洗衣机状态识别方法、装置、计算机设备及存储介质与流程

1.本发明涉及计算机视觉技术领域，特别是涉及一种洗衣机状态识别方法、装置、计算机设备及存储介质。


背景技术：

2.随着社会的发展，人们的生活水平在不断提高，越来越多的人注重生活质量。为了节约做家务的时间，大部分人会选择将衣服送到洗衣房去清洗，洗衣房中固定安装有多台洗衣机，用户可以随机选择一台空闲的洗衣机对自己的衣服进行清洗。由于洗衣房的设备复杂，各种款式的洗衣机共存，加大了洗衣房的管理难度。当前对洗衣房的管理往往是采用传感无线组网的方式来进行智能管理。
3.然而，传统的对洗衣房进行管理的方式存在管理成本较高的问题。


技术实现要素：

4.基于此，为了解决上述技术问题，提供一种洗衣机状态识别方法、装置，可以降低洗衣房的管理成本。
5.一种洗衣机状态识别方法，所述方法包括：
6.获取采集的洗衣房视频，并根据所述洗衣房视频确定各个洗衣机类型；
7.当所述洗衣机类型为第一类型时，根据所述洗衣房视频对所述第一类型的各个第一洗衣机进行检测，并得到各个所述第一洗衣机的洗衣机状态；
8.当所述洗衣机类型为第二类型时，根据所述洗衣房视频判断所述第二类型的各个第二洗衣机位置处是否存在行人；
9.当所述第二洗衣机位置处存在行人时，根据所述洗衣房视频进行行人行为检测，得到行人行为检测结果，并根据所述行人行为检测结果得到所述第二洗衣机的洗衣机状态。
10.在其中一个实施例中，所述根据所述洗衣房视频确定各个洗衣机类型，包括：
11.将所述洗衣房视频输入至第一检测模型，所述第一检测模型用于对所述洗衣房视频中的洗衣机进行检测；
12.通过所述第一检测模型确定所述洗衣房视频中各个洗衣机所在的位置，并判断各个洗衣机上是否存在有玻璃窗；
13.将存在有所述玻璃窗的洗衣机对应的洗衣机类型确定为所述第一类型；将不存在有所述玻璃窗的洗衣机对应的洗衣机类型确定为所述第二类型。
14.在其中一个实施例中，所述当所述洗衣机类型为第一类型时，根据所述洗衣房视频对所述第一类型的各个第一洗衣机进行检测，并得到各个所述第一洗衣机的洗衣机状态，包括：
15.当所述洗衣机类型为第一类型时，将所述洗衣房视频输入至第二检测模型；
16.通过所述第二检测模型根据所述玻璃窗识别各个所述第一洗衣机的洗衣机状态。
17.在其中一个实施例中，所述当所述洗衣机类型为第二类型时，根据所述洗衣房视频判断所述第二类型的各个第二洗衣机位置处是否存在行人，包括：
18.当所述洗衣机类型为第二类型时，将所述洗衣房视频输入至第三检测模型；
19.通过所述第三检测模型判断各个第二洗衣机位置处是否存在行人。
20.在其中一个实施例中，当所述第二洗衣机位置处存在行人时，根据所述洗衣房视频进行行人行为检测，得到行人行为检测结果，包括：
21.当所述第二洗衣机位置处存在行人时，将所述洗衣房视频输入至分类模型；
22.通过所述分类模型对所述行人进行行为分类，确定所述行人的用户行为；
23.将所述用户行为作为所述行人行为检测结果。
24.在其中一个实施例中，所述通过所述分类模型对所述行人进行行为分类，确定所述行人的用户行为，包括：
25.通过所述分类模型识别所述行人的肢体骨骼；
26.根据所述肢体骨骼进行相似度分类，得到分类结果；
27.根据所述分类结果确定所述行人的用户行为。
28.一种洗衣机状态识别装置，所述装置包括：
29.洗衣机类型确定模块，用于获取采集的洗衣房视频，并根据所述洗衣房视频确定各个洗衣机类型；
30.第一洗衣机状态获取模块，用于当所述洗衣机类型为第一类型时，根据所述洗衣房视频对所述第一类型的各个第一洗衣机进行检测，并得到各个所述第一洗衣机的洗衣机状态；
31.行人检测模块，用于当所述洗衣机类型为第二类型时，根据所述洗衣房视频判断所述第二类型的各个第二洗衣机位置处是否存在行人；
32.第二洗衣机状态获取模块，用于当所述第二洗衣机位置处存在行人时，根据所述洗衣房视频进行行人行为检测，得到行人行为检测结果，并根据所述行人行为检测结果得到所述第二洗衣机的洗衣机状态。
33.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
34.获取采集的洗衣房视频，并根据所述洗衣房视频确定各个洗衣机类型；
35.当所述洗衣机类型为第一类型时，根据所述洗衣房视频对所述第一类型的各个第一洗衣机进行检测，并得到各个所述第一洗衣机的洗衣机状态；
36.当所述洗衣机类型为第二类型时，根据所述洗衣房视频判断所述第二类型的各个第二洗衣机位置处是否存在行人；
37.当所述第二洗衣机位置处存在行人时，根据所述洗衣房视频进行行人行为检测，得到行人行为检测结果，并根据所述行人行为检测结果得到所述第二洗衣机的洗衣机状态。
38.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
39.获取采集的洗衣房视频，并根据所述洗衣房视频确定各个洗衣机类型；
40.当所述洗衣机类型为第一类型时，根据所述洗衣房视频对所述第一类型的各个第
一洗衣机进行检测，并得到各个所述第一洗衣机的洗衣机状态；
41.当所述洗衣机类型为第二类型时，根据所述洗衣房视频判断所述第二类型的各个第二洗衣机位置处是否存在行人；
42.当所述第二洗衣机位置处存在行人时，根据所述洗衣房视频进行行人行为检测，得到行人行为检测结果，并根据所述行人行为检测结果得到所述第二洗衣机的洗衣机状态。
43.上述洗衣机状态识别方法、装置、计算机设备和存储介质，通过获取采集的洗衣房视频，并根据洗衣房视频确定各个洗衣机类型；当洗衣机类型为第一类型时，根据洗衣房视频对第一类型的各个第一洗衣机进行检测，并得到各个第一洗衣机的洗衣机状态；当洗衣机类型为第二类型时，根据洗衣房视频判断第二类型的各个第二洗衣机位置处是否存在行人；当第二洗衣机位置处存在行人时，根据洗衣房视频进行行人行为检测，得到行人行为检测结果，并根据行人行为检测结果得到第二洗衣机的洗衣机状态。通过采集的洗衣房视频确定各个洗衣机的类型，进而根据不同洗衣机的类型采用不同的检测方式得到洗衣机的状态，可以降低洗衣房的管理成本。
附图说明
44.图1为一个实施例中洗衣机状态识别方法的应用环境图；
45.图2为一个实施例中洗衣机状态识别方法的流程示意图；
46.图3为一个实施例中洗衣机状态识别方法的系统拓扑图；
47.图4为一个实施例中洗衣机状态识别方法的数据流示意图；
48.图5为一个实施例中人机交互的过程的数据流示意图；
49.图6为一个实施例中事件执行过程的数据流示意图；
50.图7为一个实施例中洗衣机状态识别装置的结构框图；
51.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
52.为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
53.可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述洗衣机，但这些洗衣机不受这些术语限制。这些术语仅用于将第一个洗衣机与另一个洗衣机区分。举例来说，在不脱离本申请的范围的情况下，可以将第一洗衣机称为第二洗衣机，且类似地，可将第二洗衣机称为第一洗衣机。第一洗衣机和第二洗衣机两者都是洗衣机，但其不是同一洗衣机。
54.本申请实施例提供的洗衣机状态识别方法，可以应用于如图1所示的应用环境中。如图1所示，该应用环境包括计算机设备110。计算机设备110可以获取采集的洗衣房视频，并根据洗衣房视频确定各个洗衣机类型；当洗衣机类型为第一类型时，计算机设备110可以根据洗衣房视频对第一类型的各个第一洗衣机进行检测，并得到各个第一洗衣机的洗衣机状态；当洗衣机类型为第二类型时，计算机设备110可以根据洗衣房视频判断第二类型的各
个第二洗衣机位置处是否存在行人；当第二洗衣机位置处存在行人时，计算机设备110可以根据洗衣房视频进行行人行为检测，得到行人行为检测结果，计算机设备110可以根据行人行为检测结果得到第二洗衣机的洗衣机状态。其中，计算机设备110可以但不限于是各种个人计算机、笔记本电脑、机器人、平板电脑等。
55.在一个实施例中，如图2所示，提供了一种洗衣机状态识别方法，包括以下步骤：
56.步骤202，获取采集的洗衣房视频，并根据洗衣房视频确定各个洗衣机类型。
57.洗衣房中可以设置有摄像头，计算机设备可以和摄像头连接。摄像头可以采集洗衣房视频，计算机设备可以获取到摄像头采集的洗衣房视频。其中，洗衣房视频可以是摄像头在一段时间内采集到的洗衣房内的连续图像帧。
58.计算机设备获取到采集的洗衣房视频后，可以根据洗衣房视频确定各个洗衣机的洗衣机类型。其中，洗衣机类型可以包括滚筒洗衣机、涡轮洗衣机。
59.步骤204，当洗衣机类型为第一类型时，根据洗衣房视频对第一类型的各个第一洗衣机进行检测，并得到各个第一洗衣机的洗衣机状态。
60.其中，第一类型的洗衣机可以是滚筒洗衣机，滚筒洗衣机上设置有透明玻璃窗，洗衣房中可以设置有多个滚筒洗衣机。当计算机设备确定洗衣房中部分洗衣机的类型是第一类型，即滚筒洗衣机时，计算机设备可以根据摄像头采集的洗衣房视频对各个滚筒洗衣机进行检测，从而得到各个滚筒洗衣机的洗衣机状态。其中，洗衣机状态可以是工作状态、空闲状态。
61.步骤206，当洗衣机类型为第二类型时，根据洗衣房视频判断第二类型的各个第二洗衣机位置处是否存在行人。
62.第二类型的洗衣机可以是涡轮洗衣机，涡轮洗衣机上不存在有透明玻璃窗。当计算机设备确定洗衣房中部分洗衣机的类型是第二类型，即涡轮洗衣机时，计算机设备可以根据采集到的洗衣房视频判断出涡轮洗衣机位置处是否存在有行人。
63.步骤208，当第二洗衣机位置处存在行人时，根据洗衣房视频进行行人行为检测，得到行人行为检测结果，并根据行人行为检测结果得到第二洗衣机的洗衣机状态。
64.当计算机设备确定出涡轮洗衣机位置处存在有行人时，计算机设备可以根据洗衣房视频对行人的行为进行检测，从而得到行人行为检测结果。其中，行人行为检测结果可以是行人取出衣服、行人投入衣服。
65.计算机设备在得到行人行为检测结果后，可以确定涡轮洗衣机的洗衣机状态。例如，当计算机设备得到的行人行为检测结果是取出衣服时，计算机设备可以确定涡轮洗衣机的洗衣机状态是空闲状态；当计算机设备得到的行人行为检测结果是投入衣服时，计算机设备可以确定涡轮洗衣机的洗衣机状态是工作状态。
66.在本实施例中，计算机设备通过获取采集的洗衣房视频，并根据洗衣房视频确定各个洗衣机类型；当洗衣机类型为第一类型时，根据洗衣房视频对第一类型的各个第一洗衣机进行检测，并得到各个第一洗衣机的洗衣机状态；当洗衣机类型为第二类型时，根据洗衣房视频判断第二类型的各个第二洗衣机位置处是否存在行人；当第二洗衣机位置处存在行人时，根据洗衣房视频进行行人行为检测，得到行人行为检测结果，并根据行人行为检测结果得到第二洗衣机的洗衣机状态。通过采集的洗衣房视频确定各个洗衣机的类型，进而根据不同洗衣机的类型采用不同的检测方式得到洗衣机的状态，可以降低洗衣房的管理成
本。
67.在一个实施例中，提供的一种洗衣机状态识别方法还可以包括根据洗衣房视频确定各个洗衣机类型的过程，具体过程包括：将洗衣房视频输入至第一检测模型，第一检测模型用于对洗衣房视频中的洗衣机进行检测；通过第一检测模型确定洗衣房视频中各个洗衣机所在的位置，并判断各个洗衣机上是否存在有玻璃窗；将存在有玻璃窗的洗衣机对应的洗衣机类型确定为第一类型；将不存在有玻璃窗的洗衣机对应的洗衣机类型确定为第二类型。
68.其中，第一检测模型可以是卷积神经网络模型，可以用于对洗衣房视频中的洗衣机进行检测。在本实施例中，计算机设备可以通过计算机视觉技术，即洗衣检测模型检测出洗衣机和玻璃窗。通过第一检测模型可以确定洗衣房视频中各个洗衣机所在的位置，计算机设备在检测到洗衣机后，可以进一步检测出洗衣机上是否存在有玻璃窗。当计算机设备检测到洗衣机上存在有玻璃窗时，计算机设备可以确定存在有玻璃窗的洗衣机对应的洗衣机类型为第一类型，即滚筒洗衣机；当计算机设备检测到洗衣机上不存在有玻璃窗时，计算机设备可以确定存在有玻璃窗的洗衣机对应的洗衣机类型为第二类型，即涡轮洗衣机。
69.在一个实施例中，提供的一种洗衣机状态识别方法还可以包括得到各个第一洗衣机的洗衣机状态的过程，具体过程包括：当洗衣机类型为第一类型时，将洗衣房视频输入至第二检测模型；通过第二检测模型根据玻璃窗识别各个第一洗衣机的洗衣机状态。
70.当计算机设备确定洗衣机类型为第一类型时，计算机设备可以将洗衣房视频输入至第二检测模型中。第二检测模型可以是yolov3的检测模型。其中，第二检测模型可以用于透过玻璃窗识别出滚筒洗衣机的洗衣机状态。计算机设备可以通过第二检测模型根据玻璃窗识别各个第一洗衣机的洗衣机状态，第一洗衣机可以是滚筒洗衣机，计算机设备可以通过第二检测模型判断出滚筒洗衣机中的衣服是否在转动，若是在转动，计算机设备可以确定该滚筒洗衣机的洗衣机状态为工作状态。
71.在一个实施例中，提供的一种洗衣机状态识别方法还可以包括判断第二类型的各个第二洗衣机位置处是否存在行人的过程，具体过程包括：当洗衣机类型为第二类型时，将洗衣房视频输入至第三检测模型；通过第三检测模型判断各个第二洗衣机位置处是否存在行人。
72.其中，第二类型的洗衣机为涡轮洗衣机，当计算机设备确定洗衣机类型为涡轮洗衣机时，计算机设备额可以将洗衣房视频输入至第三检测模型中，第三检测模型可以用于检测视频中是否存在有行人。计算机设备可以通过第三检测模型判断各个涡轮洗衣机的位置处是否存在有行人。
73.在一个实施例中，提供的一种洗衣机状态识别方法还可以包括根据洗衣房视频进行行人行为检测，得到行人行为检测结果的过程，具体过程包括：当第二洗衣机位置处存在行人时，将洗衣房视频输入至分类模型；通过分类模型对行人进行行为分类，确定行人的用户行为；将用户行为作为行人行为检测结果。
74.其中，当计算机设备检测出第二洗衣机位置处存在行人时，计算机设备可以将洗衣房视频输入至分类模型中。其中，分类模型可以检测出行人拿着衣服的画面，然后把这个画面的前8帧后8帧共16帧图像送入c3d模型，从而做出行为分类，确定行人的用户行为是投入衣服的动作还是取出衣服的动作。
75.在一个实施例中，提供的一种洗衣机状态识别方法还可以包括确定行人的用户行为的过程，具体过程包括：通过分类模型识别行人的肢体骨骼；根据肢体骨骼进行相似度分类，得到分类结果；根据分类结果确定行人的用户行为。
76.具体的，计算机设备可以通过分类模型采用posenet检测行人的肢体骨骼，根据肢体骨骼进行相似度分类，并采用3d卷积模型对骨骼序列动作进行识别，从而确定行人的用户行为。
77.应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
78.在一个实施例中，提供的一种洗衣机状态识别方法的系统拓扑图如图3所示。系统拓扑图主要包括：edge部分、cloud部分、数据流、控制流，其中：
79.edge：边缘计算部分，主要负责视频识别，事件生成等。
80.cloud：云计算部分，主要接收边缘设备的事件，综合后输出bi；提供用户ui等。
81.数据流：是边缘设备识别到的事件数据，主要从边缘到云端。
82.控制流：是用户输入的控制/配置相关信息，主要从云端到边缘。
83.在一个实施例中，提供的一种洗衣机状态识别方法的数据流示意图如图4所示，主要包括：
84.ipc:网络摄像头；系统也可拉取一般的usb摄像头或者mipi/csi摄像头。
85.source:视频源拉取，解包、解码的总体描述。
86.infer:指物体检测、跟踪、分类等推理过程。
87.sink:主要包括事件分析、消息打包、消息发送等过程。
88.aceon eger(edge device):负责事件发生后的对应本地动作触发。
89.mq:云端消息队列，如kafuka，amq等，设备作为生产者发送消息入队列。
90.consumer:实时大数据消息处理程序，如storm等。作为mq的消费者从mq获取消息处理。
91.aceon triger(cloud):云端的事件触发模块，一些多设备协同分析才能发现的事件，如consumer需要触发动作:通知管理员等，就由cloud的aceon triger负责。
92.db:cloud数据库。
93.bi:展示给管理员或用户看的分析图表。
94.在一个实施例中，提供的一种洗衣机状态识别方法还可以包括人机交互的过程，如图5所示：
95.user:用户。
96.web service applicaeon:网页应用，作为人机接口。
97.device config db:设备的配置数据存储的数据库。比如洗衣房每个洗衣机的id等。
98.web socket server:和device保持一条长链接，方便发送命令。
99.device controler:和web socket server保持一条长链接，接收指令控制/配置设备。
100.deepstream applicaeon:实时视频分析程序。
101.supervisor:edge device的系统监测伺服程序，edge device部署后需要长期不间断运行，如果发现deepstream app或device controler意外退出，自动重新启动程序。
102.在一个实施例中，提供的一种洗衣机状态识别方法中，事件执行过程如图6所示：
103.rtsp src:网络摄像头视频拉取element。
104.decoder bin:负责解包、解码视频,输出video frame。
105.stream mux:把视频组合成batch，方便后面节点批处理多个视频源。
106.queue:数据队列，做数据缓冲，也做分线程。
107.video convert:把解码得到的yuv视频数据转成bgra数据，调整视频分辨率等。
108.object dectorer:检测视频frame中的目标物体。
109.object tracker:目标物体跟踪，赋予目标唯一id，避免重复classify。
110.reid:当tracker认为是新物体时，从历史记忆中从新寻找可能的id。
111.classifier:目标分类，检测到的物体有些和时序相关，需要进一步分类，比如洗衣窗内是否在转动。
112.event generater:事件分析检测element，根据frame中推理出来的object和分类结果分析事件。
113.tee:pipeline分叉，把数据分多路流出。
114.display info:显示信息生成。
115.osd:on screen display，把显示相关的meta date，在frame中画出来。
116.overlay sink:直接把frame buff dma到显存中。
117.msg payload:把event事件转成payload。
118.msg broker:把payload发送到cloud的mq。
119.aceon policy:把policy和event join起来，得到要触发的event。
120.aceon triger:把policy要触发的event执行。
121.在一个实施例中，如图7所示，提供了一种洗衣机状态识别装置，包括：洗衣机类型确定模块710、第一洗衣机状态获取模块720、行人检测模块730和第二洗衣机状态获取模块740，其中：
122.洗衣机类型确定模块710，用于获取采集的洗衣房视频，并根据洗衣房视频确定各个洗衣机类型；
123.第一洗衣机状态获取模块720，用于当洗衣机类型为第一类型时，根据洗衣房视频对第一类型的各个第一洗衣机进行检测，并得到各个第一洗衣机的洗衣机状态；
124.行人检测模块730，用于当洗衣机类型为第二类型时，根据洗衣房视频判断第二类型的各个第二洗衣机位置处是否存在行人；
125.第二洗衣机状态获取模块740，用于当第二洗衣机位置处存在行人时，根据洗衣房视频进行行人行为检测，得到行人行为检测结果，并根据行人行为检测结果得到第二洗衣机的洗衣机状态。
126.在一个实施例中，洗衣机类型确定模块710还用于将洗衣房视频输入至第一检测模型，第一检测模型用于对洗衣房视频中的洗衣机进行检测；通过第一检测模型确定洗衣房视频中各个洗衣机所在的位置，并判断各个洗衣机上是否存在有玻璃窗；将存在有玻璃窗的洗衣机对应的洗衣机类型确定为第一类型；将不存在有玻璃窗的洗衣机对应的洗衣机类型确定为第二类型。
127.在一个实施例中，第一洗衣机状态获取模块720还用于当洗衣机类型为第一类型时，将洗衣房视频输入至第二检测模型；通过第二检测模型根据玻璃窗识别各个第一洗衣机的洗衣机状态。
128.在一个实施例中，行人检测模块730还用于当洗衣机类型为第二类型时，将洗衣房视频输入至第三检测模型；通过第三检测模型判断各个第二洗衣机位置处是否存在行人。
129.在一个实施例中，第二洗衣机状态获取模块740还用于当第二洗衣机位置处存在行人时，将洗衣房视频输入至分类模型；通过分类模型对行人进行行为分类，确定行人的用户行为；将用户行为作为行人行为检测结果。
130.在一个实施例中，第二洗衣机状态获取模块740还用于通过分类模型识别行人的肢体骨骼；根据肢体骨骼进行相似度分类，得到分类结果；根据分类结果确定行人的用户行为。
131.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种洗衣机状态识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
132.本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
133.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
134.获取采集的洗衣房视频，并根据洗衣房视频确定各个洗衣机类型；
135.当洗衣机类型为第一类型时，根据洗衣房视频对第一类型的各个第一洗衣机进行检测，并得到各个第一洗衣机的洗衣机状态；
136.当洗衣机类型为第二类型时，根据洗衣房视频判断第二类型的各个第二洗衣机位置处是否存在行人；
137.当第二洗衣机位置处存在行人时，根据洗衣房视频进行行人行为检测，得到行人行为检测结果，并根据行人行为检测结果得到第二洗衣机的洗衣机状态。
138.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将洗衣房视频输入至第一检测模型，第一检测模型用于对洗衣房视频中的洗衣机进行检测；通过第一检测模
型确定洗衣房视频中各个洗衣机所在的位置，并判断各个洗衣机上是否存在有玻璃窗；将存在有玻璃窗的洗衣机对应的洗衣机类型确定为第一类型；将不存在有玻璃窗的洗衣机对应的洗衣机类型确定为第二类型。
139.在一个实施例中，处理器执行计算机程序时还实现以下步骤：当洗衣机类型为第一类型时，将洗衣房视频输入至第二检测模型；通过第二检测模型根据玻璃窗识别各个第一洗衣机的洗衣机状态。
140.在一个实施例中，处理器执行计算机程序时还实现以下步骤：当洗衣机类型为第二类型时，将洗衣房视频输入至第三检测模型；通过第三检测模型判断各个第二洗衣机位置处是否存在行人。
141.在一个实施例中，处理器执行计算机程序时还实现以下步骤：当第二洗衣机位置处存在行人时，将洗衣房视频输入至分类模型；通过分类模型对行人进行行为分类，确定行人的用户行为；将用户行为作为行人行为检测结果。
142.在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过分类模型识别行人的肢体骨骼；根据肢体骨骼进行相似度分类，得到分类结果；根据分类结果确定行人的用户行为。
143.在一个实施例中，提供了一种计算机可读存储介质，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：
144.获取采集的洗衣房视频，并根据洗衣房视频确定各个洗衣机类型；
145.当洗衣机类型为第一类型时，根据洗衣房视频对第一类型的各个第一洗衣机进行检测，并得到各个第一洗衣机的洗衣机状态；
146.当洗衣机类型为第二类型时，根据洗衣房视频判断第二类型的各个第二洗衣机位置处是否存在行人；
147.当第二洗衣机位置处存在行人时，根据洗衣房视频进行行人行为检测，得到行人行为检测结果，并根据行人行为检测结果得到第二洗衣机的洗衣机状态。
148.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将洗衣房视频输入至第一检测模型，第一检测模型用于对洗衣房视频中的洗衣机进行检测；通过第一检测模型确定洗衣房视频中各个洗衣机所在的位置，并判断各个洗衣机上是否存在有玻璃窗；将存在有玻璃窗的洗衣机对应的洗衣机类型确定为第一类型；将不存在有玻璃窗的洗衣机对应的洗衣机类型确定为第二类型。
149.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当洗衣机类型为第一类型时，将洗衣房视频输入至第二检测模型；通过第二检测模型根据玻璃窗识别各个第一洗衣机的洗衣机状态。
150.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当洗衣机类型为第二类型时，将洗衣房视频输入至第三检测模型；通过第三检测模型判断各个第二洗衣机位置处是否存在行人。
151.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当第二洗衣机位置处存在行人时，将洗衣房视频输入至分类模型；通过分类模型对行人进行行为分类，确定行人的用户行为；将用户行为作为行人行为检测结果。
152.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过分类模型识
别行人的肢体骨骼；根据肢体骨骼进行相似度分类，得到分类结果；根据分类结果确定行人的用户行为。
153.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
154.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例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。
155.以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。