一种冰箱及其食材定位方法与流程

1.本发明涉及冰箱技术领域，尤其涉及一种冰箱及其食材定位方法。


背景技术：

2.飞速发展的物联网技术、控制技术和通信技术推动着智能化高速发展，家用电器产业出现智能化趋势并广泛进入我们的家庭和生活中。将网络的快捷便利融入到冰箱产品的设计中，为用户提供更加智能化、人性化的生活体验，逐渐变成冰箱产品的重要发展方向。冰箱的食材定位是其中的热点方向之一，在冰箱的特定位置上布置天线，并把rfid(radio frequency identification，无线射频识别)标签放到冰箱中的食材上，通过读写器采集每个标签收到的数据，然后在经由相应的分类算法对数据进行处理预测出每份食材在冰箱中的位置分区，实现食材的智能化管理。但是，现有基于rfid标签识别食物存放位置的技术仅能识别到食物存放在哪一储藏室，并不能进一步识别出食物在该储藏室的分布位置，当储藏室的存储空间较大时，即使告知用户食物的存放位置，仍然无法快速找到这一食材。


技术实现要素：

3.本发明实施例的目的是提供一种冰箱及其食材定位方法，能提高食材定位的精确度，使得用户可快速得知该食材的存放位置。
4.为实现上述目的，本发明实施例提供了一种冰箱，包括：
5.箱体，其作为冰箱的支撑结构，内部设有若干个储藏室；
6.读写器，设于所述箱体内，包括一个读写器主机和若干个天线，所述读写器通过所述天线发射或接收射频信号给rfid标签，以使所述rfid标签计算信号强度并通过所述天线返回给所述读写器主机；
7.控制器被配置为：
8.在满足预设的定位条件时，获取所述读写器主机获取到的rfid标签的信号强度和食材信息；
9.将不同所述天线接收到的属于同一食材信息对应的所述rfid标签的信号强度输入到预先训练好的定位模型中；其中，所述定位模型由服务器预先训练得到，所述定位模型包括卷积层、池化层、inception结构和全连接层；
10.获取所述定位模型输出的定位信息作为当前食材的定位信息，并在显示器中显示所述当前食材的定位信息。
11.作为上述方案的改进，所述定位模型的训练方法包括：
12.获取训练数据，并对所述训练数据进行预处理；其中，所述训练数据包括待训练rfid标签的信号强度，所述待训练rfid标签按照预设的分布规则分布在所述储藏室中；
13.搭建定位模型；
14.将所述训练数据输入到所述定位模型中进行训练。
15.作为上述方案的改进，所述对所述训练数据进行预处理，包括：
16.对所述训练数据进行归一化处理；
17.对进行完归一化处理后的所述训练数据进行增维处理，以将所述训练数据转化为二维数据。
18.作为上述方案的改进，所述搭建定位模型包括：
19.在输入矩阵的边缘使用零值进行填充；
20.输入矩阵后连接一个泛卷积；
21.泛卷积后连接两个inception结构；其中，所述inception结构由若干个卷积组成；
22.inception结构后连接池化层；
23.池化层后连接全连接层。
24.为实现上述目的，本发明实施例还提供了一种冰箱的食材定位方法，包括：
25.在满足预设的定位条件时，获取冰箱中读写器获取到的rfid标签的信号强度和食材信息；其中，所述读写器包括一个读写器主机和若干个天线，所述读写器通过所述天线发射或接收射频信号给rfid标签，以使所述rfid标签计算信号强度并通过所述天线返回给所述读写器主机；
26.将不同所述天线接收到的属于同一食材信息对应的所述rfid标签的信号强度输入到预先训练好的定位模型中；其中，所述定位模型由服务器预先训练得到，所述定位模型包括卷积层、池化层、inception结构和全连接层；
27.获取所述定位模型输出的定位信息作为当前食材的定位信息，并在显示器中显示所述当前食材的定位信息。
28.作为上述方案的改进，所述定位模型的训练方法包括：
29.获取训练数据，并对所述训练数据进行预处理；其中，所述训练数据包括待训练rfid标签的信号强度，所述待训练rfid标签按照预设的分布规则分布在所述储藏室中；
30.搭建定位模型；
31.将所述训练数据输入到所述定位模型中进行训练。
32.作为上述方案的改进，所述对所述训练数据进行预处理，包括：
33.对所述训练数据进行归一化处理；
34.对进行完归一化处理后的所述训练数据进行增维处理，以将所述训练数据转化为二维数据。
35.作为上述方案的改进，所述搭建定位模型包括：
36.在输入矩阵的边缘使用零值进行填充；
37.输入矩阵后连接一个泛卷积；
38.泛卷积后连接两个inception结构；其中，所述inception结构由若干个卷积组成；
39.inception结构后连接池化层；
40.池化层后连接全连接层。
41.相比于现有技术，本发明实施例公开的冰箱及其食材定位方法，通过在冰箱中存储定位模型对属于同一食材信息对应的所述rfid标签的信号强度进行识别，从而识别出当前食材在储藏室中的分布位置，并在显示器中显示其定位信息，方便用户能快速获知这一食材的存放位置。本发明实施例提供的冰箱能提高食材定位的精确度，使得用户可快速得
知该食材的存放位置。
附图说明
42.图1是本发明实施例提供的一种冰箱的结构示意图；
43.图2是本发明实施例提供的天线在冰箱中的分布示意图；
44.图3是本发明实施例提供的定位模型的框架示意图；
45.图4是本发明实施例提供的一种冰箱的食材定位方法的流程图。
具体实施方式
46.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他实施例，都属于本发明保护的范围。
47.参见图1，是本发明实施例1提供的一种冰箱的结构示意图，所述冰箱包括：
48.箱体10，其作为冰箱的支撑结构，内部设有若干个储藏室；
49.读写器20，设于所述箱体内，包括一个读写器主机和若干个天线，所述读写器通过所述天线发射或接收射频信号给rfid标签，以使所述rfid标签计算信号强度并通过所述天线返回给所述读写器主机；
50.控制器30被配置为：
51.在满足预设的定位条件时，获取所述读写器主机获取到的rfid标签的信号强度和食材信息；
52.将不同所述天线接收到的属于同一食材信息对应的所述rfid标签的信号强度输入到预先训练好的定位模型中；其中，所述定位模型由服务器预先训练得到，所述定位模型包括卷积层、池化层、inception结构和全连接层；
53.获取所述定位模型输出的定位信息作为当前食材的定位信息，并在显示器中显示所述当前食材的定位信息。
54.具体地，参见图2，在本发明实施例中，所述冰箱被划分为三个分区，每个分区均分布有天线，值得说明的是，冰箱分区的划分方式可以根据其储藏室的分布方式来划分，在此不做具体限定。所述定位条件包括以下中的至少一种：获取到用户发送的某一食材的定位指令；在间隔预设的定位周期后自行触发，比如所述定位周期为2天。
55.示例性的，在本发明实施例中，在冰箱内部布置八根天线，使用射频识别技术来采集每个rfid标签测得的信号强度。用户再将食材和rfid标签绑定放入储藏室后，八根天线同时发出信号，这样每个rfid标签都会测得八份数据，分别是1到8号天线在该标签位置处对应的信号强度及其食材信息，食材信息用于后续区分信号强度。rfid标签接收到天线发送的信号后将测得的信号强度送出，冰箱顶部的读写器主机依序接收解读数据，然后将不同所述天线接收到的属于同一食材信息对应的所述rfid标签的信号强度输入到预先训练好的定位模型中，从而获取所述定位模型输出的定位信息作为当前食材的定位信息，并在显示器中显示所述当前食材的定位信息。
56.进一步地，在本发明实施例中，所述显示器可以显示冰箱储藏室的三维模型，并在
该三维模型中标记出当前食材的定位信息，用户可根据该标记得知当前食材所处位置。
57.可选地，所述定位模型的训练方法包括：
58.获取训练数据，并对所述训练数据进行预处理；其中，所述训练数据包括待训练rfid标签的信号强度，所述待训练rfid标签按照预设的分布规则分布在所述储藏室中；
59.搭建定位模型；
60.将所述训练数据输入到所述定位模型中进行训练。
61.具体地，所述分布规则为：将所述待训练rfid标签按照预设的间隔等间隔分布。在训练过程中，需要对储藏室的分布空间进行等间距划分，划分成多个区域，在每一区域中均放置有一个待训练rfid标签。可以理解的，划分的区域越多，待训练rfid标签之间的间隔越小，定位越精准。
62.在将所述训练数据输入到定位模型之前，需要对所述训练数据进行预处理，首先，对所述训练数据进行归一化处理，将所述训练数据映射到0至1区间内，提升神经网络模型的收敛速度，缩短训练所需要的时间；然后，对进行完归一化处理后的所述训练数据进行增维处理，以将所述训练数据转化为二维数据，将数据扩充两个维度，提取出来的二维数据保存在一个csv文件中，csv文件中每一行的数据可以看作为一张图片，文件的行数可以看作图片的数量，以图片的形式表征信号强度，方便定位模型识别。
63.具体地，所述搭建定位模型包括：在输入矩阵的边缘使用零值进行填充；输入矩阵后连接一个泛卷积；泛卷积后连接两个inception结构；其中，所述inception结构由若干个卷积组成；inception结构后连接池化层；池化层后连接全连接层。
64.示例性的，参见图3，经过数据预处理后，所述训练数据输入到8*1*1大小的特征矩阵，为方便后续进行卷积操作，在输入矩阵的边缘使用零值进行填充，以增大输入特征矩阵的高度和宽度。泛卷积之后是1*1卷积，目的是改变数据的维度，增大输入特征矩阵的通道数。经过泛卷积跟1*1卷积操作以后，原特征矩阵上下左右分别填充了两行两列零值，1*1卷积步骤中，有六个卷积核参与卷积运算，因此输入特征矩阵大小变为12*5*6。在之后连接着两个结构相同的inception块，每个inception结构由四个分支组成，第一个分支仅对输入特征矩阵进行1*1卷积操作，第二个分支对输入特征矩阵进行1*1卷积后，又使用3*3大小的卷积核进行卷积运算，第三个分支上1*1卷积操作后，使用5*5大小的卷积核进行卷积处理，最后一个分支首先对输入特征矩阵进行最大池化下采样，再使用1*1卷积操作。在整个过程中保证每个分支输出的特征矩阵的宽度和高度保持一致，然后在depthconcat层将所有的输出特征矩阵按深度方向拼接起来，得到完整的输出特征矩阵。经过两层inception结构处理后，输出特征矩阵的大小为12*5*48，inception结构后面为全局平均池化下采样，采样结束后输出特征矩阵大小为6*2*48，最后与三个输出节点进行全连接，输出训练结果。
65.相比于现有技术，本发明实施例公开的冰箱，通过在冰箱中存储定位模型对属于同一食材信息对应的所述rfid标签的信号强度进行识别，从而识别出当前食材在储藏室中的分布位置，并在显示器中显示其定位信息，方便用户能快速获知这一食材的存放位置。本发明实施例提供的冰箱能提高食材定位的精确度，使得用户可快速得知该食材的存放位置。
66.参见图4，图4是本发明实施例提供的一种冰箱的食材定位方法的流程图，所述冰箱的食材定位方法包括：
67.s1、在满足预设的定位条件时，获取冰箱中读写器获取到的rfid标签的信号强度和食材信息；其中，所述读写器包括一个读写器主机和若干个天线，所述读写器通过所述天线发射或接收射频信号给rfid标签，以使所述rfid标签计算信号强度并通过所述天线返回给所述读写器主机；
68.s2、将不同所述天线接收到的属于同一食材信息对应的所述rfid标签的信号强度输入到预先训练好的定位模型中；其中，所述定位模型由服务器预先训练得到，所述定位模型包括卷积层、池化层、inception结构和全连接层；
69.s3、获取所述定位模型输出的定位信息作为当前食材的定位信息，并在显示器中显示所述当前食材的定位信息。
70.具体地，在本发明实施例中，所述冰箱被划分为三个分区，每个分区均分布有天线，值得说明的是，冰箱分区的划分方式可以根据其储藏室的分布方式来划分，在此不做具体限定。所述定位条件包括以下中的至少一种：获取到用户发送的某一食材的定位指令；在间隔预设的定位周期后自行触发，比如所述定位周期为2天。
71.示例性的，在本发明实施例中，在冰箱内部布置八根天线，使用射频识别技术来采集每个rfid标签测得的信号强度。用户再将食材和rfid标签绑定放入储藏室后，八根天线同时发出信号，这样每个rfid标签都会测得八份数据，分别是1到8号天线在该标签位置处对应的信号强度及其食材信息，食材信息用于后续区分信号强度。rfid标签接收到天线发送的信号后将测得的信号强度送出，冰箱顶部的读写器主机依序接收解读数据，然后将不同所述天线接收到的属于同一食材信息对应的所述rfid标签的信号强度输入到预先训练好的定位模型中，从而获取所述定位模型输出的定位信息作为当前食材的定位信息，并在显示器中显示所述当前食材的定位信息。
72.进一步地，在本发明实施例中，所述显示器可以显示冰箱储藏室的三维模型，并在该三维模型中标记出当前食材的定位信息，用户可根据该标记得知当前食材所处位置。
73.可选地，所述定位模型的训练方法包括步骤s21～s23：
74.s21、获取训练数据，并对所述训练数据进行预处理；其中，所述训练数据包括待训练rfid标签的信号强度，所述待训练rfid标签按照预设的分布规则分布在所述储藏室中；
75.s22、搭建定位模型；
76.s23、将所述训练数据输入到所述定位模型中进行训练。
77.具体地，所述分布规则为：将所述待训练rfid标签按照预设的间隔等间隔分布。在训练过程中，需要对储藏室的分布空间进行等间距划分，划分成多个区域，在每一区域中均放置有一个待训练rfid标签。可以理解的，划分的区域越多，待训练rfid标签之间的间隔越小，定位越精准。
78.在将所述训练数据输入到定位模型之前，需要对所述训练数据进行预处理，首先，对所述训练数据进行归一化处理，将所述训练数据映射到0至1区间内，提升神经网络模型的收敛速度，缩短训练所需要的时间；然后，对进行完归一化处理后的所述训练数据进行增维处理，以将所述训练数据转化为二维数据，将数据扩充两个维度，提取出来的二维数据保存在一个csv文件中，csv文件中每一行的数据可以看作为一张图片，文件的行数可以看作图片的数量，以图片的形式表征信号强度，方便定位模型识别。
79.具体地，所述搭建定位模型包括：在输入矩阵的边缘使用零值进行填充；输入矩阵
后连接一个泛卷积；泛卷积后连接两个inception结构；其中，所述inception结构由若干个卷积组成；inception结构后连接池化层；池化层后连接全连接层。
80.示例性的，经过数据预处理后，所述训练数据输入到8*1*1大小的特征矩阵，为方便后续进行卷积操作，在输入矩阵的边缘使用零值进行填充，以增大输入特征矩阵的高度和宽度。泛卷积之后是1*1卷积，目的是改变数据的维度，增大输入特征矩阵的通道数。经过泛卷积跟1*1卷积操作以后，原特征矩阵上下左右分别填充了两行两列零值，1*1卷积步骤中，有六个卷积核参与卷积运算，因此输入特征矩阵大小变为12*5*6。在之后连接着两个结构相同的inception块，每个inception结构由四个分支组成，第一个分支仅对输入特征矩阵进行1*1卷积操作，第二个分支对输入特征矩阵进行1*1卷积后，又使用3*3大小的卷积核进行卷积运算，第三个分支上1*1卷积操作后，使用5*5大小的卷积核进行卷积处理，最后一个分支首先对输入特征矩阵进行最大池化下采样，再使用1*1卷积操作。在整个过程中保证每个分支输出的特征矩阵的宽度和高度保持一致，然后在depthconcat层将所有的输出特征矩阵按深度方向拼接起来，得到完整的输出特征矩阵。经过两层inception结构处理后，输出特征矩阵的大小为12*5*48，inception结构后面为全局平均池化下采样，采样结束后输出特征矩阵大小为6*2*48，最后与三个输出节点进行全连接，输出训练结果。
81.相比于现有技术，本发明实施例公开的冰箱的食材定位方法，通过在冰箱中存储定位模型对属于同一食材信息对应的所述rfid标签的信号强度进行识别，从而识别出当前食材在储藏室中的分布位置，并在显示器中显示其定位信息，方便用户能快速获知这一食材的存放位置。本发明实施例提供的冰箱能提高食材定位的精确度，使得用户可快速得知该食材的存放位置。
82.以上所述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，这些改进和润饰也视为本发明的保护范围。