本发明涉及洗碗机控制
技术领域：
：，尤其涉及一种洗碗机控制方法、控制装置、移动终端设备及存储介质。
背景技术：
：当前主流洗碗机都采用传统单片机控制板进行整体控制。随着传感技术、图像识别、基于神经网络的机器控制等技术的不断发展，为了提高传统洗碗机的智能化程度，目前主要是在洗碗机本体设备中增加运算模块进行图像识别运算及洗涤控制，这无疑会增大洗碗机本地的运算资源开销，增加洗碗机的成本。技术实现要素：有鉴于此，本发明实施例提供一种洗碗机控制方法、控制装置、移动终端设备及存储介质，能够节省洗碗机本地的运算资源，降低洗碗机的成本。第一方面，本发明实施例提供一种洗碗机控制方法，应用于移动终端设备，所述控制方法包括：接收洗碗机发送的洗碗机内部当前的状态信息；根据洗碗机内部当前的状态信息，产生相应的洗涤控制信号；将所述洗涤控制信号发送给所述洗碗机，以使所述洗碗机根据所述洗涤控制信号对洗碗机内部的待洗物品进行洗涤。根据本发明实施例的一种具体实现方式，所述状态信息，包括待洗物品的图像；所述根据洗碗机内部当前的状态信息，产生相应的洗涤控制信号，包括：根据预先获得的特征信息识别模型，对所述图像进行识别，确定所述待洗物品当前的特征信息；其中，所述特征信息识别模型，是预先通过基于神经网络的有监督学习获得的；所述特征信息包括：待洗物品的种类、数量、脏污程度中的至少一种；根据所述待洗物品当前的特征信息，产生相应的洗涤控制信号。根据本发明实施例的一种具体实现方式，所述根据所述待洗物品当前的特征信息，产生相应的洗涤控制信号，包括：根据所述待洗物品当前的特征信息，以及预先建立的特征信息与洗涤模式之间的映射关系确定洗涤模式；根据所述洗涤模式，产生相应的洗涤控制信号。根据本发明实施例的一种具体实现方式，所述根据所述待洗物品当前的特征信息，产生相应的洗涤控制信号，包括：根据所述待洗物品当前的特征信息，确定或调整与所述待洗物品当前的特征信息对应的洗涤控制参数；根据所述洗涤控制参数，产生相应的洗涤控制信号，以使所述洗碗机以最小的资源消耗达到对所述待洗物品的预期洗涤效果。根据本发明实施例的一种具体实现方式，所述根据所述待洗物品当前的特征信息，确定或调整与所述待洗物品当前的特征信息对应的洗涤控制参数之后，所述方法还包括：统计每种特征信息在其对应的洗涤控制参数控制下完成洗涤所花费的实际洗涤时长；通过机器学习建立洗涤时长预测模型，所述洗涤时长预测模型用于根据待洗物品当前的特征信息，预测所述待洗物品所需要的预期洗涤时长。根据本发明实施例的一种具体实现方式，所述接收洗碗机发送的洗碗机内部当前的状态信息，包括：所述待洗物品在洗涤前、洗涤中、和/或洗涤完成后的任意时刻的至少一张图片和/或至少一段视频。根据本发明实施例的一种具体实现方式，所述洗涤控制参数包括以下至少一种：清洗控制参数、漂洗控制参数、烘干控制参数；其中，所述清洗控制参数包括以下至少一种：清洗时长、洗涤剂用量、清洗水温、清洗水压、出水口朝向；所述漂洗控制参数包括以下至少一种：漂洗时长、漂洗水温、漂洗水压、出水口朝向；所述烘干控制参数包括以下至少一种：烘干风速、烘干温度、烘干时间。根据本发明实施例的一种具体实现方式，在根据预先获得的特征信息识别模型，对所述图像进行识别，确定所述待洗物品当前的特征信息之前，所述洗碗机控制方法，还包括：将洗碗机发送的洗碗机内部待洗物品的图像作为训练样本，在本地进行基于神经网络的有监督学习，获得特征信息识别模型；或者，从云端服务器获取特征信息识别模型。根据本发明实施例的一种具体实现方式，所述的洗碗机控制方法，还包括：将从洗碗机接收的洗碗机内部待洗物品的图像，上传给云端服务器，以使云端服务器将洗碗机内部待洗物品的图像作为训练样本，进行基于神经网络的有监督学习，获得特征信息识别模型，或者对已获得的特征信息识别模型进行更新。根据本发明实施例的一种具体实现方式，所述的洗碗机控制方法，还包括：将从洗碗机接收的洗碗机内部待洗物品的图像，及在本地对所述图像进行识别后获得的图像识别结果，上传给云端服务器，以使云端服务器根据保存在云端服务器的特征信息识别模型，对所述图像再次进行图像识别，获得云端服务器的图像识别结果，并将云端服务器的图像识别结果与云端服务器接收的所述图像识别结果进行比较，判断云端服务器接收的所述图像识别结果的误差是否在预定的阈值范围内。根据本发明实施例的一种具体实现方式，所述的洗碗机控制方法，还包括：从云端服务器获取特征信息识别模型的最新参数，基于所述最新参数，对本地存储的特征信息识别模型进行更新；其中，所述特征信息识别模型的参数包括神经网络的权重值和偏置值。第二方面，本发明实施例提供一种洗碗机控制装置，包括：状态信息接收模块，用于接收洗碗机发送的洗碗机内部当前的状态信息；控制信号产生模块，用于根据洗碗机内部当前的状态信息，产生相应的洗涤控制信号；控制信号发送模块，用于将所述洗涤控制信号发送给所述洗碗机，以使所述洗碗机根据所述洗涤控制信号对洗碗机内部的待洗物品进行洗涤。根据本发明实施例的一种具体实现方式，所述状态信息，包括待洗物品的图像；所述控制信号产生模块，具体用于根据预先获得的特征信息识别模型，对所述图像进行识别，确定所述待洗物品当前的特征信息；根据所述待洗物品当前的特征信息，产生相应的洗涤控制信号；其中，所述特征信息识别模型，是预先通过基于神经网络的有监督学习获得的；所述特征信息包括：待洗物品的种类、数量、脏污程度中的至少一种。根据本发明实施例的一种具体实现方式，所述控制信号产生模块，具体用于根据所述待洗物品当前的特征信息，以及预先建立的特征信息与洗涤模式之间的映射关系确定洗涤模式；根据所述洗涤模式，产生相应的洗涤控制信号。根据本发明实施例的一种具体实现方式，所述控制信号产生模块，具体用于：根据所述待洗物品当前的特征信息，确定或调整与所述待洗物品当前的特征信息对应的洗涤控制参数；根据所述洗涤控制参数，产生相应的洗涤控制信号，以使所述洗碗机以最小的资源消耗达到对所述待洗物品的预期洗涤效果。根据本发明实施例的一种具体实现方式，所述的洗碗机控制装置，还包括：洗涤时长统计模块，用于统计每种特征信息在其对应的洗涤控制参数控制下完成洗涤所花费的实际洗涤时长；洗涤时长预测模块，用于通过机器学习建立洗涤时长预测模型，所述洗涤时长预测模型用于根据待洗物品当前的特征信息，预测所述待洗物品所需要的预期洗涤时长。根据本发明实施例的一种具体实现方式，所述状态信息接收模块，具体用于接收所述待洗物品在洗涤前、洗涤中、和/或洗涤完成后的任意时刻的至少一张图片和/或至少一段视频。根据本发明实施例的一种具体实现方式，所述洗涤控制参数包括以下至少一种：清洗控制参数、漂洗控制参数、烘干控制参数；其中，所述清洗控制参数包括以下至少一种：清洗时长、洗涤剂用量、清洗水温、清洗水压、出水口朝向；所述漂洗控制参数包括以下至少一种：漂洗时长、漂洗水温、漂洗水压、出水口朝向；所述烘干控制参数包括以下至少一种：烘干风速、烘干温度、烘干时间。根据本发明实施例的一种具体实现方式，所述的洗碗机控制装置，还包括：识别模型获取模块，用于将洗碗机发送的洗碗机内部待洗物品的图像作为训练样本，在本地进行基于神经网络的有监督学习，获得特征信息识别模型；或者，从云端服务器获取特征信息识别模型。根据本发明实施例的一种具体实现方式，所述的洗碗机控制装置，还包括：上传模块，用于将从洗碗机接收的洗碗机内部待洗物品的图像，上传给云端服务器，以使云端服务器将洗碗机内部待洗物品的图像作为训练样本，进行基于神经网络的有监督学习，获得特征信息识别模型，或者对已获得的特征信息识别模型进行更新。根据本发明实施例的一种具体实现方式，所述的洗碗机控制装置，还包括：识别误差判断模块，用于将从洗碗机接收的洗碗机内部待洗物品的图像，及在本地对所述图像进行识别后获得的图像识别结果，上传给云端服务器，以使云端服务器根据保存在云端服务器的特征信息识别模型，对所述图像再次进行图像识别，获得云端服务器的图像识别结果，并将云端服务器的图像识别结果与云端服务器接收的所述图像识别结果进行比较，判断云端服务器接收的所述图像识别结果的误差是否在预定的阈值范围内。根据本发明实施例的一种具体实现方式，所述的洗碗机控制装置，还包括：识别模型更新模块，用于从云端服务器获取特征信息识别模型的最新参数，基于所述最新参数，对本地存储的特征信息识别模型进行更新；其中，所述特征信息识别模型的参数包括神经网络的权重值和偏置值。第三方面，本发明实施例还提供一种移动终端设备，所述移动终端设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述移动终端设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一权利要求所述的洗碗机控制方法。第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述任一权利要求所述的洗碗机控制方法。本发明实施例提供的一种洗碗机控制方法、控制装置、移动终端设备及存储介质，由于根据洗碗机内部当前的状态信息产生相应的洗涤控制信号的过程，是在移动终端设备中进行的，这样可节省洗碗机本地的运算资源，降低洗碗机的成本。此外，移动终端设备与洗碗机之间可进行无线网络通讯，洗碗机或移动终端设备不需要接入互联网，也可通过移动终端设备实现对洗碗机的洗涤控制，以避免通互联网对洗碗机进行洗涤控制时，因网络环境限制带来的操作不便的问题。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为本发明一实施例洗碗机控制方法流程示意图；图2为本发明另一实施例控制方法流程示意图；图3为本发明一实施例洗碗机控制装置结构示意图；图4为本发明另一实施例洗碗机控制装置结构示意图；图5为本发明一实施例移动终端设备的结构示意图。具体实施方式下面结合附图对本发明实施例进行详细描述。应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。第一方面，本发明实施例提供一种洗碗机控制方法，应用于移动终端设备。所述移动终端设备，具有一定的运算能力，通常具有一小的显示屏幕，可采用触控输入或是小型的键盘(或虚拟键盘)输入，比如可以是智能手机、平板电脑(pad，portableandroiddevice)个人数字助理(pda，personaldigitalassistant)、手持游戏机等。参看图1，所述洗碗机控制方法可包括步骤：s11、接收洗碗机发送的洗碗机内部当前的状态信息。洗碗机可包括机壳和安装在机壳上的门体，机壳内设有置物架(也可称为碗篮)，待洗物品可摆放在置物架上通过洗涤装置进行清洗。待洗物品可以是餐具，也可以是水果或蔬菜等)。洗碗机内部当前的状态，可包括洗碗机内部的待洗物品、洗涤液的温度和浊度等。洗碗机内部当前的状态信息，可通过安装在洗碗机内部的传感器获得。所述传感器可包括采集洗碗机内部待洗物品图像的图像传感器、采集洗涤液温度的温度传感器器、以及采集洗涤液浊度的浊度传感器，等等。所述图像传感器可有多个，分别设在机壳内的不同位置，以从多个不同的角度采集洗碗机内部餐具的图像；图像传感器可设有防水结构。具体地，所述图像传感器可为摄像头中的图像传感器。也就是说，可在机壳内的不同位置设置多个摄像头，通过摄像头中的图像传感器采集洗碗机内部待洗物品的图像。将浊度传感器与所述图像传感器配合使用时，可在洗涤开始前，通过图像传感器采集的餐具的图像，得知餐具的初始脏污程度；在洗涤过程中，可通过浊度传感器得知餐具的最新脏污程度，由此便于及时确定或调整洗涤控制信号。洗碗机内部当前的状态信息，可通过安装在洗碗机上的用于近距离通讯的通讯模块(如蓝牙模块或wifi模块等)，发送给移动终端设备。s12、根据洗碗机内部当前的状态信息，产生相应的洗涤控制信号。在移动终端设备接收到洗碗机发送的洗碗机内部当前的状态信息之后，根据洗碗机内部当前的状态信息，产生相应的洗涤控制信号。s13、将所述洗涤控制信号发送给所述洗碗机，以使所述洗碗机根据所述洗涤控制信号对洗碗机内部的待洗物品进行洗涤。移动终端设备将所述洗涤控制信号发送给所述洗碗机，所述洗碗机根据移动终端设备发送的洗涤控制信号，对洗碗机内部的待洗物品进行洗涤。本实施例中，由于根据洗碗机内部当前的状态信息产生相应的洗涤控制信号的过程，是在移动终端设备中进行的，这样可节省洗碗机本地的运算资源，降低洗碗机的成本。此外，移动终端设备与洗碗机之间可进行无线网络通讯，洗碗机或移动终端设备不需要接入互联网，也可通过移动终端设备实现对洗碗机的洗涤控制，以避免仅通互联网对洗碗机进行洗涤控制时，因网络环境限制带来的操作不便的问题。在本发明一实施例中，所述状态信息，具体包括待洗物品的图像；参看图2，所述根据洗碗机内部当前的状态信息，产生相应的洗涤控制信号(s12)，包括：s121、根据预先获得的特征信息识别模型，对所述图像进行识别，确定所述待洗物品当前的特征信息。所述特征信息识别模型，是预先通过基于神经网络的有监督学习获得的，具体地，可预先通过卷积神经网络(convolutionalneuralnetwork，cnn)对训练样本的训练获得。每个训练样本的标签包括训练样本中的物品元素的种类、名称、以及物品元素的数量和/或大小等。通过基于神经网络的有监督学习获得特征信息识别模型的过程可包括步骤：获取训练样本；对所述训练样本进行卷积和池化处理，得到所述训练样本的特征向量；基于所述训练样本的特征向量，以最大化准确率为优化目标进行模型训练，以得到特征信息识别模型。其中，卷积和池化处理的过程可循环多次。所述特征信息包括：待洗物品的种类、数量、脏污程度中的至少一种。本发明实施例不限于此，所述特征信息也可包括：待洗物品的材质、干燥程度、摆放状态等。待洗物品的种类可包括餐具、水果等。不同的种类可分别对应不同的洗涤模式。脏污程度可用脏污等级来区分，比如轻微脏污、中度脏污和重度脏污等。s122、根据所述待洗物品当前的特征信息，产生相应的洗涤控制信号。洗涤控制信号可包括开关机、洗涤模式选择或切换、预约、开启/暂停等控制信号。就洗涤模式而言，可包括强力洗模式、标准洗模式、经济洗模式、冲刷洗模式等。比如，对于脏污程度为重度脏污的餐具，可采用强力洗模式；对于脏污程度为中度脏污的餐具，可采用标准洗模式；对于脏污程度为轻微脏污的餐具，可采用经济洗模式。对于水果可采用冲刷洗模式。在本发明一实施例中，所述根据所述待洗物品当前的特征信息，产生相应的洗涤控制信号(s122)，可具体包括：根据所述待洗物品当前的特征信息，以及预先建立的特征信息与洗涤模式之间的映射关系确定洗涤模式；根据所述洗涤模式，产生相应的洗涤控制信号。下表为一示例性的待洗物品的特征信息与洗涤模式之间的映射关系：待洗物品种类脏污程度/脏污等级洗涤模式餐具轻微脏污经济洗模式餐具中度脏污标准洗模式餐具重度脏污强力洗模式水果冲刷洗模式本实施例中，当根据上述映射关系确定洗涤模式为经济洗模式时，则移动终端设备向洗碗机发出选定经济洗模式进行洗涤的控制信号。在本发明一实施例中，所述根据所述待洗物品当前的特征信息，产生相应的洗涤控制信号(s122)，也可具体包括：s1221、根据所述待洗物品当前的特征信息，确定或调整与所述待洗物品当前的特征信息对应的洗涤控制参数。可以理解的，待洗涤物品当前的特征信息不同，将其洗涤干净所花费的时间、水量、洗涤策略等可能都不相同。为了能够以最小的资源消耗达到对待洗涤物品的预期洗涤效果，在本发明的实施例中，可以基于特征信息识别模型能够识别出的待洗涤物品当前的特征信息，确定或调整不同特征信息对应的洗涤控制参数。举例说明，在本发明的一个实施例中，如果特征信息识别模型识别出的一种物品当前的特征信息为只有水溶性的污渍但没有油污，则清洗控制参数中洗涤剂用量可以为0，如果识别出的一种物品当前的特征信息为有油污，则可以根据油污程度控制洗涤剂用量并适当升高清洗水温等。如果识别出的一种物品当前的特征信息中的材质为玻璃或陶瓷，则洗涤控制参数中可以用较高的水温和较小的机械振动，如果当前的特征信息中的材质为塑料，则可以用较低的水温和较大的机械振动等。s1222、根据所述洗涤控制参数，产生相应的洗涤控制信号，以使所述洗碗机以最小的资源消耗达到对所述待洗物品的预期洗涤效果。本步骤中，预期洗涤效果可以根据用户的不同偏好进行设置，例如有的用户更加注重清洁效果，则可以适当增大清洗时长、水压等，有的用户更注重节能环保则可以减少洗涤剂的用量、适当减少清洗时长、水压等。但无论用户的偏好如何，洗涤控制参数的确定或调整都能够达到每种用户偏好的预期效果。进一步的，本发明的实施例不仅能够基于不同的特征信息确定或调整相应的洗涤控制参数，还能够预测待洗涤物品洗涤到预期效果需要花费的时长，从而给用户一个精确的等待时间预期。具体而言，在本发明一实施例中，所述根据所述待洗物品当前的特征信息，确定或调整与所述待洗物品当前的特征信息对应的洗涤控制参数(s1221)之后，所述方法还包括：统计每种特征信息在其对应的洗涤控制参数控制下完成洗涤所花费的实际洗涤时长；通过机器学习建立洗涤时长预测模型，所述洗涤时长预测模型用于根据待洗物品当前的特征信息，预测所述待洗物品所需要的预期洗涤时长。例如，移动终端设备可以从接收到的各洗碗机发送来的图像信息中，筛选出200条待洗涤物品为轻度污浊程度到重度污浊程度的数量不同的餐具的案例，并对这200条案例中的待洗涤物品配置了相应的洗涤控制参数，然后统计达到预期的清洗效果时，各案例中洗涤过程所花费的实际洗涤时长。用这些数据进行训练，得到餐具数量、污浊程度与预期洗涤时长之间的映射模型，从而能够在待洗涤物品被放置在洗碗机中时，就预测出洗涤这些物品需要多长时间，给用户一个等待预期。而且，还可以通过机器识别及深度学习，提高预测洗涤时长的精确度，从而进一步提升了用户体验。在本发明一实施例中，所述接收洗碗机发送的洗碗机内部当前的状态信息，包括：所述待洗物品在洗涤前、洗涤中、和/或洗涤完成后的任意时刻的至少一张图片和/或至少一段视频。根据用户的不同功能选择，洗碗机的洗涤过程一般可以包括清洗过程、漂洗过程和烘干过程中的一种或多种。其中，清洗过程可以加入洗涤剂，以便对物品进行更有效的去污，漂洗过程中可以用大量的清水将洗涤剂连同污渍一起清除，烘干过程可以对被洗涤物品进行烘干，以便于储藏。与这些洗涤过程相对应，可选的，在本发明一实施例中，所述洗涤控制参数包括以下至少一种：清洗控制参数、漂洗控制参数、烘干控制参数；其中，所述清洗控制参数包括以下至少一种：清洗时长、洗涤剂用量、清洗水温、清洗水压、出水口朝向；所述漂洗控制参数包括以下至少一种：漂洗时长、漂洗水温、漂洗水压、出水口朝向；所述烘干控制参数包括以下至少一种：烘干风速、烘干温度、烘干时间。移动终端设备中进行图像识别时所采用的所述特征信息识别模型，可预先在移动终端设备本地通过机器学习获得，具体地，在本发明一实施例中，在根据预先获得的特征信息识别模型，对所述图像进行识别，确定所述待洗物品当前的特征信息之前，所述洗碗机控制方法，还可包括：将洗碗机发送的洗碗机内部待洗物品的图像作为训练样本，在本地进行基于神经网络的有监督学习，获得特征信息识别模型。本发明实施例不限于此，移动终端设备中进行图像识别时所采用的所述特征信息识别模型，也可从云端服务器获取特征信息识别模型。在从云端服务器获取特征信息识别模型之前，在本发明一实施例中，所述的洗碗机控制方法，还可包括：将从洗碗机接收的洗碗机内部待洗物品的图像，上传给云端服务器，以使云端服务器将洗碗机内部待洗物品的图像作为训练样本，进行基于神经网络的有监督学习，获得特征信息识别模型，或者对已获得的特征信息识别模型进行更新。在本发明一实施例中，所述的洗碗机控制方法，还可包括：将从洗碗机接收的洗碗机内部待洗物品的图像，及在本地对所述图像进行识别后获得的图像识别结果，上传给云端服务器，以使云端服务器根据保存在云端服务器的特征信息识别模型，对所述图像再次进行图像识别，获得云端服务器的图像识别结果，并将云端服务器的图像识别结果与云端服务器接收的所述图像识别结果进行比较，判断云端服务器接收的所述图像识别结果的误差是否在预定的阈值范围内，若超过预定的阈值范围，则提醒移动终端设备对所述特征信息识别模型进行更新。为了提高图像识别的准确率，移动终端设备中进行图像识别时所采用的所述特征信息识别模型，可定期进行更新，具体地，在本发明一实施例中，所述的洗碗机控制方法，还可包括：从云端服务器获取特征信息识别模型的最新参数，基于所述最新参数，对本地存储的特征信息识别模型进行更新；其中，所述特征信息识别模型的参数包括神经网络的权重值和偏置值。第二方面，本发明实施例提供一种洗碗机控制装置，应用于移动终端设备，所述移动终端设备，具有一定的运算能力，通常具有一小的显示屏幕，可采用触控输入或是小型的键盘(或虚拟键盘)输入，比如可以是智能手机、平板电脑(pad，portableandroiddevice)个人数字助理(pda，personaldigitalassistant)、手持游戏机等。参看图3，所述控制装置包括：状态信息接收模块11、控制信号产生模块12和控制信号发送模块13。状态信息接收模块11，用于接收洗碗机发送的洗碗机内部当前的状态信息。洗碗机内部当前的状态，可包括洗碗机内部的待洗物品、洗涤液的温度和浊度等。洗碗机内部当前的状态信息，可通过安装在洗碗机内部的传感器获得。所述传感器可包括采集洗碗机内部待洗物品图像的图像传感器、采集洗涤液温度的温度传感器器、以及采集洗涤液浊度的浊度传感器，等等。所述图像传感器可有多个，分别设在机壳内的不同位置，以从多个不同的角度采集洗碗机内部餐具的图像；图像传感器可设有防水结构。具体地，所述图像传感器可为摄像头中的图像传感器。也就是说，可在机壳内的不同位置设置多个摄像头，通过摄像头中的图像传感器采集洗碗机内部待洗物品的图像。将浊度传感器与所述图像传感器配合使用时，可在洗涤开始前，通过图像传感器采集的餐具的图像，得知餐具的初始脏污程度；在洗涤过程中，可通过浊度传感器得知餐具的最新脏污程度，由此便于及时确定或调整洗涤控制信号。洗碗机内部当前的状态信息，可通过安装在洗碗机上的用于近距离通讯的通讯模块(如蓝牙模块或wifi模块等)，发送给移动终端设备。控制信号产生模块12，用于根据洗碗机内部当前的状态信息，产生相应的洗涤控制信号。在状态信息接收模块11接收到洗碗机发送的洗碗机内部当前的状态信息之后，控制信号产生模块12根据洗碗机内部当前的状态信息，产生相应的洗涤控制信号。控制信号发送模块13，用于将所述洗涤控制信号发送给所述洗碗机，以使所述洗碗机根据所述洗涤控制信号对洗碗机内部的待洗物品进行洗涤。本实施例中，由于根据洗碗机内部当前的状态信息产生相应的洗涤控制信号的过程，是在移动终端设备中进行的，这样可节省洗碗机本地的运算资源，降低洗碗机的成本。此外，移动终端设备与洗碗机之间可进行无线网络通讯，洗碗机或移动终端设备不需要接入互联网，也可通过移动终端设备实现对洗碗机的洗涤控制，以避免仅通互联网对洗碗机进行洗涤控制时，因网络环境限制带来的操作不便的问题。在本发明一实施例中，所述状态信息，包括待洗物品的图像；所述控制信号产生模块12，具体用于根据预先获得的特征信息识别模型，对所述图像进行识别，确定所述待洗物品当前的特征信息；根据所述待洗物品当前的特征信息，产生相应的洗涤控制信号。其中，所述特征信息识别模型，是预先通过基于神经网络的有监督学习获得的。具体地，可预先通过卷积神经网络(convolutionalneuralnetwork，cnn)对训练样本的训练获得。每个训练样本的标签包括训练样本中的物品元素的种类、名称、以及物品元素的数量和/或大小。通过基于神经网络的有监督学习获得特征信息识别模型的过程可包括步骤：获取训练样本；对所述训练样本进行卷积和池化处理，得到所述训练样本的特征向量；基于所述训练样本的特征向量，以最大化准确率为优化目标进行模型训练，以得到特征信息识别模型。其中，卷积和池化处理的过程可循环多次。所述特征信息包括：待洗物品的种类、数量、脏污程度中的至少一种。本发明实施例不限于此，所述特征信息也可包括：待洗物品的材质、干燥程度、摆放状态等。待洗物品的种类可包括餐具、水果等。不同的种类可分别对应不同的洗涤模式。脏污程度可用脏污等级来区分，比如轻微脏污、中度脏污和重度脏污等。洗涤控制信号可包括开关机、洗涤模式选择或切换、预约、开启/暂停等控制信号。就洗涤模式而言，可包括强力洗模式、标准洗模式、经济洗模式、冲刷洗模式等。比如，对于脏污程度为重度脏污的餐具，可采用强力洗模式；对于脏污程度为中度脏污的餐具，可采用标准洗模式；对于脏污程度为轻微脏污的餐具，可采用经济洗模式。对于水果可采用冲刷洗模式。在本发明一实施例中，所述控制信号产生模块12，具体用于根据所述待洗物品当前的特征信息，以及预先建立的特征信息与洗涤模式之间的映射关系确定洗涤模式；根据所述洗涤模式，产生相应的洗涤控制信号。待洗物品的特征信息与洗涤模式之间的映射关系的示例性说明，可参看上述方法实施例，在此不再赘述。在本发明一实施例中，所述控制信号产生模块，具体用于：根据所述待洗物品当前的特征信息，确定或调整与所述待洗物品当前的特征信息对应的洗涤控制参数；根据所述洗涤控制参数，产生相应的洗涤控制信号，以使所述洗碗机以最小的资源消耗达到对所述待洗物品的预期洗涤效果。可以理解的，待洗涤物品当前的特征信息不同，将其洗涤干净所花费的时间、水量、洗涤策略等可能都不相同。为了能够以最小的资源消耗达到对待洗涤物品的预期洗涤效果，在本发明的实施例中，可以基于特征信息识别模型能够识别出的待洗涤物品当前的特征信息，确定或调整不同特征信息对应的洗涤控制参数。举例说明，在本发明的一个实施例中，如果特征信息识别模型识别出的一种物品当前的特征信息为只有水溶性的污渍但没有油污，则清洗控制参数中洗涤剂用量可以为0，如果识别出的一种物品当前的特征信息为有油污，则可以根据油污程度控制洗涤剂用量并适当升高清洗水温等。如果识别出的一种物品当前的特征信息中的材质为玻璃或陶瓷，则洗涤控制参数中可以用较高的水温和较小的机械振动，如果当前的特征信息中的材质为塑料，则可以用较低的水温和较大的机械振动等。本步骤中，预期洗涤效果可以根据用户的不同偏好进行设置，例如有的用户更加注重清洁效果，则可以适当增大清洗时长、水压等，有的用户更注重节能环保则可以减少洗涤剂的用量、适当减少清洗时长、水压等。但无论用户的偏好如何，洗涤控制参数的确定或调整都能够达到每种用户偏好的预期效果。进一步的，本发明的实施例不仅能够基于不同的特征信息确定或调整相应的洗涤控制参数，还能够预测待洗涤物品洗涤到预期效果需要花费的时长，从而给用户一个精确的等待时间预期。具体而言，在本发明一实施例中，所述的洗碗机控制装置，还包括洗涤时长统计模块和洗涤时长预测模块；其中，洗涤时长统计模块，用于统计每种特征信息在其对应的洗涤控制参数控制下完成洗涤所花费的实际洗涤时长；洗涤时长预测模块，用于通过机器学习建立洗涤时长预测模型，所述洗涤时长预测模型用于根据待洗物品当前的特征信息，预测所述待洗物品所需要的预期洗涤时长。例如，移动终端设备可以从接收到的各洗碗机发送来的图像信息中，筛选出200条待洗涤物品为轻度污浊程度到重度污浊程度的数量不同的餐具的案例，并对这200条案例中的待洗涤物品配置了相应的洗涤控制参数，然后统计达到预期的清洗效果时，各案例中洗涤过程所花费的实际洗涤时长。用这些数据进行训练，得到餐具数量、污浊程度与预期洗涤时长之间的映射模型，从而能够在待洗涤物品被放置在洗碗机中时，就预测出洗涤这些物品需要多长时间，给用户一个等待预期。而且，还可以通过机器识别及深度学习，提高预测洗涤时长的精确度，从而进一步提升了用户体验。在本发明一实施例中，所述状态信息接收模块，具体用于接收所述待洗物品在洗涤前、洗涤中、和/或洗涤完成后的任意时刻的至少一张图片和/或至少一段视频。根据用户的不同功能选择，洗碗机的洗涤过程一般可以包括清洗过程、漂洗过程和烘干过程中的一种或多种。其中，清洗过程可以加入洗涤剂，以便对物品进行更有效的去污，漂洗过程中可以用大量的清水将洗涤剂连同污渍一起清除，烘干过程可以对被洗涤物品进行烘干，以便于储藏。与这些洗涤过程相对应，在本发明一实施例中，所述洗涤控制参数包括以下至少一种：清洗控制参数、漂洗控制参数、烘干控制参数；其中，所述清洗控制参数包括以下至少一种：清洗时长、洗涤剂用量、清洗水温、清洗水压、出水口朝向；所述漂洗控制参数包括以下至少一种：漂洗时长、漂洗水温、漂洗水压、出水口朝向；所述烘干控制参数包括以下至少一种：烘干风速、烘干温度、烘干时间。移动终端设备中进行图像识别时所采用的所述特征信息识别模型，可预先在移动终端设备本地通过机器学习获得，具体地，在本发明一实施例中，所述的洗碗机控制装置，还包括：识别模型获取模块，用于将洗碗机发送的洗碗机内部待洗物品的图像作为训练样本，在本地进行基于神经网络的有监督学习，获得特征信息识别模型。本发明实施例不限于此，移动终端设备中进行图像识别时所采用的所述特征信息识别模型，也可从云端服务器获取特征信息识别模型。在从云端服务器获取特征信息识别模型之前，参看图4，在本发明一实施例中，所述的洗碗机控制装置，还包括：上传模块14，用于将从洗碗机接收的洗碗机内部待洗物品的图像，上传给云端服务器，以使云端服务器将洗碗机内部待洗物品的图像作为训练样本，进行基于神经网络的有监督学习，获得特征信息识别模型，或者对已获得的特征信息识别模型进行更新。参看图4，在本发明一实施例中，所述的洗碗机控制装置，还可包括：识别误差判断模块15，用于将从洗碗机接收的洗碗机内部待洗物品的图像，及在本地对所述图像进行识别后获得的图像识别结果，上传给云端服务器，以使云端服务器根据保存在云端服务器的特征信息识别模型，对所述图像再次进行图像识别，获得云端服务器的图像识别结果，并将云端服务器的图像识别结果与云端服务器接收的所述图像识别结果进行比较，判断云端服务器接收的所述图像识别结果的误差是否在预定的阈值范围内。为了提高图像识别的准确率，移动终端设备中进行图像识别时所采用的所述特征信息识别模型，可定期进行更新，具体地，参看图4，在本发明一实施例中，所述的洗碗机控制装置，还包括：识别模型更新模块16，用于从云端服务器获取特征信息识别模型的最新参数，基于所述最新参数，对本地存储的特征信息识别模型进行更新；其中，所述特征信息识别模型的参数包括神经网络的权重值和偏置值。图5为本发明电子设备一个实施例的结构示意图，可以实现本发明图1及图2所示实施例的流程，如图5所示，上述电子设备可以包括：壳体41、处理器42、存储器43、电路板44和电源电路45，其中，电路板44安置在壳体41围成的空间内部，处理器42和存储器43设置在电路板44上；电源电路45，用于为上述电子设备的各个电路或器件供电；存储器43用于存储可执行程序代码；处理器42通过读取存储器43中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一实施例所述的方法。处理器42对上述步骤的具体执行过程以及处理器42通过运行可执行程序代码来进一步执行的步骤，可以参见本发明图1及图2所示实施例的描述，在此不再赘述。参看图5，本发明实施例还提供一种移动终端设备，所述移动终端设备包括：壳体41、处理器42、存储器43、电路板44和电源电路45，其中，电路板44安置在壳体41围成的空间内部，处理器42和存储器43设置在电路板44上；电源电路45，用于为上述电子设备的各个电路或器件供电；存储器43用于存储可执行程序代码；处理器42通过读取存储器43中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一实施例所述的洗碗机控制方法。本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述任一实施例所述的洗碗机控制方法。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
：的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。当前第1页12当前第1页12