抽油烟机的吸风状态控制方法和抽油烟机

摘要

本发明公开了一种抽油烟机的吸风状态控制方法和抽油烟机。其中，该方法包括：通过获取抽油烟机所产生油烟的状态信息；依据上述状态信息确定上述抽油烟机的控制指令；依据上述控制指令控制上述抽油烟机的吸风状态。本发明解决了现有的抽油烟机无法根据油烟浓度与分布情况调节吸风状态，导致吸油烟效果不佳的技术问题。

权利要求

1.一种抽油烟机的吸风状态控制方法，其特征在于，包括：

获取抽油烟机所产生油烟的状态信息；

依据所述状态信息确定所述抽油烟机的控制指令；

依据所述控制指令控制所述抽油烟机的吸风状态；

其中,获取抽油烟机所产生油烟的状态信息，包括：获取所述油烟的第一图像信息；使用第一模型对所述第一图像信息进行分析，确定所述第一图像信息中的第一状态信息，其中，所述第一模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：图像信息和图像信息所对应的状态信息；

依据所述状态信息确定所述抽油烟机的控制指令之前，所述方法还包括：获取通过油烟浓度检测仪检测的第一油烟浓度；将第一浓度和所述第一状态信息中的第二油烟浓度进行比较；在所述第一浓度和所述第二油烟浓度的差异小于第一预设阈值时，触发确定所述抽油烟机的控制指令。

2.根据权利要求1所述的方法，其特征在于，

依据所述状态信息确定所述抽油烟机的控制指令之前，所述方法还包括：获取所述油烟的第二图像信息，其中，所述第二图像信息和所述第一图像信息为从不同角度同时采集的图像信息；使用第一模型对所述第二图像信息进行分析，确定所述第二图像信息中的第二状态信息，其中，所述第一模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：图像信息和图像信息所对应的状态信息；

依据所述状态信息确定所述抽油烟机的控制指令，包括：比较所述第一状态信息和所述第二状态信息，并在所述第一状态信息和所述第二状态信息的差异小于第二预设阈值时，从所述第一状态信息和所述第二状态信息中选择一个状态信息；依据选择的状态信息确定所述控制指令。

3.根据权利要求1所述的方法，其特征在于，所述状态信息包括：所述油烟的浓度、所述油烟的分布区域。

4.根据权利要求3所述的方法，其特征在于，

依据所述状态信息确定所述抽油烟机的控制指令，包括：确定与所述状态信息中所述油烟的浓度对应的第一指令，其中，所述第一指令中携带有目标风量值；

依据所述控制指令控制所述抽油烟机的吸风状态，包括：依据所述第一指令中的目标风量值调整所述抽油烟机的风量值。

5.根据权利要求4所述的方法，其特征在于，所述目标风量值通过以下方式确定：获取所述油烟的浓度；

使用第三模型对所述油烟的浓度进行分析，确定所述油烟的浓度对应的风量值，其中，所述第三模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：油烟的浓度和与油烟的浓度对应的风量值。

6.根据权利要求3所述的方法，其特征在于，

依据所述状态信息确定所述抽油烟机的控制指令，包括：在所述抽油烟机设置有导烟板时，确定与所述状态信息中所述油烟的分布区域对应的第二指令，其中，所述第二指令中携带有导烟板的目标开度；

依据所述控制指令控制所述抽油烟机的吸风状态，包括：依据所述第二指令中的目标开度调整所述导烟板的开度。

7.根据权利要求6所述的方法，其特征在于，所述目标开度通过以下方式确定：获取所述油烟的分布区域；

使用第四模型对所述油烟的分布区域进行分析，确定所述油烟的分布区域对应的开度，其中，所述第四模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：油烟的分布区域和与油烟的分布区域对应的目标开度。

8.一种抽油烟机，其特征在于，包括：

图像采集装置，用于获取抽油烟机所产生油烟的图像信息，并从所述图像信息中提取油烟的状态信息；

处理器，用于依据所述状态信息确定所述抽油烟机的控制指令；以及依据所述控制指令控制所述抽油烟机的吸风状态；

所述抽油烟机还用于获取所述油烟的第一图像信息；使用第一模型对所述第一图像信息进行分析，确定所述第一图像信息中的第一状态信息，其中，所述第一模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：图像信息和图像信息所对应的状态信息；还用于在所述处理器依据所述状态信息确定所述抽油烟机的控制指令之前，获取通过油烟浓度检测仪检测的第一油烟浓度；将第一浓度和所述第一状态信息中的第二油烟浓度进行比较；在所述第一浓度和所述第二油烟浓度的差异小于第一预设阈值时，触发确定所述抽油烟机的控制指令。

说明书

抽油烟机的吸风状态控制方法和抽油烟机

技术领域

[0001] 本发明涉及智能控制领域，具体而言，涉及一种抽油烟机的吸风状态控制方法和抽油烟机。

背景技术

[0002] 传统抽油烟机的吸力需要依靠人工手动控制调节，例如，通过点击抽油烟机上设置的按键或者旋转开关，增大或者减小抽油烟机的吸力，但是，依靠人工进行手动控制仅可以控制抽油烟机的吸力的大小，无法具体识别抽油烟机的油烟浓度和油烟分布情况，适应性调节抽油烟机的吸风状态，往往会出现吸力不足或者吸力过大浪费资源的问题。

[0003] 并且，很多情况下用户无法及时的对抽油烟机的吸风状态进行调节控制，例如，在用户发现需要调节抽油烟器的吸力时，房间内的油烟浓度可能已经超标，造成抽油烟机的吸烟效果不佳，进而严重影响了用户的身体健康和使用体验。

[0004] 针对上述的现有的抽油烟机无法根据油烟浓度与分布情况调节吸风状态，导致吸油烟效果不佳的问题，目前尚未提出有效的解决方案。

发明内容

[0005] 本发明实施例提供了一种抽油烟机的吸风状态控制方法和抽油烟机，以至少解决现有的抽油烟机无法根据油烟浓度与分布情况调节吸风状态，导致吸油烟效果不佳的技术问题。

[0006] 根据本发明实施例的一个方面，提供了一种抽油烟机的吸风状态控制方法，包括：获取抽油烟机所产生油烟的状态信息；依据上述状态信息确定上述抽油烟机的控制指令；
依据上述控制指令控制上述抽油烟机的吸风状态。

[0007] 进一步地，获取抽油烟机所产生油烟的状态信息，包括：获取上述油烟的第一图像信息；使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息中的第一状态信息，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：图像信息和图像信息所对应的状态信息。

[0008] 进一步地，依据上述状态信息确定上述抽油烟机的控制指令之前，上述方法还包括：获取通过油烟浓度检测仪检测的第一油烟浓度；将上述第一浓度和上述第一状态信息中的第二油烟浓度进行比较；在上述第一浓度和上述第二油烟浓度的差异小于第一预设阈值时，触发确定上述抽油烟机的控制指令。

[0009] 进一步地，依据上述状态信息确定上述抽油烟机的控制指令之前，上述方法还包括：获取上述油烟的第二图像信息，其中，上述第二图像信息和上述第一图像信息为从不同角度同时采集的图像信息；使用第一模型对上述第二图像信息进行分析，确定上述第二图像信息中的第二状态信息，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：图像信息和图像信息所对应的状态信息；依据上述状态信息确定上述抽油烟机的控制指令，包括：比较上述第一状态信息和上述第二状态信息，并在上述第一状态信息和上述第二状态信息的差异小于第二预设阈值时，从上述第一状态信息和上述第二状态信息中选择一个状态信息；依据选择的状态信息确定上述控制指令。

[0010] 进一步地，上述状态信息包括：上述油烟的浓度、上述油烟的分布区域。

[0011] 进一步地，依据上述状态信息确定上述抽油烟机的控制指令，包括：确定与上述状态信息中上述油烟的浓度对应的第一指令，其中，上述第一指令中携带有目标风量值；依据上述控制指令控制上述抽油烟机的吸风状态，包括：依据上述第一指令中的目标风量值调整上述抽油烟机的风量值。

[0012] 进一步地，上述目标风量值通过以下方式确定：获取上述油烟的浓度；使用第三模型对上述油烟的浓度进行分析，确定上述油烟的浓度对应的风量值，其中，上述第三模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：油烟的浓度和与油烟的浓度对应的风量值。

[0013] 进一步地，依据上述状态信息确定上述抽油烟机的控制指令，包括：在上述抽油烟机设置有导烟板时，确定与上述状态信息中上述油烟的分布区域对应的第二指令，其中，上述第二指令中携带有导烟板的目标开度；依据上述控制指令控制上述抽油烟机的吸风状态，包括：依据上述第二指令中的目标开度调整上述导烟板的开度。

[0014] 进一步地，上述目标开度通过以下方式确定：获取上述油烟的分布区域；使用第四模型对上述油烟的分布区域进行分析，确定上述油烟的分布区域对应的开度，其中，上述第四模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：油烟的分布区域和与油烟的分布区域对应的目标开度。

[0015] 根据本发明实施例的另一方面，还提供了一种抽油烟机，包括：图像采集装置，用于获取抽油烟机所产生油烟的图像信息，并从上述图像信息中提取油烟的状态信息；处理器，用于依据上述状态信息确定上述抽油烟机的控制指令；以及依据上述控制指令控制上述抽油烟机的吸风状态。

[0016] 在本发明实施例中，采用智能控制的方式，通过获取抽油烟机所产生油烟的状态信息；依据上述状态信息确定上述抽油烟机的控制指令；依据上述控制指令控制上述抽油烟机的吸风状态，达到了根据油烟浓度与分布情况，控制上述抽油烟机的吸风状态的目的，从而实现了改善油烟机吸油烟效果，减少能耗的技术效果，进而解决了现有的抽油烟机无法根据油烟浓度与分布情况调节吸风状态，导致吸油烟效果不佳的技术问题。

附图说明

[0017] 此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

[0018] 图1是根据本发明实施例的一种抽油烟机的吸风状态控制方法的步骤流程图；

[0019] 图2是根据本发明实施例的一种可选的抽油烟机的吸风状态控制方法的步骤流程图；

[0020] 图3是根据本发明实施例的一种抽油烟机的结构示意图；以及

[0021] 图4是根据本发明实施例的一种抽油烟机的吸风状态控制装置的结构示意图。

具体实施方式

[0022] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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他实施例，都应当属于本发明保护的范围。

[0023] 需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0024] 首先，为方便理解本发明实施例，下面将对本发明中所涉及的部分术语或名词进行解释说明：

[0025] 像素：是计算机屏幕上所能显示的最小单位，用来表示图像的单位，指可以显示出的水平和垂直像素的数组，屏幕中的像素点越多，画面的分辨率越高，图像就越细腻和逼真；像素点：指像素的数值。

[0026] 二值化：是指对摄像头拍摄的图片，大多数是彩色图像，彩色图像所含信息量巨大，对于图片的内容，可以简单的分为前景与背景，先对彩色图进行处理，使图片只有前景信息与背景信息，可以简单的定义前景信息为黑色，背景信息为白色，这就是二值化图了。

[0027] CNN：卷积神经网络，是指描述了对输入图像的操作，输出一组描述图像内容的分类或分类的概率，即对输入的图像进行识别，以输出图像中的对象的概率；通过一系列卷积层级建构出更为抽象的概念，包括建立多个神经元，并建立对应的输入层和输出层，从而将输入的节点通过神经元不断关联，得到优化对象，一般会包括卷积层、过滤层，通过前向传导、损失函数、后向传导、以及函数更新作为一个学习周期，对每一训练图片，程序将重复固定数目的周期过程，以不断优化训练学习结果。

[0028] 以图搜图：是指在获取到图像后，通过深度学习对结果进行排序，并通过用户记录的三元组数据(查询图片、点击图片和未点击图片)来训练模型的排序损失函数，从而得到排序结果，在输入一张图像后，模型会自动检测出主体，然后按照排序分数高低排出相关对象的结果。

[0029] 迁移学习：实质是图像匹配，通过迁移学习将模型应用在各个领域中，具体是数据库中的图片的矢量表示X通过线性变换迁移到别的领域的图像X1上，通过引用随机傅里叶函数，将迁移变换转变为非线性函数，然后得到需要的图像。

[0030] 朴素贝叶斯：是指给一张图片，可以返回对象分类，将图片识别作为一个简单的态度，以得到相应的对象。

[0031] 依存语法：是指构建主词与描述主词的词之间的关系，依存语法中没有词组这个层次，每一个结点都与句子中的单词相对应，能直接处理句子中词与词之间的关系，以便于分析和信息提取。

[0032] 决策树：是指根据特征进行分类，每个节点提出一个问题，将数据分为两类，并继续提问，这些问题是在已有的数据上学习训练的，以在投入新数据时，根据数据所在的树上的问题，将数据划分到对应的叶子上。

[0033] 深度学习：是机器学习中一种基于对数据进行表征学习的方法，概念源于人工神经网络的研究，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，含多隐层的多层感知器就是一种深度学习结构。

[0034] KNN算法：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。

[0035] 实施例1

[0036] 根据本发明实施例，提供了一种抽油烟机的吸风状态控制方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

[0037] 图1是根据本申请实施例的一种抽油烟机的吸风状态控制方法的步骤流程图，如图1所示，该方法包括如下步骤：

[0038] 步骤S102，获取抽油烟机所产生油烟的状态信息；

[0039] 步骤S104，依据上述状态信息确定上述抽油烟机的控制指令；

[0040] 步骤S106，依据上述控制指令控制上述抽油烟机的吸风状态。

[0041] 在本申请实施例中，采用智能控制的方式，通过获取抽油烟机所产生油烟的状态信息；依据上述状态信息确定上述抽油烟机的控制指令；依据上述控制指令控制上述抽油烟机的吸风状态，达到了根据抽油烟机的油烟浓度与分布情况，控制抽油烟机的吸风状态的目的，从而实现了改善油烟机吸油烟效果，减少能耗的技术效果，进而解决了现有的抽油烟机无法根据油烟浓度与分布情况调节吸风状态，导致吸油烟效果不佳的技术问题。

[0042] 在一种可选的实施例中，上述状态信息包括：上述油烟的浓度、上述油烟的分布区域。

[0043] 作为一种可选的实施例，上述步骤S102，获取抽油烟机所产生油烟的状态信息，包括：获取上述油烟的第一图像信息；使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息中的第一状态信息，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：图像信息和图像信息所对应的状态信息。

[0044] 本申请实施例中，可以在设置有上述抽油烟机的房间内的指定区域设置一个或多个图像采集装置，(例如，摄像头)，以采集油烟的图像信息，本申请中对于摄像头的设置位置不做限定，例如，以上述抽油烟机设置在普通居民家庭为例，可以但不限于在厨房内的炒锅所在区域的房屋顶部、靠近但不位于抽油烟机抽风口处，分别设置一个摄像头；但是如果上述抽油烟机设置在大型餐厅，酒店，上述摄像头的设置个数和部署范围，则需要根据可能存在油烟的情况适应性设置。

[0045] 在一个可选实施例中，图像采集装置也可以设置在抽油烟机上，例如，设置在抽油烟机的抽风口处，或者，设置在抽油烟机的边缘位置。

[0046] 通过设置在不同位置的摄像头可以分别采集所在区域的油烟的图像，在采集图像时，可以是每隔预设时间段(例如，每隔一分钟)拍摄一次图像，然后根据上述图像分析产生油烟的状态信息，并依据上述状态信息确定上述抽油烟机的控制指令，进而依据上述控制指令控制上述抽油烟机的吸风状态。

[0047] 需要说明的是，本申请中对于拍摄的图像的类别不做限定，包括但不限于：黑白图像(灰度图像)、彩色图像(RGB图像)。在分析图像时，可以根据二值化图像处理方式分析图像中的信息，具体的，在分析时，可以对图像中多个像素点与历史图像中的像素点位置进行比较，以确定出存在差异的像素点，然后将存在差异的像素点区分出来，得到图像中是否存在油烟的图像信息。

[0048] 其中，上述第一图像信息可以是指拍摄到的油烟的图像，并将图像发送至数据库中。在本申请所提供的实施方案中，可以将多个摄像头分别与抽油烟机、服务器和用户家庭(餐厅、饭店、酒店等)的网关设备建立网络连接，并在采集得到油烟的图像后，发送上述油烟的图像至数据库中，以方便服务器对油烟的图像信息进行分析处理。需要说明的是，上述网关设备可以包括但不限于：无线网卡、蓝牙、Wi-Fi等。

[0049] 作为一种可选的实施方式，本申请可以预先在服务器或者数据库中预先存储一个预定模板图像，例如，预先拍摄一张油烟的图像，将该图像作为预定模板图像，需要说明的是，本申请对于预存的预定模板图像不作具体限定，可以为但不限于为任意一个抽油烟机都预存一份(一张或者多张)预定模板图像，以用于和之后获取到的图像信息进行比较，但是由于一个区域内可能设置有多个抽油烟机，例如，多个抽油烟机利用互联网络进行通信，进而可以协同或者分工进行抽油烟，因此，可以在与上述多个抽油烟机存在连接关系的数据库中预存一份预定模板图像。

[0050] 在获取得到上述第一图像信息之后，可以将第一图像信息与预定模板图像进行比较，从而分析出差异，依据差异确定上述第一图像信息中的第一状态信息。其中，预定模板图像中可以包括多个信息，可以包括但不限于：油烟、油烟的浓度(例如，可以通过图片的颜色深浅进行确定)、油烟的分布区域(例如，可以通过图片的颜色深浅的分布进行确定)等信息，将预定模板图像中的多个信息进行分析，并将预定模板图像和模板图像信息存储在上述第一模型中，以用于之后对拍摄到的油烟的图像信息进行分析。

[0051] 其中，在分析当前拍摄的油烟图像与预定模板图像的差异时，可以通过二值化处理方式对图像进行预处理，以提取出图像中存在明显差异的地方。在二值化处理时，可以分析图像中的各个像素点所在的像素差异和颜色差异，从而确定出整体的图像存在的差异。

[0052] 作为一种可选的实施方式，上述数据库或者服务器可以预先存储预定模板图像中预先存储的多个特征信息，从而在分析获取得到的油烟的图像信息与预定模板图像的差异时，可以通过比较特征信息来确定出存在差异之处。

[0053] 其中，可以利用CNN算法，从拍摄到的图像信息中提取出油烟的多个特征信息，在提取时，可以将图像中输入至神经网络中，以通过建立相应的神经元，并根据神经元之间的预设函数(如Sigmoid函数)确定图像特征和图像特征映射，从而根据确定的特征映射，输出图像的多个特征。另外，在分析图像差异时，可以采用深度学习，建立第一预设模型之后，再次进行用户身份特征和用户特征提取时，可以利用以图搜图的方法搜索数据库中与当前拍摄图像相似的图像，并提取出图像中油烟特征信息，此外，还可以使用朴素贝叶斯算法提取油烟特征信息。

[0054] 在分析图像中的目标对象时，可以利用深度学习或者KNN算法，将图像信息中存在相同特征的图像信息滤除，以得到存在差异的特征信息，进而得到油烟的图像信息与模板图像的差异信息。例如，在拍摄到油烟的图像信息，将图像信息与预定模板图像进行比较，若判断出图像中并未存在目标对象(油烟)，则可以不对抽油烟机的吸风状态进行调整，如果该抽油烟机处于开启状态，还可以选择关闭该抽油烟机；若判断出存在目标对象，则可以根据油烟的状态信息确定抽油烟机的控制指令，进而控制该抽油烟机的吸风状态。

[0055] 本申请在分析油烟的图像时，可以但不限于采用以图搜图的方式，将模型中与当前图像有相似特征的图像提取出来，并通过迁移学习算法，确定出最接近的图像。而在油烟的状态信息对应的抽油烟机的控制指令，并依据上述控制指令控制上述抽油烟机的吸风状态时，可以通过KNN算法提取出上述控制指令对应的抽油烟机的吸风状态。上述吸风状态中的吸风的风量、方向和速度、导烟板的开度，均可以根据抽油烟机的类型(大型、小型、室内型、室外型、家用、酒店用等类型)进行预先区分设置。

[0056] 在建立上述第一模型时，可以通过历史时间段中拍摄的油烟的图像信息和图像信息所对应的状态信息，指示油烟图像标签。在拍摄的图像信息中可以着重提取包含油烟浓度和分布区域的图像信息，并将对应的用户图像标签和油烟图像存储在数据库中，以让机器学习训练，从而在拍摄到最新的油烟的图像后，可以根据输入的图像信息，分析出图像中的油烟的状态信息，进而确定上述抽油烟机的控制指令。

[0057] 需要说明的是，以下任意一种实施方案中出现的第二模型、第三模型和第四模型的建立方式，以及对对应的数据进行分析的方式可以但不限于上述第一模型分析数据的方式。

[0058] 另外，可以建立每个用户或家庭(餐厅、饭店、酒店等)对应设置的抽油烟机调整参数，并将参数数据和用户或家庭(餐厅、饭店、酒店等)身份相匹配存在数据库中，并建立一个数据模型，以在确定出用户或家庭(餐厅、饭店、酒店等)身份信息后，提取对应的抽油烟机调整参数，从而可以有效控制抽油烟机的吸风状态，增强用户的体验感。

[0059] 在一种可选的实施例中，如图2所示，依据上述状态信息确定上述抽油烟机的控制指令之前，上述方法还包括如下步骤：

[0060] 步骤S202，获取通过油烟浓度检测仪检测的第一油烟浓度；

[0061] 步骤S204，将上述第一浓度和上述第一状态信息中的第二油烟浓度进行比较；

[0062] 步骤S206，在上述第一浓度和上述第二油烟浓度的差异小于第一预设阈值时，触发确定上述抽油烟机的控制指令。

[0063] 为了提高控制油烟机的吸风状态的准确性，提高用户的使用体验，根据上述设置一个或多个摄像头的方式获取油烟的第一图像信息，使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息中的第一状态信息，其中，上述第一状态信息中至少包括：第二油烟浓度。除此之外，本申请还可以通过油烟浓度检测仪检测的第一油烟浓度，并在第一浓度和上述第二油烟浓度的差异小于第一预设阈值时，触发确定上述抽油烟机的控制指令对抽烟机的吸风状态进行控制。

[0064] 通过识别油烟的产生区域，并根据检测到的油烟浓度，确定对应的抽油烟机的控制指令，可以实现针对性的对抽油烟机的吸风状态进行调节控制，从而可以改善油烟机吸油烟效果，减少能源的消耗。

[0065] 在本申请所提供的可选实施方式中，依据上述状态信息确定上述抽油烟机的控制指令之前，上述方法还包括：

[0066] 获取上述油烟的第二图像信息，其中，上述第二图像信息和上述第一图像信息为从不同角度同时采集的图像信息；

[0067] 使用第一模型对上述第二图像信息进行分析，确定上述第二图像信息中的第二状态信息，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：图像信息和图像信息所对应的状态信息；

[0068] 需要说明的是，上述第二图像信息可以为但不限于以上述第一图像信息的获取方式进行获取得到，可以参见上述获取第一图像信息，并确定第一状态信息的相关描述，此处不再赘述。

[0069] 作为一种可选的实施例，依据上述状态信息确定上述抽油烟机的控制指令，包括：比较上述第一状态信息和上述第二状态信息，并在上述第一状态信息和上述第二状态信息的差异小于第二预设阈值时，从上述第一状态信息和上述第二状态信息中选择一个状态信息；依据选择的状态信息确定上述控制指令。

[0070] 为了提高控制油烟机的吸风状态的准确性，提高用户的使用体验，进而可以根据两次获取得到的油烟的图像信息，并通过对应的分析模型进行分析得到的第一状态信息和第二状态信息进行比较，并在上述第一状态信息和上述第二状态信息的差异小于第二预设阈值时，选择一个状态信息，并依据所选择的状态信息确定上述控制指令。

[0071] 在另外一种可选的实施例中，依据上述状态信息确定上述抽油烟机的控制指令，包括：确定与上述状态信息中上述油烟的浓度对应的第一指令，其中，上述第一指令中携带有目标风量值；依据上述控制指令控制上述抽油烟机的吸风状态，包括：依据上述第一指令中的目标风量值调整上述抽油烟机的风量值。

[0072] 由于上述状态信息中包括：油烟的浓度和油烟的分布区域，因此，在确定上述状态信息之后，可以对上述状态信息进行区分处理，在上述状态信息为油烟的浓度时，确定与上述状态信息中上述油烟的浓度对应的第一指令，并依据上述第一指令中的目标风量值调整上述抽油烟机的风量值。

[0073] 在一种可选的实施例中，上述抽油烟机的风量值可以不设置具体的档位，也即无档位，区别于现有的固定根据快档位和慢档位控制方式，根据油烟的浓度和分布区域，无档位进行风量控制，可以实现更加的准确调节控制的效果。

[0074] 在另一种可选的实施例中，上述抽油烟机的风量值可以与现有技术中的调整风量值的风量档位相匹配，进而可以通过依据上述第一指令控制风量档位的方式，可以更加准确的调节控制抽油烟机的吸风状态。

[0075] 通过上述实施例，可以有针对性的对抽油烟机的吸风状态进行调节控制，进而可以达到根据抽油烟机的油烟浓度控制抽油烟机的吸风状态的目的，从而实现了改善油烟机吸油烟效果，减少能耗的技术效果。

[0076] 作为一种可选的实施例，上述目标风量值通过以下方式确定：获取上述油烟的浓度；使用第三模型对上述油烟的浓度进行分析，确定上述油烟的浓度对应的风量值，其中，上述第三模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：油烟的浓度和与油烟的浓度对应的风量值。

[0077] 可选的，上述油烟的浓度可以为但不限于上述获取第一浓度的方式，例如，可以通过油烟浓度检测仪检测得到。

[0078] 需要说明的是，上述使用第三模型对上述油烟的浓度进行分析，从而确定上述油烟的浓度对应的风量值的实施方式，可以参见上述使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息中的第一状态信息的相关描述，此处不再赘述。

[0079] 在一种可选的实施例中，依据上述状态信息确定上述抽油烟机的控制指令，包括：在上述抽油烟机设置有导烟板时，确定与上述状态信息中上述油烟的分布区域对应的第二指令，其中，上述第二指令中携带有导烟板的目标开度；依据上述控制指令控制上述抽油烟机的吸风状态，包括：依据上述第二指令中的目标开度调整上述导烟板的开度。

[0080] 作为一种可选的实施方案，如果上述状态信息中油烟分布区域比较集中，则可以将上述抽油烟机中设置的导烟板设置为较小开度，相应的，如果上述状态信息中油烟分布区域比较分散，则可以将上述导烟板设置为较大的开度。具体的，可以根据上述油烟的分布区域对上述导烟板的开度大小进行适应性调节。

[0081] 本申请上述实施例，通过识别油烟的产生区域，并根据检测油烟分布区域控制导风板伸缩形成不同吸力，可以有针对性的对抽油烟机的吸风状态进行调节控制，进而可以达到根据抽油烟机的油烟浓度控制抽油烟机的吸风状态的目的，从而实现了改善油烟机吸油烟效果，减少能耗的技术效果。

[0082] 此外，以下通过一种可选的实施方式进行说明，如何确定上述目标开度：获取上述油烟的分布区域；使用第四模型对上述油烟的分布区域进行分析，确定上述油烟的分布区域对应的开度，其中，上述第四模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：油烟的分布区域和与油烟的分布区域对应的目标开度。

[0083] 可选的，在本申请实施例中，可以但不限于通过拍摄图像的方式获取上述油烟的分布区域。

[0084] 需要说明的是，上述使用第四模型对上述油烟的分布区域进行分析，从而确定上述油烟的分布区域对应的开度的实施方式，可以参见上述使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息中的第一状态信息的相关描述，此处不再赘述。

[0085] 实施例2

[0086] 本申请实施例，还提供了一种用于实施上述抽油烟机的吸风状态控制方法的抽油烟机，图3是根据本申请实施例的一种抽油烟机的结构示意图，如图3所示，上述抽油烟机，包括：图像采集装置30和处理器32，其中，

[0087] 图像采集装置30，用于获取抽油烟机所产生油烟的图像信息，并从上述图像信息中提取油烟的状态信息；处理器32，用于依据上述状态信息确定上述抽油烟机的控制指令；以及依据上述控制指令控制上述抽油烟机的吸风状态。

[0088] 需要说明的是，上述实施例1中的任意一种抽油烟机的吸风状态控制方法，均可以在本实施例所提供的抽油烟机中执行或实现。

[0089] 此外，仍需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。

[0090] 实施例3

[0091] 根据本发明实施例，还提供了一种用于实施上述抽油烟机的吸风状态控制方法的装置，图4是根据本发明实施例的一种抽油烟机的吸风状态控制装置的结构示意图，如图4所示，上述抽油烟机的吸风状态控制装置，包括：获取模块40、确定模块42和控制模块44，其中，

[0092] 获取模块40，用于获取抽油烟机所产生油烟的状态信息；确定模块42，用于依据上述状态信息确定上述抽油烟机的控制指令；控制模块44，用于依据上述控制指令控制上述抽油烟机的吸风状态。

[0093] 此处需要说明的是，上述获取模块40、确定模块42和控制模块44对应于实施例1中的步骤S102至步骤S106，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。

[0094] 需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。

[0095] 上述的抽油烟机的吸风状态控制装置还可以包括处理器和存储器，上述获取模块40、确定模块42和控制模块44等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

[0096] 处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来调整抽油烟机的运行参数，以合理、准确的调整抽油烟机的吸风状态和风量。

[0097] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

[0098] 本申请实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行上述任意一种抽油烟机的吸风状态控制方法。

[0099] 可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

[0100] 本申请实施例还提供了一种处理器。可选地，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种抽油烟机的吸风状态控制方法。

[0101] 本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取抽油烟机所产生油烟的状态信息；依据上述状态信息确定上述抽油烟机的控制指令；依据上述控制指令控制上述抽油烟机的吸风状态。

[0102] 可选地，上述处理器执行程序时，还可以获取上述油烟的第一图像信息；使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息中的第一状态信息，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：图像信息和图像信息所对应的状态信息。

[0103] 可选地，上述处理器执行程序时，还可以获取通过油烟浓度检测仪检测的第一油烟浓度；将上述第一浓度和上述第一状态信息中的第二油烟浓度进行比较；在上述第一浓度和上述第二油烟浓度的差异小于第一预设阈值时，触发确定上述抽油烟机的控制指令。

[0104] 可选地，上述处理器执行程序时，还可以获取上述油烟的第二图像信息，其中，上述第二图像信息和上述第一图像信息为从不同角度同时采集的图像信息；使用第一模型对上述第二图像信息进行分析，确定上述第二图像信息中的第二状态信息，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：图像信息和图像信息所对应的状态信息；依据上述状态信息确定上述抽油烟机的控制指令，包括：比较上述第一状态信息和上述第二状态信息，并在上述第一状态信息和上述第二状态信息的差异小于第二预设阈值时，从上述第一状态信息和上述第二状态信息中选择一个状态信息；依据选择的状态信息确定上述控制指令。

[0105] 可选地，上述处理器执行程序时，还可以确定与上述状态信息中上述油烟的浓度对应的第一指令，其中，上述第一指令中携带有目标风量值；依据上述控制指令控制上述抽油烟机的吸风状态，包括：依据上述第一指令中的目标风量值调整上述抽油烟机的风量值。

[0106] 可选地，上述处理器执行程序时，还可以获取上述油烟的浓度；使用第三模型对上述油烟的浓度进行分析，确定上述油烟的浓度对应的风量值，其中，上述第三模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：油烟的浓度和与油烟的浓度对应的风量值。

[0107] 可选地，上述处理器执行程序时，还可以在上述抽油烟机设置有导烟板时，确定与上述状态信息中上述油烟的分布区域对应的第二指令，其中，上述第二指令中携带有导烟板的目标开度；依据上述控制指令控制上述抽油烟机的吸风状态，包括：依据上述第二指令中的目标开度调整上述导烟板的开度。

[0108] 可选地，上述处理器执行程序时，还可以获取上述油烟的分布区域；使用第四模型对上述油烟的分布区域进行分析，确定上述油烟的分布区域对应的开度，其中，上述第四模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：油烟的分布区域和与油烟的分布区域对应的目标开度。

[0109] 本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取抽油烟机所产生油烟的状态信息；依据上述状态信息确定上述抽油烟机的控制指令；依据上述控制指令控制上述抽油烟机的吸风状态。

[0110] 可选地，上述计算机程序产品执行程序时，还可以获取上述油烟的第一图像信息；使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息中的第一状态信息，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：图像信息和图像信息所对应的状态信息。

[0111] 可选地，上述计算机程序产品执行程序时，还可以获取通过油烟浓度检测仪检测的第一油烟浓度；将上述第一浓度和上述第一状态信息中的第二油烟浓度进行比较；在上述第一浓度和上述第二油烟浓度的差异小于第一预设阈值时，触发确定上述抽油烟机的控制指令。

[0112] 可选地，上述计算机程序产品执行程序时，还可以获取上述油烟的第二图像信息，其中，上述第二图像信息和上述第一图像信息为从不同角度同时采集的图像信息；使用第一模型对上述第二图像信息进行分析，确定上述第二图像信息中的第二状态信息，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：图像信息和图像信息所对应的状态信息；依据上述状态信息确定上述抽油烟机的控制指令，包括：比较上述第一状态信息和上述第二状态信息，并在上述第一状态信息和上述第二状态信息的差异小于第二预设阈值时，从上述第一状态信息和上述第二状态信息中选择一个状态信息；依据选择的状态信息确定上述控制指令。

[0113] 可选地，上述计算机程序产品执行程序时，还可以确定与上述状态信息中上述油烟的浓度对应的第一指令，其中，上述第一指令中携带有目标风量值；依据上述控制指令控制上述抽油烟机的吸风状态，包括：依据上述第一指令中的目标风量值调整上述抽油烟机的风量值。

[0114] 可选地，上述计算机程序产品执行程序时，还可以获取上述油烟的浓度；使用第三模型对上述油烟的浓度进行分析，确定上述油烟的浓度对应的风量值，其中，上述第三模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：油烟的浓度和与油烟的浓度对应的风量值。

[0115] 可选地，上述计算机程序产品执行程序时，还可以在上述抽油烟机设置有导烟板时，确定与上述状态信息中上述油烟的分布区域对应的第二指令，其中，上述第二指令中携带有导烟板的目标开度；依据上述控制指令控制上述抽油烟机的吸风状态，包括：依据上述第二指令中的目标开度调整上述导烟板的开度。

[0116] 可选地，上述计算机程序产品执行程序时，还可以获取上述油烟的分布区域；使用第四模型对上述油烟的分布区域进行分析，确定上述油烟的分布区域对应的开度，其中，上述第四模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：油烟的分布区域和与油烟的分布区域对应的目标开度。

[0117] 采用本申请实施例，提供了一种抽油烟机的吸风状态控制的方案。通过获取抽油烟机所产生油烟的状态信息；依据上述状态信息确定上述抽油烟机的控制指令；依据上述控制指令控制上述抽油烟机的吸风状态，达到了根据油烟浓度与分布情况，控制上述抽油烟机的吸风状态的目的，从而实现了改善油烟机吸油烟效果，减少能耗的技术效果，进而解决了现有的抽油烟机无法根据油烟浓度与分布情况调节吸风状态，导致吸油烟效果不佳的技术问题。

[0118] 上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

[0119] 在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

[0120] 在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

[0121] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0122] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0123] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

[0124] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。