基于Mobile U-Net的图像识别方法在评估分体式空调内部表面污染中的应用

《COMPOSITE STRUCTURES》：Application of Mobile U-Net-based image recognition method in assessing internal surface contaminations on split air conditioners

空调内部污染智能检测方法研究。基于Mobile U-Net算法构建图像标准化处理流程，实现420×420像素灰度化与全像素灰度值积分计算，在2500组样本中取得97.3%准确率、97.8%IoU、97.9%Dice系数，建立Contamination Index量化评估体系，突破传统人工检测局限，支持无需拆机实时监测与科学化维保决策。

　　

乔彩|张宇|朱吉平|王曼颖|张楠|贾宏远|李文杰|陶一轩|刘伟

重庆科技大学土木与水利工程学院，中国重庆401331

摘要

空调内部表面的灰尘和污渍会显著影响设备性能和室内空气质量。目前的检测方法主要依赖于目视检查，但由于内部区域难以直接观察，因此检测起来较为困难。在这项研究中，我们开发了一种新的方法，利用基于机器学习的图像识别技术来评估分体式空调内部挡板的灰尘和污渍情况。每张拍摄的内部表面图像都被标准化为420×420像素。Mobile U-Net算法将图像转换为灰度图像，将像素值从白色（255）缩放到黑色（0），然后整合所有像素的灰度值。该模型的准确率为97.3%，IoU值为97.8%，Dice系数为97.9%。对500个独立测试样本的评估显示，平均二值IoU值为95.8%。与验证阶段的性能差距（<1.0%）表明，该模型在未见过的真实数据上保持了稳定的精确度和强大的泛化能力。此外，其轻量级算法确保了每张图像的实时推理速度为350毫秒，便于快速自动化维护。我们建立了一个污染指数（CI）来量化污染程度。这种方法无需打开设备即可自动评估内部表面的污染情况，为基于科学依据的空调清洁计划提供了支持。

引言

分体式空调是住宅建筑中调节室内温度和湿度的核心设备，直接影响室内空气质量[1]、[2]、建筑能耗[3]、[4]以及居住者的健康和舒适度[6]、[7]。虽然空调进风口或出风口表面的灰尘和污渍可以被人眼观察到，但分体式空调内部挡板和格栅等部位的污染则无法从外部直接观察到。由于气流中的灰尘，这些内部表面可能会沉积污垢。沉积的污垢通常由各种物质的干燥、模糊颗粒组成，包括纺织纤维、花粉、土壤和皮肤细胞[8]、[9]。随着时间的推移，在湿度的影响下，霉菌等生物体的生长可能导致灰尘表面出现污渍[10]、[11]、[12]、[13]。灰尘和污渍常常同时存在，为霉菌的生长提供了有利条件[8]、[14]。

目前，对分体式空调内部表面的灰尘和污渍的评估主要依靠维护人员的目视检查。然而，目视检查具有主观性、耗时且需要拆卸设备。为了避免这些麻烦，许多分体式空调用户采用预定的维护策略，例如每年进行一次清洁。然而，这种预定的维护方式往往忽略了设备实际使用情况的差异，导致要么“过度清洁”浪费资源，要么“处理不当”，从而在空调的运行和维护中产生安全隐患。因此，需要开发一种智能系统，能够在不拆卸设备的情况下实时监测内部表面的灰尘和污渍积累情况。

借助机器学习技术可以开发出这样的智能系统。与传统的目视检查相比，基于机器学习的图像识别技术具有自动化、量化和高效等优点。该技术已用于识别农产品上的病斑[15]、[16]、[17]、[18]、[19]，以及医学领域中的组织肿瘤[21]、[22]、[23]、[24]。基于机器学习的识别和分析方法还被应用于评估环境样本中的有害物质，包括微纤维[25]、灰尘污染[26]、微塑料老化特征[27]、空气中的微塑料[29]、有气味的VOC排放[30]和致癌的多环芳烃[31]。

然而，其在建筑环境（包括空调系统）中的污染评估应用仍然不足。传统的图像分割模型（如医学领域使用的模型[32]、[33]）由于受到表面背景的干扰、不同内部照明导致的图像质量差异以及灰尘和污渍形态的多样性，无法直接用于评估空调中的灰尘和污渍。例如，一般的分割模型（如YOLO，即“You Only Look Once”边界框对象检测）缺乏量化不规则灰尘形态所需的像素级精度。具体来说，还存在三个关键的知识空白：（1）缺乏无需拆卸设备的非侵入式实时监控解决方案；（2）缺乏标准化的像素级指标来客观量化视觉污染的严重程度；（3）通用分割模型无法处理暖通空调系统中固有的复杂背景纹理和低对比度照明。

因此，需要一种专门的分割算法来实现稳定和高精度的量化。本研究的目的是通过整合机器学习和图像识别算法，开发一种用于评估分体式空调内部挡板表面灰尘和污渍污染的智能识别和量化方法。该方法基于Mobile U-Net，这是一种用于实时图像分割的深度学习模型。Mobile U-Net的像素级分割模型能够有效处理空调内部表面固有的复杂背景纹理和低对比度照明。这种方法有望为建立基于摄像机的系统提供技术支持，自动收集和分析空调内部表面的图像，从而及时评估那些难以直接观察的内部组件的灰尘和污渍污染情况。

方法论

本节概述了从高分辨率图像采集和特征增强标注到轻量级Mobile U-Net算法实现的灰尘和污渍污染量化综合框架。该方法旨在确保数据集的可重复性和分割过程的技术严谨性。

该模型在由Apple Silicon M3系统芯片（SoC）驱动的系统中运行，该芯片集成了8核CPU

五个评估的U-Net模型的性能

所有模型均在严格的三组数据隔离协议下进行训练和评估，以减少数据泄露和选择偏差：训练集、验证集和保留的测试集完全独立，没有样本重叠。所有超参数调整、提前停止和模型选择决策仅基于训练集，在模型训练期间无法访问验证集或测试集数据。

在评估的五个U-Net模型中，Mobile U-Net表现最佳

讨论

为了确保模型的实际应用性，该模型使用了来自不同地点和用途的分体式空调内部挡板的图像进行训练。这些图像涵盖了广泛的灰尘和污渍污染情况。这种采样策略与最近评估家用空调单元内部各部件微生物分布的实证研究结果一致[38]。正如之前的研究[10]、[27]中所观察到的，灰尘和污渍污染

结论

本研究提出了一个基于机器学习的框架，用于定量评估分体式空调系统内部表面的污染情况。所提出的工作流程包括三个关键组成部分：（1）使用集成摄像系统进行多场景图像采集；（2）通过空间注意力增强的Mobile U-Net进行像素级分割；（3）基于灰度衍生的污染指数（CI）进行严重程度量化。

使用2,500个样本的数据集进行定量评估

CRediT作者贡献声明

乔彩：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、软件、资源、方法论、调查、资金获取、形式分析、数据管理、概念化。张宇：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、资源、方法论、调查、数据管理、概念化。朱吉平：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、软件、资源

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本研究得到了国家自然科学基金（52478078；52208096）、重庆市自然科学基金（CSTB2025YITP-QCRCX0023；CSTB2025NSCQ-LZX0108）、重庆市研究生研究与创新项目（CYS25830）以及重庆科技大学的硕士创新项目（YKJCX2520704；YKJCX2520726）的财政支持。