温度检测方法、装置及电子设备与流程

本技术涉及电子设备，尤其涉及一种温度检测方法、装置及电子设备。

背景技术：

1、随着智能手机、智能手表、手环等智能终端的普及应用，智能终端的功能越来越多。例如，部分智能终端集成有温度检测功能，可以检测环境温度，例如使用终端设备的用户的体温等。集成温度检测功能已成智能终端的卖点之一，有助于用户实现环境温度检测或者个人健康管理等。

2、目前的智能终端虽然内置有温度感应器，但这些温度传感器主要用于检测设备自身的温度，例如芯片的温度等，其数据受设备发热的影响，无法直接准确反映环境温度。部分智能终端通过额外配置专用的温度传感器来检测人体温度等，但这样又增加了成本，因此，开发一种能够有效处理内置传感器数据，并利用内置传感器数据检测智能终端外部温度，例如检测用户体温，成为了迫切需要解决的技术问题。

技术实现思路

1、本技术实施例提供一种温度检测方法、装置及电子设备，用以通过电子设备已有的内置传感器检测环境温度。

2、为了实现上述效果，本技术实施例采取的技术方案如下：

3、第一方面，本技术实施例提供一种温度检测方法，方法包括：获取初始特征和电子设备的使用场景对应的温度检测模型，初始特征包括电子设备的电流、电压和电子设备中设置的多个温度检测点的温度；将初始特征输入电子设备的使用场景对应的温度检测模型，得到预测的环境温度，其中，温度检测模型是在该使用场景下根据对初始特征进行非线性扩展和稀疏回归后的特征训练得到的。

4、本技术实施例提供的温度检测方法，利用电子设备中多个传感器检测的数据和温度检测模型实现环境温度的检测，其中温度检测模型是根据对初始特征进行非线性扩展和稀疏回归后的特征训练得到的，能够表达环境温度与电子设备内部传感器检测数据之间的非线性关系，从而可以更精确地检测环境温度，并且，无需额外增设传感器，仅利用电子设备内部原有的传感器即可实现环境温度检测，降低了检测成本。电子设备包括多种使用场景，例如充电场景、放电场景、通话场景、上网场景等等。每个使用场景对应一个温度检测模型，由于电子设备在不同使用场景下内部发热和环境温度对各传感器的影响不同，因此分场景训练和使用温度检测模型，可以提高温度检测模型检测环境温度的准确性。

5、在第一方面的一种可能的实现方式中，温度检测模型的训练步骤包括：获取电子设备在设定的使用场景的环境温度，以及在环境温度下的初始特征，基于初始特征构建初始特征池，初始特征池表示为：{t1，t2,…,tn}，其中，ti代表第i个传感器的数据，传感器包括电流传感器、电压传感器和多个温度检测点的温度传感器；对初始特征非线性扩展得到非线性扩展特征，将非线性扩展特征加入初始特征池得到扩展后的特征池，非线性扩展特征包括初始特征的多项式组合；基于扩展后的特征池及环境温度对初始模型训练，以得到设定的使用场景对应的温度检测模型，其中，温度检测模型表示为：y＝w1*x1+w2*x2+…+wm*xm，其中xi为扩展后的特征池中的特征，wi为特征对应的权重，y为温度检测模型预测的环境温度。由于环境温度和各传感器的检测数据之间并非简单的线性关系，本技术实施例采用非线性扩展技术可以提高模型的表达能力，使得温度检测更加精确。

6、在第一方面的一种可能的实现方式中，方法还包括：基于获取的初始特征和实际的环境温度重新训练温度检测模型，以得到更新后的温度检测模型。本技术实施例提供的温度检测方法引入自训练更新机制，在温度检测模型老化等情况下可以基于已有的数据训练更新温度检测模型，确保有较好的温度检测精度。

7、在第一方面的一种可能的实现方式中，训练温度检测模型采用的损失函数表示为：其中l为损失函数，x＝[x1，x2,…,xm]为扩展后特征池中所有特征组成的矩阵，w＝[w1,w2,…,wm]为扩展后特征池中各项特征对应的权重，y为环境温度，m为扩展后特征池中特征的数量，αl为惩罚因子，||w||1为权重w的1-范数。基于本技术实施例提供的损失函数，经过多次迭代可以实现特征选取，降低对模型输出结果影响较小的特征的权重，提高对模型输出结果影响较大的特征的权重，提高温度检测模型的表达能力，提高温度检测模型的精度和泛化性。

8、在第一方面的一种可能的实现方式中，获取初始特征包括：按照设定的时间间隔多次获取多个传感器检测的检测数据，传感器包括电流传感器、电压传感器和多个温度检测点的温度传感器；对检测数据预处理，得到初始特征，预处理包括卡尔曼滤波和跳点阈值剔除。通过对检测的数据预处理，可以有效地滤除噪声和异常数据，提高温度检测的准确性。

9、在第一方面的一种可能的实现方式中，对检测数据跳点阈值剔除包括：当第二时刻获取的任一个传感器的检测数据与在第二时刻之前的第一时刻该传感器的检测数据的差值大于阈值时，剔除第二时刻获取的全部传感器的检测数据。

10、第二方面，本技术实施例提供一种温度检测装置，包括：获取模块和处理模块；获取模块用于获取初始特征和电子设备的使用场景对应的温度检测模型，初始特征包括电子设备的电流、电压和电子设备中设置的多个温度检测点的温度；处理模块用于将初始特征输入电子设备的使用场景对应的温度检测模型，得到预测的环境温度，其中，温度检测模型是根据对初始特征进行非线性扩展和稀疏回归后的特征训练得到的。

11、在第二方面的一种可能的实现方式中，温度检测装置还包括训练模块，训练模块用于：获取电子设备在设定的使用场景的环境温度，以及在环境温度下的初始特征，基于初始特征构建初始特征池，初始特征池表示为：{t1，t2,…,tn}，其中，ti代表第i个传感器的数据，传感器包括电流传感器、电压传感器和多个温度检测点的温度传感器。对初始特征非线性扩展得到非线性扩展特征，将非线性扩展特征加入初始特征池得到扩展后的特征池，非线性扩展特征包括初始特征的多项式组合。基于扩展后的特征池及环境温度对初始模型训练，得到设定的使用场景对应的温度检测模型，其中，温度检测模型表示为：y＝w1*x1+w2*x2+…+wm*xm，其中xi为扩展后的特征池中的特征，wi为特征对应的权重，y为温度检测模型预测的环境温度。

12、在第二方面的一种可能的实现方式中，训练模块还用于基于获取的初始特征和实际的环境温度重新训练温度检测模型，以得到更新后的温度检测模型。

13、在第二方面的一种可能的实现方式中，训练温度检测模型采用的损失函数表示为：其中l为损失函数，x＝[x1，x2,…,xm]为扩展后特征池中所有特征组成的矩阵，w＝[w1,w2,…,wm]为扩展后特征池中各项特征对应的权重，y为环境温度，m为扩展后特征池中特征的数量，αl为惩罚因子，||w||1为权重w的1-范数。

14、在第二方面的一种可能的实现方式中，获取模块具体用于：按照设定的时间间隔多次获取多个传感器检测的检测数据，传感器包括电流传感器、电压传感器和多个温度检测点的温度传感器；对检测数据预处理，得到初始特征，预处理包括卡尔曼滤波和跳点阈值剔除。

15、第三方面，本技术实施例提供一种电子设备，电子设备包括处理器和存储器，存储器用于存储程序指令，处理器用于执行程序指令以执行如第一方面及其任一实现方式所提供的方法。

16、第四方面，本技术实施例提供一种计算机可读存储介质，计算机可读存储介质存储有程序指令，当程序指令被处理器执行时，使得处理器执行如第一方面及其任一实现方式所提供的方法。

17、第五方面，本技术实施例提供一种芯片，芯片包括至少一个处理器，当程序指令被至少一个处理器执行时，使得至少一个处理器执行如第一方面及其任一实现方式所提供的方法。

18、可以理解的是，上述提供的任一种温度检测装置、电子设备、计算机可读存储介质或芯片等均可以应用于上文所提供的对应的方法，因此，其所能达到的有益效果可参考对应的方法中的有益效果，此处不再赘述。