基于神经网络的负载判别方法、装置及存储介质与流程

1.本发明涉及人工智能技术领域，具体提供一种基于神经网络的负载判别方法、装置及存储介质。


背景技术：

2.目前，市场上的洗衣机可通过传感器或者电机扭矩等称重方式获得负载的重量。传感器称重可通过传感器采集洗衣机不同负载所对应的信号获取洗衣机的重量，然而，传感器容易出现失灵的现象，稳定性不好，若采用传感器方式进行称重，容易对负载检测出现较大误差。电机扭矩称重可根据采集到的电机电流判断负载的大小，但是当洗衣机洗衣桶重量较大时，负载重量的大小对电流的影响较小，容易出现负载分档不准确的情况。
3.相应地，本领域需要一种新的基于神经网络的负载判别方案来解决上述问题。


技术实现要素：

4.为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决现有方法采用传感器或者由于洗衣机桶的重量导致称重小负载时造成的称重结果误差较大、精度较低的技术问题。本发明提供了一种基于神经网络的负载判别方法、装置及存储介质。
5.在第一方面，本发明提供一种基于神经网络的负载判别方法，其特征在于，包括下述步骤：获取预洗涤阶段的洗衣机数据集，所述洗衣机数据集中每一洗衣机数据对应一个负载大小标签；构建神经网络模型；利用所述洗衣机数据集训练所述神经网络模型，得到训练好的神经网络模型；利用所述训练好的神经网络模型判别待洗衣物的负载大小。
6.在一个实施方式中，获取预洗涤阶段的洗衣机数据集包括：在洗衣机预洗涤阶段中，分别获取洗衣机从空载到满载情况下的洗衣机数据，所述洗衣机数据包括水位频率、水位深度、电机转速和电机电流；为所述洗衣机数据添加负载大小标签，得到预洗涤阶段的洗衣机数据集。
7.在一个实施方式中，所述神经网络模型包括输入层、隐藏层和输出层，所述隐藏层包括至少一个全连接层，在所述隐藏层和输出层之间连接有一个全连接层。
8.在一个实施方式中，利用所述洗衣机数据集训练所述神经网络模型，得到训练好的神经网络模型包括：将所述洗衣机数据集依次输入所述神经网络模型，判断所述神经网络模型的损失函数是否小于预设值，在所述损失函数小于预设值的情况下，将当前的所述神经网络模型作为训练好的神经网络模型，在所述损失函数不小于预设值的情况下，调节所述神经网络模型的权重参数，直至调节权重参数后的神经网络模型的损失函数小于预设值，得到训练好的神经网络模型。
9.在一个实施方式中，利用所述训练好的神经网络模型判别待洗衣物的负载大小包括：获取洗衣机在预洗涤阶段中的洗衣机数据，所述洗衣机数据包括水位频率、水位深度、电机转速和电机电流；将所述洗衣机数据输入所述训练好的神经网络模型，得到待洗衣物的负载大小。
10.在第二方面，本发明提供一种基于神经网络的负载判别装置，包括：获取模块，被配置为获取预洗涤阶段的洗衣机数据集，所述洗衣机数据集中每一洗衣机数据对应一个负载大小标签；构建模块，被配置为构建神经网络模型；训练模块，被配置为利用所述洗衣机数据集训练所述神经网络模型，得到训练好的神经网络模型；判别模块，被配置为利用所述训练好的神经网络模型判别待洗衣物的负载大小。
11.在第三方面，本发明提供一种智能洗衣方法，包括下述步骤：利用负载判别方法确定待洗衣物的负载大小；基于所述待洗衣物的负载大小确定水量参数和洗涤时间参数，以使洗衣机根据所述水量参数和洗涤时间参数对所述待洗衣物进行洗涤。
12.在第四方面，本发明提供一种智能洗衣装置，包括：负载判别装置，被配置为确定待洗衣物的负载大小；参数确定装置，被配置为基于所述待洗衣物的负载大小确定水量参数和洗涤时间参数，以使洗衣机根据所述水量参数和洗涤时间参数对所述待洗衣物进行洗涤。
13.在第五方面，提供一种电子设备，该电子设备包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行前述任一项所述的基于神经网络的负载判别方法。
14.在第六方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行前述任一项所述的基于神经网络的负载判别方法。
15.本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
16.本发明利用在预洗涤阶段中获取的洗衣机从空载到满载情况下的水位频率、水位深度、电机转速和电机电流，以此作为训练集依次来训练神经网络，以得到训练好的神经网络，并利用训练好的神经网络对待洗衣物的负载大小进行预测，能够精确预测待洗衣物的负载大小，提高了预测精度。
17.通过基于待洗衣物的负载大小确定水量参数和洗涤时间参数，方法简单、易于实施，使得洗衣机根据负载大小确定的水量参数和洗涤时间参数对待洗衣物进行洗涤，有利于提高洗涤质量，满足用户需求，进一步提高了用户的满意度。
附图说明
18.参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
19.图1是根据本发明的一个实施例的基于神经网络的负载判别方法的主要步骤流程示意图；
20.图2是根据本发明的一个实施例的神经网络模型结构示意图；
21.图3是根据本发明的一个实施例的神经网络模型训练流程示意图；
22.图4是根据本发明的一个实施例的智能洗衣方法的流程示意图；
23.图5是根据本发明的一个实施例的基于神经网络的负载判别装置的主要结构框图示意图。
24.附图标记列表：
25.11：获取模块；12：构建模块；13：训练模块；14：判别模块。
具体实施方式
26.下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
27.在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“a和/或b”表示所有可能的a与b的组合，比如只是a、只是b或者a和b。术语“至少一个a或b”或者“a和b中的至少一个”含义与“a和/或b”类似，可以包括只是a、只是b或者a和b。单数形式的术语“一个”、“这个”也可以包含复数形式。
28.目前市场上的洗衣机采用传感器或者由于洗衣机桶有一定重量，利用现有方法称重大负载时能够有较好效果，然而在称重小负载时，洗衣机桶的重量会对称重结果造成影响，导致现有方法确定的小负载的称重结果误差较大，最终确定的负载大小的精度较低。为此，本技术提供了一种基于神经网络的负载判别方法、装置及存储介质，利用获取的洗衣机从空载到满载情况下的水位频率、水位深度、电机转速和电机电流作为训练集依次来训练神经网络，以得到训练好的神经网络，并利用训练好的神经网络对待洗衣物的负载大小进行预测，能够精确预测待洗衣物的负载大小，提高了预测精度。
29.参阅附图1，图1是根据本发明的一个实施例的基于神经网络的负载判别方法的主要步骤流程示意图。如图1所示，本发明实施例中的基于神经网络的负载判别方法主要包括下列步骤s101-步骤s104。
30.步骤s101：获取预洗涤阶段的洗衣机数据集，洗衣机数据集中每一洗衣机数据对应一个负载大小标签。在洗涤过程中，洗衣机的水位频率、水位深度、电机转速、电机电流的大小都与负载大小有着密切关系。具体来说，在获取预洗涤阶段的洗衣机数据集的过程中，首先可以在洗衣机预洗涤阶段中，分别获取洗衣机从空载到满载情况下的洗衣机数据，所述洗衣机数据包括水位频率、水位深度、电机转速和电机电流。接着为洗衣机数据添加负载大小标签，得到预洗涤阶段的洗衣机数据集。另外，也可以多次重复获取洗衣机预洗涤阶段中洗衣机从空载到满载情况下的洗衣机数据，从而获取更多的训练用样本，以后续用于对神经网络模型的训练。示例性地，负载大小可以以0.5公斤为单位，获取洗衣机从空载到满载的不同负载下的预洗涤阶段中的洗衣机的水位频率、水位深度、电机转速、电机电流等数据，并为其标注负载大小标签，重复进行此阶段工作n次，便能获得n组数据，理论上n越大越好。
31.步骤s102：构建神经网络模型。具体来说，本技术构建的神经网络模型可以是通过模型训练最终能够判别待洗衣物负载大小的任何神经网络。本技术中采用的神经网络模型包括输入层、隐藏层和输出层，其中隐藏层包括至少一个全连接层，在隐藏层和输出层之间连接有一个全连接层。本技术中隐藏层中的全连接层的个数可以是多个，具体可以根据实
际需求去设计隐藏层中的全连接层的个数。示例性地，具体如图2所示的神经网络模型，本技术将以隐藏层中包含多个全连接层作为神经网络模型的示例进行说明。首先，神经网络模型中的输入层用于输入获取的洗衣机在预洗涤阶段的相应数据，例如水位频率、水位深度、电机转速和电机电流，这些数据经过激活函数传输到隐藏层。该实施例中的隐藏层可以由多个全连接层构成，其中每个全连接层可以采用不同的激活函数。在隐藏层后边连接有一个全连接层，该全连接层经过一个激活函数连接到输出层，用于输出负载大小。
32.步骤s103：利用洗衣机数据集训练神经网络模型，得到训练好的神经网络模型。在训练神经网络模型的过程中，首先将洗衣机数据集依次输入神经网络模型，判断神经网络模型的损失函数是否小于预设值，在所述损失函数小于预设值的情况下，将当前的神经网络模型作为训练好的神经网络模型，在损失函数不小于预设值的情况下，利用梯度下降的方法调节神经网络模型的权重参数，直至调节权重参数后的神经网络模型的损失函数小于预设值，得到训练好的神经网络模型。示例性地，图3所示为神经网络训练流程图，将标注有负载大小标签的洗衣机数据集依次输入神经网络模型进行训练，直至取得稳定且较高的验证精度时对应的l oss值满足预设条件，此时得到训练好的神经网络。
33.步骤s104：利用训练好的神经网络模型判别待洗衣物的负载大小。具体来说，在利用训练好的神经网络模型判别待洗衣物的负载大小的过程中，首先获取洗衣机在预洗涤阶段中的洗衣机数据，该洗衣机数据包括水位频率、水位深度、电机转速和电机电流；接着将洗衣机数据输入训练好的神经网络模型，即可得到待洗衣物的负载大小。
34.基于上述步骤s101-步骤s104，本技术在洗衣机的预洗涤阶段中，获取的洗衣机从空载到满载情况下的水位频率、水位深度、电机转速和电机电流，以此作为训练集依次输入神经网络来训练神经网络，以得到训练好的神经网络，并利用训练好的神经网络对待洗衣物的负载大小进行预测，能够精确预测待洗衣物的负载大小，提高了预测精度。
35.需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
36.进一步，本发明还提供了一种智能洗衣方法，利用前述实施例记载输入训练好的的负载判别方法确定待洗衣物的负载大小，在确定了负载大小之后，基于待洗衣物的负载大小确定水量参数和洗涤时间参数，以使洗衣机根据所述水量参数和洗涤时间参数对待洗衣物进行洗涤。通过基于待洗衣物的负载大小确定水量参数和洗涤时间参数，方法简单、易于实施，使得洗衣机根据负载大小确定的水量参数和洗涤时间参数对待洗衣物进行洗涤，有利于提高洗涤质量，满足用户需求，进一步提高了用户的满意度。
37.具体如图4所示，在该智能洗衣的过程中，启动洗衣机后首先执行进水环节，在进水量达到预设水位后对待洗衣物进行预洗涤，在预洗涤的过程中获取洗衣机的水位频率、水位深度、电机转速和电机电流等数据，并将获取的洗衣机的水位频率、水位深度、电机转速和电机电流等数据输入训练好的神经网络模型即可得到负载大小，之后可以根据该负载大小确定水量参数和洗涤时间参数。另外，在一些实施例中，还可以基于负载大小确定的漂洗时间以及脱水时间。具体来说，数据库中存储的负载大小可以被划分为若干从小到大排列的负载区间，每个负载区间分别对应至少一个洗涤水量值，至少一个洗涤时间值，至少一
个漂洗时间值和至少一个脱水时间值。在洗衣机启动时，对投放的待洗衣物进行负载大小判别，得到负载大小后再与数据库中存储的负载判断该负载值落入的负载区间，并调用与落入负载区间相对应的洗涤水量、洗涤时间、漂洗时间和脱水时间进行洗涤以及相应的漂洗或者脱水。当然，基于待洗衣物的负载大小确定水量参数和洗涤时间参数或者漂洗时间参数或者脱水时间参数的方法不限于上述描述，还可以通过其它方式获得，这里不赘述。
38.进一步，本发明还提供了一种基于神经网络的负载判别装置。
39.参阅附图5，图5是根据本发明的一个实施例的基于神经网络的负载判别装置的主要结构框图。如图5所示，本发明实施例中的基于神经网络的负载判别装置主要包括获取模块11、构建模块12、训练模块13和判别模块14。在一些实施例中，获取模块11、构建模块12、训练模块13和判别模块14中的一个或多个可以合并在一起成为一个模块。在一些实施例中获取模块11可以被配置成为获取预洗涤阶段的洗衣机数据集，所述洗衣机数据集中每一洗衣机数据对应一个负载大小标签。构建模块12可以被配置成构建神经网络模型。训练模块13可以被配置成利用所述洗衣机数据集训练所述神经网络模型，得到训练好的神经网络模型。判别模块14可以被配置为利用所述训练好的神经网络模型判别待洗衣物的负载大小。一个实施方式中，具体实现功能的描述可以参见步骤步骤s101-步骤s104所述。
40.上述基于神经网络的负载判别装置以用于执行图1所示的基于神经网络的负载判别方法实施例，两者的技术原理、所解决的技术问题及产生的技术效果相似，本技术领域技术人员可以清楚地了解到，为了描述的方便和简洁，基于神经网络的负载判别装置的具体工作过程及有关说明，可以参考基于神经网络的负载判别方法的实施例所描述的内容，此处不再赘述。
41.进一步，本发明还提供了一种智能洗衣装置，包括负载判别装置和参数确定装置，负载判别装置可以被配置为确定待洗衣物的负载大小，参数确定装置可以被配置为基于所述待洗衣物的负载大小确定水量参数和洗涤时间参数，以使洗衣机根据所述水量参数和洗涤时间参数对所述待洗衣物进行洗涤。
42.本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
43.进一步，本发明还提供了一种电子设备。在根据本发明的一个电子设备实施例中，电子设备包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的基于神经网络的负载判别方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的基于神经网络的负载判别方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方
法部分。
44.进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的基于神经网络的负载判别方法的程序，该程序可以由处理器加载并运行以实现上述基于神经网络的负载判别方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
45.进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。
46.本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。
47.至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

技术特征：
1.一种基于神经网络的负载判别方法，其特征在于，包括下述步骤：获取预洗涤阶段的洗衣机数据集，所述洗衣机数据集中每一洗衣机数据对应一个负载大小标签；构建神经网络模型；利用所述洗衣机数据集训练所述神经网络模型，得到训练好的神经网络模型；利用所述训练好的神经网络模型判别待洗衣物的负载大小。2.根据权利要求1所述的基于神经网络的负载判别方法，其特征在于，获取预洗涤阶段的洗衣机数据集包括：在洗衣机预洗涤阶段中，分别获取洗衣机从空载到满载情况下的洗衣机数据，所述洗衣机数据包括水位频率、水位深度、电机转速和电机电流；为所述洗衣机数据添加负载大小标签，得到预洗涤阶段的洗衣机数据集。3.根据权利要求1所述的基于神经网络的负载判别方法，其特征在于，所述神经网络模型包括输入层、隐藏层和输出层，所述隐藏层包括至少一个全连接层，在所述隐藏层和输出层之间连接有一个全连接层。4.根据权利要求1所述的基于神经网络的负载判别方法，其特征在于，利用所述洗衣机数据集训练所述神经网络模型，得到训练好的神经网络模型包括：将所述洗衣机数据集依次输入所述神经网络模型，判断所述神经网络模型的损失函数是否小于预设值，在所述损失函数小于预设值的情况下，将当前的所述神经网络模型作为训练好的神经网络模型，在所述损失函数不小于预设值的情况下，调节所述神经网络模型的权重参数，直至调节权重参数后的神经网络模型的损失函数小于预设值，得到训练好的神经网络模型。5.根据权利要求1所述的方法，其特征在于，利用所述训练好的神经网络模型判别待洗衣物的负载大小包括：获取洗衣机在预洗涤阶段中的洗衣机数据，所述洗衣机数据包括水位频率、水位深度、电机转速和电机电流；将所述洗衣机数据输入所述训练好的神经网络模型，得到待洗衣物的负载大小。6.一种基于神经网络的负载判别装置，其特征在于，包括：获取模块，被配置为获取预洗涤阶段的洗衣机数据集，所述洗衣机数据集中每一洗衣机数据对应一个负载大小标签；构建模块，被配置为构建神经网络模型；训练模块，被配置为利用所述洗衣机数据集训练所述神经网络模型，得到训练好的神经网络模型；判别模块，被配置为利用所述训练好的神经网络模型判别待洗衣物的负载大小。7.一种智能洗衣方法，其特征在于，包括下述步骤：利用权利要求1至权利要求5任一项所述的负载判别方法确定待洗衣物的负载大小；基于所述待洗衣物的负载大小确定水量参数和洗涤时间参数，以使洗衣机根据所述水量参数和洗涤时间参数对所述待洗衣物进行洗涤。8.一种智能洗衣装置，其特征在于，包括：负载判别装置，被配置为确定待洗衣物的负载大小；参数确定装置，被配置为基于所述待洗衣物的负载大小确定水量参数和洗涤时间参
数，以使洗衣机根据所述水量参数和洗涤时间参数对所述待洗衣物进行洗涤。9.一种电子设备，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至5中任一项所述的基于神经网络的负载判别方法。10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至5中任一项所述的基于神经网络的负载判别方法。

技术总结
本发明涉及人工智能技术领域，具体提供一种基于神经网络的负载判别方法、装置及存储介质，旨在解决现有方法采用传感器或者由于洗衣机桶的重量导致称重小负载时造成的称重结果误差较大、精度较低的技术问题。为此目的，本发明的基于神经网络的负载判别方法包括下述步骤：获取预洗涤阶段的洗衣机数据集，洗衣机数据集中每一洗衣机数据对应一个负载大小标签；构建神经网络模型；利用洗衣机数据集训练神经网络模型，得到训练好的神经网络模型；利用训练好的神经网络模型判别待洗衣物的负载大小。练好的神经网络模型判别待洗衣物的负载大小。练好的神经网络模型判别待洗衣物的负载大小。


技术研发人员：高鑫 王增超 张先旦 高秋英
受保护的技术使用者：海尔智家股份有限公司
技术研发日：2022.01.17
技术公布日：2023/7/31