CN117158852B - 一种节水环保洗涤工艺控制方法 - Google Patents

Abstract

本发明涉及神经网络领域，具体涉及一种节水环保洗涤工艺控制方法。采集多张历史洗涤物品图像；获取像素点在每张历史洗涤物品图像中的多个像素值；获取像素点的像素值对单高斯模型的响应度；构建单高斯模型的拟合序列；获取单高斯模型对应拟合序列的单调性；获取单高斯模型的污渍描述程度；获取像素值的污渍概率；对每张历史洗涤物品图像中的污渍像素点进行标记，训练神经网络检测待洗涤物品图像中的污渍像素点，控制洗碗机的水流量。本发明通过对洗碗机清洗过程中的多张待洗涤物品图像像素点的变化情况进行污渍像素点识别，并训练神经网络进行自适应污渍像素点的识别，能够准确识别出污渍像素点从而对洗碗机进行节能控制。

Description

一种节水环保洗涤工艺控制方法

技术领域

本发明涉及神经网络领域，具体涉及一种节水环保洗涤工艺控制方法。

背景技术

随着生活水平的提高，洗碗机作为一种重要的家居产品，其使用量也随之提高，然而由于碗筷等物品脏污程度不同，目前洗碗机大多使用固定的设定程序，使用的参数也是提前设定的固定值，经常不能达到高效良好的清洁效果，同时存在耗水量过大的问题，不符合现在节能控制的理念，因此需要对洗碗机进行节能控制，在保证清洗效果的同时具有节水环保的作用。

现有技术中存在一种自动洗碗机，能够根据浊度传感器判断脏污程度选择洗涤模式，通过传感器识别脏污程度的误差较大，且识别后不同的洗涤模式依然是根据洗碗机设定的固定程序进行清洗，并不能实现对洗碗机的节能控制；现有技术中还存在通过在洗碗机内部安装摄像头进行图像采集，从而根据采集到图像中的脏污程度以及脏污数量来进行洗碗机的智能控制，但是由于洗碗机清洗时内部的环境较为复杂，直接通过采集到的图像分析无法准确获取到准确的脏污数量，导致在进行参数调整的准确度较低。

发明内容

为了解决现有技术中参数调整准确度较低的问题，本发明提供一种节水环保洗涤工艺控制方法，该方案包括：采集多张历史洗涤物品图像；获取像素点在每张历史洗涤物品图像中的多个像素值；获取像素点的像素值对单高斯模型的响应度；构建单高斯模型的拟合序列；获取单高斯模型对应拟合序列的单调性；获取单高斯模型的污渍描述程度；获取像素值的污渍概率；对每张历史洗涤物品图像中的污渍像素点进行标记，训练神经网络检测待洗涤物品图像中的污渍像素点，控制洗碗机的水流量。本发明通过对洗碗机清洗过程中的多张待洗涤物品图像像素点的变化情况进行污渍像素点识别，并训练神经网络进行自适应污渍像素点的识别，能够准确识别出污渍像素点从而对洗碗机进行节能控制。

本发明采用如下技术方案：一种节水环保洗涤工艺控制方法，包括：

采集洗碗机从开始启动到清洗完成的过程中，每个清洗循环的历史洗涤物品图像，得到多张历史洗涤物品图像。

获取同一像素点在多张历史洗涤物品图像中对应的多个像素值，并利用高斯混合模型进行高斯拟合；获取每个像素点的像素值对高斯混合模型中各个单高斯模型的响应度。

根据每个像素点在每张历史洗涤物品图像中对应的像素值在各个单高斯模型中的拟合值构建序列，得到每个单高斯模型对应的多个拟合序列。

获取每个单高斯模型对应的每个拟合序列中各个拟合值的斜率，根据每个拟合序列中各个拟合值的斜率获取每个单高斯模型对应的每个拟合序列的单调性；

根据每个单高斯模型对应的每个拟合序列的单调性和每个单高斯模型对应的每个拟合序列的信息熵，获取每个单高斯模型的污渍描述程度。

根据每个像素点的每个像素值对各个单高斯模型的响应度以及每个单高斯模型的污渍描述程度，获取每个像素点在每张历史洗涤物品图像中对应像素值的污渍概率。

将污渍概率大于阈值的像素值在对应历史洗涤物品图像中对应的像素点标记为污渍像素点，得到每张标记后的历史洗涤物品图像。

利用标记后的历史洗涤物品图像对神经网络进行训练；利用训练好的神经网络检测洗碗机当前清洗循环时待洗涤物品图像中的污渍像素点，并根据污渍像素点的数量控制洗碗机下个清洗循环的水流量。

进一步的，一种节水环保洗涤工艺控制方法，获取每个像素点的像素值对各个单高斯模型的响应度的方法为：

获取每个像素点的每个像素值在高斯混合模型中对应的第一拟合值；

获取每个像素点的每个像素值在高斯混合模型中各个单高斯模型对应的第二拟合值；

根据每个像素点的每个像素值在高斯混合模型中各个单高斯模型对应的第二拟合值以及每个像素点的每个像素值在高斯混合模型中对应的第一拟合值，获取每个像素点的像素值对各个单高斯模型的响应度。

进一步的，一种节水环保洗涤工艺控制方法，获取每个单高斯模型对应的每个拟合序列的单调性的方法为：

统计每个单高斯模型对应的每个拟合序列中，斜率的分别为正数和负数的拟合值的个数；

根据每个单高斯模型对应的每个拟合序列中，正数斜率对应的拟合值个数和负数斜率对应的拟合值个数中的最大值，以及对应拟合序列中拟合值的总个数获取每个单高斯模型对应的每个拟合序列的单调性。

进一步的，一种节水环保洗涤工艺控制方法，获取每个单高斯模型对应的每个拟合序列中各个拟合值的斜率的方法为：

根据每个单高斯模型对应的每个拟合序列中，每个拟合值与其前一个位置的拟合值之差，得到每个单高斯模型对应的每个拟合序列中各个拟合值的斜率。

进一步的，一种节水环保洗涤工艺控制方法，获取每个单高斯模型的污渍描述程度的方法为：

获取每个单高斯模型对应的每个拟合序列的单调性与每个单高斯模型对应的每个拟合序列的信息熵之间的乘积之和；

获取拟合序列的个数，根据该乘积之和与拟合序列个数的比值得到每个单高斯模型的污渍描述程度。

进一步的，一种节水环保洗涤工艺控制方法，获取每个像素值的污渍概率的方法为：

根据每个像素点的每个像素值对各个单高斯模型的响应度，与每个单高斯模型的污渍描述程度的乘积之和得到每个像素值的污渍概率。

进一步的，一种节水环保洗涤工艺控制方法，根据当前清洗循环时待洗涤物品图像中污渍像素点的数量控制洗碗机下个清洗循环的水流量的方法为：

根据当前清洗循环时待洗涤物品图像中污渍像素点的数量与单位污渍像素所需的最佳水流量的乘积，得到洗碗机下个清洗循环的水流量。

进一步的，所述阈值设置为0.8。

进一步的，所述神经网络为语义分割网络。

进一步的，所述高斯混合模型中单高斯模型的数量设置为5。

本发明的有益效果是：本发明利用多张图像中的像素值序列拟合高斯混合模型，能够很好的反应出污渍像素点在清洗过程中的像素值变化，同时通过响应度反应高斯混合模型中的每个单高斯模型的拟合情况，从而根据不同单高斯模型对像素值序列的拟合情况综合判断像素值的污渍概率，能够准确的获取不同图像中的污渍像素点，并进一步通过标记出污渍像素点的图像对神经网络进行训练，能够得到识别效果很好的污渍分割网络，使得在洗碗机进行清洗时，保证每个清洗循环都能够利用神经网络得到准确的污渍像素点数量，从而获取下个清洗循环最合适的用水量，实现了洗碗机的智能节水控制。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的一种节水环保洗涤工艺控制方法结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。

如图1所示，给出了本发明实施例的一种节水环保洗涤工艺控制方法结构示意图，包括：

通常洗碗机的工作流程通常为：将需要清洗的物品放入洗碗机后，洗碗机首先将进水阀打开，自来水通过进水管道进入呼吸器，其中呼吸器的作用是为了防止洗碗机内部的水回流；通常洗碗机中会安装软水器，将呼吸器中的水流入软水器后，利用软水器中的再生树脂对自来水进行软化处理，从而防止产生水垢；经过软化处理后的水经过排水槽进入到洗涤电机，洗涤电机产生压强将水树丛到喷淋臂中喷出，对待洗涤物品进行初步喷淋，该过程一般会循环多次；在循环洗涤程序结束后，排水泵产生压力将污水排出。

进一步进行洗碗机的正式清理环节，在正式清理环节中，第一阶段使用一部分清水对待洗涤物品进行来回清洗，冲掉食物残渣后将水排出；第二阶段通过使用部分清水配合洗碗粉、亮碟剂等清洁剂对餐具中的油污进行循环清洗；第三阶段再次使用清水将残留的清洁剂冲洗掉；该正视清理环节通常可以通过智能控制系统进行循环控制，并且控制每个阶段的用水量、清洗力度，清洁剂用量等参数，直至洗碗机中的待洗涤物品清洗干净；最后待喷淋水排尽后，通过热交换烘干餐具，实现高温消杀，保证餐具的干净无菌，洗碗机完成工作。

101.采集洗碗机从开始启动到清洗完成的过程中，每个清洗循环的历史洗涤物品图像。

本发明中所采集每次循环清洗后的历史洗涤物品图像是指，洗碗机的正式清理环节中每个阶段结束后采集的历史洗涤物品图像，由于洗碗机的正式清理环节可以进行多次重复，本发明所采集的历史洗涤物品图像可以是一次清理过程中三个阶段采集的三张图像，也可以是清理过程循环多次后，每次循环中采集三张历史洗涤物品图像，需要说明的是，本发明中所采集的历史洗涤物品图像的数量，都是在洗碗机完成清洗的基础上进行采集，即若洗碗机在一次清理过程后完成清洗，则此时采集到的历史洗涤物品图像为依次清理过程中三个阶段的三张图像，若洗碗机在多次清理过程后完成清洗，则此时采集多个清理过程中三个阶段多次循环后的历史洗涤物品图像，从而得到多张历史洗涤物品图像。

本发明通过在洗碗机内壁安装防水相机进行图像采集，为了防止洗碗机运行导致采集图像存在质量问题，本发明在洗碗机每个阶段结束后的静止状态完成采集，保证采集到的图像不会受到其他因素的干扰。

102.获取每个像素点的像素值对高斯混合模型中各个单高斯模型的响应度。

对于采集到的多张历史洗涤物品图像，本发明对多张历史洗涤物品图像中的同一像素点进行序列构建，即获取多张历史洗涤物品图像中同一像素点的多个像素值，所有图像中第i个像素的像素值构成该像素点的像素值序列。

进一步本发明利用EM算法对每个像素点的像素值序列拟合高斯混合模型/>，本发明中高斯混合模型包含N个单高斯模型，将其中第k个单高斯模型记为/>，本方案中N取5，即本发明使用5个单高斯模型。

获取每个像素点的每个像素值在高斯混合模型中对应的第一拟合值；

获取每个像素点的每个像素值在高斯混合模型中各个单高斯模型对应的第二拟合值；

本发明首先利用高斯混合模型对每个像素点的像素值序列进行拟合，得到每个像素点的每个像素值在高斯混合模型中对应的第一拟合值，即利用高斯混合模型拟合出每个像素点的像素值序列中第个值的第一拟合值为/>；然后利用每个单高斯模型对每个像素点的像素值序列再次进行拟合，得到每个像素点的每个像素值在高斯混合模型中各个单高斯模型对应的第二拟合值，即利用第k个单高斯模型/>拟合出每个像素点的像素值序列中的第/>个值的拟合值为/>。

根据每个像素点的每个像素值在高斯混合模型中各个单高斯模型对应的第二拟合值以及每个像素点的每个像素值在高斯混合模型中对应的第一拟合值，获取每个像素点的像素值对各个单高斯模型的响应度。

当单高斯模型在第s个值的第二拟合值与混合高斯模型在第s个值的第一拟合值差值越小，说明第s个值对该单高斯模型的响应度越大，即第个值的特征更多的是由第/>单高斯模型来描述，因而本发明获取第s个值对第k个单高斯模型的响应度为：

其中，表示第i个像素点的第s个像素值对第k个单高斯模型的响应度，/>表示高斯混合模型对第i个像素点的第s个像素值的第一拟合值，/>表示第k个单高斯模型对第i个像素点的第s个像素值的第二拟合值，/>表示利用第k个单高斯模型/>对第i个像素点的像素值序列中第s个像素值的拟合值相较于高斯混合模型中对应像素点的像素值的拟合差值，该值越大说明第k个单高斯模型对该值的拟合效果越差，从而体现第i个像素点的第s个像素值对第k个单高斯模型的响应度的值越大，说明第k个单高斯模型对该像素值的拟合效果越好，即该单高斯模型对该值的拟合偏差越小。

同理，得到每个像素点的每个像素值对每个单高斯模型的响应度。

103.构建每个单高斯模型对应的多个拟合序列。

对于每个单高斯模型对每个像素点的像素值进行拟合后得到的第二拟合值，能够构建每个单高斯模型对应的拟合序列，记为，其中，M表示拟合序列中的拟合值个数，即每个像素点的像素值个数。

104.获取每个单高斯模型对应的每个拟合序列的单调性。

由于污渍随着清洗过程会呈现一定污渍浓度降低等现象，而非污渍像素的像素值在清洗过程虽然会出现上部区域从该区域流过，但是毕竟流过时间较短，因而污渍像素的像素变化会整体呈现一定的单趋势变化（像素值整体呈现降低、增加趋势），因而当单高斯模型更多的拟合的是污渍像素时，该单高斯模型拟合出的像素值呈现较多的单调性特征，由此，本发明基于每个单高斯模型的拟合序列分析其单调特征。

当一个拟合序列呈现单调性时，其对应的像素值拟合序列处各值呈现的斜率呈现同号性，基于此来计算每个单高斯模型的拟合序列的单调性为：

根据每个单高斯模型对应的每个拟合序列中，每个拟合值与其前一个位置的拟合值之差，得到每个单高斯模型对应的每个拟合序列中各个拟合值的斜率，从而得到第个单高斯模型的每个拟合序列中各拟合值的斜率值。

获取每个单高斯模型对应的每个拟合序列的单调性的方法为：

统计每个单高斯模型对应的每个拟合序列中，斜率的分别为正数和负数的拟合值的个数；

根据每个单高斯模型对应的每个拟合序列中，正数斜率对应的拟合值个数和负数斜率对应的拟合值个数中的最大值，以及对应拟合序列中拟合值的总个数获取每个单高斯模型对应的每个拟合序列的单调性。

取各值斜率的拟合符号，统计每个拟合序列中斜率符号为正号的值的个数和为负号的个数/>，从而第/>个单高斯模型对应的每个拟合序列的单调性为：

其中，表示第k个单高斯模型对应的第i个像素点的拟合序列的单调性，/>表示第k个单高斯模型对应第i个像素点的额拟合序列中斜率符号为正数的拟合值个数，/>示第k个单高斯模型对应第i个像素点的额拟合序列中斜率符号为负数的拟合值个数，M表示拟合序列中拟合值的个数，/>表示取/>之中的最大值，通过该式来实现获取拟合序列中斜率符号中较大的那个符号的个数，/>表示拟合序列中主要斜率符号个数的占比，该值越大，说明拟合序列中斜率主要取一个单一的符号，即拟合序列主要呈现一种单调性变化。

105.获取每个单高斯模型的污渍描述程度。

由于污渍会随着清洗过程，污渍的浓度会降低，表现出的污渍像素的像素值发生变化，而非污渍像素的像素值变化较小，因而单高斯模型更多的拟合的是污渍像素的变化情况，当该单高斯模型的拟合序列的变化较为混乱时，即表示该单高斯模型的拟合序列的熵值越大，本发明通过计算每个单高斯模型对应的每个拟合序列的信息熵，具体计算方法为现有技术中信息熵的计算过程，本发明不做过多解释，将第个单高斯模型对应第i个像素点的拟合序列的信息熵记为/>。

获取每个单高斯模型的污渍描述程度的方法为：

获取每个单高斯模型对应的每个拟合序列的单调性与每个单高斯模型对应的每个拟合序列的信息熵之间的乘积之和；

获取拟合序列的个数，根据该乘积之和与拟合序列个数的比值得到每个单高斯模型的污渍描述程度，表达式为：

其中，表示第k个单高斯模型的污渍描述程度，/>表示每张历史洗涤物品图像中像素点的个数，即每个单高斯模型对应的拟合序列的个数，/>表示第/>个单高斯模型对应第i个像素点的拟合序列的信息熵，/>表示第k个单高斯模型对应的第i个像素点的拟合序列的单调性，/>表示基于第i个像素点的像素值得到的拟合序列从而计算第k个单高斯模型的污渍描述程度，该值越大说明第k个单高斯模型越适合描述污渍信息。

106.获取每个像素点在每张历史洗涤物品图像中对应像素值的污渍概率。

获取每个像素值的污渍概率的方法为：

根据每个像素点的每个像素值对各个单高斯模型的响应度，与每个单高斯模型的污渍描述程度的乘积之和得到每个像素值的污渍概率，表达式为：

其中N表示单高斯模型的数量，表示第i个像素点的第s个像素值的污渍概率，表示第i个像素点的第s个像素值对第k个单高斯模型的响应度，/>表示第k个单高斯模型的污渍拟合程度，/>表示通过第k个单高斯模型反应的第i个像素点的第i个像素值的污渍概率，高污渍描述程度的单高斯模型对该像素值的响应度越大，因而该值越大说明该像素的污渍概率越大。

107.将历史洗涤物品图像中像素值的污渍概率大于阈值的像素点标记为污渍像素点。

通过获取每个像素点对应像素值的污渍概率，从而判断历史洗涤物品图像中对应的像素点是否为污渍像素点，本发明将污渍概率大于第一预设阈值Z的像素点作为污渍像素点，将污渍概率小于第一预设阈值Z的像素点作为非污渍像素点，本发明中第一预设阈值Z取0.8。

进而对每张历史洗涤物品图像中的污渍像素点进行标注，将每张历史洗涤物品图像中的污渍像素点标注为1，非污渍像素标注为0，通过该方式完成图像标注得到带标签的图像，将所有带标签的图像构成的集合为数据集。

108.利用训练好的神经网络检测当前待洗涤物品图像中的污渍像素点，控制洗碗机的水流量。

利用标记后的历史洗涤物品图像对神经网络进行训练的方法为：

将每张历史洗涤物品图像作为神经网络的输入，对应每张标记后的历史洗涤物品图像作为神经网络的输出对神经网络进行训练，得到训练好的神经网络。

本发明进行污渍区域分割的网络为语义分割网络，网络结构为结构，网络的输入为数据集各图像，输出为对应的标注图像，损失函数为交叉熵损失函数，通过利用数据集进行训练，使损失函数尽可能小，随着训练损失函数尽可能小直至收敛得到训练完成的网络。

实时采集洗碗机中每完成一次清洗循环后的待洗涤物品图像，并利用神经网络检测采集到的待洗涤物品图像中的污渍像素点；

根据待洗涤物品中污渍像素点的数量调整洗碗机下个清洗循环的水流量。

通过洗碗机内的相机实时采集当前洗碗机内的待洗涤物品图像，将待洗涤物品图像输入到训练完成的网络中从而得到污渍区域。

由于污渍较多时，需要利用更多的水流量进行清洗，污渍较少时利用更少的水流量进行清洗，因而本发明根据污渍像素个数来控制水流量。

获取碗碟图像中污渍像素的个数H，根据污渍像素个数水流量为：

其中通过统计得到的单位污渍像素所需的最佳水流量，V表示控制后的水流量，由此通过单位污渍像素所需的最佳水流量与碗碟图像中污渍像素的个数的乘积，作为下个清晰循环的水流量。

本发明利用多张图像中的像素值序列拟合高斯混合模型，能够很好的反应出污渍像素点在清洗过程中的像素值变化，同时通过响应度反应高斯混合模型中的每个单高斯模型的拟合情况，从而根据不同单高斯模型对像素值序列的拟合情况综合判断像素值的污渍概率，能够准确的获取不同图像中的污渍像素点，并进一步通过标记出污渍像素点的图像对神经网络进行训练，能够得到识别效果很好的污渍分割网络，使得在洗碗机进行清洗时，保证每个清洗循环都能够利用神经网络得到准确的污渍像素点数量，从而获取下个清洗循环最合适的用水量，实现了洗碗机的智能节水控制。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种节水环保洗涤工艺控制方法，其特征在于，包括：

采集洗碗机从开始启动到清洗完成的过程中，每个清洗循环的历史洗涤物品图像，得到多张历史洗涤物品图像；

获取同一像素点在多张历史洗涤物品图像中对应的多个像素值，并利用高斯混合模型进行高斯拟合；获取每个像素点的像素值对高斯混合模型中各个单高斯模型的响应度；

根据每个像素点在每张历史洗涤物品图像中对应的像素值在各个单高斯模型中的拟合值构建序列，得到每个单高斯模型对应的多个拟合序列；

获取每个单高斯模型对应的每个拟合序列中各个拟合值的斜率，根据每个拟合序列中各个拟合值的斜率获取每个单高斯模型对应的每个拟合序列的单调性；

根据每个单高斯模型对应的每个拟合序列的单调性和每个单高斯模型对应的每个拟合序列的信息熵，获取每个单高斯模型的污渍描述程度；

根据每个像素点的每个像素值对各个单高斯模型的响应度以及每个单高斯模型的污渍描述程度，获取每个像素点在每张历史洗涤物品图像中对应像素值的污渍概率；

将污渍概率大于阈值的像素值在对应历史洗涤物品图像中对应的像素点标记为污渍像素点，得到每张标记后的历史洗涤物品图像；

将每张历史洗涤物品图像作为神经网络的输入，对应每张标记后的历史洗涤物品图像作为神经网络的输出对神经网络进行训练；

利用训练好的神经网络洗碗机对当前清洗循环时待洗涤物品图像中的污渍像素点进行检测，并根据当前清洗循环时待洗涤物品图像中污渍像素点的数量控制洗碗机下个清洗循环的水流量；

获取每个像素点的像素值对各个单高斯模型的响应度的方法为：

获取每个像素点的每个像素值在高斯混合模型中对应的第一拟合值；

获取每个像素点的每个像素值在高斯混合模型中各个单高斯模型对应的第二拟合值；

根据每个像素点的每个像素值在高斯混合模型中各个单高斯模型对应的第二拟合值以及每个像素点的每个像素值在高斯混合模型中对应的第一拟合值，获取每个像素点的像素值对各个单高斯模型的响应度；

获取每个单高斯模型对应的每个拟合序列的单调性的方法为：

统计每个单高斯模型对应的每个拟合序列中，正数斜率对应的拟合值的个数和负数斜率对应的拟合值的个数；

根据每个单高斯模型对应的每个拟合序列中，正数斜率对应的拟合值个数和负数斜率对应的拟合值个数中的最大值，以及对应拟合序列中拟合值的总个数获取每个单高斯模型对应的每个拟合序列的单调性。

2.根据权利要求1所述的一种节水环保洗涤工艺控制方法，其特征在于，获取每个单高斯模型对应的每个拟合序列中各个拟合值的斜率的方法为：

根据每个单高斯模型对应的每个拟合序列中，每个拟合值与其前一个位置的拟合值之差，得到每个单高斯模型对应的每个拟合序列中各个拟合值的斜率。

3.根据权利要求1所述的一种节水环保洗涤工艺控制方法，其特征在于，获取每个单高斯模型的污渍描述程度的方法为：

获取每个单高斯模型对应的每个拟合序列的单调性与每个单高斯模型对应的每个拟合序列的信息熵之间的乘积之和；

获取拟合序列的个数，根据该乘积之和与拟合序列个数的比值得到每个单高斯模型的污渍描述程度。

4.根据权利要求1所述的一种节水环保洗涤工艺控制方法，其特征在于，获取每个像素值的污渍概率的方法为：

根据每个像素点的每个像素值对各个单高斯模型的响应度，与每个单高斯模型的污渍描述程度的乘积之和得到每个像素值的污渍概率。

5.根据权利要求1所述的一种节水环保洗涤工艺控制方法，其特征在于，根据当前清洗循环时待洗涤物品图像中污渍像素点的数量控制洗碗机下个清洗循环的水流量的方法为：

根据当前清洗循环时待洗涤物品图像中污渍像素点的数量与单位污渍像素所需的最佳水流量的乘积，得到洗碗机下个清洗循环的水流量。

6.根据权利要求1所述的一种节水环保洗涤工艺控制方法，其特征在于，所述阈值设置为0.8。

7.根据权利要求1所述的一种节水环保洗涤工艺控制方法，其特征在于，所述神经网络为语义分割网络。

8.根据权利要求1所述的一种节水环保洗涤工艺控制方法，其特征在于，所述高斯混合模型中单高斯模型的数量设置为5。