CN118277956A - 一种除尘除霉除酸控制方法 - Google Patents

Abstract

本发明涉及数据处理领域，尤其涉及一种除尘除霉除酸控制方法，设立环境评价模型，根据环境数据对环境进行评价，在大范围上判断是否需要进行除尘除霉除酸处理，减少计算量，降低计算成本；构建了基于卷积神经网络与长短期神经网络结合优化的图像处理神经网络模型，利用卷积记忆模块和全连接模块处理结构化数据和非结构化数据，从图像中提取有效信息，实现多源异构数据的融合。获取除尘、除霉、除酸处理的历史数据，计算得到日常处理频率和即时处理判断，本情况设置处理方式，更加贴合实际应用，节省资源，降低处理成本。

Description

一种除尘除霉除酸控制方法

技术领域

本发明涉及数据处理领域，尤其涉及一种除尘除霉除酸控制方法。

背景技术

对各种柜子、例如密集柜、档案柜、通信机柜、电器屏柜、电梯控制柜等各种柜体，尤其是其内的器件进行除尘清洁一直是一件又脏又类的工作。由于一些屏柜内的带电器件是通电器件，所以无法使用水冲式清洁方式，以免造成器件损坏。然而，采用人工清洁方式，则存在工作效率低、强度大、无法清理干净等问题。尤其是，当采用户外吹扫方式时，柜内的粉尘四溢对环境造成污染。由于作业强度大、作业时间长、工作环境恶劣、除尘效果差，所以针对柜字、尤其是其内的带电器件的除尘清洁一直都是一个难以解决的难题。采用新风散热的机柜，其防尘装置放置于机柜内进风口内侧，与进风口几乎形成平面风道，易堵塞、不易清理，且只能人工清理。特别在北方地区风沙大，周期长，需要频繁清理。

有一些柜子采用了防尘网，但是只能通过打开柜门，进行人工更换或清理，维护效率低、维护成本高。另外对一些存储在洁净度最高的环境中的物品，例如文件等，需要进行除酸控制。现阶段大都采用人工的方式对各层放置板件单独的清理工作，进而导致工作人员对于装置的清理效率较为低下。

现有技术大都采用人工清理的方式，不够智能化且浪费人力资源，对于柜子内部情况无法实时了解，容易出现清理不及时的问题，而现有智能化清理控制方法的计算复杂度较高，实现难度大，处理成本高。

发明内容

本申请实施例通过提供一种除尘除霉除酸控制方法，解决了现有技术大都采用人工清理的方式，不够智能化且浪费人力资源，对于柜子内部情况无法实时了解，容易出现清理不及时的问题，而现有智能化清理控制方法的计算复杂度较高，实现难度大，处理成本高，实现了智能化清理，且及时、高效的进行柜子清理，降低计算复杂度，减少清理成本。

本申请提供了一种除尘除霉除酸控制方法，具体包括以下技术方案：

一种除尘除霉除酸控制方法，包括以下步骤：

S1.感知监控组件获取环境数据和图像信息，设立环境评价模型，根据环境数据对环境进行评价，确认是否需要进行除尘、除霉、除酸处理；获取柜子除尘、除霉、除酸处理的历史数据，计算得到日常处理频率和即时处理判断；

S2.除尘、除霉、除酸即时处理判断的具体方法：构建图像处理神经网络模型，从图像信息中提取有效信息，形成影响因子信息；构建深度学习神经网络模型，根据影响因子信息判断当前柜子需要进行除尘、除霉、除酸处理的程度等级，形成控制策略。

优选的，所述步骤S1具体包括：

设立环境评价模型，根据柜子的环境数据对环境进行评价。

优选的，所述步骤S1具体包括：

获取柜子除尘、除霉、除酸处理的历史数据，对历史数据进行处理、分析，根据柜子除尘、除霉、除酸处理历史数据，计算得到日常处理频率和即时处理判断。优选的，所述步骤S2具体包括：

构建图像处理神经网络模型，所述图像处理神经网络模型包括三个卷积记忆模块，每个卷积记忆模块由两个卷积层、一个融合层、一个长短期记忆层和一个池化层组成。

优选的，所述步骤S2具体包括：

融合后的图像特征输入到长短期记忆层，长短期记忆层有输入门、遗忘门和输出门，每个门由一个Sigmoid神经网络层和一个点乘法运算组成，用于保护和控制神经元的状态，最后经过池化层对图像特征进行降维操作。

优选的，所述步骤S2具体包括：

经过三个卷积记忆模块后，其输出进入一个全连接模块，全连接模块包括降维层、全连接层和输出层，降维层继续对图像特征进行降维操作，得到一个一维向量，由全连接层输出每个向量元素，即为从图像信息中提取的有效信息，将有效信息与环境信息共同组成影响因子信息。

优选的，所述步骤S2具体包括：

构建深度学习神经网络模型，根据影响因子信息判断当前柜子需要进行除尘、除霉、除酸处理的程度等级。

优选的，所述步骤S2具体包括：

卷积层包括三个结构相同的卷积单元，每个卷积单元包含卷积操作、归一化操作和激活操作，每一次卷积操作后都会进行一次归一化操作和激活操作，可以加快收敛速度，为不同属性的元素设置独立的计算空间，经过三次卷积操作后，得到影响因子特征向量，输入到关联层。

优选的，所述步骤S2具体包括：

关联层计算影响因子特征向量之间的关联函数，分类层根据注意力核函数得到分类值，分类层将分类值输入到输出层，输出层根据分类值输出对应的处理程度等级，即每个处理程度等级对应不同的分类值范围，将分类值与每个范围进行比较，从而匹配得到对应的处理程度等级。

有益效果：

本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：

1、本申请设立环境评价模型，根据柜子的环境数据对环境进行评价，在大范围上判断是否需要进行除尘除霉除酸处理，减少计算量，降低计算成本；获取除尘、除霉、除酸处理的历史数据，计算得到日常处理频率和即时处理判断，本情况设置处理方式，更加贴合实际应用，节省资源，降低处理成本；

2、构建了基于卷积神经网络与长短期神经网络结合优化的图像处理神经网络模型，利用卷积记忆模块和全连接模块处理结构化数据和非结构化数据，从图像中提取有效信息，实现多源异构数据的融合；构建深度学习神经网络模型，根据影响因子信息判断当前柜子需要进行除尘、除霉、除酸处理的程度等级，形成控制策略，避免模型过拟合问题，提高模型的等级判断准确率，加快了收敛速度，提供了高精度的除尘、除霉、除酸控制方法。

3、本申请的技术方案能够有效解决现有技术大都采用人工清理的方式，不够智能化且浪费人力资源，对于柜子内部情况无法实时了解，容易出现清理不及时的问题，而现有智能化清理控制方法的计算复杂度较高，实现难度大，处理成本高，并且，上述***或方法经过了一系列的效果调研，通过验证，最终能够实现智能化清理，且及时、高效的进行柜子清理，降低计算复杂度，减少清理成本。

附图说明

图1为本申请所述的一种除尘除霉除酸控制方法流程图；

图2为本申请所述的图像处理神经网络模型结构图。

具体实施方式

本申请实施例通过提供一种除尘除霉除酸控制方法，解决了现有技术大都采用人工清理的方式，不够智能化且浪费人力资源，对于内部情况无法实时了解，容易出现清理不及时的问题，而现有智能化清理控制方法的计算复杂度较高，实现难度大，处理成本高。

本申请实施例中的技术方案为解决上述问题，总体思路如下：

本申请设立环境评价模型，根据柜子的环境数据对环境进行评价，在大范围上判断是否需要进行除尘除霉除酸处理，减少计算量，降低计算成本；获取柜子除尘、除霉、除酸处理的历史数据，计算得到日常处理频率和即时处理判断，本情况设置处理方式，更加贴合实际应用，节省资源，降低处理成本；构建了基于卷积神经网络与长短期神经网络结合优化的图像处理神经网络模型，利用卷积记忆模块和全连接模块处理结构化数据和非结构化数据，从图像中提取有效信息，实现多源异构数据的融合；构建深度学习神经网络模型，根据影响因子信息判断当前柜子需要进行除尘、除霉、除酸处理的程度等级，形成控制策略，避免模型过拟合问题，提高模型的等级判断准确率，加快了收敛速度，提供了高精度的除尘、除霉、除酸控制方法。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

参照附图1，本申请所述的一种除尘除霉除酸控制方法包括以下步骤：

S1.感知监控组件获取柜子内的环境数据和图像信息，设立环境评价模型，根据柜子的环境数据对环境进行评价，确认是否需要进行除尘、除霉、除酸处理；获取柜子除尘、除霉、除酸处理的历史数据，计算得到日常处理频率和即时处理判断；

本发明针对具有除尘、除霉、除酸功能的柜子进行智能控制，柜子上安装有除尘、除霉、除酸组件，所述柜子的除尘、除霉、除酸功能分别由对应的除尘、除霉、除酸组件实现，所述除尘组件可以是负压吸尘器、风机等设备；所述除霉组件可以是紫光灯、活性炭过滤器等设备；所述除酸组件可以是活性炭过滤器等过滤设备。

柜子上安装有感知监控组件，所述感知监控组件用于获取柜子内的环境情况和视觉变化情况，所述环境情况包括温度、湿度、PM值、二氧化碳浓度等数据；所述视觉变化情况是根据感知监控组件获取的柜子内视频图像变化得到的图像信息。

柜子上安装有控制面板，所述控制面板包括感知模块、分析模块和控制模块。感知监控组件将获取的环境情况和视觉变化情况传输给控制面板，由感知模块接收数据，所述感知模块将环境情况和视觉变化情况信息转换为控制面板可处理的数据格式，得到环境数据和图像信息。感知模块与分析模块通信连接，分析模块与控制模块通信连接，控制模块与柜子上的除尘、除霉、除酸组件开关通信连接，控制除尘、除霉、除酸组件运行。

分析模块分别对环境数据和图像信息进行分析处理，通过分析结果确定柜子除尘、除霉、除酸控制策略。设立环境评价模型，根据柜子的环境数据对环境进行评价，具体公式为：

其中，EA表示环境评价值，α₁，α₂，α₃，α₄均为权重系数，QT表示柜子环境温度与最佳温度的差值，QH表示柜子环境湿度与最佳湿度的差值，QPM表示柜子环境PM值，QC表示柜子环境中的二氧化碳浓度。通过实验设立环境阈值，若环境评价值大于环境阈值，则表示柜子环境整体不达标，需要进行除尘、除霉、除酸处理；否则表示柜子环境达标，无需进行后续除尘、除霉、除酸处理。

分别确认除尘、除霉、除酸处理的影响因子和处理标准，所述影响因子可根据专家经验法得到，所述处理标准根据处理程度分为三个级别：轻度、中度和重度，根据各影响因子数值确定当前需要进行除尘、除霉、除酸处理的程度，并根据不同处理程度发布不同的控制指令。所述处理标准的划分可自行设定。

获取柜子除尘、除霉、除酸处理的历史数据，所述历史数据包括在之前某个时段内柜子的处理数据、环境数据和图像信息。对历史数据进行处理、分析，根据柜子除尘、除霉、除酸处理历史数据，计算得到日常处理频率和即时处理判断。所述日常处理是指在没有外界干扰的条件下，除尘、除霉、除酸处理时间间隔，从而定期启动除尘、除霉、除酸组件进行日常处理；所述即时处理判断是指根据当前时刻获取的环境数据和图像信息判断是否需要进行除尘、除霉、除酸处理。

作为一个具体实施例，对于日常处理频率，在除尘处理历史数据中，基于柜体无任何外界干扰的条件下，若柜子监测得出环境数据和图像信息达到处理标准的日期为7天，则除尘日常处理频率为每7天进行一次除尘处理。

S2.除尘、除霉、除酸即时处理判断的具体方法：构建图像处理神经网络模型，从图像信息中提取有效信息，形成影响因子信息；构建深度学习神经网络模型，根据影响因子信息判断当前柜子需要进行除尘、除霉、除酸处理的程度等级，形成控制策略。

对除尘、除霉、除酸处理的历史数据进行处理，首先需要从图像信息中提取有效信息，所述有效信息是指当前图像信息与标准图像的特征差别，通过当前图像与标准图像的对比，可以发现是否存在发霉、形变等情况。为了降低计算复杂度，将图像进行缩放，具体公式为：

其中，(x，y)为缩放后的图像像素点的坐标，(x′，y′)为缩放前的图像像素点的坐标，H₀×W₀为原图像尺寸，H₁×W₁为缩放后的图像尺寸。

将图像进行灰度化处理，设定图像划分模板，即每个位置拍摄得到的图像预先设立图像分割方式，将柜子中的文件单独划分出来，使图像分割为多个小块，降低计算复杂度。

采用卷积神经网络与长短期神经网络结合优化的方式，构建图像处理神经网络模型，所述图像处理神经网络模型包括三个卷积记忆模块，每个卷积记忆模块由两个卷积层、一个融合层、一个长短期记忆层和一个池化层组成。

首先将图像信息输入到第一个卷积记忆模块中，通过两个不同大小卷积核的卷积层得到不同尺度的图像特征，融合层将不同尺度的图像特征进行融合，具体公式为：

其中，s_k表示融合后的第k个图像特征，和θ_k分别表示不同尺度的两个图像特征，δ为尺度因子，μ_k表示特征的期望，表示特征的方差。融合后的图像特征输入到长短期记忆层，长短期记忆层有输入门、遗忘门和输出门，每个门由一个Sigmoid神经网络层和一个点乘法运算组成，用于保护和控制神经元的状态，最后经过池化层对图像特征进行降维操作。

经过三个卷积记忆模块后，其输出进入一个全连接模块，全连接模块包括降维层、全连接层和输出层，降维层继续对图像特征进行降维操作，得到一个一维向量，由全连接层输出每个向量元素，即为从图像信息中提取的有效信息，将有效信息与环境信息共同组成影响因子信息。

构建深度学习神经网络模型，根据影响因子信息判断当前柜子需要进行除尘、除霉、除酸处理的程度等级，将影响因子信息表示为X＝{c₁，c₂，...，c_n}，c_n表示第n个影响因子信息元素，对于任意一个影响因子信息元素用于c_i表示。选取M组影响因子信息和对应的处理程度作为训练样本，处理程度表示为{Y₁，Y₂，Y₃}，分别为三个等级的处理程度。将一组影响因子信息输入到深度学习神经网络中进行训练，具体步骤如下：

将{c₁，c₂，...，c_n}输入到输入层，所述输入层有n个神经元，输入层与卷积层为全连接关系，卷积层包括三个结构相同的卷积单元，每个卷积单元包含卷积操作、归一化操作和激活操作，每一次卷积操作后都会进行一次归一化操作和激活操作，可以加快收敛速度，为不同属性的元素设置独立的计算空间。经过三次卷积操作后，得到影响因子特征向量，输入到关联层。

关联层计算影响因子特征向量之间的关联函数，具体公式为：

其中，l(c_i，c_j)表示影响因子特征向量c_i与c_j之间的关联度，i∈[1，n]，j∈[1，n]，i≠j，I表示I类影响因子特征集合，J表示J类影响因子特征集合，除尘、除霉、除酸表示不同的处理项，对同一处理项有影响的影响因子特征称为同类影响因子特征。关联层将计算结果输入到分类层。

分类层根据注意力核函数得到分类值，具体计算公式为：

分类层将分类值输入到输出层，输出层根据分类值输出对应的处理程度等级，即每个处理程度等级对应不同的分类值范围，将分类值与每个范围进行比较，从而匹配得到对应的处理程度等级。

控制模块根据不同处理程度等级发布对应的控制指令，除尘、除霉、除酸组件的开关根据接收到的控制指令进行相应程度的除尘、除霉、除酸处理。

综上所述，便完成了本申请所述的一种除尘除霉除酸控制方法。

上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：

1、本申请设立环境评价模型，根据柜子的环境数据对环境进行评价，在大范围上判断是否需要进行除尘除霉除酸处理，减少计算量，降低计算成本；获取除尘、除霉、除酸处理的历史数据，计算得到日常处理频率和即时处理判断，本情况设置处理方式，更加贴合实际应用，节省资源，降低处理成本；

2、构建了基于卷积神经网络与长短期神经网络结合优化的图像处理神经网络模型，利用卷积记忆模块和全连接模块处理结构化数据和非结构化数据，从图像中提取有效信息，实现多源异构数据的融合；构建深度学习神经网络模型，根据影响因子信息判断当前柜子需要进行除尘、除霉、除酸处理的程度等级，形成控制策略，避免模型过拟合问题，提高模型的等级判断准确率，加快了收敛速度，提供了高精度的除尘、除霉、除酸控制方法。

效果调研：

本申请的技术方案能够有效解决现有技术大都采用人工清理的方式，不够智能化且浪费人力资源，对于柜子内部情况无法实时了解，容易出现清理不及时的问题，而现有智能化清理控制方法的计算复杂度较高，实现难度大，处理成本高，并且，上述***或方法经过了一系列的效果调研，通过验证，最终能够实现智能化清理，且及时、高效的进行柜子清理，降低计算复杂度，减少清理成本。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种除尘除霉除酸控制方法，其特征在于，包括以下步骤：

S1.感知监控组件获取环境数据和图像信息，设立环境评价模型，根据环境数据对环境进行评价，确认是否需要进行除尘、除霉、除酸处理；获取柜子除尘、除霉、除酸处理的历史数据，计算得到日常处理频率和即时处理判断；

S2.除尘、除霉、除酸即时处理判断的具体方法：构建图像处理神经网络模型，从图像信息中提取有效信息，形成影响因子信息；构建深度学习神经网络模型，根据影响因子信息判断当前柜子需要进行除尘、除霉、除酸处理的程度等级，形成控制策略。

2.如权利要求1所述的一种除尘除霉除酸控制方法，其特征在于，所述步骤S1具体包括：

设立环境评价模型，根据柜子的环境数据对环境进行评价。

3.如权利要求1所述的一种除尘除霉除酸控制方法，其特征在于，所述步骤S1具体包括：

获取柜子除尘、除霉、除酸处理的历史数据，对历史数据进行处理、分析，根据柜子除尘、除霉、除酸处理历史数据，计算得到日常处理频率和即时处理判断。

4.如权利要求1所述的一种除尘除霉除酸控制方法，其特征在于，所述步骤S2具体包括：

构建图像处理神经网络模型，所述图像处理神经网络模型包括三个卷积记忆模块，每个卷积记忆模块由两个卷积层、一个融合层、一个长短期记忆层和一个池化层组成。

5.如权利要求4所述的一种除尘除霉除酸控制方法，其特征在于，所述步骤S2具体包括：

融合后的图像特征输入到长短期记忆层，长短期记忆层有输入门、遗忘门和输出门，每个门由一个Sigmoid神经网络层和一个点乘法运算组成，用于保护和控制神经元的状态，最后经过池化层对图像特征进行降维操作。

6.如权利要求5所述的一种除尘除霉除酸控制方法，其特征在于，所述步骤S2具体包括：

经过三个卷积记忆模块后，其输出进入一个全连接模块，全连接模块包括降维层、全连接层和输出层，降维层继续对图像特征进行降维操作，得到一个一维向量，由全连接层输出每个向量元素，即为从图像信息中提取的有效信息，将有效信息与环境信息共同组成影响因子信息。

7.如权利要求2所述的一种除尘除霉除酸控制方法，其特征在于，所述步骤S2具体包括：

构建深度学习神经网络模型，根据影响因子信息判断当前柜子需要进行除尘、除霉、除酸处理的程度等级。

8.如权利要求4所述的一种除尘除霉除酸控制方法，其特征在于，所述步骤S2具体包括：

卷积层包括三个结构相同的卷积单元，每个卷积单元包含卷积操作、归一化操作和激活操作，每一次卷积操作后都会进行一次归一化操作和激活操作，可以加快收敛速度，为不同属性的元素设置独立的计算空间，经过三次卷积操作后，得到影响因子特征向量，输入到关联层。

9.如权利要求2所述的一种除尘除霉除酸控制方法，其特征在于，所述步骤S2具体包括：

关联层计算影响因子特征向量之间的关联函数，分类层根据注意力核函数得到分类值，分类层将分类值输入到输出层，输出层根据分类值输出对应的处理程度等级，即每个处理程度等级对应不同的分类值范围，将分类值与每个范围进行比较，从而匹配得到对应的处理程度等级。