CN115690099A - 基于数据识别的空气净化器清洗预警方法 - Google Patents

Abstract

本发明涉及数据识别技术领域，具体涉及基于数据识别的空气净化器清洗预警方法。该方法包括：采集滤网表面图像，根据像素点到滤网表面图像中心点的距离得到权重，利用所述权重对滤网表面图像进行灰度化处理，得到滤网灰度图像；根据表面图像中像素点的灰度变化获取其灰度变化程度，根据表面图像中像素点的梯度变化获取絮状堆积程度，基于灰度变化程度和絮状堆积程度得到滤网脏污程度；获取滤网样本达到饱和时的滤网脏污程度作为参照数据，将滤网脏污程度与参照数据对比，判断滤网是否需要清洗或更换。本发明能够在滤网达到饱和程度时，发出预警，提醒使用者更换或清洗净化器滤网。

Description

基于数据识别的空气净化器清洗预警方法

技术领域

本发明涉及人工智能技术领域，具体涉及基于数据识别的空气净化器清洗预警方法。

背景技术

空气净化器主要依靠滤网的吸附作用进行净化，当滤网吸附的污染物过多时，不但没有净化效果，还会对室内空气造成二次污染，对用户的呼吸健康造成严重威胁，尤其对于抵抗力较差的老人和儿童，容易引发各种呼吸道疾病，因此当滤网使用到一定饱和程度需要及时进行清洗或者更换。

现有的对HEPA滤网更换时间大多由经验值确定，通过计算累计运转时间，达到一定时长后提醒更换，而不监测滤网饱和程度。但是由于空气净化器应用的场景不同，不同环境下的污染程度也不同，不同滤网大小规格也不相同，仅通过计算滤网的使用时长无法达到滤网的高效利用，因此如何设计一种方法确定净化器滤网的更换时间是非常重要的。

发明内容

为了解决上述技术问题，本发明的目的在于提供基于数据识别的空气净化器清洗预警方法，所采用的技术方案具体如下：

本发明实施例提供基于数据识别的空气净化器清洗预警方法，该方法包括以下步骤：

在每次空气净化器通电启动时采集滤网表面图像，根据像素点到滤网表面图像中心点的距离得到权重，利用所述权重对滤网表面图像进行灰度化处理，得到滤网灰度图像；

根据首次获取的滤网灰度图像与当前获取的滤网灰度图像的灰度值获得灰度值变化程度，根据当前获取的滤网灰度图像中像素点的梯度值以及梯度方向得到絮状物的堆积程度；基于所述灰度变化程度和所述絮状物的堆积程度的乘积得到滤网脏污程度；

获取滤网样本达到饱和时的滤网脏污程度作为参照数据，将当前获取的滤网灰度图像对应的滤网脏污程度与所述参照数据对比，判断滤网是否需要清洗或更换。

优选的，所述对滤网表面图像进行灰度化处理之前还包括：

以所述滤网表面图像的中心点为原点，水平向右为横轴正方向，竖直向上为纵轴正方向，建立直角坐标系，获取各像素点在直角坐标系中的坐标，根据像素点的坐标获取像素点到直角坐标系原点的距离，将该距离作为像素点到滤网表面图像中心点的距离。

优选的，所述根据像素点到滤网表面图像中心点的距离得到权重包括：

其中，

表示第i个像素点对应的权重，

为第i个像素点的坐标。

优选的，所述灰度变化程度的获取方法为：

以首次获取的滤网灰度图像中像素点的灰度值为初始灰度值，以当前获取的滤网灰度图像中像素点的灰度值为变化灰度值，将所述变化灰度值与所述初始灰度值做差得到所述灰度变化程度。

优选的，所述絮状物的堆积程度的获取方法为：

对所述滤网灰度图像进行梯度检测，获取梯度图像，计算像素点的梯度方向与水平向右方向之间的夹角的正切值，结合所述梯度图像中每个像素点的梯度值以及所述夹角的正切值评估絮状物的堆积程度。

优选的，所述絮状堆的积程度的计算方法具体为：

其中，D表示絮状物的堆积程度，

表示第j个像素点的梯度方向与水平向右方向之 间的夹角的正切值，

表示第j个像素点的梯度值，N表示图像中像素点的总数量。

优选的，所述参照数据的获取方法为：

将同种规格的滤网样本分割成多组小规格的实验材料，计算各组滤网样本达到饱和时的滤网脏污程度，以所述滤网脏污程度的平均值作为滤网的最大脏污程度的所述参照数据。

优选的，所述判断滤网是否需要清洗或更换，包括：

将所述滤网脏污程度与所述参照数据做差，将差值与饱和阈值相比，判断滤网是否需要清洗或更换。

本发明实施例至少具有如下有益效果：

本发明根据像素点到滤网表面图像中心点的距离得到权重，利用所述权重对滤网表面图像进行灰度化处理，避免了灰度化时像素点的灰度值受到光照的影响，根据首次获取的滤网灰度图像与当前获取的滤网灰度图像的灰度值获得灰度值变化程度，考虑了空气净化器首次使用至当前使用时滤网附着絮状物的变化程度，并根据当前使用时对应的图像中像素点的梯度值和梯度方向的变化对絮状物的堆积程度进行分析，进而获得滤网的脏污程度，从灰度变化以及梯度变化两个方面进行考虑，使得分析结果更加准确；通过将当前使用时滤网的脏污程度与滤网达到饱和程度时进行对比，滤网需要清洗或更换时发出预警，提醒使用者更换或清洗净化器滤网，更加高效且具有一定的实时性。

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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例提供的基于数据识别的空气净化器清洗预警方法的步骤流程图；

图2为本发明一个实施例提供的滤网的使用前后对比图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于数据识别的空气净化器清洗预警方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于数据识别的空气净化器清洗预警方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于数据识别的空气净化器清洗预警方法的步骤流程图，该方法包括以下步骤：

步骤S001，采集滤网表面图像，对表面图像进行灰度化。

目前在售的空气净化器一般都是几种技术的结合，即采用复合滤网，空气净化器工作过程中，空气先经过初级滤网，再经过HEPA滤网进一步过滤，但是由于初级滤网网眼较大，部分短纤维仍然会通过初级滤网，使得HEPA滤网表面仍然会存在絮状物堆积，有的厂家为进一步提高净化效果，会在HEPA滤网后方增加一层活性炭滤网。

具体的步骤包括：

1.采集滤网表面图像。

正对滤网集尘侧中部的位置放置摄像头，由于箱体内部光线较弱，因此还需要设置闪光灯，在采集滤网表面图像时进行打光，在初级滤网中正对HEPA滤网方向固定相机及闪光灯；在每次净化器通电启动时，采集一次滤网表面图像。

2.以表面图像的中心点为原点，水平向右为横轴正方向，竖直向上为纵轴正方向，建立直角坐标系。

3.利用表面图像中每个像素点的坐标以及该像素点的像素值获取该像素点的灰度值，组成灰度图像。

由于本发明中使用了闪光灯进行采集打光，即此时的光照环境为点光源，随着光照的衰减，在远离光源的位置光照较弱，导致该位置的灰度值受到光照的影响程度较大，因此在评估滤网吸收灰尘等颗粒物后的灰度变化程度时，不能直接根据图像的灰度值进行评估。

根据像素点到滤网表面图像中心点的距离得到权重，利用所述权重对滤网表面图像进行灰度化处理，得到滤网灰度图像。

其中，则根据像素点到滤网表面图像中心点的距离得到权重可表示为：

其中，

表示第i个像素点对应的权重，

为第i个像素点的坐标。

对滤网表面图像进行灰度化处理，则滤网表面图像对应的灰度值

为可表示为：

其中，

表示第i个像素点灰度化后的灰度值，

表示第i个像素点对应的权重，

表示第i个像素点在滤网表面图像中的像素值。

以像素点到中心点的距离为权重计算图像灰度值，当像素点距离中心点越远，其受到光照的影响程度越大，该像素点灰度值相对于自然光照下的灰度值偏差越大，故而该像素点在灰度值计算过程中所占的权重越小。则可获取滤网表面图像中所有像素点的灰度值，进而得到滤网灰度图像。

步骤S002，根据表面图像中像素点的灰度变化获取其灰度变化程度，根据表面图像中像素点的梯度变化获取絮状堆积程度，基于灰度变化程度和絮状堆积程度得到滤网脏污程度。

具体的步骤包括：

1.根据表面图像中像素点的灰度变化获取其灰度变化程度。

以首次采集的表面图像的灰度值为初始灰度值，以当前滤网表面图像的灰度值为变化灰度值，将变化灰度值与初始灰度值做差得到灰度变化程度。

记第一次采集的滤网表面图像对应的滤网灰度图像为初始灰度值

，以及当前滤 网表面图像对应的滤网灰度图像的灰度值为

，则滤网表面的灰度变化程度为

。

2.根据表面图像中像素点的梯度变化获取絮状堆积程度。

对表面图像进行梯度检测，获取梯度图像，结合梯度图像中每个像素点的梯度值以及梯度方向评估絮状物的堆积程度。

初级滤网虽然可以过滤一部分颗粒物，较长的纤维毛发等，但是由于网眼较大，在后续经过HEPA等滤网使用后，表面仍存在絮状物堆积，滤网的使用前后对比如图2所示。

滤芯吸附灰尘且褶皱位置存在一定的深度，褶皱位置的灰度值较低（发黑），但是由于絮状物的遮挡，会导致原本图像的灰度值变大，且絮状物越多对灰度值的影响程度越大，即仅根据灰度变化程度存在一定偏差，故而此时对滤网脏污程度的评估还需要结合絮状物的堆积程度。

滤网褶皱在图像中表现为竖直方向，由于梯度方向为灰度变化最快的方向，故在褶皱处形成的梯度方向与水平方向夹角趋于为0°和180°，即滤网不存在絮状物的区域中的像素点所形成的梯度方向具有一致性；但是由于絮状物在形成过程中最终吸附方向的不确定性，使得整个图像的梯度方向一致性降低，且不同位置的薄厚程度不一样，导致絮状物不同位置的梯度值也不相同。

使用Sobel算子对滤网表面图像进行梯度检测，由此得到图像中各个像素点所对 应的梯度幅值以及梯度方向，由此得到滤网梯度图像；记梯度图像中第

个像素点的梯度幅 值为

，该像素点所对应的梯度方向值为

，该值为该像素点灰度增长最快的方向与水平向 右方向形成的夹角正切值。

当图像中梯度方向变化较大时，表明图像中存在絮状物使得梯度方向无法保持一致，且当絮状物堆积程度越厚，絮状物的边缘位置梯度值越大，因此可以结合梯度值以及梯度方向与水平方向正切值的差值评估絮状物的堆积程度。

所述絮状堆的积程度的计算方法具体为：

其中，D表示絮状物的堆积程度，

表示第j个像素点的梯度方向与水平向右方向之 间的夹角的正切值，

表示第j个像素点的梯度值，N表示图像中像素点的总数量。

3.根据梯度方向的与水平方向正切值的差值以及灰度变化程度获取滤网脏污程度。

由于梯度值可表示当前絮状物堆积后，絮状物与当前滤网表面的灰度差异形成的 梯度，而滤网吸附灰尘后，当前滤网与初始状态时也存在灰度差异，因此使用梯度值结合灰 度变化程度表征当前滤网的脏污程度

，则

可表示为：

其中，

为第j个像素点的梯度方向与水平向右方向之间的夹角的正切值，表示与 水平方向上梯度方向的差值，差值越大，该像素点为絮状物边缘的概率越大，且该像素点的 梯度值

越大，该位置上的絮状物堆积程度越大。

由于净化器的使用环境不同，滤网在使用过程中不会产生絮状物，此时图像中的 梯度多为水平方向，即

趋于0，对应

趋于1，此时对滤网表面的脏污程度评估主要 是灰度变化程度；当滤网表面存在絮状物时，仅依靠灰度变化程度结果存在偏差，因此还需 要结合絮状物的堆积程度进行脏污程度的判断。

步骤S003，将滤网脏污程度与参照数据对比，判断滤网是否需要清洗或更换。

具体的步骤包括：

1.获取参照数据。

将同种规格的滤网样本分割成多组小规格的实验材料，计算各组滤网样本达到饱和时的表面脏污程度，以脏污程度的平均值作为滤网的最大脏污程度的参照数据。

由于本发明是根据滤网表面的脏污程度判断滤网是否需要清洗或更换，因此作为参照测试的滤网材料不需要完整规格的滤网，即一个同种规格的滤网可以分割成多组小规格的实验材料进行滤网饱和程度的测试，从而提高测试效率。

使用上述方法，计算各组滤网达到饱和时的表面脏污程度并取脏污程度的平均 值，则该平均值即为滤网的最大脏污程度的参照数据

。

2.将滤网脏污程度与参照数据做差，将差值与饱和阈值相比，判断滤网是否需要清洗或更换。

当

时，提示此时滤网近期即将达到滤网饱和程度，需要提前准备 好更换的滤网。

当

时，提示此时滤网已经达到过滤的饱和程度，需要进行更换滤网。

综上所述，本发明实施例采集滤网表面图像，对表面图像进行灰度化；根据表面图像中像素点的灰度变化获取其灰度变化程度，根据表面图像中像素点的梯度变化获取絮状堆积程度，基于灰度变化程度和絮状堆积程度得到滤网脏污程度；将滤网脏污程度与参照数据对比，判断滤网是否需要清洗或更换。本发明实施例能够根据HEPA滤网表面灰度变化程度以及絮状物堆积程度来计算滤网表面的脏污程度，在滤网达到饱和程度时，发出预警，提醒使用者更换或清洗净化器滤网。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，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.基于数据识别的空气净化器清洗预警方法，其特征在于，该方法包括以下步骤：

在每次空气净化器通电启动时采集滤网表面图像，根据像素点到滤网表面图像中心点的距离得到权重，利用所述权重对滤网表面图像进行灰度化处理，得到滤网灰度图像；

根据首次获取的滤网灰度图像与当前获取的滤网灰度图像的灰度值获得灰度值变化程度，根据当前获取的滤网灰度图像中像素点的梯度值以及梯度方向得到絮状物的堆积程度；基于所述灰度变化程度和所述絮状物的堆积程度的乘积得到滤网脏污程度；

获取滤网样本达到饱和时的滤网脏污程度作为参照数据，将当前获取的滤网灰度图像对应的滤网脏污程度与所述参照数据对比，判断滤网是否需要清洗或更换。

2.根据权利要求1所述的基于数据识别的空气净化器清洗预警方法，其特征在于，所述对滤网表面图像进行灰度化处理之前还包括：

以所述滤网表面图像的中心点为原点，水平向右为横轴正方向，竖直向上为纵轴正方向，建立直角坐标系，获取各像素点在直角坐标系中的坐标，根据像素点的坐标获取像素点到直角坐标系原点的距离，将该距离作为像素点到滤网表面图像中心点的距离。

3.根据权利要求2所述的基于数据识别的空气净化器清洗预警方法，其特征在于，所述根据像素点到滤网表面图像中心点的距离得到权重包括：

其中，

表示第i个像素点对应的权重，

为第i个像素点的坐标。

4.根据权利要求1所述的基于数据识别的空气净化器清洗预警方法，其特征在于，所述灰度变化程度的获取方法为：

以首次获取的滤网灰度图像中像素点的灰度值为初始灰度值，以当前获取的滤网灰度图像中像素点的灰度值为变化灰度值，将所述变化灰度值与所述初始灰度值做差得到所述灰度变化程度。

5.根据权利要求1所述的基于数据识别的空气净化器清洗预警方法，其特征在于，所述絮状物的堆积程度的获取方法为：

对所述滤网灰度图像进行梯度检测，获取梯度图像，计算像素点的梯度方向与水平向右方向之间的夹角的正切值，结合所述梯度图像中每个像素点的梯度值以及所述夹角的正切值评估絮状物的堆积程度。

6.根据权利要求5所述的基于数据识别的空气净化器清洗预警方法，其特征在于，所述絮状堆的积程度的计算方法具体为：

其中，D表示絮状物的堆积程度，

表示第j个像素点的梯度方向与水平向右方向之间的 夹角的正切值，

表示第j个像素点的梯度值，N表示图像中像素点的总数量。

7.根据权利要求1所述的基于数据识别的空气净化器清洗预警方法，其特征在于，所述参照数据的获取方法为：

将同种规格的滤网样本分割成多组小规格的实验材料，计算各组滤网样本达到饱和时的滤网脏污程度，以所述滤网脏污程度的平均值作为滤网的最大脏污程度的参照数据。

8.根据权利要求1所述的基于数据识别的空气净化器清洗预警方法，其特征在于，所述判断滤网是否需要清洗或更换，包括：

将所述滤网脏污程度与所述参照数据做差，将差值与饱和阈值相比，判断滤网是否需要清洗或更换。

Images