控制空气调节设备输出温度的方法及空气调节设备

1.一种控制空气调节设备的输出温度的方法，其特征在于，包括如下步骤：
S1、采集所述空气调节设备正对区域的目标环境图像；
S2、将采集的所述目标环境图像输入到基于深度学习的目标检测算法网络中进行人体特征识别，并输出识别结果；
S3、根据所述识别结果，控制所述空气调节设备进行输出温度调节，当所述识别结果包括人体特征时，计算所述人体特征的体表温度及人体特征受热范围，根据计算结果对空气调节设备进行输出温度调节，其中，所述人体特征包括人脸、手、脚和躯干；
其中，当所述人体特征的体表温度高于预设的体表温度舒适范围区间的上限区间或低于其下限区间时，控制调节所述空气调节设备的输出功率；
当所述人体特征受热范围高于受热范围阈值区间的上限阈值或者低于下限阈值时，控制调节所述空气调节设备的正对区域的面积。
2.根据权利要求1所述的方法，其特征在于，步骤S3包括：
当所述识别结果不包括人体特征时，对所述空气调节设备执行自动断电动作。
3.根据权利要求1或2所述的方法，其特征在于，所述基于深度学习的目标检测算法网络是RCNN、Fast-RCNN及Faster-RCNN中的一种。
4.根据权利要求3所述的方法，其特征在于，在所述基于深度学习的目标检测算法为Faster-RCNN时，步骤S2包括：
S21、将采集的所述目标环境图像输入到VGG网络进行卷积计算，获得卷积特征图像；
S22、将所述卷积特征图像输入到RPN网络进行筛选，输出矩形候选区域；
S23、将所述卷积特征图像及所述矩形候选区域输入到池化层中进行分类处理，并将分类处理后的数据输入到全连接层进行人体特征识别并输出所述识别结果。
5.根据权利要求4所述的方法，其特征在于，所述Faster-RCNN网络的训练库包括：
网络库，所述网络库对Faster-RCNN网络进行权值参数的初始化设置；
自建库，所述自建库存储有已标注完成的人体特征图像，其用于识别实际的人体特征。
6.根据权利要求5所述的方法，其特征在于，Faster-RCNN网络的训练测试步骤包括：
采集所述自建库中的人体特征训练样本；
将所述训练样本分别输入VGG网络和RPN网络进行训练；
将所述训练样本输入Fast-RCNN网络进行训练；
重复训练RPN网络，并对所述Fast-RCNN网络进行微调；
采集所述自建库中的人体特征测试样本；
将所述人体特征测试样本输入Faster-RCNN网络进行训练结果的测试。
7.一种能够控制输出温度的空气调节设备，其特征在于，包括：
环境图像获取单元，其用于采集所述空气调节设备正对区域的目标环境图像；
控制单元，其用于：
接收所述环境图像获取单元发送的所述目标环境图像；
将所述目标环境图像输入到基于深度学习的目标检测算法中进行人体特征识别，并输出识别结果，其中，所述人体特征包括人脸、手、脚和躯干；
根据所述识别结果，控制所述空气调节设备进行输出温度调节，当所述识别结果包括人体特征时，计算所述人体特征的体表温度及人体特征受热范围，根据计算结果对空气调节设备进行输出温度调节；
其中，当所述人体特征的体表温度高于预设的体表温度舒适范围区间的上限区间或低于其下限区间时，控制调节所述空气调节设备的输出功率；
当所述人体特征受热范围高于受热范围阈值区间的上限阈值或者低于下限阈值时，控制调节所述空气调节设备的正对区域的面积。
8.根据权利要求7所述的空气调节设备，其特征在于，所述控制单元根据所述识别结果控制所述空气调节设备进行输出温度调节，具体包括：
当所述识别结果不包括人体特征时，执行对空气调节设备的自动断电动作。
9.根据权利要求7或8所述的空气调节设备，其特征在于，所述环境图像获取单元为红外感应器，所述控制单元为控制器。
10.根据权利要求7或8所述的空气调节设备，其特征在于，所述空气调节设备包括电暖扇或电风扇。

控制空气调节设备输出温度的方法及空气调节设备\n技术领域\n[0001] 本发明涉及空气调节设备技术领域，尤其涉及一种控制空气调节设备输出温度的\n方法及空气调节设备。\n背景技术\n[0002] 随着社会的发展和科技的进步，人们的生活水平和住房条件得到进一步改善，夏\n季室内使用制冷设备，冬季室内使用供暖设备的越来越普遍。现今，人们可供选择使用的供暖/制冷装置的类型也越来越多，电暖扇和空调/电风扇就是其中的代表。\n[0003] 以电暖扇为例，目前，电暖扇已经成为冬季生活取暖必不可少的一种家用电器，尽管其耗能低、使用便捷、针对性强，但其劣势也比较明显，温度和距离把控使得在使用电暖扇时容易出现局部过热的情况，影响用户的舒适体验。像这种供热不均，容易造成局部过热的电暖扇，越来越难以满足广大用户的需求。\n[0004] 专利号为CN202520592U的专利中公开了一种自动电风扇，包括支架、扇头、控制\n器，控制器上设置有红外感应装置及温度传感器，红外感应装置可感应范围内的人体，从而开启开关，温度传感器则采集温度数据给控制器控制风扇的转速，相比现有的风扇，更加方便实用且省电。虽然其涉及感知人体然后开启电风扇，但是其并未针对人体的体表温度进\n行智能控制。\n[0005] 因此，亟需一种新的可以智能化调节和控制输出温度的空气调节设备。\n发明内容\n[0006] 基于此，本发明将传统的空气调节设备与人工智能技术相结合，通过深度学习的\n目标检测算法网络技术进行体表温度及受热范围的面积检测，从而智能化控制和调节制\n热/制冷温度，以提高空气调节设备的舒适性能，满足用户的需求。\n[0007] 为达到上述目的，本发明提供了一种控制空气调节设备输出温度的方法，包括如\n下步骤：\n[0008] S1、采集空气调节设备正对区域的目标环境图像；\n[0009] S2、将采集的目标环境图像输入到基于深度学习的目标检测算法网络中进行人体\n特征识别，并输出识别结果；\n[0010] S3、根据识别结果，控制所述空气调节设备进行输出温度调节。\n[0011] 通过本发明的控制输出温度的方法，可以将人工智能技术与传统的空气调节设备\n相结合，计算用户的体感温度，并根据计算结果将温度自动调节至用户的舒适状态，以预防出现局部过热或过冷现象。\n[0012] 在其中一个实施方式中，步骤S3包括：\n[0013] S31、当识别结果包括人体特征时，计算人体特征的体表温度及受热范围，根据计\n算结果对空气调节设备进行输出温度调节；或\n[0014] S32、当识别结果不包括人体特征时，对空气调节设备执行自动断电动作。\n[0015] 在其中一个实施方式中，基于深度学习的目标检测算法网络是RCNN、Fast-RCNN及\nFaster-RCNN中的一种。\n[0016] 在其中一个实施方式中，在基于深度学习的目标检测算法为Faster-RCNN时，步骤\nS2包括：\n[0017] S21、将采集的目标环境图像输入到VGG网络进行卷积计算，获得卷积特征图像；\n[0018] S22、将卷积特征图像输入到RPN网络进行筛选，输出矩形候选区域；\n[0019] S23、将卷积特征图像及矩形候选区域输入到池化层中进行分类处理，并将分类处\n理后的数据输入到全连接层进行人体特征识别并输出识别结果。\n[0020] 在其中一个实施方式中，Faster-RCNN网络的训练库包括：\n[0021] 网络库，对Faster-RCNN网络进行权值参数的初始化设置；\n[0022] 自建库，存储有已标注完成的人体特征图像，其用于识别实际的人体特征。\n[0023] 在其中一个实施方式中，Faster-RCNN网络的训练测试步骤包括：\n[0024] 采集自建库中的人体特征训练样本；\n[0025] 将训练样本分别输入VGG网络和RPN网络进行训练；\n[0026] 将训练样本输入Fast-RCNN网络进行训练；\n[0027] 重复训练RPN网络，并对Fast-RCNN网络进行微调；\n[0028] 采集自建库中的人体特征测试样本；\n[0029] 将人体特征测试样本输入Faster-RCNN网络进行训练结果的测试。\n[0030] 本发明还提供了一种能够控制输出温度的空气调节设备，包括：\n[0031] 环境图像获取单元，其用于采集空气调节设备正对区域的目标环境图像；\n[0032] 控制单元，其用于：\n[0033] 接收环境图像获取单元发送的目标环境图像；\n[0034] 将目标环境图像输入到基于深度学习的目标检测算法中进行人体特征识别，并输\n出识别结果；\n[0035] 根据识别结果，控制空气调节设备进行输出温度调节。\n[0036] 在其中一个实施方式中，控制单元根据识别结果控制空气调节设备进行输出温度\n调节，具体包括：\n[0037] 当识别结果包括人体特征时，计算人体特征的体表温度及受热范围，根据计算结\n果对空气调节设备进行输出温度调节；或\n[0038] 当识别结果不包括人体特征时，执行对空气调节设备的自动断电动作。\n[0039] 在其中一个实施方式中，环境图像获取单元为红外感应器，控制单元为控制器。\n[0040] 在其中一个实施方式中，空气调节设备包括电暖扇或电风扇。\n[0041] 通过本申请提供的控制空气调节设备输出温度的方法及空气调节设备，设计出了\n基于深度学习的目标检测算法网络的空气调节设备，能够通过采集目标环境图像，将目标\n环境图像输入到基于深度学习的目标检测算法网络中进行人体特征识别，如人脸、手、脚\n等，依此识别结果计算当前用户的体感温度和受热范围，从而依据体感温度调节输出温度，实现智能温度控制，从而实现了人工智能技术与家电产品的结合。\n附图说明\n[0042] 在下文中将基于实施例并参考附图来对发明进行更详细的描述。其中：\n[0043] 图1是根据本发明实施例的空气调节设备的输出温度的方法流程示意图；\n[0044] 图2是根据本发明实施例的Faster-RCNN网络的结构框图；\n[0045] 图3是根据本发明实施例的Faster-RCNN网络训练测试流程图；\n[0046] 图4是根据本发明实施例的空气调节设备的功能模块示意图；\n[0047] 在附图中，相同的部件使用相同的附图标记。附图并未按照实际的比例。\n具体实施方式\n[0048] 下面将结合附图对本发明作进一步说明。\n[0049] 本发明提供一种控制空气调节设备的输出温度的方法及空气调节设备，优选地，\n本发明的空气调节设备可以为电暖扇或电风扇中的其中之一。\n[0050] 在其中一个具体的实施例中，以空气调节设备为电暖扇为例，如图1所示，为本发\n明的控制电暖扇的输出温度的方法流程图，主要包括步骤S101至步骤S105。\n[0051] 步骤S101启动电暖扇开始工作；\n[0052] 步骤S102，采集电暖扇所正对区域的目标环境图像，优选地，通过电暖扇内置的红外感应器来采集当前扇面所正对的目标环境图像；\n[0053] 步骤S103，将采集的目标环境图像输入到基于深度学习的目标检测算法网络中进\n行人体特征识别。优选地，基于深度学习的目标检测算法网络是RCNN(Region-based \nconvolutional neural network，区域卷积神经网络)、Fast-RCNN及Faster-RCNN中的一\n种。在本实施例中，基于深度学习的目标检测算法网络为Faster-RCNN网络，其具有快速识别人体特征的功能。其中，Faster-RCNN网络能够对目标环境图像进行分类识别，以确定是否包含有人体特征以及人体特征在目标环境图像中的位置信息，此处执行的是步骤S104。\n[0054] 根据识别结果，控制电暖扇进行输出温度调节。在本实施例中，通过控制单元对电暖扇进行温度调节，优选地，控制单元为控制器。其中，控制器能够接收红外感应器发送的目标环境图像，将目标环境图像输入到Faster-RCNN网络中进行人体特征识别，根据识别结果，控制电暖扇进行温度调节。\n[0055] 当分类识别结果是包含有人体特征信息时，步骤S1041将会输出人体特征信息，之\n后执行步骤S1042计算人体特征的体表温度及受热范围，步骤S1043将计算获得的体表温度\n及受热范围的数据结果以控制信号的形式输出发送到控制器，控制器对电暖扇进行温度调\n节。其中，控制器是通过控制电暖扇的输出功率，使得电暖扇的温度适宜于人体的取暖温\n度，并且控制器可以通过调节电暖扇的转向，使得电暖扇的扇面可以正对或者偏离人体的\n方向。例如，可以预先设置体表温度舒适范围区间，如体表温度舒适范围区间为30℃～36.5℃，当计算出的人体特征体表温度高于上限温度或低于下限温度时，控制器通过控制降低\n或升高电暖扇的输出功率，实现对人体温度的调节；也可以预先设置受热范围的阈值区间，当受热范围高于上限阈值或低于下限阈值时，控制器通过控制降低或升高电暖扇的正对区\n域面积，以使人体的温度趋近于舒适的温度范围，从而达到智能温度控制的效果，步骤S105完成温度调节。\n[0056] 当人体特征识别结果中未检测获得人体特征信息时，则默认为电暖扇不在使用\n中，此时执行步骤S1044，控制器执行自动断电动作，将电暖扇关闭，完成电暖扇的智能温度控制的效果，步骤S105完成。\n[0057] 优选地，红外感应器设置于电暖扇的顶端。当电暖扇开始工作时，红外感应器对当前环境进行图像采集，从而获取目标环境图像数据，然后将目标环境图像数据输送到\nFaster-RCNN网络进行快速识别，Faster-RCNN网络是通过VGG网络和RPN网络进行图像信息\n处理，其中VGG网络为VGG卷积神经网络，RPN网络为RPN区域建议网络。\n[0058] 优选地，当分类识别结果包括人体特征信息时，通过在热感应图中计算人体特征\n的体表温度以及受热范围，从而根据人体的体表温度和受热范围选择是否升高或者降低电\n暖扇的输出功率，进而实现对温度的智能控制。\n[0059] 如图2所示是本发明实施例的Faster-RCNN网络的结构框图，从图中可以看到，\nFaster-RCNN网络包括有Fast-RCNN网络20和RPN网络204，其中，Fast-RCNN网络20包括VGG\n卷积神经网络202、池化层203和全连接层205。\n[0060] 当红外感应器中的摄像头采集到环境图像信息后，目标环境图像数据201将会被\n输入到Faster-RCNN网络中的VGG卷积神经网络202中进行卷积计算，原始目标环境图像经\n过VGG卷积神经网络202的卷积化后得到卷积特征图像，然后，卷积特征图像输入到RPN网络\n204中进行筛选，RPN网络204输出矩形候选区域。之后，将RPN网络204输出的矩形候选区域与VGG卷积神经网络202的卷积化后得到卷积特征图像一同输入到池化层203中进行分类处\n理，并将分类处理后的数据输入到全连接层205中进行人体特征识别并输出图像识别结果\n206。其中，在全连接层205中进行的人体特征识别是通过全连接层205中的softmax函数进\n行计算得出的。\n[0061] 在将Faster-RCNN网络与电暖扇结合应用之前，首先会对本发明的Faster-RCNN网\n络进行网络训练与测试，如图3所示，为发明中Faster-RCNN网络训练及测试的流程图。\n[0062] 本发明中的Faster-RCNN网络训练库分为两类，一类是网络库，另一类是自建库。\n其中网络库为目前深度学习网络训练的标准库，用于对Faster-RCNN网络进行权值参数的\n初始化设置，其中包括对VGG网络202和Fast-RCNN网络20的权值参数的初始化设置。自建库用于对实际人体特征信息的识别，例如，对环境图像中包含人体特征的识别。自建库中包含已标注好的多种人体特征信息，其中，自建库中的人体特征信息是人体关键部位的图像，例如人脸、手、脚、躯干等。关键部位图像在网络中还有两方面的用途，其中一部分自建库中的关键部位图像用于训练，作为训练样本；还设置一部分自建库中的关键部位图像用于测试，作为测试样本。\n[0063] 在本实施例的附图3中，训练集即为训练样本，测试集即为测试样本，训练样本与\n测试样本可以为相同的样本。\n[0064] 如图3所示，在流程上，首先执行步骤S301，将训练集分别输入到RPN网络和VGG网\n络；\n[0065] 步骤S302，为进行VGG网络的训练；\n[0066] 步骤S303，为进行RPN网络的训练；\n[0067] 步骤S302和步骤S303可以同时进行，没有时间先后顺序的限定。\n[0068] 训练完成后，进入步骤S304，将训练样本输入Fast-RCNN网络进行训练，此时各层\n网络权值已有粗糙的分布，之后再执行步骤S305，对RPN再次重复训练，同时对Fast-RCNN网络进行微调即可完成全部的训练过程。\n[0069] 另一部分自建库中的关键部位图像用作测试样本，即图3中的测试集的测试，利用\n该测试集针对网络训练的结果进行测试。具体流程为：\n[0070] 在步骤S305之后，执行步骤S306，将测试集输入到Faster-RCNN网络进行整体测\n试；S307为完成全部的训练及测试，之后，即可用于电暖扇的人体特征信息识别。\n[0071] 在另一具体实施例中，当基于深度学习的目标检测算法网络是RCNN网络或者是\nFast-RCNN网络时，同样可以进行深度学习的目标检测算法，在网络结构上，进行的是将目标图像数据输入到VGG卷积神经网络202中进行卷积计算，将获得的卷积特征图像输入到池\n化层203中进行分类处理，之后将分类处理后的数据输入到全连接层205中进行人体特征识\n别并输出图像识别结果。此外，当深度学习的目标检测算法网络是Fast-RCNN网络或\nFaster-RCNN网络时，池化层203可以为多个，进行多次分类处理。\n[0072] 图4是根据本发明实施例的空气调节设备的智能温度控制系统的功能模块示意\n图，空气调节设备100主要包括环境图像获取单元200和控制单元300。\n[0073] 其中，环境图像获取单元200用于采集电暖扇正对区域的目标环境图像；\n[0074] 控制单元300用于接收目标环境图像获取单元200发送的目标环境图像，并将目标\n环境图像输入到基于深度学习的目标检测算法中进行人体特征识别，并输出识别结果，根\n据识别结果，控制空气调节设备进行输出温度调节。在本实施例中，基于深度学习的目标检测算法为Faster-RCNN网络，空气调节设备100为电暖扇或电风扇。\n[0075] 控制单元300根据识别结果控制空气调节设备100进行输出温度调节，具体包括：\n[0076] 当识别结果包括人体特征时，计算人体特征的体表温度及受热范围，根据计算结\n果对空气调节设备100进行输出温度调节；或\n[0077] 当识别结果不包括人体特征时，执行对空气调节设备100的自动断电动作。\n[0078] 其中，在一具体的实施例中，控制单元300在基于深度学习的目标检测算法为\nFaster-RCNN网络时，在网络内部进行人体特征的训练与测试，将人体特征样本信息分别输入到Faster-RCNN网络中的VGG网络和Faster-RCNN网络中的RPN网络进行训练，并在分别训\n练完成之后，将训练样本信息输入Fast-RCNN网络进行训练，之后再重复训练RPN网络，并对Fast-RCNN网络进行微调；在训练完成之后，将测试样本信息输入Faster-RCNN网络，并针对训练结果进行测试。当训练测试完成之后，即可将Faster-RCNN网络用于电暖扇的人体特征信息识别。\n[0079] 在另一具体的实施例中，空气调节设备可以为电风扇，其控制输出温度的方法流\n程如下：\n[0080] 首先，启动电风扇开始工作；\n[0081] 采集电风扇所正对区域的目标环境图像，优选地，通过位于电风扇顶端的红外感\n应器对当前电风扇多正对的区域进行目标环境图像的采集；\n[0082] 将采集的目标环境图像输入到基于深度学习的目标检测算法网络中进行人体特\n征识别，并输出识别结果；\n[0083] 根据识别结果，控制电风扇进行输出温度调节。\n[0084] 其中，当识别结果包括人体特征时，计算人体特征的体表温度及制冷范围，根据计算结果对电风扇进行输出温度调节；或\n[0085] 当识别结果不包括人体特征时，默认为电风扇不在使用状态中，对电风扇执行自\n动断电动作。\n[0086] 通过本实施例中的电风扇控制输出温度的方法，可以将基于深度学习的目标检测\n算法网络与传统的电风扇相结合，计算用户的体感温度，并根据计算结果将温度自动调节\n至用户的舒适状态，以防止电风扇无法正面对人体进行空气流动降温，预防出现电风扇在\n开启状态下无法合理利用的现象。\n[0087] 在本发明的描述中，需要理解的是，术语“上”、“下”、“底”、“顶”、“前”、“后”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以\n特定的方位构造和操作，因此不能理解为对本发明的限制。\n[0088] 虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实\n施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行\n许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神\n和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权\n利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在\n其他所述实施例中。