CN117052703B - 一种基于图像识别技术的风扇控制方法及系统 - Google Patents

一种基于图像识别技术的风扇控制方法及系统 Download PDF

Info

Publication number
CN117052703B
CN117052703B CN202311014751.4A CN202311014751A CN117052703B CN 117052703 B CN117052703 B CN 117052703B CN 202311014751 A CN202311014751 A CN 202311014751A CN 117052703 B CN117052703 B CN 117052703B
Authority
CN
China
Prior art keywords
data
user
fan
fan control
environment
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
Application number
CN202311014751.4A
Other languages
English (en)
Other versions
CN117052703A (zh
Inventor
黄福康
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.)
Shenzhen Zhongzhi Liancheng Technology Co ltd
Original Assignee
Shenzhen Zhongzhi Liancheng Technology 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 Shenzhen Zhongzhi Liancheng Technology Co ltd filed Critical Shenzhen Zhongzhi Liancheng Technology Co ltd
Priority to CN202311014751.4A priority Critical patent/CN117052703B/zh
Publication of CN117052703A publication Critical patent/CN117052703A/zh
Application granted granted Critical
Publication of CN117052703B publication Critical patent/CN117052703B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D25/00—Pumping installations or systems
    • F04D25/02—Units comprising pumps and their driving means
    • F04D25/08—Units comprising pumps and their driving means the working fluid being air, e.g. for ventilation
    • F04D25/10—Units comprising pumps and their driving means the working fluid being air, e.g. for ventilation the unit having provisions for automatically changing direction of output air
    • F04D25/105—Units comprising pumps and their driving means the working fluid being air, e.g. for ventilation the unit having provisions for automatically changing direction of output air by changing rotor axis direction, e.g. oscillating fans
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/817—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level by voting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明涉及图像识别技术领域，尤其涉及一种基于图像识别技术的风扇控制方法及系统。该方法包括以下步骤：通过摄像模块进行风扇区域图像采集，从而获取风扇区域图像数据，并对风扇区域图像数据进行用户检测，获取用户检测数据，其中用户检测数据包括单人检测数据以及多人检测数据；确定用户检测数据为单人检测数据时，则对风扇区域图像数据进行用户姿态特征提取以及用户环境特征提取，获取用户姿态特征数据以及用户环境特征数据；对用户姿态特征数据进行用户姿态识别，获取第一初级风扇控制参数数据，并对用户环境特征数据进行用户环境舒适度识别，获取用户环境舒适度数据。本发明根据实际需求调整风速和运行状态，降低能耗，实现节能和环保效果。

Description

一种基于图像识别技术的风扇控制方法及系统
技术领域
本发明涉及图像识别技术领域，尤其涉及一种基于图像识别技术的风扇控制方法及系统。
背景技术
风扇控制方法是指通过调整风扇的运行参数(如风速、风向、摇头)以适应不同的环境条件和用户需求，从而提供舒适的风扇使用体验。传统的风扇控制需要用户手动调整风扇的运行参数，这在某些情况下可能会比较不便，特别是在用户需要频繁调整的情况下。
发明内容
本发明为解决上述技术问题，提出了一种基于图像识别技术的风扇控制方法，以解决至少一个上述技术问题。
本申请提供了一种基于图像识别技术的风扇控制方法，应用于风扇，该风扇包括主控模块、摄像模块、风力电机模块、摇头电机模块以及电源模块，主控模块分别与电源模块、摄像模块、风力电机模块以及摇头电机模块电性连接，包括以下步骤：
步骤S1：通过摄像模块进行风扇区域图像采集，从而获取风扇区域图像数据，并对风扇区域图像数据进行用户检测，从而获取用户检测数据，其中用户检测数据包括单人检测数据以及多人检测数据；
步骤S2：确定用户检测数据为单人检测数据时，则对风扇区域图像数据进行用户姿态特征提取以及用户环境特征提取，从而获取用户姿态特征数据以及用户环境特征数据；
步骤S3：对用户姿态特征数据进行用户姿态识别，从而获取第一初级风扇控制参数数据，并对用户环境特征数据进行用户环境舒适度识别，从而获取用户环境舒适度数据；
步骤S4：利用用户环境舒适度数据对第一初级风扇控制参数数据进行单人环境舒适度优化，从而获取第一风扇控制参数数据，以进行风扇控制作业；
步骤S5：确定用户检测数据为多人检测数据时，则对风扇区域图像数据进行用户位置特征提取以及用户体温表征特征提取，从而获取用户位置特征数据以及用户体温表征特征数据；
步骤S6：对用户位置特征数据进行用户位置识别，从而获取用户位置识别数据，并利用预设的风扇初始参数集对用户位置识别数据进行参数生成，从而获取第二初级风扇控制参数数据；
步骤S7：利用用户体温表征特征数据对第二初级风扇控制参数数据进行多人环境舒适度优化，从而获取第二风扇控制参数数据，以进行风扇控制作业。
本发明中根据用户的姿态、环境和体温等特征，实现了个性化的风扇控制。通过对用户环境舒适度和体温的识别和优化，可以使用户在不同环境下获得更舒适的风扇体验。该方法可以识别多人的存在，并根据他们的位置、体温的特征生成适合不同人的风扇控制参数。这有助于满足多人共享空间的舒适度需求。通过摄像模块采集实时图像数据，该方法可以在用户使用风扇的过程中实时进行姿态识别、环境舒适度识别和参数调整，从而保持舒适度。通过图像识别和数据处理实现风扇控制参数的自动生成和优化，减少了用户的干预和调整。用户无需手动设置风扇参数，使使用更加便捷。通过精确的控制，风扇可以根据实际需求调整风速和运行状态，从而降低能耗，实现节能和环保效果。
优选地，步骤S1具体为：
步骤S11：通过摄像模块进行风扇区域图像采集，从而获取风扇区域图像数据流；
步骤S12：根据预设的图像数据帧提取数据对风扇区域图像数据流进行图像帧提取，从而获取风扇区域图像数据；
步骤S13：对风扇区域图像数据进行环境自适应二值化处理，从而获取风扇区域图像二值化数据；
步骤S14：利用风扇区域图像二值化数据对风扇区域图像数据进行基于阈值黑色像素点的图像分割，从而获取风扇区域分割图像数据；
步骤S15：对风扇区域分割图像数据进行最大值卷积计算、最小值卷积计算以及平均卷积计算，从而获取第一风扇区域卷积层数据、第二风扇区域卷积层数据以及第三风扇区域卷积层数据；
步骤S16：对第一风扇区域卷积层数据进行最大值池化计算，从而获取第一风扇区域池化层数据，对第二风扇区域卷积层数据进行最小值池化计算，从而获取第二风扇区域池化层数据，对第三风扇区域卷积层数据进行平均值池化计算，从而获取第三风扇区域池化层数据；
步骤S17：分别对第一风扇区域池化层数据、第二风扇区域卷积层数据以及第三风扇区域池化层数据进行相应的预设的权重计算，从而获取第一置信度数据、第二置信度数据以及第三置信度数据；
步骤S18：根据第一置信度数据、第二置信度数据以及第三置信度数据进行结果投票，从而获取检测结果置信度数据；
步骤S19：对检测结果置信度数据对应的风扇区域分割图像数据的图像区域数据进行非极大值抑制，从而获取优化检测结果置信度数据；
步骤S110：根据优化检测结果置信度数据生成用户检测数据。
本发明中通过摄像模块的图像采集和处理，可以精确地检测出风扇区域内的用户，从而获取用户的存在信息。环境自适应二值化处理和图像分割可以帮助区分风扇区域和背景，从而确保只有风扇区域内的信息被提取和处理，提高了数据的可靠性和准确性。通过卷积计算、池化计算和权重计算等步骤，可以提取不同特征的信息，如形状、纹理，进一步增加了用户识别和特征提取的准确性。通过多个置信度数据的计算和投票，可以增强用户检测结果的可信度。非极大值抑制进一步优化了结果，确保检测到的用户信息更加精确。基于用户检测数据，风扇可以根据实际的用户分布情况来智能地调整运行状态和风速，从而提供更加舒适的使用体验。通过实时检测用户的存在，风扇可以在没有用户的情况下自动调整运行状态，实现节能和安全的效果。
优选地，环境自适应二值化处理通过环境自适应二值化计算公式进行处理，其中环境自适应二值化计算公式具体为：
T(x，y)为二值化阈值数据，e为自然对数，α为第一控制环境自适应调整参数，μ(x，y)为像素点(x，y)邻域内的平均灰度值，x为像素点的横向数据，y为像素点的纵向数据，β为环境灰度影响项，γ为第二控制环境自适应调整参数，σ(x，y)为像素点(x，y)邻域内的灰度值标准差，δ为环境灰度变化程度影响项。
本发明构造了一种环境自适应二值化计算公式，该计算公式的主要作用是将图像中的像素点分割成两个类别，即前景和背景，根据像素点的灰度值和周围像素的信息。这有助于区分出图像中的物体和背景。与传统的固定阈值不同，这个公式根据每个像素点的邻域信息来计算适应性阈值，从而在不同区域自动调整阈值，提高了图像处理的鲁棒性。公式中的参数允许调整适应性的程度，根据平均灰度值和灰度值标准差来判断环境的特性，从而更好地适应不同背景和环境。适应性阈值分割可以提高图像的质量，特别是在光照不均匀、噪声较多的情况下，有助于保留图像中的重要特征。控制平均灰度值影响的参数α，较大的α值会使平均灰度值对阈值的影响更强烈。环境灰度影响项β，调整阈值的偏移，较大的β值会使阈值整体上升，反之下降。控制灰度值标准差影响的参数δ，较大的y值会使灰度值标准差对阈值的影响更强烈。环境灰度变化程度影响项，调整阈值的灵敏度，较大的δ值会使阈值对环境变化更为敏感。α和γ控制着平均灰度值和灰度值标准差的影响，而β和δ则调整了阈值的偏移和灵敏度。这些参数的综合作用使得阈值根据不同的环境自适应地确定，从而实现更精确的图像分割。
优选地，步骤S2具体为：
步骤S21：确定用户检测数据为单人检测数据时，则对风扇区域图像数据进行光照条件数据提取，从而获取风扇光照条件数据；
步骤S22：利用风扇光照条件数据对风扇区域图像数据进行自适应降噪调节，从而获取风扇区域图像降噪数据；
步骤S23：利用用户检测数据对风扇区域图像降噪数据进行用户区域图像提取，从而获取用户区域图像数据；
步骤S24：对用户区域图像数据通过预设的关键点标注进行多关节姿态恢复处理，从而获取姿态关键点坐标数据；
步骤S25：根据姿态关键点坐标数据进行用户姿态特征向量生成，从而获取用户姿态特征数据。
本发明中光照条件数据提取和自适应降噪调节有助于克服图像中可能存在的光照不均匀问题，从而提高图像的质量。图像降噪过程可以消除图像中的噪声和干扰，从而减少后续处理步骤的误差，提高关键信息的提取准确性。用户区域图像提取和多关节姿态恢复处理可以精确定位用户的身体区域和关节位置，从而为姿态特征的生成提供准确的数据。通过姿态关键点坐标数据的生成，可以实现用户的姿态识别，进而为后续的姿态特征提取和风扇控制参数生成提供基础。通过对单人的姿态关键点坐标数据进行特征向量生成，可以提取出与用户个性化姿态相关的特征，为个性化风扇控制提供支持。
优选地，步骤S3具体为：
步骤S31：利用预设的用户姿态识别模型对用户姿态特征数据进行用户姿态识别，从而获取用户姿态数据，其中用户姿态数据包括用户相对位置数据以及用户姿态向量数据；
步骤S32：根据用户姿态数据进行用户移动行为预测生成，从而获取用户移动行为预测数据；
步骤S33：根据用户行为预测数据以及用户姿态数据进行风扇参数实时生成，从而获取第一初级风扇控制参数数据；
步骤S34：对用户环境特征数据进行用户环境舒适度识别，从而获取用户环境舒适度数据。
本发明中利用预设的用户姿态识别模型，可以准确地识别用户的姿态，包括站立、坐下、伸手等不同的姿态状态，为后续的风扇控制提供准确的参数基础。基于用户姿态数据，可以预测用户的移动行为，如站起、靠近风扇，从而提前调整风扇控制参数，提供更为智能的用户体验。根据用户姿态数据和行为预测数据，实时生成适合当前用户姿态和行为的风扇控制参数，使风扇可以根据用户的实际状态进行智能调节。用户环境舒适度识别可以根据用户环境特征，如温度、湿度，判断当前环境是否舒适，从而更好地调整风扇参数，提供个性化的舒适体验。本发明基于用户的姿态特征数据和环境特征数据，预测用户的移动行为，根据预测生成风扇控制参数，并识别用户环境舒适度，从而为风扇提供合适的控制策略。
优选地，步骤S4具体为：
利用用户环境舒适度数据中的温度舒适度数据对第一初级风扇控制参数数据进行温度舒适度优化，从而获取温度舒适度优化参数数据；
利用用户环境舒适度数据中的湿度舒适度数据对温度舒适度优化参数数据进行湿度舒适度优化，从而获取第一风扇控制参数数据，以进行风扇控制作业。
本发明中根据用户环境舒适度数据中的温度和湿度舒适度信息，可以根据用户的偏好和环境需求，调整风扇控制参数，提供个性化的舒适度体验。考虑用户环境的温度和湿度舒适度信息，风扇控制参数可以根据不同的环境条件，自动调整以适应不同的舒适度需求。通过针对不同的环境舒适度需求优化风扇控制参数，可以实现更有效的能源利用，从而提高能效管理水平。本发明在用户环境舒适度数据的基础上，根据温度和湿度舒适度的信息，优化风扇控制参数，使风扇的运行更加符合用户的舒适度需求和环境条件。
优选地，湿度舒适度优化通过湿度舒适度优化计算公式进行数据优化，其中湿度舒适度优化计算公式具体为：
C湿度(T，H)为湿度舒适度优化参数数据，为环境温度数据的权重系数项，T为环境温度数据，/>为环境温度数据的权重系数项，H为环境舒适度数据，/>为第一温度舒适度参数控制调整项，/>为第二温度舒适度参数控制调整项。
本发明构造了一种湿度舒适度优化计算公式，通过该计算公式，可以根据环境温度和湿度数据计算出一个湿度舒适度优化参数，该参数可以用来调整风扇控制，使风扇在不同湿度条件下提供更舒适的体验。公式中的参数和权重可以根据环境温度和湿度的实际情况进行调整，从而实现个性化的湿度舒适度优化。环境温度数据T，用于计算湿度舒适度优化参数。温度的变化会影响优化参数的计算结果。环境舒适度数据H，代表湿度信息。它会影响到优化参数的计算。第一和第二温度舒适度参数控制调整项以及/>用于调整温度的影响。它们会影响温度在计算中的权重分配。本发明通过不同参数的调整会改变温度和湿度在优化参数中的权重，从而影响风扇控制的调整。
优选地，步骤S5具体为：
步骤S51：确定用户检测数据为多人检测数据时，则利用用户检测数据对风扇区域图像数据进行用户位置特征提取，从而获取用户位置特征数据；
步骤S52：利用用户检测数据对风扇区域图像数据进行用户区域图像提取，从而获取用户区域图像数据；
步骤S53：对用户区域图像数据进行面部分割，从而获取面部区域图像数据；
步骤S54：对面部区域图像数据进行面部色彩特征提取，从而获取面部色彩特征数据；
步骤S55：通过互联网技术获取天气温度数据，并根据面部色彩特征数据以及天气温度数据进行特征集成，从而获取用户体温表征特征数据。
本发明中通过用户检测数据，可以提取出多个用户在风扇区域的位置特征，从而确定多人在房间中的位置。通过用户区域图像提取，可以获取每个用户的图像数据，为后续面部分割和色彩特征提取做准备。面部分割和色彩特征提取可以分析每个用户的面部特征，可能包括皮肤颜色、表情。结合互联网获取的天气温度数据，以及面部色彩特征，可以对用户体温进行估计，并用于风扇控制的特征集成。
优选地，步骤S6具体为：
步骤S61：对用户位置特征数据进行用户位置识别，从而获取用户位置识别数据；
步骤S62：根据用户位置识别数据对风扇区域图像数据进行用户位置区域划分，从而获得用户位置区域划分数据，其中用户位置区域划分数据包括左侧用户位置区域划分数据、中部用户位置区域划分数据以及右侧用户位置区域划分数据；
步骤S63：确定用户位置区域划分数据对应的用户位置识别数据对应的用户数量数据小于或则等于第一用户数量数据时，则根据预设的风扇初始参数集生成第一多人风扇控制参数数据；
步骤S64：确定用户位置区域划分数据对应的用户位置识别数据对应的用户数量数据大于第一用户数量数据且用户位置区域划分数据对应的用户位置识别数据对应的用户数量数据小于或等于第二用户数量数据时，则根据预设的风扇初始参数集生成第二多人风扇控制参数数据；
步骤S65：确定用户位置区域划分数据对应的用户位置识别数据对应的用户数量数据大于第二用户数量数据时，则根据预设的风扇初始参数集生成第三多人风扇控制参数数据，其中第一多人风扇控制参数数据中的摇头速率数据大于或等于第二多人风扇控制参数数据的摇头速率数据，第二多人风扇控制参数数据中的摇头速率数据大于或等于第三多人风扇控制参数数据的摇头速率数据，第一多人风扇控制参数数据中的风扇速率数据小于或等于第二多人风扇控制参数数据的风扇速率数据，第二多人风扇控制参数数据的风扇速率数据小于或等于第三多人风扇控制参数数据的风扇速率数据。
本发明中通过用户位置特征数据和用户位置识别，可以识别出多个用户在风扇区域的位置，从而针对不同位置的用户进行风扇控制调整。根据不同位置的用户数量和风扇初始参数集，生成适应多人的风扇控制参数，以提供更加舒适的风扇体验。针对不同人数的用户和不同位置的用户，生成不同的风扇速率和摇头速率，以实现自适应的风扇控制。存在三个多人风扇控制参数数据，分别是第一、第二和第三多人风扇控制参数数据。这些参数数据中的风扇速率和摇头速率参数相互比较，确保了在不同用户数量和位置情况下，风扇的风速和摇头速率的适应性和合理性。本发明过根据用户位置识别数据和多人风扇初始参数集，生成适应不同用户数量和位置的多人风扇控制参数，以提供个性化、舒适的多人风扇控制体验。
优选地，本申请还提供了一种基于图像识别技术的风扇控制系统，用于执行如上所述的基于图像识别技术的风扇控制方法，该基于图像识别技术的风扇控制系统包括：
用户检测模块，用于通过摄像模块进行风扇区域图像采集，从而获取风扇区域图像数据，并对风扇区域图像数据进行用户检测，从而获取用户检测数据，其中用户检测数据包括单人检测数据以及多人检测数据；
单人用户特征提取模块，用于确定用户检测数据为单人检测数据时，则对风扇区域图像数据进行用户姿态特征提取以及用户环境特征提取，从而获取用户姿态特征数据以及用户环境特征数据；
单人用户特征识别模块，用于对用户姿态特征数据进行用户姿态识别，从而获取第一初级风扇控制参数数据，并对用户环境特征数据进行用户环境舒适度识别，从而获取用户环境舒适度数据；
单人环境舒适度优化模块，用于利用用户环境舒适度数据对第一初级风扇控制参数数据进行单人环境舒适度优化，从而获取第一风扇控制参数数据，以进行风扇控制作业；
多人用户特征提取模块，用于确定用户检测数据为多人检测数据时，则对风扇区域图像数据进行用户位置特征提取以及用户体温表征特征提取，从而获取用户位置特征数据以及用户体温表征特征数据；
多人用户分数参数：对用户位置特征数据进行用户位置识别，从而获取用户位置识别数据，并利用预设的风扇初始参数集对用户位置识别数据进行参数生成，从而获取第二初级风扇控制参数数据；
多人环境舒适度优化模块，用于利用用户体温表征特征数据对第二初级风扇控制参数数据进行多人环境舒适度优化，从而获取第二风扇控制参数数据，以进行风扇控制作业。
本发明的有益效果在于：本发明通过识别不同用户的姿态、位置、体温等特征，系统能够根据每个用户的需求和环境变化来调整风扇的参数，从而提供更个性化的舒适体验。这有助于消除用户对风扇调节的需求，提高使用者的满意度和舒适度。通过区分单人和多人场景，能够自动适应不同人数的情况。这使得风扇可以在多人环境下智能地调整风速和风向，确保每个人都能感受到适宜的风扇效果。结合用户环境舒适度数据和体温表征特征数据，系统可以根据当前环境的温度、湿度的因素，对风扇的控制参数进行智能调整，以提供更加舒适的使用体验。通过自动的图像识别和数据分析，用户无需手动调整风扇参数，系统能够根据用户特征和环境信息自动实现最佳的风扇控制，从而节省时间和劳动。本发明通过智能化的控制，避免了风扇过度运转，可以根据实际需求调整风扇的运行状态，从而实现节能的效果。本发明利用图像识别技术和数据分析，通过对用户姿态、位置、体温的特征的分析，以及结合环境舒适度数据，系统能够基于数据进行智能决策，使风扇控制更加精准。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了一实施例的风扇的模块结构图；
图2示出了一实施例的基于图像识别技术的风扇控制方法的步骤流程图；
图3示出了一实施例的步骤S1的步骤流程图；
图4示出了一实施例的步骤S2的步骤流程图；
图5示出了一实施例的步骤S3的步骤流程图；
图6示出了一实施例的步骤S5的步骤流程图；
图7示出了一实施例的步骤S6的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图7，本申请提供了一种基于图像识别技术的风扇控制方法，应用于风扇，该风扇包括主控模块、摄像模块、风力电机模块、摇头电机模块以及电源模块，主控模块分别与电源模块、摄像模块、风力电机模块以及摇头电机模块电性连接，包括以下步骤：
步骤S1：通过摄像模块进行风扇区域图像采集，从而获取风扇区域图像数据，并对风扇区域图像数据进行用户检测，从而获取用户检测数据，其中用户检测数据包括单人检测数据以及多人检测数据；
具体地，例如在摄像模块中使用高分辨率图像传感器，如CMOS传感器，以获取风扇区域的图像数据。使用计算机视觉技术，如深度学习中的目标检测模型(如YOLO或FasterR-CNN)，对图像数据进行处理，以识别和定位图像中的人体区域。
步骤S2：确定用户检测数据为单人检测数据时，则对风扇区域图像数据进行用户姿态特征提取以及用户环境特征提取，从而获取用户姿态特征数据以及用户环境特征数据；
具体地，例如使用关键点检测算法(如OpenPose)来识别用户的关节位置，以及关节之间的连接关系。从关键点数据中，计算用户的姿态特征向量，如关节角度、关节间距。根据风扇区域的图像数据，提取环境特征，如光照强度、背景颜色。
步骤S3：对用户姿态特征数据进行用户姿态识别，从而获取第一初级风扇控制参数数据，并对用户环境特征数据进行用户环境舒适度识别，从而获取用户环境舒适度数据；
具体地，例如使用预先训练好的姿态识别模型(如卷积神经网络)对步骤S2中提取的姿态特征进行处理，以判定用户的姿态状态，如坐姿、站立姿势。根据环境特征，结合环境适应性算法，计算用户环境的舒适度指数，如根据光照强度和温度来判断用户是否处于舒适状态。
步骤S4：利用用户环境舒适度数据对第一初级风扇控制参数数据进行单人环境舒适度优化，从而获取第一风扇控制参数数据，以进行风扇控制作业；
具体地，例如利用用户环境舒适度数据，根据预先设定的舒适度优化算法，调整风扇的控制参数，如风速和摇头幅度，以最大程度提供用户舒适的风流体验。
步骤S5：确定用户检测数据为多人检测数据时，则对风扇区域图像数据进行用户位置特征提取以及用户体温表征特征提取，从而获取用户位置特征数据以及用户体温表征特征数据；
具体地，例如使用目标检测模型，定位图像中的多个用户位置，获取用户位置数据。通过预设的用户面部颜色识别技术从用户脸部区域获取体温数据。
步骤S6：对用户位置特征数据进行用户位置识别，从而获取用户位置识别数据，并利用预设的风扇初始参数集对用户位置识别数据进行参数生成，从而获取第二初级风扇控制参数数据；
具体地，例如通过多人姿态识别算法，识别并区分不同用户的位置，确定各用户在风扇区域内的相对位置关系。
步骤S7：利用用户体温表征特征数据对第二初级风扇控制参数数据进行多人环境舒适度优化，从而获取第二风扇控制参数数据，以进行风扇控制作业。
具体地，例如利用用户体温表征特征数据，根据环境舒适度优化算法，进一步调整风扇控制参数，以满足多人环境下的舒适度需求。
本发明中根据用户的姿态、环境和体温等特征，实现了个性化的风扇控制。通过对用户环境舒适度和体温的识别和优化，可以使用户在不同环境下获得更舒适的风扇体验。该方法可以识别多人的存在，并根据他们的位置、体温的特征生成适合不同人的风扇控制参数。这有助于满足多人共享空间的舒适度需求。通过摄像模块采集实时图像数据，该方法可以在用户使用风扇的过程中实时进行姿态识别、环境舒适度识别和参数调整，从而保持舒适度。通过图像识别和数据处理实现风扇控制参数的自动生成和优化，减少了用户的干预和调整。用户无需手动设置风扇参数，使使用更加便捷。通过精确的控制，风扇可以根据实际需求调整风速和运行状态，从而降低能耗，实现节能和环保效果。
优选地，步骤S1具体为：
步骤S11：通过摄像模块进行风扇区域图像采集，从而获取风扇区域图像数据流；
具体地，例如摄像模块使用高分辨率CMOS传感器，如Sony IMX sensor，以获取风扇区域的实时图像数据。
步骤S12：根据预设的图像数据帧提取数据对风扇区域图像数据流进行图像帧提取，从而获取风扇区域图像数据；
具体地，例如每秒钟采集30帧的图像数据，以获得连续的图像帧。
具体地，例如对风扇区域图像数据流进行每秒5帧的采集频率进行图像帧采集。
步骤S13：对风扇区域图像数据进行环境自适应二值化处理，从而获取风扇区域图像二值化数据；
具体地，例如根据环境自适应二值化计算公式，计算每个像素点的二值化阈值。
具体地，例如根据风扇区域图像数据进行灰度图转化，从而获取风扇区域图像灰度分布数据；对风扇区域图像灰度分布数据进行中位数提取，从而获取风扇区域图像灰度分布中位数数据，根据风扇区域图像灰度分布中位数数据对风扇区域图像数据进行二值化处理，从而获取风扇区域图像二值化数据。
步骤S14：利用风扇区域图像二值化数据对风扇区域图像数据进行基于阈值黑色像素点的图像分割，从而获取风扇区域分割图像数据；
具体地，例如将风扇区域图像根据阈值对黑色像素点进行分割，形成分割图像数据。如进行3*3划分，若区域内黑色像素点数小于预设的数量，则进行剔除。
步骤S15：对风扇区域分割图像数据进行最大值卷积计算、最小值卷积计算以及平均卷积计算，从而获取第一风扇区域卷积层数据、第二风扇区域卷积层数据以及第三风扇区域卷积层数据；
具体地，例如最大值卷积：对分割图像数据使用最大值卷积核，提取区域内的最大值特征。最小值卷积：对分割图像数据使用最小值卷积核，提取区域内的最小值特征。平均卷积：对分割图像数据使用平均卷积核，计算区域内的平均值。
步骤S16：对第一风扇区域卷积层数据进行最大值池化计算，从而获取第一风扇区域池化层数据，对第二风扇区域卷积层数据进行最小值池化计算，从而获取第二风扇区域池化层数据，对第三风扇区域卷积层数据进行平均值池化计算，从而获取第三风扇区域池化层数据；
具体地，例如最大值池化：对卷积计算后的数据，进行最大值池化操作，提取最显著的特征。最小值池化：对卷积计算后的数据，进行最小值池化操作，提取最不显著的特征。平均值池化：对卷积计算后的数据，进行平均值池化操作，平滑特征。
步骤S17：分别对第一风扇区域池化层数据、第二风扇区域卷积层数据以及第三风扇区域池化层数据进行相应的预设的权重计算，从而获取第一置信度数据、第二置信度数据以及第三置信度数据；
具体地，例如根据预设的权重系数，对池化数据进行加权计算，得到置信度数据。
步骤S18：根据第一置信度数据、第二置信度数据以及第三置信度数据进行结果投票，从而获取检测结果置信度数据；
具体地，例如根据置信度数据，进行投票统计，以获取最终的检测结果。
步骤S19：对检测结果置信度数据对应的风扇区域分割图像数据的图像区域数据进行非极大值抑制，从而获取优化检测结果置信度数据；
具体地，例如对检测结果中的重叠区域，应用非极大值抑制算法，去除重复的检测框，得到优化后的结果。
步骤S110：根据优化检测结果置信度数据生成用户检测数据。
具体地，例如根据优化检测结果置信度数据，生成用户检测数据，包括位置、姿态的信息。
本发明中通过摄像模块的图像采集和处理，可以精确地检测出风扇区域内的用户，从而获取用户的存在信息。环境自适应二值化处理和图像分割可以帮助区分风扇区域和背景，从而确保只有风扇区域内的信息被提取和处理，提高了数据的可靠性和准确性。通过卷积计算、池化计算和权重计算等步骤，可以提取不同特征的信息，如形状、纹理，进一步增加了用户识别和特征提取的准确性。通过多个置信度数据的计算和投票，可以增强用户检测结果的可信度。非极大值抑制进一步优化了结果，确保检测到的用户信息更加精确。基于用户检测数据，风扇可以根据实际的用户分布情况来智能地调整运行状态和风速，从而提供更加舒适的使用体验。通过实时检测用户的存在，风扇可以在没有用户的情况下自动调整运行状态，实现节能和安全的效果。
优选地，环境自适应二值化处理通过环境自适应二值化计算公式进行处理，其中环境自适应二值化计算公式具体为：
T(x，y)为二值化阈值数据，e为自然对数，α为第一控制环境自适应调整参数，μ(x，y)为像素点(x，y)邻域内的平均灰度值，x为像素点的横向数据，y为像素点的纵向数据，β为环境灰度影响项，γ为第二控制环境自适应调整参数，σ(x，y)为像素点(x，y)邻域内的灰度值标准差，δ为环境灰度变化程度影响项。
本发明构造了一种环境自适应二值化计算公式，该计算公式的主要作用是将图像中的像素点分割成两个类别，即前景和背景，根据像素点的灰度值和周围像素的信息。这有助于区分出图像中的物体和背景。与传统的固定阈值不同，这个公式根据每个像素点的邻域信息来计算适应性阈值，从而在不同区域自动调整阈值，提高了图像处理的鲁棒性。公式中的参数允许调整适应性的程度，根据平均灰度值和灰度值标准差来判断环境的特性，从而更好地适应不同背景和环境。适应性阈值分割可以提高图像的质量，特别是在光照不均匀、噪声较多的情况下，有助于保留图像中的重要特征。控制平均灰度值影响的参数α，较大的α值会使平均灰度值对阈值的影响更强烈。环境灰度影响项β，调整阈值的偏移，较大的β值会使阈值整体上升，反之下降。控制灰度值标准差影响的参数δ，较大的γ值会使灰度值标准差对阈值的影响更强烈。环境灰度变化程度影响项，调整阈值的灵敏度，较大的δ值会使阈值对环境变化更为敏感。α和γ控制着平均灰度值和灰度值标准差的影响，而β和δ则调整了阈值的偏移和灵敏度。这些参数的综合作用使得阈值根据不同的环境自适应地确定，从而实现更精确的图像分割。
优选地，步骤S2具体为：
步骤S21：确定用户检测数据为单人检测数据时，则对风扇区域图像数据进行光照条件数据提取，从而获取风扇光照条件数据；
具体地，例如利用摄像模块捕捉到的风扇区域图像数据，使用色彩分析技术提取图像中的亮度信息。
步骤S22：利用风扇光照条件数据对风扇区域图像数据进行自适应降噪调节，从而获取风扇区域图像降噪数据；
具体地，例如根据风扇光照条件数据，应用自适应降噪算法，如小波降噪或基于统计学的降噪方法，去除图像中的噪声。
步骤S23：利用用户检测数据对风扇区域图像降噪数据进行用户区域图像提取，从而获取用户区域图像数据；
具体地，例如利用用户检测数据确定的用户位置，在降噪后的图像中提取出用户的区域图像。
步骤S24：对用户区域图像数据通过预设的关键点标注进行多关节姿态恢复处理，从而获取姿态关键点坐标数据；
具体地，例如在用户区域图像上使用关键点检测技术，如OpenPose算法，检测用户的多个关键点，如肘部、膝盖。
步骤S25：根据姿态关键点坐标数据进行用户姿态特征向量生成，从而获取用户姿态特征数据。
具体地，例如根据检测到的关键点坐标，计算用户的姿态特征向量，如关节角度、关节之间的距离。
本发明中光照条件数据提取和自适应降噪调节有助于克服图像中可能存在的光照不均匀问题，从而提高图像的质量。图像降噪过程可以消除图像中的噪声和干扰，从而减少后续处理步骤的误差，提高关键信息的提取准确性。用户区域图像提取和多关节姿态恢复处理可以精确定位用户的身体区域和关节位置，从而为姿态特征的生成提供准确的数据。通过姿态关键点坐标数据的生成，可以实现用户的姿态识别，进而为后续的姿态特征提取和风扇控制参数生成提供基础。通过对单人的姿态关键点坐标数据进行特征向量生成，可以提取出与用户个性化姿态相关的特征，为个性化风扇控制提供支持。
优选地，步骤S3具体为：
步骤S31：利用预设的用户姿态识别模型对用户姿态特征数据进行用户姿态识别，从而获取用户姿态数据，其中用户姿态数据包括用户相对位置数据以及用户姿态向量数据；
具体地，例如使用预训练的深度学习模型，如卷积神经网络(CNN)或循环神经网络(RNN)，对用户姿态特征数据进行分析和分类，识别用户的姿态。
步骤S32：根据用户姿态数据进行用户移动行为预测生成，从而获取用户移动行为预测数据；
具体地，例如利用用户姿态数据，使用机器学习算法如时间序列预测或分类算法，预测用户的移动行为，如是否站起、是否靠近风扇。
步骤S33：根据用户行为预测数据以及用户姿态数据进行风扇参数实时生成，从而获取第一初级风扇控制参数数据；
具体地，例如根据用户姿态数据和移动行为预测数据，使用规则引擎或模糊逻辑控制等方法生成风扇的实时控制参数，如风速、摇头角度。
步骤S34：对用户环境特征数据进行用户环境舒适度识别，从而获取用户环境舒适度数据。
具体地，例如使用传感器收集环境数据，如温度、湿度，结合用户姿态数据和移动行为预测数据，使用模式识别或模糊逻辑等方法判断用户的环境舒适度。
本发明中利用预设的用户姿态识别模型，可以准确地识别用户的姿态，包括站立、坐下、伸手等不同的姿态状态，为后续的风扇控制提供准确的参数基础。基于用户姿态数据，可以预测用户的移动行为，如站起、靠近风扇，从而提前调整风扇控制参数，提供更为智能的用户体验。根据用户姿态数据和行为预测数据，实时生成适合当前用户姿态和行为的风扇控制参数，使风扇可以根据用户的实际状态进行智能调节。用户环境舒适度识别可以根据用户环境特征，如温度、湿度，判断当前环境是否舒适，从而更好地调整风扇参数，提供个性化的舒适体验。本发明基于用户的姿态特征数据和环境特征数据，预测用户的移动行为，根据预测生成风扇控制参数，并识别用户环境舒适度，从而为风扇提供合适的控制策略。
优选地，步骤S4具体为：
利用用户环境舒适度数据中的温度舒适度数据对第一初级风扇控制参数数据进行温度舒适度优化，从而获取温度舒适度优化参数数据；
具体地，例如根据用户环境舒适度数据中的温度舒适度数据，通过设定一系列温度阈值和权重，计算温度舒适度优化参数，以调整风扇的温度控制参数。
利用用户环境舒适度数据中的湿度舒适度数据对温度舒适度优化参数数据进行湿度舒适度优化，从而获取第一风扇控制参数数据，以进行风扇控制作业。
具体地，例如使用用户环境舒适度数据中的湿度舒适度数据，根据设定的湿度阈值和权重，计算湿度舒适度优化参数，用于调整风扇的湿度控制参数。将温度舒适度优化参数和湿度舒适度优化参数结合，根据优化结果调整第一初级风扇控制参数，例如调整风速、风向，以提供更符合用户环境舒适度的风扇体验。
本发明中根据用户环境舒适度数据中的温度和湿度舒适度信息，可以根据用户的偏好和环境需求，调整风扇控制参数，提供个性化的舒适度体验。考虑用户环境的温度和湿度舒适度信息，风扇控制参数可以根据不同的环境条件，自动调整以适应不同的舒适度需求。通过针对不同的环境舒适度需求优化风扇控制参数，可以实现更有效的能源利用，从而提高能效管理水平。本发明在用户环境舒适度数据的基础上，根据温度和湿度舒适度的信息，优化风扇控制参数，使风扇的运行更加符合用户的舒适度需求和环境条件。
优选地，湿度舒适度优化通过湿度舒适度优化计算公式进行数据优化，其中湿度舒适度优化计算公式具体为：
C湿度(T，H)为湿度舒适度优化参数数据，为环境温度数据的权重系数项，T为环境温度数据，/>为环境温度数据的权重系数项，H为环境舒适度数据，/>为第一温度舒适度参数控制调整项，/>为第二温度舒适度参数控制调整项。/>
本发明构造了一种湿度舒适度优化计算公式，通过该计算公式，可以根据环境温度和湿度数据计算出一个湿度舒适度优化参数，该参数可以用来调整风扇控制，使风扇在不同湿度条件下提供更舒适的体验。公式中的参数和权重可以根据环境温度和湿度的实际情况进行调整，从而实现个性化的湿度舒适度优化。环境温度数据T，用于计算湿度舒适度优化参数。温度的变化会影响优化参数的计算结果。环境舒适度数据H，代表湿度信息。它会影响到优化参数的计算。第一和第二温度舒适度参数控制调整项以及/>用于调整温度的影响。它们会影响温度在计算中的权重分配。本发明通过不同参数的调整会改变温度和湿度在优化参数中的权重，从而影响风扇控制的调整。
优选地，步骤S5具体为：
步骤S51：确定用户检测数据为多人检测数据时，则利用用户检测数据对风扇区域图像数据进行用户位置特征提取，从而获取用户位置特征数据；
具体地，例如利用多人检测数据，分析风扇区域图像中的人体位置信息，提取每个用户的位置特征数据，如相对位置、距离。
步骤S52：利用用户检测数据对风扇区域图像数据进行用户区域图像提取，从而获取用户区域图像数据；
具体地，例如根据多人检测数据，定位风扇区域图像中每个用户的区域，并提取包含用户的局部图像，以便后续分析和处理。
步骤S53：对用户区域图像数据进行面部分割，从而获取面部区域图像数据；
具体地，例如利用图像分割算法，对用户区域图像进行面部分割，将面部区域从整体图像中分离出来，以便后续分析。
步骤S54：对面部区域图像数据进行面部色彩特征提取，从而获取面部色彩特征数据；
具体地，例如分析面部区域图像的色彩信息，提取面部的色彩特征，如颜色分布、亮度，用于后续特征分析和集成。
步骤S55：通过互联网技术获取天气温度数据，并根据面部色彩特征数据以及天气温度数据进行特征集成，从而获取用户体温表征特征数据。
具体地，例如获取互联网上的天气温度数据，将面部色彩特征数据和天气温度数据进行结合，进行特征集成，可能采用特定的数据融合方法，如加权平均。
本发明中通过用户检测数据，可以提取出多个用户在风扇区域的位置特征，从而确定多人在房间中的位置。通过用户区域图像提取，可以获取每个用户的图像数据，为后续面部分割和色彩特征提取做准备。面部分割和色彩特征提取可以分析每个用户的面部特征，可能包括皮肤颜色、表情。结合互联网获取的天气温度数据，以及面部色彩特征，可以对用户体温进行估计，并用于风扇控制的特征集成。
优选地，步骤S6具体为：
步骤S61：对用户位置特征数据进行用户位置识别，从而获取用户位置识别数据；
具体地，例如利用用户位置特征数据，采用机器学习或图像处理算法，识别每个用户的具体位置，可能基于已标注的位置数据进行模型训练和预测。
步骤S62：根据用户位置识别数据对风扇区域图像数据进行用户位置区域划分，从而获得用户位置区域划分数据，其中用户位置区域划分数据包括左侧用户位置区域划分数据、中部用户位置区域划分数据以及右侧用户位置区域划分数据；
具体地，例如基于用户位置识别数据，将风扇区域图像划分为不同的用户位置区域，如左侧、中部和右侧，以便后续根据用户数量生成相应的风扇控制参数。
具体地，例如根据用户位置区域划分数据和用户位置识别数据中不同位置的用户数量，确定生成多人风扇控制参数的策略。
步骤S63：确定用户位置区域划分数据对应的用户位置识别数据对应的用户数量数据小于或则等于第一用户数量数据时，则根据预设的风扇初始参数集生成第一多人风扇控制参数数据；
步骤S64：确定用户位置区域划分数据对应的用户位置识别数据对应的用户数量数据大于第一用户数量数据且用户位置区域划分数据对应的用户位置识别数据对应的用户数量数据小于或等于第二用户数量数据时，则根据预设的风扇初始参数集生成第二多人风扇控制参数数据；
步骤S65：确定用户位置区域划分数据对应的用户位置识别数据对应的用户数量数据大于第二用户数量数据时，则根据预设的风扇初始参数集生成第三多人风扇控制参数数据，其中第一多人风扇控制参数数据中的摇头速率数据大于或等于第二多人风扇控制参数数据的摇头速率数据，第二多人风扇控制参数数据中的摇头速率数据大于或等于第三多人风扇控制参数数据的摇头速率数据，第一多人风扇控制参数数据中的风扇速率数据小于或等于第二多人风扇控制参数数据的风扇速率数据，第二多人风扇控制参数数据的风扇速率数据小于或等于第三多人风扇控制参数数据的风扇速率数据。
具体地，例如如果左侧用户数量<＝第一用户数量：生成第一多人风扇控制参数数据。如果中部用户数量>第一用户数量且<＝第二用户数量：生成第二多人风扇控制参数数据。如果右侧用户数量>第二用户数量：生成第三多人风扇控制参数数据，其中摇头速率和风扇速率的参数根据前后参数进行逐级比较。
本发明中通过用户位置特征数据和用户位置识别，可以识别出多个用户在风扇区域的位置，从而针对不同位置的用户进行风扇控制调整。根据不同位置的用户数量和风扇初始参数集，生成适应多人的风扇控制参数，以提供更加舒适的风扇体验。针对不同人数的用户和不同位置的用户，生成不同的风扇速率和摇头速率，以实现自适应的风扇控制。存在三个多人风扇控制参数数据，分别是第一、第二和第三多人风扇控制参数数据。这些参数数据中的风扇速率和摇头速率参数相互比较，确保了在不同用户数量和位置情况下，风扇的风速和摇头速率的适应性和合理性。本发明过根据用户位置识别数据和多人风扇初始参数集，生成适应不同用户数量和位置的多人风扇控制参数，以提供个性化、舒适的多人风扇控制体验。
优选地，本申请还提供了一种基于图像识别技术的风扇控制系统，用于执行如上所述的基于图像识别技术的风扇控制方法，该基于图像识别技术的风扇控制系统包括：
用户检测模块，用于通过摄像模块进行风扇区域图像采集，从而获取风扇区域图像数据，并对风扇区域图像数据进行用户检测，从而获取用户检测数据，其中用户检测数据包括单人检测数据以及多人检测数据；
单人用户特征提取模块，用于确定用户检测数据为单人检测数据时，则对风扇区域图像数据进行用户姿态特征提取以及用户环境特征提取，从而获取用户姿态特征数据以及用户环境特征数据；
单人用户特征识别模块，用于对用户姿态特征数据进行用户姿态识别，从而获取第一初级风扇控制参数数据，并对用户环境特征数据进行用户环境舒适度识别，从而获取用户环境舒适度数据；
单人环境舒适度优化模块，用于利用用户环境舒适度数据对第一初级风扇控制参数数据进行单人环境舒适度优化，从而获取第一风扇控制参数数据，以进行风扇控制作业；
多人用户特征提取模块，用于确定用户检测数据为多人检测数据时，则对风扇区域图像数据进行用户位置特征提取以及用户体温表征特征提取，从而获取用户位置特征数据以及用户体温表征特征数据；
多人用户分数参数：对用户位置特征数据进行用户位置识别，从而获取用户位置识别数据，并利用预设的风扇初始参数集对用户位置识别数据进行参数生成，从而获取第二初级风扇控制参数数据；
多人环境舒适度优化模块，用于利用用户体温表征特征数据对第二初级风扇控制参数数据进行多人环境舒适度优化，从而获取第二风扇控制参数数据，以进行风扇控制作业。
本发明的有益效果在于：本发明通过识别不同用户的姿态、位置、体温等特征，系统能够根据每个用户的需求和环境变化来调整风扇的参数，从而提供更个性化的舒适体验。这有助于消除用户对风扇调节的需求，提高使用者的满意度和舒适度。通过区分单人和多人场景，能够自动适应不同人数的情况。这使得风扇可以在多人环境下智能地调整风速和风向，确保每个人都能感受到适宜的风扇效果。结合用户环境舒适度数据和体温表征特征数据，系统可以根据当前环境的温度、湿度的因素，对风扇的控制参数进行智能调整，以提供更加舒适的使用体验。通过自动的图像识别和数据分析，用户无需手动调整风扇参数，系统能够根据用户特征和环境信息自动实现最佳的风扇控制，从而节省时间和劳动。本发明通过智能化的控制，避免了风扇过度运转，可以根据实际需求调整风扇的运行状态，从而实现节能的效果。本发明利用图像识别技术和数据分析，通过对用户姿态、位置、体温的特征的分析，以及结合环境舒适度数据，系统能够基于数据进行智能决策，使风扇控制更加精准。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附申请文件而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于图像识别技术的风扇控制方法，其特征在于，应用于风扇，该风扇包括主控模块、摄像模块、风力电机模块、摇头电机模块以及电源模块，主控模块分别与电源模块、摄像模块、风力电机模块以及摇头电机模块电性连接，包括以下步骤：
步骤S1：通过摄像模块进行风扇区域图像采集，从而获取风扇区域图像数据，并对风扇区域图像数据进行用户检测，从而获取用户检测数据，其中用户检测数据包括单人检测数据以及多人检测数据；
步骤S2：确定用户检测数据为单人检测数据时，则对风扇区域图像数据进行用户姿态特征提取以及用户环境特征提取，从而获取用户姿态特征数据以及用户环境特征数据；
步骤S3：对用户姿态特征数据进行用户姿态识别，从而获取第一初级风扇控制参数数据，并对用户环境特征数据进行用户环境舒适度识别，从而获取用户环境舒适度数据；
步骤S4：利用用户环境舒适度数据对第一初级风扇控制参数数据进行单人环境舒适度优化，从而获取第一风扇控制参数数据，以进行风扇控制作业；
步骤S5：确定用户检测数据为多人检测数据时，则对风扇区域图像数据进行用户位置特征提取以及用户体温表征特征提取，从而获取用户位置特征数据以及用户体温表征特征数据；
步骤S6：对用户位置特征数据进行用户位置识别，从而获取用户位置识别数据，并利用预设的风扇初始参数集对用户位置识别数据进行参数生成，从而获取第二初级风扇控制参数数据；
步骤S7：利用用户体温表征特征数据对第二初级风扇控制参数数据进行多人环境舒适度优化，从而获取第二风扇控制参数数据，以进行风扇控制作业。
2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：
步骤S11：通过摄像模块进行风扇区域图像采集，从而获取风扇区域图像数据流；
步骤S12：根据预设的图像数据帧提取数据对风扇区域图像数据流进行图像帧提取，从而获取风扇区域图像数据；
步骤S13：对风扇区域图像数据进行环境自适应二值化处理，从而获取风扇区域图像二值化数据；
步骤S14：利用风扇区域图像二值化数据对风扇区域图像数据进行基于阈值黑色像素点的图像分割，从而获取风扇区域分割图像数据；
步骤S15：对风扇区域分割图像数据进行最大值卷积计算、最小值卷积计算以及平均卷积计算，从而获取第一风扇区域卷积层数据、第二风扇区域卷积层数据以及第三风扇区域卷积层数据；
步骤S16：对第一风扇区域卷积层数据进行最大值池化计算，从而获取第一风扇区域池化层数据，对第二风扇区域卷积层数据进行最小值池化计算，从而获取第二风扇区域池化层数据，对第三风扇区域卷积层数据进行平均值池化计算，从而获取第三风扇区域池化层数据；
步骤S17：分别对第一风扇区域池化层数据、第二风扇区域池化层数据以及第三风扇区域池化层数据进行相应的预设的权重计算，从而获取第一置信度数据、第二置信度数据以及第三置信度数据；
步骤S18：根据第一置信度数据、第二置信度数据以及第三置信度数据进行结果投票，从而获取检测结果置信度数据；
步骤S19：对检测结果置信度数据对应的风扇区域分割图像数据的图像区域数据进行非极大值抑制，从而获取优化检测结果置信度数据；
步骤S110：根据优化检测结果置信度数据生成用户检测数据。
3.根据权利要求2所述的方法，其特征在于，环境自适应二值化处理通过环境自适应二值化计算公式进行处理，其中环境自适应二值化计算公式具体为：
；
为二值化阈值数据，/>为自然对数，/>为第一控制环境自适应调整参数，/>为像素点/>邻域内的平均灰度值，/>为像素点的横向数据，/>为像素点的纵向数据，/>为环境灰度影响项，/>为第二控制环境自适应调整参数，/>为像素点/>邻域内的灰度值标准差，/>为环境灰度变化程度影响项。
4.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
步骤S21：确定用户检测数据为单人检测数据时，则对风扇区域图像数据进行光照条件数据提取，从而获取风扇光照条件数据；
步骤S22：利用风扇光照条件数据对风扇区域图像数据进行自适应降噪调节，从而获取风扇区域图像降噪数据；
步骤S23：利用用户检测数据对风扇区域图像降噪数据进行用户区域图像提取，从而获取用户区域图像数据；
步骤S24：对用户区域图像数据通过预设的关键点标注进行多关节姿态恢复处理，从而获取姿态关键点坐标数据；
步骤S25：根据姿态关键点坐标数据进行用户姿态特征向量生成，从而获取用户姿态特征数据。
5.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
步骤S31：利用预设的用户姿态识别模型对用户姿态特征数据进行用户姿态识别，从而获取用户姿态数据，其中用户姿态数据包括用户相对位置数据以及用户姿态向量数据；
步骤S32：根据用户姿态数据进行用户移动行为预测生成，从而获取用户移动行为预测数据；
步骤S33：根据用户行为预测数据以及用户姿态数据进行风扇参数实时生成，从而获取第一初级风扇控制参数数据；
步骤S34：对用户环境特征数据进行用户环境舒适度识别，从而获取用户环境舒适度数据。
6.根据权利要求1所述的方法，其特征在于，步骤S4具体为：
利用用户环境舒适度数据中的温度舒适度数据对第一初级风扇控制参数数据进行温度舒适度优化，从而获取温度舒适度优化参数数据；
利用用户环境舒适度数据中的湿度舒适度数据对温度舒适度优化参数数据进行湿度舒适度优化，从而获取第一风扇控制参数数据，以进行风扇控制作业。
7.根据权利要求6所述的方法，其特征在于，湿度舒适度优化通过湿度舒适度优化计算公式进行数据优化，其中湿度舒适度优化计算公式具体为：
；
为湿度舒适度优化参数数据，/>为环境温度数据的权重系数项，/>为环境温度数据，/>为环境温度数据的权重系数项，/>为环境舒适度数据，/>为第一温度舒适度参数控制调整项，/>为第二温度舒适度参数控制调整项。
8.根据权利要求1所述的方法，其特征在于，步骤S5具体为：
步骤S51：确定用户检测数据为多人检测数据时，则利用用户检测数据对风扇区域图像数据进行用户位置特征提取，从而获取用户位置特征数据；
步骤S52：利用用户检测数据对风扇区域图像数据进行用户区域图像提取，从而获取用户区域图像数据；
步骤S53：对用户区域图像数据进行面部分割，从而获取面部区域图像数据；
步骤S54：对面部区域图像数据进行面部色彩特征提取，从而获取面部色彩特征数据；
步骤S55：通过互联网技术获取天气温度数据，并根据面部色彩特征数据以及天气温度数据进行特征集成，从而获取用户体温表征特征数据。
9.根据权利要求1所述的方法，其特征在于，步骤S6具体为：
步骤S61：对用户位置特征数据进行用户位置识别，从而获取用户位置识别数据；
步骤S62：根据用户位置识别数据对风扇区域图像数据进行用户位置区域划分，从而获得用户位置区域划分数据，其中用户位置区域划分数据包括左侧用户位置区域划分数据、中部用户位置区域划分数据以及右侧用户位置区域划分数据；
步骤S63：确定用户位置区域划分数据对应的用户位置识别数据对应的用户数量数据小于或者等于第一用户数量数据时，则根据预设的风扇初始参数集生成第一多人风扇控制参数数据；
步骤S64：确定用户位置区域划分数据对应的用户位置识别数据对应的用户数量数据大于第一用户数量数据且用户位置区域划分数据对应的用户位置识别数据对应的用户数量数据小于或等于第二用户数量数据时，则根据预设的风扇初始参数集生成第二多人风扇控制参数数据；
步骤S65：确定用户位置区域划分数据对应的用户位置识别数据对应的用户数量数据大于第二用户数量数据时，则根据预设的风扇初始参数集生成第三多人风扇控制参数数据，其中第一多人风扇控制参数数据中的摇头速率数据大于或等于第二多人风扇控制参数数据的摇头速率数据，第二多人风扇控制参数数据中的摇头速率数据大于或等于第三多人风扇控制参数数据的摇头速率数据，第一多人风扇控制参数数据中的风扇速率数据小于或等于第二多人风扇控制参数数据的风扇速率数据，第二多人风扇控制参数数据的风扇速率数据小于或等于第三多人风扇控制参数数据的风扇速率数据。
10.一种基于图像识别技术的风扇控制系统，其特征在于，用于执行如权利要求1所述的基于图像识别技术的风扇控制方法，该基于图像识别技术的风扇控制系统包括：
用户检测模块，用于通过摄像模块进行风扇区域图像采集，从而获取风扇区域图像数据，并对风扇区域图像数据进行用户检测，从而获取用户检测数据，其中用户检测数据包括单人检测数据以及多人检测数据；
单人用户特征提取模块，用于确定用户检测数据为单人检测数据时，则对风扇区域图像数据进行用户姿态特征提取以及用户环境特征提取，从而获取用户姿态特征数据以及用户环境特征数据；
单人用户特征识别模块，用于对用户姿态特征数据进行用户姿态识别，从而获取第一初级风扇控制参数数据，并对用户环境特征数据进行用户环境舒适度识别，从而获取用户环境舒适度数据；
单人环境舒适度优化模块，用于利用用户环境舒适度数据对第一初级风扇控制参数数据进行单人环境舒适度优化，从而获取第一风扇控制参数数据，以进行风扇控制作业；
多人用户特征提取模块，用于确定用户检测数据为多人检测数据时，则对风扇区域图像数据进行用户位置特征提取以及用户体温表征特征提取，从而获取用户位置特征数据以及用户体温表征特征数据；
多人用户分数参数生成模块：对用户位置特征数据进行用户位置识别，从而获取用户位置识别数据，并利用预设的风扇初始参数集对用户位置识别数据进行参数生成，从而获取第二初级风扇控制参数数据；
多人环境舒适度优化模块，用于利用用户体温表征特征数据对第二初级风扇控制参数数据进行多人环境舒适度优化，从而获取第二风扇控制参数数据，以进行风扇控制作业。
CN202311014751.4A 2023-08-11 2023-08-11 一种基于图像识别技术的风扇控制方法及系统 Active CN117052703B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311014751.4A CN117052703B (zh) 2023-08-11 2023-08-11 一种基于图像识别技术的风扇控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311014751.4A CN117052703B (zh) 2023-08-11 2023-08-11 一种基于图像识别技术的风扇控制方法及系统

Publications (2)

Publication Number Publication Date
CN117052703A CN117052703A (zh) 2023-11-14
CN117052703B true CN117052703B (zh) 2024-03-29

Family

ID=88668638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311014751.4A Active CN117052703B (zh) 2023-08-11 2023-08-11 一种基于图像识别技术的风扇控制方法及系统

Country Status (1)

Country Link
CN (1) CN117052703B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205349816U (zh) * 2016-01-14 2016-06-29 段磊磊 多途径多功能智能电风扇控制系统
CN111288008A (zh) * 2018-12-10 2020-06-16 珠海格力电器股份有限公司 风扇的控制方法、装置和风扇
CN111412169A (zh) * 2020-03-31 2020-07-14 佛山市云米电器科技有限公司 一种送风段分配方法、系统及计算机可读存储介质
CN112855594A (zh) * 2019-11-27 2021-05-28 佛山市云米电器科技有限公司 送风控制方法、风扇及计算机可读存储介质
CN113565781A (zh) * 2020-04-28 2021-10-29 佛山市顺德区美的电热电器制造有限公司 一种风扇及其控制方法、装置、存储介质
CN115342072A (zh) * 2022-07-12 2022-11-15 广东交通职业技术学院 基于机器视觉的风扇调节方法、系统、装置及存储介质
CN116292372A (zh) * 2023-03-27 2023-06-23 深圳市众志联城科技有限公司 一种智能风扇扫风控制方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205349816U (zh) * 2016-01-14 2016-06-29 段磊磊 多途径多功能智能电风扇控制系统
CN111288008A (zh) * 2018-12-10 2020-06-16 珠海格力电器股份有限公司 风扇的控制方法、装置和风扇
CN112855594A (zh) * 2019-11-27 2021-05-28 佛山市云米电器科技有限公司 送风控制方法、风扇及计算机可读存储介质
CN111412169A (zh) * 2020-03-31 2020-07-14 佛山市云米电器科技有限公司 一种送风段分配方法、系统及计算机可读存储介质
CN113565781A (zh) * 2020-04-28 2021-10-29 佛山市顺德区美的电热电器制造有限公司 一种风扇及其控制方法、装置、存储介质
CN115342072A (zh) * 2022-07-12 2022-11-15 广东交通职业技术学院 基于机器视觉的风扇调节方法、系统、装置及存储介质
CN116292372A (zh) * 2023-03-27 2023-06-23 深圳市众志联城科技有限公司 一种智能风扇扫风控制方法及系统

Also Published As

Publication number Publication date
CN117052703A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN104601964B (zh) 非重叠视域跨摄像机室内行人目标跟踪方法及系统
JP5726125B2 (ja) 奥行き画像内の物体を検出する方法およびシステム
US7912253B2 (en) Object recognition method and apparatus therefor
US7957560B2 (en) Unusual action detector and abnormal action detecting method
CN108198130B (zh) 图像处理方法、装置、存储介质及电子设备
JP2002342756A (ja) デジタル画像において目と口の位置を検出する方法
CN108197534A (zh) 一种人头部姿态检测方法、电子设备及存储介质
TWI415032B (zh) Object tracking method
CN110688965A (zh) 基于双目视觉的ipt模拟训练手势识别方法
CN106648078A (zh) 应用于智能机器人的多模态交互方法及系统
JP2021503139A (ja) 画像処理装置、画像処理方法および画像処理プログラム
CN109492588A (zh) 一种基于人工智能的快速车辆检测与分类方法
CN107886057B (zh) 一种机器人的挥手检测方法、系统及一种机器人
CN110334631B (zh) 一种基于人脸检测与二值运算的坐姿检测方法
CN109028230A (zh) 具手势控制视觉检测功能的炉具及油烟浓度检测方法
CN111784723A (zh) 一种基于置信度加权融合和视觉注意的前景提取算法
CN117052703B (zh) 一种基于图像识别技术的风扇控制方法及系统
KR100543706B1 (ko) 비젼기반 사람 검출방법 및 장치
CN111553217A (zh) 一种驾驶员打电话监测方法与系统
CN108985216B (zh) 一种基于多元logistic回归特征融合的行人头部检测方法
Zhang et al. Face detection and tracking in color images using color centroids segmentation
CN115951783A (zh) 一种基于手势识别的计算机人机交互方法
CN103400118B (zh) 一种映射关系自适应调整的手势控制方法
Zhang et al. Hand tracking algorithm based on superpixels feature
CN109858397A (zh) 一种基于自适应建模的红外弱小目标识别方法

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