智能清洁设备，清洁模式选择方法，计算机存储介质技术

本发明专利技术公开了一种基于卷积神经网络的清洁模式选择方法，包括以下步骤：S1：采集智能清洁设备的当前工作场景图像；S2：将采集到的当前工作场景图像输入至所述智能清洁设备的工作场景卷积神经网络分类模型，以确定当前工作场景的类型，其中，所述工作场景卷积神经网络分类模型根据训练样本集建立，所述训练样本集中的预采集工作场景图像标记有对应的工作场景类型标签；S3：根据当前工作场景的类型采用对应的清洁模式。本发明专利技术通过采集当前工作场景图像，将其输入至训练好的工作场景卷积神经网络分类模型即可得出智能清洁设备当前工作场景的类型，进而采取相应的清洁模式。本发明专利技术使清洁模式的选择更高效、智能、多样化，满足了消费者的需求。

Intelligent Cleaning Equipment, Cleaning Mode Selection Method, Computer Storage Media

The invention discloses a cleaning mode selection method based on convolution neural network, which includes the following steps: S1: collecting the current working scene image of intelligent cleaning equipment; S2: inputting the collected current working scene image into the working scene convolution neural network classification model of the intelligent cleaning equipment to determine the type of the current working scene, in which the working scene is described. The classification model of convolutional neural network is established according to the training sample set. The pre-collected working scene image tags in the training sample set have corresponding working scene type tags; S3: The corresponding cleaning mode is adopted according to the current working scene type. By collecting the current working scene image and inputting it into the trained working scene convolution neural network classification model, the present working scene type of intelligent cleaning equipment can be obtained, and the corresponding cleaning mode can be adopted. The invention makes the selection of cleaning mode more efficient, intelligent and diversified, and meets the needs of consumers.

【技术实现步骤摘要】
智能清洁设备，清洁模式选择方法，计算机存储介质
本专利技术涉及智能清洁
，尤其涉及一种基于卷积神经网络的清洁模式选择方法、智能清洁设备以及计算机存储介质。
技术介绍
现有的智能清洁设备通常通过自身的传感装置向控制系统提供位置信息和运动状态信息，进而实现路径规划、规避障碍等，采用这种方式的智能清洁设备是“看不到”物体的，其工作环境中的物体只能被当做障碍物被越过或远离。并且，现有的智能清洁设备无法直接分辨出自己所处的房间，只能是用户通过移动端进行地图划分来告知其具体位置，和应该采取什么样的清洁模式。上述方式不够智能，需要的人工干预过多，导致清洁效率较低。
技术实现思路
在
技术实现思路
部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本专利技术的
技术实现思路
部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。为了至少部分地解决上述问题，根据本专利技术的第一方面，提供了一种基于卷积神经网络的清洁模式选择方法，包括以下步骤：S1：采集所述智能清洁设备的当前工作场景图像；S2：将采集到的当前工作场景图像输入至所述智能清洁设备的工作场景卷积神经网络分类模型，以确定当前工作场景的类型，其中，所述工作场景卷积神经网络分类模型根据训练样本集建立，所述训练样本集中的预采集工作场景图像标记有对应的工作场景类型标签；S3：根据当前工作场景的类型采用对应的清洁模式。根据本专利技术的用于智能清洁设备的基于卷积神经网络的清洁模式选择方法，通过采集当前工作场景图像，将其输入至训练好的工作场景卷积神经网络分类模型即可得出智能清洁设备当前工作场景的类型，进而采取相应的清洁模式。本专利技术使清洁模式的选择更加高效、智能、多样化，满足了消费者的需求。优选地，所述工作场景卷积神经网络分类模型为自适应卷积神经网络分类模型，用于根据新的训练样本完成增量学习。由此，智能清洁设备可以在不断地使用过程中，积累新的训练样本，完成进一步地学习，更智能地判断其工作场景。优选地，所述工作场景类型标签包括房间属性标签，所述房间属性标签用于表征所述智能清洁设备的空间位置。优选地，所述步骤S2包括，确定当前工作场景的房间属性；所述步骤S3包括，根据所述房间属性采用对应的第一清洁模式；所述第一清洁模式构造为所述智能清洁设备针对不同房间属性而采用不同的清洁力度。优选地，所述工作场景类型标签包括微小物体属性标签，所述微小物体属性标签用于表征所述智能清洁设备的周围环境。优选地，所述步骤S2包括，确定当前工作场景的微小物体属性；所述步骤S3包括，根据所述微小物体属性采用对应的第二清洁模式；所述第二清洁模式构造为所述智能清洁设备避开微小物体或临近微小物体时降速行走清洁。优选地，所述工作场景类型标签包括地面材质属性标签，所述地面材质属性标签用于表征所述智能清洁设备所位于的地面材质。优选地，所述步骤S2包括，确定当前工作场景的地面材质属性；所述步骤S3包括，根据所述地面材质属性采用对应的第三清洁模式；所述第三清洁模式构造为所述智能清洁设备针对不同地面材质属性而采用不同的清洁力度和/或采用不同的清洁干湿度。优选地，所述采用不同的清洁力度通过调节所述智能清洁设备的风机和/或清扫次数来实现。根据本专利技术的第二方面，提供一种智能清洁设备，其包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现根据本专利技术的基于卷积神经网络的清洁模式选择方法的步骤。根据本专利技术的第三方面，提供一种计算机存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据本专利技术的基于卷积神经网络的清洁模式选择方法的步骤。附图说明本专利技术的下列附图在此作为本专利技术的一部分用于理解本专利技术。附图中示出了本专利技术的实施例及其描述，用来解释本专利技术的装置及原理。在附图中，图1为根据本专利技术的基于卷积神经网络的清洁模式选择方法的流程图。具体实施方式在下文的描述中，给出了大量具体的细节以便提供对本专利技术更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本专利技术可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本专利技术发生混淆，对于本领域公知的一些技术特征未进行描述。为了彻底理解本专利技术，将在下列的描述中提出详细的结构，以便阐释本专利技术。显然，本专利技术的施行并不限定于该
的技术人员所熟习的特殊细节。本专利技术的较佳实施例详细描述如下，然而除了这些详细描述外，本专利技术还可以具有其他实施方式，不应当解释为局限于这里提出的实施例。图1示出了根据本专利技术的基于卷积神经网络的清洁模式选择方法的流程图。具体地，该选择方法包括以下步骤：S1：采集所述智能清洁设备的当前工作场景图像；S2：将采集到的当前工作场景图像输入至所述智能清洁设备的工作场景卷积神经网络分类模型，以确定当前工作场景的类型，其中，所述工作场景卷积神经网络分类模型根据训练样本集建立，所述训练样本集中的预采集工作场景图像标记有对应的工作场景类型标签；S3：根据当前工作场景的类型采用对应的清洁模式。根据本专利技术的用于智能清洁设备的基于卷积神经网络的清洁模式选择方法，通过采集当前工作场景图像，将其输入至训练好的工作场景卷积神经网络分类模型即可得出智能清洁设备当前工作场景的类型，进而采取相应的清洁模式。本专利技术使清洁模式的选择更加高效、智能、多样化，满足了消费者的需求。需要说明的是，对于步骤S2中的工作场景卷积神经网络分类模型的搭建以及利用训练样本集对该分类模型进行训练，已经属于本领域中比较成熟的技术，在此给出一个优选的实施方式进行简要的说明。首先，训练样本集中的预采集工作场景图像可以是在智能清洁设备出厂之前就已经输入好的，也可以是进一步在用户家里初始化过程中对其家庭进行现场采集得到的，并且该预采集工作场景图像已经标记有对应的工作场景类型标签。预采集工作场景图像是在各种光照、角度、焦距条件下的图像。其次，工作场景卷积神经网络分类模型的搭建过程：工作场景卷积神经网络分类模型包括C个卷积层、F个全连接层和一个softmax分类器，2≤C≤5，1≤F≤3；在每一个卷积层中进行卷积、池化和归一化处理；每个卷积层的卷积核大小是ci*ci，步长为sci*sci，其中1≤ci≤10，1≤sci≤5，1≤i≤C；对图像进行卷积处理得到ki种特征，1≤ki≤256；每个卷积层的池化处理使用最大池化，大小为pi*pi，步长为spi*spi，其中1≤pi≤10，1≤spi≤5，1≤i≤C；对池化处理后的图像进行归一化处理；图像经过上一个卷积层处理后得到的结果输入下一个卷积层；在第C个卷积层之后，将得到的特征展开成一维向量输入到第一个全连接层中，然后将第一个全连接层的结果输入到第二个全连接层中，以此类推，在经过第F个全连接层之后得到logits值，最后将得到的logits值输入到softmax分类器中，得到该图片属于各个类别的概率值，由此概率值与真实的label计算得到交叉熵损失函数，从而完成了卷积神经网络模型的搭建；其中，每一个全连接层中含有的神经元个数为fj，其中1≤fj≤768，1≤j≤F。工作场景卷积神经网络分类模型的训练过程：训练使用梯度下降法，学习率使用变动学习率，训练迭代次数在5万‐1本文档来自技高网...

【技术保护点】
1.一种用于智能清洁设备的基于卷积神经网络的清洁模式选择方法，其特征在于，包括以下步骤：S1：采集所述智能清洁设备的当前工作场景图像；S2：将采集到的当前工作场景图像输入至所述智能清洁设备的工作场景卷积神经网络分类模型，以确定当前工作场景的类型，其中，所述工作场景卷积神经网络分类模型根据训练样本集建立，所述训练样本集中的预采集工作场景图像标记有对应的工作场景类型标签；S3：根据当前工作场景的类型采用对应的清洁模式。

【技术特征摘要】
1.一种用于智能清洁设备的基于卷积神经网络的清洁模式选择方法，其特征在于，包括以下步骤：S1：采集所述智能清洁设备的当前工作场景图像；S2：将采集到的当前工作场景图像输入至所述智能清洁设备的工作场景卷积神经网络分类模型，以确定当前工作场景的类型，其中，所述工作场景卷积神经网络分类模型根据训练样本集建立，所述训练样本集中的预采集工作场景图像标记有对应的工作场景类型标签；S3：根据当前工作场景的类型采用对应的清洁模式。2.根据权利要求1所述的清洁模式选择方法，其特征在于，所述工作场景卷积神经网络分类模型为自适应卷积神经网络分类模型，用于根据新的训练样本完成增量学习。3.根据权利要求1所述的清洁模式选择方法，其特征在于，所述工作场景类型标签包括房间属性标签，所述房间属性标签用于表征所述智能清洁设备的空间位置。4.根据权利要求3所述的清洁模式选择方法，其特征在于，所述步骤S2包括，确定当前工作场景的房间属性；所述步骤S3包括，根据所述房间属性采用对应的第一清洁模式；所述第一清洁模式构造为所述智能清洁设备针对不同房间属性而采用不同的清洁力度。5.根据权利要求1所述的清洁模式选择方法，其特征在于，所述工作场景类型标签包括微小物体属性标签，所述微小物体属性标签用于表征所述智能清洁设备的周围环境。6....

【专利技术属性】
技术研发人员：谢濠键，
申请(专利权)人：北京石头世纪科技有限公司，
类型：发明
国别省市：北京,11