CN107992131A - 基于卷积神经网络的光照度测量及光照度智能控制系统 - Google Patents
基于卷积神经网络的光照度测量及光照度智能控制系统 Download PDFInfo
- Publication number
- CN107992131A CN107992131A CN201711305392.2A CN201711305392A CN107992131A CN 107992131 A CN107992131 A CN 107992131A CN 201711305392 A CN201711305392 A CN 201711305392A CN 107992131 A CN107992131 A CN 107992131A
- Authority
- CN
- China
- Prior art keywords
- illuminance
- convolutional neural
- neural network
- layer
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D25/00—Control of light, e.g. intensity, colour or phase
- G05D25/02—Control of light, e.g. intensity, colour or phase characterised by the use of electric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
一种基于卷积神经网络的光照度测量及光照度智能控制系统,包括图像采集装置、样本数据库建立单元、卷积神经网络训练单元和单片机智能控制单元;图像采集装置包括摄像头、视频线和主机;样本数据库建立单元用于得到测试样本集的类别标签和测试样本集;卷积神经网络训练单元用于将样本图像输入卷积神经网络模型,通过卷积层进行卷积操作,通过池化层完成下采样操作;前向传播计算神经元输出值和误差反向传播调整权值,输入训练数据进行仿真验证,确定网络训练完成;单片机智能控制单元用于比较环境光照度与最适光照度,根据比较结果选择性地调整单片机的输出,实现对环境光照度的控制。本发明测量精度较高、对测量环境适应性较好。
Description
技术领域
本发明涉及光照度检测及智能控制技术,尤其是一种基于卷积神经网络的光照度测量及光照度智能控制系统。
背景技术
光照度是光学度量中的一个重要单位,指被摄物体单位面积上所接受可见光的光通量。为了保障人们能在适宜的光照下生活,我国制定了有关室内(包括公共场所)照度的国家标准。在工厂,生产线上的照度要求比较严格,连续工作会引起视觉疲劳,工作效率大打折扣,通常照度要求≥1000Lx。日常生活当中,仓库、学校、办公室、家庭、路灯建设、实验室等等,都与光照度息息相关。
光照度计是测量光照度的常用仪器。国内常用的光照度计存在测量范围窄、精度低、成本高等缺点,而且用户需要手动调节测量范围。此外,传统的光照度测试均采用人工测试,费时费力,效率又低,且测试的误差大,精度达不到要求,随机性大。
为了解决上述问题,李玲玲等人在专利《室内光照度智能测量装置及其运行方法》中通过蓝牙模块、处理器、输入模块、液晶显示屏和电源模块作为控制端,无线通信模块、处理器模块、存储模块、环境照度检测模块、距离测量模块、光电编码器、方向定位模块、驱动模块、报警模块、电源模块和电动小车作为移动终端设计了室内光照度智能测量装置。赵俭等人在专利《一种温室环境数字光照度计监控系统》中通过两个硅光电池组成差动系统采集光照数据,再通过微处理控制部分和通信部分进行监控。刘敬术等人在专利《温室大棚物联网光照度智能监控系统》中通过光敏电阻传感器连接微控制器与通信模块共同作用进行智能监控。郑琪等人在专利《基于CAN总线的环境温湿度及光照度智能监测系统》中通过光敏传感器等模块检测光照度。王涛等人在专利《光照度采集模块》中通过BH1750FVI光照度采集传感器连接无线通信模块进行控制。张倩等人在专利《一种用于光电探测器光照度测量的装置》中直接通过光照度探头外接光照度计进行光照测量。专利《一种基于光学聚焦系统的光照度测量装置》中通过将光源的出射光线聚集到光感应器的感光面上,使待测光源的出射光线的光照度在到达光感应器时得到增强,从而使测得的光照度数据线性提高、噪声降低,从而准确有效的测量到光源的光照度。陈志磊在《基于CMOS图像传感器的照度检测系统设计与实现》中设计了基于CMOS图像传感器的嵌入式照度检测系统。
经文献调研分析,目前已提出的光照度检测方法基本通过光照度传感器、光敏电阻传感器或者光照度计等进行测量。目前市场上出现的自动检测仪器对环境参数检测大都是单点测量,因此光照度等信息传递过程容易产生误差。光照度计连续测量时需长期曝露在光照条件下,会产生温度漂移,严重影响仪器的测量精度。传统的光照传感器由于其固有属性无法满足智能照明精确检测和测量范围的要求。
发明内容
为了解决现有光照度测量仅适用于单点测量、且测量精度低、对测量环境适应性差等缺点,本发明采用卷积神经网络,提出了一种测量精度较高、对测量环境适应性较好的光照度测量及光照度智能控制系统,能够实时检测所处环境光照度信息并实时做出智能调整。
本发明解决其技术问题所采用的技术方案是:
一种基于卷积神经网络的光照度测量及光照度智能控制系统,所述系统包括图像采集装置、样本数据库建立单元、卷积神经网络训练单元和单片机智能控制单元;
所述图像采集装置包括摄像头、视频线和主机,选取一处固定位置安装摄像头,摄像头选用球机便于调整角度采集图像,要求摄像头附近无遮挡;通过视频线连接主机;
所述样本数据库建立单元,用于选取已拍摄的各个时间段目标环境照片,由工作人员使用常规照度计记录每张照片对应时刻的光照度;根据图片和光照度的映射关系,建立图片与光照度关系映射表;选取N张各个光照度的图片,根据光照度测量精度的实际要求,对图片按光照度进行分类并用标记,作为训练样本集的类别标签;对图片进行灰度化、灰度拉伸的图片预处理操作,保存为训练样本集;选取n张各个光照度的图片,再次进行上述操作,得到测试样本集的类别标签和测试样本集;
所述卷积神经网络训练单元,用于将样本图像输入卷积神经网络模型,通过卷积层进行卷积操作,通过池化层完成下采样操作;前向传播计算神经元输出值和误差反向传播调整权值,输入训练数据进行仿真验证,确定网络训练完成;
所述单片机智能控制单元是由单片机与照明设备通过D/A转换模块连接,实现单片机对照明设备亮度的控制,所测得的环境光照度数字信号E通过串行口输入单片机,单片机比较环境光照度E与最适光照度A,根据比较结果选择性地调整单片机的输出,实现对环境光照度的控制,从而达到最适光照。
进一步,所述卷积神经网络训练单元中,所述卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层构成;其中,所述卷积层完成输入特征图与卷积核的卷积操作,卷积核即为权值参数的矩阵,在前一层的特征图滑动卷积核,与原图像重叠的区域进行加权求和,加入偏置值,经激励函数处理得到输出特征图的矩阵;卷积神经网络的卷积层将N个输入特征图转换成M个输出特征图,其转换关系由N*M个卷积核决定,即两层神经元的连接权重;不同输入特征图对应不同的卷积核,输出神经元产生的M个输出特征图将会形成下一个卷积层的输入特征图;由公式(1)表达:
l表示网络的第几层,K为卷积核,Mj为输入特征图的一个选择,每一层有唯一的偏置B,f(x)为激活函数。
再进一步,所述卷积神经网络训练单元中,采用ReLU函数作为激活函数,函数表达式为:f(x)=max(0,x)。
所述卷积神经网络训练单元中,所述池化层位于所述卷积层之后,所述池化层操作仅在同一特征图内部进行,不同特征图之间互不影响,不改变原特征图数量,输入N个特征图个数,即有N个输出特征图,对于采样窗口大小为n×n的操作过程,则输出的特征图相比输入特征图在两个维度上都缩小了n倍。
所述卷积神经网络训练单元中,所述池化层采用平均值采样方式,平均值与偏置相加,经激活函数做非线性变换,表达式为公式(2):
所述卷积神经网络训练单元中,所述卷积神经网络第二个卷积层与池化层是一个二次特征提取过程,其卷积操作和池化操作与第一个卷积层、池化层相同。
所述卷积神经网络训练单元中,所述卷积神经网络包括前向传播计算神经元输出值和误差反向传播调整权值;信号向前传递,而误差向后传播,以此来不断调节网络权重值,使得网络的最终输出与期望输出尽可能接近,以达到训练的目的;在每次前向传播之后,都需要定义一个误差来表征此次传播之后网络的状态;反向传播过程就是将误差通过反向传递的方式逐层向前传递,使上一层中的神经元根据误差来进行自身权值的更新。
所述卷积神经网络训练单元中,所述误差反向传播调整权值的步骤为:
4.1)权值初始化:ωsq=Random(·),sq为ij,jk或kl;
4.2)依次输入P个学习样本,设当前输入为第p个样本;
4.3)依次计算各层的输出:x′j,x″k及yl,j=0,1,…,n1,k=0,1,…n2,l=0,1,…,m-1;
4.4)求各层的反传误差:
4.5)记录已学习过的样本个数p,如果p<P,转到步骤4.2)继续计算;如果p=P,转到步骤4.6);
4.6)按权值修正公式,修正各层的权值或阈值;
4.7)按新的权值计算x″k、yl和EA,若对每个p和l都满足或EA<ε,或达到最大学习次数,则终止学习,否则转到步骤4.2)进行新一轮学习。
所述单片机智能控制单元中,设定Δ为光照度允许上下波动范围,若E-A>Δ,增大单片机的输出值,若E-A<-Δ,减小单片机的输出值,若-Δ<E-A<Δ,保持单片机现有输出不变。
本发明的有益效果为:通过获取图像即可获得实时光照度,卷积神经网络的输出结果直接作为反馈控制的输入,方便快捷;相比于光照度计自身存在的硬件缺陷,使用卷积神经网络测量光照度的准确度更高;相比于人工测量光照度人工调节光照,本系统的智能控制更节省人力、物力。
附图说明
图1为设备安装示意图。
图2为建立样本数据库流程图,(a)是训练样本集,(b)是测试样本集。
图3为网络模型训练流程图。
图4为实际测量流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图4,一种基于卷积神经网络的光照度测量及光照度智能控制系统,所述系统包括图像采集装置、样本数据库建立单元、卷积神经网络训练单元、单片机智能控制单元以及可调节光源。
所述图像采集装置包括摄像头、视频线、主机等。选取一处固定位置安装摄像头,摄像头选用球机便于调整角度采集图像,要求摄像头附近无遮挡;通过视频线连接主机,该主机需要安装视频采集卡。
所述样本数据库建立单元包括选取已拍摄的各个时间段目标环境照片,由工作人员使用常规照度计记录每张照片对应时刻的光照度。根据图片和光照度的映射关系,建立图片与光照度关系映射表。选取N张各个光照度的图片,根据光照度测量精度的实际要求,对图片按光照度进行分类并用标记,作为训练样本集的类别标签。对图片进行灰度化、灰度拉伸的图片预处理操作,保存为训练样本集。选取n张各个光照度的图片,再次进行上述操作,得到测试样本集的类别标签和测试样本集。
所述卷积神经网络训练单元包括样本图像输入所述卷积神经网络模型,通过卷积层进行卷积操作,通过池化层完成下采样操作;前向传播计算神经元输出值和误差反向传播调整权值,输入训练数据进行仿真验证,确定网络训练完成。
所述单片机智能控制单元是由单片机与照明设备通过D/A转换模块连接,实现单片机对照明设备亮度的控制。所测得的环境光照度数字信号E通过串行口输入单片机,单片机比较环境光照度E与最适光照度A,相应调整单片机的输出,实现对环境光照度的控制,从而达到最适光照。
本实施例的基于卷积神经网络的光照度测量及光照度智能控制系统实现的方法,所述方法包括如下步骤:
参照图1进行步骤1,安装设备。选取一处固定位置安装摄像头,摄像头选用球机便于调整角度采集图像;通过视频线连接主机,该主机需要安装视频采集卡;要求摄像头附近无遮挡。单片机通过串口通讯与主机相连,同时单片机与照明设备通过D/A转换模块连接。
参照图2进行步骤2样本图像采集和步骤3建立样本数据。
步骤2:样本图像采集,过程如下:
2.1选取各个时间段,拍摄目标环境照片,由工作人员使用常规照度计记录每张照片对应时刻的光照度。
2.2根据图片和光照度的映射关系,建立图片与光照度关系映射表。
步骤3:建立样本数据,过程如下:
3.1选取3000张各个光照度的图片,根据光照度测量精度的实际要求,对每张图片按光照度进行分类并标记,作为训练样本集的类别标签。
3.2对图片进行灰度化、灰度拉伸的图片预处理操作,保存为训练样本集。
3.3选取1000张各个光照度的图片,再次进行上述操作,得到测试样本集的类别标签和测试样本集。
参照图3进行步骤4设计卷积神经网络。
步骤4:设计卷积神经网络
设计卷积神经网络初步结构模型,用步骤3所得的样本数据训练并测试调整卷积神经网络模型。
进一步,所述卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层构成。其中,所述卷积层完成输入特征图与卷积核的卷积操作,卷积核即为权值参数的矩阵,在前一层的特征图滑动卷积核,与原图像重叠的区域进行加权求和,加入偏置值,经激励函数处理得到输出特征图的矩阵。本发明设计的卷积神经网络的卷积层将N个输入特征图转换成M个输出特征图,其转换关系由N*M个卷积核决定,即两层神经元的连接权重。不同输入特征图对应不同的卷积核。输出神经元产生的M个输出特征图将会形成下一个卷积层的输入特征图。整个过程可由公式(1)表达:
l表示网络的第几层,K为卷积核,Mj为输入特征图的一个选择,每一层有唯一的偏置B,f(x)为激活函数。
更进一步,本发明采用ReLU(Rectified Linear Units)函数作为激活函数,其线性不饱和形式可以加快网络收敛速度,计算量小,有效防止梯度消失问题。函数表达式为:f(x)=max(0,x)
进一步,所述池化层位于所述卷积层之后,起到二次特征提取的作用。池化层用于降低特征维度,减少参数数量,同时也避免了网络出现过拟合的问题。所述池化层操作仅在同一特征图内部进行,不同特征图之间互不影响,不改变原特征图数量,输入N个特征图个数,即有N个输出特征图。对于采样窗口大小为n×n的操作过程,则输出的特征图相比输入特征图在两个维度上都缩小了n倍。更进一步,所述池化层采用平均值采样方式,平均值与偏置相加,经激活函数做非线性变换,表达式为公式(2):
所述卷积神经网络第二个卷积层与池化层是一个二次特征提取过程,其卷积操作和池化操作与第一个卷积层、池化层相同。
进一步,所述卷积神经网络包括前向传播计算神经元输出值和误差反向传播调整权值。主要原理为信号向前传递,而误差向后传播,以此来不断调节网络权重值,使得网络的最终输出与期望输出尽可能接近,以达到训练的目的。在每次前向传播之后,都需要定义一个误差来表征此次传播之后网络的状态。反向传播过程就是将误差通过反向传递的方式逐层向前传递,使上一层中的神经元根据误差来进行自身权值的更新。
更进一步,所述误差反向传播调整权值的步骤为:
4.1)权值初始化:ωsq=Random(·),sq为ij,jk或kl;
4.2)依次输入P个学习样本,设当前输入为第p个样本;
4.3)依次计算各层的输出:x′j,x″k及yl,j=0,1,…,n1,k=0,1,…n2,l=0,1,…,m-1;
4.4)求各层的反传误差:
4.5)记录已学习过的样本个数p,如果p<P,转到步骤4.2)继续计算;如果p=P,转到步骤4.6);
4.7)按权值修正公式,修正各层的权值或阈值;
4.7)按新的权值计算x″k、yl和EA,若对每个p和l都满足或EA<ε,或达到最大学习次数,则终止学习,否则转到步骤4.2)进行新一轮学习。
最后,输入训练数据进行仿真验证,确定网络训练完成。
参照图4做实际光照度测量并进行智能调节。
步骤5:实际测量
拍摄环境图像,经由步骤3所述方法处理图片,将图片传入训练好的卷积神经网络,最后经由分类器得到该图片类别标签,该类别标签对应的光照度范围即该图片拍摄时环境光照度。
步骤6:单片机与照明设备通过D/A转换模块连接,实现单片机对照明设备亮度的控制。
步骤7:将步骤5所测得的环境光照度数字信号E通过串行口输入单片机,单片机比较环境光照度E与最适光照度A。进一步,若E-A>5,增大单片机的输出值,若E-A<-5,减小单片机的输出值,若-5<E-A<5,保持单片机现有输出不变。
步骤8:重复步骤5、步骤6、步骤7,实现对环境光照度的控制,从而达到最适光照。
Claims (9)
1.一种基于卷积神经网络的光照度测量及光照度智能控制系统,其特征在于:所述系统包括图像采集装置、样本数据库建立单元、卷积神经网络训练单元和单片机智能控制单元;
所述图像采集装置包括摄像头、视频线和主机,选取一处固定位置安装摄像头,摄像头选用球机便于调整角度采集图像,要求摄像头附近无遮挡;通过视频线连接主机;
所述样本数据库建立单元,用于选取已拍摄的各个时间段目标环境照片,由工作人员使用常规照度计记录每张照片对应时刻的光照度;根据图片和光照度的映射关系,建立图片与光照度关系映射表;选取N张各个光照度的图片,根据光照度测量精度的实际要求,对图片按光照度进行分类并用标记,作为训练样本集的类别标签;对图片进行灰度化、灰度拉伸的图片预处理操作,保存为训练样本集;选取n张各个光照度的图片,再次进行上述操作,得到测试样本集的类别标签和测试样本集;
所述卷积神经网络训练单元,用于将样本图像输入卷积神经网络模型,通过卷积层进行卷积操作,通过池化层完成下采样操作;前向传播计算神经元输出值和误差反向传播调整权值,输入训练数据进行仿真验证,确定网络训练完成;
所述单片机智能控制单元是由单片机与照明设备通过D/A转换模块连接,实现单片机对照明设备亮度的控制,所测得的环境光照度数字信号E通过串行口输入单片机,单片机比较环境光照度E与最适光照度A,根据比较结果选择性地调整单片机的输出,实现对环境光照度的控制,从而达到最适光照。
2.如权利要求1所述的基于卷积神经网络的光照度测量及光照度智能控制系统,其特征在于:所述卷积神经网络训练单元中,所述卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层构成;其中,所述卷积层完成输入特征图与卷积核的卷积操作,卷积核即为权值参数的矩阵,在前一层的特征图滑动卷积核,与原图像重叠的区域进行加权求和,加入偏置值,经激励函数处理得到输出特征图的矩阵;卷积神经网络的卷积层将N个输入特征图转换成M个输出特征图,其转换关系由N*M个卷积核决定,即两层神经元的连接权重;不同输入特征图对应不同的卷积核,输出神经元产生的M个输出特征图将会形成下一个卷积层的输入特征图;由公式(1)表达:
<mrow>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>M</mi>
<mi>j</mi>
</msub>
</mrow>
</munder>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>*</mo>
<msubsup>
<mi>K</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>+</mo>
<msup>
<mi>B</mi>
<mi>l</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
l表示网络的第几层,K为卷积核,Mj为输入特征图的一个选择,每一层有唯一的偏置B,f(x)为激活函数。
3.如权利要求2所述的基于卷积神经网络的光照度测量及光照度智能控制系统,其特征在于:所述卷积神经网络训练单元中,采用ReLU函数作为激活函数,函数表达式为:f(x)=max(0,x)。
4.如权利要求2或3所述的基于卷积神经网络的光照度测量及光照度智能控制系统,其特征在于:所述卷积神经网络训练单元中,所述池化层位于所述卷积层之后,所述池化层操作仅在同一特征图内部进行,不同特征图之间互不影响,不改变原特征图数量,输入N个特征图个数,即有N个输出特征图,对于采样窗口大小为n×n的操作过程,则输出的特征图相比输入特征图在两个维度上都缩小了n倍。
5.如权利要求4所述的基于卷积神经网络的光照度测量及光照度智能控制系统,其特征在于:所述卷积神经网络训练单元中,所述池化层采用平均值采样方式,平均值与偏置相加,经激活函数做非线性变换,表达式为公式(2):
<mrow>
<msubsup>
<mi>X</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>M</mi>
<mi>j</mi>
</msub>
</mrow>
</munder>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>+</mo>
<msup>
<mi>B</mi>
<mi>l</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
6.如权利要求4所述的基于卷积神经网络的光照度测量及光照度智能控制系统,其特征在于:所述卷积神经网络训练单元中,所述卷积神经网络第二个卷积层与池化层是一个二次特征提取过程,其卷积操作和池化操作与第一个卷积层、池化层相同。
7.如权利要求4所述的基于卷积神经网络的光照度测量及光照度智能控制系统,其特征在于:所述卷积神经网络训练单元中,所述卷积神经网络包括前向传播计算神经元输出值和误差反向传播调整权值;信号向前传递,而误差向后传播,以此来不断调节网络权重值,使得网络的最终输出与期望输出尽可能接近,以达到训练的目的;在每次前向传播之后,都需要定义一个误差来表征此次传播之后网络的状态;反向传播过程就是将误差通过反向传递的方式逐层向前传递,使上一层中的神经元根据误差来进行自身权值的更新。
8.如权利要求7所述的基于卷积神经网络的光照度测量及光照度智能控制系统,其特征在于:所述卷积神经网络训练单元中,所述误差反向传播调整权值的步骤为:
4.1)权值初始化:ωsq=Random(·),sq为ij,jk或kl;
4.2)依次输入P个学习样本,设当前输入为第p个样本;
4.3)依次计算各层的输出:x′j,x″k及yl,j=0,1,…,n1,k=0,1,…n2,l=0,1,…,m-1;
4.4)求各层的反传误差:
<mrow>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>k</mi>
<mi>l</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>d</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>y</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<msubsup>
<mi>y</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>y</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>l</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>k</mi>
<mi>l</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</msubsup>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mi>l</mi>
</mrow>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msubsup>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
</munderover>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</msubsup>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mrow>
<mo>&prime;</mo>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mrow>
<mo>&prime;</mo>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</mrow>
4.5)记录已学习过的样本个数p,如果p<P,转到步骤4.2)继续计算;如果p=P,转到步骤4.6);
4.6)按权值修正公式,修正各层的权值或阈值;
4.7)按新的权值计算x″k、yl和EA,若对每个p和l都满足或EA<ε,或达到最大学习次数,则终止学习,否则转到步骤4.2)进行新一轮学习。
9.如权利要求1~3之一所述的基于卷积神经网络的光照度测量及光照度智能控制系统,其特征在于:所述单片机智能控制单元中,设定Δ为光照度允许上下波动范围,若E-A>Δ,增大单片机的输出值,若E-A<-Δ,减小单片机的输出值,若-Δ<E-A<Δ,保持单片机现有输出不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711305392.2A CN107992131A (zh) | 2017-12-11 | 2017-12-11 | 基于卷积神经网络的光照度测量及光照度智能控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711305392.2A CN107992131A (zh) | 2017-12-11 | 2017-12-11 | 基于卷积神经网络的光照度测量及光照度智能控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107992131A true CN107992131A (zh) | 2018-05-04 |
Family
ID=62037365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711305392.2A Pending CN107992131A (zh) | 2017-12-11 | 2017-12-11 | 基于卷积神经网络的光照度测量及光照度智能控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992131A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108712809A (zh) * | 2018-05-18 | 2018-10-26 | 浙江工业大学 | 一种基于神经网络的光环境智能控制方法 |
CN108738219A (zh) * | 2018-06-25 | 2018-11-02 | 袁德森 | 基于路灯对电力系统进行诊断的智能监控系统 |
CN109740726A (zh) * | 2019-01-28 | 2019-05-10 | 浙江大川照明有限公司 | 基于人工智能的节能灯亮度调节方法及节能灯 |
CN109804860A (zh) * | 2019-03-25 | 2019-05-28 | 山东友和菌业有限公司 | 一种基于卷积神经网络的金针菇智能补光的装置及方法 |
CN109936696A (zh) * | 2019-02-28 | 2019-06-25 | 深圳大学 | 基于神经网络的光纤端面自动对焦的方法和相关装置 |
CN112995510A (zh) * | 2021-02-25 | 2021-06-18 | 深圳市中西视通科技有限公司 | 一种安防监控摄像机环境光检测方法及系统 |
CN113108632A (zh) * | 2020-06-19 | 2021-07-13 | 山东大学 | 一种根据温度切换热源的三热源管壳式换热器 |
CN113432712A (zh) * | 2021-06-23 | 2021-09-24 | 陕西科技大学 | 一种基于径向基函数神经网络建立的环境照度测量方法及监测系统 |
US11961001B2 (en) | 2017-12-15 | 2024-04-16 | Nvidia Corporation | Parallel forward and backward propagation |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903002A (zh) * | 2012-12-24 | 2014-07-02 | 联想(北京)有限公司 | 环境亮度检测方法和系统 |
CN104850890A (zh) * | 2015-04-14 | 2015-08-19 | 西安电子科技大学 | 基于实例学习和Sadowsky分布的卷积神经网络参数调整方法 |
CN106203331A (zh) * | 2016-07-08 | 2016-12-07 | 苏州平江历史街区保护整治有限责任公司 | 一种基于卷积神经网络的人群密度估算方法 |
CN106322670A (zh) * | 2016-08-30 | 2017-01-11 | 广东美的制冷设备有限公司 | 一种空调及其远程控制方法和装置 |
CN107295732A (zh) * | 2017-07-11 | 2017-10-24 | 北京金茂绿建科技有限公司 | 一种感应灯亮度调节方法和装置 |
-
2017
- 2017-12-11 CN CN201711305392.2A patent/CN107992131A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903002A (zh) * | 2012-12-24 | 2014-07-02 | 联想(北京)有限公司 | 环境亮度检测方法和系统 |
CN104850890A (zh) * | 2015-04-14 | 2015-08-19 | 西安电子科技大学 | 基于实例学习和Sadowsky分布的卷积神经网络参数调整方法 |
CN106203331A (zh) * | 2016-07-08 | 2016-12-07 | 苏州平江历史街区保护整治有限责任公司 | 一种基于卷积神经网络的人群密度估算方法 |
CN106322670A (zh) * | 2016-08-30 | 2017-01-11 | 广东美的制冷设备有限公司 | 一种空调及其远程控制方法和装置 |
CN107295732A (zh) * | 2017-07-11 | 2017-10-24 | 北京金茂绿建科技有限公司 | 一种感应灯亮度调节方法和装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11961001B2 (en) | 2017-12-15 | 2024-04-16 | Nvidia Corporation | Parallel forward and backward propagation |
CN108712809A (zh) * | 2018-05-18 | 2018-10-26 | 浙江工业大学 | 一种基于神经网络的光环境智能控制方法 |
CN108712809B (zh) * | 2018-05-18 | 2019-12-03 | 浙江工业大学 | 一种基于神经网络的光环境智能控制方法 |
CN108738219A (zh) * | 2018-06-25 | 2018-11-02 | 袁德森 | 基于路灯对电力系统进行诊断的智能监控系统 |
CN108738219B (zh) * | 2018-06-25 | 2019-09-13 | 袁德森 | 基于路灯对电力系统进行诊断的智能监控系统 |
CN109740726A (zh) * | 2019-01-28 | 2019-05-10 | 浙江大川照明有限公司 | 基于人工智能的节能灯亮度调节方法及节能灯 |
CN109936696A (zh) * | 2019-02-28 | 2019-06-25 | 深圳大学 | 基于神经网络的光纤端面自动对焦的方法和相关装置 |
CN109936696B (zh) * | 2019-02-28 | 2020-09-29 | 深圳大学 | 基于神经网络的光纤端面自动对焦的方法和相关装置 |
CN109804860A (zh) * | 2019-03-25 | 2019-05-28 | 山东友和菌业有限公司 | 一种基于卷积神经网络的金针菇智能补光的装置及方法 |
CN113108632A (zh) * | 2020-06-19 | 2021-07-13 | 山东大学 | 一种根据温度切换热源的三热源管壳式换热器 |
CN112995510A (zh) * | 2021-02-25 | 2021-06-18 | 深圳市中西视通科技有限公司 | 一种安防监控摄像机环境光检测方法及系统 |
CN113432712A (zh) * | 2021-06-23 | 2021-09-24 | 陕西科技大学 | 一种基于径向基函数神经网络建立的环境照度测量方法及监测系统 |
CN113432712B (zh) * | 2021-06-23 | 2022-08-30 | 陕西科技大学 | 一种基于径向基函数神经网络建立的环境照度测量方法及监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992131A (zh) | 基于卷积神经网络的光照度测量及光照度智能控制系统 | |
CN108181952A (zh) | 一种基于卷积神经网络的光照度测量及光照度智能控制方法 | |
CN107229930B (zh) | 一种指针式仪表数值智能识别方法 | |
US10565955B2 (en) | Display status adjustment method, display status adjustment device and display device | |
WO2021063062A1 (zh) | 一种电网设备带电检测系统、红外热像仪及方法 | |
CN108537122A (zh) | 包含气象参数的图像融合采集系统及图像存储方法 | |
CN102456142A (zh) | 一种基于计算机视觉的烟气黑度分析方法 | |
CN109191520B (zh) | 一种基于色彩标定的植物叶面积测量方法及系统 | |
CN102778212A (zh) | 一种利用数码相机获取水稻冠层叶面积指数的方法及装置 | |
CN105975979A (zh) | 一种基于机器视觉的仪表检测方法 | |
CN107884005B (zh) | 一种模拟人眼对光环境感知的光学测量系统与测量方法 | |
CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 | |
CN107655564A (zh) | 一种基于智能终端的多种技术融合的室内外环境检测方法 | |
CN109974854A (zh) | 一种框幅式fpi高光谱图像的辐射校正方法 | |
CN114845260B (zh) | 一种基于物联网的水文监测数据采集系统 | |
CN111896549A (zh) | 一种基于机器学习的建筑物裂缝监测系统和方法 | |
CN106094198A (zh) | 一种智能色选机光学系统自适应校正方法及装置 | |
CN107144755A (zh) | 一种基于光斑的电荷耦合器件电荷转移效率通用测试方法 | |
CN102183301A (zh) | 便携式统一眩光测量仪 | |
CN107942964A (zh) | 一种体育场馆运动健康环境智能调控系统及方法 | |
CN108615057B (zh) | 一种基于cnn的电缆隧道照明设备的异常识别方法 | |
CN114913086B (zh) | 基于生成对抗网络的人脸图像质量增强方法 | |
CN109558791B (zh) | 一种基于图像识别的寻笋装置及方法 | |
CN113239831A (zh) | 基于手势识别技术的智能视力检测仪及其使用方法 | |
CN212845010U (zh) | 一种土壤全氮含量的原位监测装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |