控制方法技术

本申请提供的一种控制方法

【技术实现步骤摘要】
控制方法、装置、设备及存储介质


[0001]本申请涉及加湿器
，特别地涉及一种控制方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]鼻炎是常见病症之一，严重影响患者生活质量
。
目前药物治疗效果和依从性均不尽人意，使用加湿器可起到辅助治疗的作用，但现有的加湿器都是基于用户的控制来进行工作，缺乏对用户的鼻炎的症状的智能监测与响应，导致辅助资料效果较差
。

技术实现思路

[0003]针对上述问题，本申请提供一种控制方法
、
装置
、
设备及存储介质，能够基于用户的鼻炎的严重程度自动对加湿器进行控制，提高治疗效果
。
[0004]本申请实施例提供一种控制方法，包括：
[0005]获取用户鼻腔区域的图像；
[0006]对所述图像进行预处理，得到预处理后的图像；
[0007]将所述预处理后的图像输入至预先建立的神经网络模型中，确定鼻炎的严重程度；
[0008]基于所述严重程度确定加湿器的控制参数；
[0009]基于所述控制参数控制所述加湿器运行
。
[0010]在一些实施例中，所述对所述图像进行预处理，得到预处理后的图像，包括：
[0011]对所述图像进行归一化处理；
[0012]将归一化处理后的图像进行增强处理，得到预处理后的图像
。
[0013]在一些实施例中，所述方法还包括：
[0014]获取样本数据集，所述样本数据集中的样本数据包括：样本图像以及所述样本图像对应的鼻炎的严重程度；
[0015]基于所述样本数据集进行训练，得到所述神经网络模型
。
[0016]在一些实施例中，所述基于所述样本数据集进行训练，得到所述神经网络模型，包括：
[0017]构建卷积神经网络模型；
[0018]对所述卷积神经网络模型中的权重进行初始化；
[0019]在卷积神经网络模型上添加全连接分类层，得到所述初始神经网络模型；
[0020]基于所述样本数据集对初始神经网络模型进行训练，得到所述神经网络模型，其中，所述初始神经网络模型采用
Adam
优化算法，所述初始神经网络模型的损失函数包括：交叉熵损失函数
。
[0021]在一些实施例中，所述控制参数包括：加湿量
、
湿度
、
温度和风量中的至少一个，所述基于所述严重程度确定加湿器的控制参数，包括：
[0022]获取预先建立的对应关系，所述对应关系包括：严重程度与加湿量
、
湿度
、
温度和
风量中的至少一个之间的对应关系；
[0023]基于所述严重程度和所述对应关系，确定加湿器的加湿量
、
湿度
、
温度和风量中的至少一个
。
[0024]在一些实施例中，所述方法还包括：
[0025]获取用户对所述控制参数的反馈信息；
[0026]基于所述反馈信息对所述神经网络模型进行优化
。
[0027]本申请实施例提供一种控制装置，包括：
[0028]获取模块，用于获取用户鼻腔区域的图像；
[0029]预处理模块，用于对所述图像进行预处理，得到预处理后的图像；
[0030]第一确定模块，用于将所述预处理后的图像输入至预先建立的神经网络模型中，确定鼻炎的严重程度；
[0031]第二确定模块，用于基于所述严重程度确定加湿器的控制参数；
[0032]控制模块，用于基于所述控制参数控制所述加湿器运行
。
[0033]本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如上述任意一项所述控制方法
。
[0034]本申请实施例提供一种加湿器，包括：上述所述的电子设备
。
[0035]本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质存储的计算机程序，能够被一个或多个处理器执行，能够用来实现上述所述控制方法
。
[0036]本申请提供的一种控制方法
、
装置
、
设备及存储介质，通过获取用户鼻腔区域的图像；对所述图像进行预处理，得到预处理后的图像；将所述预处理后的图像输入至预先建立的神经网络模型中，确定鼻炎的严重程度；基于所述严重程度确定加湿器的控制参数；基于所述控制参数控制所述加湿器运行，能够基于用户的鼻炎的严重程度自动对加湿器进行控制，提高治疗效果
。
附图说明
[0037]在下文中将基于实施例并参考附图来对本申请进行更详细的描述
。
[0038]图1为本申请实施例提供的一种控制方法的实现流程示意图；
[0039]图2为本申请实施例提供的一种控制系统的结构示意图；
[0040]图3为本申请实施例提供的电子设备的组成结构示意图
。
[0041]在附图中，相同的部件使用相同的附图表记，附图并未按照实际的比例绘制
。
具体实施方式
[0042]为了使本申请的目的
、
技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围
。
[0043]在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合
。
[0044]如果申请文件中出现“第一
\
第二
\
第三”的类似描述则增加以下的说明，在以下的
描述中，所涉及的术语“第一
\
第二
\
第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一
\
第二
\
第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施
。
[0045]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同
。
本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请
。
[0046]基于相关技术中存在的问题，本申请实施例提供一种控制方法，所述方法的执行主体可以是电子设备，所述电子设备设备可以是移动终端
、
计算机
、
加湿器等
。
在一些实施例中，所述电子设备可以是移动终端
、
计算机
、<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种控制方法，其特征在于，包括：获取用户鼻腔区域的图像；对所述图像进行预处理，得到预处理后的图像；将所述预处理后的图像输入至预先建立的神经网络模型中，确定鼻炎的严重程度；基于所述严重程度确定加湿器的控制参数；基于所述控制参数控制所述加湿器运行
。2.
根据权利要求1所述的方法，其特征在于，所述对所述图像进行预处理，得到预处理后的图像，包括：对所述图像进行归一化处理；将归一化处理后的图像进行增强处理，得到预处理后的图像
。3.
根据权利要求1所述的方法，其特征在于，所述方法还包括：获取样本数据集，所述样本数据集中的样本数据包括：样本图像以及所述样本图像对应的鼻炎的严重程度；基于所述样本数据集进行训练，得到所述神经网络模型
。4.
根据权利要求3所述的方法，其特征在于，所述基于所述样本数据集进行训练，得到所述神经网络模型，包括：构建卷积神经网络模型；对所述卷积神经网络模型中的权重进行初始化；在卷积神经网络模型上添加全连接分类层，得到所述初始神经网络模型；基于所述样本数据集对初始神经网络模型进行训练，得到所述神经网络模型，其中，所述初始神经网络模型采用
Adam
优化算法，所述初始神经网络模型的损失函数包括：交叉熵损失函数
。5.
根据权利要求1所述的方法，其特征在于，所述控制参数包括：加湿量
、
湿度
、
温度和风量中的至少一个，所述基...

【专利技术属性】
技术研发人员：詹培旋，张鹏，李梦瑶，史欣宇，贾巨涛，
申请(专利权)人：珠海联云科技有限公司，
类型：发明
国别省市：