有着动态性的变化规律，因此，为了能够对于所述油烟压力值和所述油烟流量值在时间维度上的变化特征信息进行提取，在本申请的技术方案中，将所述多个预定时间点的油烟压力值和油烟流量值分别按照时间维度排列为油烟压力值时序输入向量和油烟流量值时序输入向量，以此来分别整合所述油烟压力值和所述油烟流量值在时序上的分布信息。

更具体地，在步骤S130中，将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量。对于所述油烟压力值和所述油烟流量值来说，考虑到这两者在时间维度上都具有着波动性和不确定性，导致其在所述预定时间段内的不同时间周期跨度下呈现出不同的动态变化模式。因此，为了能够进行所述油烟压力值和所述油烟流量值的时序动态变化特征的充分表达，在本申请的技术方案中，进一步将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量。

特别地，这里，所述第一卷积层和所述第二卷积层采用不同尺度的一维卷积核来分别进行所述油烟压力值时序输入向量和所述油烟流量值时序输入向量的特征挖掘，以分别提取出所述油烟压力值和所述油烟流量值在不同时间跨度下的时序动态多尺度邻域关联特征信息。

相应地，在一个具体示例中，如图4所示，将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量，包括：S131，使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述油烟压力值时序输入向量和所述油烟流量值时序输入向量进行一维卷积编码以得到第一尺度压力值特征向量和第一尺度流量值特征向量；S132，使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述油烟压力值时序输入向量和所述油烟流量值时序输入向量进行一维卷积编码以得到第二尺度压力值特征向量和第二尺度流量值特征向量，所述第二长度不同于所述第一长度；以及，S133，将所述第一尺度压力值特征向量和所述第二尺度压力值特征向量进行级联以得到所述油烟压力时序特征向量，以及，将所述第一尺度流量值特征向量和所述第二尺度流量值特征向量进行级联以得到所述油烟流量时序特征向量。

更具体地，在步骤S140中，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵。以此来表示所述油烟压力值的时序动态多尺度变化特征和所述油烟流量值的时序动态多尺度变化特征之间的时序协同关联特征分布信息，从而得到关联特征矩阵。

相应地，在一个具体示例中，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵，包括：以如下关联编码公式对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到所述关联特征矩阵；其中，所述关联编码公式为：

其中，V₁表示所述油烟压力时序特征向量，表示所述油烟压力时序特征向量的转置向量，V₂表示所述油烟流量时序特征向量，M表示所述关联特征矩阵，/>表示向量相乘。

更具体地，在步骤S150中，对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵。

相应地，在一个具体示例中，如图5所示，对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵，包括：S151，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量；S152，将所述语义融合特征向量的转置与所述语义融合特征向量相乘以得到语义融合特征矩阵；以及，S153，融合所述语义融合特征矩阵与所述关联特征矩阵以得到所述优化关联特征矩阵。

特别地，在本申请的技术方案中，在对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码得到所述关联特征矩阵时，是对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行逐位置的跨时域分布关联以得到所述关联特征矩阵，而考虑到所述烟压力时序特征向量和油烟流量时序特征向量分别表达油烟压力值和油烟流量值的时序局部关联特征，虽然两者均基本上符合时序维度分布，但是在时序维度上的具体特征语义分布上存在差别，因此，期望能够提升所述关联特征矩阵对于所述油烟压力时序特征向量和所述油烟流量时序特征向量在特征语义层面上的关联表达效果。由此，本申请的申请人首先对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合，以得到语义融合特征向量。

相应地，在一个具体示例中，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量，包括：以如下融合公式对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到所述语义融合特征向量；其中，所述融合公式为：

其中，V₁是所述油烟压力时序特征向量，V₂是所述油烟流量时序特征向量，‖·‖₁和‖·‖₂分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，D(V₁,V₂)表示所述油烟压力时序特征向量和所述油烟流量时序特征向量之间的按位置距离矩阵，且I为单位矩阵，⊙分别表示按位置加法、按位置减法和按位置点乘，V_r是所述语义融合特征向量。

这里，对于深度特征空间中的所述油烟压力时序特征向量和所述油烟流量时序特征向量，其语义表达被封装到了深层空间内，这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布，由此，通过所述深层空间封装语义匹配融合，可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配，以实现特征在特征空间内的语义受控的编译融合，从而获得所述油烟压力时序特征向量和所述油烟流量时序特征向量在特征融合空间内的语义协同。然后，再将所述语义融合特征向量乘以其自身的转置得到语义融合特征矩阵，并将所述语义融合特征矩阵与所述关联特征矩阵进行融合以优化所述关联特征矩阵，就可以提升优化后的关联特征矩阵对于所述油烟压力时序特征向量和所述油烟流量时序特征向量在特征语义层面上的关联表达效果，从而提高所述关联特征矩阵通过分类器获得的分类结果的准确性。这样，能够准确地进行油烟管道的性能检测，从而及时发现、预防和解决油烟管道的堵塞和老化问题，提高家庭安全性和环境卫生水平。

更具体地，在步骤S160中，将所述优化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示油烟管道的性能是否符合预定要求。在得到所述分类结果后，可基于所述分类结果来进行油烟管道的性能检测，从而及时发现、预防和解决油烟管道的堵塞和老化问题。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

相应地，在一个具体示例中，如图6所示，将所述优化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示油烟管道的性能是否符合预定要求，包括：S161，将所述优化关联特征矩阵按照行向量或列向量展开为分类特征向量；S162，使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，S163，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上，基于本申请实施例的用于油烟管道的智能监测方法，其首先将多个预定时间点的油烟压力值和油烟流量值分别排列为油烟压力值时序输入向量和油烟流量值时序输入向量，接着，将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量，然后，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵，接着，对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵，最后，将所述优化关联特征矩阵通过分类器以得到用于表示油烟管道的性能是否符合预定要求的分类结果。这样，可以提高家庭安全性和环境卫生水平。

图7为根据本申请实施例的用于油烟管道的智能监测系统100的框图。如图7所示，根据本申请实施例的用于油烟管道的智能监测系统100，包括：数据获取模块110，用于获取预定时间段内多个预定时间点的油烟压力值和油烟流量值；输入向量排列模块120，用于将所述多个预定时间点的油烟压力值和油烟流量值分别按照时间维度排列为油烟压力值时序输入向量和油烟流量值时序输入向量；时序特征提取模块130，用于将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量；关联编码模块140，用于对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵；特征分布优化模块150，用于对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵；以及，分类模块160，用于将所述优化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示油烟管道的性能是否符合预定要求。

在一个示例中，在上述用于油烟管道的智能监测系统100中，所述时序特征提取模块130，用于：使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述油烟压力值时序输入向量和所述油烟流量值时序输入向量进行一维卷积编码以得到第一尺度压力值特征向量和第一尺度流量值特征向量；使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述油烟压力值时序输入向量和所述油烟流量值时序输入向量进行一维卷积编码以得到第二尺度压力值特征向量和第二尺度流量值特征向量，所述第二长度不同于所述第一长度；以及，将所述第一尺度压力值特征向量和所述第二尺度压力值特征向量进行级联以得到所述油烟压力时序特征向量，以及，将所述第一尺度流量值特征向量和所述第二尺度流量值特征向量进行级联以得到所述油烟流量时序特征向量。

在一个示例中，在上述用于油烟管道的智能监测系统100中，所述关联编码模块140，用于：以如下关联编码公式对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到所述关联特征矩阵；其中，所述关联编码公式为：

其中，V₁表示所述油烟压力时序特征向量，表示所述油烟压力时序特征向量的转置向量，V₂表示所述油烟流量时序特征向量，M表示所述关联特征矩阵，/>表示向量相乘。

在一个示例中，在上述用于油烟管道的智能监测系统100中，所述特征分布优化模块150，用于：对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量；将所述语义融合特征向量的转置与所述语义融合特征向量相乘以得到语义融合特征矩阵；以及，融合所述语义融合特征矩阵与所述关联特征矩阵以得到所述优化关联特征矩阵。

在一个示例中，在上述用于油烟管道的智能监测系统100中，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量，包括：以如下融合公式对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到所述语义融合特征向量；其中，所述融合公式为：

其中，V₁是所述油烟压力时序特征向量，V₂是所述油烟流量时序特征向量，‖·‖₁和‖·‖₂分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，D(V₁,V₂)表示所述油烟压力时序特征向量和所述油烟流量时序特征向量之间的按位置距离矩阵，且I为单位矩阵，⊙分别表示按位置加法、按位置减法和按位置点乘，V_r是所述语义融合特征向量。

在一个示例中，在上述用于油烟管道的智能监测系统100中，所述分类模块160，用于：将所述优化关联特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

这里，本领域技术人员可以理解，上述用于油烟管道的智能监测系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的用于油烟管道的智能监测方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的用于油烟管道的智能监测系统100可以实现在各种无线终端中，例如具有用于油烟管道的智能监测算法的服务器等。在一个示例中，根据本申请实施例的用于油烟管道的智能监测系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该用于油烟管道的智能监测系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该用于油烟管道的智能监测系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该用于油烟管道的智能监测系统100与该无线终端也可以是分立的设备，并且该用于油烟管道的智能监测系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。

技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。

所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。

本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (10)

1.一种用于油烟管道的智能监测方法，其特征在于，包括：

获取预定时间段内多个预定时间点的油烟压力值和油烟流量值；

将所述多个预定时间点的油烟压力值和油烟流量值分别按照时间维度排列为油烟压力值时序输入向量和油烟流量值时序输入向量；

将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量；

对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵；

对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵；以及

将所述优化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示油烟管道的性能是否符合预定要求。

2.根据权利要求1所述的用于油烟管道的智能监测方法，其特征在于，将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量，包括：

使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述油烟压力值时序输入向量和所述油烟流量值时序输入向量进行一维卷积编码以得到第一尺度压力值特征向量和第一尺度流量值特征向量；

使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述油烟压力值时序输入向量和所述油烟流量值时序输入向量进行一维卷积编码以得到第二尺度压力值特征向量和第二尺度流量值特征向量，所述第二长度不同于所述第一长度；以及

将所述第一尺度压力值特征向量和所述第二尺度压力值特征向量进行级联以得到所述油烟压力时序特征向量，以及，将所述第一尺度流量值特征向量和所述第二尺度流量值特征向量进行级联以得到所述油烟流量时序特征向量。

3.根据权利要求2所述的用于油烟管道的智能监测方法，其特征在于，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵，包括：

以如下关联编码公式对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到所述关联特征矩阵；

其中，所述关联编码公式为：

其中，V₁表示所述油烟压力时序特征向量，表示所述油烟压力时序特征向量的转置向量，V₂表示所述油烟流量时序特征向量，M表示所述关联特征矩阵，/>表示向量相乘。

4.根据权利要求3所述的用于油烟管道的智能监测方法，其特征在于，对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵，包括：

对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量；

将所述语义融合特征向量的转置与所述语义融合特征向量相乘以得到语义融合特征矩阵；以及

融合所述语义融合特征矩阵与所述关联特征矩阵以得到所述优化关联特征矩阵。

5.根据权利要求4所述的用于油烟管道的智能监测方法，其特征在于，对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量，包括：

以如下融合公式对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到所述语义融合特征向量；

其中，所述融合公式为：

其中，V₁是所述油烟压力时序特征向量，V₂是所述油烟流量时序特征向量，‖·‖₁和‖·‖₂分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，D(V₁,V₂)表示所述油烟压力时序特征向量和所述油烟流量时序特征向量之间的按位置距离矩阵，且I为单位矩阵，⊙分别表示按位置加法、按位置减法和按位置点乘，V_r是所述语义融合特征向量。

6.根据权利要求5所述的用于油烟管道的智能监测方法，其特征在于，将所述优化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示油烟管道的性能是否符合预定要求，包括：

将所述优化关联特征矩阵按照行向量或列向量展开为分类特征向量；

使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

7.一种用于油烟管道的智能监测系统，其特征在于，包括：

数据获取模块，用于获取预定时间段内多个预定时间点的油烟压力值和油烟流量值；

输入向量排列模块，用于将所述多个预定时间点的油烟压力值和油烟流量值分别按照时间维度排列为油烟压力值时序输入向量和油烟流量值时序输入向量；

时序特征提取模块，用于将所述油烟压力值时序输入向量和所述油烟流量值时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到油烟压力时序特征向量和油烟流量时序特征向量；

关联编码模块，用于对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到关联特征矩阵；

特征分布优化模块，用于对所述关联特征矩阵进行特征分布优化以得到优化关联特征矩阵；以及

分类模块，用于将所述优化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示油烟管道的性能是否符合预定要求。

8.根据权利要求7所述的用于油烟管道的智能监测系统，其特征在于，所述时序特征提取模块，用于：

使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述油烟压力值时序输入向量和所述油烟流量值时序输入向量进行一维卷积编码以得到第一尺度压力值特征向量和第一尺度流量值特征向量；

使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述油烟压力值时序输入向量和所述油烟流量值时序输入向量进行一维卷积编码以得到第二尺度压力值特征向量和第二尺度流量值特征向量，所述第二长度不同于所述第一长度；以及

将所述第一尺度压力值特征向量和所述第二尺度压力值特征向量进行级联以得到所述油烟压力时序特征向量，以及，将所述第一尺度流量值特征向量和所述第二尺度流量值特征向量进行级联以得到所述油烟流量时序特征向量。

9.根据权利要求8所述的用于油烟管道的智能监测系统，其特征在于，所述关联编码模块，用于：

以如下关联编码公式对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行关联编码以得到所述关联特征矩阵；

其中，所述关联编码公式为：

其中，V₁表示所述油烟压力时序特征向量，表示所述油烟压力时序特征向量的转置向量，V₂表示所述油烟流量时序特征向量，M表示所述关联特征矩阵，/>表示向量相乘。

10.根据权利要求9所述的用于油烟管道的智能监测系统，其特征在于，所述特征分布优化模块，用于：

对所述油烟压力时序特征向量和所述油烟流量时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量；

将所述语义融合特征向量的转置与所述语义融合特征向量相乘以得到语义融合特征矩阵；以及

融合所述语义融合特征矩阵与所述关联特征矩阵以得到所述优化关联特征矩阵。