CN109916855A - 油烟传感器的数据处理方法 - Google Patents

Abstract

一种油烟传感器的数据处理方法，其特征在于，包括以下步骤：一、启动油烟机，油烟传感器采集m组数据并按照时间先后顺序依次缓存；二、采集数据初始化处理；三、移除之前数据，缓存最新的m组采集数据，对当前最新的m组采集数据进行数据状态分析；四、对获得的数据状态进行判断，并按照不同情况对m组基准数据作出相应的调整；五、计算并输出最新采集数据对应的油烟数据，然后返回步骤三。本发明根据人体干扰信号的特征，通过对传感器的采集数据先分析，然后调整基准数据，最终输出油烟数据的数据处理过程，可有效滤除人体动作带来的干扰，进而减小油烟数据处理过程中的误差，提高油烟数据的输出精准度。

Description

油烟传感器的数据处理方法

技术领域

本发明涉及一种数据处理方法，特别是一种油烟传感器的数据处理方法。

背景技术

现有的吸油烟机通常都设置有多个档位可供调节，一般都是根据厨房油烟环境需要人工干预实现档位切换，不仅智能化程度低，而且手动操作往往比较滞后，吸油烟机的档位切换难以获得及时的响应，造成厨房油烟味重，用户使用环境差。

目前，红外信号处理技术成熟、成本较低，基于红外反射原理的油烟传感器能够避免与油污直接接触，在油烟机靠近灶台的玻璃面板上安装通过红外反射原理实现的油烟传感器，不仅能够快速发现油烟的变化，而且能够防止油污，保证传感器的使用寿命，是一种比较可行的油烟浓度检测方案。

但是，由于不同用户的厨房环境存在差异性，例如油烟机的安装高度不同、灶台的宽度不同等因素，实际使用时，导致基于红外信号的传感器很容易检测到油烟以外的干扰，尤其是人体在烹饪过程中的各种操作动作，以及人体接近或远离油烟机时的动态干扰，这样的动态干扰使得油烟传感器检测到的实际信号存在较大的偏差，直接输出这些信号会导致检测结果不准确，进而影响油烟机的使用效果。

发明内容

本发明所要解决的技术问题是针对上述现有技术现状而提供一种可有效滤除人体动态环境干扰的油烟传感器数据处理方法。

本发明解决上述技术问题所采用的技术方案为：一种油烟传感器的数据处理方法，其特征在于，该数据处理方法包括以下步骤：

步骤一、启动油烟机，油烟传感器采集m组数据并按照时间先后顺序依次缓存；

步骤二、采集数据初始化处理，m组采集数据分别一一对应m组基准数据，且初始化过程中，设定最初m组采集数据中的最小值为所有m组基准数据的初始值；

步骤三、移除之前的采集数据，缓存最新的m组采集数据，对当前最新的m组采集数据进行数据状态分析；所述的数据状态是通过对采集数据分析获得的包含“平稳”、“缓慢增长”、“缓慢下降”、“迅速增长”、“迅速下降”中的一种或多种数据信号的状态；

步骤四、对获得的数据状态进行判断，并按照以下几种情况对m组基准数据作出相应的调整：

a、如果最新数据状态包含“缓慢增长”、“缓慢下降”、“迅速增长”和“迅速下降”中的其中一种信号或多个信号，则根据之前输出的油烟数据趋势估算出最新m组采集数据所对应的油烟数据，根据每组采集数据减去相应估算的油烟数据推算出每组采集数据所对应的基准数据；

b、如果最新数据状态包含“平稳”信号，并且，当前采集数据与已完成输出的前一组采集数据所对应的基准数据间的差值绝对值大于设定阈值，则以当前的采集数据作为该采集数据所对应的基准数据；

c、如果最新数据状态包含“平稳”信号，并且，当前采集数据与已完成输出的前一组采集数据所对应的基准数据间的差值绝对值小于等于设定阈值，则以前一组采集数据所对应的基准数据值作为调整后的基准数据；

步骤五、计算并输出最新采集数据对应的油烟数据，然后返回步骤三。

作为优选，所述m＝t/T_sample，其中，所述t为传感器采样缓存时间，所述T_sample为传感器采集数据周期；所述t根据传感器可容忍的输出数据滞后时间T_delay和包含人体干扰数据特征的最小时间T_min确定，并且，所述T_min<t<T_delay。

作为进一步优选，所述T_sample不大于500ms，所述T_delay不大于5s，所述T_min不小于500ms。

作为优选，所述“平稳”的数据状态通过以下分析方法实现：连续m1组数据间的变化量在预设范围(Stable_L，Stable_H)之内，同时，该m1组数据的累加变化量在预设范围(AddStable_L，AddStable_H)之内。

作为优选，所述m1为大于1的自然数，并且，m≤m1<T_delay/T_sample。

Stable_L的下限值和Stable_H的上限值根据油烟传感器在没有油烟和有油烟情况下采集数据的波动情况设定。作为进一步优选，所述预设值Stable_L和Stable_H可以分别取接近0的较小值，其中，Stable_L<0，Stable_H>0；所述预设值AddStable_L和AddStable_H分别为接近0的较小值，其中，AddStable_L<0，AddStable_H>0，并且，AddStable_L≥Stable_L且AddStable_H≤Stable_H。

作为优选，所述“缓慢增长”的数据状态通过以下分析方法实现：最新m2组数据间的变化量在预设范围(SlowRise_L，SlowRise_H)之内，并且，该m2组数据间的累加变化量在预设范围(AddSlowRise_L，AddSlowRise_H)之内；同时，所述m2组数据中有n2组数据间的变化量大于0。

作为优选，所述m2为大于1的自然数，并且，m2≤m；所述n2为大于或等于1的自然数，并且m2/2<n2<m2。

作为进一步优选，所述预设值SlowRise_L<0，预设值SlowRise_H>0，所述预设值AddSlowRise_L大于等于预设值AddStable_H；同时，所述预设值SlowRise_H与预设值SlowRise_L之和大于0。

作为优选，所述“缓慢下降”的数据状态通过以下分析方法实现：最新的m3组数据间的变化量在预设范围(SlowDrop_L，SlowDrop_H)之内，并且，该m3组数据间的累加变化量在设定区间预设范围(AddSlowDrop_L，AddSlowDrop_H)之内；同时，所述m3组数据中有n3组数据间的变化量小于0。

作为优选，所述m3为大于1的自然数，并且，m3≤m。

作为优选，所述n3为大于或等于1的自然数，并且，m3/2<n3<m3。

作为进一步优选，所述设定值SlowDrop_L<0，所述设定值SlowDrop_H>0；并且，所述设定值SlowDrop_H与设定值SlowDrop_L之和小于0；所述设定值AddSlowDrop_H小于等于设定值AddStable_L。

作为优选，所述“迅速增长”的数据状态通过以下分析方法实现：连续m4组数据间的变化量大于预设值BigRise_L。

作为优选，所述m4为大于1的自然数，并且，m4≤m。

作为进一步优选，所述预设值BigRise_L大于预设值SlowRise_H。

作为优选，所述“迅速下降”的数据状态通过以下分析方法实现：连续m5组数据间的变化量小于预设值BigDrop_H。

作为优选，所述m5为大于1的自然数，并且，m5≤m。

作为进一步优选，所述预设值BigDrop_H小于预设值SlowDrop_L。

与现有技术相比，本发明的优点在于：针对基于红外反射技术的油烟传感器容易受到灶台环境干扰的问题，提供了一种传感器数据处理方法，根据传感器的采集数据一般包含油烟数据和基准数据，利用人体干扰信号的特征，通过对传感器的采集数据先分析数据状态，然后调整并矫正基准数据，再最终输出油烟数据的数据处理过程，可有效滤除人体靠近灶台、离开灶台、人手在传感器前滑动等各种动作带来的干扰，进而提高油烟数据处理的精确度，最终提高油烟判断的准确性和智能化程度。

附图说明

图1为本发明实施例的油烟传感器数据处理方法总流程图。

图2为本发明实施例的采集信号为“平稳”状态的数据分析流程图。

图3为本发明实施例的采集信号为“缓慢增长”状态的数据分析流程图。

图4为本发明实施例的采集信号为“缓慢下降”状态的数据分析流程图。

图5为本发明实施例的采集信号为“迅速增长”状态的数据分析流程图。

图6为本发明实施例的采集信号为“迅速下降”状态的数据分析流程图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

基于红外反射技术的油烟传感器的工作原理为红外发射装置发射的红外信号被油烟颗粒或其他物体反射后，被红外接收装置接收，并通过信号转换单元转化为数字信号，最后通过数据处理单元对采集数据进行处理，滤除干扰信号并输出油烟信号。

一般地，传感器的采集数据包含油烟数据和基准数据，油烟数据即油烟颗粒产生的红外反射信号强度转化数据，基准数据即除油烟外传感器周围环境产生的红外反射信号强度转化数据。在传感器周围环境稳定时，基准数据基本不变，可在数据稳定时把采集数据作为基准数据，检测油烟时通过采集数据减去基准数据即可获得油烟数据。但对于人体干扰造成传感器周围环境的变化，基准数据会随之发生变化，直接通过采集数据减去基准数据获得的油烟数据误差较大。

本实施例就是针对上述问题提出了一种可有效滤除人体干扰的油烟数据处理方法。本实施例的油烟传感器数据处理方法包括以下步骤，参见图1流程图：

步骤一、启动油烟机，油烟传感器采集m组数据并按照时间先后顺序依次缓存，此后每次采集到新的数据即移除最早的采集数据，从而保证缓存的采集数据是最新的m组采集数据，其中，m＝t/T_sample(m为大于1的自然数)，t为传感器采样缓存时间，T_sample为传感器采集数据周期；t根据传感器可容忍的输出数据滞后时间T_delay和包含人体干扰数据特征的最小时间T_min确定，并且，T_min<t<T_delay；一般地，T_sample不大于500ms，T_delay不大于5s，T_min不小于500ms。

步骤二、采集数据初始化处理，m组采集数据分别一一对应m组基准数据，且初始化过程中，设定最初m组采集数据中的最小值为所有m组基准数据的初始值。

步骤三、移除之前的采集数据，缓存最新的m组采集数据，对当前最新的m组采集数据进行数据状态分析。

步骤四、对获得的数据状态进行判断，并按照以下几种情况对m组基准数据作出相应的调整：

a、如果最新数据状态包含“缓慢增长”、“缓慢下降”、“迅速增长”和“迅速下降”中的其中一种信号或多个信号，则根据之前输出的油烟数据趋势估算出最新m组采集数据所对应的油烟数据，根据当前采集数据和每一个估算的油烟数据推算出每一组采集数据所对应的基准数据，即将每一个基准数据调整为推算得到的相应基准数据值；

b、如果最新数据状态包含“平稳”信号，并且，当前采集数据与已完成输出的前一组采集数据所对应的基准数据间的差值绝对值大于设定阈值，则以当前的采集数据作为该采集数据所对应的基准数据；

c、如果最新数据状态包含“平稳”信号，并且，当前采集数据与已完成输出的前一组采集数据所对应的基准数据间的差值绝对值小于等于设定阈值，则以前一组采集数据所对应的基准数据值作为调整后的基准数据；

步骤五、计算并输出最新采集数据对应的油烟数据，然后返回步骤三。

本实施例中的数据状态是通过对采集数据分析获得的包含“平稳”、“缓慢增长”、“缓慢下降”、“迅速增长”、“迅速下降”中的一种或多种数据信号的状态；具体每种数据状态的获得通过以下优选分析实现。

如图2所示，所述“平稳”的数据状态通过以下分析方法实现：有连续m1组数据间的变化量在预设范围(Stable_L，Stable_H)之内，同时，该m1组数据的累加变化量在预设范围(AddStable_L，AddStable_H)之内。m1为大于1的自然数，并且，m≤m1<T_delay/T_sample。为了使得“平稳”数据状态的输出更加严格和精准，避免如在小油烟情况下输出“平稳”数据状态的误判，对采集数据进行连续检测，并保证检测数据的数量不能太小，m1最小取值以m1＝m为佳；为了保证检测的反应速度，m1又不能太大，m1最大取值以m1＝T_delay/T_sample为宜，其中，T_delay/T_sample为传感器可容忍的输出数据滞后时间内采集的数据组数。

所述预设值Stable_L和Stable_H分别为接近0的较小值，其中，Stable_L<0，Stable_H>0；所述预设值AddStable_L和AddStable_H分别为接近0的较小值，其中，AddStable_L<0，AddStable_H>0，并且，AddStable_L≥Stable_L且AddStable_H≤Stable_H。“平稳”信号表示可能不存在油烟或油烟非常非常小。

如图3所示，所述“缓慢增长”的数据状态通过以下分析方法实现：最新m2组数据间的变化量在预设范围(SlowRise_L，SlowRise_H)之内，并且，该m2组数据间的累加变化量在预设范围(AddSlowRise_L，AddSlowRise_H)之内；同时，所述m2组数据中有n2组数据间的变化量大于0。所述m2为大于1的自然数，并且，m2≤m；所述n2为大于或等于1的自然数，并且m2/2<n2<m2。所述预设值SlowRise_L<0，预设值SlowRise_H>0，所述预设值AddSlowRise_L大于等于预设值AddStable_H；同时，所述预设值SlowRise_H与预设值SlowRise_L之和大于0。“缓慢增长”信号表示可能存在人体靠近等干扰动作。

如图4所示，所述“缓慢下降”的数据状态通过以下分析方法实现：最新的m3组数据间的变化量在预设范围(SlowDrop_L，SlowDrop_H)之内，并且，该m3组数据间的累加变化量在预设范围(AddSlowDrop_L，AddSlowDrop_H)之内；同时，所述m3组数据中有n3组数据间的变化量小于0。所述m3为大于1的自然数，并且，m3≤m，优选m3＝m2。所述n3为大于或等于1的自然数，并且，m3/2<n3<m3。所述预设值SlowDrop_L<0，所述预设值SlowDrop_H>0；并且，所述预设值SlowDrop_H与预设值SlowDrop_L之和小于0；所述预设值AddSlowDrop_H小于等于预设值AddStable_L。“缓慢下降”信号表示可能存在人体远离等干扰动作。

如图5所示，所述“迅速增长”的数据状态通过以下分析方法实现：有连续m4组数据间的变化量大于预设值BigRise_L。所述m4为大于1的自然数，并且，m4≤m。为了区分大浓度油烟信号，BigRise_L可适当选择更大值，作为优选，本实施例设定所述预设值BigRise_L大于预设值SlowRise_H。“迅速增长”信号表示可能存在挥手进入检测区域等干扰动作。

如图6所示，所述“迅速下降”的数据状态通过以下分析方法实现：有连续m5组数据间的变化量小于预设值BigDrop_H。所述m5为大于1的自然数，并且，m5≤m，优选m5＝m4。为了区分大浓度油烟信号，BigDrop_H可适当选择更小值，作为优选，本实施例设定所述预设值BigDrop_H小于预设值SlowDrop_L。“迅速下降”信号表示可能存在挥手离开检测区域等干扰动作。

本实施例的上述各数据状态分析方法中，数据间的变化量为相邻采集数据间较新的采集数据减去较早的采集数据获得的差值。本实施例根据人体干扰信号的特征，通过对传感器的采集数据先分析数据状态，然后调整并矫正基准数据，再最终输出油烟数据的数据处理过程，可有效滤除人体靠近灶台、离开灶台、人手在传感器前滑动等各种动作带来的干扰，进而减小油烟数据处理过程中的误差，提高油烟数据的输出精准度。

Claims (19)

1.一种油烟传感器的数据处理方法，其特征在于，该数据处理方法包括以下步骤：

步骤一、启动油烟机，油烟传感器采集m组数据并按照时间先后顺序依次缓存；

步骤二、采集数据初始化处理，m组采集数据分别一一对应m组基准数据，且初始化过程中，设定最初m组采集数据中的最小值为所有m组基准数据的初始值；

步骤三、移除之前的采集数据，缓存最新的m组采集数据，对当前最新的m组采集数据进行数据状态分析；所述的数据状态是通过对采集数据分析获得的包含“平稳”、“缓慢增长”、“缓慢下降”、“迅速增长”、“迅速下降”中的一种或多种数据信号的状态；

步骤四、对获得的数据状态进行判断，并按照以下几种情况对m组基准数据作出相应的调整：

a、如果最新数据状态包含“缓慢增长”、“缓慢下降”、“迅速增长”和“迅速下降”中的其中一种信号或多个信号，则根据之前输出的油烟数据趋势估算出最新m组采集数据所对应的油烟数据，根据每组采集数据减去相应估算的油烟数据推算出每组采集数据所对应的基准数据；

b、如果最新数据状态包含“平稳”信号，并且，当前采集数据与已完成输出的前一组采集数据所对应的基准数据间的差值绝对值大于设定阈值，则以当前的采集数据作为该采集数据所对应的基准数据；

c、如果最新数据状态包含“平稳”信号，并且，当前采集数据与已完成输出的前一组采集数据所对应的基准数据间的差值绝对值小于等于设定阈值，则以前一组采集数据所对应的基准数据值作为调整后的基准数据；

步骤五、计算并输出最新采集数据对应的油烟数据，然后返回步骤三。

2.根据权利要求1所述的数据处理方法，其特征在于：所述m＝t/T_sample，其中，所述t为传感器采样缓存时间，所述T_sample为传感器采集数据周期；所述t根据传感器可容忍的输出数据滞后时间T_delay和包含人体干扰数据特征的最小时间T_min确定，并且，所述T_min<t<T_delay。

3.根据权利要求2所述的数据处理方法，其特征在于：所述T_sample不大于500ms，所述T_delay不大于5s，所述T_min不小于500ms。

4.根据权利要求2所述的数据处理方法，其特征在于：所述“平稳”的数据状态通过以下分析方法实现：连续m1组数据间的变化量在预设范围(Stable_L，Stable_H)之内，同时，该m1组数据的累加变化量在预设范围(AddStable_L，AddStable_H)之内。

5.根据权利要求4所述的数据处理方法，其特征在于：所述m1为大于1的自然数，并且，m≤m1<T_delay/T_sample。

6.根据权利要求4所述的数据处理方法，其特征在于：所述预设值Stable_L和Stable_H分别为接近0的较小值，其中，Stable_L<0，Stable_H>0；所述预设值AddStable_L和AddStable_H分别为接近0的较小值，其中，AddStable_L<0，AddStable_H>0，并且，AddStable_L≥Stable_L且AddStable_H≤Stable_H。

7.根据权利要求2所述的数据处理方法，其特征在于：所述“缓慢增长”的数据状态通过以下分析方法实现：最新的m2组数据间的变化量在预设范围(SlowRise_L，SlowRise_H)之内，并且，该m2组数据间的累加变化量在预设范围(AddSlowRise_L，AddSlowRise_H)之内；同时，所述m2组数据中有n2组数据间的变化量大于0。

8.根据权利要求7所述的数据处理方法，其特征在于：所述m2为大于1的自然数，并且，m2≤m；所述n2为大于或等于1的自然数，并且m2/2<n2<m2。

9.根据权利要求7所述的数据处理方法，其特征在于：所述预设值SlowRise_L<0，预设值SlowRise_H>0，所述预设值AddSlowRise_L大于等于预设值AddStable_H；同时，所述预设值SlowRise_H与预设值SlowRise_L之和大于0。

10.根据权利要求2所述的数据处理方法，其特征在于：所述“缓慢下降”的数据状态通过以下分析方法实现：最新的m3组数据间的变化量在预设范围(SlowDrop_L，SlowDrop_H)之内，并且，该m3组数据间的累加变化量在预设范围(AddSlowDrop_L，AddSlowDrop_H)之内；同时，所述m3组采集数据中有n3组数据间的变化量小于0。

11.根据权利要求10所述的数据处理方法，其特征在于：所述m3为大于1的自然数，并且，m3≤m。

12.根据权利要求11所述的数据处理方法，其特征在于：所述n3为大于或等于1的自然数，并且，m3/2<n3<m3。

13.根据权利要求10所述的数据处理方法，其特征在于：所述预设值SlowDrop_L<0，所述预设值SlowDrop_H>0；并且，所述预设值SlowDrop_H与预设值SlowDrop_L之和小于0；所述预设值AddSlowDrop_H小于等于预设值AddStable_L。

14.根据权利要求7所述的数据处理方法，其特征在于：所述“迅速增长”的数据状态通过以下分析方法实现：连续m4组数据间的变化量大于预设值BigRise_L。

15.根据权利要求14所述的数据处理方法，其特征在于：所述m4为大于1的自然数，并且，m4≤m。

16.根据权利要求14所述的数据处理方法，其特征在于：所述预设值BigRise_L大于预设值SlowRise_H。

17.根据权利要求10所述的数据处理方法，其特征在于：所述“迅速下降”的数据状态通过以下分析方法实现：连续m5组数据间的变化量小于预设BigDrop_H。

18.根据权利要求17所述的数据处理方法，其特征在于：所述m5为大于1的自然数，并且，m5≤m。

19.根据权利要求17所述的数据处理方法，其特征在于：所述预设值BigDrop_H小于预设值SlowDrop_L。