本发明涉及净水机领域，具体而言，涉及一种净水设备的出水装置及其控制方法和装置。
背景技术：
目前，家用净水机的普及程度越来越高，家用净水机通常是通过滤芯装置中的过滤膜有效的除去水中的铁锈、砂石、胶体以及吸附水中的化学药剂，从而有效的提高家庭用水的指令。
但对净水机的控制方式仍然非常单一，即通过净水机上设备的按钮对净水机进行控制，尤其对于安装在厨房下橱柜内的厨下式净水机，更加不便于用户操作，从而导致用户操作复杂，体验度不高。
针对现有技术中净水机的智能化程度低的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种净水设备的出水装置及其控制方法和装置，以至少解决现有技术中净水机的智能化程度低的技术问题。
根据本发明实施例的一个方面，提供了一种净水设备的出水控制方法，包括：获取目标对象的图像信息；基于神经网络模型预测得到与图像信息对应的至少一个属性信息；判断是否接收到控制指令，其中，控制指令由目标对象对应的控制主体发出；在未接收到控制指令的情况下，根据目标对象的至少一个属性信息，为目标对象提供对应的出水服务。
进一步地，将图像信息输入神经网络模型进行判决，其中，神经网络模型用于预测目标对象的属性信息，神经网络模型使用多组样本数据通过机器学习训练得到，每个样本数据包括：已知属性信息的目标对象和目标对象的属性信息；接收神经网络模型输出的属性信息。
进一步地，属性信息包括：水源需求类别、容量以及温度需求类别，神经网络模型包括：第一神经网络模型、第二神经网络模型和第三神经网络模型，其中，第一神经网络模型用于预测目标对象的水源需求类别，第二神经网络模型用于预测目标对象的容量，第三神经网络模型用于预测目标对象的温度需求类别。
进一步地，根据目标对象所属的水源需求类别确定目标对象的出水服务类型，其中，出水服务类型包括：原水出水、净水出水以及废水出水；根据目标对象的出水服务类型为目标对象提供对应的出水服务。
进一步地，根据目标对象的容量确定目标对象对应的出水量；当净水设备的出水量达到目标对象对应的出水量时，控制净水设备停止出水。
进一步地，获取目标对象所属的温度需求类别对应的温度；调整出水温度至目标对象所属的温度需求类别对应的温度。
进一步地，在净水设备接收到控制指令的情况下，按照控制指令为目标对象提供出水服务。
进一步地，识别图像信息中控制主体的动作；将控制主体的动作与预设的动作进行匹配，其中，预设的动作具有对应的控制指令；在匹配成功的情况下确定接收到控制指令，并确定与动作匹配成功的预设动作对应的控制指令为控制主体的控制指令。
进一步地，识别接收到的语音信息；解析语音信息以得到语音信息中包括的控制指令。
根据本发明实施例的一个方面，提供了一种净水设备的出水装置，包括：图像采集装置，用于获取目标对象的图像信息；控制器，与图像采集装置相连，用于基于神经网络模型预测得到与图像信息对应的至少一个属性信息；判断是否接收到控制指令，其中，控制指令由目标对象对应的控制主体发出；在未接收到控制指令的情况下，根据目标对象的属性信息，为目标对象提供对应的出水服务。
进一步地，装置还包括：多个进水口，多个进水口通过对应的进水阀与净水设备的出水口相连，其中，多个进水口包括：原水口、净水口和废水口；控制器还用于根据目标对象所属的水源需求类别确定目标对象的出水服务类型，其中，出水服务类型包括：原水出水、净水出水以及废水出水。
根据本发明实施例的另一方面，还提供了一种净水设备的出水控制装置，包括：获取模块，用于获取目标对象的图像信息；识别模块，用于基于神经网络模型预测得到与图像信息对应的至少一个属性信息；判断模块，用于判断是否接收到控制指令，其中，控制指令由目标对象对应的控制主体发出；提供模块，用于在未接收到控制指令的情况下，根据目标对象的属性信息，为目标对象提供对应的出水服务。
根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述任意一项的净水设备的出水控制方法。
根据本发明实施例的另一方面，还提供了一种控制器，其特征在于，控制器用于运行程序，其中，程序运行时执行上述任意一项的净水设备的出水控制方法。
在本发明实施例中，获取目标对象的图像信息，基于神经网络模型预测得到与图像信息对应的至少一个属性信息，判断是否接收到控制指令，在未接收到控制指令的情况下，根据目标对象的至少一个属性信息，为目标对象提供对应的出水服务。上述方案通过目标对象的图像信息采用神经网络模型来预测目标对象的属性信息，从而使得净水设备能够在用户未发出控制指令的情况下自动的为不同的目标对象提供对应的服务，进而提高用户使用的便捷性和舒适度，解决了现有技术中净水机的智能化程度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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是根据本发明实施例的净水设备的出水控制方法的流程图；
图2是根据本发明实施例的一种净水设备的出水控制方法的示意图；
图3是根据本发明实施例的净水设备的出水装置的结构示意图；
图4是根据本发明实施例的一种可选的净水设备的出水装置的示意图；以及
图5是根据本发明实施例的净水设备的出水控制装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种净水设备的出水控制方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的净水设备的出水控制方法的流程图，如图1所示，该方法包括如下步骤：
步骤s102，获取目标对象的图像信息。
具体的，上述目标对象用于表征需要使用净水机的出水的对象，例如，用户使用水杯在净水机的出水装置下方接水时，该水杯即为目标对象。
在一种可选的实施例中，净水装置包括出水装置，即水龙头，可以在出水装置的预设部位设置图像采集装置，用于采集目标对象的图像信息。可以使用设置于出水装置上的红外感应装置检测目标对象距离出水装置的距离，当检测到的距离小于预设距离的情况下，启动获取目标对象的图像信息。
步骤s104，基于神经网络模型预测得到与图像信息对应的至少一个属性信息。
具体的，上述属性信息用于将目标对象进行分类，从而能够根据目标对象的分类对目标对象进行出水服务。
步骤s106，判断是否接收到控制指令，其中，控制指令由目标对象对应的控制主体发出。
具体的，上述控制主体可以是用户，用户可以通过净水机的按钮，或其他装置向净水机发出指令。
步骤s108，在未接收到控制指令的情况下，根据目标对象的至少一个属性信息，为目标对象提供对应的出水服务。
在上述方案中，控制主体发出的控制指令具有最高的优先级，在未接收到控制指令的情况下，即在控制主体没有发出控制指令的情况下，根据目标对象的属性信息为目标对象提供对应的出水服务。
具体的，不同的出水服务区别可以在于出水水源(净水设备可以提供多种水源)、出水温度、出水量、出水速率等。
由上可知，本申请上述实施例获取目标对象的图像信息，基于神经网络模型预测得到与图像信息对应的至少一个属性信息，判断是否接收到控制指令，在未接收到控制指令的情况下，根据目标对象的至少一个属性信息，为目标对象提供对应的出水服务。上述方案通过目标对象的图像信息采用神经网络模型来预测目标对象的属性信息，从而使得净水设备能够在用户未发出控制指令的情况下自动的为不同的目标对象提供对应的服务，进而提高用户使用的便捷性和舒适度，解决了现有技术中净水机的智能化程度低的技术问题。
可选的，根据本申请上述实施例，基于神经网络模型预测得到与图像信息对应的至少一个属性信息，包括：
步骤s1041，将图像信息输入神经网络模型进行判决，其中，神经网络模型用于预测目标对象的属性信息，神经网络模型使用多组样本数据通过机器学习训练得到，每个样本数据包括：已知属性信息的目标对象和目标对象的属性信息。
在一种可选的实施例中，上述神经网络模型可以在使用前建立，向初始神经网络模型输入大量已知属性信息的图像信息，以对初始神经网络模型进行训练，再用测试数据对训练后的神经网络模型进行测试，神经网络模型对测试数据中测试样本的预测结果正确的情况下，确定该神经网络模型允许使用。
在另一种可选的实施例中，上述神经网络模型还可以在净水设备的使用过程中建立，将控制主体对净水机的控制指令以及与控制主体相关的目标对象的图像信息作为样本数据进行训练，得到允许使用的神经网络模型。
作为一种可选的实施例，属性信息包括：水源需求类别、容量以及温度需求类别，神经网络模型包括：第一神经网络模型、第二神经网络模型和第三神经网络模型，其中，第一神经网络模型用于预测目标对象的水源需求类别，第二神经网络模型用于预测目标对象的容量，第三神经网络模型用于预测目标对象的温度需求类别。
步骤s1043，接收神经网络模型输出的属性信息。
在一种可选的实施例中，第一神经网络模型、第二神经网络模型和第三神经网络模型可以具有数量不同的神经元节点，也可以使用包含相同的目标对象的样本数据进行训练。在训练的过程中，每个样本数据中的目标对象都具有三种属性信息，将每个目标对象和其对应的水源需求类别作为用于训练第一神经网络模型的样本数据；将每个目标对象和其对应的容量作为用于训练第二神经网络模型的样本数据；将每个目标对象和其对应的温度需求类别作为用于训练第三神经网络模型的样本数据。例如，以样本数据中的一个目标对象为水杯为例，该目标对象对应的水源需求类别为净水水源，对应的容量为200ml，对应的温度需求类别为常温；再以样本数据中的一个目标对象为装有速溶咖啡的水杯为例，对应的水源需求类别为净水水源，对应的容量为150ml，对应的温度需求类别为高温。
可选的，根据本申请上述实施例，在属性信息为目标对象所属的水源需求类别的情况下，根据目标对象的属性信息，控制净水设备为目标对象提供对应的出水服务，包括：
步骤s1081，根据目标对象所属的水源需求类别确定目标对象的出水服务类型，其中，出水服务类型包括：原水出水、净水出水以及废水出水。
具体的，上述原水出水服务类型用于提供未经过净化水，净水出水服务类型用于提供经过净化后的水，废水出水类型用于提供原水经过净化后剩余的废水。通常原水为自来水厂商提供的水，经过净化后得到的废水为矿物质较多的水，仍可以作为生活用水。在一种可选的实施例中，净水设备提供原水、净水以及废水三个管道，每个管道对应一个阀门，当管道对应的阀门打开时，管道中的水作为净水设备的出水流出。
以厨下式净水机为例，通常当用户使用水进行餐具的清洗时，只需要原水，如果用户需要获取用于浇花、清洗地板等生活用水，则可以使用净水机净水之后的废水，而当用户需要获取饮用水时，则需要使用净水。可以以上述信息作为背景，获取大量的样本信息，样本信息中包括大量的目标对象的图像信息以及对应的水源需求类别，使用样本信息对初始的神经网络模型进行训练，从而得到经过训练的神经网络模型。
在上述背景下，净水设备通过对目标对象的图像信息进行图像识别，净水设备在获取目标对象的图像信息后，根据神经网络模型对目标对象的水源需求类别进行预测，得到目标对象的属性信息，在控制主体未对净水机发出控制指令的情况下，净水设备按照神经网络模型的预测结果确定目标对象的需求。
步骤s1083，根据目标对象的出水服务类型为目标对象提供对应的出水服务。
由上可知，本申请上述方案根据目标对象的水源需求类别，从而达到了水质可调的目的，不仅能够节约净水资源，还能够延长滤芯寿命。
可选的，根据本申请上述实施例，在目标对象的属性信息为目标对象的容量的情况下，在根据目标对象的出水服务类型为目标对象提供对应类型的出水服务之后，上述方法还包括：
步骤s1085，根据目标对象的容量确定目标对象对应的出水量。
步骤s1087，当净水设备的出水量达到目标对象对应的出水量时，控制净水设备停止出水。
可选的，根据本申请上述实施例，在目标对象的属性信息为目标对象所属的温度需求类别的情况下，在根据目标对象的出水服务类型为目标对象提供对应类型的出水服务之后，上述方法还包括：
步骤s1089，获取目标对象所属的温度需求类别对应的温度。
以原水出水为例，当使用原水冲洗餐具上的油渍时，需要温度适中的原水，当使用原水冲洗果蔬时为了保证果蔬的新鲜，则需要使用温度较低的原水；以净水出水服务为例，当用户使用净水冲咖啡、冲奶茶等，需要高温的净水，而当用户使用净水直接饮用，则需要常温的净水。仍然基于神经网络模型的预测结果来获取目标对象所需的温度。
步骤s10811，调整出水温度至目标对象所属的温度需求类别对应的温度。
上述方案通过对目标对象的图像识别，实现了获取目标对象的温度需求的目的，从而无需用户手动选择对应的出水温度，提高用户使用的便捷性和舒适度。
可选的，根据本申请上述实施例，在判断是否接收到控制指令之后，上述方法还包括：在净水设备接收到控制指令的情况下，按照控制指令为目标对象提供出水服务。上述控制指令可以是由控制主体发出的多种类型的指令，例如：手势指令、语音指令、远程终端发出的指令等。
可选的，根据本申请上述实施例，判断是否接收到控制指令，包括：识别图像信息中控制主体的动作；将控制主体的动作与预设的动作进行匹配，其中，预设的动作具有对应的控制指令；在匹配成功的情况下确定接收到控制指令，并确定与动作匹配成功的预设动作对应的控制指令为控制主体的控制指令。具体的，上述步骤通过手势识方法来确定控制主体的手势指令。
可选的，根据本申请上述实施例，判断是否接收到控制指令，包括：识别接收到的语音信息；解析语音信息以得到语音信息中包括的控制指令。具体的，上述步骤通过语音识别方法来确定控制主体的语音指令。
在上述方案中，控制主体向净水设备发出控制指令，净水机以控制主体的控制指令为最高优先级的指令来执行。
在一种可选的实施例中，目标对象为水杯，净水机经过图像识别预测出目标对象的水源需求类别为净水水源，温度需求类别为常温，但控制主体希望净水机提供高温度的净水，因此可以向净水机下发控制指令使净水机的出水为高温净水。
此处需要说明的是，在净水设备接收到控制指令之后，上述方法还包括：根据控制指令调整神经网络模型。
仍在上述实施例中，在接收到控制主体发送高温度净水的指令之后，将此次目标对象的图像信息和控制指令作为样本重新输入至神经网络模型，神经网络模型基于这个新的样本信息进行训练，得到新的神经网络模型。
通过上述方式不断对的神经网络模型进行更新，以使得净水机的神经网络模型能够根据用户的使用习惯预测出目标对象的属性，从而能够为用户提供更加舒适的服务。
进一步的，上述神经网络模型包括多个与预设的控制主体对应的多个神经网络模型，在获取目标对象的图像信息的同时，还可以获取控制主体的图像信息，并通过识别控制主体的图像信息，确定控制主体对应的神经网络模型，并通过控制主体对应的神经网络模型为控制主体提供对应的服务。
在一种可选的实施例中，对于包括三个用户的家庭，家庭中的三个成员分别将自身的年龄、喜好等信息输入至净水机，净水设备为每个成员构建自身对应的神经网络模型。
图2是根据本发明实施例的一种净水设备的出水控制方法的示意图，结合图2所示，图像采集装置采集目标对象图像信息，并通过神经网络模型进行鉴别物体(目标对象)，即对物体类型进行预测，以确定物体所属的水质(即水源需求类别)，从而开启水所需质对应的阀门；在确定物体对应的水质之后，仍根据对图像信息的识别结果调整水温，然后自动出水，当检测到物体移开之后，自动关闭出水。
实施例2
根据本发明实施例，提供了一种净水设备的出水装置实施例，图3是根据本发明实施例的净水设备的出水装置的结构示意图，如图3所示，该装置包括：
图像采集装置30，用于获取目标对象的图像信息。
控制器40，与图像采集装置相连，用于识别图像信息，得到目标对象的属性信息；判断是否接收到控制指令，其中，控制指令由目标对象对应的控制主体发出；在未接收到控制指令的情况下，根据目标对象的属性信息，为目标对象提供对应的出水服务。
图4是根据本发明实施例的一种可选的净水设备的出水装置的示意图，结合图4所示，图像采集装置设备与水龙头上方，用于获取目标对象的图像信息。
可选的，根据本申请上述实施例，属性信息包括：目标对象所属的水源需求类别，上述装置还包括：
多个进水口，多个进水口通过对应的进水阀与净水设备的出水口相连，其中，多个进水口包括：原水口、净水口和废水口。
控制器还用于根据目标对象所属的水源需求类别确定目标对象的出水服务类型，其中，出水服务类型包括：原水出水、净水出水以及废水出水。
在一种可选的实施例中，仍结合图4，出水装置包括三个进水口，每个进水口具有对应的阀门，例如，当净水装置需要出净水时，控制器控制原水口和废水口的阀门关闭，并控制净水口的阀门打开，从而使得水龙头的出水为净水。
上述控制器还能够执行实施例中的任意一种净水设备的出水控制方法，此处不再赘述。
实施例3
根据本发明实施例，提供了一种净水设备的出水装置实施例，图5是根据本发明实施例的净水设备的出水控制装置的示意图，结合图5所示，该装置包括：
获取模块50，用于获取目标对象的图像信息。
识别模块52，用于基于神经网络模型预测得到与图像信息对应的至少一个属性信息。
判断模块54，用于判断是否接收到控制指令，其中，控制指令由目标对象对应的控制主体发出。
提供模块56，用于在未接收到控制指令的情况下，根据目标对象的属性信息，为目标对象提供对应的出水服务。
由上可知，本申请上述实施例通过获取模块获取目标对象的图像信息，通过识别模块基于神经网络模型预测得到与图像信息对应的至少一个属性信息，通过判断模块判断是否接收到控制指令，在未接收到控制指令的情况下，通过提供模块根据目标对象的至少一个属性信息，为目标对象提供对应的出水服务。上述方案通过目标对象的图像信息采用神经网络模型来预测目标对象的属性信息，从而使得净水设备能够在用户未发出控制指令的情况下自动的为不同的目标对象提供对应的服务，进而提高用户使用的便捷性和舒适度，解决了现有技术中净水机的智能化程度低的技术问题。
实施例3
根据本发明实施例，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述任意一项的净水设备的出水控制方法。
实施例4
根据本发明实施例，提供了一种控制器，其特征在于，控制器用于运行程序，其中，程序运行时执行上述任意一项的净水设备的出水控制方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。