【技术实现步骤摘要】
本专利技术涉及空调，具体而言，涉及一种空调内机风速控制方法、装置、电子设备及存储介质。
技术介绍
1、随着人们生活水平的提高，空调的使用越来越普及，用户对空调的舒适性和体验感等方面也提出了更高要求。
2、目前，空调内机的风速主要分为低风档、中风档和高风档，需要人为手动调整风档，例如，一般情况下，刚开启空调时会设定高风档进行快速制冷或制热，过一段时间后则会调到低风档运行，操作过程繁琐，并且可能还会出现用户忘记调整风档导致不舒适的情况，影响用户体验。
技术实现思路
1、本专利技术解决的问题是如何按照室内人员的行为自动调整空调的内机风速。
2、为解决上述问题，本专利技术提供一种空调内机风速控制方法，应用于电子设备，所述电子设备与空调通信连接，所述空调内机风速控制方法包括：
3、获取所述空调所在室内的环境视频；
4、将所述环境视频输入预先训练的行为识别网络，利用所述行为识别网络识别所述环境视频中的室内人员行为，得到目标行为识别结果；
5、根据所述目标行为识别结果，调整所述空调内机的风速。
6、相对于现有技术，本专利技术所述的空调内机风速控制方法具有以下优势：通过获取空调所在室内的环境视频输入预先训练的行为识别网络，利用行为识别网络识别环境视频中的室内人员行为，得到目标行为识别结果，并根据目标行为识别结果调整空调内机的风速，从而能够按照室内人员的行为自动调整空调的内机风速，提高了用户体验。
7、可选地，所述行
8、所述将所述环境视频输入预先训练的行为识别网络，利用所述行为识别网络识别所述环境视频中的室内人员行为，得到目标行为识别结果的步骤，包括：
9、将所述环境视频输入所述视频采样网络，利用所述视频采样网络从所述环境视频中获取具有行为代表性的视频帧，得到包含多个视频帧的视频帧序列；
10、将所述视频帧序列输入所述特征提取网络，利用所述特征提取网络提取所述视频帧序列中的时空特征、通道特征和空间特征，得到目标特征图；
11、将所述目标特征图输入所述预测网络，利用所述预测网络对所述目标特征图进行室内人员行为预测，得到所述行为识别结果。
12、可选地，所述特征提取网络包括一个卷积层和n个依次连接的运动残差块，每个所述运动残差块均是将运动模块嵌入到残差网络中得到的；
13、所述利用所述特征提取网络提取所述视频帧序列中的时空特征、通道特征和空间特征，得到目标特征图的步骤，包括：
14、利用所述卷积层对所述视频帧序列进行一次卷积操作，得到输入特征图；
15、将所述输入特征图作为第一个所述运动残差块的输入特征图、以及将第n-1个所述运动残差块的输出特征图作为第n个所述运动残差块的输入特征图，针对每个所述运动残差块，利用所述运动残差块提取输入特征图中的时空特征、通道特征和空间特征，得到输出特征图；
16、将最后一个所述运动残差块的输出特征图作为所述目标特征图。
17、可选地，所述运动残差块包括依次连接的运动模块和多个卷积层；
18、所述利用所述运动残差块提取输入特征图中的时空特征、通道特征和空间特征，得到输出特征图的步骤，包括：
19、利用所述运动模块提取所述输入特征图中的时空特征、通道特征和空间特征，得到参考特征图；
20、将所述参考特征图输入第一个卷积层、以及将第n-1个所述卷积层输出的特征图输入第n个卷积层，依次利用每个所述卷积层进行卷积操作；
21、将所述输入特征图与最后一个卷积层输出的特征图进行特征融合，得到所述输出特征图。
22、可选地，所述运动模块包括移位层、时空激励单元、通道激励单元和表示流单元；
23、所述利用所述运动模块提取所述输入特征图中的时空特征、通道特征和空间特征，得到参考特征图的步骤，包括：
24、利用所述移位层对所述输入特征图进行图像增强，得到增强特征图；
25、利用所述时空激励单元提取所述增强特征图中的时间特征和空间特征，得到时空特征图；
26、利用所述通道激励单元提取所述增强特征图中的通道特征，得到通道特征图；
27、利用所述表示流单元提取所述增强特征图中帧与帧之间的运动特征，得到运动特征图；
28、对所述时空特征图、所述通道特征图和所述运动特征图进行特征融合，得到所述参考特征图。
29、可选地，所述表示流单元包括两个1×1二维卷积层、两个重塑层和一个表示流计算层；
30、所述利用所述表示流单元提取所述增强特征图中帧与帧之间的运动特征，得到运动特征图的步骤，包括：
31、利用一个1×1二维卷积层将所述增强特征图的通道数压缩为1，得到第一特征图，其中，所述增强特征图的尺寸为nt×c×h×w，所述第一特征图的尺寸为nt×1×h×w，n表示批量大小，t表示采样的视频帧数，c、h、w分别代表特征图的通道数、高度和宽度；
32、利用一个重塑层将所述第一特征图转换为五维张量，得到第二特征图，其中，所述第二特征图的尺寸为n×1×t×h×w；
33、利用表示流计算计算所述第二特征图中每一对相邻的帧之间的表示流并进行聚合，以捕捉所述第二特征图中的有效运动信息，得到第三特征图，其中，所述第三特征图的尺寸为n×2×t×h×w；
34、利用一个重塑层将所述第三特征图转换为思四维张量，得到第四特征图，其中，所述第四特征图的尺寸为nt×2×h×w；
35、利用一个1×1二维卷积层将所述第四特征图的通道数转换为与所述增强特征图的通道数相同，得到所述运动特征图，其中，所述运动特征图的尺寸为nt×c×h×w。
36、可选地，所述预测网络包括全连接层和时间平均层；
37、所述将所述目标特征图输入所述预测网络，利用所述预测网络对所述目标特征图进行室内人员行为预测，得到所述行为识别结果的步骤，包括：
38、利用所述全连接层对所述目标特征图进行室内人员行为预测和分类，得到每个所述视频帧的预测结果；
39、利用所述时间平均层对每个所述视频帧的预测结果进行平均，得到所述行为识别结果。
40、可选地，所述电子设备预先存储有多种行为识别结果及每种所述行为识别结果对应的行为信号；
41、所述根据所述目标行为识别结果，调整所述空调内机的风速的步骤，包括：
42、获取所述目标行为识别结果对应的行为信号；
43、将所述目标行为识别结果对应的行为信号发送至所述空调，以使所述空调根据所述行为信号调整自身内机的风速。
44、本专利技术还提供一种空调内机风速控制装置，应用于电子设备，所述电子设备与空调通信连接，所述空调内机风速控制装置包括：
45、获取模块，用于获取所述空调所在室内的环境视频；
本文档来自技高网...
【技术保护点】
1.一种空调内机风速控制方法，其特征在于，应用于电子设备(10)，所述电子设备(10)与空调(20)通信连接，所述空调内机风速控制方法包括：
2.根据权利要求1所述的空调内机风速控制方法，其特征在于，所述行为识别网络包括视频采样网络、特征提取网络和预测网络；
3.根据权利要求2所述的空调内机风速控制方法，其特征在于，所述特征提取网络包括一个卷积层和N个依次连接的运动残差块，每个所述运动残差块均是将运动模块嵌入到残差网络中得到的；
4.根据权利要求3所述的空调内机风速控制方法，其特征在于，所述运动残差块包括依次连接的运动模块和多个卷积层；
5.根据权利要求4所述的空调内机风速控制方法，其特征在于，所述运动模块包括移位层、时空激励单元、通道激励单元和表示流单元；
6.根据权利要求5所述的空调内机风速控制方法，其特征在于，所述表示流单元包括两个1×1二维卷积层、两个重塑层和一个表示流计算层；
7.根据权利要求2所述的空调内机风速控制方法，其特征在于，所述预测网络包括全连接层和时间平均层；
8.根据权利要
9.一种空调内机风速控制装置，其特征在于，应用于电子设备(10)，所述电子设备(10)与空调(20)通信连接，所述空调内机风速控制装置(100)包括：
10.一种电子设备，其特征在于，包括处理器(11)和存储器(12)，所述存储器(12)用于存储程序，所述处理器(11)用于在执行所述程序时，实现权利要求1-8中任一项所述的空调内机风速控制方法。
11.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该计算机程序被处理器(11)执行时实现如权利要求1-8中任一项所述的空调内机风速控制方法。
...【技术特征摘要】
1.一种空调内机风速控制方法，其特征在于，应用于电子设备(10)，所述电子设备(10)与空调(20)通信连接，所述空调内机风速控制方法包括：
2.根据权利要求1所述的空调内机风速控制方法，其特征在于，所述行为识别网络包括视频采样网络、特征提取网络和预测网络；
3.根据权利要求2所述的空调内机风速控制方法，其特征在于，所述特征提取网络包括一个卷积层和n个依次连接的运动残差块，每个所述运动残差块均是将运动模块嵌入到残差网络中得到的；
4.根据权利要求3所述的空调内机风速控制方法，其特征在于，所述运动残差块包括依次连接的运动模块和多个卷积层；
5.根据权利要求4所述的空调内机风速控制方法，其特征在于，所述运动模块包括移位层、时空激励单元、通道激励单元和表示流单元；
6.根据权利要求5所述的空调内机风速控制方法，其特征在于，所述表示流单元包括两个1×1二维卷积层、两...
【专利技术属性】
技术研发人员：孙迟，斯建，游剑波，
申请(专利权)人：宁波奥克斯电气股份有限公司，
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。