物品异味清除识别方法、物品异味清除模式获取装置及洗衣机和存储介质与流程

本申请涉及洗衣机技术领域，尤其涉及一种物品异味清除识别方法、物品异味清除模式获取装置及洗衣机和存储介质。

背景技术：

用户外出就餐或经过抽烟区域甚至在特殊工作场所等有味道场所均可能导致穿戴物品上沾染异味而久久无法散去，比如火锅味和烟味等浓重的气息，影响人们的心情，间接性影响人们一天的工作办事效率。传统的洗衣机只是单纯的完成机洗、脱水或者烘干功能，智能洗衣机的问世实现机洗一体化，极大便利人们生活，但是，目前市场上普遍存在的智能洗衣机均未有异味清除的功能，亟需一种能够清除物品异味的智能机器。

针对上述问题，目前尚未提出有效的解决方式。

技术实现要素：

有鉴于此，本申请提出一种物品异味清除方法、物品异味清除模式获取装置及洗衣机和存储介质，通过对物品的气味通过数据挖掘技术预处理后输入bp(backpropagation)神经网络模型，得到异味清除模式，能够有效去除物品异味，避免因反复清洗以清除异味造成的能源浪费，改善用户体验。

根据本申请的一个方面，提供一种物品异味清除方法，包括：获取所述物品的气味信息；基于所述气味信息采用数据挖掘技术进行预处理得到气味特征参数；将所述气味特征参数输入bp神经网络模型获得异味清除模式；根据所述异味清除模式清除物品的异味。

进一步地，基于物品信息采用数据挖掘技术进行预处理得到物品特征参数；将所述气味特征参数输入bp神经网络模型获得异味清除模式，包括：将所述气味特征参数和物品特征参数输入bp神经网络模型获得异味清除模式。

进一步地，所述气味信息包括如下至少之一：气味浓度信息、气味成分信息、颗粒物信息、人体气味信息；和/或，所述预处理包括：去除噪声异常数据得到有效的气味特征参数；和/或，采用数据挖掘技术进行预处理包括：采用数据挖掘技术中的优化算法进行预处理；和/或，所述bp神经网络模型由大量样本异味参数对卷积神经网络进行训练和验证而得到。

进一步地，通过气敏传感器检测气味浓度信息和气味成分信息；通过颗粒物传感器检测物品中沾染的颗粒物信息；通过人体气味传感器检测人体气味。

根据本申请的又一方面，提供一种物品异味清除模式获取装置，包括：气味信息获取单元，用于获取所述物品的气味信息；异味清除模式获取单元，基于所述气味信息采用数据挖掘技术进行预处理得到气味特征参数，将所述气味特征参数输入bp神经网络模型获得异味清除模式。

进一步地，基于物品信息采用数据挖掘技术进行预处理得到物品特征参数；将所述气味特征参数输入bp神经网络模型获得异味清除模式，包括：将所述气味特征参数和物品特征参数输入bp神经网络模型获得异味清除模式。

进一步地，所述气味信息包括如下至少之一：气味浓度信息、气味成分信息、颗粒物信息、人体气味信息；和/或，所述预处理包括：去除噪声异常数据得到有效的气味特征参数；和/或，采用数据挖掘技术进行预处理包括：采用数据挖掘技术中的优化算法进行预处理；和/或，所述卷积神经网络模型由大量样本异味参数对bp神经网络进行训练和验证而得到。

进一步地，所述气味信息获取单元包括：气敏传感器，用于检测气味浓度信息和气味成分信息；和/或，颗粒物传感器，用于检测物品中沾染的颗粒物信息；和/或，人体气味传感器，用于检测人体气味。

根据本申请的又一方面，提供一种洗衣机，包括如上文所述的物品异味清除模式获取装置，还包括异味清除装置，所述异味清除装置用于所述异味清除模式清除物品的异味。

根据本申请的又一方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上文中任一所述的方法。

根据本申请提出的一种物品异味清除方法、物品异味清除模式获取装置及洗衣机和存储介质，通过对物品的气味通过数据挖掘技术预处理后输入bp神经网络模型，得到异味清除模式，从而能够有效去除物品异味，避免因反复清洗以清除异味造成的能源浪费，改善用户体验。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

在附图中：

图1示出了本申请的一种洗衣机的一实施例的示意图；

图2示出了本申请的一种待洗物品异味清除的方法的一实施例的示意图；

图3示出了本申请的一种bp神经网络模型的一实施例的示意图；

图4示出了本申请的待机洗物品异味清除推荐总体流程图的一实施例的示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，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，都属于本申请保护的范围。

图1示出了本申请的一种洗衣机的一实施例的示意图。

如图所示，洗衣机1包括物品异味清除模式获取装置11和异味清除装置12，异味清除模式获取装置11包括气味信息获取单元111和异味清除模式获取单元112。可以理解的，物品异味清除模式获取装置11可以作为独立的产品，不是必须作为洗衣机的一部分，也可以不限于用在洗衣机内。

图2示出了本申请的一种待洗物品异味清除的方法的一实施例的示意图。如图所示，该方法包括一下步骤：

s1，获取物品的气味信息。

具体地，气味信息获取单元111获取所述物品的气味信息。

在一个实现方式中，物品包括衣物、箱包、生活用品等等各种。气味信息可以包括如下至少之一：气味浓度信息、气味成分信息、颗粒物信息、人体气味信息。气味信息获取单元111可以包括：气敏传感器，用于检测气味浓度信息和气味成分信息；和/或，颗粒物传感器，用于检测物品中沾染的颗粒物信息；和/或，人体气味传感器，用于检测人体气味。可以理解的，气敏传感器、颗粒物传感器、人体气味传感器均可以安装在洗衣机内桶中，以便方便地监测待处理物品的气味信息；可以理解的，人体气味传感器专用于检测人体的气味如汗味等，为了更准确检测人体气味，人体气味传感器不限于安装在洗衣机上，可以在例如穿戴式设备、手机等电子产品上，在用户使用过程中检测用户的人体气味如汗味、体味等，并经由网络将人体气味信息传送给洗衣机。

s2，基于所述气味信息采用数据挖掘技术进行预处理得到气味特征参数。

具体地，异味清除模式获取单元112基于所述气味信息采用数据挖掘技术进行预处理得到气味特征参数。

可以理解的，为了更准确检测出异味，通常要考虑到物品本身的信息，例如类型、材质、厚薄等，因为例如不同的材质对异味的消除难以有重要的影响，容易吸味的衣物通常异味消除难度更大。因此，本申请还将检测物品信息，基于物品信息采用数据挖掘技术进行预处理得到物品特征参数，将所述气味特征参数和物品特征参数输入bp神经网络模型获得异味清除模式。

在一个实现方式中，预处理包括：去除噪声异常数据的干扰得到有效的气味特征参数，使最终得到最佳的异味清除模式推荐。

在一个实现方式中，采用数据挖掘技术中的优化算法进行预处理。利用优化算法对数据预处理，使得输入神经网络的数据更加有效，从而达到对神经网络的优化。当然，可以理解的，在实现的过程中，通常需要根据具体场景选择和改进优化算法，以供当前场景使用。

s3，将所述气味特征参数输入bp神经网络模型获得异味清除模式。

具体地，异味清除模式获取单元112将所述气味特征参数输入bp神经网络模型，获得异味清除模式。

在一个实现方式中，bp神经网络模型由大量样本异味参数对bp神经网络进行训练和验证而得到。在实现异味净化等级推荐前需要用大量的异味参数对神经网络进行训练以确保得到的模型精度，提高最佳推荐等级的准确性。异味样本来源，可以是将样本异味放入洗衣机内采集得到，也可以是通过网络获得的已有样本。且当前物品的异味，也将成为新的样本用于训练优化bp神经网络模型。

图3示出了本申请的用于异味清除的bp神经网络模型的一实施例的示意图。

如图所示，bp神经网络模型包括输入层201，隐藏层202，输出层203。以清除衣物异味为例，将采集的气味特征参数和衣物特征参数作为bp神经网络模型的输入层201的项。首先通过气敏传感器采集气味浓度和气味成分、颗粒物传感器采集颗粒物信息、人体气味传感器采集人体气味信息、衣物传感器检测待洗衣物的基本信息，然后采用数据挖掘技术对采集信息进行预处理，去除噪声异常数据的干扰后得到有效的特征参数，接着将预处理后得到的特征参数数据集作为输入层项推送给bp神经网络模型，得到中间隐藏层节点1至n，基于中间隐藏层节点1至n的运算最终实现最佳的异味清除模式推荐。

s4，根据所述异味清除模式清除物品的异味。

具体地，异味清除装置12根据异味清除模式清除物品的异味。

在一个实现方式中，异味清除模式例如包括最佳异味净化等级。

图4示出了本申请的待机洗物品异味清除推荐总体流程图的一实施例的示意图。如图所示，

首先投入待机洗物品(s21)；

利用多个传感器收集气味的基本信息(s22)，包括气敏传感器检测气味浓度和气味成分，颗粒物传感器收集待机洗物品中沾染的颗粒物信息，以及人体气味传感器收集人体汗味等基本信息参数；

利用数据挖掘算法(例如c4.5算法)分析数据间的关联性，获取气味特征参数(s23)；

去除噪声因素，获取有效气味输入参数，作为有效的bp神经网络输入层参数(s24)；比如去除空气灰尘等干扰噪声数据的影响。

根据机洗物品的气味信息以及设定的参数阈值，结合神经网络机器学习算法实现不同气味参数范围选择不同的异味净化等级的推荐(s25)。在该步骤中，例如，根据气味参数划分的等级设定阈值参数，判断当前气味输入参数是否超过阈值(s251)；根据bp神经网络模型，超过，则选择加强净化等级模式(s252),并确定是否开启机洗模式(s253)，未超过，则选择一般净化等级模式(s254),当未选择机洗模式，则在净化清除异味结束后，去除物件物品(s255)，从而实现最优异味清除方案，既有效清除了异味，还消耗尽可能少的能源。

最后根据机洗衣物信息实现机洗模式选择(s26)，保证机洗物品不受到损害。

本申请还提出了一种计算机可读存储介质，可以是只读存储器，磁盘或光盘等各种可以存储程序代码的介质，存储有计算机程序，其中当该程序被处理器执行时，可实现本申请上文提出的物品异味清除方法。

以上对本申请的物品异味清除方法、物品异味清除模式获取装置及洗衣机和存储介质进行了阐述，通过对物品的气味通过数据挖掘技术预处理后输入bp神经网络模型，得到异味清除模式，从而能够有效去除物品异味，避免因反复清洗以清除异味造成的能源浪费，改善用户体验。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。