一种物联网家电的物联网功能检测方法和装置

技术领域

本发明涉及物联网技术领域，尤其涉及一种物联网家电的物联网功能检测方法和装置。

背景技术

随着物联网技术的快速发展，家用电器也开始逐步融入物联网技术以实现与互联网的连接，从而实现信息交互与通讯。为了确保物联网家电具备正常的物联网功能，现有技术通常是在物联网家电出厂前，测试人员使用测试工装设备内嵌的上位机测试软件通过物联网通信协议与物联网家电连接，随后发送给相关的控制命令至物联网家电，由上位机测试软件根据物联网家电连接，随后发送相关的控制命令至物联网家电，由上位机测试软件根据物联网家电响应控制命令所反馈的响应数据判断物联网家电的物联网功能是否合格。这种方式虽然能够有效保证出厂的物联网家电具备正常的物联网功能，但因其需要对逐个检测物联网家电，在检测过程中所需的测试环节相对较多，所以导致检测事件较长。

随着计算机水平的日益增加，人工智能也从概念开始走向现实，通过机器学习高效地获取知识，以逐渐成为当今机器学习技术发展的主要推动力。将人工智能与物联网家电功能检测进行结合，仍然是比较少见的解决问题的手段。

发明内容

本发明为解决上述技术问题，提出了一种物联网家电的物联网功能检测方法和装置，以解决至少一个上述技术问题。

一种物联网家电的物联网功能检测方法，包括以下步骤：

步骤S1：获取物联网家电的设备历史日志信息；

步骤S2：对设备历史日志信息进行数据提取，生成设备运行数据以及用户行为数据；

步骤S3：根据用户行为数据以及设备运行数据进行功能有效性检测，生成物联网家电安全系数；

步骤S4：根据物联网家电安全系数进行物联网家电安全报告。

本实施例通过获取物联网家电的设备历史日志信息，并对设备历史日志信息进行数据提取，生成设备运行数据以及用户行为数据，以对设备运行数据以及用户行为数据进行功能有效性检测，从而生成物联网家电安全系数，以提供一种可靠高效的物联网功能检测方法。

在本说明书的一个实施例中，步骤S1包括以下步骤：

步骤S11：生成家电安全报告控件；

步骤S12：响应于用户对家电安全报告控件的选中操作，向物联网家电的通信接口发送属性查询指令，以使物联网家电返回物联网家电属性数据；

步骤S13：根据物联网家电属性数据与预存在本地的物联网家电参数集进行匹配，生成特定物联网家电参数；

步骤S14：根据特定物联网家电参数进行读取存储于家电设备或云服务器中的日志信息，生成物联网家电的设备历史日志信息。

本实施例中通过向物联网家电的通信接口发送属性查询指令，以使物联网家电返回物联网家电属性数据，并根据物联网家电属性数据获取特定物联网家电参数，从而获取物联网家电的设备历史日志信息，以实现通过云平台的方式进行物联网参数获取，从而实现检测人员与检测家电的时空分离，从而提供一个实时性强的物联网家电的设备历史日志信息获取方法，为下一步做好前提准备。

在本说明书的一个实施例中，步骤S2包括以下步骤：

步骤S21：将设备历史日志信息进行用户行为聚类分析，生成用户行为特征信息；

步骤S22：将用户行为特征信息进行聚类分析，生成深度用户行为特征信息；

步骤S23：根据深度用户行为特征信息对设备历史日志信息中对应的用户历史日志信息进行标注并提取，生成用户行为数据，其中设备历史日志信息包括用户历史日志信息；

步骤S24：利用预设的设备运行约束关系对设备历史日志信息进行数据提取，生成设备运行数据。

本实施例中通过将设备历史日志信息进行聚类分析，以生成深度关联数据，将深度关联数据进行进一步分析并对原数据进行标注，从而提供深度关联的数据支撑，从而为下一步做好前提准备。

在本说明书的一个实施例中，步骤S3包括以下步骤：

步骤S31：根据预训练的用户行为数据模拟运行模型对用户行为数据进行运用场景模拟，从而生成用户行为场景模型；

步骤S32：对用户行为场景模型进行场景运行数据提取，从而生成场景运行数据信息；

步骤S33：根据设备运行数据进行正常运行状态模拟，从而生成设备运行数据模型；

步骤S34：对设备运行数据模型进行正确运行数据信息提取，从而生成正确运行数据信息；

步骤S35：根据场景运行数据信息与正确运行数据信息进行功能有效性检测，生成安全匹配度；

步骤S36：确定场景运行数据信息与正确运行数据信息的安全匹配度大于或等于预设的安全匹配度阈值时，确定当前用户为规范操作，从而确定设备运作正常；或者，

步骤S37：确定场景运行数据信息与正确运行数据信息的安全匹配度小于预设的安全匹配度阈值时，确定当前用户操作出现异常，则根据场景运行数据信息与正确运行数据信息通过物联网家电安全参数计算公式进行物联网家电安全参数计算，从而生成物联网家电安全系数；

其中物联网家电安全参数计算公式具体为：

/>

S为物联网家电安全系数，γ

本实施例中通过对用户行为数据进行运用场景模拟并数据提取，从而生成场景运行数据信息与正确运行数据信息，并将场景运行数据信息与正确运行数据信息进行功能有效性检测，从而根据检测结果进行相应的操作。

本实施例提供一种物联网家电安全参数计算公式，该公式充分考虑了第i时刻对应的场景预设安全系数γ

在本说明书的一个实施例中，步骤S4包括以下步骤：

步骤S41：判断设备安全系数是否大于或等于第一安全阈值；

步骤S42：确定设备安全系数大于或等于第一安全阈值时，生成物联网家电安全设备报告；

步骤S43：确定设备安全系数小于第一安全阈值时，判断设备安全系数是否大于或等于第二安全阈值，其中第二安全阈值小于第一安全阈值；

步骤S44：确定设备安全系数大于或等于第二安全阈值时，生成物联网家电警告设备报告；

步骤S45：确定设备安全系数小于第二安全阈值时，生成物联网家电危险设备报告，其中物联网家电安全报告为物联网家电安全设备报告、物联网家电警告设备报告以及物联网家电危险设备报告中的至少一项。

本实施例中通过将设备安全系数与预设的不同的安全阈值进行比对，从而进行相应的物联网家电安全报告作业，以提供准确可靠的数据支持，为检测人员进行下一步维护行为提供初步的数据支持。

在本说明书的一个实施例中，步骤S1之前还包括以下步骤：

步骤S01：获取设备图像信息；

步骤S02：对设备图像信息进行降噪，生成降噪图像信息，其中降噪为通过降噪图像计算公式进行计算；

步骤S03：对降噪图像信息进行特征提取，生成初步图像特征；

步骤S04：对初步图像特征通过预设的设备识别模型进行识别匹配，生成设备完整权重指数；

步骤S05：对设备完整权重指数通过预设的设备完整权重匹配指数集进行匹配，生成初步设备完整性分析报告；

其中降噪图像计算公式具体为：

P为降噪像素点，ρ

本实施例中通过根据降噪图像计算公式进行降噪，以提供更加清晰可靠的图像信息，并通过预设的设备识别模型进行识别，生成设备完整权重指数，并通过预设的设备完整权重匹配指数集进行匹配，生成初步设备完整性分析报告，以提供初步的数据支持。

本实施例提供一种降噪图像计算公式，该公式充分考虑了降噪图像信息中对应第i个像素点的调整系数ρ

在本说明书的一个实施例中，步骤S3之后且步骤S4之前还包括以下步骤：

步骤S3a1：判断设备安全系数是否大于或等于设备安全阈值；

步骤S3a2：确定设备安全系数大于或等于设备安全阈值时，执行S4；

步骤S3a3：确定设备安全系数小于设备安全阈值时，于第一设备位置获取运行时的物联网家电的语音信息，生成第一家电运行语音信息，并于第二设备位置获取运行时的物联网家电的语音信息，生成第二家电运行语音信息；

步骤S3a4：将第一家电运行语音信息以及第二家电运行语音信息通过特征提取，形成第一家电语音特征信息以及第二家电运行特征信息；

步骤S3a5：将第一家电语音特征信息以及第二家电运行特征信息通过家电测试计算公式进行计算，生成家电异常指数；

步骤S3a6：判断家电异常指数是否大于或等于家电异常阈值；

步骤S3a7：确定家电异常指数大于或等于家电异常阈值时，生成确定隐患提醒作业；

步骤S3a8：确定家电异常指数小于家电异常阈值时，生成不确定隐患提醒作业。

本实施例通过将设备安全系数与预设的设备安全阈值进行比对，确定小于预设的设备安全阈值时，获取不同位置下的家电运行语音信息，并对其进行语音识别，从而生成家电异常指数，将家电异常指数与家电异常阈值进行比对，从而进行相应的隐患提醒作业，从而提供深度可靠的数据支持。

在本说明书的一个实施例中，其中家电测试计算公式具体为：

Q为家电异常指数，d

本实施例提供一种家电测试计算公式，该公式充分考虑了第一家电语音特征信息中对应第i帧的家电语音特征信息d

在本说明书的一个实施例中，步骤S4之后还包括以下步骤：

步骤S51：生成物联网家电故障排查控件；

步骤S52：响应于用户对物联网家电故障排查控件的触控操作，以第一阈值半径进行第一阈值角度的拍摄工作，生成第一家电图像信息，并以第二阈值半径进行第二阈值角度的拍摄工作，生成第二家电图像信息；

步骤S53：根据将第一家电图像信息以及第二家电图像信息通过预设的故障匹配模型进行匹配，生成第一故障信息以及第二故障信息；

步骤S54：根据第一故障信息以及第二故障信息，生成故障报告；

其中预设的故障匹配模型的构建步骤包括以下步骤：

步骤S55：获取第一标准故障图像信息以及第二标准故障图像信息；

步骤S56：将第一标准故障图像信息以及第二标准故障图像信息进行特征提取，生成第一标准故障特征集以及第二标准故障特征集；

步骤S57：将第一标准故障特征集以及第二标准故障特征集进行深度学习算法进行建模，生成第一故障匹配模型以及第二故障匹配模型；

步骤S58：将第一故障匹配模型以及第二故障匹配模型进行合并标注，生成故障匹配模型。

本实施例通过不同阈值半径进行不同阈值角度的拍摄工作，生成不同的家电图像信息，以供进行故障匹配模型的匹配作业，从而生成不同的故障信息，从而提供准确可靠的故障报告，其中故障匹配模型的构建根据不同的标注故障图像信息进行构建，从而提高故障识别率，降低数据欠拟合。

一种物联网家电的物联网功能检测装置，所述装置包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任意一项所述的物联网家电的物联网功能检测方法。

本发明获取物联网家电的设备历史日志信息，并对设备历史日志信息进行数据提取，生成设备运行数据以及用户行为数据，以对设备运行数据以及用户行为数据进行功能有效性检测，从而生成物联网家电安全系数，以提供一种可靠高效的物联网功能检测方法，其中通过深度学习算法，结合图像信息以及运行时的语音信息，进行深度分析，以查找潜在隐患提供深度关联的数据信息，从而避免潜在的安全隐患问题，提高经济效应。

附图说明

通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了一实施例的一种物联网家电的物联网功能检测方法的步骤流程图；

图2示出了一实施例的设备历史日志信息生成方法的步骤流程图；

图3示出了一实施例的设备运行数据生成方法的步骤流程图；

图4示出了一实施例的物联网家电安全系数生成方法的步骤流程图；

图5示出了一实施例的物联网家电设备安全报告生成方法的步骤流程图；

图6示出了一实施例的初步设备完整性分析报告生成方法的步骤流程图；

图7示出了一实施例的隐患提醒作业生成方法的步骤流程图；

图8示出了一实施例的故障报告生成方法的步骤流程图；

图9示出了一实施例的故障匹配模型生成方法的步骤流程图。

具体实施方式

下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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，都属于本发明保护的范围。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。

应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。

一种物联网家电的物联网功能检测方法，请参阅图1至图9，包括以下步骤：

步骤S1：获取物联网家电的设备历史日志信息；

具体地，例如访问存储在物联网家电存储器中由于历史运行数据产生的设备历史日志信息。

步骤S2：对设备历史日志信息进行数据提取，生成设备运行数据以及用户行为数据；

具体地，例如通过预设的自定义数据格式进行提取，如采用正则表达式进行数据自定义，生成设备运行数据以及用户行为数据。

步骤S3：根据用户行为数据以及设备运行数据进行功能有效性检测，生成物联网家电安全系数；

具体地，例如功能有效性检测通过历史经验数据进行构建有效物联网家电匹配模型，对用户行为数据以及设备运行数据进行匹配，生成物联网家电安全系数。

具体地，例如通过深度学习算法对用户行为数据以及设备运行数据进行识别并匹配，其中深度学习算法包括线性模型、生成决策树算法、神经网络算法、支持向量机算法、贝叶斯分类算法以及集成学习算法。

步骤S4：根据物联网家电安全系数进行物联网家电安全报告。

具体地，例如根据物联网家电安全系数进行预设的物联网家电安全系数判断作业，从而生成相应的物联网家电安全报告。

本实施例通过获取物联网家电的设备历史日志信息，并对设备历史日志信息进行数据提取，生成设备运行数据以及用户行为数据，以对设备运行数据以及用户行为数据进行功能有效性检测，从而生成物联网家电安全系数，以提供一种可靠高效的物联网功能检测方法。

在本说明书的一个实施例中，步骤S1包括以下步骤：

步骤S11：生成家电安全报告控件；

具体地，例如通过软件编译技术生成家电安全报告控件。

具体地，例如通过网页编辑技术生成家电安全报告控件。

具体地，例如通过控件生成软件生成家电安全报告控件。

步骤S12：响应于用户对家电安全报告控件的选中操作，向物联网家电的通信接口发送属性查询指令，以使物联网家电返回物联网家电属性数据；

具体地，例如物联网家电本身装有通信接口，可接收属性查询指令，并返回物联网家电属性数据。

步骤S13：根据物联网家电属性数据与预存在本地的物联网家电参数集进行匹配，生成特定物联网家电参数；

具体地，例如根据物联网家电属性数据同预存在本地的物联网家电参数集进行特定参数匹配，如型号，生成特定物联网家电参数，其中特定物联网家电参数包括唯一性标识。

步骤S14：根据特定物联网家电参数进行读取存储于家电设备或云服务器中的日志信息，生成物联网家电的设备历史日志信息。

具体地，例如根据特定物联网家电参数中的设备编号或者设备唯一性标识进行查询存储在家电设备或者云服务器中的日志信息，生成物联网家电的设备历史日志信息。

本实施例中通过向物联网家电的通信接口发送属性查询指令，以使物联网家电返回物联网家电属性数据，并根据物联网家电属性数据获取特定物联网家电参数，从而获取物联网家电的设备历史日志信息，以实现通过云平台的方式进行物联网参数获取，从而实现检测人员与检测家电的时空分离，从而提供一个实时性强的物联网家电的设备历史日志信息获取方法，为下一步做好前提准备。

在本说明书的一个实施例中，步骤S2包括以下步骤：

步骤S21：将设备历史日志信息进行用户行为聚类分析，生成用户行为特征信息；

具体地，例如通过高斯聚类分布进行用户聚类分析，生成用户行为特征信息；

步骤S22：将用户行为特征信息进行聚类分析，生成深度用户行为特征信息；

具体地，例如通过k-means聚类算法进行聚类分析，生成深度用户行为特征信息。

步骤S23：根据深度用户行为特征信息对设备历史日志信息中对应的用户历史日志信息进行标注并提取，生成用户行为数据，其中设备历史日志信息包括用户历史日志信息；

具体地，例如：将深度用户行为特征信息对设备历史日志信息中对应的用户历史日志信息进行标注并提取，生成用户行为数据，其中标注作业可以根据预设的安全用户行为阈值范围内进行判断。

步骤S24：利用预设的设备运行约束关系对设备历史日志信息进行数据提取，生成设备运行数据。

具体地，例如根据自定义的约束关系进行数据提取，如通过正则表达式进行数据关系的自定义。

本实施例中通过将设备历史日志信息进行聚类分析，以生成深度关联数据，将深度关联数据进行进一步分析并对原数据进行标注，从而提供深度关联的数据支撑，从而为下一步做好前提准备。

在本说明书的一个实施例中，步骤S3包括以下步骤：

步骤S31：根据预训练的用户行为数据模拟运行模型对用户行为数据进行运用场景模拟，从而生成用户行为场景模型；

具体地，例如预训练的用户行为数据模拟运行模型可以根据用户历史行为数据通过深度学习算法进行训练生成。

步骤S32：对用户行为场景模型进行场景运行数据提取，从而生成场景运行数据信息；

具体地，例如将用户行为场景模型中的有关场景运行数据提取，生成场景运行数据信息。

步骤S33：根据设备运行数据进行正常运行状态模拟，从而生成设备运行数据模型；

具体地，例如将设备运行数据通过正常运行状态模型模拟，如根据历史经验数据构建正常运行状态模拟，从而生成设备运行数据模型。

步骤S34：对设备运行数据模型进行正确运行数据信息提取，从而生成正确运行数据信息；

具体地，例如对设备运行数据模型进行正确运行数据信息提取如通过正则表达式进行自定义，从而生成正确运行数据信息。

步骤S35：根据场景运行数据信息与正确运行数据信息进行功能有效性检测，生成安全匹配度；

具体地，例如根据场景运行数据信息与正确运行数据信息通过根据历史经验数据生成的安全运行数据进行匹配，生成安全匹配度。

步骤S36：确定场景运行数据信息与正确运行数据信息的安全匹配度大于或等于预设的安全匹配度阈值时，确定当前用户为规范操作，从而确定设备运作正常；或者，

具体地，例如确定场景运行数据信息与正确运行数据信息的安全匹配度如80.65大于或等于预设的安全匹配度阈值如75时，确定当前用户为规范操作，从而确定设备运作正常。

步骤S37：确定场景运行数据信息与正确运行数据信息的安全匹配度小于预设的安全匹配度阈值时，确定当前用户操作出现异常，则根据场景运行数据信息与正确运行数据信息通过物联网家电安全参数计算公式进行物联网家电安全参数计算，从而生成物联网家电安全系数；

具体地，例如确定场景运行数据信息与正确运行数据信息的安全匹配度如35.65小于预设的安全匹配度阈值如75时，确定当前用户操作出现异常，则根据场景运行数据信息与正确运行数据信息通过本实施例提供的物联网家电安全参数计算公式进行物联网家电安全参数计算，从而生成物联网家电安全系数如68.12。

其中物联网家电安全参数计算公式具体为：

S为物联网家电安全系数，γ

本实施例中通过对用户行为数据进行运用场景模拟并数据提取，从而生成场景运行数据信息与正确运行数据信息，并将场景运行数据信息与正确运行数据信息进行功能有效性检测，从而根据检测结果进行相应的操作。

本实施例提供一种物联网家电安全参数计算公式，该公式充分考虑了第i时刻对应的场景预设安全系数γ

在本说明书的一个实施例中，步骤S4包括以下步骤：

步骤S41：判断设备安全系数是否大于或等于第一安全阈值；

具体地，例如判断设备安全系数如54.5是否大于或等于第一安全阈值如65。

步骤S42：确定设备安全系数大于或等于第一安全阈值时，生成物联网家电安全设备报告；

具体地，例如确定设备安全系数如85大于或等于第一安全阈值如65时，生成物联网家电安全设备报告。

步骤S43：确定设备安全系数小于第一安全阈值时，判断设备安全系数是否大于或等于第二安全阈值，其中第二安全阈值小于第一安全阈值；

具体地，例如确定设备安全系数如59.5小于第一安全阈值如65时，判断设备安全系数如59.5是否大于或等于第二安全阈值如32.5。

步骤S44：确定设备安全系数大于或等于第二安全阈值时，生成物联网家电警告设备报告；

具体地，例如确定设备安全系数如59.5大于或等于第二安全阈值如32.5时，生成物联网家电警告设备报告。

步骤S45：确定设备安全系数如22.5小于第二安全阈值如32.5时，生成物联网家电危险设备报告，其中物联网家电安全报告为物联网家电安全设备报告、物联网家电警告设备报告以及物联网家电危险设备报告中的至少一项。

具体地，例如确定设备安全系数小于第二安全阈值时，生成物联网家电危险设备报告，其中物联网家电安全报告为物联网家电安全设备报告、物联网家电警告设备报告以及物联网家电危险设备报告中的至少一项。

本实施例中通过将设备安全系数与预设的不同的安全阈值进行比对，从而进行相应的物联网家电安全报告作业，以提供准确可靠的数据支持，为检测人员进行下一步维护行为提供初步的数据支持。

在本说明书的一个实施例中，步骤S1之前还包括以下步骤：

步骤S01：获取设备图像信息；

具体地，例如用户通过具备摄影功能的终端设备进行设备图像信息采集作业。

步骤S02：对设备图像信息进行降噪，生成降噪图像信息，其中降噪为通过降噪图像计算公式进行计算；

具体地，例如采用本实施例提供的降噪图像计算公式对设备图像信息进行降噪作业，生成降噪图像信息。

步骤S03：对降噪图像信息进行特征提取，生成初步图像特征；

具体地，例如构建卷积核进行特征提取，如平均卷积核或者高斯卷积核。

步骤S04：对初步图像特征通过预设的设备识别模型进行识别匹配，生成设备完整权重指数；

具体地，例如预设的设备识别模型通过深度学习算法进行构建，如深度卷积神经网络算法。

步骤S05：对设备完整权重指数通过预设的设备完整权重匹配指数集进行匹配，生成初步设备完整性分析报告；

具体地，例如预设的设备完整权重匹配指数根据历史经验数据进行设置。

其中降噪图像计算公式具体为：

P为降噪像素点，ρ

本实施例中通过根据降噪图像计算公式进行降噪，以提供更加清晰可靠的图像信息，并通过预设的设备识别模型进行识别，生成设备完整权重指数，并通过预设的设备完整权重匹配指数集进行匹配，生成初步设备完整性分析报告，以提供初步的数据支持。

本实施例提供一种降噪图像计算公式，该公式充分考虑了降噪图像信息中对应第i个像素点的调整系数ρ

在本说明书的一个实施例中，步骤S3之后且步骤S4之前还包括以下步骤：

步骤S3a1：判断设备安全系数是否大于或等于设备安全阈值；

具体地，例如判断设备安全系数如59.1是否大于或等于设备安全阈值如71.2。

步骤S3a2：确定设备安全系数大于或等于设备安全阈值时，执行S4；

具体地，例如确定设备安全系数如81.3大于或等于设备安全阈值如71.2时，执行S4。

步骤S3a3：确定设备安全系数小于设备安全阈值时，于第一设备位置获取运行时的物联网家电的语音信息，生成第一家电运行语音信息，并于第二设备位置获取运行时的物联网家电的语音信息，生成第二家电运行语音信息；

具体地，例如确定设备安全系数如59.1小于设备安全阈值如71.2。

具体地，例如于第一设备位置如离物联网家电2-3m内获取运行时的物联网家电的语音信息，生成第一家电运行语音信息，并于第二设备位置如离物联网家电1m内获取运行时的物联网家电的语音信息，生成第二家电运行语音信息；

步骤S3a4：将第一家电运行语音信息以及第二家电运行语音信息通过特征提取，形成第一家电语音特征信息以及第二家电运行特征信息；

具体地，例如通过快速傅里叶公式进行特征提取。

步骤S3a5：将第一家电语音特征信息以及第二家电运行特征信息通过家电测试计算公式进行计算，生成家电异常指数；

具体地，例如将第一家电语音特征信息以及第二家电运行特征信息通过其余实施例提供的家电测试计算公式进行计算，生成家电异常指数，如38.65。

步骤S3a6：判断家电异常指数是否大于或等于家电异常阈值；

具体地，例如判断家电异常指数如38.65是否大于或等于家电异常阈值如67.2。

步骤S3a7：确定家电异常指数大于或等于家电异常阈值时，生成确定隐患提醒作业；

具体地，例如确定家电异常指数如88.6大于或等于家电异常阈值如67.2时，生成确定隐患提醒作业。

步骤S3a8：确定家电异常指数小于家电异常阈值时，生成不确定隐患提醒作业。

具体地，例如确定家电异常指数如38.65小于家电异常阈值如67.2时，生成不确定隐患提醒作业。

本实施例通过将设备安全系数与预设的设备安全阈值进行比对，确定小于预设的设备安全阈值时，获取不同位置下的家电运行语音信息，并对其进行语音识别，从而生成家电异常指数，将家电异常指数与家电异常阈值进行比对，从而进行相应的隐患提醒作业，从而提供深度可靠的数据支持。

在本说明书的一个实施例中，其中家电测试计算公式具体为：

Q为家电异常指数，d

本实施例提供一种家电测试计算公式，该公式充分考虑了第一家电语音特征信息中对应第i帧的家电语音特征信息d

在本说明书的一个实施例中，步骤S4之后还包括以下步骤：

步骤S51：生成物联网家电故障排查控件；

具体地，例如通过软件编译技术生成家电安全报告控件。

具体地，例如通过网页编辑技术生成家电安全报告控件。

具体地，例如通过控件生成软件生成家电安全报告控件。

步骤S52：响应于用户对物联网家电故障排查控件的触控操作，以第一阈值半径进行第一阈值角度的拍摄工作，生成第一家电图像信息，并以第二阈值半径进行第二阈值角度的拍摄工作，生成第二家电图像信息；

具体地，例如响应于用户对物联网家电故障排查控件的触控操作，以第一阈值半径如50cm或者20PX进行第一阈值角度如150度的拍摄工作，生成第一家电图像信息，并以第二阈值半径如10cm或者30px进行第二阈值角度如180度的拍摄工作，生成第二家电图像信息。

步骤S53：根据将第一家电图像信息以及第二家电图像信息通过预设的故障匹配模型进行匹配，生成第一故障信息以及第二故障信息；

具体地，例如根据将第一家电图像信息以及第二家电图像信息通过预设的故障匹配模型的第一标准故障特征集以及第二标准故障特征集进行相应的匹配，生成第一故障信息以及第二故障信息。

步骤S54：根据第一故障信息以及第二故障信息，生成故障报告；

具体地，例如第一故障信息包含外观损坏程度，第二故障信息包含具体零件的损坏程度，并根据第一故障信息以及第二故障信息进行预估分析，生成故障报告。

其中预设的故障匹配模型的构建步骤包括以下步骤：

步骤S55：获取第一标准故障图像信息以及第二标准故障图像信息；

具体地，例如第一标准故障图像信息为物联网家电整体图像信息，第二标准故障图像信息为物联网家电零件图像信息。

具体地，例如第一标准故障图像信息为以第一特定半径如50cm或者20PX在第一特定角度如150度下拍摄的物联网家电图像信息，第二标准故障图像信息为以第二特定半径如10cm或者30px在第二特定角度如180度下拍摄的物联网家电图像信息

步骤S56：将第一标准故障图像信息以及第二标准故障图像信息进行特征提取，生成第一标准故障特征集以及第二标准故障特征集；

具体地，例如构建卷积核进行特征提取。

步骤S57：将第一标准故障特征集以及第二标准故障特征集进行深度学习算法进行建模，生成第一故障匹配模型以及第二故障匹配模型；

具体地，例如采用深度神经网络算法进行构建，生成第一故障匹配模型以及第二故障匹配模型。

步骤S58：将第一故障匹配模型以及第二故障匹配模型进行合并标注，生成故障匹配模型。

具体地，例如：将第一故障匹配模型以及第二故障匹配模型进行合并标注，生成故障匹配模型。

本实施例通过不同阈值半径进行不同阈值角度的拍摄工作，生成不同的家电图像信息，以供进行故障匹配模型的匹配作业，从而生成不同的故障信息，其中不同阈值半径以及角度的拍摄工作降低不同光照条件对家电图像信息的影响，从而提供准确可靠的故障报告，其中故障匹配模型的构建根据不同的标注故障图像信息进行构建，从而提高故障识别率，降低数据欠拟合。

一种物联网家电的物联网功能检测装置，所述装置包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任意一项所述的物联网家电的物联网功能检测方法。

本发明获取物联网家电的设备历史日志信息，并对设备历史日志信息进行数据提取，生成设备运行数据以及用户行为数据，以对设备运行数据以及用户行为数据进行功能有效性检测，从而生成物联网家电安全系数，以提供一种可靠高效的物联网功能检测方法，其中通过深度学习算法，结合图像信息以及运行时的语音信息，进行深度分析，以查找潜在隐患提供深度关联的数据信息，从而避免潜在的安全隐患问题，提高经济效应。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。