智能清洁设备，清洁模式选择方法，计算机存储介质与流程

本发明涉及智能清洁技术领域，尤其涉及一种基于卷积神经网络的清洁模式选择方法、智能清洁设备以及计算机存储介质。

背景技术：

现有的智能清洁设备通常通过自身的传感装置向控制系统提供位置信息和运动状态信息，进而实现路径规划、规避障碍等，采用这种方式的智能清洁设备是“看不到”物体的，其工作环境中的物体只能被当做障碍物被越过或远离。并且，现有的智能清洁设备无法直接分辨出自己所处的房间，只能是用户通过移动端进行地图划分来告知其具体位置，和应该采取什么样的清洁模式。上述方式不够智能，需要的人工干预过多，导致清洁效率较低。

技术实现要素：

在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

为了至少部分地解决上述问题，根据本发明的第一方面，提供了一种基于卷积神经网络的清洁模式选择方法，包括以下步骤：

s1：采集所述智能清洁设备的当前工作场景图像；

s2：将采集到的当前工作场景图像输入至所述智能清洁设备的工作场景卷积神经网络分类模型，以确定当前工作场景的类型，其中，所述工作场景卷积神经网络分类模型根据训练样本集建立，所述训练样本集中的预采集工作场景图像标记有对应的工作场景类型标签；

s3：根据当前工作场景的类型采用对应的清洁模式。

根据本发明的用于智能清洁设备的基于卷积神经网络的清洁模式选择方法，通过采集当前工作场景图像，将其输入至训练好的工作场景卷积神经网络分类模型即可得出智能清洁设备当前工作场景的类型，进而采取相应的清洁模式。本发明使清洁模式的选择更加高效、智能、多样化，满足了消费者的需求。

优选地，所述工作场景卷积神经网络分类模型为自适应卷积神经网络分类模型，用于根据新的训练样本完成增量学习。

由此，智能清洁设备可以在不断地使用过程中，积累新的训练样本，完成进一步地学习，更智能地判断其工作场景。

优选地，所述工作场景类型标签包括房间属性标签，所述房间属性标签用于表征所述智能清洁设备的空间位置。

优选地，

所述步骤s2包括，确定当前工作场景的房间属性；

所述步骤s3包括，根据所述房间属性采用对应的第一清洁模式；

所述第一清洁模式构造为所述智能清洁设备针对不同房间属性而采用不同的清洁力度。

优选地，所述工作场景类型标签包括微小物体属性标签，所述微小物体属性标签用于表征所述智能清洁设备的周围环境。

优选地，

所述步骤s2包括，确定当前工作场景的微小物体属性；

所述步骤s3包括，根据所述微小物体属性采用对应的第二清洁模式；

所述第二清洁模式构造为所述智能清洁设备避开微小物体或临近微小物体时降速行走清洁。

优选地，所述工作场景类型标签包括地面材质属性标签，所述地面材质属性标签用于表征所述智能清洁设备所位于的地面材质。

优选地，

所述步骤s2包括，确定当前工作场景的地面材质属性；

所述步骤s3包括，根据所述地面材质属性采用对应的第三清洁模式；

所述第三清洁模式构造为所述智能清洁设备针对不同地面材质属性而采用不同的清洁力度和/或采用不同的清洁干湿度。

优选地，所述采用不同的清洁力度通过调节所述智能清洁设备的风机和/或清扫次数来实现。

根据本发明的第二方面，提供一种智能清洁设备，其包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现根据本发明的基于卷积神经网络的清洁模式选择方法的步骤。

根据本发明的第三方面，提供一种计算机存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据本发明的基于卷积神经网络的清洁模式选择方法的步骤。

附图说明

本发明的下列附图在此作为本发明的一部分用于理解本发明。附图中示出了本发明的实施例及其描述，用来解释本发明的装置及原理。在附图中，

图1为根据本发明的基于卷积神经网络的清洁模式选择方法的流程图。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。

为了彻底理解本发明，将在下列的描述中提出详细的结构，以便阐释本发明。显然，本发明的施行并不限定于该技术领域的技术人员所熟习的特殊细节。本发明的较佳实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式，不应当解释为局限于这里提出的实施例。

图1示出了根据本发明的基于卷积神经网络的清洁模式选择方法的流程图。具体地，该选择方法包括以下步骤：

s1：采集所述智能清洁设备的当前工作场景图像；

s2：将采集到的当前工作场景图像输入至所述智能清洁设备的工作场景卷积神经网络分类模型，以确定当前工作场景的类型，其中，所述工作场景卷积神经网络分类模型根据训练样本集建立，所述训练样本集中的预采集工作场景图像标记有对应的工作场景类型标签；

s3：根据当前工作场景的类型采用对应的清洁模式。

根据本发明的用于智能清洁设备的基于卷积神经网络的清洁模式选择方法，通过采集当前工作场景图像，将其输入至训练好的工作场景卷积神经网络分类模型即可得出智能清洁设备当前工作场景的类型，进而采取相应的清洁模式。本发明使清洁模式的选择更加高效、智能、多样化，满足了消费者的需求。

需要说明的是，对于步骤s2中的工作场景卷积神经网络分类模型的搭建以及利用训练样本集对该分类模型进行训练，已经属于本领域中比较成熟的技术，在此给出一个优选的实施方式进行简要的说明。

首先，训练样本集中的预采集工作场景图像可以是在智能清洁设备出厂之前就已经输入好的，也可以是进一步在用户家里初始化过程中对其家庭进行现场采集得到的，并且该预采集工作场景图像已经标记有对应的工作场景类型标签。预采集工作场景图像是在各种光照、角度、焦距条件下的图像。

其次，工作场景卷积神经网络分类模型的搭建过程：

工作场景卷积神经网络分类模型包括c个卷积层、f个全连接层和一个softmax分类器，2≤c≤5，1≤f≤3；在每一个卷积层中进行卷积、池化和归一化处理；每个卷积层的卷积核大小是ci*ci，步长为sci*sci，其中1≤ci≤10，1≤sci≤5，1≤i≤c；对图像进行卷积处理得到ki种特征，1≤ki≤256；每个卷积层的池化处理使用最大池化，大小为pi*pi，步长为spi*spi，其中1≤pi≤10，1≤spi≤5，1≤i≤c；对池化处理后的图像进行归一化处理；图像经过上一个卷积层处理后得到的结果输入下一个卷积层；在第c个卷积层之后，将得到的特征展开成一维向量输入到第一个全连接层中，然后将第一个全连接层的结果输入到第二个全连接层中，以此类推，在经过第f个全连接层之后得到logits值，最后将得到的logits值输入到softmax分类器中，得到该图片属于各个类别的概率值，由此概率值与真实的label计算得到交叉熵损失函数，从而完成了卷积神经网络模型的搭建；其中，每一个全连接层中含有的神经元个数为fj，其中1≤fj≤768，1≤j≤f。

工作场景卷积神经网络分类模型的训练过程：训练使用梯度下降法，学习率使用变动学习率，训练迭代次数在5万‐10万次之间。

将采集的当前工作场景图像进行预处理后输入到利用上述方式训练好的工作场景卷积神经网络分类模型的前c+f层中，得到logits值，然后在logits值中选择最大值所在的下标，即为预测的label，从而完成识别。

之后智能清洁设备根据识别出的当前工作场景的类型采用对应的清洁模式。

在一个实施方式中，工作场景卷积神经网络分类模型可以为自适应卷积神经网络分类模型，用于根据新的训练样本完成增量学习。自适应卷积神经网络分类模型可以在原来的工作场景卷积神经网络分类模型的基础上添加输入层、中心层和激励层，输入层代表原来的工作场景神经网络训练过程中分类错误的样本，中心层代表所有错误分类样本的不同聚类，激励层代表样本模式，能够根据中心层的输出直接输出样本模式，或者激活原来的工作场景卷积神经网络分类模型进一步识别模式。

下面将继续描述步骤s2和步骤s3中涉及到的工作场景的类型的分类以及对应的清洁模式的内容，也是本发明的重点内容。

在一个实施方式中，工作场景类型标签可以包括房间属性标签，房间属性标签用于表征智能清洁设备的空间位置。

进一步地，根据本发明的基于卷积神经网络的清洁模式选择方法可以包括如下步骤：

步骤s2包括，确定当前工作场景的房间属性的步骤；步骤s3包括，根据房间属性采用对应的第一清洁模式；第一清洁模式构造为智能清洁设备针对不同房间属性而采用不同的清洁力度的步骤。

例如，对于厨房、阳台等地，即比如智能清洁设备采集的当前工作场景图像中有抽油烟机等标志性物体，则经过工作场景卷积神经网络分类模型分析后，其具有对应厨房的房间属性标签，或者，智能清洁设备采集的当前工作场景图像中有盆栽等标志性物体，则经过工作场景卷积神经网络分类模型分析后，其具有对应阳台的房间属性标签，那么可以加大风机功率或重复清扫两次；对于卧室等地，即比如智能清洁设备采集的当前工作场景图像中有床等标志性物体，则经过工作场景卷积神经网络分类模型分析后，其具有对应卧室的房间属性标签，那么可以关闭风机进行清扫，防止打扰用户休息。

在一个实施方式中，工作场景类型标签可以包括微小物体属性标签，微小物体属性标签用于表征智能清洁设备的周围环境。

进一步地，根据本发明的基于卷积神经网络的清洁模式选择方法可以包括如下步骤：

步骤s2包括，确定当前工作场景的微小物体属性的步骤；步骤s3包括，根据微小物体属性采用对应的第二清洁模式；第二清洁模式构造为智能清洁设备避开微小物体或临近微小物体时降速行走清洁的步骤。

例如，对于垃圾桶、玩具、拖鞋等可以轻易推动的物体，或动物粪便等直接避开；对于一般障碍物(即使碰撞到也不会给用户造成损失)则可以降速行走清洁。

需要说明的是，只要是智能清洁设备采集的当前工作场景图像中有上述举例中的微小物体，则经过工作场景卷积神经网络分类模型分析后，其就具有对应可轻易推动的物体的微小物体属性标签；如果智能清洁设备采集的当前工作场景图像中有那些不会给用户带来损失的一般障碍物，则经过工作场景卷积神经网络分类模型分析后，其就具有对应一般障碍物的微小物体属性标签。因此，对于一般障碍物和可轻易移动的物体的区分可根据经验累积或用户需求来自行定义。

在一个实施方式中，工作场景类型标签可以包括地面材质属性标签，地面材质属性标签用于表征智能清洁设备所位于的地面材质。

进一步地，根据本发明的基于卷积神经网络的清洁模式选择方法可以包括如下步骤：

步骤s2包括，确定当前工作场景的地面材质属性的步骤；步骤s3包括，根据地面材质属性采用对应的第三清洁模式；第三清洁模式构造为智能清洁设备针对不同地面材质属性而采用不同的清洁力度和/或采用不同的清洁干湿度的步骤。

例如，智能清洁设备位于地板砖上时，可以采用湿润清洁模式，比如开启智能清洁设备的拖地功能的出水，如果地板砖较脏，也可以加大清洁力度，比如加大风机功率或重复清扫；智能清洁设备位于木地板上时，可以采用干燥模式，比如关闭智能清洁设备的拖地功能的出水或减少出水量。

需要说明的是，如果智能清洁设备采集的当前工作场景图像中显示是位于地板上，则经过工作场景卷积神经网络分类模型分析后，其就具有对应地板的地面材质属性标签；如果智能清洁设备采集的当前工作场景图像中显示是位于地砖上，则经过工作场景卷积神经网络分类模型分析后，其就具有对应地砖的地面材质属性标签。

本发明还提供了一种智能清洁设备，其包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，处理器执行程序时实现以下步骤：

s1：采集智能清洁设备的当前工作场景图像；

s2：将采集到的当前工作场景图像输入至智能清洁设备的工作场景卷积神经网络分类模型，以确定当前工作场景的类型，其中，工作场景卷积神经网络分类模型根据训练样本集建立，训练样本集中的预采集工作场景图像标记有对应的工作场景类型标签；

s3：根据当前工作场景的类型采用对应的清洁模式。

在一个实施方式中，处理器执行程序时实现以下步骤：工作场景卷积神经网络分类模型为自适应卷积神经网络分类模型，用于根据新的训练样本完成增量学习。

在一个实施方式中，处理器执行程序时实现以下步骤：工作场景类型标签包括房间属性标签，房间属性标签用于表征智能清洁设备的空间位置。

在一个实施方式中，处理器执行程序时实现以下步骤：步骤s2包括，确定当前工作场景的房间属性；步骤s3包括，根据房间属性采用对应的第一清洁模式；第一清洁模式构造为智能清洁设备针对不同房间属性而采用不同的清洁力度。

在一个实施方式中，处理器执行程序时实现以下步骤：工作场景类型标签包括微小物体属性标签，微小物体属性标签用于表征智能清洁设备的周围环境。

在一个实施方式中，处理器执行程序时实现以下步骤：步骤s2包括，确定当前工作场景的微小物体属性；步骤s3包括，根据微小物体属性采用对应的第二清洁模式；第二清洁模式构造为智能清洁设备避开微小物体或临近微小物体时降速行走清洁。

在一个实施方式中，处理器执行程序时实现以下步骤：工作场景类型标签包括地面材质属性标签，地面材质属性标签用于表征智能清洁设备所位于的地面材质。

在一个实施方式中，处理器执行程序时实现以下步骤：步骤s2包括，确定当前工作场景的地面材质属性；步骤s3包括，根据地面材质属性采用对应的第三清洁模式；第三清洁模式构造为智能清洁设备针对不同地面材质属性而采用不同的清洁力度和/或采用不同的清洁干湿度。

在一个实施方式中，处理器执行程序时实现以下步骤：采用不同的清洁力度通过调节智能清洁设备的风机和/或清扫次数来实现。

本发明还提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

s1：采集智能清洁设备的当前工作场景图像；

s2：将采集到的当前工作场景图像输入至智能清洁设备的工作场景卷积神经网络分类模型，以确定当前工作场景的类型，其中，工作场景卷积神经网络分类模型根据训练样本集建立，训练样本集中的预采集工作场景图像标记有对应的工作场景类型标签；

s3：根据当前工作场景的类型采用对应的清洁模式。

在一个实施方式中，计算机程序被处理器执行时实现以下步骤：工作场景卷积神经网络分类模型为自适应卷积神经网络分类模型，用于根据新的训练样本完成增量学习。

在一个实施方式中，计算机程序被处理器执行时实现以下步骤：

工作场景类型标签包括房间属性标签，房间属性标签用于表征智能清洁设备的空间位置。

在一个实施方式中，计算机程序被处理器执行时实现以下步骤：步骤s2包括，确定当前工作场景的房间属性；步骤s3包括，根据房间属性采用对应的第一清洁模式；第一清洁模式构造为智能清洁设备针对不同房间属性而采用不同的清洁力度。

在一个实施方式中，计算机程序被处理器执行时实现以下步骤：工作场景类型标签包括微小物体属性标签，微小物体属性标签用于表征智能清洁设备的周围环境。

在一个实施方式中，计算机程序被处理器执行时实现以下步骤：步骤s2包括，确定当前工作场景的微小物体属性；步骤s3包括，根据微小物体属性采用对应的第二清洁模式；第二清洁模式构造为智能清洁设备避开微小物体或临近微小物体时降速行走清洁。

在一个实施方式中，计算机程序被处理器执行时实现以下步骤：工作场景类型标签包括地面材质属性标签，地面材质属性标签用于表征智能清洁设备所位于的地面材质。

在一个实施方式中，计算机程序被处理器执行时实现以下步骤：步骤s2包括，确定当前工作场景的地面材质属性；步骤s3包括，根据地面材质属性采用对应的第三清洁模式；第三清洁模式构造为智能清洁设备针对不同地面材质属性而采用不同的清洁力度和/或采用不同的清洁干湿度。

在一个实施方式中，计算机程序被处理器执行时实现以下步骤：采用不同的清洁力度通过调节智能清洁设备的风机和/或清扫次数来实现。

以上各实施方式的各技术特征可以进行任意的组合，为使描述简洁，未对上述各实施方式中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

除非另有定义，本文中所使用的技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。本文中使用的术语只是为了描述具体的实施目的，不是旨在限制本发明。本文中出现的诸如“部件”等术语既可以表示单个的零件，也可以表示多个零件的组合。本文中出现的诸如“安装”、“设置”等术语既可以表示一个部件直接附接至另一个部件，也可以表示一个部件通过中间件附接至另一个部件。本文中在一个实施方式中描述的特征可以单独地或与其它特征结合地应用于另一个实施方式，除非该特征在该另一个实施方式中不适用或是另有说明。

本发明已经通过上述实施方式进行了说明，但应当理解的是，上述实施方式只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施方式范围内。此外本领域技术人员可以理解的是，本发明并不局限于上述实施方式，根据本发明的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围以内。