清洗物件的方法及电子设备

技术领域

本申请涉及清洗控制领域，特别涉及清洗物件的方法及电子设备。

背景技术

现有的清洗机能够清洗多种物件，例如碗筷、食物、医用器皿、实验器皿等。目前市面上存在各式各样的洗碗机，其中有些没法洗得很干净，或者是没法每次都洗得很干净，且不能根据碗筷多少，智能调节档位，浪费资源。

在已有清洗方案中，在清洗机中预先保存N种不同的预设清洗模式，同时还保存不同种类的被清洗物对应的最佳清洗模式及对应的最佳水位和最佳水温，每种种类的被清洗物对应的最佳清洗模式为N种预设清洗模式中的一种。在启动清洗后，拍摄清洗机的清洗腔内的图像，根据拍摄的图像识别清洗腔中待清洗被清洗物的种类，执行不同的清洗操作。上述技术方案在清洗过程中只能选择其中一种清洗模式，无法根据实际的清洗状态进行多次清洗模式的调节，使得实际使用时，物件的清洗洁净度不易提高。

发明内容

本申请提供了清洗物件的方法及电子设备，其能够根据物件的洁净程度调节清洗挡位，提高物件最终的清洗洁净度。

在第一方面，提供一种清洗控制方法。该方法包括：根据预设的清洗挡位对至少一个物件进行清洗；获取清洗后的至少一个物件的图像信息，并将图像信息输入至训练的神经网络模型中；以及获取由神经网络模型输出的与图像信息相关联的至少一个物件的洁净程度，根据洁净程度对至少一个物件中的目标物件再次进行清洗。

在一些实施例中，根据洁净程度对至少一个物件中的目标物件再次进行清洗包括：根据洁净程度确定至少一个物件中的需再次清洗的目标物件的至少一部分部位；以及控制清洗装置对目标物件的至少一部分部位进行再次清洗。

在一些实施例中，根据预设的清洗挡位对至少一个物件进行清洗包括：获取至少一个物件的初始物件图像信息；以及根据初始物件图像信息获取预设的清洗挡位。

在一些实施例中，获取至少一个物件的初始物件图像信息包括：获取至少一个物件的初始物件摆放位置、初始物件类型以及物件数量中的至少一种。

在一些实施例中，该方法还包括：获取至少一个物件的初始物件图像信息，以及根据初始物件图像信息调节至少一个物件之间的物件间隔，以使物件间隔置于预设间隔范围内。

在一些实施例中，该方法还包括：训练神经网络模型，包括：构建神经网络模型，该神经网络模型的输入参数为样本数据库中的样本图像以及物件数据，输出结果为物件的洁净程度；以及读取样本数据库中的样本图像以及与样本图像相对应的物件数据以对神经网络模型进行重复训练，得到训练完成的神经网络模型。

在一些实施例中，样本图像包括基本物件图像以及不同洁净程度下的物件图像，物件数据包括物件类型、物件尺寸、物件数量、多种物件的摆放位置中的至少一项。

在一些实施例中，构建神经网络模型包括：在预先构建的通用卷积神经网络模型中创建多个预设分支，多个预设分支的输出结果为对应物件的洁净程度；以及在每一预设分支的全连接层末端添加softmax层，获得初始卷积后的神经网络模型。

在一些实施例中，根据洁净程度重新调节清洗挡位对所述至少一个物件中的目标物件再次进行清洗包括：获取至少一个物件中的洁净程度不符合预设标准的物件的具体位置信息；以及根据具体位置信息对洁净程度不符合预设标准的物件进行单独清洗。

在一些实施例中，该方法还包括：判断当前的清洗次数是否大于预设次数，以及，若是，则发出提示信息。

在一些实施例中，至少一个物件包括筷子、勺子、饭碗、汤碗、浅盘的其中至少一种。

在第二方面，提供一种电子设备。该电子设备包括：存储器，被配置为存储指令集；以及处理器，被配置为执行所述指令集以执行清洗控制方法中任一项所述的清洗控制方法。

在一些实施例中，所述电子设备包括：洗碗机。

根据本公开的实施例，在预设的清洗挡位对物件进行清洗后，还对清洗后的物件图像信息进行获取，并经由神经网络模型对物件的洁净程度进行判断，根据物件的洁净程度重新调节清洗目标或部位，再对物件进行清洗，实现基于物件的洁净程度的多档次清洗。在同一批次物件的清洗过程中，这一方式能够实现基于物件的洁净程度对物件的清洗的动态调节，使得物件的清洗更具有针对性，节省资源的同时提升用户体验感。

上述发明内容相关记载仅是本申请技术方案的概述，为了让本领域普通技术人员能够更清楚地了解本申请的技术方案，进而可以依据说明书的文字及附图记载的内容予以实施，并且为了让本申请的上述目的及其它目的、特征和优点能够更易于理解，以下结合本申请的具体实施方式及附图进行说明。

附图说明

附图仅用于示出本申请具体实施方式以及其他相关内容的原理、实现方式、应用、特点以及效果等，并不能认为是对本申请的限制。

图1是示出根据本公开的实施例的清洗物件的方法的流程图；

图2是示出根据本公开的实施例的清洗物件的方法中的阶段的流程图；

图3是示出根据本公开的实施例的清洗物件的方法中的阶段的流程图；

图4是示出根据本公开的实施例的清洗物件的方法中的阶段的流程图；

图5是示出根据本公开的实施例的清洗物件的方法中的阶段的流程图；

图6是示出根据本公开的实施例的电子设备的模块示意图；

图7是示出根据本公开的实施例的洗碗机的清洗控制方法的流程图。

具体实施方式

为详细说明本申请可能的应用场景，技术原理，可实施的具体方案，能实现目的与效果等，以下结合所列举的具体实施例并配合附图详予说明。本文所记载的实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中各个位置出现的“实施例”一词并不一定指代相同的实施例，亦不特别限定其与其它实施例之间的独立性或关联性。原则上，在本申请中，只要不存在技术矛盾或冲突，各实施例中所提到的各项技术特征均可以以任意方式进行组合，以形成相应的可实施的技术方案。

除非另有定义，本文所使用的技术术语的含义与本申请所属技术领域的技术人员通常理解的含义相同；本文中对相关术语的使用只是为了描述具体的实施例，而不是旨在限制本申请。

在本申请的描述中，用语“和/或”是一种用于描述对象之间逻辑关系的表述，表示可以存在三种关系，例如A和/或B，表示：存在A，存在B，以及同时存在A和B这三种情况。另外，本文中字符“/”一般表示前后关联对象是一种“或”的逻辑关系。

在本申请中，诸如“第一”和“第二”之类的用语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何实际的数量、主次或顺序等关系。

在没有更多限制的情况下，在本申请中，语句中所使用的“包括”、“包含”、“具有”或者其他类似的表述，意在涵盖非排他性的包含，这些表述并不排除在包括所述要素的过程、方法或者产品中还可以存在另外的要素，从而使得包括一系列要素的过程、方法或者产品中不仅可以包括那些限定的要素，而且还可以包括没有明确列出的其他要素，或者还包括为这种过程、方法或者产品所固有的要素。

在本申请中，“大于”、“小于”、“超过”等表述理解为不包括本数；“以上”、“以下”、“以内”等表述理解为包括本数。此外，在本申请实施例的描述中“多个”的含义是两个以上(包括两个)，与之类似的与“多”相关的表述亦做此类理解，例如“多组”、“多次”等，除非另有明确具体的限定。

如背景技术中提及的现有的清洗机在同一批次的物件的清洗过程中始终采用同一种清洗模式，不会根据物件在单次清洗下的清洗洁净度调节清洗模式以及清洗的次数等。

在本申请中通过对同一批需要进行清洗的物件在清洗后进行图像采集，及时跟踪不同物件的洁净程度，根据不同的洁净程度调节清洗挡位，使得清洗更具有针对性，并且节省资源，减少能源浪费。在本申请的一些实施例中，通过摄像头，获取碗筷的数量，智能调整碗筷的位置，以防止碗筷靠得太近。根据碗筷数量，调整水量以及洗碗时长。通过摄像头，判断洗完后碗筷的干净程度，再决定是否延长洗碗时间。此外，通过摄像头获取碗筷图像，判断是否某些碗筷没洗干净，启动上下方的喷头，对未冲洗干净的碗筷个别重新冲洗。本申请的方案不仅能节约资源，也能洗得更加干净。

下文中将参考示例性实施例并且结合附图详细描述根据本公开的实施例的具体实施方式。

图1是示出根据本公开的实施例的清洗物件的方法100的流程图。如图1所示，清洗物件的方法100包括以下步骤S101至步骤S103。

在步骤S101中，根据预设的清洗挡位对至少一个物件进行清洗。在一些实施例中，预设的清洗档位可以涉及预设清洗模式、预设物件摆放模式等。

在步骤S102中，获取清洗后的至少一个物件的图像信息，并将图像信息输入至训练的神经网络模型中。在一些实施例中，通过摄像头获取图像信息，并将该图像信息输入到预先训练好的神经网络模型中。

在步骤S103中，获取由神经网络模型输出的与图像信息相关联的至少一个物件的洁净程度，根据洁净程度对至少一个物件中的目标物件再次进行清洗。在一些实施例中，从神经网络模型输出的洁净程度信息可以涉及物件的清洗结果是否满足预设标准、哪些位置处的物件不满足预设标准需要再次清洗、物件的哪些部位不满足预设标准需要再次清洗等。

本实施例的清洗物件的方法可以应用在清洗设备内。需要说明的是，预设的清洗挡位可以通过用户预先设定，即通过手动设定的方式设定清洗挡位；在用户未手动设定清洗挡位时，可以根据实际放入的待清洗的物件的数量多少设定清洗挡位，在这一过程中，待清洗的物件的数量的多少可以通过重量传感器称重计算获得，也可以通过图像采集的方式拍照获得等，本实施例对此不做限制。

需要说明的是，清洗挡位具体包括对清洗的水流量、水温、清洗时长、清洗方式等多项信息。在一次清洗后，对清洗后的物件图像信息进行获取，例如，可以通过摄像机拍照获得清洗后的物件图片，将该图片输入至神经网络模型中，神经网络模型能够对图片中物件的洁净程度进行判断。在本实施例中，物件的洁净程度通过神经网络模型判断输出，当存在多个物件的洁净程度不达标时，即表示当前的清洗挡位的清洁力度过小，需要设定更为强劲的清洗挡位或需要在当前的清洗挡位的状态下多次清洗。当只有个别的物件的洁净程度不达标时，则清洗挡位调节为一对一清洗挡位，通过喷头对个别的物件进行重点清洗，更具针对性，节省资源。

图2是示出根据本公开的实施例的清洗物件的方法中的一个阶段的流程图。如图2所示，该阶段包括以下步骤S201和步骤S202。

在步骤S201中，根据洁净程度确定至少一个物件中的需再次清洗的目标物件的至少一部分部位。

在步骤S202中，控制清洗装置对目标物件的至少一部分部位进行再次清洗。

在一些实施例中，在再次清洗时可以对对象物件整体进行清洗。在其他实施例中，在再次清洗时可以对对象物件的目标部分的清洗部位进行清洗。

需要说明的是，目标物件的至少一部分部位是指目标物件上存在污渍的部位，本公开实施例可针对目标物件上存在污渍的部位进行重点清洗，无需对整批物件再次清洗，这一方式能够有效节省清洁资源。

图3是示出根据本公开的实施例的清洗物件的方法中的一个阶段的流程图。如图3所示，该阶段包括以下步骤S301和步骤S302。

在步骤S301中，获取至少一个物件的初始物件图像信息，以及根据初始物件图像信息获取预设的清洗挡位。

在步骤S302中，根据预设的清洗挡位对至少一个物件进行清洗。

本实施例在清洗物件之前，获取初始物件图像信息，进一步确认待清洗的物件的分布、物件的形状大小、物件的种类等。值得说明的是，本实施例所示的物件既可以是碗筷等厨具，也可以是水果等食物，以及医疗用的器皿、实验用的器皿等。在获取初始物件图像信息后，自动对待清洗的物件设定与之相匹配的清洗挡位，节省了用户手动设定清洗挡位的步骤，便于使用，更为智能。

在一些实施例中，获取至少一个物件的初始物件图像信息包括：获取至少一个物件的初始物件摆放位置、初始物件类型以及物件数量中的至少一种。

物件摆放位置是指物件放入清洗平台时，物件在自然状态下的位置，值得注意的是，物件摆放位置不仅包括单个物件在清洗平台上的位置信息，还包括多个物件时，相邻两个物件之间的间隔信息，即多个物件的摆放疏密信息等；初始物件类型包括厨具、医疗器具、实验器具、食物等多种。

图4是示出根据本公开的实施例的清洗物件的方法中的一个阶段的流程图。如图4所示，清洗物件的方法还可以包括以下步骤S401和步骤S402。

在步骤S401中，获取至少一个物件的初始物件图像信息，以及根据初始物件图像信息调节至少一个物件之间的物件间隔，以使物件间隔置于预设间隔范围内。

在步骤S402中，根据预设的清洗挡位对至少一个物件进行清洗。

在本实施例中，初始物件图像信息包括物件在清洗平台上的摆放疏密分布情况。以水果为例，当水果摆放过于紧凑时，将使得个别水果的清洗不到位，因此需要手动调节相邻水果的摆放间隔。本公开实施例无需手动调节，获取初始物件图像信息后，根据物件的疏密分布自动调节过于密集的物件之间的间隔，之后再根据预设的清洗挡位对物件进行清洗，单位时间内的清洗效率更高。

调整时，可以通过设置在清洗设备的移动机构(如机械手臂或者设置在物件底部的滚轮)实现对待清洗的物件间隔的调整，使得物件间隔满足预设间隔范围内。获取初始物件图像信息时可以获取到每个物件所在的位置信息，而后移动设备可以根据该位置信息来对对应的物件的位置进行调整，从而调整物件的间隔。物件间隔调整后，可以再次获取物件图像信息，然后通过物件图像信息判断调整后的物件间隔是否满足预设间隔范围内，如果不满足则继续调整，否则开始清洗。在某些实施例中，清洗设备内部还可以设置格子，格子连接有格子移动机构(如电动伸缩杆等)，格子内用于放置待清洗物件，而后通过格子移动机构实现对待清洗的物件间隔的调整，使得物件间隔满足预设间隔范围内。物件间隔调整后，可以减少物件之间遮挡的情况，从而提高清洗的水流与物件的接触面积，提高清洗效果。

在一些实施例中，清洗物件的方法还可以包括训练神经网络模型。训练神经网络模型包括：构建神经网络模型，该神经网络模型的输入参数为样本数据库中的样本图像以及物件数据，输出结果为物件的洁净程度；以及读取样本数据库中的样本图像以及与样本图像相对应的物件数据以对神经网络模型进行重复训练，得到训练完成的神经网络模型。

值得注意的是，在对神经网络模型进行训练的过程中，还应引入洁净程度的判断标准，输入的样本图像中应包括洗干净的物件的图片数据，并预设神经网络模型的正确率标准，例如，只有在输出正确率达90％时停止训练，即表示神经网络模型已经训练完成。

在一些实施例中，样本图像包括基本物件图像以及不同洁净程度下的物件图像，物件数据包括物件类型、物件尺寸、物件数量、多种物件的摆放位置中的至少一项。

在一些实施例中，构建神经网络模型包括：在预先构建的通用卷积神经网络模型中创建多个预设分支，多个预设分支的输出结果为对应物件的洁净程度；以及在每一预设分支的全连接层末端添加softmax层，获得初始卷积后的神经网络模型。

值得注意的是，每个预设分支对应分配一个物件的样本数据进行训练，一个预设分支的输出结果为单独的一种物件的洁净程度。

图5是示出根据本公开的实施例的清洗物件的方法中的一个阶段的流程图。如图5所示，该阶段包括以下步骤S501和步骤S502。

在步骤S501中，获取至少一个物件中的洁净程度不符合预设标准的物件的具体位置信息。

在步骤S502中，根据具体位置信息对洁净程度不符合预设标准的物件进行单独清洗。

需要说明的是，洁净程度符合预设标准即指物件置于已经清洗完毕可供用户取用的状态，洁净程度不符合预设标准即表示物件还未清洗完毕，需要进行二次清洗或单独清洗。单独清洗是指将清洗喷头调节至该物件所在位置，进行单独的冲洗或刷洗步骤。这一方式能够实现个别物件的一对一清洗，节省水资源，清洗更有针对性，节省清洗物件所需的时间。

在一些实施例中，清洗物件的方法还可以包括：判断当前的清洗次数是否大于预设次数，若是，则发出提示信息。在本实施例中，提示信息用于提示用户需要进行手动清洗。预设次数的设定能够避免对同一批物件进行多余的清洗，在清洗一些难以清洁的污渍时，通知用户手动处理的方式更符合实际的使用需求，减少能源以及资源的浪费。

在一些实施例中，至少一个物件包括筷子、勺子、饭碗、汤碗、浅盘的其中至少一种。

在第二方面，本发明提供一种电子设备。图6是示出根据本公开的实施例的电子设备600的模块示意图。如图6所示，电子设备600包括存储器601和处理器602。存储器601被配置为存储指令集。处理器602被配置为执行所述指令集以执行上面描述的清洗控制方法。

在一些实施例中，所述电子设备600包括洗碗机。但其并不局限于此，任何具备有清洗功能的设备均属于所述电子设备600。

本公开的一些实施例中，洗碗机包括控制芯片、监控端、摄像头、清洗喷头以及碗槽。碗槽上根据碗筷的大小设计不同的碗槽格子，每个格子均设有对应x、y坐标轴上的位置信息。此外，碗槽上设有滚轮，能够调节不同碗筷之间的间隔。

图7示出了根据本公开的实施例的洗碗机的清洗控制方法700的流程图。洗碗机的清洗控制方法的具体步骤如下。

将碗筷分别放到设备中对应的位置，智能调整碗筷快的位置，洗碗机根据碗筷多少，预设一轮清洗方式，并进行清理。

清洗完毕，摄像头获取对应的图像信息，并将采集的图像信息发送给控制芯片，控制芯片将采集到的数据通过卷积神经网络对碗筷的清洗后的洁净程度进行判断。若神经网络模型输出的结果为：清洗后的物件存在不干净的情况，则控制芯片将图片发给监控端。

监控端根据收到的图片信息，确认不干净的碗筷的位置，调整上下端的喷头，对准碗筷进行特殊清洗。

经过特殊清洗后，再次对清洗后的碗筷进行洁净程度的判断，确认是否干净，如果不干净，重新进行上述清洗操作，且重复程度不能大于3次。

如果重复程度大于3，通知用户手动清理。

本公开实施例能够根据碗筷多少，自动调整清洗挡位，调整靠的太近的碗筷，便于清洁。对清洗后的碗筷，进行智能判断是否清洗干净，如果不干净，将进一步清洗，提高用户的体验感。进一步地，通过摄像头找到对应的不干净的碗筷位置，并对其进行一对一清洗，更省资源。

最后需要说明的是，尽管在本申请的说明书文字及附图中已经对上述各实施例进行了描述，但并不能因此限制本申请的专利保护范围。凡是基于本申请的实质理念，利用本申请说明书文字及附图记载的内容所作的等效结构或等效流程替换或修改产生的技术方案，以及直接或间接地将以上实施例的技术方案实施于其他相关的技术领域等，均包括在本申请的专利保护范围之内。