CN116991089B - 一种基于无线连接的电熨斗智能控制方法及系统 - Google Patents
一种基于无线连接的电熨斗智能控制方法及系统 Download PDFInfo
- Publication number
- CN116991089B CN116991089B CN202311264039.XA CN202311264039A CN116991089B CN 116991089 B CN116991089 B CN 116991089B CN 202311264039 A CN202311264039 A CN 202311264039A CN 116991089 B CN116991089 B CN 116991089B
- Authority
- CN
- China
- Prior art keywords
- electric iron
- user
- heating
- module
- information
- 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
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 416
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010438 heat treatment Methods 0.000 claims abstract description 155
- 238000013135 deep learning Methods 0.000 claims abstract description 73
- 230000006698 induction Effects 0.000 claims abstract description 55
- 239000007788 liquid Substances 0.000 claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000010409 ironing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 17
- 238000013138 pruning Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
-
- 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
- D06F75/00—Hand irons
- D06F75/08—Hand irons internally heated by electricity
- D06F75/24—Arrangements of the heating means within the iron; Arrangements for distributing, conducting or storing the heat
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Textile Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及家用电器领域，特别是一种基于无线连接的电熨斗智能控制方法及系统。可以提前对电熨斗进行预热，提高电熨斗的使用效率和熨烫衣服的效率。通过传感器采集装置采集周围环境中的用户感应信息，建立目标YOLOv5s深度学习网络模型，将待训练用户感应信息输入目标YOLOv5s深度学习网络模型进行训练，得到第一用户感应信息，根据第一用户感应信息生成电熨斗实时控制指令，通过Zigbee无线连接模块将电熨斗实时控制指令传输至电熨斗的控制模块，基于加热模块生成加热电信号，根据加热电信号对电熨斗中的液态水进行加热，将加热时间数据和第二用户感应信息输入至目标YOLOv5s深度学习网络模型中进行训练，根据加热电信号或关闭电信号对电熨斗的加热模块进行控制。
Description
技术领域
本发明涉及家用电器领域，特别是一种基于无线连接的电熨斗智能控制方法及系统。
背景技术
在人们的日常生活中，电熨斗在对衣服进行熨烫方面起到了重要的作用，利用电熨斗能熨平衣服，让人穿着得体。但是现有技术中的电熨斗通常为人为进行开启和关闭，因此需要一定的预热时间和在人们忘记关闭后继续加热的问题。在物联网技术发展越快的今天，物联网技术也运用到了家用电器领域，因此如何利用物联网中的无线互联技术提升电熨斗的智能感知能力，从而提升电熨斗的熨烫效率，节省人们熨烫衣服的时间；并且还能在人们熨烫衣服完成后忘记关闭电熨斗，拥有自动关闭电源的功能，达到进一步提高电熨斗的使用安全性是现阶段丞待解决的技术问题。
发明内容
本发明的目的是为了解决上述问题，设计了一种基于无线连接的电熨斗智能控制方法及系统。
实现上述目的本发明的技术方案为，进一步，在上述一种基于无线连接的电熨斗智能控制方法中，所述所述电熨斗智能控制方法包括以下步骤：
通过传感器采集装置采集周围环境中的用户感应信息，将所述用户感应信息进行数据预处理，得到待训练用户感应信息；
基于YOLOv神经网络，建立初始YOLOv5s深度学习网络模型，使用CIOU损失函数替代所述初始YOLOv5s深度学习网络模型的损失函数， 对BN层上的缩放因子系数进行稀疏化训练，得到目标YOLOv5s深度学习网络模型；
将所述待训练用户感应信息输入所述目标YOLOv5s深度学习网络模型进行训练，得到第一用户感应信息，所述第一用户感应信息至少包括用户位置信息和用户手势信息；
根据所述第一用户感应信息生成电熨斗实时控制指令，通过Zigbee无线连接模块将所述电熨斗实时控制指令传输至电熨斗的控制模块，基于控制模块将所述电熨斗实时控制指令生成电熨斗加热指令；
基于控制模块将所述电熨斗加热指令传输至加热模块中，基于所述加热模块生成加热电信号，根据所述加热电信号对电熨斗中的液态水进行加热；
获取电熨斗的加热时间数据，通过传感器采集装置采集周围环境中的第二用户感应信息；将所述加热时间数据和所述第二用户感应信息输入至所述目标YOLOv5s深度学习网络模型中进行训练，得到电熨斗目标控制指令；
根据所述电熨斗目标控制指令生成加热电信号或者关闭电信号，根据所述加热电信号或所述关闭电信号对电熨斗的加热模块进行控制。
进一步，在上述电熨斗智能控制方法中，所述通过传感器采集装置采集周围环境中的用户感应信息，将所述用户感应信息进行数据预处理，得到待训练用户感应信息，包括：
通过传感器采集装置采集周围环境中的用户感应信息，搜所述传感器采集装置至少包括图像传感器、方位传感器和距离传感器；
获取用户感应信息，对所述用户感应信息进行均值滤波处理，得到滤波用户感应信息；
基于局部二值模式对所述滤波用户感应信息进行特征提取，得到特征用户感应信息；
利用运动分析分割算法对所述特征用户感应信息进行图像分割，得到分割用户感应信息；
通过FCM模糊聚类算法对所述分割用户感应信息进行聚类，得到待训练用户感应信息。
进一步，在上述电熨斗智能控制方法中，所述基于YOLOv神经网络，建立初始YOLOv5s深度学习网络模型，使用CIOU损失函数替代所述初始YOLOv5s深度学习网络模型的损失函数，对BN层上的缩放因子系数进行稀疏化训练，得到目标YOLOv5s深度学习网络模型，包括：
基于YOLOv神经网络，建立初始YOLOv5s深度学习网络模型，所述初始YOLOv5s深度学习网络模型至少包括，输入层、输出层、BN层、卷积层、池化层、全连接层；
使用CIOU损失函数替代所述初始YOLOv5s深度学习网络模型的损失函数；
对所述初始YOLOv5s深度学习网络模型中BN层上的缩放因子系数进行稀疏化训练；
使用参数重要性评估方法对卷积核重要性程度进排序，根据敏感度确定所述初始YOLOv5s深度学习网络模型中网络每一层的剪枝率；
根据剪枝率所述初始YOLOv5s深度学习网络模型网络进行剪枝，得到目标YOLOv5s深度学习网络模型。
进一步，在上述电熨斗智能控制方法中，所述将所述待训练用户感应信息输入所述目标YOLOv5s深度学习网络模型进行训练，得到第一用户感应信息，所述第一用户感应信息至少包括用户位置信息和用户手势信息，包括：
将所述待训练用户感应信息输入所述目标YOLOv5s深度学习网络模型进行训练；
得到第一用户感应信息，所述第一用户感应信息至少包括用户位置信息和用户手势信息；
根据所述用户位置信息确定用户在同一空间内距离电熨斗的距离和方位；
根据所述用户手势信息判断用户在同一空间内是否拿着衣物，若是，则通过用户位置信息和用户手势信息判断用户需要进行衣物熨烫操作。
进一步，在上述电熨斗智能控制方法中，所述根据所述第一用户感应信息生成电熨斗实时控制指令，通过Zigbee无线连接模块将所述电熨斗实时控制指令传输至电熨斗的控制模块，基于控制模块将所述电熨斗实时控制指令生成电熨斗加热指令，包括：
根据第一用户感应信息生成电熨斗实时控制指令，所述电熨斗实时控制指令包括系统开启指令、电源接通指令、和系统控制指令；
通过Zigbee无线连接模块将所述电熨斗实时控制指令传输至电熨斗的控制模块；
若电熨斗实时控制指令为电熨斗系统开启后接通电源，并对电熨斗中的加热模块进行供电，则基于控制模块将所述电熨斗实时控制指令生成电熨斗加热指令；
所述传感器采集装置和电熨斗在同一房间中，所述传感器采集装置通过Zigbee无线连接模块和电熨斗无线连接；
所述Zigbee无线连接模块用于接收和传输所述传感器采集装置和所述电熨斗的控制指令和信号。
进一步，在上述电熨斗智能控制方法中，所述基于控制模块将所述电熨斗加热指令传输至加热模块中，基于所述加热模块生成加热电信号，根据所述加热电信号对电熨斗中的液态水进行加热，包括：
基于控制模块将所述电熨斗加热指令传输至加热模块中，基于所述加热模块生成加热电信号；
所述加热电信号包括将电熨斗中的液态水加热至80℃-90℃，根据所述加热电信号对电熨斗中的液态水进行加热。
进一步，在上述电熨斗智能控制方法中，所述获取电熨斗的加热时间数据，通过传感器采集装置采集周围环境中的第二用户感应信息；将所述加热时间数据和所述第二用户感应信息输入至所述目标YOLOv5s深度学习网络模型中进行训练，得到电熨斗目标控制指令，包括：
获取电熨斗的加热时间数据，通过传感器采集装置采集周围环境中的第二用户感应信息；
将所述加热时间数据和所述第二用户感应信息输入至所述目标YOLOv5s深度学习网络模型中进行训练，得到电熨斗目标控制指令；
若所述加热时间数据大于5min，且周围环境中的第二用户感应信息为无用户位置信息和无用户手势信息，则根据目标控制指令生成加热模块的关闭电信号；
若所述加热时间数据小于2min，且周围环境中的第二用户感应信息包括用户位置信息和用户手势信息，则根据目标控制指令生成加热模块的加热电信号；
根据所述加热电信号或所述关闭电信号对电熨斗的加热模块进行控制。
进一步，在上述一种电熨斗智能控制系统中，所述电熨斗智能控制系统，包括：
数据采集模块，用于通过传感器采集装置采集周围环境中的用户感应信息，将所述用户感应信息进行数据预处理，得到待训练用户感应信息；
模型建立模块，用于基于YOLOv神经网络，建立初始YOLOv5s深度学习网络模型，使用CIOU损失函数替代所述初始YOLOv5s深度学习网络模型的损失函数， 对BN层上的缩放因子系数进行稀疏化训练，得到目标YOLOv5s深度学习网络模型；
模型训练模块，用于将所述待训练用户感应信息输入所述目标YOLOv5s深度学习网络模型进行训练，得到第一用户感应信息，所述第一用户感应信息至少包括用户位置信息和用户手势信息；
指令生成模块，用于根据所述第一用户感应信息生成电熨斗实时控制指令，通过Zigbee无线连接模块将所述电熨斗实时控制指令传输至电熨斗的控制模块，基于控制模块将所述电熨斗实时控制指令生成电熨斗加热指令；
实时控制模块，用于基于控制模块将所述电熨斗加热指令传输至加热模块中，基于所述加热模块生成加热电信号，根据所述加热电信号对电熨斗中的液态水进行加热；
数据变更模块，用于获取电熨斗的加热时间数据，通过传感器采集装置采集周围环境中的第二用户感应信息；将所述加热时间数据和所述第二用户感应信息输入至所述目标YOLOv5s深度学习网络模型中进行训练，得到电熨斗目标控制指令；
控制调整模块，用于根据所述电熨斗目标控制指令生成加热电信号或者关闭电信号，根据所述加热电信号或所述关闭电信号对电熨斗的加热模块进行控制。
进一步，在上述一种电熨斗智能控制系统中，所述数据采集模块包括以下子模块：
采集子模块，用于通过传感器采集装置采集周围环境中的用户感应信息，搜所述传感器采集装置至少包括图像传感器、方位传感器和距离传感器；
滤波子模块，用于获取用户感应信息，对所述用户感应信息进行均值滤波处理，得到滤波用户感应信息；
提取子模块，用于基于局部二值模式对所述滤波用户感应信息进行特征提取，得到特征用户感应信息；
分割子模块，用于利用运动分析分割算法对所述特征用户感应信息进行图像分割，得到分割用户感应信息；
聚类子模块，用于通过FCM模糊聚类算法对所述分割用户感应信息进行聚类，得到待训练用户感应信息。
进一步，在上述一种电熨斗智能控制系统中，所述模型训练模块包括以下子模块：
训练子模块，用于将所述待训练用户感应信息输入所述目标YOLOv5s深度学习网络模型进行训练；
得到子模块，用于得到第一用户感应信息，所述第一用户感应信息至少包括用户位置信息和用户手势信息；
距离子模块，用于根据所述用户位置信息确定用户在同一空间内距离电熨斗的距离和方位；
判断子模块，用于根据所述用户手势信息判断用户在同一空间内是否拿着衣物，若是，则通过用户位置信息和用户手势信息判断用户需要进行衣物熨烫操作。
其有益效果在于，可以通过传感器采集装置和智能控制系统获知用户和电熨斗的距离和手上是否有衣物对用户的使用电熨斗的意愿，如果智能控制系统判断为用户需要使用电熨斗，则提前对电熨斗进行预热，提高电熨斗的使用效率和熨烫衣服的效率，和用户使用体验。通过对周围环境进行采集，判断用户是否离开电熨斗，并且手上已经没有需要熨烫的衣服，则自动关闭电熨斗，可以提高电熨斗的使用安全性，节约能源。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明实施例中一种基于无线连接的电熨斗智能控制方法的第一个实施例示意图；
图2为本发明实施例中一种基于无线连接的电熨斗智能控制方法的第二个实施例示意图；
图3为本发明实施例中一种基于无线连接的电熨斗智能控制方法的第三个实施例示意图；
图4为本发明实施例中一种基于无线连接的电熨斗智能控制系统的第一个实施例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“所述”也可包括复数形式。应所述进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
下面结合附图对本发明进行具体描述，如图1所示，一种基于无线连接的电熨斗智能控制方法，电熨斗智能控制方法包括以下步骤：
步骤101、通过传感器采集装置采集周围环境中的用户感应信息，将用户感应信息进行数据预处理，得到待训练用户感应信息；
具体的，本实施例中通过传感器采集装置采集周围环境中的用户感应信息，搜传感器采集装置至少包括图像传感器、方位传感器和距离传感器；获取用户感应信息，对用户感应信息进行均值滤波处理，得到滤波用户感应信息；基于局部二值模式对滤波用户感应信息进行特征提取，得到特征用户感应信息；利用运动分析分割算法对特征用户感应信息进行图像分割，得到分割用户感应信息；通过FCM模糊聚类算法对分割用户感应信息进行聚类，得到待训练用户感应信息。
步骤102、基于YOLOv神经网络，建立初始YOLOv5s深度学习网络模型，使用CIOU损失函数替代初始YOLOv5s深度学习网络模型的损失函数，对BN层上的缩放因子系数进行稀疏化训练，得到目标YOLOv5s深度学习网络模型；
具体的，本实施例中基于YOLOv神经网络，建立初始YOLOv5s深度学习网络模型，初始YOLOv5s深度学习网络模型至少包括，输入层、输出层、BN层、卷积层、池化层、全连接层；使用CIOU损失函数替代初始YOLOv5s深度学习网络模型的损失函数；对初始YOLOv5s深度学习网络模型中BN层上的缩放因子系数进行稀疏化训练；使用参数重要性评估方法对卷积核重要性程度进排序，根据敏感度确定初始YOLOv5s深度学习网络模型中网络每一层的剪枝率；根据剪枝率初始YOLOv5s深度学习网络模型网络进行剪枝，得到目标YOLOv5s深度学习网络模型。
步骤103、将待训练用户感应信息输入目标YOLOv5s深度学习网络模型进行训练，得到第一用户感应信息，第一用户感应信息至少包括用户位置信息和用户手势信息；
具体的，本实施例中将待训练用户感应信息输入目标YOLOv5s深度学习网络模型进行训练；得到第一用户感应信息，第一用户感应信息至少包括用户位置信息和用户手势信息；根据用户位置信息确定用户在同一空间内距离电熨斗的距离和方位；根据用户手势信息判断用户在同一空间内是否拿着衣物，若是，则通过用户位置信息和用户手势信息判断用户需要进行衣物熨烫操作。
步骤104、根据第一用户感应信息生成电熨斗实时控制指令，通过Zigbee无线连接模块将电熨斗实时控制指令传输至电熨斗的控制模块，基于控制模块将电熨斗实时控制指令生成电熨斗加热指令；
具体的，本实施例中根据第一用户感应信息生成电熨斗实时控制指令，电熨斗实时控制指令包括系统开启指令、电源接通指令、和系统控制指令；通过Zigbee无线连接模块将电熨斗实时控制指令传输至电熨斗的控制模块；若电熨斗实时控制指令为电熨斗系统开启后接通电源，并对电熨斗中的加热模块进行供电，则基于控制模块将电熨斗实时控制指令生成电熨斗加热指令；传感器采集装置和电熨斗在同一房间中，传感器采集装置通过Zigbee无线连接模块和电熨斗无线连接；Zigbee无线连接模块用于接收和传输传感器采集装置和电熨斗的控制指令和信号。
步骤105、基于控制模块将电熨斗加热指令传输至加热模块中，基于加热模块生成加热电信号，根据加热电信号对电熨斗中的液态水进行加热；
具体的，本实施例中基于控制模块将电熨斗加热指令传输至加热模块中，基于加热模块生成加热电信号；加热电信号包括将电熨斗中的液态水加热至80℃-90℃，根据加热电信号对电熨斗中的液态水进行加热。加热电信号包括将电熨斗中的液态水加热至60℃-70℃。
步骤106、获取电熨斗的加热时间数据，通过传感器采集装置采集周围环境中的第二用户感应信息；将加热时间数据和第二用户感应信息输入至目标YOLOv5s深度学习网络模型中进行训练，得到电熨斗目标控制指令；
具体的，本实施例中获取电熨斗的加热时间数据，通过传感器采集装置采集周围环境中的第二用户感应信息；将加热时间数据和第二用户感应信息输入至目标YOLOv5s深度学习网络模型中进行训练，得到电熨斗目标控制指令；若加热时间数据大于5min，且周围环境中的第二用户感应信息为无用户位置信息和无用户手势信息，则根据目标控制指令生成加热模块的关闭电信号；若加热时间数据小于2min，且周围环境中的第二用户感应信息包括用户位置信息和用户手势信息，则根据目标控制指令生成加热模块的加热电信号；根据加热电信号或关闭电信号对电熨斗的加热模块进行控制。
步骤107、根据电熨斗目标控制指令生成加热电信号或者关闭电信号，根据加热电信号或关闭电信号对电熨斗的加热模块进行控制。
其有益效果在于，可以通过传感器采集装置和智能控制系统获知用户和电熨斗的距离和手上是否有衣物对用户的使用电熨斗的意愿，如果智能控制系统判断为用户需要使用电熨斗，则提前对电熨斗进行预热，提高电熨斗的使用效率和熨烫衣服的效率，和用户使用体验。通过对周围环境进行采集，判断用户是否离开电熨斗，并且手上已经没有需要熨烫的衣服，则自动关闭电熨斗，可以提高电熨斗的使用安全性，节约能源。
本实施例中，请参阅图2，本发明实施例中一种基于无线连接的电熨斗智能控制方法的第二个实施例，通过传感器采集装置采集周围环境中的用户感应信息，将用户感应信息进行数据预处理，得到待训练用户感应信息包括以下步骤：
步骤201、通过传感器采集装置采集周围环境中的用户感应信息，搜传感器采集装置至少包括图像传感器、方位传感器和距离传感器；
步骤202、获取用户感应信息，对用户感应信息进行均值滤波处理，得到滤波用户感应信息；
步骤203、基于局部二值模式对滤波用户感应信息进行特征提取，得到特征用户感应信息；
步骤204、利用运动分析分割算法对特征用户感应信息进行图像分割，得到分割用户感应信息；
步骤205、通过FCM模糊聚类算法对分割用户感应信息进行聚类，得到待训练用户感应信息。
本实施例中，请参阅图3，本发明实施例中一种基于无线连接的电熨斗智能控制方法及系统的第三个实施例，基于YOLOv神经网络，建立初始YOLOv5s深度学习网络模型，使用CIOU损失函数替代初始YOLOv5s深度学习网络模型的损失函数，对BN层上的缩放因子系数进行稀疏化训练，得到目标YOLOv5s深度学习网络模型包括以下步骤：
步骤301、基于YOLOv神经网络，建立初始YOLOv5s深度学习网络模型，初始YOLOv5s深度学习网络模型至少包括，输入层、输出层、BN层、卷积层、池化层、全连接层；
步骤302、使用CIOU损失函数替代初始YOLOv5s深度学习网络模型的损失函数；
步骤303、对初始YOLOv5s深度学习网络模型中BN层上的缩放因子系数进行稀疏化训练；
步骤304、使用参数重要性评估方法对卷积核重要性程度进排序，根据敏感度确定初始YOLOv5s深度学习网络模型中网络每一层的剪枝率；
步骤305、根据剪枝率初始YOLOv5s深度学习网络模型网络进行剪枝，得到目标YOLOv5s深度学习网络模型。
上面对本发明实施例提供的一种基于无线连接的电熨斗智能控制方法进行了描述，下面对本发明实施例的一种基于无线连接的电熨斗智能控制系统进行描述，请参阅图4，本发明实施例中电熨斗智能控制系统一个实施例包括：
数据采集模块，用于通过传感器采集装置采集周围环境中的用户感应信息，将用户感应信息进行数据预处理，得到待训练用户感应信息；
模型建立模块，用于基于YOLOv神经网络，建立初始YOLOv5s深度学习网络模型，使用CIOU损失函数替代初始YOLOv5s深度学习网络模型的损失函数， 对BN层上的缩放因子系数进行稀疏化训练，得到目标YOLOv5s深度学习网络模型；
模型训练模块，用于将待训练用户感应信息输入目标YOLOv5s深度学习网络模型进行训练，得到第一用户感应信息，第一用户感应信息至少包括用户位置信息和用户手势信息；
指令生成模块，用于根据第一用户感应信息生成电熨斗实时控制指令，通过Zigbee无线连接模块将电熨斗实时控制指令传输至电熨斗的控制模块，基于控制模块将电熨斗实时控制指令生成电熨斗加热指令；
实时控制模块，用于基于控制模块将电熨斗加热指令传输至加热模块中，基于加热模块生成加热电信号，根据加热电信号对电熨斗中的液态水进行加热；
数据变更模块，用于获取电熨斗的加热时间数据，通过传感器采集装置采集周围环境中的第二用户感应信息；将加热时间数据和第二用户感应信息输入至目标YOLOv5s深度学习网络模型中进行训练，得到电熨斗目标控制指令；
控制调整模块，用于根据电熨斗目标控制指令生成加热电信号或者关闭电信号，根据加热电信号或关闭电信号对电熨斗的加热模块进行控制。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应所述了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变和改进，这些变和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于无线连接的电熨斗智能控制方法，其特征在于，所述电熨斗智能控制方法包括以下步骤：
通过传感器采集装置采集周围环境中的用户感应信息，搜所述传感器采集装置至少包括图像传感器、方位传感器和距离传感器；
获取用户感应信息，对所述用户感应信息进行均值滤波处理，得到滤波用户感应信息；
基于局部二值模式对所述滤波用户感应信息进行特征提取，得到特征用户感应信息；
利用运动分析分割算法对所述特征用户感应信息进行图像分割，得到分割用户感应信息；
通过FCM模糊聚类算法对所述分割用户感应信息进行聚类，得到待训练用户感应信息；
基于YOLOv神经网络，建立初始YOLOv5s深度学习网络模型，所述初始YOLOv5s深度学习网络模型至少包括，输入层、输出层、BN层、卷积层、池化层、全连接层；
使用CIOU损失函数替代所述初始YOLOv5s深度学习网络模型的损失函数；
对所述初始YOLOv5s深度学习网络模型中BN层上的缩放因子系数进行稀疏化训练；
使用参数重要性评估方法对卷积核重要性程度进排序，根据敏感度确定所述初始YOLOv5s深度学习网络模型中网络每一层的剪枝率；
根据剪枝率所述初始YOLOv5s深度学习网络模型网络进行剪枝，得到目标YOLOv5s深度学习网络模型；
将所述待训练用户感应信息输入所述目标YOLOv5s深度学习网络模型进行训练；
得到第一用户感应信息，所述第一用户感应信息至少包括用户位置信息和用户手势信息；
根据所述用户位置信息确定用户在同一空间内距离电熨斗的距离和方位；
根据所述用户手势信息判断用户在同一空间内是否拿着衣物，若是，则通过用户位置信息和用户手势信息判断用户需要进行衣物熨烫操作；
根据所述第一用户感应信息生成电熨斗实时控制指令，通过Zigbee无线连接模块将所述电熨斗实时控制指令传输至电熨斗的控制模块，基于控制模块将所述电熨斗实时控制指令生成电熨斗加热指令；
基于控制模块将所述电熨斗加热指令传输至加热模块中，基于所述加热模块生成加热电信号，根据所述加热电信号对电熨斗中的液态水进行加热；
获取电熨斗的加热时间数据，通过传感器采集装置采集周围环境中的第二用户感应信息；将所述加热时间数据和所述第二用户感应信息输入至所述目标YOLOv5s深度学习网络模型中进行训练，得到电熨斗目标控制指令；
根据所述电熨斗目标控制指令生成加热电信号或者关闭电信号，根据所述加热电信号或所述关闭电信号对电熨斗的加热模块进行控制。
2.如权利要求1所述的一种基于无线连接的电熨斗智能控制方法，其特征在于，所述根据所述第一用户感应信息生成电熨斗实时控制指令，通过Zigbee无线连接模块将所述电熨斗实时控制指令传输至电熨斗的控制模块，基于控制模块将所述电熨斗实时控制指令生成电熨斗加热指令，包括：
根据第一用户感应信息生成电熨斗实时控制指令，所述电熨斗实时控制指令包括系统开启指令、电源接通指令、和系统控制指令；
通过Zigbee无线连接模块将所述电熨斗实时控制指令传输至电熨斗的控制模块；
若电熨斗实时控制指令为电熨斗系统开启后接通电源，并对电熨斗中的加热模块进行供电，则基于控制模块将所述电熨斗实时控制指令生成电熨斗加热指令；
所述传感器采集装置和电熨斗在同一房间中，所述传感器采集装置通过Zigbee无线连接模块和电熨斗无线连接；
所述Zigbee无线连接模块用于接收和传输所述传感器采集装置和所述电熨斗的控制指令和信号。
3.如权利要求1所述的一种基于无线连接的电熨斗智能控制方法，其特征在于，所述基于控制模块将所述电熨斗加热指令传输至加热模块中，基于所述加热模块生成加热电信号，根据所述加热电信号对电熨斗中的液态水进行加热，包括：
基于控制模块将所述电熨斗加热指令传输至加热模块中，基于所述加热模块生成加热电信号；
所述加热电信号包括将电熨斗中的液态水加热至80℃-90℃，根据所述加热电信号对电熨斗中的液态水进行加热。
4.如权利要求1所述的一种基于无线连接的电熨斗智能控制方法，其特征在于，所述获取电熨斗的加热时间数据，通过传感器采集装置采集周围环境中的第二用户感应信息；将所述加热时间数据和所述第二用户感应信息输入至所述目标YOLOv5s深度学习网络模型中进行训练，得到电熨斗目标控制指令，包括：
获取电熨斗的加热时间数据，通过传感器采集装置采集周围环境中的第二用户感应信息；
将所述加热时间数据和所述第二用户感应信息输入至所述目标YOLOv5s深度学习网络模型中进行训练，得到电熨斗目标控制指令；
若所述加热时间数据大于5min，且周围环境中的第二用户感应信息为无用户位置信息和无用户手势信息，则根据目标控制指令生成加热模块的关闭电信号；
若所述加热时间数据小于2min，且周围环境中的第二用户感应信息包括用户位置信息和用户手势信息，则根据目标控制指令生成加热模块的加热电信号；
根据所述加热电信号或所述关闭电信号对电熨斗的加热模块进行控制。
5.实现如权利要求1所述一种基于无线连接的电熨斗智能控制方法的系统，其特征在于，所述系统包括：
采集子模块，用于通过传感器采集装置采集周围环境中的用户感应信息，搜所述传感器采集装置至少包括图像传感器、方位传感器和距离传感器；
滤波子模块，用于获取用户感应信息，对所述用户感应信息进行均值滤波处理，得到滤波用户感应信息；
提取子模块，用于基于局部二值模式对所述滤波用户感应信息进行特征提取，得到特征用户感应信息；
分割子模块，用于利用运动分析分割算法对所述特征用户感应信息进行图像分割，得到分割用户感应信息；
聚类子模块，用于通过FCM模糊聚类算法对所述分割用户感应信息进行聚类，得到待训练用户感应信息；
模型建立模块，用于基于YOLOv神经网络，建立初始YOLOv5s深度学习网络模型，使用CIOU损失函数替代所述初始YOLOv5s深度学习网络模型的损失函数， 对BN层上的缩放因子系数进行稀疏化训练，得到目标YOLOv5s深度学习网络模型；
训练子模块，用于将所述待训练用户感应信息输入所述目标YOLOv5s深度学习网络模型进行训练；
得到子模块，用于得到第一用户感应信息，所述第一用户感应信息至少包括用户位置信息和用户手势信息；
距离子模块，用于根据所述用户位置信息确定用户在同一空间内距离电熨斗的距离和方位；
判断子模块，用于根据所述用户手势信息判断用户在同一空间内是否拿着衣物，若是，则通过用户位置信息和用户手势信息判断用户需要进行衣物熨烫操作；
指令生成模块，用于根据所述第一用户感应信息生成电熨斗实时控制指令，通过Zigbee无线连接模块将所述电熨斗实时控制指令传输至电熨斗的控制模块，基于控制模块将所述电熨斗实时控制指令生成电熨斗加热指令；
实时控制模块，用于基于控制模块将所述电熨斗加热指令传输至加热模块中，基于所述加热模块生成加热电信号，根据所述加热电信号对电熨斗中的液态水进行加热；
数据变更模块，用于获取电熨斗的加热时间数据，通过传感器采集装置采集周围环境中的第二用户感应信息；将所述加热时间数据和所述第二用户感应信息输入至所述目标YOLOv5s深度学习网络模型中进行训练，得到电熨斗目标控制指令；
控制调整模块，用于根据所述电熨斗目标控制指令生成加热电信号或者关闭电信号，根据所述加热电信号或所述关闭电信号对电熨斗的加热模块进行控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311264039.XA CN116991089B (zh) | 2023-09-28 | 2023-09-28 | 一种基于无线连接的电熨斗智能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311264039.XA CN116991089B (zh) | 2023-09-28 | 2023-09-28 | 一种基于无线连接的电熨斗智能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116991089A CN116991089A (zh) | 2023-11-03 |
| CN116991089B true CN116991089B (zh) | 2023-12-05 |
Family
ID=88534263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311264039.XA Active CN116991089B (zh) | 2023-09-28 | 2023-09-28 | 一种基于无线连接的电熨斗智能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116991089B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104074040A (zh) * | 2014-06-27 | 2014-10-01 | 微动科技（杭州）有限公司 | 应用于电熨斗的智能系统及处理方法 |
| CN106283584A (zh) * | 2016-10-28 | 2017-01-04 | 京东方科技集团股份有限公司 | 一种电熨斗及其熨烫方法 |
| CN107217457A (zh) * | 2017-07-20 | 2017-09-29 | 浙江月立电器有限公司 | 一种智能电熨斗及其工作流程和自动节能流程 |
| CN109461167A (zh) * | 2018-11-02 | 2019-03-12 | Oppo广东移动通信有限公司 | 图像处理模型的训练方法、抠图方法、装置、介质及终端 |
| CN111016901A (zh) * | 2019-12-30 | 2020-04-17 | 苏州安智汽车零部件有限公司 | 基于深度学习的智能驾驶决策方法及系统 |
| CN113699768A (zh) * | 2021-08-30 | 2021-11-26 | 惠州拓邦电气技术有限公司 | 电熨斗自动控制方法、装置以及电熨斗 |
| CN113777938A (zh) * | 2021-08-31 | 2021-12-10 | 东风柳州汽车有限公司 | 一种家电控制方法、装置、设备及存储介质 |
| CN114063572A (zh) * | 2020-07-31 | 2022-02-18 | 北京熵行科技有限公司 | 一种无感知智能设备控制方法、电子设备及控制系统 |
| CN116397422A (zh) * | 2023-05-31 | 2023-07-07 | 深圳市微琪思网络有限公司 | 智能无线电熨斗控制方法及系统 |
| CN116704270A (zh) * | 2023-08-07 | 2023-09-05 | 合肥焕峰智能科技有限公司 | 一种基于图像处理的智能设备定位标记方法 |
-
2023
- 2023-09-28 CN CN202311264039.XA patent/CN116991089B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104074040A (zh) * | 2014-06-27 | 2014-10-01 | 微动科技（杭州）有限公司 | 应用于电熨斗的智能系统及处理方法 |
| CN106283584A (zh) * | 2016-10-28 | 2017-01-04 | 京东方科技集团股份有限公司 | 一种电熨斗及其熨烫方法 |
| CN107217457A (zh) * | 2017-07-20 | 2017-09-29 | 浙江月立电器有限公司 | 一种智能电熨斗及其工作流程和自动节能流程 |
| CN109461167A (zh) * | 2018-11-02 | 2019-03-12 | Oppo广东移动通信有限公司 | 图像处理模型的训练方法、抠图方法、装置、介质及终端 |
| CN111016901A (zh) * | 2019-12-30 | 2020-04-17 | 苏州安智汽车零部件有限公司 | 基于深度学习的智能驾驶决策方法及系统 |
| CN114063572A (zh) * | 2020-07-31 | 2022-02-18 | 北京熵行科技有限公司 | 一种无感知智能设备控制方法、电子设备及控制系统 |
| CN113699768A (zh) * | 2021-08-30 | 2021-11-26 | 惠州拓邦电气技术有限公司 | 电熨斗自动控制方法、装置以及电熨斗 |
| CN113777938A (zh) * | 2021-08-31 | 2021-12-10 | 东风柳州汽车有限公司 | 一种家电控制方法、装置、设备及存储介质 |
| CN116397422A (zh) * | 2023-05-31 | 2023-07-07 | 深圳市微琪思网络有限公司 | 智能无线电熨斗控制方法及系统 |
| CN116704270A (zh) * | 2023-08-07 | 2023-09-05 | 合肥焕峰智能科技有限公司 | 一种基于图像处理的智能设备定位标记方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116991089A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108866934B (zh) | 一种基于人工智能的洗衣模式控制系统及方法 | |
| CN210274639U (zh) | 一种基于人体姿态识别的智能全屋照明系统 | |
| CN106283584A (zh) | 一种电熨斗及其熨烫方法 | |
| CN105700363A (zh) | 一种智能家居设备语音控制装置的唤醒方法及系统 | |
| CN102509100A (zh) | 一种基于图像模式识别的刀闸分合可靠性识别方法 | |
| CN108385799A (zh) | 智能马桶和相关的用户意图识别方法、控制方法及装置 | |
| CN105224066A (zh) | 一种基于云端处理的手势识别方法 | |
| CN116991089B (zh) | 一种基于无线连接的电熨斗智能控制方法及系统 | |
| CN111538251A (zh) | 一种优化环境的方法及系统 | |
| CN108758728A (zh) | 一种基于头势的吸油烟机控制方法和吸油烟机 | |
| CN115039897B (zh) | 一种适用于咖啡豆生产的物联网控制方法及装置 | |
| CN116959445B (zh) | 一种无线电熨斗的智能控制方法及系统 | |
| CN116300511B (zh) | 一种厨房电器联动控制方法及控制系统 | |
| CN117628678A (zh) | 一种基于无线网络控制的节能型空调控制面板 | |
| CN112663277A (zh) | 一种基于图像识别的洗衣系统及控制方法 | |
| CN104156752A (zh) | 基于生物特征辨别使用者并建立自适应使用习惯模型方法 | |
| CN109918985B (zh) | 一种自动调节温度的智能旋转龙头系统 | |
| CN113534710B (zh) | 基于多系统协调处理的智能家电动态感知系统及其方法 | |
| CN110109369A (zh) | 一种基于不同受控方式家电设备控制系统及方法 | |
| CN110820845B (zh) | 供水系统及其水压增压方法、装置 | |
| CN110018705B (zh) | 具有智能体感的电器控制系统及控制方法 | |
| CN109726532B (zh) | 一种基于人工智能行为预测的安全管理方法 | |
| CN113237238A (zh) | 热水器节能控制方法、系统、装置及存储介质 | |
| CN110275455B (zh) | 一种基于脑电信号的控制方法、中央控制设备、云服务器及系统 | |
| CN208334637U (zh) | 一种网络摄像机雷达测距装置 |
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 |