CN112749753B - 电器设备控制方法、装置、电器设备和存储介质 - Google Patents

电器设备控制方法、装置、电器设备和存储介质 Download PDF

Info

Publication number
CN112749753B
CN112749753B CN202110061859.3A CN202110061859A CN112749753B CN 112749753 B CN112749753 B CN 112749753B CN 202110061859 A CN202110061859 A CN 202110061859A CN 112749753 B CN112749753 B CN 112749753B
Authority
CN
China
Prior art keywords
detected
image
features
pollutant
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
Application number
CN202110061859.3A
Other languages
English (en)
Other versions
CN112749753A (zh
Inventor
宋士奇
汪进
李保水
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.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
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 Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202110061859.3A priority Critical patent/CN112749753B/zh
Publication of CN112749753A publication Critical patent/CN112749753A/zh
Application granted granted Critical
Publication of CN112749753B publication Critical patent/CN112749753B/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
    • G06V20/00—Scenes; Scene-specific elements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B08—CLEANING
    • B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
    • B08B13/00—Accessories or details of general applicability for machines or apparatus for cleaning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B3/00—Audible signalling systems; Audible personal calling systems
    • G08B3/10—Audible signalling systems; Audible personal calling systems using electric transmission; using electromagnetic transmission
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种电器设备控制方法、装置、电器设备和存储介质。所述方法包括：获取针对电器设备的待检测区域采集的待检测图像；对待检测图像进行特征提取，获得待检测图像的图像特征，基于图像特征进行目标检测，获得待检测区域中的污染物检测结果；当污染物检测结果满足预设条件时，发出用于提示对电器设备进行清洁的提示信息。采用本方法能够对电器设备内的污染物进行自动检测，并智能提示用户进行清洁处理。

Description

电器设备控制方法、装置、电器设备和存储介质
技术领域
本申请涉及智能控制技术领域，特别是涉及一种电器设备控制方法、装置、电器设备和存储介质。
背景技术
电器设备在使用一段时间后可能附着灰尘等污染物，如不清洗可能影响使用效果。例如空调，作为常用的制冷/制热设备，在运行过程中，外部环境中的灰尘、杂质颗粒等污染物会随着气流进入空调内部，导致空调内机中容易积累污垢，使吹出的风的洁净程度受到影响，威胁用户健康，因此需要定期对空调内机进行清洁。
目前通常采用人工清洗的方式对空调内机进行清洁，但是需要人工自行判断清洁时机，而人工往往难以准确判断清洁时机，这会导致以下问题：若频繁清洁，则较为费时费力，若每隔很长一段时间进行一次清洁，则难以保证洁净度。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提供清洁提示的电器设备控制方法、装置、电器设备和存储介质。
一种电器设备控制方法，所述方法包括：
获取针对电器设备的待检测区域采集的待检测图像；
对所述待检测图像进行特征提取，获得所述待检测图像的图像特征，基于所述图像特征进行目标检测，获得所述待检测区域中的污染物检测结果；
当所述污染物检测结果满足预设条件时，发出用于提示对所述电器设备进行清洁的提示信息。
一种电器设备控制装置，所述装置包括：
获取模块，用于获取针对电器设备的待检测区域采集的待检测图像；
检测模块，用于对所述待检测图像进行特征提取，获得所述待检测图像的图像特征，基于所述图像特征进行目标检测，获得所述待检测区域中的污染物检测结果；
控制模块，用于当所述污染物检测结果满足预设条件时，发出用于提示对所述电器设备进行清洁的提示信息。
一种电器设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取针对电器设备的待检测区域采集的待检测图像；
对所述待检测图像进行特征提取，获得所述待检测图像的图像特征，基于所述图像特征进行目标检测，获得所述待检测区域中的污染物检测结果；
当所述污染物检测结果满足预设条件时，发出用于提示对所述电器设备进行清洁的提示信息。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取针对电器设备的待检测区域采集的待检测图像；
对所述待检测图像进行特征提取，获得所述待检测图像的图像特征，基于所述图像特征进行目标检测，获得所述待检测区域中的污染物检测结果；
当所述污染物检测结果满足预设条件时，发出用于提示对所述电器设备进行清洁的提示信息。
上述电器设备控制方法、装置、电器设备和存储介质，获取针对电器设备的待检测区域采集的待检测图像，对待检测图像进行特征提取，获得待检测图像的图像特征，基于图像特征进行目标检测，获得待检测区域中的污染物检测结果，当污染物检测结果满足预设条件时，发出用于提示对电器设备进行清洁的提示信息。据此，可对电器设备内的污染物进行自动检测，并根据污染物检测结果判断清洁时机，当判断需要清洁时，智能提示用户进行清洁处理，从而无需用户自行判断清洁时机，减少人力耗费。
附图说明
图1为一个实施例中电器设备控制方法的应用环境图；
图2为一个实施例中电器设备控制方法的流程示意图；
图3为一个实施例中目标检测模型的训练方法的流程示意图；
图4为一个实施例中目标检测模型的结构示意图；
图5为一个实施例中电器设备控制装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的电器设备控制方法，可以应用于如图1所示的电器设备100中。该电器设备100包括控制单元101、图像采集单元102和语音单元103，图像采集单元102和语音单元103分别与控制单元101通信连接。图像采集单元102采集电器设备的待检测区域的图像，控制单元101获取图像采集单元102采集的图像，并对图像中的污染物进行检测，当检测结果满足预设条件时，向语音单元103发出控制指令，以使语音单元103发出清洁提示。其中，图像采集单元102可以是摄像头，语音单元103可以是扬声器。
在一个实施例中，该电器设备100还可以包括WIFI通讯单元104，WIFI通讯单元104与控制单元101通信连接。WIFI通讯单元104还与物联网(IOT)服务器105通信连接，用户终端106通过网络与IOT服务器105进行通信。当检测结果满足预设条件时，控制单元101还可以向WIFI通讯单元104发出控制指令，以使WIFI通讯单元104通过IOT服务器105将清洁提示信息发送到用户终端106，通过用户终端106为用户推送清洁服务相关信息。
在一个实施例中，如图2所示，提供了一种电器设备控制方法，以该方法应用于电器设备为例进行说明，包括以下步骤S202至步骤S206。
S202，获取针对电器设备的待检测区域采集的待检测图像。
需要说明的是，本申请中的电器设备可以但不限于是空调、吸尘器等容易积灰的设备。以空调为例，待检测区域可以是空调内机的内部区域，待检测图像指的是待检测区域的图像，具体而言，可以在空调内机的内侧安装摄像头，用于采集待检测区域的图像。
S204，对待检测图像进行特征提取，获得待检测图像的图像特征，基于图像特征进行目标检测，获得待检测区域中的污染物检测结果。
可以理解，当待检测区域中出现灰尘等污染物时，相应的待检测图像中会包含污染物信息，对待检测图像进行目标检测，可以识别出待检测图像中的污染物，将待检测图像中的污染物识别结果作为待检测区域中的污染物检测结果。
在一个实施例中，可以预先建立目标检测模型，用于检测图像中的污染物，污染物可以包括但不限于灰尘、污垢、粉尘颗粒和空气悬浮物等各种类型的污染物。具体而言，将待检测图像输入到目标检测模型，目标检测模型提取待检测图像的图像特征，并基于图像特征进行映射，获得检测出来的各污染物在待检测图像中的位置信息。
S206，当污染物检测结果满足预设条件时，发出用于提示对电器设备进行清洁的提示信息。
污染物检测结果满足预设条件，可以理解为待检测区域中的污染物达到需要清洁的程度，即达到清洁时机，从而电器设备发出清洁提示。其中，预设条件可以结合实际情况进行设置，对此不做限定。
在一个实施例中，提示信息可以是语音提示信息，具体而言，可以通过电器设备中的语音单元(如扬声器)直接发出语音提示，以提示用户对电器设备进行清洁。在其他实施例中，提示信息还可以通过IOT服务器发送到安装有相关应用程序(APP)的用户终端，以提示用户对电器设备进行清洁。
上述电器设备控制方法中，获取针对电器设备的待检测区域采集的待检测图像，对待检测图像进行特征提取，获得待检测图像的图像特征，基于图像特征进行目标检测，获得待检测区域中的污染物检测结果，当污染物检测结果满足预设条件时，发出用于提示对电器设备进行清洁的提示信息。据此，可对电器设备内的污染物进行自动检测，并根据污染物检测结果判断清洁时机，当判断需要清洁时，智能提示用户进行清洁处理，从而无需用户自行判断清洁时机，减少人力耗费。
在一个实施例中，当污染物检测结果满足预设条件时，还包括：向与电器设备关联的终端发送清洁服务相关信息。
清洁服务相关信息可以包括但不限于清洁操作指引信息、清洁预约服务信息等，以指导用户更好地对电器设备进行清洁，或提供专业的上门清洁服务。
在一个实施例中，污染物检测结果包括污染物数量，当污染物数量达到数量阈值时，判定污染物检测结果满足预设条件。
污染物数量指的是从待检测图像中检测出的目标数量，具体而言，通过对待检测图像进行目标检测，可以获得各目标在待检测图像中的位置信息，用于表示各目标在待检测图像中的位置，将目标位置的数量作为目标数量。污染物数量达到数量阈值，说明污染物数量足够多，到达需要清洁的程度。其中，数量阈值可以结合实际需求进行设置，对此不做限定。
在其他实施例中，还可以是当待检测区域中的污染物密度达到密度阈值时，判定污染物检测结果满足预设条件。其中，污染物密度可以通过污染物数量与待检测区域面积的比值确定，污染物密度达到密度阈值，说明污染物密度足够大，到达需要清洁的程度。其中，密度阈值可以结合实际需求进行设置，对此不做限定。
在一个实施例中，对待检测图像进行特征提取，获得待检测图像的图像特征，基于图像特征进行目标检测，获得待检测区域中的污染物检测结果的步骤，具体可以包括：通过目标检测模型，对待检测图像进行特征提取，获得待检测图像的图像特征，基于图像特征进行目标检测，获得待检测区域中的污染物检测结果。
目标检测模型是用于检测图像中的污染物目标的模型。在一个实施例中，如图3所示，目标检测模型的训练方法可以包括以下步骤S302至步骤S306。
S302，获取针对待检测区域采集的样本图像及其对应的标注信息，标注信息包括：在样本图像中标注的各污染物的位置信息和类别信息。
对样本图像中的各污染物进行标注，对于标注出来的污染物，其位置信息表示该污染物的真实位置，其类别信息表示该污染物的真实类别。在一个实施例中，标注的类别信息可以只包含一种类别，用于表示标注的污染物为真实污染物，而非图像背景。在另一个实施例中，标注的类别信息可以包含多种类别，如灰尘、污垢、粉尘颗粒、空气悬浮物等，即对污染物类别进行细分，用于表示标注的污染物所属的真实细分类别。
S304，通过待训练目标检测模型对样本图像进行目标检测，得到样本图像对应的检测信息，检测信息包括：从样本图像中检测出的各污染物的位置信息和类别信息。
将样本图像输入到待训练目标检测模型，目标检测模型提取待检测图像的图像特征，并基于图像特征进行映射，输出样本图像对应的检测信息。对于检测出来的污染物，其位置信息表示该污染物的预测位置，其类别信息包括预测类别及其概率。
S306，基于样本图像的标注信息和检测信息，调整待训练目标检测模型的参数，直至满足训练结束条件，获得目标检测模型。
可以基于样本图像的标注信息和检测信息之间的误差建立损失函数，根据损失函数的值调整目标检测模型的参数，训练结束条件可以是损失函数的值小于预设阈值，也可以是测试样本的正确率满足预设要求，还可以是迭代次数达到预设次数，其中，预设阈值、预设要求和预设次数都可以结合实际需求进行设置，此处不做限定。
上述实施例中，对目标检测模型进行训练，训练完成后，将待检测图像输入到训练好的目标检测模型中，可以获得待检测图像中各污染物的位置信息和类别信息。据此，通过计算机视觉中的目标检测技术对待检测区域中的污染物情况进行智能识别，减少人力消耗，为用户提供便利。
在一个实施例中，目标检测模型包括：特征提取网络、特征融合网络和识别网络。通过目标检测模型，对待检测图像进行特征提取，获得待检测图像的图像特征，基于图像特征进行目标检测，获得待检测区域中的污染物检测结果的步骤，具体可以包括以下步骤：通过特征提取网络，对待检测图像进行特征提取，获得至少两种尺度的第一特征；通过特征融合网络，对待检测图像进行特征提取，获得至少两种尺度的第二特征，第二特征的尺度与第一特征的尺度相对应，将各第一特征和与之尺度相对应的第二特征进行融合，获得各尺度的融合特征，图像特征包括各融合特征；通过识别网络，对各融合特征进行识别，获得待检测区域中的污染物检测结果。
如图4所示，提供了一个实施例中目标检测模型的结构示意图，特征提取网络包括卷积层和6组残差层，特征融合网络包括5组卷积层，识别网络中采用了Softmax函数。具体地，将待检测图像的分辨率(尺度或尺寸)调整为256×256，作为输入图像输入到特征提取网络，输入图像依次经过第一卷积处理(利用8个大小为3×3的卷积核进行卷积)和第二卷积处理(利用16个大小为3×3的卷积核以两个像素的步长进行卷积)，输出尺度为128×128的特征图。128×128的特征图依次经过六组残差层(各组残差层的执行次数分别为2、4、4、4、4、4)处理，增加网络深度，由此得到尺度为64×64、32×32、16×16、8×8、4×4、2×2的第一特征图，在这六组残差层中，除了卷积核的数量和特征图的分辨率不同之外，每组残差层结构都是相似的，两组残差层之间通过相应尺寸的卷积核以两个像素的步长进行调整达到与池化层相同的作用。此外，输入图像还依次经过5组卷积层处理，由此得到尺度为2×2、4×4、8×8、16×16、32×32的第二特征图，将卷积层提取的第二特征图与残差层提取的第一特征图进行级联操作，以融合相应尺度的特征信息，该过程中卷积层主要用于对特征图进行上采样操作，根据尺度的不同将融合特征分为5组(尺度分别为2×2、4×4、8×8、16×16、32×32)。Softmax函数对5组不同尺度的融合特征进行识别，获得目标位置信息和目标类别信息。
上述实施例中，利用残差层增加网络深度，可以更为准确地提取灰尘等小尺寸目标的轮廓、纹理等特征信息，并通过对残差层提取的特征和相应尺度的卷积层提取的特征进行融合，使得融合特征同时包含目标的轮廓、纹理等特征信息以及位置特征信息，有利于提高目标检测的准确性。
在一个实施例中，通过识别网络，对各融合特征进行识别，获得待检测区域中的污染物检测结果的步骤，具体可以包括以下步骤：通过识别网络，对各融合特征进行识别，获得各融合特征对应的识别结果及其概率，识别结果包括各污染物的位置信息和类别信息；根据各识别结果的概率，获得待检测区域中的污染物检测结果。
通过识别网络对各种尺度的融合特征进行识别，获得各种尺度的融合特征对应的识别结果及其概率，即每种尺度的融合特征对应一位置信息、一类别信息和一概率，将其中最大概率对应的类别信息和位置信息作为检测结果进行输出，据此可以进一步提高目标检测的准确性。
在一个实施例中，污染物检测结果包括各污染物在待检测图像中的位置信息，根据各污染物在待检测图像中的位置信息和预先确定的转换关系，获得各污染物在电器设备中的位置信息。
以空调为例，在空调内机的内侧安装摄像头，用于采集待检测区域的图像，则摄像头所在的相机坐标系和图像所在的图像坐标系之间存在转换关系，相机坐标系与世界坐标系之间也存在转换关系，上述转换关系可以采用任何可能的方式进行预先确定。据此，在获得各污染物在待检测图像中的位置信息之后，根据上述预先确定的转换关系，可以将各污染物的位置信息从图像坐标系转换到世界坐标系，获得各污染物在空调内机中的位置信息，例如污染物相对于空调内机的上下面、左右面以及前后面的距离，从而能够更精确地定位到污染物位置。获得各污染物在电器设备中的位置信息后，还可以在发出的提示信息中携带该位置信息，以便更有针对性地进行清洁。
应该理解的是，虽然上述实施例涉及的各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种电器设备控制装置500，包括：获取模块510、检测模块520和控制模块530，其中：
获取模块510，用于获取针对电器设备的待检测区域采集的待检测图像。
检测模块520，用于对待检测图像进行特征提取，获得待检测图像的图像特征，基于图像特征进行目标检测，获得待检测区域中的污染物检测结果。
控制模块530，用于当污染物检测结果满足预设条件时，发出用于提示对电器设备进行清洁的提示信息。
在一个实施例中，控制模块530还用于：当污染物检测结果满足预设条件时，向与电器设备关联的终端发送清洁服务相关信息。
在一个实施例中，污染物检测结果包括污染物数量，控制模块530还用于：当污染物数量达到数量阈值时，判定污染物检测结果满足预设条件。
在一个实施例中，检测模块520在对待检测图像进行特征提取，获得待检测图像的图像特征，基于图像特征进行目标检测，获得待检测区域中的污染物检测结果时，具体用于：通过目标检测模型，对待检测图像进行特征提取，获得待检测图像的图像特征，基于图像特征进行目标检测，获得待检测区域中的污染物检测结果。
在一个实施例中，目标检测模型的训练方法包括：获取针对待检测区域采集的样本图像及其对应的标注信息，标注信息包括：在样本图像中标注的各污染物的位置信息和类别信息；通过待训练目标检测模型对样本图像进行目标检测，得到样本图像对应的检测信息，检测信息包括：从样本图像中检测出的各污染物的位置信息和类别信息；基于样本图像的标注信息和检测信息，调整待训练目标检测模型的参数，直至满足训练结束条件，获得目标检测模型。
在一个实施例中，目标检测模型包括：特征提取网络、特征融合网络和识别网络；通过目标检测模型，对待检测图像进行特征提取，获得待检测图像的图像特征，基于图像特征进行目标检测，获得待检测区域中的污染物检测结的步骤，具体可以包括：通过特征提取网络，对待检测图像进行特征提取，获得至少两种尺度的第一特征；通过特征融合网络，对待检测图像进行特征提取，获得至少两种尺度的第二特征，第二特征的尺度与第一特征的尺度相对应，将各第一特征和与之尺度相对应的第二特征进行融合，获得各尺度的融合特征，图像特征包括各融合特征；通过识别网络，对各融合特征进行识别，获得待检测区域中的污染物检测结果。
在一个实施例中，通过识别网络，对各融合特征进行识别，获得待检测区域中的污染物检测结果的步骤，具体可以包括：通过识别网络，对各融合特征进行识别，获得各融合特征对应的识别结果及其概率，识别结果包括各污染物的位置信息和类别信息；根据各识别结果的概率，获得待检测区域中的污染物检测结果。
在一个实施例中，污染物检测结果包括各污染物在待检测图像中的位置信息，该装置还包括：位置确定模块，用于根据各污染物在待检测图像中的位置信息和预先确定的转换关系，获得各污染物在电器设备中的位置信息。
关于电器设备控制装置的具体限定可以参见上文中对于电器设备控制方法的限定，在此不再赘述。上述电器设备控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种电器设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
需要理解的是，上述实施例中的术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。针对数值范围的描述，术语“多个”理解为等于或大于两个。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种电器设备控制方法，其特征在于，所述方法包括：
获取针对电器设备的待检测区域采集的待检测图像；
通过目标检测模型，对所述待检测图像进行特征提取，获得所述待检测图像的图像特征，基于所述图像特征进行目标检测，获得所述待检测区域中的污染物检测结果，所述目标检测模型包括：特征提取网络、特征融合网络和识别网络；
通过所述特征提取网络，对所述待检测图像进行特征提取，获得至少两种尺度的第一特征；所述特征提取网络包括卷积层和6组残差层，每组残差层的结构相似，两组残差层之间通过相应尺寸的卷积核以两个像素的步长进行调整达到与池化层相同的作用；
通过所述特征融合网络，对所述待检测图像进行特征提取，获得至少两种尺度的第二特征，所述第二特征的尺度与所述第一特征的尺度相对应，将各所述第一特征和与之尺度相对应的第二特征进行融合，获得各尺度的融合特征，所述图像特征包括各所述融合特征；所述特征融合网络包括5组卷积层；
通过所述识别网络，对各所述融合特征进行识别，获得所述待检测区域中的污染物检测结果；
当所述污染物检测结果满足预设条件时，发出用于提示对所述电器设备进行清洁的提示信息。
2.根据权利要求1所述的方法，其特征在于，当所述污染物检测结果满足预设条件时，还包括：向与所述电器设备关联的终端发送清洁服务相关信息。
3.根据权利要求1所述的方法，其特征在于，所述污染物检测结果包括污染物数量，当所述污染物数量达到数量阈值时，判定所述污染物检测结果满足预设条件。
4.根据权利要求1所述的方法，其特征在于，所述目标检测模型的训练方法包括：
获取针对所述待检测区域采集的样本图像及其对应的标注信息，所述标注信息包括：在所述样本图像中标注的各污染物的位置信息和类别信息；
通过待训练目标检测模型对所述样本图像进行目标检测，得到所述样本图像对应的检测信息，所述检测信息包括：从所述样本图像中检测出的各污染物的位置信息和类别信息；
基于所述样本图像的标注信息和检测信息，调整所述待训练目标检测模型的参数，直至满足训练结束条件，获得目标检测模型。
5.根据权利要求1所述的方法，其特征在于，通过所述识别网络，对各所述融合特征进行识别，获得所述待检测区域中的污染物检测结果，包括：
通过所述识别网络，对各所述融合特征进行识别，获得各所述融合特征对应的识别结果及其概率，所述识别结果包括各污染物的位置信息和类别信息；
根据各所述识别结果的概率，获得所述待检测区域中的污染物检测结果。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述污染物检测结果包括各污染物在所述待检测图像中的位置信息，所述方法还包括：
根据各污染物在所述待检测图像中的位置信息和预先确定的转换关系，获得各污染物在所述电器设备中的位置信息。
7.一种电器设备控制装置，其特征在于，所述装置包括：
获取模块，用于获取针对电器设备的待检测区域采集的待检测图像；
检测模块，用于通过目标检测模型，对所述待检测图像进行特征提取，获得所述待检测图像的图像特征，基于所述图像特征进行目标检测，获得所述待检测区域中的污染物检测结果，所述目标检测模型包括：特征提取网络、特征融合网络和识别网络；通过所述特征提取网络，对所述待检测图像进行特征提取，获得至少两种尺度的第一特征；所述特征提取网络包括卷积层和6组残差层，每组残差层的结构相似，两组残差层之间通过相应尺寸的卷积核以两个像素的步长进行调整达到与池化层相同的作用；通过所述特征融合网络，对所述待检测图像进行特征提取，获得至少两种尺度的第二特征，所述第二特征的尺度与所述第一特征的尺度相对应，将各所述第一特征和与之尺度相对应的第二特征进行融合，获得各尺度的融合特征，所述图像特征包括各所述融合特征；所述特征融合网络包括5组卷积层；通过所述识别网络，对各所述融合特征进行识别，获得所述待检测区域中的污染物检测结果；
控制模块，用于当所述污染物检测结果满足预设条件时，发出用于提示对所述电器设备进行清洁的提示信息。
8.根据权利要求7所述的装置，其特征在于，所述控制模块还用于当污染物检测结果满足预设条件时，向与电器设备关联的终端发送清洁服务相关信息。
9.一种电器设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202110061859.3A 2021-01-18 2021-01-18 电器设备控制方法、装置、电器设备和存储介质 Active CN112749753B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110061859.3A CN112749753B (zh) 2021-01-18 2021-01-18 电器设备控制方法、装置、电器设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110061859.3A CN112749753B (zh) 2021-01-18 2021-01-18 电器设备控制方法、装置、电器设备和存储介质

Publications (2)

Publication Number Publication Date
CN112749753A CN112749753A (zh) 2021-05-04
CN112749753B true CN112749753B (zh) 2024-04-26

Family

ID=75652345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110061859.3A Active CN112749753B (zh) 2021-01-18 2021-01-18 电器设备控制方法、装置、电器设备和存储介质

Country Status (1)

Country Link
CN (1) CN112749753B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115469086A (zh) * 2021-06-11 2022-12-13 广东美的白色家电技术创新中心有限公司 一种电器设备及其微生物检测模组和微生物检测方法
CN116274170B (zh) * 2023-03-27 2023-10-13 中建三局第一建设工程有限责任公司 一种激光清洗设备的控制方法、***及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107606744A (zh) * 2017-10-09 2018-01-19 珠海格力电器股份有限公司 用于空调的监控设备、方法和空调
CN108253587A (zh) * 2017-11-29 2018-07-06 珠海格力电器股份有限公司 空气清洁度的调整方法及装置
WO2019100289A1 (en) * 2017-11-23 2019-05-31 Harman International Industries, Incorporated Method and system for speech enhancement
JP2020072311A (ja) * 2018-10-29 2020-05-07 オリンパス株式会社 情報取得装置、情報取得方法、情報取得プログラム及び情報取得システム
CN111442472A (zh) * 2020-04-10 2020-07-24 青岛海尔空调器有限总公司 空调器滤网清洗提示方法以及空调器
CN111780349A (zh) * 2020-07-15 2020-10-16 珠海格力电器股份有限公司 空调换热器的自清洁方法及装置、空调器

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107606744A (zh) * 2017-10-09 2018-01-19 珠海格力电器股份有限公司 用于空调的监控设备、方法和空调
WO2019100289A1 (en) * 2017-11-23 2019-05-31 Harman International Industries, Incorporated Method and system for speech enhancement
CN108253587A (zh) * 2017-11-29 2018-07-06 珠海格力电器股份有限公司 空气清洁度的调整方法及装置
JP2020072311A (ja) * 2018-10-29 2020-05-07 オリンパス株式会社 情報取得装置、情報取得方法、情報取得プログラム及び情報取得システム
CN111442472A (zh) * 2020-04-10 2020-07-24 青岛海尔空调器有限总公司 空调器滤网清洗提示方法以及空调器
CN111780349A (zh) * 2020-07-15 2020-10-16 珠海格力电器股份有限公司 空调换热器的自清洁方法及装置、空调器

Also Published As

Publication number Publication date
CN112749753A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN112749753B (zh) 电器设备控制方法、装置、电器设备和存储介质
CN110705405B (zh) 目标标注的方法及装置
CN109800697B (zh) 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法
CN111680746B (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN111080693A (zh) 一种基于YOLOv3的机器人自主分类抓取方法
CN110610483B (zh) 裂纹图像获取、检测方法、计算机设备及可读存储介质
CN110991222B (zh) 一种物体状态监测、母猪发情监测方法、装置及***
CN111814905A (zh) 目标检测方法、装置、计算机设备和存储介质
CN111223129A (zh) 检测方法、检测装置、监控设备和计算机可读存储介质
CN110307903B (zh) 一种家禽特定部位无接触温度动态测量的方法
CN113516651A (zh) 基于残差网络的焊接接头缺陷检测方法及装置
CN115359239A (zh) 风电叶片缺陷检测定位方法、装置、存储介质和电子设备
CN112837308A (zh) 一种建筑裂缝检测方法、装置、设备及存储介质
CN111010079A (zh) 基于多传感器的光伏智能清洁控制***和方法
CN111723723A (zh) 一种图像检测方法及装置
CN110827263B (zh) 基于视觉识别技术的磁瓦表面缺陷检测***及检测方法
CN114581419A (zh) 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质
CN110704459B (zh) 停车场僵尸车辆数据的清理方法、介质及***
CN114596243A (zh) 缺陷检测方法、装置、设备及计算机可读存储介质
CN116485749A (zh) 一种基于自编码器的镜头模组中脏污识别方法
CN110660000A (zh) 数据预测方法、装置、设备及计算机可读存储介质
CN115937492A (zh) 一种基于特征识别的变电设备红外图像识别方法
CN115187880A (zh) 基于图像识别的通信光缆缺陷检测方法、***及存储介质
CN110189301B (zh) 一种发电机定子铁心钢片叠装平台的异物检测方法
JP2021119802A (ja) 清掃制御方法

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