CN110113836A - 场景式教室智能照明系统、控制装置及优化和控制方法 - Google Patents

Abstract

本发明提供场景式教室智能照明系统、控制装置及优化和控制方法，主机单元基于光色传感单元、图像采集单元和人体检测单元分别获取教室各区域的色温值与照度值、场景图像和人体位置信号，基于经训练的场景检测器、根据图像特征及人员位置特征识别当前照明场景，通过建立调光照明分布表和光色评分函数，对可调光灯组中LED串驱动电流的各种组合进行评价，通过多目标优化算法对驱动电流值的组合进行寻优，最后将寻优结果传送给驱动器进行调光。本发明的光色评分函数能根据教室内的不同学习活动场景进行调整，使得优化出的照明条件能满足不同学习场景如自修、投影、讨论、课间休息等的要求，提高了照明控制的针对性，为教室学习提供了更人性化的照明环境。

Description

场景式教室智能照明系统、控制装置及优化和控制方法

技术领域

本发明专利属于智能照明领域，具体涉及场景式教室智能照明控制系统、控制装置及优化和控制方法。

背景技术

学校是学习的场所，照明要充分考虑阅读、写字时所需要的足够照度，要选择合适的光源并设计和/或组合出舒适自然的照明环境。教室，是学生每天待时间最长的一个场所，不合适的灯光不仅影响着学生的学习，还有可能会导致学生近视。以前，教室里的照明一般只要求够亮，不容易坏就行。如今，随着社会进步和照明技术的发展，采光达标已经是教室照明的最低要求，更进一步要考虑到的是视力保护、节能环保和用户感受等指标。

目前，不管是中小学还是高校，现有教室多是预先设计好的。在照明系统实际运行过程中，仅能通过简单的几个开关对灯进行控制。这些灯的布置一般是按课桌面的照度要求进行优化设计的，假定的应用也是教室各主要区域全亮或全灭。

随着智能照明技术的出现与发展，独立、调光的灯控手段已经非常容易获取和实现。因此，近年来，在多地的教室照明设计规范中均有规定，要求有条件的学校宜结合天然采光选用智能照明控制系统来实现恒照度控制和调光控制。

另外一方面，智能的灯控需要考虑不同照明条件的照明效果。影响人视觉的环境照明因素有很多方面，其中比较重要的有：照度水平、照度分布、颜色显现、光影光色等，而这些因素对作业的影响是不同的。人眼有两个功能，一是感光功能，即光线经眼的光学系统抵达眼底在视网膜上形成物象；二是视觉信号处理功能，即视网膜将物象的光能转换并加工成神经冲动，经由神经节细胞将冲动传入人眼，从而产生视觉和非视觉效应。人眼视网膜上的第三类感光细胞即本征感光视网膜神经结细胞被发现后，已被证明它可以通过对进入人眼的可见光辐射产生一系列化学生物反应来控制人的生理节律、生物钟和人眼瞳孔大小，从而对人的生理、心理等产生影响。近年来，研究结果表明环境照明不仅会对人员的各项生理参数，例如血压、心率、褪黑激素等产生影响，同时对人员的学习效率和视功能也具有显著的影响。

目前，针对教室照明，已经出现很多自动控制的方案。在这些已有的教室照明方案中，有的关注夜间人工光源照明时课桌的照度分布，如专利号为2016110057838的中国发明专利申请，通过多次对不同角度的配光设计，使得黑板灯照度分布均匀。在灯控方面，专利号为2017109662294的中国发明专利申请，用摄像仪检测人数，并根据各分区人数的不同来调节照度；而专利号为2014107085532的中国发明专利申请，在多媒体教室灯中根据投影仪是否使用来进行灯光和窗帘的控制。这些控制方案都针对不同应用的需求特点对某个目标如照度进行智能灯控，但教室照明是一个复杂的系统，照明本身又与人的心理、生理活动紧密相关。根据教室学习不同活动对照明的多方面要求，需要一个综合考虑照度、冷暖色温、节能等多种指标的智能调控系统。

发明专利内容

针对现有教室照明中不同照明条件对学习的影响问题，本发明的目的在于，提供一种场景式教室智能照明系统、控制装置及优化和控制方法，离线状态下，通过样本采集获得教室内可调光灯组不同驱动电流组合下各测试点的色温与照度，建立调光照明分布表，在线应用时，基于教室图像和人体传感器信号识别出教室内当前活动模式如自修、投影、板书教学、讨论、课间休息等，针对不同活动的特点调整色温、照度的光色评分函数，基于色温、照度、照度均匀度和节能4个因素的评分值，多目标优化算法对可调光灯组各LED串的驱动电流值进行寻优，寻优结果被传送给驱动器后改变灯组出光，实现适合教室内各种学习活动的智能照明。

本发明的技术解决方案之一是，提供一种以下结构的场景式教室智能照明控制装置，其包括主机单元、用户接口单元，主机单元又包括输入模块、光色处理模块、图像处理模块、照明优化处理模块、调光映射模块、输出模块和存储模块，且主机单元被配置为：

输入模块从系统的光色传感单元、图像采集单元和人体检测单元分别获取色温与照度信号、教室场景图像和预设区域的人员在位信号，

基于所述色温与照度信号，光色处理模块获取教室各区域的色温值、照度值及照度均匀度值，

图像处理模块基于用训练图像集训练出的场景检测器，针对所述场景图像及该图像对应的所述人员在位信号，提取图像特征及人员位置特征，并根据所述图像特征及人员位置特征，识别所述图像的照明场景，

调光映射模块通过改变教室内可调光灯组的各LED串的驱动电流值，并记录其对应的各 LED串组合发光照明时各区域的色温值、照度值及照度均匀度值，来获得各LED串的调光照明分布表；并建立教室中自修、投影、板书教学、讨论、课间休息等不同照明场景下各种色温、照度的光色评分函数；还将所述调光照明分布表和光色评分函数保持在存储模块中，

基于所述调光照明分布表、光色评分函数和所识别出的照明场景，以及教室各区域照度均匀度相对于参考值的达标水平和耗电功率，照明优化处理模块通过多目标优化算法，在可调光灯组各LED串驱动电流值的可取值空间范围内，对其进行寻优，并将寻优结果经调光映射模块和输出模块传送给对应LED串的驱动器。

作为优选，所述调光照明分布表的每条记录中，包括可调光灯组的n路LED串驱动电流值，以及其对应的经光色处理模块对光色传感单元内m个光色传感模块的测试点信号处理后所获取的色温、照度值，

所述主机单元还被配置为：

通过调光映射模块和输出模块以步进改变的方式向可调光灯组发出调光信号，对变化后的光环境进行检测并获取所述测试点处的色温、照度值，不断重复直至所记录的样本覆盖各 LED串驱动电流的取值区间；

在所述多目标优化算法的处理过程中，首先，进行初始化，确定n路LED串驱动电流参数进行编码的策略，并确定其各自取值区间；其次，针对搜索空间内进化群体中的各个体，基于其n路驱动电流参数值，查找调光照明分布表获取其对应的各测试点的色温、照度值，根据所识别出的照明场景的色温、照度光色评分函数，对查找获取的所述各测试点的色温、照度值分别计算色温评分值f₁、照度评分值f₂，根据教室各区域照度均匀度相对于参考值的达标水平计算照度均匀度评分值f₃，根据耗电功率计算节能评分值f₄，对所述4个评分值进行加权求和计算出所述个体对应的总评分值f＝k₁·f₁+k₂·f₂+k₃·f₃+k₄·f₄，其中k_i(i＝1，2，3，4)为预设的加权系数，并根据所述总评分值进行遗传、交叉和变异操作，更新进化群体；之后，反复进化群体，直至寻优结束后，输出寻优结果。

作为优选，所述调光照明分布表还可用一个BP神经网络替代表示，所述BP神经网络的输入量为n路LED串驱动电流值，输出量为经光色处理模块对光色传感单元内m个光色传感模块的测试点信号处理后所获取的色温、照度值共2m个参数，

所述BP神经网络的模型为：

隐含层第j个节点输出为

输出层第p个节点输出为

其中，f()函数取为sigmoid函数，w_ij和v_jp分别为输入层到隐含层的连接权值和隐含层到输出层的连接权值，a_j和b_p分别为隐含层和输出层阈值，p＝1，2，...，2m，k为隐含层节点数，采用梯度下降法进行网络训练。

作为优选，所述光色评分函数采用如下定义：

对于照度，其评分函数为，

其中，E为当前照度，bE、cE为当前场景下根据统计所获得的、覆盖了设定比例人数的期望照度值的区间的下限值与上限值，aE、dE则分别为当前场景下另两个预设下限值与上限值；

对于照度均匀度，其评分函数为，

其中，U为当前照度均匀度，bU是按标准所设定的参考值，aU是一个预设的下限值；

对于色温，当其最多人期望值属于中高色温时，其评分函数为，

当色温最多人期望值属于中低色温时，其评分函数为，

其中，W为当前色温，bW、cW为当前场景下根据统计所获得的、覆盖了设定比例人数的中高期望色温区间的下限值与上限值，aW、dW则分别为当前场景下另两个预设下限值与上限值，hW为当前场景下根据统计所获得的、覆盖了设定比例人数的中低期望色温区间的上限值。

作为优选，所述光色评分函数定义还采用如下规则：

对于自修场景，所述照度评分函数最高评分值对应的照度取值区间被限定在300～500Lx 之间，所述色温评分函数最高评分值对应的色温取值区间被限定在4500～6500K之间；

对于投影场景，从投影布到教室后排，所述照度评分函数最高评分值对应的照度取值区间的上、下限值均逐步增大；

对于板书教学场景，黑板区域的所述照度评分函数最高评分值对应的照度取值区间的上、下限值均比其他区域大；

对于讨论场景，所述色温评分函数最高评分值对应的色温取值区间按中低期望色温区间设定且其上限值被限定在4000K以下；

对于课间休息场景，所述照度评分函数最高评分值对应的照度取值区间被限定在300～320Lx之间，，所述色温评分函数最高评分值对应的色温取值区间被限定在3300～5000K 之间。

作为优选，所述光色评分函数定义还采用如下规则：

在阴雨天或其他天气下教室内自然光照不足时，通过可调光灯组进行补充照明，如果当前时间属于上午8点至下午5点范围内，还要根据待评分色温、照度光色参数与当前日光光色的相似度，对搜索空间内进化群体中的各个体的所述总评分值f进行调整：

f′＝f·(1+η)，

η＝α·sim(W，Wnow)+(1-α)·sim(e，enow)，

其中，α为设定系数，W、e分别为待评分的色温值、照度与最大照度的比值即相对照度这两个值；Wnow、enow分别为从天气预报服务器所获得的天气预报中当前时刻日光的色温和相对照度，所述相对照度为当前日光亮度与正午日光亮度的比值，相似度函数sim(，)采用以第二个参数为中心的正态分布函数或三角形分布函数且其分布的幅度根据第一个参数的取值范围进行设定，η为调整系数，f和f′分别为调整前后的评分值。

作为优选，所述光色评分函数定义还采用如下规则：

在阴雨天或晴天拉上窗帘阻挡太阳直射光时，如果教室内自然光照不足，白天通过可调光灯组进行补充照明：

对于色温，在阴雨天，所述色温评分函数最高评分值对应的色温取值区间被限定在 4000～5000K之间；在晴天，所述色温评分函数最高评分值对应的色温取值区间被限定在 5000～6500K之间，

对于照度，还要根据待评分照度参数与当前日光的相似度，对搜索空间内进化群体中的各个体的所述总评分值f进行调整：

f′＝f·(1+η)，

η＝α·sim(e，enow)，

其中，α为设定系数，e为待评分的照度与最大照度的比值即相对照度；enow为从天气预报服务器所获得的天气预报中当前时刻日光相对照度，所述日光相对照度为当前日光亮度与正午日光亮度的比值，相似度函数sim(，)采用以第二个参数为中心的正态分布函数或三角形分布函数且其分布的幅度根据第一个参数的取值范围进行设定，η为调整系数，f和f′分别为调整前后的评分值。

在本发明的另一个实施例中，还提供一种用于场景式教室智能照明控制装置的调光映射模块，其包括映射输入部、映射规划部、映射确定部、映射存储部和映射输出部，映射输入部又包括光色参数输入口和驱动电流参数输入口，

所述光色参数输入口接收外部光色传感模块采样处理后所获取的多测试点的色温、照度参数，驱动电流参数输入口接收对应于所述色温、照度值的发送给外部可调光灯组的LED串驱动电流参数，

所述映射确定部中建立有一个BP神经网络，所述BP神经网络的输入量为所述LED串驱动电流参数，输出量为所述色温、照度参数，

所述映射规划部通过所述映射输入部接收所述BP神经网络的训练样本并用所述样本对所述BP神经网络进行训练，并将训练后所述BP神经网络的连接权值保存在所述映射存储模部中。

在本发明的再另一个实施例中，还提供场景式教室智能照明系统，其包括用户接口单元、光色传感单元、图像采集单元、人体检测单元、可调光灯组和服务器，以及与所述用户接口单元、光色传感单元、图像采集单元、人体检测单元、可调光灯组和服务器均相连的主机单元，

所述用户接口单元包括显示屏和操作面板，用来键入参数和发起操作，

所述光色传感单元包括多个光色传感模块，并用来检测光的照度、色温等光色参数，

所述图像采集单元用来采集教室内的照明场景图像，

所述人体检测单元用来对教室内预设区域的人体信息进行检测，

所述可调光灯组包括多个LED灯，所述LED灯具有至少一个色温、亮度可调的LED串，

所述主机单元又包括输入模块、光色处理模块、图像处理模块、照明优化处理模块、调光映射模块、输出模块和存储模块，且主机单元被配置为：

输入模块通过用户接口单元接收设定参数和用户操作指令，还从光色传感单元、图像采集单元和人体检测单元分别获取色温与照度信号、教室场景图像和预设区域的人员在位信号，

基于所述色温与照度信号，光色处理模块获取教室各区域的色温值、照度值及照度均匀度值，

图像处理模块基于用训练图像集训练出的场景检测器，针对所述场景图像及该图像对应的所述人员在位信号，提取图像特征及人员位置特征，并根据所述图像特征及人员位置特征，识别所述图像的照明场景，

调光映射模块通过改变教室内可调光灯组的各LED串的驱动电流值，并记录其对应的各 LED串组合发光照明时各区域的色温值、照度值及照度均匀度值，来获得各LED串的调光照明分布表；并建立教室中自修、投影、板书教学、讨论、课间休息等不同照明场景下各种色温、照度的光色评分函数；还将所述调光照明分布表和光色评分函数保持在存储模块中，

基于所述调光照明分布表、光色评分函数和所识别出的照明场景，以及教室各区域照度均匀度相对于参考值的达标水平和耗电功率，照明优化处理模块通过多目标优化算法，在可调光灯组各LED串驱动电流值的可取值空间范围内，对其进行寻优，并将寻优结果经调光映射模块和输出模块传送给对应LED串的驱动器，所述驱动器通过改变LED串的驱动电流来进行调光。

作为优选，所述可调光灯组包括高色温、低色温两种LED串且每串LED各对应一个驱动电流通道，所述调光照明分布表为一个双通道电流值(i1，i2)组合至各测试点色温、照度值的映射表，

在在所述多目标优化算法的处理过程中，对于进化群体中的各个体所对应的双通道电流值(i01，i02)组合，通过在所述映射表中进行插值查找来获取各测试点色温、照度值；

所述灯组通过驱动器调节其内部各LED串的驱动电流值，且所述多目标优化算法的寻优结果为LED串驱动电流的PWM波占空比数值。

在本发明的又一个实施例中，还提供场景式教室智能照明优化方法，其包括以下步骤：

S1、确定评价标准，

在教室内，假设可调光灯组包含n路LED串且每路LED串对应一个驱动电流，光色传感单元内有m个光色传感模块且每个光色传感模块对应一个课桌测试点，每个光色传感模块的传感信号经光色处理模块处理均分别获取一个色温、照度参数，

在主机单元中建立调光照明分布表，所述调光照明分布表的每条记录中，包括可调光灯组的n路LED串驱动电流值，以及其对应的经光色处理模块对光色传感单元内m个光色传感模块的测试点信号处理后所获取的色温、照度值；还针对教室中自修、投影、板书教学、讨论、课间休息等不同照明场景，根据不同学习者的打分，经统计后建立各场景下色温、照度的光色评分函数，

针对可调光灯组的n路LED串驱动电流值，建立场景式教室智能照明的光照总体评价函数F，

式中，w_i为设定的加权系数，f_i为各因素评价值，i＝1，2，3，4，所述f_i为可调光灯组的n路LED串组成的光源集合、以及环境自然光混光照明时，总出光的照度、以及总出光色温两个光色参数的组合，，对应的单因素评分值；

其中，f₁为色温评分值、f₂为照度评分值，f₃为照度均匀度评分值，f₄为节能评分值，

S2、初始化进化种群规模、交叉概率、变异概率等参数，确定可调光灯组的n路LED串驱动电流参数的取值区间和编码策略以及每代群体中被全局Pareto最优解替换的个数N_rp；

S3、世代数k＝0，对当前待寻优驱动电流集合，随机产生初始种群P(0)；

S4、令k＝k+1；如果达到结束条件，转第S11，否则接下一步；

S5、将本代群体P(k-1)中所有个体解码得到n路LED串驱动电流值，根据所述电流值通过对调光照明分布表查找和多维插值获得对应的色温、照度值，然后根据所述色温、照度值，基于当前识别出的照明场景所对应的色温、照度光色评分函数，分别计算色温评分值f₁、照度评分值f₂，根据教室各区域照度均匀度相对于参考值的达标水平计算照度均匀度评分值 f₃，根据耗电功率计算节能评分值f₄，根据各f_i，比较获得本代的Pareto最优解集PT_k，并更新全局Pareto最优解集PT_g；

S6、如果PT_k集的个体数N(PT_k)为奇数，随机选择一个个体加入到PT_k集，使之能相互配对，计算出本代群体中PT_k集外各个体的总体评价函数F值，并根据各个体的F值按轮盘赌法选择出其它(N(gp)-N(PT_k))/2对父体；得到的父代群体为P′(k)；

S7、对P′(k)中的个体进行交叉和变异操作，产生群体P″(k)；

S8、对于P″(k)中PT_k集的子代个体，如果其总体评价函数F值不能优于其父体，则用其父体回代，得到群体P″′(k)；

S9、将P″′(k)中非PT_k集子代的N_rp个个体随机地用全局Pareto最优解个体作替换，产生下一代群体P(k)；

S10、转步骤S4；

S11、优化结束，基于最后得到的Pareto最优解集，选出总体评价函数F值最优的解，保存并输出最优解。

在本发明的又再一个实施例中，还提供一种场景式教室智能照明控制方法，包括以下步骤：

S1、初始化，在主机单元中建立调光照明分布模型、光色评分模型，

在教室内设置的可调光灯组包括多个LED灯，每个所述LED灯具有至少一个色温、亮度可调的LED串，

所述调光照明分布模型为可调光灯组所有n路LED串驱动电流值到教室各测试点处色温值、照度值的对应关系，所述测试点为光色传感单元内m个光色传感模块的测试位置，

所述光色评分模型为教室中自修、投影、板书教学、讨论、课间休息等不同照明场景下各种色温、照度的光色评分函数；

S2、通过主机单元的输出模块以步进改变的方式向可调光灯组的各LED串发出调光信号，对调光变化后的各照明环境采集信号样本，提取调光信号中n路LED串驱动电流值，采集并处理获取各测试点处的色温、照度值及照度均匀度值，并将所述电流、色温、照度值记录和保存在调光照明分布模型中，

同时，在不同场景的各种照明环境下，由教室内的学习者对照明条件进行评分，将所述评分经统计后分别调整不同照明场景下色温、照度的光色评分函数；

S3、在线控制时，基于用训练图像集训练出的场景检测器，针对当前教室场景图像及该图像对应的人员在位信号，提取图像特征及人员位置特征，并根据所述图像特征及人员位置特征，识别当前照明场景；

S4、采用多目标优化算法对各LED串的电流参数进行寻优，

首先，确定将各LED串的驱动电流参数进行编解码的策略，并确定其各自取值区间，

确定优化计算中种群规模、交叉概率、变异概率等参数；

S5、随机产生初始种群；

S6、针对搜索空间内进化群体中的各个体，解码得到n路LED串驱动电流参数，根据所述电流参数，通过多维插值查找调光照明分布模型获得对应的色温、照度值，然后根据所述色温、照度值，基于当前识别出的照明场景所对应的色温、照度光色评分函数，分别计算色温评分值f₁、照度评分值f₂，根据教室各区域照度均匀度相对于参考值的达标水平计算照度均匀度评分值f₃，根据耗电功率计算节能评分值f₄，对所述4个评分值进行加权求和计算出所述个体对应的总评分值f，

S7、基于所述总评分值，进行交叉遗传和变异操作，更新进化群体；

S8、转至步骤S6，反复迭代，直至搜索结束后，输出Pareto优化解；

S9、调光映射模块经输出模块将寻优结果传送给各对应LED串的驱动器，由驱动器通过改变LED串的驱动电流来进行调光。

作为优选，所述调光照明分布模型用调光照明分布表来表示且其为一个所述双通道电流值(i1，i2)组合至各测试点色温、照度值的映射表。

作为优选，所述调光照明分布模型用一个BP神经网络替代表示，所述BP神经网络的输入量为n路LED串驱动电流值，输出量为经光色处理模块对光色传感单元内m个光色传感模块的测试点信号处理后所获取的色温、照度值共2m个参数。

采用本发明方案，与现有技术相比，具有以下优点：本发明通过建立调光照明分布表和光色评分函数，对可调光灯组中LED串驱动电流的各种组合进行评价，且光色评分函数能根据教室内的不同学习活动场景进行调整，使得通过多目标优化处理寻获的优化解能满足不同学习场景如自修、投影、板书教学、讨论、课间休息等对照明的不同要求，提高了照明控制的针对性、优化了照明效果，为教室学习提供了更人性化的照明环境。同时，本发明针对不同天气状况能对教室照明的照度和色温进行优化，为教室营造了自然、舒适的光照环境，提升了学习者的感受。

附图说明

图1为场景式教室智能照明控制装置与场景式教室智能照明系统的组成结构图；

图2为光色处理模块及图像处理模块的组成框图；

图3为教室照明环境示意图；

图4为教室内灯组及检测点分布示意图；

图5a为照度评分函数示意图；

图5b为照度均匀度评分函数示意图；

图5c为中高色温评分函数示意图；

图5d为中低色温评分函数示意图；

图6为基于神经网络的调光映射模块结构图；

图7为调光映射神经网络结构示意图；

图8为场景式教室智能照明优化流程图；

图9为场景式教室智能照明控制方法工作流程图。

其中：

2000场景式教室智能照明系统，100主机单元，200用户接口单元，300光色传感单元，400图像采集单元，500人体检测单元，600可调光灯组，700服务器，1000场景式教室智能照明控制装置，

110输入模块，120光色处理模块，130图像处理模块，140照明优化处理模块，150调光映射模块，160输出模块，170存储模块，

121照度检测器，122色温检测器，

131眼开度检测器，132场景检测器，

151映射输入部，1511光色评分输入口，1512驱动电流参数输入口，152映射规划部，153映射确定部，154映射存储部，155映射输出部，156调光输出部，

210显示屏，220操作面板，

310光色传感模块，410图像采集模块，510人体检测模块，610驱动器，620LED 灯，800课桌，900投影布。

具体实施方式

以下结合附图对本发明的优选实施例进行详细描述，但本发明并不仅仅限于这些实施例。本发明涵盖任何在本发明的精神和范围上做的替代、修改、等效方法以及方案。

在下列段落中参照附图以举例方式更具体地描述本发明。需说明的是，附图均采用较为简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

实施例1

结合图1、图9所示，本实施例提供一种场景式教室智能照明控制方法，包括以下步骤：

S1、初始化，在主机单元中建立调光照明分布模型、光色评分模型，

在教室内设置的可调光灯组包括多个LED灯，每个所述LED灯具有至少一个色温、亮度可调的LED串，

所述调光照明分布模型为可调光灯组所有n路LED串驱动电流值到教室各测试点处色温值、照度值的对应关系，所述测试点为光色传感单元内m个光色传感模块的测试位置，

所述光色评分模型为教室中自修、投影、板书教学、讨论、课间休息等不同照明场景下各种色温、照度的光色评分函数；

S2、通过主机单元的输出模块以步进改变的方式向可调光灯组的各LED串发出调光信号，对调光变化后的各照明环境采集信号样本，提取调光信号中n路LED串驱动电流值，采集并处理获取各测试点处的色温、照度值及照度均匀度值，并将所述电流、色温、照度值记录和保存在调光照明分布模型中，

同时，在不同场景的各种照明环境下，由教室内的学习者对照明条件进行评分，将所述评分经统计后分别调整不同照明场景下色温、照度的光色评分函数；

S3、在线控制时，基于用训练图像集训练出的场景检测器，针对当前教室场景图像及该图像对应的人员在位信号，提取图像特征及人员位置特征，并根据所述图像特征及人员位置特征，识别当前照明场景；

S4、采用多目标优化算法对各LED串的电流参数进行寻优，

首先，确定将各LED串的驱动电流参数进行编解码的策略，并确定其各自取值区间，

确定优化计算中种群规模、交叉概率、变异概率等参数；

S5、随机产生初始种群；

S6、针对搜索空间内进化群体中的各个体，解码得到n路LED串驱动电流参数，根据所述电流参数，通过多维插值查找调光照明分布模型获得对应的色温、照度值，然后根据所述色温、照度值，基于当前识别出的照明场景所对应的色温、照度光色评分函数，分别计算色温评分值f₁、照度评分值f₂，根据教室各区域照度均匀度相对于参考值的达标水平计算照度均匀度评分值f₃，根据耗电功率计算节能评分值f₄，对所述4个评分值进行加权求和计算出所述个体对应的总评分值f，

S7、基于所述总评分值，进行交叉遗传和变异操作，更新进化群体；

S8、转至步骤S6，反复迭代，直至搜索结束后，输出Pareto优化解；

S9、调光映射模块经输出模块将寻优结果传送给各对应LED串的驱动器，由驱动器通过改变LED串的驱动电流来进行调光。

实施例2

本实施例提供一种场景式教室智能照明控制装置及用于场景式教室智能照明控制装置的调光映射模块。

如图1所示，场景式教室智能照明控制装置1000，其包括主机单元100、用户接口单元200。用户接口单元200包括含按键的操作面板220和显示屏210，用来进行参数输入和手动控制操作。主机单元100包括输入模块110、光色处理模块120、图像处理模块130、照明优化处理模块140、调光映射模块150、输出模块160和存储模块170。

其中，输入模块110通过用户接口单元200、光色传感单元300、图像采集单元400和人体检测单元500，分别获取设置参数与用户操作指令、色温与照度信号、教室场景图像和预设区域的人员在位信号。

结合图2所示，光色处理模块120包括照度检测器121和色温检测器122，基于从输入模块110输入的色温与照度信号，光色处理模块120中的色温检测器122处理后得到教室各区域的色温值，而照度检测器121则处理获得照度值及照度均匀度值。

图像处理模块130中包括一个基于用训练图像集训练出的场景检测器132，场景检测器 132针对图像采集单元所采集的当前教室场景图像提取图像特征，根据所述图像特征，并结合根据人体检测单元所检测到人员在位信号识别出的人员位置特征，来识别当前的照明场景。

调光映射模块150通过改变教室内可调光灯组600的各LED串的驱动电流值，并记录其对应的各LED串组合发光照明时各区域的色温值、照度值及照度均匀度值，来获得各LED 串的调光照明分布表；并建立教室中自修、投影、板书教学、讨论、课间休息等不同照明场景下各种色温、照度的光色评分函数；还将所述调光照明分布表和光色评分函数保持在存储模块中。通过调光照明分布表、光色评分函数，就可以对可调光灯组中各LED串不同取值组合进行评分值计算。

由此，基于所述调光照明分布表、光色评分函数和所识别出的照明场景，以及教室各区域照度均匀度相对于参考值的达标水平和耗电功率，照明优化处理模块140通过多目标优化算法，在可调光灯组各LED串驱动电流值的可取值空间范围内，对其进行寻优，并将寻优结果经调光映射模块和输出模块传送给对应LED串的驱动器。其中，多目标包括对当前照明场景的色温、照度、照度均匀度和节能等4个评分指标。

结合图1、图3所示，调光映射模块150通过输出模块160向可调光灯组600输出调光指令，在指令中调光参数集包括各LED串的驱动电流值。作为优选，可调光灯组600共有n 路LED串。

结合图4所示，这些LED串发光后，在课桌800的课桌面上的光照被分布在m个测试点的光色传感模块310所检测，传感信号经光色处理模块120处理后获得各测试点处的色温、照度值。作为优选，光色传感模块310可以设置在课桌表面，或者通过支架悬挂在LED灯620的灯罩上。当悬挂设置时，光色传感模块可采用硅光电池作为传感器并用聚焦镜头对准目标课桌面，对目标课桌面的反射光强感信号进行检测，光色处理模块还通过实验来进行反射光强大小与目标课桌面照度大小的标定并根据标定关系在线进行课桌面测点照度的检测。

在调光照明分布表中，每条记录都包括可调光灯组的n路LED串驱动电流值，以及其对应的经光色处理模块对光色传感单元内m个光色传感模块的测试点信号处理后所获取的色温、照度值。

在无背景光状态下，通过调光映射模块和输出模块以步进改变的方式向可调光灯组发出调光信号，对变化后的光环境进行检测并获取所述测试点处的色温、照度值，不断重复直至所记录的样本覆盖各LED串驱动电流的取值区间。

作为优选，所述调光照明分布表还可以用一个BP神经网络表示，以实现对各种驱动电流组合对应光色的估测。

如图6、图7所示，在调光映射模块150中，设有映射输入部151、映射规划部152、映射确定部153、映射存储部154、映射输出部155和调光输出部156，映射输入部151又包括光色参数输入口1511和驱动电流参数输入口1512。其中，调光输出部156通过输出模块向可调光灯组输出调光指令信号。

光色参数输入口1511从输入模块接收m个光色传感模块的测试点信号处理后所获取的色温、照度值；驱动电流参数输入口1512传输对应于所述色温、照度值的发送给可调光灯组的n路LED串驱动电流参数。映射确定部153中建立有一个BP神经网络，该BP神经网络的输入量为所述n路LED串驱动电流参数值，输出量为所述m个测试点的色温、照度值。

映射规划部152，在调光映射模块以步进改变的方式向可调光灯组发出调光信号或其他调光操作时，通过所述光色参数输入口1511、驱动电流参数输入口1512采集不同光环境下神经网络的训练样本集；并用所述训练样本集离线训练所述神经网络，调整映射确定部153 中神经网络的连接权值，将连接权值保存在所述映射存储模部154中。

在多目标优化处理过程中，映射输入部151将待评价的n路LED串驱动电流值组合传送给映射确定部153，由其内部经训练的BP神经网络将所述电流值组合映射为各测试点的色温、照度值，并通过映射输出部155输出后，由照明优化处理模块基于光色评分函数计算其评分值。

如图7所示，所述BP神经网络的模型为：

隐含层第j个节点输出为

输出层第p个节点输出为

其中，f()函数取为sigmoid函数，w_ij和v_jp分别为输入层到隐含层的连接权值和隐含层到输出层的连接权值，a_j和b_p分别为隐含层和输出层阈值，p＝1，2，...，2m，k为隐含层节点数，采用梯度下降法进行网络训练。

基于调光照明分布表，所述主机单元还被配置为：

在多目标优化算法的处理过程中，首先，进行初始化，确定n路LED串驱动电流参数进行编码的策略，并确定其各自取值区间；其次，针对搜索空间内进化群体中的各个体，基于其n路驱动电流参数值，查找调光照明分布表获取其对应的各测试点的色温、照度值，根据所识别出的照明场景的色温、照度光色评分函数，对查找获取的所述各测试点的色温、照度值分别计算色温评分值f₁、照度评分值f₂，根据教室各区域照度均匀度相对于参考值的达标水平计算照度均匀度评分值f₃，根据耗电功率计算节能评分值f₄，对所述4个评分值进行加权求和计算出所述个体对应的总评分值f＝k₁·f₁+k₂·f₂+k₃·f₃+k₄·f₄，其中k_i(i＝1，2，3，4)为预设的加权系数，并根据所述总评分值进行遗传、交叉和变异操作，更新进化群体；之后，反复进化群体，直至寻优结束后，输出寻优结果。

在自修、投影、板书教学、讨论、课间休息等不同照明场景下，教室内学习者期望的照明条件有所不同。例如，对应自修场景，期望光照有较高色温，以提高警醒度和注意力；在投影教学时，为了提高分辨能力，期望投影布附近的环境光保持在较暗的水平；而在板书教学时，则期望黑板上有较高的照度；在讨论场景下，为了活跃氛围，可以将色温调低一些；而在课间休息时，则可以将灯光普遍调暗，以松弛已经持续紧张了一段时间的思维，实现劳逸结合。

为此，需要照明控制装置能自动识别场景，并根据场景来调节光色评分函数。

结合4所示，图像采集单元400包括一个或多个悬挂在教室天花顶下的图像采集模块410。作为优选，图像采集模块410的摄像头可以采用广角镜头，也可以采用多个摄像头分别针对不同目标区域进行图像采集。

采集教室内自修、投影、板书教学、讨论、课间休息等各种照明场景下的样本图像，由这些样本图像组成训练图像集对场景检测器进行训练。

作为优选，场景检测器可以利用线性核函数的支持向量机即SVM作为不同照明场景的类器。针对各种照明场景类别，基于各目标区域的特征特别是人体活动或位置特征来训练分类器。以教室内图像中各特定区域内人员位置、聚集状态，以及相关传感器数据的特征值来构成SVM的特征向量。

训练图像集来自从广角图像中分割出的分区图像或者针对各不同目标区域所采集的区域图像本身。针对训练图像集的每个样本进行照明场景的标识，基于训练图像集对未经训练的识别部进行训练。

具体的照明场景识别根据该场景的人员分布特性、人体活动特征进行定义。例如，针对自修场景，其场景特征是绝大部分学习者坐在课桌旁边的椅子上，针对自修场景的场景检测器，可以主要识别教室内就坐人员占总人数比例的图像特征。

结合图4所示，对于课间休息场景，人体检测单元500中面向人行过道的人体检测模块 510，将检测到多处人员移动的情况，在图像中则可以检测出站立人数比自修时大大增加，所述图像特征和人体检测模块的人员位置特征一起构成本场景的特征向量。

另外一个例子中，针对投影教学场景，可以在图像中检测到投影布900落下的特征，且可以获得绝大部分人就坐的场景图像特征。作为优选，还可以设置一个与主机单元相连的投影仪开机信号检测单元，当投影仪开机时，主机单元能获取该信息并将当前场景自动识别为投影教学场景。

对于讨论场景，则能检测到一个或几个人轮流站立的图像特征。

作为优选，所述特征向量的特征可以是一个时间点的静态图像特征，也可以是多幅连续图像中检测到的人体移动特征。例如，讨论场景中几个人轮流站立。

作为优选，所述训练图像集的样本图像还可以留一部分作为验证集，以对训练后的场景检测器进行验证。

作为优选，场景检测器包括多个识别模块，所述多个识别模块中的一个识别模块对应教室一个局部区域的人体检测，每个识别模块对应一个分类器，如讲台区域可以单独进行检测，并能将此区域的图像特征作为教学模式判断的主要依据。

由训练图像集训练出场景检测器后，获取教室的图像及该图像对应的传感数据，提取图像特征及人体传感数据的特征值，根据所述图像特征及传感数据的特征值，确定所述图像的照明场景。

在场景检测的基础上，根据教室学习对照明的需求，定义了各种光色评分函数。

对于照度，如图5a所示，其评分函数为，

其中，E为当前照度，bE、cE为当前场景下根据统计所获得的、覆盖了设定比例人数的期望照度值的区间的下限值与上限值，aE、dE则分别为当前场景下另两个预设下限值与上限值。其中，所述设定比例取为0.85～0.95之间的一个值。

对于照度均匀度，如图5b所示，其评分函数为，

其中，U为当前照度均匀度，bU是按标准所设定的参考值，aU是一个预设的下限值；

照度均匀度取为教室内目标课桌面最小照度与平均照度的比值，根据一般标准，bU取值为0.7或更高，aU在0.55到0.6之间取值。

对于色温，当其最多人期望值属于中高色温时，如图5c所示，其评分函数为，

当色温最多人期望值属于中低色温时，如图5d所示，其评分函数为，

其中，W为当前色温，bW、cW为当前场景下根据统计所获得的、覆盖了设定比例人数的中高期望色温区间的下限值与上限值，aW、dW则分别为当前场景下另两个预设下限值与上限值，hW为当前场景下根据统计所获得的、覆盖了设定比例人数的中低期望色温区间的上限值；其中，所述设定比例在0.85～0.95之间取值。

对于节能指标，其评分值f₄定义为：

其中，u_k、i_k分别为n路LED串的驱动电压、电流，P₀为所有LED串额定功率之和。

作为优选，基于当前所识别场景对光色评分函数进行调节：

对于自修场景，所述照度评分函数最高评分值对应的照度取值区间被限定在300～500Lx 之间，所述色温评分函数最高评分值对应的色温取值区间被限定在4500～6500K之间；

对于投影场景，从投影布到教室后排的平行条形区域，所述照度评分函数最高评分值对应的照度取值区间的上、下限值均逐步增大，此场景下按条形区域进行评分计算并对各区域评分求和；

对于板书教学场景，黑板区域的所述照度评分函数最高评分值对应的照度取值区间的上、下限值均比其他区域大；

对于讨论场景，所述色温评分函数最高评分值对应的色温取值区间按中低期望色温区间设定且其上限值被限定在4000K以下；

对于课间休息场景，所述照度评分函数最高评分值对应的照度取值区间被限定在300～320Lx之间，所述色温评分函数最高评分值对应的色温取值区间被限定在3300～5000K 之间。

作为优选，所述光色评分函数定义还采用如下规则进行调整：

在阴雨天或其他天气下教室内自然光照不足时，通过可调光灯组进行补充照明，如果当前时间属于上午8点至下午5点范围内，还要根据待评分色温、照度光色参数与当前日光光色的相似度，对优化搜索空间内进化群体中的各个体的总评分值f进行调整：

f′＝f·(1+η)，

η＝α·sim(W，Wnow)+(1-α)·sim(e，enow)，

其中，α为设定系数，W、e分别为待评分的色温值、照度与最大照度的比值即相对照度这两个值；Wnow、enow分别为从天气预报服务器700所获得的天气预报中当前时刻日光的色温和相对照度，所述相对照度为当前日光亮度与正午日光亮度的比值，相似度函数sim(，) 采用以第二个参数为中心的正态分布函数或三角形分布函数且其分布的幅度根据第一个参数的取值范围进行设定，η为调整系数，f和f′分别为调整前后的评分值。

作为优选，所述光色评分函数定义还采用如下规则进行调整：

在阴雨天或晴天拉上窗帘阻挡太阳直射光时，如果教室内自然光照不足，白天通过可调光灯组进行补充照明：

对于色温，在阴雨天，所述色温评分函数最高评分值对应的色温取值区间被限定在 4000～5000K之间；在晴天，所述色温评分函数最高评分值对应的色温取值区间被限定在 5000～6500K之间，

对于照度，还要根据待评分照度参数与当前日光的相似度，对优化搜索空间内进化群体中的各个体的总评分值f进行调整：

f′＝f·(1+η)，

η＝α·sim(e，enow)，

其中，α为设定系数，e为待评分的照度与最大照度的比值即相对照度；enow为从天气预报服务器700所获得的天气预报中当前时刻日光相对照度，所述日光相对照度为当前日光亮度与正午日光亮度的比值，相似度函数sim(，)采用以第二个参数为中心的正态分布函数或三角形分布函数且其分布的幅度根据第一个参数的取值范围进行设定，η为调整系数，f和f′分别为调整前后的评分值。

对于在课桌上的学习而言，还可以通过图像处理的方法进行学习效率因素的检测与分析。与照度适中、注意力集中时的状态不同，人在光照不合理时，生理参数会出现不同程度的变化，可以作为学习效率状态监测的依据。当光线太暗或者太亮而影响学习者学习效率时，人的眼睑下闭，眼睛的开度明显减小。

结合图2、图3所示，在图像处理模块130内设置眼开度检测器131，眼开度检测器131 通过图像处理获取目标区域内学习者的眼睛开度。在基于统计对评分函数进行分段定义的基础上，还通过图像处理对教室内学习者的眼开度进行在线检测并据此对优化搜索空间内进化群体中各个体的总评分值f进行调整：

f′＝f·(1+η)，

其中，η为调整系数，其取值为当前平均眼开度相对于最大眼开度的比值的二分之一次方。

作为优选，在利用本发明方案进行照明自动优化控制时，不同场景之间的照明切换之间用步进方式过渡，如课间休息，与上课之间的切换以各LED串驱动电流在一设定时间渐变的方式完成。

实施例3

本实施例提供场景式教室智能照明系统。如图1所示，场景式教室智能照明系统2000，其包括用户接口单元200、光色传感单元300、图像采集单元400、人体检测单元500、可调光灯组600和服务器700，以及与用户接口单元200、光色传感单元300、图像采集单元400、人体检测单元500、可调光灯组600和服务器700均相连的主机单元100。

其中，用户接口单元200包括显示屏210和操作面板220，用来键入参数和发起操作；光色传感单元300包括多个光色传感模块，并被用来检测光的照度、色温等光色参数；图像采集单元400用来采集教室内的照明场景图像；人体检测单元500用来对教室内预设区域的人体信息进行检测；可调光灯组600包括多个LED灯620，所述LED灯620具有至少一个色温、亮度可调的LED串，并且每个LED灯均通过一个驱动器610来调节其内部LED串的驱动电流。

主机单元100包括输入模块110、光色处理模块120、图像处理模块130、照明优化处理模块140、调光映射模块150、输出模块160和存储模块170。主机单元100被配置为：

输入模块通过用户接口单元接收设定参数和用户操作指令，还从光色传感单元、图像采集单元和人体检测单元分别获取色温与照度信号、教室场景图像和预设区域的人员在位信号，

基于所述色温与照度信号，光色处理模块获取教室各区域的色温值、照度值及照度均匀度值，

图像处理模块基于用训练图像集训练出的场景检测器，针对所述场景图像及该图像对应的所述人员在位信号，提取图像特征及人员位置特征，并根据所述图像特征及人员位置特征，识别所述图像的照明场景，

调光映射模块通过改变教室内可调光灯组的各LED串的驱动电流值，并记录其对应的各LED串组合发光照明时各区域的色温值、照度值及照度均匀度值，来获得各LED串的调光照明分布表；并建立教室中自修、投影、板书教学、讨论、课间休息等不同照明场景下各种色温、照度的光色评分函数；还将所述调光照明分布表和光色评分函数保持在存储模块中，

基于所述调光照明分布表、光色评分函数和所识别出的照明场景，以及教室各区域照度均匀度相对于参考值的达标水平和耗电功率，照明优化处理模块通过多目标优化算法，在可调光灯组各LED串驱动电流值的可取值空间范围内，对其进行寻优，并将寻优结果经调光映射模块和输出模块传送给对应LED串的驱动器，所述驱动器通过改变LED串的驱动电流来进行调光。

作为优选，所述调光照明分布表的每条记录中，包括可调光灯组的n路LED串驱动电流值，以及其对应的经光色处理模块对光色传感单元内m个光色传感模块的测试点信号处理后所获取的色温、照度值，

所述主机单元还被配置为：

通过调光映射模块和输出模块以步进改变的方式向可调光灯组发出调光信号，对变化后的光环境进行检测并获取所述测试点处的色温、照度值，不断重复直至所记录的样本覆盖各LED串驱动电流的取值区间。

在所述多目标优化算法的处理过程中，首先，进行初始化，确定n路LED串驱动电流参数进行编码的策略，并确定其各自取值区间；其次，针对搜索空间内进化群体中的各个体，基于其n路驱动电流参数值，查找调光照明分布表获取其对应的各测试点的色温、照度值，根据所识别出的照明场景的色温、照度光色评分函数，对查找获取的所述各测试点的色温、照度值分别计算色温评分值f₁、照度评分值f₂，根据教室各区域照度均匀度相对于参考值的达标水平计算照度均匀度评分值f₃，根据耗电功率计算节能评分值f₄，对所述4个评分值进行加权求和计算出所述个体对应的总评分值f＝k₁·f₁+k₂·f₂+k₃·f₃+k₄·f₄，其中k_i(i＝1，2，3，4)为预设的加权系数，并根据所述总评分值进行遗传、交叉和变异操作，更新进化群体；之后，反复进化群体，直至寻优结束后，输出寻优结果。其中加权系数k_i根据照明期望效果设定，如希望照度均匀度高时，可把其对应的k₃增大；希望光的色温更符合期望区间时，则可把其对应的k₁增大，其他的评分因素也类似。

作为优选，系统中所述可调光灯组包括高色温、低色温两种LED串且每串LED各对应一个驱动电流通道，所述调光照明分布表为一个所述双通道电流值(i1，i2)组合至各测试点色温、照度值的映射表，在多目标优化算法的处理过程中，对于进化群体中的各个体所对应的双通道电流值(i01，i02)组合，通过在所述映射表中进行多维插值查找来获取各测试点色温、照度值。

作为优选，所述灯组通过驱动器调节其内部各LED串的驱动电流值，且所述多目标优化算法的寻优结果为LED串驱动电流的PWM波占空比数值。

作为优选，本发明还可以结合图像处理，对教室进行分区管理，当一个分区中没有人员时，将其目标照度设置为零或一个维持照度，维持照度可以设置为50～100Lx。

作为优选，还可以在每个分区中增设人体检测传感器，以检测人员在位信息。

实施例4

在本实施例中，提供场景式教室智能照明优化方法。

结合图1、图8所示，场景式教室智能照明优化方法，其包括以下步骤：

S1、确定评价标准，

在教室内，假设可调光灯组包含n路LED串且每路LED串对应一个驱动电流，光色传感单元内有m个光色传感模块且每个光色传感模块对应一个课桌测试点，每个光色传感模块的传感信号经光色处理模块处理均分别获取一个色温、照度参数，

在主机单元中建立调光照明分布表，所述调光照明分布表的每条记录中，包括可调光灯组的n路LED串驱动电流值，以及其对应的经光色处理模块对光色传感单元内m个光色传感模块的测试点信号处理后所获取的色温、照度值；还针对教室中自修、投影、板书教学、讨论、课间休息等不同照明场景，根据不同学习者的打分，经统计后建立各场景下色温、照度的光色评分函数，

针对可调光灯组的n路LED串驱动电流值，建立场景式教室智能照明的光照总体评价函数F，

式中，w_i为设定的加权系数，f_i为各因素评价值，i＝1，2，3，4，所述f_i为可调光灯组的n路LED串组成的光源集合、以及环境自然光混光照明时，总出光的照度、以及总出光色温两个光色参数的组合，，对应的单因素评分值；

其中，f₁为色温评分值、f₂为照度评分值，f₃为照度均匀度评分值，f₄为节能评分值，

S2、初始化进化种群规模、交叉概率、变异概率等参数，确定可调光灯组的n路LED串驱动电流参数的取值区间和编码策略以及每代群体中被全局Pareto最优解替换的个数N_rp；

S3、世代数k＝0，对当前待寻优驱动电流集合，随机产生初始种群P(0)；

S4、令k＝k+1；如果达到结束条件，转第S11，否则接下一步；

S5、将本代群体P(k-1)中所有个体解码得到n路LED串驱动电流值，根据所述电流值通过对调光照明分布表查找和多维插值获得对应的色温、照度值，然后根据所述色温、照度值，基于当前识别出的照明场景所对应的色温、照度光色评分函数，分别计算色温评分值f₁、照度评分值f₂，根据教室各区域照度均匀度相对于参考值的达标水平计算照度均匀度评分值 f₃，根据耗电功率计算节能评分值f₄，根据各f_i，比较获得本代的Pareto最优解集PT_k，并更新全局Pareto最优解集PT_g；

S6、如果PT_k集的个体数N(PT_k)为奇数，随机选择一个个体加入到PT_k集，使之能相互配对，计算出本代群体中PT_k集外各个体的总体评价函数F值，并根据各个体的F值按轮盘赌法选择出其它(N(gp)-N(PT_k))/2对父体；得到的父代群体为P′(k)；

S7、对P′(k)中的个体进行交叉和变异操作，产生群体P″(k)；

S8、对于P″(k)中PT_k集的子代个体，如果其总体评价函数F值不能优于其父体，则用其父体回代，得到群体P″′(k)；

S9、将P″′(k)中非PT_k集子代的N_rp个个体随机地用全局Pareto最优解个体作替换，产生下一代群体P(k)；

S10、转步骤S4；

S11、优化结束，基于最后得到的Pareto最优解集，选出总体评价函数F值最优的解，保存并输出最优解。

作为优选，所述步骤S1中所述总出光的照度、总出光色温按如下方法进行计算和处理：

T1、基于色温到色坐标的转换关系式，将n路LED串发光对应的出光、以及环境自然光的色温转换为xyz色坐标；

T2、将n路LED串发光对应的人工光源出光、以及环境自然光，两者的色坐标xyz、及各自独立出光对应的亮度，分别转换为XYZ三刺激值后，将两项X、Y、Z三刺激变换值分别相加获得总XYZ三刺激值；

T3、将n路LED串发光对应的人工光源出光、以及环境自然光，两者各自独立出光的两项照度相加得到总照度；同时，将总XYZ三刺激值转换为总xyz色坐标，并进一步转换为总色温；根据所述总照度、总色温计算各因素评分值。

作为优选，将查找得出的照度按同比例变换到亮度，以计算三刺激值。

以上，说明了本发明的几个实施方式，但这些实施方式是作为例子而提示的方式，并没有限定发明的范围。这些实施方式可以通过其他的各种方式实施，在不脱离发明的主旨的范围内，能够进行各种省略、置换、组合、变更。这些实施方式或其变形包含于发明的范围或主旨，并同样地包含于权利要求书记载的发明及其等同的范围内。

Claims (10)

1.场景式教室智能照明控制装置，其包括主机单元、用户接口单元，主机单元又包括输入模块、光色处理模块、图像处理模块、照明优化处理模块、调光映射模块、输出模块和存储模块，且主机单元被配置为：

输入模块从系统的光色传感单元、图像采集单元和人体检测单元分别获取色温与照度信号、教室场景图像和预设区域的人员在位信号，

基于所述色温与照度信号，光色处理模块获取教室各区域的色温值、照度值及照度均匀度值，

图像处理模块基于用训练图像集训练出的场景检测器，针对所述场景图像及该图像对应的所述人员在位信号，提取图像特征及人员位置特征，并根据所述图像特征及人员位置特征，识别所述图像的照明场景，

调光映射模块通过改变教室内可调光灯组的各LED串的驱动电流值，并记录其对应的各LED串组合发光照明时各区域的色温值、照度值及照度均匀度值，来获得各LED串的调光照明分布表；并建立教室中自修、投影、板书教学、讨论、课间休息等不同照明场景下各种色温、照度的光色评分函数；还将所述调光照明分布表和光色评分函数保持在存储模块中，

基于所述调光照明分布表、光色评分函数和所识别出的照明场景，以及教室各区域照度均匀度相对于参考值的达标水平和耗电功率，照明优化处理模块通过多目标优化算法，在可调光灯组各LED串驱动电流值的可取值空间范围内，对其进行寻优，并将寻优结果经调光映射模块和输出模块传送给对应LED串的驱动器。

2.根据权利要求1所述的场景式教室智能照明控制装置，其特征在于，

所述调光照明分布表的每条记录中，包括可调光灯组的n路LED串驱动电流值，以及其对应的经光色处理模块对光色传感单元内m个光色传感模块的测试点信号处理后所获取的色温、照度值，

所述主机单元还被配置为：

通过调光映射模块和输出模块以步进改变的方式向可调光灯组发出调光信号，对变化后的光环境进行检测并获取所述测试点处的色温、照度值，不断重复直至所记录的样本覆盖各LED串驱动电流的取值区间；

在所述多目标优化算法的处理过程中，首先，进行初始化，确定n路LED串驱动电流参数进行编码的策略，并确定其各自取值区间；其次，针对搜索空间内进化群体中的各个体，基于其n路驱动电流参数值，查找调光照明分布表获取其对应的各测试点的色温、照度值，根据所识别出的照明场景的色温、照度光色评分函数，对查找获取的所述各测试点的色温、照度值分别计算色温评分值f₁、照度评分值f₂，根据教室各区域照度均匀度相对于参考值的达标水平计算照度均匀度评分值f₃，根据耗电功率计算节能评分值f₄，对所述4个评分值进行加权求和计算出所述个体对应的总评分值f＝k₁·f₁+k₂·f₂+k₃·f₃+k₄·f₄，其中k_i(i＝1，2，3，4)为预设的加权系数，并根据所述总评分值进行遗传、交叉和变异操作，更新进化群体；之后，反复进化群体，直至寻优结束后，输出寻优结果。

3.一种用于权利要求1～2所述场景式教室智能照明控制装置的调光映射模块，其包括映射输入部、映射规划部、映射确定部、映射存储部和映射输出部，映射输入部又包括光色参数输入口和驱动电流参数输入口，

所述光色参数输入口接收外部光色传感模块采样处理后所获取的多测试点的色温、照度参数，驱动电流参数输入口接收对应于所述色温、照度值的发送给外部可调光灯组的LED串驱动电流参数，

所述映射确定部中建立有一个BP神经网络，所述BP神经网络的输入量为所述LED串驱动电流参数，输出量为所述色温、照度参数，

所述映射规划部通过所述映射输入部接收所述BP神经网络的训练样本并用所述样本对所述BP神经网络进行训练，并将训练后所述BP神经网络的连接权值保存在所述映射存储模部中。

4.场景式教室智能照明系统，其包括用户接口单元、光色传感单元、图像采集单元、人体检测单元、可调光灯组和服务器，以及与所述用户接口单元、光色传感单元、图像采集单元、人体检测单元、可调光灯组和服务器均相连的主机单元，

所述用户接口单元包括显示屏和操作面板，用来键入参数和发起操作，

所述光色传感单元包括多个光色传感模块，并用来检测光的照度、色温等光色参数，

所述图像采集单元用来采集教室内的照明场景图像，

所述人体检测单元用来对教室内预设区域的人体信息进行检测，

所述可调光灯组包括多个LED灯，所述LED灯具有至少一个色温、亮度可调的LED串，

所述主机单元又包括输入模块、光色处理模块、图像处理模块、照明优化处理模块、调光映射模块、输出模块和存储模块，且主机单元被配置为：

输入模块通过用户接口单元接收设定参数和用户操作指令，还从光色传感单元、图像采集单元和人体检测单元分别获取色温与照度信号、教室场景图像和预设区域的人员在位信号，

基于所述色温与照度信号，光色处理模块获取教室各区域的色温值、照度值及照度均匀度值，

图像处理模块基于用训练图像集训练出的场景检测器，针对所述场景图像及该图像对应的所述人员在位信号，提取图像特征及人员位置特征，并根据所述图像特征及人员位置特征，识别所述图像的照明场景，

调光映射模块通过改变教室内可调光灯组的各LED串的驱动电流值，并记录其对应的各LED串组合发光照明时各区域的色温值、照度值及照度均匀度值，来获得各LED串的调光照明分布表；并建立教室中自修、投影、板书教学、讨论、课间休息等不同照明场景下各种色温、照度的光色评分函数；还将所述调光照明分布表和光色评分函数保持在存储模块中，

基于所述调光照明分布表、光色评分函数和所识别出的照明场景，以及教室各区域照度均匀度相对于参考值的达标水平和耗电功率，照明优化处理模块通过多目标优化算法，在可调光灯组各LED串驱动电流值的可取值空间范围内，对其进行寻优，并将寻优结果经调光映射模块和输出模块传送给对应LED串的驱动器，所述驱动器通过改变LED串的驱动电流来进行调光。

5.场景式教室智能照明优化方法，其包括以下步骤：

S1、确定评价标准，

在教室内，假设可调光灯组包含n路LED串且每路LED串对应一个驱动电流，光色传感单元内有m个光色传感模块且每个光色传感模块对应一个课桌测试点，每个光色传感模块的传感信号经光色处理模块处理均分别获取一个色温、照度参数，

在主机单元中建立调光照明分布表，所述调光照明分布表的每条记录中，包括可调光灯组的n路LED串驱动电流值，以及其对应的经光色处理模块对光色传感单元内m个光色传感模块的测试点信号处理后所获取的色温、照度值；还针对教室中自修、投影、板书教学、讨论、课间休息等不同照明场景，根据不同学习者的打分，经统计后建立各场景下色温、照度的光色评分函数，

针对可调光灯组的n路LED串驱动电流值，建立场景式教室智能照明的光照总体评价函数F，

式中，w_i为设定的加权系数，f_i为各因素评价值，i＝1，2，3，4，所述f_i为可调光灯组的n路LED串组成的光源集合、以及环境自然光混光照明时，总出光的照度、以及总出光色温两个光色参数的组合，，对应的单因素评分值；

其中，f₁为色温评分值、f₂为照度评分值，f₃为照度均匀度评分值，f₄为节能评分值，

S2、初始化进化种群规模、交叉概率、变异概率等参数，确定可调光灯组的n路LED串驱动电流参数的取值区间和编码策略以及每代群体中被全局Pareto最优解替换的个数N_rp；

S3、世代数k＝0，对当前待寻优驱动电流集合，随机产生初始种群P(0)；

S4、令k＝k+1；如果达到结束条件，转第S11，否则接下一步；

S5、将本代群体P(k-1)中所有个体解码得到n路LED串驱动电流值，根据所述电流值通过对调光照明分布表查找和多维插值获得对应的色温、照度值，然后根据所述色温、照度值，基于当前识别出的照明场景所对应的色温、照度光色评分函数，分别计算色温评分值f₁、照度评分值f₂，根据教室各区域照度均匀度相对于参考值的达标水平计算照度均匀度评分值f₃，根据耗电功率计算节能评分值f₄，根据各f_i，比较获得本代的Pareto最优解集PT_k，并更新全局Pareto最优解集PT_g；

S6、如果PT_k集的个体数N(PT_k)为奇数，随机选择一个个体加入到PT_k集，使之能相互配对，计算出本代群体中PT_k集外各个体的总体评价函数F值，并根据各个体的F值按轮盘赌法选择出其它(N(gp)-N(PT_k))/2对父体；得到的父代群体为P′(k)；

S7、对P′(k)中的个体进行交叉和变异操作，产生群体P″(k)；

S8、对于P″(k)中PT_k集的子代个体，如果其总体评价函数F值不能优于其父体，则用其父体回代，得到群体P″′(k)；

S9、将P″′(k)中非PT_k集子代的N_rp个个体随机地用全局Pareto最优解个体作替换，产生下一代群体P(k)；

S10、转步骤S4；

S11、优化结束，基于最后得到的Pareto最优解集，选出总体评价函数F值最优的解，保存并输出最优解。

6.场景式教室智能照明控制方法，包括以下步骤：

S1、初始化，在主机单元中建立调光照明分布模型、光色评分模型，

在教室内设置的可调光灯组包括多个LED灯，每个所述LED灯具有至少一个色温、亮度可调的LED串，

所述调光照明分布模型为可调光灯组所有n路LED串驱动电流值到教室各测试点处色温值、照度值的对应关系，所述测试点为光色传感单元内m个光色传感模块的测试位置，

所述光色评分模型为教室中自修、投影、板书教学、讨论、课间休息等不同照明场景下各种色温、照度的光色评分函数；

S2、通过主机单元的输出模块以步进改变的方式向可调光灯组的各LED串发出调光信号，对调光变化后的各照明环境采集信号样本，提取调光信号中n路LED串驱动电流值，采集并处理获取各测试点处的色温、照度值及照度均匀度值，并将所述电流、色温、照度值记录和保存在调光照明分布模型中，

同时，在不同场景的各种照明环境下，由教室内的学习者对照明条件进行评分，将所述评分经统计后分别调整不同照明场景下色温、照度的光色评分函数；

S3、在线控制时，基于用训练图像集训练出的场景检测器，针对当前教室场景图像及该图像对应的人员在位信号，提取图像特征及人员位置特征，并根据所述图像特征及人员位置特征，识别当前照明场景；

S4、采用多目标优化算法对各LED串的电流参数进行寻优，

首先，确定将各LED串的驱动电流参数进行编解码的策略，并确定其各自取值区间，

确定优化计算中种群规模、交叉概率、变异概率等参数；

S5、随机产生初始种群；

S6、针对搜索空间内进化群体中的各个体，解码得到n路LED串驱动电流参数，根据所述电流参数，通过多维插值查找调光照明分布模型获得对应的色温、照度值，然后根据所述色温、照度值，基于当前识别出的照明场景所对应的色温、照度光色评分函数，分别计算色温评分值f₁、照度评分值f₂，根据教室各区域照度均匀度相对于参考值的达标水平计算照度均匀度评分值f₃，根据耗电功率计算节能评分值f₄，对所述4个评分值进行加权求和计算出所述个体对应的总评分值f，

S7、基于所述总评分值，进行交叉遗传和变异操作，更新进化群体；

S8、转至步骤S6，反复迭代，直至搜索结束后，输出Pareto优化解；

S9、调光映射模块经输出模块将寻优结果传送给各对应LED串的驱动器，由驱动器通过改变LED串的驱动电流来进行调光。

7.根据权利要求6所述的场景式教室智能照明控制方法，其特征在于，所述光色评分函数采用如下定义：

对于照度，其评分函数为，

其中，E为当前照度，bE、cE为当前场景下根据统计所获得的、覆盖了设定比例人数的期望照度值的区间的下限值与上限值，aE、dE则分别为当前场景下另两个预设下限值与上限值；

对于照度均匀度，其评分函数为，

其中，U为当前照度均匀度，bU是按标准所设定的参考值，aU是一个预设的下限值；

对于色温，当其最多人期望值属于中高色温时，其评分函数为，

当色温最多人期望值属于中低色温时，其评分函数为，

其中，W为当前色温，bW、cW为当前场景下根据统计所获得的、覆盖了设定比例人数的中高期望色温区间的下限值与上限值，aW、dW则分别为当前场景下另两个预设下限值与上限值，hW为当前场景下根据统计所获得的、覆盖了设定比例人数的中低期望色温区间的上限值。

8.根据权利要求7所述的场景式教室智能照明控制方法，其特征在于，所述光色评分函数定义还采用如下规则：

对于自修场景，所述照度评分函数最高评分值对应的照度取值区间被限定在300～500Lx之间，所述色温评分函数最高评分值对应的色温取值区间被限定在4500～6500K之间；

对于投影场景，从投影布到教室后排，所述照度评分函数最高评分值对应的照度取值区间的上、下限值均逐步增大；

对于板书教学场景，黑板区域的所述照度评分函数最高评分值对应的照度取值区间的上、下限值均比其他区域大；

对于讨论场景，所述色温评分函数最高评分值对应的色温取值区间按中低期望色温区间设定且其上限值被限定在4000K以下；

对于课间休息场景，所述照度评分函数最高评分值对应的照度取值区间被限定在300～320Lx之间，，所述色温评分函数最高评分值对应的色温取值区间被限定在3300～5000K之间。

9.根据权利要求6所述的场景式教室智能照明控制方法，其特征在于，所述光色评分函数定义还采用如下规则：

在阴雨天或其他天气下教室内自然光照不足时，通过可调光灯组进行补充照明，如果当前时间属于上午8点至下午5点范围内，还要根据待评分色温、照度光色参数与当前日光光色的相似度，对搜索空间内进化群体中的各个体的所述总评分值f进行调整：

f′＝f·(1+η)，

η＝α·sim(W，Wnow)+(1-α)·sim(e，enow)，

其中，α为设定系数，W、e分别为待评分的色温值、照度与最大照度的比值即相对照度这两个值；Wnow、enow分别为从天气预报服务器所获得的天气预报中当前时刻日光的色温和相对照度，所述相对照度为当前日光亮度与正午日光亮度的比值，相似度函数sim(，)采用以第二个参数为中心的正态分布函数或三角形分布函数且其分布的幅度根据第一个参数的取值范围进行设定，η为调整系数，f和f′分别为调整前后的评分值。

10.根据权利要求6所述的场景式教室智能照明控制方法，其特征在于，所述光色评分函数定义还采用如下规则：

在阴雨天或晴天拉上窗帘阻挡太阳直射光时，如果教室内自然光照不足，白天通过可调光灯组进行补充照明：

对于色温，在阴雨天，所述色温评分函数最高评分值对应的色温取值区间被限定在4000～5000K之间；在晴天，所述色温评分函数最高评分值对应的色温取值区间被限定在5000～6500K之间，

对于照度，还要根据待评分照度参数与当前日光的相似度，对搜索空间内进化群体中的各个体的所述总评分值f进行调整：

f′＝f·(1+η)，

η＝α·sim(e，enow)，

其中，α为设定系数，e为待评分的照度与最大照度的比值即相对照度；enow为从天气预报服务器所获得的天气预报中当前时刻日光相对照度，所述日光相对照度为当前日光亮度与正午日光亮度的比值，相似度函数sim(，)采用以第二个参数为中心的正态分布函数或三角形分布函数且其分布的幅度根据第一个参数的取值范围进行设定，η为调整系数，f和f′分别为调整前后的评分值。