本发明专利技术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，本发明专利技术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。
【技术实现步骤摘要】
基于神经网络的负载判别方法、装置及存储介质
[0001]本专利技术涉及人工智能
，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。
技术介绍
[0002]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。
[0003]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。
技术实现思路
[0004]为了克服上述缺陷，提出了本专利技术，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。本专利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。
[0005]在第一方面，本专利技术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。
[0006]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。
[0007]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。
[0008]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。
[0009]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。
[0010]在第二方面，本专利技术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。
[0011]在第三方面，本专利技术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。
[0012]在第四方面，本专利技术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。
[0013]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。
[0014]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。
[0015]本专利技术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：
[0016]本专利技术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。
[0017]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
[0018]参照附图，本专利技术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，而并非意在对本专利技术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：
[0019]图1是根据本专利技术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；
[0020]图2是根据本专利技术的一个实施例的神经网络模型结构示意图；
[0021]图3是根据本专利技术的一个实施例的神经网络模型训练流程示意图；
[0022]图4是根据本专利技术的一个实施例的智能洗衣方法的流程示意图；
[0023]图5是根据本专利技术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。
[0024]附图标记列表：
[0025]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
[0026]下面参照附图来描述本专利技术的一些实施方式。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专利技术的技术原理，并非旨在限制本专利技术的保护范围。
[0027]在本专利技术的描述中，“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。
[0028]目前市场上的洗衣机采用传感器或者由本文档来自技高网...
【技术保护点】
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：高鑫，王增超，张先旦，高秋英，
申请(专利权)人：海尔智家股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。