一种基于社交媒体的空调滤网脏污等级辨识方法及系统

1.本发明属于空调技术领域，更具体地，涉及一种基于社交媒体的空调滤网脏污等级辨识方法及系统。


背景技术：

2.建筑行业是占全国能源消费三分之一的行业，节能改造的需求尤为迫切，而在建筑能耗中暖通空调系统能耗占到总能耗的50％以上。研究表明，不同的房间设定温度会导致不同的空调系统耗能，若夏季将室内温度设定值降低1℃或在冬季将室内温度设定值增加1℃，则暖通空调系统的能耗将增加约8％。基于这种情况，空调系统的及时准确维护愈发受到重视，尽可能保证空调全周期处于正常运行状态。其中，空调滤网脏污是空调软故障中的一种，一般不会造成空调故障报警或停机，但是却明显影响用户的使用体验。
3.目前用于空调滤网积尘程度评估与清洗维护的技术多是根据传感器采集的滤网进出口压差、空气流量等系统参数和相应环境数据来实现的，然后提供给用户空调滤网的清洁程度或滤网清洗提示。例如，专利cn111878969b公开了一种滤网脏污检测控制方法、装置、空调及可读存储介质。该方法在不增加硬件成本的基础上，通过检测风机的转矩和转速，根据模型得到滤网的脏污等级并计算脏污等级的变化率，依据当前数据与预设值的关系判断滤网脏污情况。然而，该方法存在以下缺陷：影响风机转矩和转速的因素除滤网脏污之外还与空调所处外部环境的风速等因素有关，因此该等级辨识方法准确率不能得到保证。专利cn215675764u公开了一种具有检测功能的空调清洗设备。该设备的空调滤网洁净度检测功能通过设置相匹配的光源与光敏传感器，利用光源发出的光线能够透过干净的空调滤网而不能透过粘附有杂质的空调滤网的原理来实现的。然而，该方法存在以下缺陷：方法对传感器应用场景的光源和传感器灵敏程度有一定要求，在空调复杂的应用场景下会增加应用成本并且适用性不高。
4.以上技术主要存在以下两点不足：1、滤网维护依赖于所部署传感器采集数据，不同厂家不同等级的空调产品配备的传感器质量参差不齐，不能保证给予用户均及时准确的结果；2、以上方法是厂家主动、用户被动地进行空调滤网后期维护，因此无法充分调动用户节能积极性，多数用户仍会忽视滤网清洁问题，且当制冷/制热效果不佳时用户多直接申请厂家人工售后服务，而不是主动查看是否有滤网脏污问题，造成大量的售后资源浪费。


技术实现要素：

5.针对现有技术的缺陷和改进需求，本发明提供了一种基于社交媒体的空调滤网脏污等级辨识方法及系统，经两次检测从三维体积的角度完成滤网脏污等级辨识，提高辨识准确度。
6.为实现上述目的，第一方面，本发明提供了一种基于社交媒体的空调滤网脏污等级辨识方法，包括以下步骤：
7.s1，对空调滤网进行拍照，得到空调滤网图像；
8.s2，将所述空调滤网图像进行一次滑窗检测，确定所有网格中洁净网格的占比δ1，并根据δ1确定空调滤网脏污等级；若δ1小于第一阈值，则直接输出空调滤网脏污等级，否则执行s3；其中，所述洁净网格表示滤网未覆盖脏污时的网格；
9.s3，将所述空调滤网图像进行二次滑窗检测，通过分析图像纹理特征确定所有网格中长毛网格的占比δ2，根据δ2修正空调滤网脏污等级并输出；其中，所述长毛网格表示脏污积累厚度超过第二阈值的网格。
10.进一步地，所述根据δ1确定空调滤网脏污等级，包括：
11.若a％《δ1≤100％，空调滤网脏污等级为洁净；
12.若b％《δ1≤a％，空调滤网脏污等级为略有脏污；
13.若c％《δ1≤b％，空调滤网脏污等级为中度污染；
14.若d％《δ1≤c％，空调滤网脏污等级为重度污染；
15.若0％≤δ1≤d％，空调滤网脏污等级为十分脏污；
16.其中，a、b、c、d为正实数，且满足a》b》c》d。
17.进一步地，所述第一阈值为b％；
18.所述根据δ2修正空调滤网脏污等级，包括：
19.若e％《δ2≤100％，将中度污染修正为重度污染，将重度污染修正为十分脏污；
20.若f％《δ2≤e％，不进行修正；
21.若0％≤δ2≤f％，将十分脏污修正为重度污染，将重度污染修正为中度污染；
22.其中，e、f为正实数，且满足e》f。
23.进一步地，所述将所述空调滤网图像进行一次滑窗检测，确定所有网格中洁净网格的占比δ1，包括：
24.根据所述空调滤网图像产生预设大小和滑动间隔的滑窗，利用预先训练好的第一分类器辨识每个窗口是否为洁净网格，以确定所有网格中洁净网格的占比δ1；
25.其中，所述预先训练好的第一分类器是根据滤网图像数据集通过机器学习训练得到的，所述滤网图像数据集中的每一条数据均包括空调滤网图像与相应的网格类型标签。
26.进一步地，所述将所述空调滤网图像进行二次滑窗检测，通过分析图像纹理特征确定所有网格中长毛网格的占比δ2，包括：
27.根据所述空调滤网图像产生预设大小和滑动间隔滑窗，利用预先训练好的第二分类器辨识每个窗口是否为长毛网格，以确定所有网格中长毛网格的占比δ2；
28.其中，所述预先训练好的第二分类器是根据滤网图像数据集通过机器学习训练得到的，所述滤网图像数据集中的每一条数据均包括空调滤网图像与相应的网格类型标签。
29.进一步地，所述方法还包括：
30.s4，根据所述空调滤网脏污等级确定清洗空调滤网的时间间隔，并显示在社交媒体界面。
31.第二方面，本发明提供了一种基于社交媒体的空调滤网脏污等级辨识系统，其特征在于，包括：计算机可读存储介质和处理器；
32.所述计算机可读存储介质用于存储可执行指令；
33.所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如第一方面所述的基于社交媒体的空调滤网脏污等级辨识方法。
34.总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
35.(1)本发明结合图像识别技术，从分析滤网图像的方式对滤网程度进行评判。系统参数变化可能由不同部件如压缩机、冷凝器等出现多种问题引起，难以精确反应滤网脏污情况，而图像识别模拟人眼工作方式，对滤网脏污进行更为直观和准确地描述，且并不对用户所选产品提出过高的要求；可推广应用于各种产品中类似网格结构的滤网装置在运营维护中的脏污等级辨识。
36.(2)本发明分两次检测从三维体积的角度进行滤网脏污等级辨识，一次检测通过识别洁净滤网网格结构所占面积比例进行一次等级分类，二次检测通过分析图像纹理特征得到多层结垢形成的“长毛”区域面积比例后对一次检测结果进行修正，提高了辨识精度。
37.(3)本发明利用现在社交媒体的促进功能，以app或小程序等的形式给予用户分享自家空调滤网清洁情况的平台，并给予嘉奖措施。从而提高用户节能的意识和积极性，将空调维护工作从厂家主动、用户被动转变为用户主动，提升空调售后维护的智能化。
附图说明
38.图1为本发明实施例提供的基于社交媒体的空调滤网脏污等级辨识方法流程示意图；
39.图2(a)和图2(b)为本发明实施例提供的洁净网格结构示意图；
40.图3(a)和图3(b)为本发明实施例提供的长毛网格结构示意图；
41.图4为本发明实施例提供的一次检测模型a检测流程图；
42.图5为本发明实施例提供的二次检测模型b检测流程图。
具体实施方式
43.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
44.在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)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。
45.参阅图1，结合图2至图5，本发明提供了一种基于社交媒体的空调滤网脏污等级辨识方法。该方法包括操作s1至s3。
46.操作s1，对空调滤网进行拍照，得到空调滤网图像。
47.本实施例中，用户端用拍照设备采集滤网照片上传至app中，同时首次登录使用需要提交空调设备信息、空调使用情况(如距上次滤网清洗空调使用时长)等信息，若用户使用的为智慧空调还可以直接连接到设备读取上述信息。
48.操作s2，将所述空调滤网图像进行一次滑窗检测，确定所有网格中洁净网格的占比δ1，并根据δ1确定空调滤网脏污等级；若δ1小于第一阈值，则直接输出空调滤网脏污等级，否则执行s3；其中，所述洁净网格表示滤网未覆盖脏污时的网格。
49.操作s3，将所述空调滤网图像进行二次滑窗检测，通过分析图像纹理特征确定所有网格中长毛网格的占比δ2，根据δ2修正空调滤网脏污等级并输出；其中，所述长毛网格表
示脏污积累厚度超过第二阈值的网格。
50.本实施例中，首先读取软件后端收集到的空调滤网图像，然后输入至一次检测模型a，通过识别图像中洁净网格(如图2(a)和图2(b)所示)的占比δ1，表1左侧给出了不同δ1值对应的一次检测的空调滤网脏污等级辨识结果，辨识为“洁净”和“略有脏污”等级的图像直接输出空调滤网脏污等级信息，辨识为“中度脏污”、“重度脏污”和“十分脏污”等级的图像进入二次检测模型b中，“长毛”区域较均匀平铺区域在网格结构的面积覆盖上情况类似，但多层结垢在厚度上是有明显区别的，会呈现不均匀的类似“长毛”(如图3(a)和图3(b)所示)等特征，因此增加二次检测针对图像中呈现的纹理特征进一步分析，修正中/重/十分脏污三种程度故障的检测结果，表1右侧为二次检测中长毛网格的占比δ2对应的检测结果修正设定，修正结果输出至空调滤网脏污等级辨识结果中。
51.表1空调滤网脏污故障等级辨识标准
[0052][0053]
具体的，如图4所示，一次检测模型a实质上解决滤网洁净网格结构识别问题，由于网格为十分有规律的固定的方格结构，因此基于采用简单经典的svm滑窗检测算法对模型进行构建。模型中关键的是预先训练好的svm分类器，需要大量的洁净滤网网格结构图像作为训练集和测试集，包括各种颜色、型号、大小和轻微脏污的洁净滤网网格图像，给这些图像打上“洁净网格”标签后用于分类器的训练。
[0054]
如图5所示，二次检测模型实质上解决脏污积累一定厚度后的滤网显现出的“长毛”结构识别问题，由于不同使用环境、气候条件等影响的“长毛”图像纹理特征并不完全相同，因此采用基于解决复杂目标识别问题的卷积网络的滑窗检测算法对模型进行构建。同样在模型中关键的是预先训练好的卷积网络分类器。卷积网络作为深度学习的一种，在图像识别问题中表现出了出彩的效果，通过卷积层和池化层对图像的像素点矩阵进行分析实现自动提取图像中的特征。为保证网络的训练效果需要大量滤网“长毛”结构图像作为训练集，优选大量脏污积累至一定厚度后完全覆盖洁净网格结构并且脏污表面坑洼不平的网格表示长毛网格进行训练。
[0055]
进一步地，本发明还包括：
[0056]
操作s4，根据所述空调滤网脏污等级确定清洗空调滤网的时间间隔，并显示在社交媒体界面。
[0057]
本实施例中，利用已有研究和专家知识对应给出不同空调滤网脏污等级对能耗水平的影响，并根据空调设备型号、空调使用频率等采集信息给出用户清洗滤网的时间间隔建议；最后将后端分析得到的报告可视化地反馈到用户app界面，用户可以在app中分享自己的空调滤网清洁信息，定期分享且清洁程度高的可得到相应的节能奖励或奖品。
[0058]
综上所述，本发明(1)经两次检测从三维体积的角度完成空调滤网脏污等级辨识，根据等级辨识标准，首先进行一次检测，初步判断脏污覆盖面积，然后进行二次检测，进一步分析脏污覆盖厚度不同所显示出来的特征，实现更为精准地判断。(2)检测模型a、b所基于的数据集不同于常规的空调系统运行参数数据集，而是图像数据集，空调运行参数异常所反映的是压缩机、冷凝器等各部件综合作用的结果，而滤网图像数据集直接反映滤网的脏污情况，检测结果更为精确。(3)鉴于传统滤网脏污清洁用户被动、滞后性强，该系统基于社交媒体的分享激励机制更大化用户清洁滤网的积极性，同时有利于滤网图像数据集的扩大，反过来促进系统模型精确性的提高。
[0059]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。