发明内容
本发明主要解决的技术问题是如何减少风扇的能源消耗的同时,提高用户体验。
根据第一方面,本发明提供一种基于人工智能的电器设备控制方法,包括:一种基于人工智能的电器设备控制方法,其特征在于,包括:获取房间热成像图;基于所述房间热成像图使用人数分布模型确定所述房间中人数分布信息;基于所述房间中人数分布信息和风扇所在位置使用转动范围确定模型确定风扇的转动范围;基于环境风速、空气信息确定风阻程度;基于风扇转速确定模型对所述房间中人数分布信息、所述风扇的转动范围、墙壁透风程度和所述风阻程度进行处理确定风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速;基于所述风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速控制所述风扇进行工作。
更进一步地,所述风扇所在位置通过对房间拍摄视频进行处理确定,对房间拍摄视频进行处理确定过程包括:获取房间拍摄视频;基于所述房间拍摄视频使用拍摄视频处理模型进行处理确定房间位置信息、窗户位置信息、房间门位置信息、插座位置信息、家具位置信息;基于所述房间位置信息、所述窗户位置信息、所述房间门位置信息、所述插座位置信息、所述家具位置信息使用图神经网络模型确定所述风扇所在位置。
更进一步地,所述图神经网络模型的输入包括多个节点和多条边,所述多个节点为房间节点、窗户节点、房间门节点、插座节点、家具节点,所述多条边为多个节点之间的距离和方向,其中所述多个节点中的每一个节点包括多个节点特征,所述房间节点的节点特征包括房间位置信息、所述窗户节点的节点特征包括窗户位置信息、所述房间门节点的节点特征包括房间门位置信息、所述插座节点的节点特征包括插座位置信息、所述家具节点的节点特征包括家具位置信息,所述图神经网络模型的输出为所述风扇所在位置。
更进一步地,所述拍摄视频处理模型为长短期神经网络模型。
根据第二方面,本发明提供一种基于人工智能的电器设备控制***,包括:获取模块,用于获取房间热成像图;人数分布确定模块,用于基于所述房间热成像图使用人数分布模型确定所述房间中人数分布信息;转动范围确定模块,用于基于所述房间中人数分布信息和风扇所在位置使用转动范围确定模型确定风扇的转动范围;风阻程度确定模块,用于基于环境风速、空气信息确定风阻程度;风扇转速确定模块,基于风扇转速确定模型对所述房间中人数分布信息、所述风扇的转动范围、墙壁透风程度和所述风阻程度进行处理确定风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速;控制模块,用于基于所述风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速控制所述风扇进行工作。
更进一步地,所述***还包括位置确定模块,所述位置确定模块还用于:获取房间拍摄视频;基于所述房间拍摄视频使用拍摄视频处理模型进行处理确定房间位置信息、窗户位置信息、房间门位置信息、插座位置信息、家具位置信息;基于所述房间位置信息、所述窗户位置信息、所述房间门位置信息、所述插座位置信息、所述家具位置信息使用图神经网络模型确定所述风扇所在位置。
更进一步地,所述图神经网络模型的输入包括多个节点和多条边,所述多个节点为房间节点、窗户节点、房间门节点、插座节点、家具节点,所述多条边为多个节点之间的距离和方向,其中所述多个节点中的每一个节点包括多个节点特征,所述房间节点的节点特征包括房间位置信息、所述窗户节点的节点特征包括窗户位置信息、所述房间门节点的节点特征包括房间门位置信息、所述插座节点的节点特征包括插座位置信息、所述家具节点的节点特征包括家具位置信息,所述图神经网络模型的输出为所述风扇所在位置。
更进一步地,所述拍摄视频处理模型为长短期神经网络模型。
根据第三方面,本发明提供一种电子设备,包括:存储器;处理器;以及计算机程序;其中,所述计算机程序存储在所述存储器中,并配置为由所述处理器执行以实现上述的方法。
根据第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述方面中任一项所述的方法。
本发明提供的一种基于人工智能的电器设备控制方法、***、设备和介质,该方法包括基于房间热成像图使用人数分布模型确定房间中人数分布信息,基于房间中人数分布信息和风扇所在位置使用转动范围确定模型确定风扇的转动范围,基于环境风速、空气信息确定风阻程度,基于风扇转速确定模型对房间中人数分布信息、风扇的转动范围、墙壁透风程度和风阻程度进行处理确定风扇的多个子转动范围和风扇的多个子转动范围中每一个子转动范围对应的风扇转速,基于风扇的多个子转动范围和风扇的多个子转动范围中每一个子转动范围对应的风扇转速控制风扇进行工作,该方法能够减少风扇的能源浪费的同时,提高用户体验。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本发明能被更好的理解。
本发明实施例中,提供了如图1所示的一种基于人工智能的电器设备控制方法,所述基于人工智能的电器设备控制方法包括步骤S1~S6:
步骤S1,获取房间热成像图。
在一些实施例中,房间的热成像图可以通过风扇上方的热成像摄像头进行拍摄得到。房间热成像图可以反映房间中的人口分布。在一些实施例中,可以将热成像摄像头安装在风扇上方。在一些实施例中,风扇包括控制设备,所述控制设备可以与外界处理设备通信连接,并对风扇进行控制。
步骤S2,基于所述房间热成像图使用人数分布模型确定所述房间中人数分布信息。
人数分布模型为卷积神经网络模型,卷积神经网络模型包括卷积神经网络。卷积神经网络模型为人工智能的一种实现方式。所述人数分布模型的输入包括所述房间热成像图,所述人数分布模型的输出为所述房间中人数分布信息。房间中人数分布信息包括房间中每个人分布的位置、房间的位置坐标。在一些实施例中,房间中人数分布信息还可以包括房间中每个人的身高、体重、体型等。在一些实施例中,房间中人数分布信息可以包括房间中每个人分布的位置坐标所组成的向量的集合。
人数分布模型可以通过多个训练样本来训练得到,在一些实施例中,可以通过梯度下降法对人数分布模型进行训练得到训练后的人数分布模型。
步骤S3,基于所述房间中人数分布信息和风扇所在位置使用转动范围确定模型确定风扇的转动范围。
转动范围确定模型为深度神经网络模型,转动范围确定模型为深度神经网络模型,深度神经网络模型包括深度神经网络(Deep Neural Networks,DNN)。深度神经网络模型为人工智能的一种实现方式。深度神经网络可以包括循环神经网络(Recurrent NeuralNetwork,RNN)、卷积神经网络(Convolutional Neural Networks,CNN)、生成对抗网络(Generative Adversarial Networks,GAN)等等。所述转动范围确定模型的输入为所述房间中人数分布信息和风扇所在位置,所述转动范围确定模型的输出为风扇的转动范围。
风扇所在位置表示风扇在房间中的所在位置。在一些实施例中,风扇所在位置可以为人为随意放置的一个位置。在一些实施例中,风扇所在位置也可以通过对房间拍摄视频进行处理提前确定,对房间拍摄视频进行处理确定过程可以参见图2及其相关描述。
转动范围确定模型可以通过训练样本训练得到,训练样本的输入包括房间中样本人数分布信息和风扇样本所在位置,训练样本的输出标签为样本风扇的转动范围。训练样本的标签可以通过工作人员手动标注得到,在手动标注过程中,工作人员会标注风扇的转动范围时,会使得风扇的转动范围恰好能覆盖房间中的人的位置,这样既覆盖了房间中的人,也避免了风扇在无人处运行。由于在标注时有相关导向,所以训练完成后的转动范围确定模型输出的风扇的转动范围也恰好能够覆盖房间中的人的位置。
风扇的转动范围表示风扇转动时所覆盖的转动角度,风扇可以为360度都能转动的风扇,而通过转动范围确定模型确定出风扇的转动范围后,风扇就仅在转动范围内进行转动,避免了能源浪费,也减少了用户吹风时的等待时间,提高了用户体验。例如,房间中的多个人相对于风扇的转动范围为0°-123°,则转动范围确定模型通过对所述房间中人数分布信息和风扇所在位置进行处理,输出的风扇的转动范围也为0°-123°。训练后的转动范围确定模型输出的风扇的转动范围可以覆盖房间中的人的位置,使得房间中的人都能被风扇转动范围所覆盖,而且也避免了风扇在无人处运转。
步骤S4,基于环境风速、空气信息确定风阻程度。
环境风速表示当前环境中的风速,环境风速包括风速方向和风速大小,在一些实施例中,可以通过风速传感器获取当前环境中的风速。空气信息包括空气成分、空气成分中各组分的比例、空气温度、湿度等。环境风速和空气信息都会影响风的阻力。
风阻程度表示对风扇吹出来的风的阻力的大小,风阻程度可以为0-1之间的数值,风阻程度越大,则表示当前环境对风的阻力越大。在一些实施例中,可以将环境风速和空气信息构建为一个待匹配向量,通过计算该待匹配向量与数据库中每个参考向量的距离,将距离小于阈值的参考向量对应的参考风阻程度确定为当前的风阻程度。所述数据库中包括参考向量和参考向量对应的参考风阻程度,数据库是预先构建的,参考向量基于历史数据中的环境风速和空气信息构建得到,参考向量对应的参考风阻程度为历史数据中确定好的风阻程度。在一些实施例中,还可以通过深度神经网络来对环境风速、空气信息进行处理确定风阻程度。
步骤S5,基于风扇转速确定模型对所述房间中人数分布信息、所述风扇的转动范围、墙壁透风程度和所述风阻程度进行处理确定风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速。
墙壁透风程度可以用于描述墙壁对流动的风的通风能力,墙壁透风程度越大,则墙壁对风的阻碍能力越小。墙壁透风程度越大,墙壁外部的空气就会更容易透过墙壁进入房间,并与风扇送的风相抵抗,从而减少风扇送风的效果,而且墙壁透风程度越大,风扇送的风会越容易通过墙壁,反射回来用于降低人体温度的风就少,因此,房间的墙壁透风程度越大,则风扇转速就需要越快,以便产生足够的风量来达到所需的降低人体温度的效果。
在一些实施例中,墙壁透风程度可以提前通过对墙壁进行检测得到,例如将风扇的风对着墙壁吹,然后在墙壁另一侧测量墙壁透过的风速,基于风扇的风速和墙壁透过的风速确定墙壁透风程度。
在一些实施例中,还可以通过发射超声波到墙壁,并接收墙壁的反射波,通过反射波的声速、振幅、频率、波形等特征确定墙壁的平整度、材料、厚度,再基于墙壁的平整度、材料、厚度通过透风程度确定模型确定墙壁透风程度,其中透风程度确定模型的输入为墙壁的平整度、材料、厚度,透风程度确定模型的输出为墙壁透风程度,透风程度确定模型为深度神经网络模型。通过超声波确定墙壁的平整度、材料、厚度是现有技术,此处不再赘述。墙壁透风程度会受墙壁的平整度、材料、厚度影响,所以可以通过对墙壁的平整度、材料、厚度进行处理确定墙壁透风程度。透风程度确定模型可以通过训练得到,训练样本的输入包括墙壁的样本平整度、样本材料、样本厚度,训练样本的输出标签为样本墙壁透风程度。训练样本的标签可以通过工作人员手动标注得到。
风扇的多个子转动范围通过对风扇的转动范围进行划分得到。风扇的多个子转动范围的范围总和等于风扇的转动范围。例如,风扇的转动范围为0°-180°,多个风扇的子转动范围分别为0°-25°、25°-60°、60°-90°、90°-120°、120°-150°、150°-180°。
所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速表示每一个子转动范围对应一个风扇转速,每一个子转动范围的风扇转速可以相同或不同。例如,多个风扇的子转动范围为0°-25°、25°-60°、60°-90°、90°-120°、120°-150°、150°-180°。则0°-25°对应的风扇转速为700转/分钟、25°-60°对应的风扇转速为800转/分钟、60°-90°对应的风扇转速为600转/分钟、90°-120°对应的风扇转速为500转/分钟、120°-150°对应的风扇转速为900转/分钟、150°-180°对应的风扇转速为500转/分钟。
由于房间中的人数分布是杂乱的,没有规律的,所以风扇的每一个子转动范围可以对应不同的人数,若风扇的每一个子转动范围对应的人数越多,则风扇的子转动范围对应的风扇转速越高。例如,多个风扇的子转动范围为0°-25°、25°-60°、60°-90°,0°-25°其对应的人数分布为5人,对应的风扇转速为500转/分钟,25°-60°其对应的人数分布为7人,对应的风扇转速为800转/分钟,60°-90°其对应的人数分布为9人,对应的风扇转速为900转/分钟。在一些实施例中,若风扇的每一个子转动范围对应的多个人的位置离风扇位置越近,则风扇的子转动范围对应的风扇转速越低。
在一些实施例中,可以通过风扇转速确定模型对风扇的转动范围进行划分得到风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速。
风扇转速确定模型为深度神经网络模型,风扇转速确定模型可以通过训练得到,训练样本的输入包括房间中样本人数分布信息、风扇的样本转动范围、墙壁样本透风程度和样本风阻程度,训练样本的输出标签为风扇的多个样本子转动范围和风扇的多个样本子转动范围中每一个样本子转动范围对应的样本风扇转速。训练样本的标签可以通过工作人员手动标注得到,工作人员手动标注的时候会考虑样本人数分布信息、风扇的样本转动范围、墙壁样本透风程度和样本风阻程度,并将风扇的样本转动范围划分成风扇的多个样本子转动范围,并标注出每一个样本子转动范围对应的样本风扇转速。训练完成后的风扇转速确定模型的输入为所述房间中人数分布信息、所述风扇的转动范围、墙壁透风程度和所述风阻程度,训练完成后的风扇转速确定模型的输出为风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速。
步骤S6,基于所述风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速控制所述风扇进行工作。
风扇的控制设备可以基于所述风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速。
图2为本发明实施例提供的一种通过对房间拍摄视频进行处理确定风扇所在位置的流程示意图,对房间拍摄视频进行处理确定风扇所在位置包括步骤S21~S23:
步骤S21,获取房间拍摄视频。
在一些实施例中,可以获取用户拍摄的房间拍摄视频。房间拍摄视频中包含了房间位置信息、窗户位置信息、房间门位置信息、插座位置信息、家具位置信息。在一些实施例中,可以提前对房间的每一处都进行拍摄得到每一处的拍摄视频,将所述每一处的拍摄视频进行合成得到房间拍摄视频。
步骤S22,基于所述房间拍摄视频使用拍摄视频处理模型进行处理确定房间位置信息、窗户位置信息、房间门位置信息、插座位置信息、家具位置信息。
可以通过拍摄视频处理模型对房间拍摄视频进行处理确定房间位置信息、窗户位置信息、房间门位置信息、插座位置信息、家具位置信息。所述拍摄视频处理模型为长短期神经网络模型。长短期神经网络模型为人工智能的一种实现方式。长短期神经网络模型包括长短期神经网络(LSTM,Long Short-Term Memory),长短期神经网络是RNN(RecurrentNeural Network,循环神经网络)中的一种。长短期神经网络模型能够处理任意长度的序列数据,捕捉序列的信息,输出基于序列中前后数据关联关系的结果。通过长短期神经网络模型处理连续时间段的房间拍摄视频,能够输出得到综合考虑了各个时间点的房间拍摄视频之间关联关系的特征,使得该输出的特征更加的准确和全面。
拍摄视频处理模型的输入包括所述房间拍摄视频,所述拍摄视频处理模型的输出为房间位置信息、窗户位置信息、房间门位置信息、插座位置信息、家具位置信息。
房间位置信息包括房间的长、宽、高、房间的中心位置坐标、房间的多个顶点的坐标信息等。窗户位置信息包括窗户的长、宽、高、窗户的中心位置坐标、窗户的多个顶点的坐标信息等、房间门位置信息包括房间门的长、宽、高、房间门的中心位置坐标、房间门的多个顶点的坐标信息等、插座位置信息包括插座的多个顶点的坐标信息等、家具位置信息包括家具的长、宽、高、家具的中心位置坐标、家具的多个顶点的坐标信息等。
步骤S23,基于所述房间位置信息、所述窗户位置信息、所述房间门位置信息、所述插座位置信息、所述家具位置信息使用图神经网络模型确定所述风扇所在位置。
图神经网络模型包括图神经网络(Graph Neural Network,GNN)和全连接层。图神经网络是一种直接作用于图上的神经网络,所述图是由节点和边两部分组成的一种数据结构。图神经网络为人工智能的一种实现方式。图神经网络模型基于信息传播机制,每一个节点通过相互交换信息来更新自己的节点状态,直到达到某一个稳定值。
所述图神经网络模型的输入包括多个节点和多条边,所述多个节点为房间节点、窗户节点、房间门节点、插座节点、家具节点,所述多条边为多个节点之间的距离和方向。在一些实施例中,所述多条边为多个节点之间的距离和方向。
其中所述多个节点中的每一个节点包括多个节点特征,所述房间节点的节点特征包括房间位置信息、所述窗户节点的节点特征包括窗户位置信息、所述房间门节点的节点特征包括房间门位置信息、所述插座节点的节点特征包括插座位置信息、所述家具节点的节点特征包括家具位置信息,所述图神经网络模型的输出为所述风扇所在位置。
图神经网络模型可以通过训练样本训练得到。训练样本的输入包括多个节点和多条边,所述多个节点为房间节点、窗户节点、房间门节点、插座节点、家具节点,所述多条边为多个节点之间的距离和方向,训练样本的输出标签为所述风扇所在位置。训练样本的标签可以通过工作人员手动标注得到,在手动标注过程中,工作人员会考虑各个节点、各个节点之间的关系,也会考虑空气对流性、插座距离、风扇吹风面积、家居对风的遮挡的因素,标注出最为合适的风扇所在位置,由于在标注时有相关导向,所以训练完成后的图神经网络模型在输出时会输出最为合适的风扇所在位置,使得风扇所在位置更加科学,风扇在实际使用过程中对用户的体验感更好。
在一些实施例中,可以通过梯度下降法对图神经网络模型进行训练得到训练后的图神经网络模型。
基于同一发明构思,图3为本发明的实施例提供的一种基于人工智能的电器设备控制***示意图,所述基于人工智能的电器设备控制***包括:
获取模块31,用于获取房间热成像图;
人数分布确定模块32,用于基于所述房间热成像图使用人数分布模型确定所述房间中人数分布信息;
转动范围确定模块33,用于基于所述房间中人数分布信息和风扇所在位置使用转动范围确定模型确定风扇的转动范围;
风阻程度确定模块34,用于基于环境风速、空气信息确定风阻程度;
风扇转速确定模块35,基于风扇转速确定模型对所述房间中人数分布信息、所述风扇的转动范围、墙壁透风程度和所述风阻程度进行处理确定风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速;
控制模块36,用于基于所述风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速控制所述风扇进行工作。
基于同一发明构思,本发明的实施例提供了一种电子设备,如图4所示,包括:
包括:处理器41;存储器42;以及计算机程序;其中,所述计算机程序存储在所述存储器42中,并配置为由所述处理器41执行以实现如前述提供的基于人工智能的电器设备控制方法,所述方法包括:获取房间热成像图;基于所述房间热成像图使用人数分布模型确定所述房间中人数分布信息;基于所述房间中人数分布信息和风扇所在位置使用转动范围确定模型确定风扇的转动范围;基于环境风速、空气信息确定风阻程度;基于风扇转速确定模型对所述房间中人数分布信息、所述风扇的转动范围、墙壁透风程度和所述风阻程度进行处理确定风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速;基于所述风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速控制所述风扇进行工作。
基于同一发明构思,本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器41执行时实现前述提供的基于人工智能的电器设备控制方法,所述方法包括: 获取房间热成像图;基于所述房间热成像图使用人数分布模型确定所述房间中人数分布信息;基于所述房间中人数分布信息和风扇所在位置使用转动范围确定模型确定风扇的转动范围;基于环境风速、空气信息确定风阻程度;基于风扇转速确定模型对所述房间中人数分布信息、所述风扇的转动范围、墙壁透风程度和所述风阻程度进行处理确定风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速;基于所述风扇的多个子转动范围和所述风扇的多个子转动范围中每一个子转动范围对应的风扇转速控制所述风扇进行工作。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。