CN117433142A - 一种空调的控制方法、空调的控制装置和存储介质 - Google Patents
一种空调的控制方法、空调的控制装置和存储介质 Download PDFInfo
- Publication number
- CN117433142A CN117433142A CN202311691337.7A CN202311691337A CN117433142A CN 117433142 A CN117433142 A CN 117433142A CN 202311691337 A CN202311691337 A CN 202311691337A CN 117433142 A CN117433142 A CN 117433142A
- Authority
- CN
- China
- Prior art keywords
- objects
- air conditioner
- target detection
- users
- image data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 96
- 240000005499 Sasa Species 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims 4
- 230000001105 regulatory effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 19
- 230000000694 effects Effects 0.000 description 14
- 238000009826 distribution Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000004317 gizzard Anatomy 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Abstract
本发明提供了一种空调的控制方法、空调的控制装置和存储介质,其中,控制方法包括:获取空调所在区域的图像数据;将图像数据输入目标检测单元中得到表示区域内所有用户的用户信息,区域内所有用户包括在图像数据中被其他物体遮挡的用户和未被遮挡的用户;根据用户信息控制空调的运行。通过将图像数据输入目标检测模型得到该区域内所有用户的状态的用户信息,根据用户信息智能控制空调的运行,该用户信息包括被其他物体所遮挡的用户,以此可以避免由于用户被遮挡而出现误判或漏识别的情况,提高了空调的智能识别能力,从而提高了对空调智能控制的准确性。
Description
技术领域
本发明涉及空调技术领域,具体涉及一种空调的控制方法、空调的控制装置和存储介质。
背景技术
空调是一种用于调节室内温度和湿度的设备,广泛应用于家庭、办公、商业等场所。它可以根据用户的需求提供制冷或制热的功能,改善室内的温度和舒适度。
现有的空调厂商为了给用户提供更舒适的体验感,开发了智能空调,利用传感器、摄像头、人工智能等技术来实现空调的智能控制,然而,现有的智能空调识别效果不佳,导致智能控制效果不好。
发明内容
本发明解决的问题是现有的智能空调识别效果不佳,导致智能控制效果不好的问题。
为解决上述问题,本发明提供一种空调的控制方法,控制方法包括:
获取空调所在区域的图像数据;
将图像数据输入目标检测单元中得到表示区域内所有用户的用户信息,区域内所有用户包括在图像数据中被其他物体遮挡的用户和未被遮挡的用户;
根据用户信息控制空调的运行。
技术效果:通过将图像数据输入目标检测模型得到该区域内所有用户的状态的用户信息,根据用户信息智能控制空调的运行,该用户信息包括被其他物体所遮挡的用户,以此可以避免由于用户被遮挡而出现误判或漏识别的情况,提高了空调的智能识别能力,从而提高了对空调智能控制的准确性。
可选的,目标检测单元包括目标检测模型和目标获取模块,目标检测模型为将多个预设的图像数据输入预设的YOLOv5算法进行训练得到,将图像数据输入目标检测单元中得到表示区域内所有用户的用户信息包括:
将图像数据输入目标检测模型中得到不同类别物体的特征信息;
将特征信息输入目标检测模型中的SASA模块进行处理以确定被其他物体遮挡的特征信息的特征图;
将特征图输入目标获取模块以获取被其他物体遮挡的用户的用户信息,并将特征信息输入目标获取模块以获取未被其他物体遮挡的用户的用户信息。
技术效果:通过目标检测模型中的SASA模块解决被其他物体遮挡的用户的情况,以提高了空调的智能识别能力,从而提高了对空调智能控制的准确性。
可选的,将特征信息输入目标检测模型中的SASA模块进行处理以确定被其他物体遮挡的特征信息的特征图包括:
将图像数据输入SASA模块以得到查询特征、关键字特征和值特征;
控制SASA模块基于查询特征和关键字特征获取每个像素点与其他像素点之间的注意力权重,并将每个像素点的注意力权重加权至值特征以得到与每一个像素点相关的特征图。
技术效果:通过对每个像素点的值特征进行加权求和,可以得到与每一个像素点相关的特征图。这一过程确保了目标检测模型更关注于与像素点关联度较高的区域,从而提升了特征的表达能力。
可选的,在将特征信息输入目标检测模型中的SASA模块进行处理以确定被其他物体遮挡的特征信息的特征图之前,控制方法还包括:
将不同类别物体的特征信息输入目标检测模型的NWD损失函数中,以使NWD损失函数通过分布相似度以度量所有物体中每个物体的特征信息之间的相似性。
技术效果:通过使用NWD损失函数,可以更准确地评估检测到的小目标之间的相似性,而不受它们的尺度变化的影响。这有助于提高目标检测模型在小目标检测任务中的性能和稳健性。
可选的,将图像数据输入目标检测模型中得到不同类别物体的特征信息包括:
将图像数据输入目标检测模型中的CSPDarknet53网络结构以提取所有物体的特征信息;
其中,CSPDarknet53网络结构的空间池化层中设置有BasicRFB模块,用于对所有物体进行识别。
技术效果:有效地提升了目标检测模型的特征提取能力,因而可以快速有效的得到不同类别物体的特征信息,加快了目标检测模型的响应速度。
可选的,用户信息包括用户人数、用户位置和用户行动,根据用户信息控制空调的运行包括:
根据用户人数、用户位置和用户行动得到平均位置和平均姿势;
根据平均位置和平均姿势以及预设温度得到目标温度;
根据目标温度调节空调的压缩机和风机。
技术效果:通过实时监测用户的信息通过智能算法对空调的压缩机和风机进行智能控制,以自动调节室内温度,无需人工干预,可以提供更加舒适的室内环境,提高用户的生活品质。
本申请实施例还提供一种空调的控制装置,控制装置包括:
获取单元,获取单元用于获取空调所在区域的图像数据;
目标检测单元,目标检测单元与获取单元连接,用于将图像数据输入目标检测单元中得到表示区域内的用户的状态的用户信息,区域内的用户包括在图像数据中被其他物体遮挡的用户和未被遮挡的用户;
控制单元,控制单元与目标检测单元连接,用于根据用户信息控制空调的运行。
技术效果:通过获取单元获取图像数据,并通过目标检测单元对图像数据进行处理以得到区域内被其他物体遮挡的用户和未被遮挡的用户的用户信息,以此可以避免由于用户被遮挡而出现误判或漏识别的情况,提高了空调的智能识别能力,从而提高了对空调智能控制的准确性。
可选的,目标检测单元包括目标检测模型和目标获取模块,目标检测模型为将多个预设的图像数据输入预设的YOLOv5算法进行训练得到,目标检测模型用于根据图像输入目标检测单元得到特征图和特征信息,目标获取模块用与根据特征图和特征信息得到用户的信息。
技术效果:预设的YOLOv5算法可以提高目标检测模型提取特征的能力。
可选的,目标检测模型包括:
Backbone层,Backbone层包括CSPDarknet53网络结构,CSPDarknet53网络结构的空间池化层中设置有BasicRFB模块,用于提取所有物体的特征信息;
Head层,Head层包括SASA模块,用于对特征信息进行处理以确定被其他物体遮挡的特征信息的特征图;
NWD损失函数层,用于通过分布相似度以度量所有物体中每个物体的特征信息之间的相似性,以对所有物体的特征信息进行分类。
技术效果:通过对目标检测模型进行优化,可以及时响应室内人员变化,实现快速的温度调节。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述任一的控制方法。
本申请实施例所提供的空调的控制方法,通过将图像数据输入目标检测模型得到该区域内所有用户的状态的用户信息,根据用户信息智能控制空调的运行,该用户信息包括被其他物体所遮挡的用户,以此可以避免由于用户被遮挡而出现误判或漏识别的情况,提高了空调的智能识别能力,从而提高了对空调智能控制的准确性。
附图说明
图1为本申请实施例提供的空调的控制方法的流程示意图;
图2为图1所示的控制方法中获取所有用户的用户信息的流程示意图;
图3为图1所示的控制方法中根据用户信息控制空调的运行的流程示意图;
图4为本申请实施例提供的空调的控制装置的结构示意图;
图5为图4所示的控制装置中目标检测单元的结构示意图。
附图标记说明:
100-控制装置、10-获取单元、20-目标检测单元、30-控制单元;
210-目标检测模型、220-目标获取模块;
211-Backbone层、212-Head层、213-NWD损失函数层、214-优化层;2111-CSPDarknet53网络结构、2121-SASA模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面将对本发明的具体实施例做详细的说明。
空调可以根据用户的需求提供制冷或制热的功能,改善室内的温度和舒适度。然而,传统的空调通常需要用户手动设置温度和风速,或者使用遥控器或智能手机等外部设备进行控制。这样不仅给用户带来了不便,而且可能导致空调的运行效率低下,浪费能源。
为了解决这些问题,一些空调厂商开发了智能空调,利用传感器、摄像头、人工智能等技术来实现空调的智能控制。然而,现有的智能空调仍然存在一些不足之处,例如:
1)空调的摄像头识别效果受光线、角度、遮挡等因素影响,可能出现误识别或漏识别的情况;
2)空调的摄像头识别算法复杂度高,运行速度慢,不能实时响应用户的需求;
3)空调的摄像头识别算法对于不同场景和数据集的泛化能力差,需要大量的训练和优化。
因此,本申请提供了一种空调的控制方法及空调的控制装置以解决上述技术问题。具体的可以参见下文。
请参阅图1,图1为本申请实施例提供的空调的控制方法的流程示意图,本申请实施例提供一种空调的控制方法,该控制方法包括以下流程:
110、获取空调所在区域的图像数据。
其中,图像数据可以是通过摄像头拍摄的照片,也可以是在摄像头拍摄的视频中获取的照片。
可以理解的是,获取图像数据的时间可以是按照时间顺序在视频中依次获取照片,也可以是根据预设时间间隔获取照片,具体的可以根据实际情况进行设置,在此不作具体的限制。
示意性的,摄像头采集空调设备所在区域内的视频,电子设备间隔预设时间获取该区域的视频进而获取图像数据,其中,预设时间可以是3分钟、5分钟和10分钟等等,具体的预设时间可以根据实验数据、历史数据或者用户习惯进行设置,在此不作具体的限制。
120、将图像数据输入目标检测单元中得到表示区域内所有用户的用户信息,区域内所有用户包括在图像数据中被其他物体遮挡的用户和未被遮挡的用户。
在一些实施例中,目测检测单元包括目标检测模型和目标获取模块。其中,目标检测模型为将多个预设的用户图像样本输入改进的YOLOv5算法进行训练得到,目标获取模块主要用于从特征信息和特征图中得到用户的用户信息。也就是说本申请实施例是通过基于改进的YOLOv5算法的目标检测模型对图像数据进行检测,并通过目标获取模块获取用户信息。
其中,将图像数据输入目标检测单元中得到表示区域内所有用户的用户信息的具体流程可以继续参阅图2,图2为图1所示的控制方法中获取所有用户的用户信息的流程示意图。具体流程如下:
121、将图像数据输入目标检测模型中得到不同类别物体的特征信息。
本申请实施例提供的基于改进的YOLOv5算法的目标检测模型可以是一种用于目标检测的深度学习模型,它可以快速地在图像中找出不同类别的物体,并给出物体的位置和大小。示例性的,本申请将图像数据输入目标检测模型中可以快速得到不同类别物体的特征信息,其中,特征信息包括物体的类别、位置和形态。
进一步地,在一些实施例中,为了提高目标检测模型的性能,本申请在YOLOv5算法的Backbone层使用了CSPDarknet53网络结构,并且在CSPDarknet53网络结构的最后一个空间池化层里加入了BasicRFB模块,以此有效地提升了目标检测模型的特征提取能力,因而可以快速有效的得到不同类别物体的特征信息,加快了目标检测模型的响应速度。
122、将特征信息输入目标检测模型中的SASA模块进行处理以确定被其他物体遮挡的特征信息的特征图。
在一些实施例中,目标检测模型的Head层中设置有SASA模块。其中,SASA模块是一种完全自注意力模块,可以直接在图像特征图上应用自注意力机制,无需卷积层的辅助。即SASA模块用局部自注意力代替每个空间卷积,从而增强了特征图中每个像素点的信息,以便在图像中捕捉全局信息,提高模型对复杂场景的处理能力。因此,本申请实施例通过在目标检测模型的Head层中加入SASA模块,可以使目标表预测模型在提取特征信息时更加关注人脸的重要部分,而不受被遮挡或背景干扰,从而可以解决人被遮挡的问题,并降低模型的参数量。
示例性的,将图像数据输入SASA模块以得到查询特征、关键字特征和值特征;SASA模块基于查询特征和关键字特征获取每个像素点与其他像素点之间的注意力权重,并将每个像素点的注意力权重加权至值特征以得到与每一个像素点相关的特征图。
SASA模块通过将输入特征图中的每个像素点视为一个序列元素,然后将其送入自注意力层中,得到每个像素点的注意力权重。通过对每个像素点的值特征进行加权求和,可以得到与每一个像素点相关的特征图。这一过程确保了目标检测模型更关注于与像素点关联度较高的区域,从而提升了特征的表达能力。
简而言之,通过利用这些注意力权重,SASA模块通过一种精心设计的加权机制,使得最终的特征图更加强调与每个像素点相关的信息,从而提高了目标检测模型的表达能力和对复杂场景的理解。
示例性的,输入的特征图通过一组线性变换,生成三个特征图:查询特征Q(Query)、关键字特征K(Keys)和值特征V(Values)。这三个特征图分别用于计算注意力权重、查询特征和值特征。这些特征图的形状均为C×H×W,其中C表示通道数,H和W分别表示特征图的高度和宽度。接着,对于每个像素点i,计算其与其他像素点之间的注意力权重,该权重可以通过下述公式1计算得到:
其中,qi表示像素点i的Query特征,kj表示像素点j的Keys特征。这一注意力权重用于对值特征进行加权,最终得到像素点i的特征表示。表示特征维度的开方,这个权重值用于度量像素点i和像素点j之间的关联程度,而分母则是用于对这些权重进行归一化的因子。具体而言,接下来利用这些注意力权重对特征图进行加权,得到最终的输出特征图。
公式2的主要作用是将注意力权重应用到Values特征上,进而生成每个像素点的最终特征表示。这有助于增强模型的性能和表现。
其中,在公式2中,aij是像素点i和像素点j之间的注意力权重,vj是像素点j的值特征。通过对每个像素点j的值特征进行加权求和,我们可以得到像素点i的最终输出特征。这一过程确保了模型更关注于与像素点i关联度较高的区域,从而提升了特征的表达能力。简而言之,通过利用这些注意力权重,SASA模块通过一种精心设计的加权机制,使得最终的输出特征图更加强调与每个像素点相关的信息,从而提高了模型的表达能力和对复杂场景的理解。
在一些实施例中,在将特征信息输入目标检测模型中的SASA模块进行处理以确定被其他物体遮挡的特征信息的特征图之前,本申请实施例还会利用标准化高斯瓦瑟斯坦距离损失(Normalized Gaussian Wasserstein Distance Loss,NWD)损失函数提高目标检测模型对小目标检测的鲁棒性,使目标检测模型能够更好地检测小目标。
其中,NWD损失函数是一种基于Wasserstein距离的损失函数,它可以衡量两个边界框之间的相似性,而不是像传统的IoU那样只考虑它们的重叠程度。NWD损失函数可以更好地处理小目标的位置偏差,并减少标签分配中的错误。
该距离计算公式如下:
其中Na,Nb分别表示每个预测框的邻域内的真实框的数量,即每个预测框周围有多少个真实框;W2 2是一个权重参数,用于衡量真实框损失与预测框损失之间的相对重要性,其中,W2 2的表达式如下:
和/>分别表示两个框的中心点坐标和宽高。
针对检测到的目标,无论它们是否重叠,可以利用分布相似度来度量它们之间的相似性。在这种情况下,NormalizedWasserstein Distance(NWD)是一种有效的度量方式。NWD损失函数不受目标尺度的影响,因此特别适用于评估小目标之间的相似性。
具体来说,NWD损失函数是一种用于比较两个概率分布之间差异的方法。在目标检测中,可以将每个目标的特征分布视为概率分布,并使用NWD损失函数来量化这些分布之间的相似度。由于NWD损失函数不受目标尺度的干扰,它在衡量小目标之间的相似性时更为稳健。
其中,上述小目标可以理解为目标相对较小,像素信息较少的物体,模型可能面临如低分辨率、相对较少的像素。由于小目标的特征信息有限,目标检测模型需要更好地处理这些情况,以确保对小目标的准确检测。因此,本申请实施例通过使用NWD损失函数,可以更准确地评估检测到的小目标之间的相似性,而不受它们的尺度变化的影响。这有助于提高目标检测模型在小目标检测任务中的性能和稳健性。
123、将特征图输入目标获取模块以获取被其他物体遮挡的用户的用户信息,并将特征信息输入目标获取模块以获取未被其他物体遮挡的用户的用户信息。
将特征图和特征信息均输入目标获取模块中以提取被遮挡用户的用户信息和未被其他物体遮挡的用户的用户信息。
130、根据用户信息控制空调的运行。
用户信息包括用户人数、用户位置和用户行动,其中,用户行动包括用户的姿势,例如行走、躺着、坐立等姿势。
其中,根据用户信息控制空调的运行的具体操作可以继续参阅图3,图3为图1所示的控制方法中根据用户信息控制空调的运行的流程示意图。具体流程如下:
131、根据用户人数、用户位置和用户行动得到平均位置和平均姿势。
可以理解的是,同一空间内,人数的多少、人群的疏密程度以及生活状态都会影响冷气需求量,因此,本申请实施例根据用户人数和用户位置得到用户的平均位置,即得到人群的疏密程度,其中,人群密度越大,其散热量越大且集中,需要的制冷量更多;反之,人群密度越小,需要的制冷量越少。
根据用户人数和用户行动得到平均姿势,即得到在该区域内用户的生活状态,例如走动状态的用户会产生更多的热量,需要的制冷量会更多。
132、根据平均位置和平均姿势以及预设温度得到目标温度。
根据平均姿势和平均位置得到初始温度,将初始温度和预设温度结合以得到最适合当前环境和用户需求的目标温度。其中,预设温度可以是根据用户设定的温度范围、用户偏好或者节能策略得到的,具体的可以根据实际情况进行设置,在此不作具体的限制。
133、根据目标温度调节空调的压缩机和风机。
根据目标温度得到确定的运行模式和参数,并根据运行模式和参数控制空调的压缩机、风机等部件的运行,从而实现温度智能调节。
通过实时监测用户的信息通过智能算法对空调的压缩机和风机进行智能控制,以自动调节室内温度,无需人工干预,可以提供更加舒适的室内环境,提高用户的生活品质。
请继续参阅图4,图4为本申请实施例提供的空调的控制装置的结构示意图。本申请实施例还提供一种空调的控制装置100,该控制装置100包括获取单元10、目标检测单元20和控制单元30,其中,获取单元10用于获取空调所在区域的图像数据,目标检测单元20用于将图像数据输入目标检测模型中得到表示区域内的用户的状态的用户信息,区域内的用户包括在图像数据中被其他物体遮挡的用户和未被遮挡的用户。控制单元30用于根据用户信息控制空调的运行。本申请实施例通过获取单元10获取图像数据,并通过目标检测单元20对图像数据进行处理以得到区域内被其他物体遮挡的用户和未被遮挡的用户的用户信息,以此可以避免由于用户被遮挡而出现误判或漏识别的情况,提高了空调的智能识别能力,从而提高了对空调智能控制的准确性。
其中,获取单元10可以是设置在空调上的摄像头,也可以是相对空调独立设置的摄像头,具体的可以根据实际情况进行设置,只需要满足摄像头可以覆盖室内的大部分区域即可。
目标检测单元20包括目标检测模型210和目标获取模块220,该目标检测模型210为将多个预设的用户图像样本输入预设的YOLOv5算法进行训练得到的,且该目标检测模型210包括SASA模块2121,用于得到被遮挡用户的特征图和特征信息,从而可以通过目标获取模块220根据特征图和特征信息提取未被遮挡用户的用户信息和被遮挡用户的用户信息。
请继续参阅图5,图5为图4所示的控制装置中目标检测单元的结构示意图。目标检测模型210包括Backbone层211,Backbone层211包括CSPDarknet53网络结构212,用于提取特征,在一些实施例中,CSPDarknet53网络结构212的空间池化层中设置有BasicRFB模块,用于增强提取所有物体的特征信息的能力。
在一些实施例中,目标检测模型210还包括Head层212,Head层212包括SASA模块2121,用于对特征信息进行处理以确定被其他物体遮挡的特征信息的特征图,以解决被遮挡问题,减少参数量。
在一些实施例中,目标检测模型210还包括NWD损失函数层213,NWD损失函数层213用于通过分布相似度以度量所有物体中每个物体的特征信息之间的相似性,以对所有物体的特征信息进行分类,使目标检测模型210更好地检测小目标,这可能包括针对小目标的加权项、适应性损失权重等。
在一些实施例中,目标检测模型210还包括优化层214,优化层214用于降低中间层通道神经元的数量、调节学习率等方式,对改进的YOLO v5网络进行了优化,以避免模型过拟合。过拟合是指目标检测模型210在训练数据上表现很好,但在测试数据上表现很差的现象。为了防止过拟合,可以减少目标检测模型210的复杂度和参数量,以及使用合适的学习率和正则化方法。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述任一控制方法。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种空调的控制方法,其特征在于,所述控制方法包括:
获取所述空调所在区域的图像数据;
将所述图像数据输入目标检测单元中得到表示所述区域内所有用户的用户信息,所述区域内所有用户包括在所述图像数据中被其他物体遮挡的用户和未被遮挡的用户;
根据所述用户信息控制所述空调的运行。
2.根据权利要求1所述的控制方法,其特征在于,所述目标检测单元包括目标检测模型和目标获取模块,所述目标检测模型为将多个预设的图像数据输入预设的YOLOv5算法进行训练得到,所述将所述图像数据输入目标检测单元中得到表示所述区域内所有用户的用户信息包括:
将所述图像数据输入所述目标检测模型中得到不同类别物体的特征信息;
将所述特征信息输入所述目标检测模型中的SASA模块进行处理以确定被其他物体遮挡的特征信息的特征图;
将所述特征图输入所述目标获取模块以获取被其他物体遮挡的用户的用户信息,并将所述特征信息输入所述目标获取模块以获取未被其他物体遮挡的用户的用户信息。
3.根据权利要求2所述的控制方法,其特征在于,所述将所述特征信息输入所述目标检测模型中的SASA模块进行处理以确定被其他物体遮挡的特征信息的特征图包括:
将所述图像数据输入所述SASA模块以得到查询特征、关键字特征和值特征;
控制所述SASA模块基于所述查询特征和所述关键字特征获取每个像素点与其他像素点之间的注意力权重,并将每个所述像素点的所述注意力权重加权至所述值特征以得到与每一个像素点相关的特征图。
4.根据权利要求2所述的控制方法,其特征在于,在将所述特征信息输入所述目标检测模型中的SASA模块进行处理以确定被其他物体遮挡的特征信息的特征图之前,所述控制方法还包括:
将所述不同类别物体的特征信息输入所述目标检测模型的NWD损失函数中,以使所述NWD损失函数通过分布相似度以度量所有物体中每个物体的特征信息之间的相似性。
5.根据权利要求1至4中任一项所述的控制方法,其特征在于,所述将所述图像数据输入目标检测模型中得到不同类别物体的特征信息包括:
将所述图像数据输入所述目标检测模型中的CSPDarknet53网络结构以提取所有物体的特征信息;
其中,所述CSPDarknet53网络结构的空间池化层中设置有BasicRFB模块,用于对所有物体进行识别。
6.根据权利要求1至4中任一项所述的控制方法,其特征在于,所述用户信息包括用户人数、用户位置和用户行动,所述根据所述用户信息控制所述空调的运行包括:
根据所述用户人数、所述用户位置和所述用户行动得到平均位置和平均姿势;
根据所述平均位置和所述平均姿势以及预设温度得到目标温度;
根据所述目标温度调节所述空调的压缩机和风机。
7.一种空调的控制装置,其特征在于,所述控制装置包括:
获取单元,所述获取单元用于获取所述空调所在区域的图像数据;
目标检测单元,所述目标检测单元与所述获取单元连接,用于将所述图像数据输入所述目标检测单元中得到表示所述区域内的用户的状态的用户信息,所述区域内的用户包括在所述图像数据中被其他物体遮挡的用户和未被遮挡的用户;
控制单元,所述控制单元与所述目标检测单元连接,用于根据所述用户信息控制所述空调的运行。
8.根据权利要求7所述的控制装置,其特征在于,所述目标检测单元包括目标检测模型和目标获取模块,所述目标检测模型为将多个预设的图像数据输入预设的YOLOv5算法进行训练得到,所述目标检测模型用于根据所述图像输入目标检测单元得到特征图和特征信息,所述目标获取模块用与根据所述特征图和所述特征信息得到用户的信息。
9.根据权利要求7所述的控制装置,其特征在于,所述目标检测模型包括:
Backbone层,所述Backbone层包括CSPDarknet53网络结构,所述CSPDarknet53网络结构的空间池化层中设置有BasicRFB模块,用于提取所有物体的特征信息;
Head层,所述Head层包括SASA模块,用于对特征信息进行处理以确定被其他物体遮挡的特征信息的特征图;
NWD损失函数层,用于通过分布相似度以度量所有物体中每个物体的特征信息之间的相似性,以对所述所有物体的特征信息进行分类。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如权利要求1至6中任一所述的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311691337.7A CN117433142A (zh) | 2023-12-11 | 2023-12-11 | 一种空调的控制方法、空调的控制装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311691337.7A CN117433142A (zh) | 2023-12-11 | 2023-12-11 | 一种空调的控制方法、空调的控制装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117433142A true CN117433142A (zh) | 2024-01-23 |
Family
ID=89558517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311691337.7A Pending CN117433142A (zh) | 2023-12-11 | 2023-12-11 | 一种空调的控制方法、空调的控制装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117433142A (zh) |
-
2023
- 2023-12-11 CN CN202311691337.7A patent/CN117433142A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11301779B2 (en) | Air conditioner | |
US10417493B2 (en) | Video object classification with object size calibration | |
EP3579145A1 (en) | Method and device for image processing, computer readable storage medium, and electronic device | |
US10929945B2 (en) | Image capture devices featuring intelligent use of lightweight hardware-generated statistics | |
CN103503029B (zh) | 检测面部特性的方法 | |
CN104182721A (zh) | 提升人脸识别率的图像处理系统及图像处理方法 | |
CN112101115B (zh) | 基于热成像的温度控制方法、装置、电子设备和介质 | |
CN111462155B (zh) | 移动侦测方法、装置、计算机设备和存储介质 | |
WO2022121130A1 (zh) | 电力目标检测方法、装置、计算机设备和存储介质 | |
WO2021084972A1 (ja) | 物体追跡装置および物体追跡方法 | |
CN116386120A (zh) | 一种无感监控管理系统 | |
CN110336719B (zh) | 一种实时视频家居环境设备识别交互的远程智能家居控制方法 | |
CN111240217B (zh) | 状态检测方法、装置、电子设备及存储介质 | |
CN116761049B (zh) | 一种家用智能安防监控方法及系统 | |
US10991130B2 (en) | Systems and methods for implementing a sensor based real time tracking system | |
CN117433142A (zh) | 一种空调的控制方法、空调的控制装置和存储介质 | |
KR102426492B1 (ko) | 환기설비 연동 범용 제어 방법, 장치 및 프로그램 | |
CN114298973A (zh) | 一种基于红外图像分割的智能供热监测方法 | |
CN111601418A (zh) | 色温调节方法、装置、存储介质和处理器 | |
CN109711445A (zh) | 目标跟踪分类器在线训练样本的超像素中智相似加权方法 | |
Wen et al. | Real-time personnel counting of indoor area division based on improved YOLOV4-Tiny | |
CN117237383B (zh) | 一种基于室内环境的智能门窗控制方法及系统 | |
CN116095914B (zh) | 一种基于大数据的智慧建筑照明调节方法及系统 | |
Yin et al. | Flue gas layer feature segmentation based on multi-channel pixel adaptive | |
CN115509351B (zh) | 一种感官联动情景式数码相框交互方法与系统 |
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 |