空调的控制方法和装置、存储介质、电子装置与流程

2021-03-09 13:03:47|

385|

起点商标网

[0001]
本申请涉及智能家居领域，具体而言，涉及一种空调的控制方法和装置、存储介质、电子装置。

背景技术：

[0002]
随着传感技术的发展，目前越来越多的先进传感器应用于家电领域，实现对人、对物体、对场景的多元化检测，并应用于家电整机实现智能交互、节能控制等等。
[0003]
目前的空调不够智能，无法根据用户活动状态或者活动历史轨迹主动调节，造成能源浪费和体验不佳。
[0004]
针对上述空调存在能源浪费的问题，目前尚未提出有效的解决方案。

技术实现要素：

[0005]
本申请实施例提供了一种空调的控制方法和装置、存储介质、电子装置，以至少解决相关技术中空调存在能源浪费的技术问题。
[0006]
根据本申请实施例的一个方面，提供了一种空调的控制方法，包括：根据目标用户的历史活动区域预测所述目标用户的活动轨迹；根据预测的活动轨迹对空调进行控制。
[0007]
可选地，在根据预测的活动轨迹对空调进行控制时，根据所述预测的活动轨迹控制空调的送风位置；和/或，根据所述预测的活动轨迹控制空调的出风风量。
[0008]
可选地，在根据所述目标用户的历史活动区域预测所述目标用户的活动轨迹时，按照预设时间间隔对所述目标用户的活动区域进行采样，得到采样数据；根据采用数据生成所述目标用户的活动轨迹，其中，活动轨迹中包括活动时间和对应的活动位置。
[0009]
可选地，所述活动轨迹包括多个活动时间和每个活动时间的活动位置，其中，根据采用数据生成所述目标用户的活动轨迹包括按照如下方式确定每个活动时间的活动位置：统计所述目标用户在多个时间周期内的相同活动时间所出现过的活动位置；将出现频率最高的活动位置作为活动轨迹中与该活动时间匹配的活动位置。
[0010]
可选地，在按照预设时间间隔对所述目标用户的活动区域进行采样的过程中，按照如下方式识别出所述目标用户：采集场景的场景深度图；对多帧所述场景深度图进行背景差分处理、消噪处理、轮廓填充细化处理以及二值化处理，得到二值化图像；根据人体轮廓特征从所述二值化图像中识别出所述目标用户。
[0011]
可选地，在按照预设时间间隔对所述目标用户的活动区域进行采样的过程中，按照如下方式识别出场景对象：获取场景各点深度信息并生成深度图；从所述深度图中识别出场景区域，并标注识别出的场景区域。
[0012]
可选地，在从所述深度图中识别出场景对象时，利用深度神经网络模型从所述深度图中识别出场景区域，其中，所述深度神经网络模型是预先训练好的模型，所述场景区域包括沙发区域、进餐区域、学习区域以及运动区域。
[0013]
根据本申请实施例的另一方面，还提供了一种空调的控制装置，包括：预测单元，
用于根据目标用户的历史活动区域预测所述目标用户的活动轨迹；控制单元，用于根据预测的活动轨迹对空调进行控制。
[0014]
可选地，预测单元还用于在根据预测的活动轨迹对空调进行控制时，根据所述预测的活动轨迹控制空调的送风位置；和/或，根据所述预测的活动轨迹控制空调的出风风量。
[0015]
可选地，预测单元还用于在根据所述目标用户的历史活动区域预测所述目标用户的活动轨迹时，按照预设时间间隔对所述目标用户的活动区域进行采样，得到采样数据；根据采用数据生成所述目标用户的活动轨迹，其中，活动轨迹中包括活动时间和对应的活动位置。
[0016]
可选地，所述活动轨迹包括多个活动时间和每个活动时间的活动位置，其中，预测单元还用于根据采用数据生成所述目标用户的活动轨迹的过程中，按照如下方式确定每个活动时间的活动位置：统计所述目标用户在多个时间周期内的相同活动时间所出现过的活动位置；将出现频率最高的活动位置作为活动轨迹中与该活动时间匹配的活动位置。
[0017]
可选地，预测单元还用于在按照预设时间间隔对所述目标用户的活动区域进行采样的过程中，按照如下方式识别出所述目标用户：采集场景的场景深度图；对多帧所述场景深度图进行背景差分处理、消噪处理、轮廓填充细化处理以及二值化处理，得到二值化图像；根据人体轮廓特征从所述二值化图像中识别出所述目标用户。
[0018]
可选地，预测单元还用于在按照预设时间间隔对所述目标用户的活动区域进行采样的过程中，按照如下方式识别出场景对象：获取场景各点深度信息并生成深度图；从所述深度图中识别出场景区域，并标注识别出的场景区域。
[0019]
可选地，预测单元还用于在从所述深度图中识别出场景对象时，利用深度神经网络模型从所述深度图中识别出场景区域，其中，所述深度神经网络模型是预先训练好的模型，所述场景区域包括沙发区域、进餐区域、学习区域以及运动区域。
[0020]
根据本申请实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的方法。
[0021]
根据本申请实施例的另一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器通过计算机程序执行上述的方法。
[0022]
在本申请实施例中，根据目标用户的历史活动区域预测所述目标用户的活动轨迹，根据预测的活动轨迹对空调进行控制，可提升产品智能化，实现适时、提前主动送风，以减少用户手动操作调整送风区域，使用户舒适性体验更佳。同时，对用户不活动的区域减少送风量，实现更有效的节能，可以解决相关技术中空调存在能源浪费的技术问题。
附图说明
[0023]
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0024]
图1是根据本申请实施例的一种可选的空调的控制方法的流程图；
[0025]
图2是根据本申请实施例的一种可选的空调的控制方案的示意图；
[0026]
图3是根据本申请实施例的一种可选的用户识别方案的示意图；
[0027]
图4是根据本申请实施例的一种可选的沙发识别方案的示意图；
[0028]
图5是根据本申请实施例的一种可选的空调的控制装置的示意图；
[0029]
以及
[0030]
图6是根据本申请实施例的一种终端的结构框图。
具体实施方式
[0031]
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0032]
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0033]
根据本申请实施例的一方面，提供了一种空调的控制方法的实施例。图1是根据本申请实施例的一种可选的空调的控制方法的流程图，如图1所示，该方法可以包括以下步骤：
[0034]
步骤s1，根据目标用户的历史活动区域预测所述目标用户的活动轨迹。
[0035]
步骤s2，根据预测的活动轨迹对空调进行控制。
[0036]
通过上述步骤，根据目标用户的历史活动区域预测所述目标用户的活动轨迹，根据预测的活动轨迹对空调进行控制，可提升产品智能化，实现适时、提前主动送风，以减少用户手动操作调整送风区域，使用户舒适性体验更佳。同时，对用户不活动的区域减少送风量，实现更有效的节能，可以解决相关技术中空调存在能源浪费的技术问题。
[0037]
可选地，在根据预测的活动轨迹对空调进行控制时，根据所述预测的活动轨迹控制空调的送风位置；和/或，根据所述预测的活动轨迹控制空调的出风风量。
[0038]
可选地，在根据所述目标用户的历史活动区域预测所述目标用户的活动轨迹时，按照预设时间间隔对所述目标用户的活动区域进行采样，得到采样数据；根据采用数据生成所述目标用户的活动轨迹，其中，活动轨迹中包括活动时间和对应的活动位置。
[0039]
可选地，所述活动轨迹包括多个活动时间和每个活动时间的活动位置，其中，根据采用数据生成所述目标用户的活动轨迹包括按照如下方式确定每个活动时间的活动位置：统计所述目标用户在多个时间周期内的相同活动时间所出现过的活动位置；将出现频率最高的活动位置作为活动轨迹中与该活动时间匹配的活动位置。
[0040]
可选地，在按照预设时间间隔对所述目标用户的活动区域进行采样的过程中，按照如下方式识别出所述目标用户：采集场景的场景深度图；对多帧所述场景深度图进行背景差分处理、消噪处理、轮廓填充细化处理以及二值化处理，得到二值化图像；根据人体轮
廓特征从所述二值化图像中识别出所述目标用户。
[0041]
可选地，在按照预设时间间隔对所述目标用户的活动区域进行采样的过程中，按照如下方式识别出场景对象：获取场景各点深度信息并生成深度图；从所述深度图中识别出场景区域，并标注识别出的场景区域。
[0042]
可选地，在从所述深度图中识别出场景对象时，利用深度神经网络模型从所述深度图中识别出场景区域，其中，所述深度神经网络模型是预先训练好的模型，所述场景区域包括沙发区域、进餐区域、学习区域以及运动区域。
[0043]
作为一种可选的实施例，下文结合具体的实施方式进一步详述本申请的技术方案。
[0044]
tof(time-of-flight，飞行时间)成像原理是根据测量光在空间中传播的时间信息，计算探测器像元到场景的深度信息，进而获取场景三维结构。
[0045]
本方案基于tof飞行时间检测技术对室内场景深度信息进行检测，并根据深度图通过神经网络算法判别进餐区、沙发区等，根据每日用户历史活动区域情况统计并预测活动轨迹，空调根据预测结果主动改变送风位置和出风风量，以达到舒适、节能送风目的。
[0046]
硬件方案如图2所示：tof(飞行时间)检测模组，包括tof识别模组由驱动单元、红外发射器、tof镜头、深度检测单元、场景识别单元组成。
[0047]
驱动单元用于调制脉冲式或正弦波式的红外红外发射器；红外发射器其根据驱动单元调制驱动信号进行点亮；红外光波长一般为850nm
±
20nm区间；tof镜头为阵列式成像传感器，考虑成本和检测精度，其分辨率至少为100*100；应用在空调场景镜头水平角度80
°
～100
°
，最佳为90
°
，主要考虑常规圆形空调在客厅角落中45
°
安装，水平角度90
°
情况下检测区域可以覆盖所有区域；深度检测单元即通过脉冲光信号发出以及阵列式传感器各像素点接收到光信号的时间差，计算得到检测单元与被测场景(房间)之间的距离深度信息；场景信息识别单元根据多帧检测的深度图进一步识别人体的位置(角度、距离)、沙发区、进餐区、高频活动区等。
[0048]
空调部分：统计单元，空调统计单元接受tof识别模组所识别到的场景信息识别单元的识别结果，并以每一天作为单位，将每天用户在各区域活动的时间进行统计，并通过自学习方式生成用户预期活动轨迹，用户预期活动轨迹包括时间信息、用户信息、活动区域信息；主控单元，主控单元接受预期活动轨迹信息，并根据预期活动轨迹调控空调的出风角度、出风量等；执行单元，包括送风电机、制冷系统、扫风装置等，以实现调节不同的吹风方向、冷量等。
[0049]
空调搭载结构方案：tof识别模组装配在柜机空调1.5～1.8m高度，水平或略微下倾，垂直角度大于70
°
，以尽可能视野覆盖整个客厅区域。
[0050]
场景检测方法：
[0051]
(1)人体检测，如图3所示：
[0052]
步骤1，获取深度信息并生成深度图。
[0053]
tof识别模组获取阵列式红外成像传感器的深度信息并生成深度图。每1s检测2～5帧，通过每帧深度距离信息差值变化，进行背景差分处理。
[0054]
步骤2，多帧深度距离变化背景差分处理。
[0055]
步骤3，消噪、轮廓填充细化处理。
[0056]
步骤4，人形轮廓二值图处理。将差分图进行二值处理，生成二值图。
[0057]
步骤5，根据轮廓特征、像素量以及深度信息等信息判断是否为人体。
[0058]
步骤6，检测到人体则获取人形位置。
[0059]
步骤7，输出人体相对位置。
[0060]
(2)沙发区、进餐区检测
[0061]
进餐区与沙发区检测检测方法相同，仅具体特征量参数值存在差异，故以沙发区进行说明其检测方法。如图4所示：
[0062]
步骤1，获取深度距离信息，获取场景各点深度信息并生成深度图。
[0063]
步骤2，深度距离信息进行3d建模深度图。
[0064]
步骤3，根据深度图判断是否有满足沙发特征的区域。
[0065]
深度图根据深度神经网络算法进行判别场景中是否有沙发区；神经网络算法根据预先设定的沙发区特征进行实现，沙发区特征包括：与背墙距离、茶几位置、垫背与坐垫比例、整体长宽比例等实现。
[0066]
步骤4，如满足则标记沙发区的位置信息。满足沙发区的区域块，则标注对应区域定义为沙发区。
[0067]
上述检测区域不局限于沙发区、进餐区，可以拓展为学习区、运动区等。
[0068]
活动场景统计，每天以一定的周期采集人体所处位置，具体举例按如下规则统计：依据时间轴进展，每10min进行一次人体及位置识别，确定场景各区域人体活动情况；收集最近一定天数(大于10天)场景内人员在各活动区的时间；根据以上采样数据，生成预测活动轨迹图，预测活动轨迹图即对于时间预测所处的活动区域；每个时间点的活动区域根据历史时间点统计最高频率活动的区域，即为预测区域。如连续20天检测12:00在进餐区，则预测今天12:00活动区为进餐区。
[0069]
功能模式：启动条件，空调具有节能或智能模式，用户可通过遥控器、面板按键或app等启动该功能模式。当启动节能或智能模式时，则根据预测活动轨迹图调节空调扫风方向和出风风量；扫风方向更改为对应活动区的位置，如人在沙发区则出风风量在额定风量基础上适度降低，如人在进餐区则出风风量在额定风量基础上增加。
[0070]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
[0071]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
[0072]
根据本申请实施例的另一个方面，还提供了一种用于实施上述空调的控制方法的空调的控制装置。图5是根据本申请实施例的一种可选的空调的控制装置的示意图，如图5
所示，该装置可以包括：
[0073]
预测单元51，用于根据目标用户的历史活动区域预测所述目标用户的活动轨迹；控制单元53，用于根据预测的活动轨迹对空调进行控制。
[0074]
需要说明的是，该实施例中的预测单元51可以用于执行本申请实施例中的步骤s1，该实施例中的控制单元53可以用于执行本申请实施例中的步骤s2。
[0075]
通过上述模块，根据目标用户的历史活动区域预测所述目标用户的活动轨迹，根据预测的活动轨迹对空调进行控制，可提升产品智能化，实现适时、提前主动送风，以减少用户手动操作调整送风区域，使用户舒适性体验更佳。同时，对用户不活动的区域减少送风量，实现更有效的节能，可以解决相关技术中空调存在能源浪费的技术问题。
[0076]
可选地，预测单元还用于在根据预测的活动轨迹对空调进行控制时，根据所述预测的活动轨迹控制空调的送风位置；和/或，根据所述预测的活动轨迹控制空调的出风风量。
[0077]
可选地，预测单元还用于在根据所述目标用户的历史活动区域预测所述目标用户的活动轨迹时，按照预设时间间隔对所述目标用户的活动区域进行采样，得到采样数据；根据采用数据生成所述目标用户的活动轨迹，其中，活动轨迹中包括活动时间和对应的活动位置。
[0078]
可选地，所述活动轨迹包括多个活动时间和每个活动时间的活动位置，其中，预测单元还用于根据采用数据生成所述目标用户的活动轨迹的过程中，按照如下方式确定每个活动时间的活动位置：统计所述目标用户在多个时间周期内的相同活动时间所出现过的活动位置；将出现频率最高的活动位置作为活动轨迹中与该活动时间匹配的活动位置。
[0079]
可选地，预测单元还用于在按照预设时间间隔对所述目标用户的活动区域进行采样的过程中，按照如下方式识别出所述目标用户：采集场景的场景深度图；对多帧所述场景深度图进行背景差分处理、消噪处理、轮廓填充细化处理以及二值化处理，得到二值化图像；根据人体轮廓特征从所述二值化图像中识别出所述目标用户。
[0080]
可选地，预测单元还用于在按照预设时间间隔对所述目标用户的活动区域进行采样的过程中，按照如下方式识别出场景对象：获取场景各点深度信息并生成深度图；从所述深度图中识别出场景区域，并标注识别出的场景区域。
[0081]
可选地，预测单元还用于在从所述深度图中识别出场景对象时，利用深度神经网络模型从所述深度图中识别出场景区域，其中，所述深度神经网络模型是预先训练好的模型，所述场景区域包括沙发区域、进餐区域、学习区域以及运动区域。
[0082]
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在相应的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
[0083]
根据本申请实施例的另一个方面，还提供了一种用于实施上述空调的控制方法的服务器或终端。
[0084]
图6是根据本申请实施例的一种终端的结构框图，如图6所示，该终端可以包括：一个或多个(仅示出一个)处理器201、存储器203、以及传输装置205，如图6所示，该终端还可以包括输入输出设备207。
[0085]
其中，存储器203可用于存储软件程序以及模块，如本申请实施例中的空调的控制
方法和装置对应的程序指令/模块，处理器201通过运行存储在存储器203内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的空调的控制方法。存储器203可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器203可进一步包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0086]
上述的传输装置205用于经由一个网络接收或者发送数据，还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置205包括一个网络适配器(network interface controller，nic)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置205为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
[0087]
其中，具体地，存储器203用于存储应用程序。
[0088]
处理器201可以通过传输装置205调用存储器203存储的应用程序，以执行下述步骤：
[0089]
根据目标用户的历史活动区域预测所述目标用户的活动轨迹；根据预测的活动轨迹对空调进行控制。
[0090]
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
[0091]
本领域普通技术人员可以理解，图6所示的结构仅为示意，终端可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobile internet devices，mid)、pad等终端设备。图6其并不对上述电子装置的结构造成限定。例如，终端还可包括比图6中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图6所示不同的配置。
[0092]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
[0093]
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行空调的控制方法的程序代码。
[0094]
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
[0095]
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
[0096]
根据目标用户的历史活动区域预测所述目标用户的活动轨迹；根据预测的活动轨迹对空调进行控制。
[0097]
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
[0098]
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0099]
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
[0100]
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
[0101]
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0102]
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0103]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0104]
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0105]
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击【在线咨询】或添加微信【19522093243】与客服一对一沟通，为大家解决相关问题。