个性化的洗熨设备的制作方法

相关申请的交叉引用

本申请要求于2017年12月04日提交的美国专利申请第15/831,088号的优先权，该申请的全部公开内容通过引用并入本文中。

本公开总体上涉及对诸如洗衣机和烘干机之类的洗熨设备的控制。

背景技术：

洗衣机和其他类型的洗熨设备被设计成在多种不同条件下处理多种不同类型的物品。有些物品体积非常大，例如地毯、毛巾和床上用品。其他物品很小或很精细，例如较老的祖传物品、丝绸或蕾丝。织物的类型也会影响洗熨设备的优选设置。与尼龙或其他合成纤维相比，较厚的棉制品可能需要很长时间才能变干。一些织物更容易缩水。洗熨设备是在处理全部负荷还是部分负荷，负荷有多脏，都会影响最佳设置。

选择洗衣机或烘干机的最佳设置的责任通常落在操作者身上。对于没有经验的操作者而言，这会非常的棘手并且导致不良的结果。另外，现有技术的洗熨设备通常具有许多设置，临时的操作者可能不知道这些设置，或者不知道如何使用这些设置以使其优势最大化。

因此，需要更智能的洗熨设备和允许更多个性化设置的洗熨设备。

技术实现要素：

本公开提供了使用机器学习模型以提供更佳的自动化和/或允许更加个性化的洗熨设备。作为一个示例，洗熨设备具有在其中放置要处理的洗熨物品的腔室。传感器(例如，触摸传感器、光谱传感器等)定位成例如通过感测腔室内部或其内部的物品或者通过当洗熨物品被装入腔室时对其进行感测来获取关于洗熨物品的信息。根据该信息，机器学习模型确定诸如织物的类型或衣物脏污程度之类的洗熨物品和/或处理的各种属性，并相应地控制处理过程。机器学习模型可以位于洗熨设备中或者可以通过网络访问机器学习模型。

在另一个方面，基于例如由个人智能电话提供的或从个人智能电话访问的用户输入、个人用户偏好或其他个性化数据来控制洗衣过程。还可以基于温度感测和其他传感器数据、用户使用历史、历史性能数据和其他因素来控制洗衣过程。

其他方面包括组件、设备、系统、改进、方法、过程、应用程序、计算机可读介质以及与以上任何方面有关的其他技术。

附图说明

结合附图中的示例，根据以下详细描述和所附权利要求，本公开实施例具有的其他优势和特征将更加明显，其中：

图1是根据实施例的洗衣机的截面侧视图。

图2a是示出根据实施例的控制洗衣机的框图。

图2b-图2e提供了根据实施例的控制洗衣机的一些具体示例。

图3是示出根据实施例的机器学习模型的训练和操作的流程图。

图4是根据实施例的包括洗熨设备的住宅环境的框图。

具体实施方式

附图和以下描述仅通过说明的方式涉及优选实施例。应当注意，根据下文的讨论，本文公开的结构和方法的替选实施例将容易地被认为是在不背离所要求保护的原理的情况下可以采用的可行替选方案。

图1是根据实施例的洗衣机100的截面侧视图。洗衣机100包括具有门120的洗涤腔室110。在该示例中，洗衣机是上开门的，不过它也可以是前开门的。洗熨物品负荷150放置在腔室110中以进行洗涤。洗熨物品可以包括衣服、床上用品、地毯、毛巾等。腔室内可以有其他物品，例如图1所示的搅动器或烘干机情况下的干燥架。洗衣机和洗涤腔室110的尺寸可以变化：公寓、紧凑型、常规尺寸、家庭尺寸、超大型、商用、工业用等。负荷的大小也可以变化。洗衣机可以满负荷或部分负荷运行。图1中示出了当将洗熨物品150装载到洗涤腔室110中时洗衣机100的盖子120打开的状态。

洗衣机100包括一组用于感测负荷的一个或多个传感器130。在该示例中，光谱传感器130a位于盖子120中，其在洗熨物品被装载到腔室中时捕获关于洗熨物品的光谱信息。传感器的视场由虚线示出。光谱传感器和照相机也可以放置在适合于在装载过程中捕获洗熨物品的图像的其他位置。

传感器组还包括触觉表面传感器130b。触觉表面传感器通过与洗熨物品接触来感测洗熨物品的表面。作为一个示例，触觉表面传感器记录与其接触的物品的印痕(impression)。它具有良好的分辨率，通常为微米级，因此可以分辨出织物的细小纹理。在一种方法中，照相机捕获印痕的图像，然后对其进行处理以确定织物类型。在图1中，触觉表面传感器130b位于洗衣机的前凸缘(lip)上。当洗熨物品150d被装载到洗衣机中时，其与传感器130b接触并被传感器130b所感测。可以向操作者给出指令来以使得洗熨物品150与触觉表面传感器130b接触的方式装载洗衣机。例如，可以指示操作者将洗熨物品压在触觉表面传感器130b上以进行正确操作。

传感器组包括被定位以获取腔室110中的洗熨物品的图像的照相机130c、130d。这些相机130可以在洗涤开始之前(例如在装载期间)使用。它们也可以在洗涤过程中或洗涤过程的特定阶段中使用。

在该示例中，照相机130不直接暴露于腔室中的洗涤环境中。盖子110包括窗口，并且光谱传感器130a位于窗口后面。如果盖子110是透明的，则其可以是双层的，光谱传感器130a位于窗口的两层窗格之间。照相机130c、130d也位于窗口后面。顶部照相机130c可以处于不暴露于水、洗涤剂等的位置。通过这种方式，照相机130与洗涤环境隔离，从而减少了可能的损坏。

如果盖子110是透明的，则盖子110可以包括光学涂层以减少进入洗涤腔室的环境光，从而使照相机能够捕获质量更好的图像。光学涂层的作用类似于单面镜，其防止环境光进入腔室的同时仍使得操作者能看到腔室内。洗涤腔室还可以包括特殊照明来为照相机提供内部受控的照明。照相机可以是彩色的、单色的、红外的等。根据所要完成的任务，它们可以具有不同的分辨率。例如，用于识别单个衣物的照相机要比仅用于感测负荷主要是彩色还是白色的照相机具有更高的分辨率。

传感器组可以包括其他类型的传感器。示例包括温度传感器、重量或体积传感器、压力传感器、非成像光学传感器或光谱传感器、水位传感器、ph传感器等。这些传感器可以直接暴露在洗涤环境中、直接感测洗涤环境而不暴露于其中或间接感测洗涤环境。

例如，水位传感器130e可以是对浸水敏感的器件的线性阵列。可以通过观察哪些传感器浸水，哪些传感器没有浸水，来确定水位。可以使用类似的方法来感测体积。可以通过观察线性阵列中的哪些传感器被洗熨物品遮盖来确定腔室内的洗熨物品水平。ph传感器是可以直接暴露在洗涤环境中的另一个示例。照相机和其他光学传感器是通常直接感测洗涤环境但不暴露于洗涤环境的传感器的示例。非成像光学传感器可以用于感测颜色。某些类型的温度传感器也可以归于此类。例如，可以通过响应腔室的总重量的压力传感器，或者通过测量以一定转速使负荷和腔室旋转所需的扭矩来间接感测总负荷的重量。在图1中，传感器130g测量由底部电动机产生的扭矩。

传感器130不必被合并为洗衣机的一部分。例如，它们可以实现为洗衣机的配件。如果目标是使用更复杂的感测来识别单个洗熨物品，则具有处于可控布置的触觉表面传感器、照相机和其他传感器的组合的单独配件可能是有用的。作为另一个示例，洗衣机100中的传感器130可以捕获传感器数据，然后该传感器数据被提供给烘干机以用于随后对相同的洗熨物品的干燥。在这种场景下，烘干机所使用的某些传感器数据并非来自烘干机本身的传感器。

图2a是示出对诸如洗衣机100之类的洗熨设备的控制的框图。控制系统210大体上分为机器学习模型220和控制器230。控制器230也可以(或可以不)包括机器学习232。机器学习模型220接收由一些或所有传感器130捕获的传感器数据250。根据这些输入(可以与其他诸如个性化数据255或历史数据257之类的附加输入结合)，机器学习模型220确定与洗熨设备处理负荷有关的各种属性260。控制器230基于来自机器学习模型220的处理属性260生成用于洗熨设备的设置270。

也可以考虑与洗熨物品相关联的一个或多个个人的个性化数据255和历史数据257来生成针对个人的个性化设置270。例如，一些人可能更喜欢软化，其他人可能更喜欢更快或更有效的洗涤，而另一些人可能更喜欢自动除皱或蒸汽处理。这些个性化偏好可以由个人直接提供，例如存储在个人配置文件中，或者由个人通过智能手机或其他设备提供。还可以基于历史设置或个人对先前处理结果的反馈来随着时间学习这些个性化偏好。

对个人进行识别以确定如何对处理过程进行个性化。当个人登录其洗熨设备的用户账户或连接到该洗熨设备的家庭网络的用户账户时，可以识别该个人。可替选地，可以通过面部识别或其他技术来识别个人。

也可以由控制器230直接使用传感器数据250来生成设置270。控制器230控制洗熨设备根据设置270来处理负荷。

通常，机器学习模型220用于传感器数据250、可能的个性化数据255和处理属性260之间的更复杂的关系。一个示例是当传感器数据250是所捕获的图像时，机器学习模型220可用于从所捕获的图像中预测织物类型、织物重量、洗熨物品的类型、洗熨物品的尺寸、洗熨物品的脏污程度、负荷的颜色混合和/或识别特定的洗熨物品。这些是非常适合机器学习的问题，并且难以使用更传统的技术来完成。表i列出了一些处理属性的示例。这些可以是单个洗熨物品的属性，也可以是整体负荷的属性。

表i处理属性的示例

机器学习模型220还可以使用其他数据作为输入来预测这些处理属性。来自表面传感器的表面信息以及诸如颜色或重量之类的更常规的传感器数据可以用作机器学习模型220的附加输入。来自传感器组130以外的来源的数据也可以用作机器学习模型的输入。示例包括以下描述的个性化数据。

控制器230基于处理属性并且可选地还基于其他数据(例如个性化数据255或历史数据257)来确定洗熨设备的设置270。个性化数据是与洗熨物品相关联的一个或多个个人的数据。通常，个人是洗熨物品的使用者(例如，衣服的穿戴者)或是使用洗熨设备处理洗熨物品的操作者。如果洗熨物品是衣服且个人是衣服的穿戴者，则个性化数据可以包括穿戴者的敏感性或过敏史、穿戴者的医疗状况或穿戴者对自己衣服的处理偏好，例如某些人可能更喜欢软化。以这种方式，洗熨物品处理可以针对个人而个性化。该信息可以从洗熨设备可访问的用户配置文件中获得。它也可以从诸如第三方网站之类的其他来源获得。

历史数据257的示例包括设备的过去操作历史和各洗熨物品的处理历史。例如，洗衣机可能总是以节水的模式运行，或者针对白色总是进行热洗循环，针对彩色总是进行温洗循环。某些洗熨物品可能需要特殊处理，这可以从它们之前的处理中确定。

无论如何，控制器230确定洗熨设备的适当设置270。设置270的示例包括：由洗熨设备执行的处理的温度、处理的持续时间、处理的负荷水平、处理的温和性、用于处理的经济性设置、处理的旋转速度、用于处理的洗涤剂量以及用于处理的水量。

洗熨设备通常可以以不同的处理模式进行操作，这些处理模式通常称为不同的洗涤循环或不同的干燥循环。控制器230可以基于由机器学习模型所确定的处理属性来选择适当的处理模式。作为另一个示例，处理本身可以具有不同的阶段。控制器230可以基于个性化数据和由机器学习模型确定的处理属性来选择何时在不同阶段之间进行转换。

以下在表ii中列举了洗衣机的不同设置的一些示例。

表ii洗衣机设置

以下表iii列出了烘干机的不同设置的一些示例。

表iii烘干机设置

图2b-图2e提供了一些具体示例。这些示例中的每一个都列举了所使用的输入数据250的类型，包括传感器数据252、个性化数据255和历史数据257。这些数据被转换为属性260，可能是针对单个洗熨物品262或针对整体负荷265。还示出了作为结果的设置270。

在图2b中，表面传感器配合机器学习模型确定出大多数洗熨物品为棉织物。照相机或光谱传感器检测到负荷大部分为深色。光学传感器确定洗涤腔室仅被部分地填充。没有使用个人数据255或历史数据257。因此，控制器针对深色棉织物品的部分负荷生成设置。使用标准洗涤循环，具有温的洗涤和漂洗温度以及高脱水速度。使用了中等水平的洗涤剂和水，没有使用特殊的选项。

除了负荷主要是浅色而不是深色之外，图2c与图2b类似。此外，机器学习模型还检测到其中一件物品上的污渍，可能是酒、葡萄汁、番茄酱或血迹。因此，洗涤循环使用高温，在常规洗涤循环开始之前预浸泡负荷，并打开污渍处理选项。

在图2d中，机器学习模型从所捕获的图像中检测到毛巾负荷。表面传感器指示这些是较重的毛巾。因此，洗衣机被设置为毛巾洗涤循环。此外，以往洗涤较重的毛巾时通常使用织物柔软剂，因此还自动选择织物柔软剂选项。

在图2e中，其中一条毛巾被识别为爸爸的沙滩毛巾，可能是根据毛巾上独特的颜色或图案识别的。但是，爸爸对织物柔软剂过敏，因此未选择织物柔软剂选项。在此示例中，机器学习模型识别了特定的洗熨物品。在这种情况下，可以使用针对该特定物品的处理指令来生成设置。例如，可以参考制造商的指令来确定适当的设置。可替选地，个人可以基于对洗熨物品或类似洗熨物品的先前处理，明示或暗示地提供重要洗熨物品的具体指令。

图3是示出根据实施例的机器学习模型220的训练和操作的流程图。该过程包括两个主要阶段：训练(310)机器学习模型220和机器学习模型220的推理(操作)(320)。将使用一个示例来对它们进行描述，其中机器学习模型根据捕获的图像学习预测织物类型。

训练模块(未示出)执行机器学习模型220的训练(310)。在一些实施例中，机器学习模型220由具有一定数量的层和节点的架构来定义，在节点之间具有偏差以及加权连接(参数)。在训练(310)期间，训练模块基于训练样本集合来确定机器学习模型220的参数值(例如权重和偏差)。

训练模块接收(311)用于训练的训练集。训练集中的训练样本包括由照相机130针对许多不同情况捕获的图像：不同的洗熨物品和织物类型、相同织物类型的不同颜色和变化、不同的负荷水平、洗熨物品在腔室中的不同位置、不同的照明条件等。对于监督式学习，训练集通常还包括图像的标签。标签包括要训练的处理属性：在此示例中为织物类型。

在典型的训练312中，将训练样本作为机器学习模型220的输入，然后机器学习模型220产生针对特定处理属性的输出。训练模块使用机器学习模型的输出与已知的良好输出之间的差异来调整机器学习模型220中的参数值。对许多不同的训练样本重复此操作以提高机器学习模型220的性能。

训练模块通常还基于附加的验证样本来验证(313)所训练的机器学习模型220。例如，训练模块将机器学习模型220应用于验证样本集合以量化机器学习模型220的准确度。该验证样本集合包括图像及其已知属性。可以将机器学习模型220的输出与已知的基础真值进行比较。准确度测量中应用的常见指标包括：精度(precision)＝tp/(tp+fp)以及召回率(recall)＝tp/(tp+fn)，其中tp(truepositive)是真正例的数量，fp(falsepositive)是假正例的数量，fn(falsenegative)是假负例的数量。精度是在机器学习模型220预测为具有目标属性的总输出(tp+fp)中正确预测为具有目标属性的输出(tp)的比例。召回率是在确实具有目标属性的验证样本总数(tp+fn)中机器学习模型220正确预测为具有目标属性的输出(tp)的比例。f分数(f分数＝2*精度*召回率/(精度+召回率))将“精度”和“召回率”融合为一个度量。准确度测量中应用的常见指标还包括top-1准确度和top-5准确度。在top-1准确度下，当由所训练的模型预测的top-1预测(即概率最高的预测)正确时，所训练的模型是准确的。在top-5准确度下，当top-5预测(例如概率最高的五个预测)之一正确时，所训练的模型是准确的。

训练模块可以使用其他类型的指标来量化所训练模型的准确度。在一个实施例中，训练模块训练机器学习模型，直到出现停止条件为止，例如模型足够准确的准确度测量指示或者已经进行的训练轮数。

机器学习模型220的训练(310)可以作为洗熨设备的产品开发的一部分离线进行。然后将训练的模型220安装在出售给消费者的洗熨设备上。洗熨设备可以使用比训练所需的计算资源更少的计算资源来执行机器学习模型。在某些情况下，机器学习模型220被持续训练(310)或更新。例如，训练模块使用照相机130在实际洗剂时捕获的图像来进一步训练机器学习模型220。由于训练(310)的计算量大，因此它可以是基于云的或者在具有更多计算能力的单独家庭设备上进行。将机器学习模型220的更新分发给洗熨设备。

在操作320中，机器学习模型220使用由照相机130捕获的图像(321)作为机器学习模型220的输入(322)。在一种架构中，机器学习模型220计算(323)可能的不同结果的概率，例如织物类型为棉的概率、织物类型为棉混纺的概率、织物类型为涤纶的概率等。基于所计算的概率，机器学习模型220识别(323)最有可能的属性。例如，机器学习模型220可以识别棉是最有可能的织物类型。在没有明显赢家的情况下，机器学习模型220可以识别多个属性并要求用户进行验证。例如，它可以报告棉和棉混纺都有可能，然后用户确认洗熨物品是棉。然后控制器230基于所识别的属性来控制(324)洗熨设备。

在另一方面，洗熨设备可以是家庭网络的一部分。图4是根据实施例的包括洗熨设备的住宅环境的框图。住宅环境400是为人们居住而设计的环境。住宅环境400可以是住宅，例如房屋、公寓、私有公寓或宿舍。住宅环境400包括家庭设备410a-n，其中包括上述洗熨设备。住宅环境400还包括连接家庭设备410的家庭设备网络420，以及包含住户对家庭设备的偏好的住户配置文件数据库430。图4中的组件被示为单独的框，但是可以根据实施方式将它们组合。例如，住户配置文件430可以是家庭设备410的一部分。此外，住宅环境400可以包括用于网络420的集线器。该集线器还可以控制家庭设备410。网络420还可以提供对外部设备的诸如基于云服务之类的访问。

家庭设备410是可供与住宅环境400相关联的不同人使用的家用设备。其他家庭设备410的示例包括：hvac设备(例如空调、加热器、排气扇)、照明、电动门窗处理(例如门锁、电动百叶窗和窗帘)、电动家具或陈设(例如站立式书桌、躺椅)、音频设备(例如音乐播放器)、视频设备(例如电视、家庭影院)、环境控件(例如空气过滤器、空气清新器)、厨房用具(例如电饭煲、咖啡机、冰箱)、浴室用具以及家用机器人设备(例如真空机器人、机器人管家)。家庭设备410可以包括可以在家庭中使用的其他类型的设备。

住户配置文件430通常包括关于不同住户的信息，例如姓名、系统所使用的标识符、年龄、性别和健康信息。住户配置文件430还可包括由不同住户选择的家庭设备410的设置和其他偏好。

网络420提供住宅环境400的不同组件之间的连接，并能够使这些组件彼此交换数据。术语“网络”旨在被广义地解释。它可以包括具有标准定义协议的正式网络，例如以太网和无线宽带技术。在一个实施例中，网络420是其网络设备和互连设备在住宅环境400内被管理的局域网。网络420还可以组合不同类型的连接。它可以包括使用有线和/或无线链接的局域网和/或广域网的组合。组件之间交换的数据可以使用任何合适的格式来表示。在一些实施例中，所有数据或某些数据以及通信可以被加密。

可以在单独的洗熨设备(家庭设备410之一)、家庭网络的中央集线器、基于云的服务或可由洗熨设备通过网络420访问的其他地方物理实现上述功能。

尽管详细描述包含许多细节，但是这些细节不应被解释为限制本发明的范围，而仅是用于说明本发明的不同示例。应当理解，本公开的范围包括上文未详细讨论的其他实施例。例如，尽管使用洗衣机作为主要示例，但是也可以使用其他洗熨设备。这些设备包括所有种类的洗衣机、烘干机和蒸汽机。在不脱离所附权利要求书所限定的精神和范围的情况下，可以对本文所公开的方法和装置的布置、操作和细节进行对本领域技术人员而言明显的各种其他修改、改变和变化。因此，本发明的范围应由所附权利要求及其法律等同物确定。

替选实施例以计算机硬件、固件、软件和/或其组合来实现。可以以有形地体现在机器可读存储设备中以供可编程处理器执行的计算机程序产品的形式来实现各种实施方式；可以通过可编程处理器执行指令程序，以通过操作输入数据并生成输出来执行功能，来执行方法步骤。有利地，可以在一个或多个计算机程序中实现各实施例，该计算机程序可以在可编程系统上执行，该可编程系统包括至少一个被耦合以从数据存储系统接收数据和指令并向数据存储系统传输数据和指令的可编程处理器、至少一个输入设备和至少一个输出设备。每个计算机程序都可以使用高级过程语言或面向对象的编程语言来实现，或者根据需要以汇编语言或机器语言来实现；在任何情况下，该语言都可以是编译或解释语言。合适的处理器包括例如通用和专用微处理器。通常，处理器从只读存储器和/或随机存取存储器接收指令和数据。通常，计算机包括一个或多个用于存储数据文件的大容量存储设备；此类设备包括磁盘，例如内部硬盘和可移动磁盘；磁光盘；和光盘。适用于有形地体现计算机程序指令和数据的存储设备包括所有形式的非易失性存储器，例如包括半导体存储设备，例如可擦可编程只读存储器(eprom)，电可擦可编程只读存储器(eeprom)和闪存设备；磁盘，例如内部硬盘和可移动磁盘；磁光盘；和只读光盘(cd-rom)磁盘。前述内容中的任何一个都可以由asic(专用集成电路)和其他形式的硬件补充或并入其中。