CN117168863A - 基于人工智能的坐便器防虹吸测试方法、系统及存储介质 - Google Patents
基于人工智能的坐便器防虹吸测试方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117168863A CN117168863A CN202311428593.7A CN202311428593A CN117168863A CN 117168863 A CN117168863 A CN 117168863A CN 202311428593 A CN202311428593 A CN 202311428593A CN 117168863 A CN117168863 A CN 117168863A
- Authority
- CN
- China
- Prior art keywords
- negative pressure
- siphon
- test
- feature
- component
- 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.)
- Granted
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 34
- 238000010998 test method Methods 0.000 title claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 282
- 239000013598 vector Substances 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 31
- 238000013136 deep learning model Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 17
- 230000008569 process Effects 0.000 description 8
- 238000011056 performance test Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000012797 qualification Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 239000010865 sewage Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 206010011409 Cross infection Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 230000000151 anti-reflux effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Sanitary Device For Flush Toilet (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于人工智能的坐便器防虹吸测试方法、系统及存储介质，测试方法包括：获取第一测试数据、第二测试数据和第三测试数据，第一测试数据为对第一水路独立进行防虹吸测试时得到的负压‑虹吸高度数据，第二测试数据为对第二水路独立进行防虹吸测试时得到的负压‑虹吸高度数据，第三测试数据为对开通第一水路和第二水路进行防虹吸测试时得到的负压‑虹吸高度数据；对第一测试数据、第二测试数据和第三测试数据进行特征提取，确定出待检测坐便器对应的输入特征向量；将输入特征向量输入至预设的防虹吸测试模型中，得到防虹吸测试模型输出的防虹吸测试结果，防虹吸测试结果用于揭示待检测坐便器的防虹吸性能是否合格。
Description
技术领域
本申请涉及坐便器虹吸性能测试领域，具体而言，涉及一种基于人工智能的坐便器防虹吸测试方法、系统及存储介质。
背景技术
智能坐便器的生产完成后，需要对坐便器进行一系列的性能测试，例如，升温性能、水温稳定性、清洗水流量、清洗水量、清洗力、暖风温度、暖风出风量、坐圈温度、耐水压性能、防水击性能、防虹吸性能、部件强度、整机寿命等测试，以确保坐便器的出厂质量。
坐便器的防虹吸功能，是指在排水管道系统中采取措施，以防止污水从下水道倒流回到坐便器。坐便器的防虹吸功能，可以有效地阻止下水道中的污水倒流回到坐便器，避免污水回流和滋生细菌等卫生问题；能够避免污水与清洁用水的混合，保持卫生间的环境干净、卫生，减少细菌交叉感染的风险。在维护室内空气质量方面，防虹吸系统的阻隔功能可以防止下水道中不良气味通过管道进入室内，保持室内空气的清新。
双水路坐便器具有两条相互独立的冲洗水路，在两条冲洗水路同时运行的情况下，对于一些特殊情况，例如位于同一空间的进气管堵塞，可能形成影响两条水路的负压，从而对两条水路产生不同程度的影响。现有的测试方案，通常是利用负压分别对每条水路进行独立的虹吸功能测试，且测试方式仍是在设定负压条件下测试虹吸高度，依据特定负压下的虹吸高度判断坐便器的防虹吸功能是否合格。这样的方式对于特殊情况下的防虹吸功能无法测试，特定负压下的虹吸高度，在虹吸功能测试结论上偶然因素影响相对较强，难以更可靠地实现对双水路坐便器的防虹吸功能的测试，导致出厂产品的次品率较高，不利于实现更精细的产品质量控制。
发明内容
本申请实施例的目的在于提供一种基于人工智能的坐便器防虹吸测试方法、系统及存储介质，通过对坐便器的大量测试数据进行特征提取，以人工智能的方式实现对双水路坐便器防虹吸功能更加全面和精细的测试，有效降低出厂产品在防虹吸功能方面的次品率，提高产品质量控制的精度。
为了实现上述目的，本申请的实施例通过如下方式实现：
第一方面，本申请实施例提供一种基于人工智能的坐便器防虹吸测试方法，包括：获取第一测试数据、第二测试数据和第三测试数据，其中，所述第一测试数据为关闭第二水路以对第一水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第二测试数据为关闭第一水路以对第二水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第三测试数据为对开通第一水路和第二水路进行防虹吸测试时得到的负压-虹吸高度数据；对所述第一测试数据、所述第二测试数据和所述第三测试数据进行特征提取，确定出输入特征向量；将输入特征向量输入至预设的防虹吸测试模型中，得到防虹吸测试模型输出的防虹吸测试结果。
结合第一方面，在第一方面的第一种可能的实现方式中，防虹吸测试模型通过以下流程构建：S1：获取样本数据集，其中，样本数据集中包含N个坐便器样本对应的样本数据，每个样本数据包含第一测试数据、第二测试数据和第三测试数据，且每个样本数据具有标签，标签揭示该坐便器样本的防虹吸性能是否合格；S2：针对样本数据集中的每个样本数据，进行特征提取，确定出每个样本数据对应的样本特征向量；S3：将N个样本特征向量划分为训练集和测试集；S4：使用TensorFlow搭建深度学习模型，利用训练集和测试集对深度学习模型进行训练和测试，得到所述防虹吸测试模型。
结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，负压-虹吸高度数据中负压值等值递增，S2中，针对样本数据集中的每个样本数据，进行特征提取，确定出每个样本数据对应的样本特征向量，包括：针对样本数据集中的每个样本数据：对第一测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第一特征分量；对第二测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第二特征分量；对第三测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第三特征分量；基于第一特征分量、第二特征分量和第三特征分量，确定出样本数据对应的样本特征向量。
结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，基于第一特征分量、第二特征分量和第三特征分量，确定出样本数据对应的样本特征向量，包括：计算第一特征分量中的临界点负压与第三特征分量中的临界点负压之间的第一临界点负压比值、计算第一特征分量中的极限负压与第三特征分量中的极限负压之间的第一极限负压比值、计算第一特征分量中的最速负压与第三特征分量中的最速负压之间的第一最速负压比值、计算第一特征分量中的最缓负压与第三特征分量中的最缓负压之间的第一最缓负压比值，以及，计算第二特征分量中的临界点负压与第三特征分量中的临界点负压之间的第二临界点负压比值、计算第二特征分量中的极限负压与第三特征分量中的极限负压之间的第二极限负压比值、计算第二特征分量中的最速负压与第三特征分量中的最速负压之间的第二最速负压比值、计算第二特征分量中的最缓负压与第三特征分量中的最缓负压之间的第二最缓负压比值；将第一临界点负压比值、第一极限负压比值、第一最速负压比值和第一最缓负压比值、第二临界点负压比值、第二极限负压比值、第二最速负压比值和第二最缓负压比值依次加入到第三特征分量末尾；基于第一特征分量、第二特征分量和第三特征分量形成样本数据对应的样本特征向量。
结合第一方面的第一种可能的实现方式，在第一方面的第四种可能的实现方式中，S4中，使用TensorFlow搭建深度学习模型，利用训练集和测试集对深度学习模型进行训练和测试，得到所述防虹吸测试模型，包括：使用TensorFlow搭建三通道的多层感知机模型作为深度学习模型；利用训练集对深度学习模型进行训练，达到训练目标后，利用测试集对训练后的深度学习模型进行测试，将测试结果进行人工校正后，加入到训练集中进行二次训练，直到达到训练目标，即可得到训练好的防虹吸测试模型。
结合第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，深度学习模型包括：第一通道模型，包括第一通道输入层、第一通道隐藏层、第一通道输出层，第一通道输入层用于接收第一特征分量并发送给第一通道隐藏层，第一通道隐藏层用于对第一特征分量进行处理，并将处理后的特征传输到第一通道输出层，第一通道输出层用于对处理后的特征进行概率映射，确定出此第一特征分量对应的标签概率；第二通道模型，包括第二通道输入层、第二通道隐藏层、第二通道输出层，第二通道输入层用于接收第二特征分量并发送给第二通道隐藏层，第二通道隐藏层用于对第二特征分量进行处理，并将处理后的特征传输到第二通道输出层，第二通道输出层用于对处理后的特征进行概率映射，确定出此第二特征分量对应的标签概率；第三通道模型，包括第三通道输入层、第三通道隐藏层、第三通道输出层，第三通道输入层用于接收第三特征分量并发送给第三通道隐藏层，第三通道隐藏层用于对第三特征分量进行处理，并将处理后的特征传输到第三通道输出层，第三通道输出层用于对处理后的特征进行概率映射，确定出此第三特征分量对应的标签概率；整合输出层，用于接收第一通道输出层、第二通道输出层、第三通道输出层的输出，并基于第一特征分量对应的标签概率、第二特征分量对应的标签概率、第三特征分量对应的标签概率，确定出样本特征向量的所属标签并输出。
结合第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，基于第一特征分量对应的标签概率、第二特征分量对应的标签概率、第三特征分量对应的标签概率，确定出样本特征向量的所属标签并输出，包括：基于第一临界点负压比值、第一极限负压比值、第一最速负压比值和第一最缓负压比值、第二临界点负压比值、第二极限负压比值、第二最速负压比值和第二最缓负压比值，计算出第一权重参数和第二权重参数；基于第一权重参数和第二权重参数，以及，第一特征分量对应的标签概率、第二特征分量对应的标签概率和第三特征分量对应的标签概率，计算出样本特征向量对应的综合标签概率；基于样本特征向量对应的综合标签概率，确定出样本特征向量的所属标签并输出。
第二方面，本申请实施例提供一种基于人工智能的坐便器防虹吸测试系统，包括：数据获取单元，用于获取第一测试数据、第二测试数据和第三测试数据，其中，所述第一测试数据为关闭第二水路以对第一水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第二测试数据为关闭第一水路以对第二水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第三测试数据为对开通第一水路和第二水路进行防虹吸测试时得到的负压-虹吸高度数据；特征提取单元，用于对所述第一测试数据、所述第二测试数据和所述第三测试数据进行特征提取，确定出输入特征向量；防虹吸测试单元，用于将输入特征向量输入至预设的防虹吸测试模型中，得到防虹吸测试模型输出的防虹吸测试结果。
第三方面，本申请实施例提供一种存储介质，所述存储介质设置在电子设备内，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在电子设备执行第一方面或第一方面的可能的实现方式中任一项所述的基于人工智能的坐便器防虹吸测试方法。
第四方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现第一方面或第一方面的可能的实现方式中任一项所述的基于人工智能的坐便器防虹吸测试方法。
本方案的有益效果在于 ：1.本方案通过分别对双水路坐便器的两条水路（即第一水路和第二水路）进行独立的防虹吸功能测试，得到相应的负压-虹吸高度数据（测试时，负压呈等值递增的方式进行，记录各个负压下的虹吸高度），得到第一测试数据和第二测试数据。再对开通第一水路和第二水路同时进行防虹吸测试（即防虹吸功能测试），得到的负压-虹吸高度数据作为第三测试数据。然后对第一测试数据、第二测试数据和第三测试数据进行特征提取，确定出待检测坐便器对应的输入特征向量，将输入特征向量输入至预设的防虹吸测试模型中，得到防虹吸测试模型输出的防虹吸测试结果，从而判断待检测坐便器的防虹吸性能是否合格。这样的方式不仅可以实现对每条水路的独立测试，还可以实现对两条水路在特殊情况下的防虹吸功能测试（这样还有利于将双水路坐便器应用到气压差异较大的区域，保证合格产品在不同气压下的防虹吸功能的适用性）。而在测试时，不单单考虑特定负压下的防虹吸功能，能够从测试中各个负压下的虹吸高度，来进行综合的评判，从而大大提升产品防虹吸功能的测试精度，尽可能规避偶然因素带来的次品风险，提高产品质量控制的精度。
2.通过对第一测试数据、第二测试数据和第三测试数据进行特征提取，针对性地提取对防虹吸功能更具有反映能力的特征（第一测试数据、第二测试数据和第三测试数据中每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，以及第一临界点负压比值、第一极限负压比值、第一最速负压比值和第一最缓负压比值、第二临界点负压比值、第二极限负压比值、第二最速负压比值和第二最缓负压比值等），形成第一特征分量、第二特征分量和第三特征分量，使用TensorFlow针对性地构建三通道的多层感知机模型作为深度学习模型，以便分别对第一特征分量、第二特征分量和第三特征分量分别进行独立的分类判断，利用整合输出层进行综合性的防虹吸功能判断，这样可以保证对双水路坐便器的防虹吸功能测试的可靠性，大大提升产品质量控制精度，有效降低出厂产品在防虹吸功能方面的次品率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的构建防虹吸测试模型的流程图。
图2为构建的三通道的多层感知机模型的示意图。
图3为本申请实施例提供的一种基于人工智能的坐便器防虹吸测试方法的流程图。
图4为本申请实施例提供的一种基于人工智能的坐便器防虹吸测试系统的示意图。
图标：10-防虹吸测试单元；11-第一通道模型；111-第一通道输入层；112-第一通道隐藏层；113-第一通道输出层；12-第二通道模型；121-第二通道输入层；122-第二通道隐藏层；123-第二通道输出层；13-第三通道模型；131-第三通道输入层；132-第三通道隐藏层；133-第三通道输出层；14-整合输出层；20-基于人工智能的坐便器防虹吸测试系统；21-数据获取单元；22-特征提取单元；23-防虹吸测试单元。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
本方案主要提供一种基于人工智能的坐便器防虹吸测试方法，以实现对双水路坐便器的防虹吸功能的测试，而方案的实现则依赖于防虹吸测试模型。因此，为了便于对本方案的理解，此处先对构建防虹吸测试模型的过程进行介绍。
请参阅图1，图1为本申请实施例提供的构建防虹吸测试模型的流程图。
在本实施例中，防虹吸测试模型的构建流程可以包括步骤S1、步骤S2、步骤S3和步骤S4。
首先，电子设备可以运行步骤S1。
S1：获取样本数据集，其中，样本数据集中包含N个坐便器样本对应的样本数据，每个样本数据包含第一测试数据、第二测试数据和第三测试数据，且每个样本数据具有标签，标签揭示该坐便器样本的防虹吸性能是否合格。
在本实施例中，电子设备可以获取样本数据集，其中，样本数据集中包含N个坐便器样本对应的样本数据，每个样本数据包含第一测试数据、第二测试数据和第三测试数据，且每个样本数据具有标签，标签揭示该坐便器样本的防虹吸性能是否合格。
为了便于理解，此处以获取一个样本数据的具体过程进行介绍。
例如，将一个防虹吸功能合格的坐便器样本（双水路坐便器）作为测试对象，那么，需要将此双水路坐便器安装为测试状态，并使待测水路（例如第一水路）的进水阀、单向阀、鸭嘴阀、流量调节阀等类似功能器件失效（例如通过金属丝使这些功能器件失效，而无法失效的器件需要去除），然后将真空装置（用于提供负压）与待测水路的进水口连接，再将虹吸高度观测管与待测水路的出水口连通，尾部垂直探入测试水槽（虹吸高度观测管可理解为带刻度的透明水管，尾部呈垂直状探入测试水槽内，探入测试水槽后的垂直部分的最大高度不低于测试对象的水箱高度，然后在垂直部分的顶部形成一个弯回后与待测水路的出水口连通），之后便可进行防虹吸功能的测试。当然，在测试安装的过程中需要符合测试要求，例如，对于待测水路的防逆流装置和管路等部件，需要水中浸泡至少15分钟。
测试过程中，为了保证测试数据的有效性和可靠性，真空装置可以从101Kpa的气压开始，每次等值增加一个负压（例如，每次减小1Kpa或0.5Kpa等），每个负压下，等待设定时长（例如3秒、5秒等，待虹吸高度数值稳定），读取虹吸高度数值，形成负压-虹吸高度数据。而设定虹吸高度可以是理论最大值（即水箱中设置的溢流通道的高度），也可以是通过传统测试方案测试出来的虹吸高度（即恒定施加负压85Kpa时，测试对象的水箱中回流现象开始发生时对应的虹吸高度），但需要保持统一，即，若确定采用理论最大值作为设定虹吸高度，那么每个样本都按照此种方式设置设定虹吸高度，以保持模型分析的准确性（若是混用，会大大降低防虹吸功能测试的准确性）。
由此方式，分别对两条水路进行独立的防虹吸功能测试，可以采集到测试对象的第一测试数据（关闭第二水路以对第一水路独立进行防虹吸测试时得到的负压-虹吸高度数据）和第二测试数据（关闭第一水路以对第二水路独立进行防虹吸测试时得到的负压-虹吸高度数据）。
之后，还需要对同时开通第一水路和第二水路的情况进行防虹吸测试，由真空装置为提供为第一水路和第二水路提供同步的负压，具体测试过程则与前文类似，不再赘述，由此可以得到第三测试数据。
由测试对象的第一测试数据、第二测试数据和第三测试数据，结合该测试对象的标签（合格或不合格），即可生成一个样本数据。由此对N个坐便器样本进行测试得到的N个样本数据，形成样本数据集，以便训练模型。
获得样本数据集后，电子设备可以运行步骤S2。
步骤S2：针对样本数据集中的每个样本数据，进行特征提取，确定出每个样本数据对应的样本特征向量。
在本实施例中，电子设备可以对每个样本数据进行特征提取。针对样本数据集中的每个样本数据：
电子设备可以对第一测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第一特征分量。
同理，对第二测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第二特征分量。
以及，对第三测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第三特征分量。
得到第一特征分量、第二特征分量和第三特征分量后，电子设备可以进一步基于第一特征分量、第二特征分量和第三特征分量，确定出样本数据对应的样本特征向量。
示例性的，电子设备可以计算第一特征分量中的临界点负压与第三特征分量中的临界点负压之间的第一临界点负压比值、计算第一特征分量中的极限负压与第三特征分量中的极限负压之间的第一极限负压比值、计算第一特征分量中的最速负压与第三特征分量中的最速负压之间的第一最速负压比值、计算第一特征分量中的最缓负压与第三特征分量中的最缓负压之间的第一最缓负压比值。
同理，计算第二特征分量中的临界点负压与第三特征分量中的临界点负压之间的第二临界点负压比值、计算第二特征分量中的极限负压与第三特征分量中的极限负压之间的第二极限负压比值、计算第二特征分量中的最速负压与第三特征分量中的最速负压之间的第二最速负压比值、计算第二特征分量中的最缓负压与第三特征分量中的最缓负压之间的第二最缓负压比值。
然后，电子设备可以将第一临界点负压比值、第一极限负压比值、第一最速负压比值和第一最缓负压比值、第二临界点负压比值、第二极限负压比值、第二最速负压比值和第二最缓负压比值依次加入到第三特征分量末尾。
从而基于第一特征分量、第二特征分量和第三特征分量形成样本数据对应的样本特征向量，即，样本特征向量包含三个分量：第一特征分量、第二特征分量和第三特征分量（不同于初步的第三特征分量，现在的第三特征分量中还包含第一临界点负压比值、第一极限负压比值、第一最速负压比值和第一最缓负压比值、第二临界点负压比值、第二极限负压比值、第二最速负压比值和第二最缓负压比值等参数）。
提取出每个样本数据对应的样本特征向量后，电子设备可以运行步骤S3。
S3：将N个样本特征向量划分为训练集和测试集。
在本实施例中，可以按照8：2（或者7：3）的比例，将N个样本特征向量划分为训练集和测试集。
得到训练集和测试集后，电子设备可以运行步骤S4。
S4：使用TensorFlow搭建深度学习模型，利用训练集和测试集对深度学习模型进行训练和测试，得到所述防虹吸测试模型。
在本实施例中，可以使用TensorFlow搭建深度学习模型，深度学习模型可以选择多层感知机、支持向量机、循环神经网络等深度学习模型。考虑到本方案中样本特征向量的特点，本实施例设计了一种多通道的多层感知机作为深度学习模型。
请参阅图2，图2为构建的三通道的防虹吸测试单元10的示意图。
在本实施例中，深度学习模型可以包括：
第一通道模型11，包括第一通道输入层111、第一通道隐藏层112（可以设计多层，本方案中以选用2层隐藏层为例，激活函数选用ReLU函数）、第一通道输出层113，第一通道输入层111用于接收第一特征分量并发送给第一通道隐藏层112，第一通道隐藏层112用于对第一特征分量进行处理，并将处理后的特征传输到第一通道输出层113，第一通道输出层113用于对处理后的特征进行概率映射，确定出此第一特征分量对应的标签概率。
第二通道模型12，包括第二通道输入层121、第二通道隐藏层122（可以设计多层，本方案中以选用2层隐藏层为例，激活函数选用ReLU函数）、第二通道输出层123，第二通道输入层121用于接收第二特征分量并发送给第二通道隐藏层122，第二通道隐藏层122用于对第二特征分量进行处理，并将处理后的特征传输到第二通道输出层123，第二通道输出层123用于对处理后的特征进行概率映射，确定出此第二特征分量对应的标签概率。
第三通道模型13，包括第三通道输入层131、第三通道隐藏层132（可以设计多层，本方案中以选用3层隐藏层为例，激活函数同样选用ReLU函数）、第三通道输出层133，第三通道输入层131用于接收第三特征分量并发送给第三通道隐藏层132，第三通道隐藏层132用于对第三特征分量进行处理，并将处理后的特征传输到第三通道输出层133，第三通道输出层133用于对处理后的特征进行概率映射，确定出此第三特征分量对应的标签概率。
整合输出层14，用于接收第一通道输出层113、第二通道输出层123、第三通道输出层133的输出，并基于第一特征分量对应的标签概率、第二特征分量对应的标签概率、第三特征分量对应的标签概率，确定出样本特征向量的所属标签并输出。
示例性的，整合输出层14可以基于第一临界点负压比值、第一极限负压比值、第一最速负压比值和第一最缓负压比值、第二临界点负压比值、第二极限负压比值、第二最速负压比值和第二最缓负压比值，计算出第一权重参数和第二权重参数。
具体可以采用以下公式计算：
， （1）
， （2）
， （3）
， （4）
其中，和/>均为计算过程的中间参数，/>和/>分别为第一权重参数和第二权重参数，/>和/>分别为第一临界点负压比值和第二临界点负压比值，/>和/>分别为第一极限负压比值和第二极限负压比值，/>和/>分别为第一最速负压比值和第二最速负压比值，/>和/>分别为第一最缓负压比值和第二最缓负压比值。需要说明的是，上式各个值均不可能为零或负值。
由于各个节点上对应的负压值越高，则可以在一定程度上说明测试的水路防虹吸性能更好，因此，这样计算第一权重参数和第二权重参数，可以使防虹吸性能更好的水路占更低的权重，而防虹吸性能更差的水路占更高的权重，以便提高防虹吸性能测试的可靠性。
计算出第一权重参数和第二权重参数后，整合输出层14可以基于第一权重参数和第二权重参数，以及，第一特征分量对应的标签概率、第二特征分量对应的标签概率和第三特征分量对应的标签概率，计算出样本特征向量对应的综合标签概率。
示例性的，可以采用以下公式计算样本特征向量对应的综合标签概率：
， （5）
， （6）
其中，y为样本特征向量对应的综合合格概率，a和b均为权重值，满足，本实施例中，a和b的取值为预先设定好的，以取/>，/>为例，/>为第一特征分量对应的合格概率，/>为第二特征分量对应的合格概率，/>为第三特征分量对应的合格概率，/>为样本特征向量对应的综合不合格概率，/>为第一特征分量对应的不合格概率，/>为第二特征分量对应的不合格概率，/>为第三特征分量对应的不合格概率。
计算出样本特征向量对应的综合标签概率后，即可确定出样本特征向量的所属标签（概率更高的）并输出。
搭建好深度学习模型后，电子设备可以利用训练集对深度学习模型进行训练，达到训练目标（例如识别准确率达到99%以上）后，利用测试集对训练后的深度学习模型进行测试，将测试结果进行人工校正后，加入到训练集中进行二次训练，直到达到训练目标，即可得到训练好的防虹吸测试模型。
得到训练好的防虹吸测试模型后，电子设备可以将训练好的防虹吸测试模型搭载于电子设备内，以便通过电子设备运行基于人工智能的坐便器防虹吸测试方法。
请参阅图3，图3为本申请实施例提供的一种基于人工智能的坐便器防虹吸测试方法的流程图。基于人工智能的坐便器防虹吸测试方法可以包括步骤S10、步骤S20和步骤S30。
为了实现对待检测坐便器（双水路坐便器）的防虹吸性能测试，可以对待检测坐便器进行防虹吸测试，测试过程可参阅前文介绍的内容，此处不再赘述。由此可以得到待检测坐便器对应的第一测试数据、第二测试数据和第三测试数据。
得到这些数据后，可以传输至电子设备，据此，电子设备运行步骤S10。
步骤S10：获取第一测试数据、第二测试数据和第三测试数据，其中，所述第一测试数据为关闭第二水路以对第一水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第二测试数据为关闭第一水路以对第二水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第三测试数据为对开通第一水路和第二水路进行防虹吸测试时得到的负压-虹吸高度数据。
电子设备得到待检测坐便器对应的第一测试数据、第二测试数据和第三测试数据后，可以运行步骤S20。
步骤S20：对所述第一测试数据、所述第二测试数据和所述第三测试数据进行特征提取，确定出待检测坐便器对应的输入特征向量。
在本实施例中，电子设备可以对第一测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第一特征分量。对第二测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第二特征分量。对第三测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第三特征分量。
然后计算第一特征分量中的临界点负压与第三特征分量中的临界点负压之间的第一临界点负压比值、计算第一特征分量中的极限负压与第三特征分量中的极限负压之间的第一极限负压比值、计算第一特征分量中的最速负压与第三特征分量中的最速负压之间的第一最速负压比值、计算第一特征分量中的最缓负压与第三特征分量中的最缓负压之间的第一最缓负压比值。计算第二特征分量中的临界点负压与第三特征分量中的临界点负压之间的第二临界点负压比值、计算第二特征分量中的极限负压与第三特征分量中的极限负压之间的第二极限负压比值、计算第二特征分量中的最速负压与第三特征分量中的最速负压之间的第二最速负压比值、计算第二特征分量中的最缓负压与第三特征分量中的最缓负压之间的第二最缓负压比值。
之后，电子设备可以将第一临界点负压比值、第一极限负压比值、第一最速负压比值和第一最缓负压比值、第二临界点负压比值、第二极限负压比值、第二最速负压比值和第二最缓负压比值依次加入到第三特征分量末尾，完成对第三特征分量的完善。据此，电子设备可以基于第一特征分量、第二特征分量和第三特征分量形成待检测坐便器对应的输入特征向量。
得到输入特征向量后，电子设备可以运行步骤S30。
步骤S30：将输入特征向量输入至预设的防虹吸测试模型中，得到防虹吸测试模型输出的防虹吸测试结果，其中，防虹吸测试结果用于揭示待检测坐便器的防虹吸性能是否合格。
在本实施例中，电子设备可以将输入特征向量输入至预设的防虹吸测试模型中，而训练好的防虹吸测试模型可以基于输入特征向量，确定出其对应的综合标签概率，并输出概率高的标签作为防虹吸测试结果（揭示待检测坐便器的防虹吸性能是否合格），以实现待检测坐便器的防虹吸性能测试。
基于同一发明构思，本申请实施例还提供一种基于人工智能的坐便器防虹吸测试系统20，待检测坐便器为双水路坐便器，系统20包括：
数据获取单元21，用于获取第一测试数据、第二测试数据和第三测试数据，其中，所述第一测试数据为关闭第二水路以对第一水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第二测试数据为关闭第一水路以对第二水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第三测试数据为对开通第一水路和第二水路进行防虹吸测试时得到的负压-虹吸高度数据。
特征提取单元22，用于对所述第一测试数据、所述第二测试数据和所述第三测试数据进行特征提取，确定出待检测坐便器对应的输入特征向量。
防虹吸测试单元23，用于将输入特征向量输入至预设的防虹吸测试模型中，得到防虹吸测试模型输出的防虹吸测试结果，其中，防虹吸测试结果用于揭示待检测坐便器的防虹吸性能是否合格。
以及，本申请实施例还提供一种存储介质，所述存储介质设置在电子设备内，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在电子设备执行本实施例的基于人工智能的坐便器防虹吸测试方法。
本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现本实施例的基于人工智能的坐便器防虹吸测试方法。
综上所述，本申请实施例提供一种基于人工智能的坐便器防虹吸测试方法、系统及存储介质：
通过分别对双水路坐便器的两条水路（即第一水路和第二水路）进行独立的防虹吸功能测试，得到相应的负压-虹吸高度数据（测试时，负压呈等值递增的方式进行，记录各个负压下的虹吸高度），得到第一测试数据和第二测试数据。再对开通第一水路和第二水路同时进行防虹吸测试（即防虹吸功能测试），得到的负压-虹吸高度数据作为第三测试数据。然后对第一测试数据、第二测试数据和第三测试数据进行特征提取，确定出待检测坐便器对应的输入特征向量，将输入特征向量输入至预设的防虹吸测试模型中，得到防虹吸测试模型输出的防虹吸测试结果，从而判断待检测坐便器的防虹吸性能是否合格。这样的方式不仅可以实现对每条水路的独立测试，还可以实现对两条水路在特殊情况下的防虹吸功能测试（这样还有利于将双水路坐便器应用到气压差异较大的区域，保证合格产品在不同气压下的防虹吸功能的适用性）。而在测试时，不单单考虑特定负压下的防虹吸功能，能够从测试中各个负压下的虹吸高度，来进行综合的评判，从而大大提升产品防虹吸功能的测试精度，尽可能规避偶然因素带来的次品风险，提高产品质量控制的精度。
通过对第一测试数据、第二测试数据和第三测试数据进行特征提取，针对性地提取对防虹吸功能更具有反映能力的特征（第一测试数据、第二测试数据和第三测试数据中每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，以及第一临界点负压比值、第一极限负压比值、第一最速负压比值和第一最缓负压比值、第二临界点负压比值、第二极限负压比值、第二最速负压比值和第二最缓负压比值等），形成第一特征分量、第二特征分量和第三特征分量，使用TensorFlow针对性地构建三通道的防虹吸测试单元10作为深度学习模型，以便分别对第一特征分量、第二特征分量和第三特征分量分别进行独立的分类判断，利用整合输出层14进行综合性的防虹吸功能判断，这样可以保证对双水路坐便器的防虹吸功能测试的可靠性，大大提升产品质量控制精度，有效降低出厂产品在防虹吸功能方面的次品率。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的坐便器防虹吸测试方法，其特征在于，包括：
获取第一测试数据、第二测试数据和第三测试数据，其中，所述第一测试数据为关闭第二水路以对第一水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第二测试数据为关闭第一水路以对第二水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第三测试数据为对开通第一水路和第二水路进行防虹吸测试时得到的负压-虹吸高度数据；
对所述第一测试数据、所述第二测试数据和所述第三测试数据进行特征提取，确定出输入特征向量；
将输入特征向量输入至预设的防虹吸测试模型中，得到防虹吸测试模型输出的防虹吸测试结果。
2.根据权利要求1所述的基于人工智能的坐便器防虹吸测试方法，其特征在于，防虹吸测试模型通过以下流程构建：
S1：获取样本数据集，其中，样本数据集中包含N个坐便器样本对应的样本数据，每个样本数据包含第一测试数据、第二测试数据和第三测试数据，且每个样本数据具有标签，标签揭示该坐便器样本的防虹吸性能是否合格；
S2：针对样本数据集中的每个样本数据，进行特征提取，确定出每个样本数据对应的样本特征向量；
S3：将N个样本特征向量划分为训练集和测试集；
S4：使用TensorFlow搭建深度学习模型，利用训练集和测试集对深度学习模型进行训练和测试，得到所述防虹吸测试模型。
3.根据权利要求2所述的基于人工智能的坐便器防虹吸测试方法，其特征在于，负压-虹吸高度数据中负压值等值递增，S2中，针对样本数据集中的每个样本数据，进行特征提取，确定出每个样本数据对应的样本特征向量，包括：
针对样本数据集中的每个样本数据：
对第一测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第一特征分量；
对第二测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第二特征分量；
对第三测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第三特征分量；
基于第一特征分量、第二特征分量和第三特征分量，确定出样本数据对应的样本特征向量。
4.根据权利要求3所述的基于人工智能的坐便器防虹吸测试方法，其特征在于，基于第一特征分量、第二特征分量和第三特征分量，确定出样本数据对应的样本特征向量，包括：
计算第一特征分量中的临界点负压与第三特征分量中的临界点负压之间的第一临界点负压比值、计算第一特征分量中的极限负压与第三特征分量中的极限负压之间的第一极限负压比值、计算第一特征分量中的最速负压与第三特征分量中的最速负压之间的第一最速负压比值、计算第一特征分量中的最缓负压与第三特征分量中的最缓负压之间的第一最缓负压比值，以及，计算第二特征分量中的临界点负压与第三特征分量中的临界点负压之间的第二临界点负压比值、计算第二特征分量中的极限负压与第三特征分量中的极限负压之间的第二极限负压比值、计算第二特征分量中的最速负压与第三特征分量中的最速负压之间的第二最速负压比值、计算第二特征分量中的最缓负压与第三特征分量中的最缓负压之间的第二最缓负压比值；
将第一临界点负压比值、第一极限负压比值、第一最速负压比值和第一最缓负压比值、第二临界点负压比值、第二极限负压比值、第二最速负压比值和第二最缓负压比值依次加入到第三特征分量末尾；
基于第一特征分量、第二特征分量和第三特征分量形成样本数据对应的样本特征向量。
5.根据权利要求3所述的基于人工智能的坐便器防虹吸测试方法，其特征在于，S4中，使用TensorFlow搭建深度学习模型，利用训练集和测试集对深度学习模型进行训练和测试，得到所述防虹吸测试模型，包括：
使用TensorFlow搭建三通道的多层感知机模型作为深度学习模型；
利用训练集对深度学习模型进行训练，达到训练目标后，利用测试集对训练后的深度学习模型进行测试，将测试结果进行人工校正后，加入到训练集中进行二次训练，直到达到训练目标，即可得到训练好的防虹吸测试模型。
6.根据权利要求5所述的基于人工智能的坐便器防虹吸测试方法，其特征在于，深度学习模型包括：
第一通道模型，包括第一通道输入层、第一通道隐藏层、第一通道输出层，第一通道输入层用于接收第一特征分量并发送给第一通道隐藏层，第一通道隐藏层用于对第一特征分量进行处理，并将处理后的特征传输到第一通道输出层，第一通道输出层用于对处理后的特征进行概率映射，确定出此第一特征分量对应的标签概率；
第二通道模型，包括第二通道输入层、第二通道隐藏层、第二通道输出层，第二通道输入层用于接收第二特征分量并发送给第二通道隐藏层，第二通道隐藏层用于对第二特征分量进行处理，并将处理后的特征传输到第二通道输出层，第二通道输出层用于对处理后的特征进行概率映射，确定出此第二特征分量对应的标签概率；
第三通道模型，包括第三通道输入层、第三通道隐藏层、第三通道输出层，第三通道输入层用于接收第三特征分量并发送给第三通道隐藏层，第三通道隐藏层用于对第三特征分量进行处理，并将处理后的特征传输到第三通道输出层，第三通道输出层用于对处理后的特征进行概率映射，确定出此第三特征分量对应的标签概率；
整合输出层，用于接收第一通道输出层、第二通道输出层、第三通道输出层的输出，并基于第一特征分量对应的标签概率、第二特征分量对应的标签概率、第三特征分量对应的标签概率，确定出样本特征向量的所属标签并输出。
7.根据权利要求6所述的基于人工智能的坐便器防虹吸测试方法，其特征在于，基于第一特征分量对应的标签概率、第二特征分量对应的标签概率、第三特征分量对应的标签概率，确定出样本特征向量的所属标签并输出，包括：
基于第一临界点负压比值、第一极限负压比值、第一最速负压比值和第一最缓负压比值、第二临界点负压比值、第二极限负压比值、第二最速负压比值和第二最缓负压比值，计算出第一权重参数和第二权重参数；
基于第一权重参数和第二权重参数，以及，第一特征分量对应的标签概率、第二特征分量对应的标签概率和第三特征分量对应的标签概率，计算出样本特征向量对应的综合标签概率；
基于样本特征向量对应的综合标签概率，确定出样本特征向量的所属标签并输出。
8.一种基于人工智能的坐便器防虹吸测试系统，其特征在于，包括：
数据获取单元，用于获取第一测试数据、第二测试数据和第三测试数据，其中，所述第一测试数据为关闭第二水路以对第一水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第二测试数据为关闭第一水路以对第二水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第三测试数据为对开通第一水路和第二水路进行防虹吸测试时得到的负压-虹吸高度数据；
特征提取单元，用于对所述第一测试数据、所述第二测试数据和所述第三测试数据进行特征提取，确定出输入特征向量；
防虹吸测试单元，用于将输入特征向量输入至预设的防虹吸测试模型中，得到防虹吸测试模型输出的防虹吸测试结果。
9.一种存储介质，其特征在于，所述存储介质设置在电子设备内，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在电子设备执行权利要求1至7中任一项所述的基于人工智能的坐便器防虹吸测试方法。
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现权利要求1至7中任一项所述的基于人工智能的坐便器防虹吸测试方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311428593.7A CN117168863B (zh) | 2023-10-31 | 2023-10-31 | 基于人工智能的坐便器防虹吸测试方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311428593.7A CN117168863B (zh) | 2023-10-31 | 2023-10-31 | 基于人工智能的坐便器防虹吸测试方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117168863A true CN117168863A (zh) | 2023-12-05 |
| CN117168863B CN117168863B (zh) | 2024-01-26 |
Family
ID=88937761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311428593.7A Active CN117168863B (zh) | 2023-10-31 | 2023-10-31 | 基于人工智能的坐便器防虹吸测试方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117168863B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN215105810U (zh) * | 2021-03-31 | 2021-12-10 | 广东樱井科技有限公司 | 一种多重防虹吸进水装置及马桶 |
| CN217033636U (zh) * | 2021-10-20 | 2022-07-22 | 箭牌家居集团股份有限公司 | 一种应用于马桶的检测装置及马桶 |
| WO2022213465A1 (zh) * | 2021-04-08 | 2022-10-13 | 平安科技（深圳）有限公司 | 基于神经网络的图像识别方法、装置、电子设备及介质 |
| CN115237802A (zh) * | 2022-08-09 | 2022-10-25 | 平安科技（深圳）有限公司 | 基于人工智能的模拟测试方法及相关设备 |
| WO2023024297A1 (zh) * | 2021-08-27 | 2023-03-02 | 厦门帝恒诺卫浴科技有限公司 | 一种防止虹吸倒流的双水路冲水阀 |
| CN116188849A (zh) * | 2023-02-02 | 2023-05-30 | 苏州大学 | 一种基于轻量化网络的目标识别方法、系统及扫地机器人 |
| CN219573525U (zh) * | 2023-01-12 | 2023-08-22 | 深圳天祥质量技术服务有限公司 | 一种坐便器防虹吸测试设备 |
-
2023
- 2023-10-31 CN CN202311428593.7A patent/CN117168863B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN215105810U (zh) * | 2021-03-31 | 2021-12-10 | 广东樱井科技有限公司 | 一种多重防虹吸进水装置及马桶 |
| WO2022213465A1 (zh) * | 2021-04-08 | 2022-10-13 | 平安科技（深圳）有限公司 | 基于神经网络的图像识别方法、装置、电子设备及介质 |
| WO2023024297A1 (zh) * | 2021-08-27 | 2023-03-02 | 厦门帝恒诺卫浴科技有限公司 | 一种防止虹吸倒流的双水路冲水阀 |
| CN217033636U (zh) * | 2021-10-20 | 2022-07-22 | 箭牌家居集团股份有限公司 | 一种应用于马桶的检测装置及马桶 |
| CN115237802A (zh) * | 2022-08-09 | 2022-10-25 | 平安科技（深圳）有限公司 | 基于人工智能的模拟测试方法及相关设备 |
| CN219573525U (zh) * | 2023-01-12 | 2023-08-22 | 深圳天祥质量技术服务有限公司 | 一种坐便器防虹吸测试设备 |
| CN116188849A (zh) * | 2023-02-02 | 2023-05-30 | 苏州大学 | 一种基于轻量化网络的目标识别方法、系统及扫地机器人 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117168863B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sambito et al. | Optimal water quality sensor positioning in urban drainage systems for illicit intrusion identification | |
| Seo et al. | A statistical post-processor for accounting of hydrologic uncertainty in short-range ensemble streamflow prediction | |
| Freni et al. | Assessment of the integrated urban water quality model complexity through identifiability analysis | |
| Noori et al. | Active and online prediction of BOD 5 in river systems using reduced-order support vector machine | |
| CN109948863B (zh) | 基于长短期记忆模型lstm的排水管网窨井液位预测方法 | |
| Yang et al. | Generalized additive models for biomass simulation of submerged macrophytes in a shallow lake | |
| Mediero et al. | Probabilistic calibration of a distributed hydrological model for flood forecasting | |
| CN117168863B (zh) | 基于人工智能的坐便器防虹吸测试方法、系统及存储介质 | |
| Krasnopolsky et al. | A multi-parameter empirical ocean algorithm for SSM/I retrievals | |
| Shrowti et al. | Type-II critical values for a steady-state identifier | |
| CN105550492A (zh) | 用于预测废水处理过程的参数的系统和方法 | |
| Karpf et al. | Application of a leakage model to assess exfiltration from sewers | |
| CN112794550B (zh) | 基于人工智能解决污水处理厂出水cod超标的方法及系统 | |
| Shen et al. | Inverse estimation of nonpoint sources of fecal coliform for establishing allowable load for Wye River, Maryland | |
| Eberhardt et al. | Modeling technology and technological change in manufacturing: how do countries differ? | |
| Szeląg et al. | Analysis of sewer network performance in the context of modernization: modeling, sensitivity, and uncertainty analysis | |
| CN112212223A (zh) | 排水管网调蓄容积及渗漏量的计算方法及其相关设备 | |
| CN109326332B (zh) | 潮汐水网区水环境容量计算方法 | |
| CN117192063A (zh) | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 | |
| Attar et al. | Dynamic model adaptation to an anaerobic digestion reactor of a water resource recovery facility | |
| CN107537830A (zh) | 液压管道油冲洗系统及其使用方法 | |
| Cluzel et al. | Mathematical modeling and adequate environmental sampling plans are essential for the public health assessment of COVID-19 pandemics: development of a monitoring indicator for SARS-CoV-2 in wastewater | |
| Schulz et al. | Integrated modelling for the evaluation of infiltration effects | |
| Çıtakoğlu et al. | REGIONALIZATION AND MAPPING OF DISSOLVED OXYGEN CONCENTRATION OF SAKARYA BASIN BY L‒MOMENTS METHOD | |
| CN210952952U (zh) | 住宅排水系统性能检测装置 |
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 |