CN110418478A - 基于cnn的节能灯控方法及装置 - Google Patents

Abstract

本发明提供了一种基于CNN的节能灯控方法及装置，该方法包括：获取目标实施环境的全景图像，依据目标实施环境中灯具的分布规律，将全景图像划分为多个区域，获得多区域全景图像，将多区域全景图像输入至预先构建的识别模型中，获得多区域全景图像的识别结果信息，依据识别结果信息，确定多区域全景图像中的各个目标区域，确定与每个目标区域对应的目标灯具，并确定与每个目标灯具对应的照明亮度，依据各个所述目标灯具和与每个目标灯具对应的照明亮度，触发各个目标灯具对应的控制模块，所述目标灯具以与目标灯具对应的照明亮度照明。应用本发明提供的基于CNN的节能灯控方法，实现照明的自动化控制，从而节省更多的照明用电。

Description

基于CNN的节能灯控方法及装置

技术领域

本发明涉及智能控制领域，尤其涉及一种基于CNN的节能灯控方法及装置。

背景技术

随着社会经济和科学技术的飞速发展，人们生活水平的不断提高，对能源需求与日剧增，节约能源、有效利用能源成为人们关注的问题。但是在现实生活中能源的浪费，尤其是电的浪费现象依然存在，以高效课堂为例，由于管理不善，照明用电的浪费问题也越来越严重，常常出现“人不在，灯常亮”等用电浪费情况。为了节省更多的照明用电，需要对灯具的开启和关闭进行控制，控制灯具在有人的时候处于照明状态，无人的时候处于关闭状态。

现有的灯控方法中，基于传感器进行感应，从而触发灯具开关的开启和关闭，以实现节省更多的电能。应用现有的灯控方法，往往需要大量的传感器，由此导致其成本较大，不利于具体实施和推广。

发明内容

本发明所要解决的技术问题是提供一种基于CNN的节能灯控方法，通过识别模型识别存在人像的区域，从而确定人体在实施环境中的位置，并根据照明需求自动控制灯具进行照明，实现节省照明用电。

本发明还提供了一种基于CNN的节能灯控装置，用于保证上述方法在实际中的实现及应用。

一种基于CNN的节能灯控方法，包括：

获取目标实施环境的全景图像；

依据所述目标实施环境中灯具的分布规律，将所述全景图像划分为多个区域，获得多区域全景图像；

将所述多区域全景图像输入至预先构建的识别模型中，获得所述多区域全景图像的识别结果信息；

依据所述识别结果信息，确定所述多区域全景图像中的各个目标区域，所述目标区域为存在人像的区域；

确定与每个所述目标区域对应的目标灯具，并确定与每个所述目标灯具对应的照明亮度；

依据各个所述目标灯具和与每个所述目标灯具对应的照明亮度，触发各个所述目标灯具对应的控制模块，控制所述目标灯具以与所述目标灯具对应的照明亮度照明。

上述的方法，可选的，所述将所述全景图像划分为多个区域，获得多区域全景图像，包括：

依据预设的编号规则，为已划分区域的所述全景图像中的每个区域分配一个区域编号；

将已完成区域编号分配的所述全景图像作为多区域全景图像。

上述的方法，可选的，所述确定与每个所述目标区域对应的目标灯具，包括：

确定每个所述目标区域的区域编号，并确定所述目标实施环境中每个灯具的灯具编号；其中，所述灯具编号的编号规则和所述区域编号的编号规则相同；

将每个所述区域编号和每个所述灯具编号进行匹配，确定与每个所述区域编号相匹配的所述灯具编号，以确定与每个所述目标区域对应的目标灯具。

上述的方法，可选的，所述确定所述多区域全景图像中的各个目标区域，包括：

确定所述多区域全景图像中每个区域的识别结果信息；

针对所述多区域全景图像中的每个所述区域，判断所述区域的识别结果信息是否为第一标识信息，若所述区域的识别结果信息为第一标识信息，则将所述区域确定为目标区域；所述第一标识信息用于表征存在人像的区域。

上述的方法，可选的，所述识别模型的构建过程，包括：

获取所述目标实施环境的全景图像样本集合；所述全景图像样本集合中包含多个全景图像样本；

依据所述目标实施环境中灯具的分布规律，将所述全景图像样本集合中的每个所述全景图像样本划分为多个区域，获得每个所述全景图像样本对应的多区域全景图像样本；

获取用户对各个所述多区域全景图像样本中每个区域的标记结果；所述标识结果包括第一标识信息或第二标识信息，所述第二标识信息用于表征不存在人像的区域；

将多个所述全景图像样本对应的已标记的多区域全景图像样本作为训练数据，将多个所述全景图像样本对应的已标记的读取与全景图像样本作为测试数据；其中，所述训练数据与所述测试数据不存在相同的数据；

构建基于CNN架构的神经网络模型，将所述训练数据输入至所述神经网络模型中，对所述神经网络模型进行训练，并计算已训练的神经网络模型的模型误差，若所述模型误差小于预设的模型误差阈值，则判定为完成所述神经网络模型的训练；

将所述测试数据输入至完成训练的神经网络模型中，对所述完成训练的神经网络进行测试，获得测试结果，并计算所述测试结果的误差，若所述测试结果的误差小于预设的误差阈值，则将所述完成训练的神经网络作为识别模型，若所述测试结果的误差不小于预设的误差阈值，则获取新的训练数据，并以所述新的训练数据继续对所述完成训练的神经网络模型进行训练，直至已训练的神经网络模型的测试结果小于所述误差阈值。

一种基于CNN的节能灯控装置，包括：

获取单元，用于获取目标实施环境的全景图像；

划分单元，用于依据所述目标实施环境中灯具的分布规律，将所述全景图像划分为多个区域，获得多区域全景图像；

识别单元，用于将所述多区域全景图像输入至预先构建的识别模型中，获得所述多区域全景图像的识别结果信息；

第一确定单元，用于依据所述识别结果信息，确定所述多区域全景图像中的各个目标区域，所述目标区域为存在人像的区域；

第二确定单元，用于确定与每个所述目标区域对应的目标灯具，并确定与每个所述目标灯具对应的照明亮度；

触发单元，用于依据各个所述目标灯具和与每个所述目标灯具对应的照明亮度，触发各个所述目标灯具对应的控制模块，控制所述目标灯具以与所述目标灯具对应的照明亮度照明。

上述的装置，可选的，所述划分单元，包括：

编号子单元，用于依据预设的编号规则，为已划分区域的所述全景图像中的每个区域分配一个区域编号；

第一确定子单元，用于将已完成区域编号分配的所述全景图像作为多区域全景图像。

上述的装置，可选的，所述第二确定单元，包括：

第二确定子单元，用于确定每个所述目标区域的区域编号，并确定所述目标实施环境中每个灯具的灯具编号；其中，所述灯具编号的编号规则和所述区域编号的编号规则相同；

匹配子单元，用于将每个所述区域编号和每个所述灯具编号进行匹配，确定与每个所述区域编号相匹配的所述灯具编号，以确定与每个所述目标区域对应的目标灯具。

上述的装置，可选的，所述第一确定单元，包括：

第三确定子单元，用于确定所述多区域全景图像中每个区域的识别结果信息；

判断子单元，用于针对所述多区域全景图像中的每个所述区域，判断所述区域的识别结果信息是否为第一标识信息，若所述区域的识别结果信息为第一标识信息，则将所述区域确定为目标区域；所述第一标识信息用于表征存在人像的区域。

上述的装置，可选的，所述识别单元，包括：

第一获取子单元，用于获取所述目标实施环境的全景图像样本集合；所述全景图像样本集合中包含多个全景图像样本；

划分子单元，用于依据所述目标实施环境中灯具的分布规律，将所述全景图像样本集合中的每个所述全景图像样本划分为多个区域，获得每个所述全景图像样本对应的多区域全景图像样本；

第二获取子单元，用于获取用户对各个所述多区域全景图像样本中每个区域的标记结果；所述标识结果包括第一标识信息或第二标识信息，所述第二标识信息用于表征不存在人像的区域；

第四确定子单元，用于将多个所述全景图像样本对应的已标记的多区域全景图像样本作为训练数据，将多个所述全景图像样本对应的已标记的读取与全景图像样本作为测试数据；其中，所述训练数据与所述测试数据不存在相同的数据；

训练子单元，用于构建基于CNN架构的神经网络模型，将所述训练数据输入至所述神经网络模型中，对所述神经网络模型进行训练，并计算已训练的神经网络模型的模型误差，若所述模型误差小于预设的模型误差阈值，则判定为完成所述神经网络模型的训练；

测试子单元，用于将所述测试数据输入至完成训练的神经网络模型中，对所述完成训练的神经网络进行测试，获得测试结果，并计算所述测试结果的误差，若所述测试结果的误差小于预设的误差阈值，则将所述完成训练的神经网络作为识别模型，若所述测试结果的误差不小于预设的误差阈值，则获取新的训练数据，并以所述新的训练数据继续对所述完成训练的神经网络模型进行训练，直至已训练的神经网络模型的测试结果小于所述误差阈值。

一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述的基于CNN的节能灯控方法。

一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行上述的基于CNN的节能灯控方法。

与现有技术相比，本发明包括以下优点：

本发明提供了一种基于CNN的节能灯控方法，获取目标实施环境的全景图像，依据所述目标实施环境中灯具的分布规律，将所述全景图像划分为多个区域，获得多区域全景图像，将所述多区域全景图像输入至预先构建的识别模型中，获得所述多区域全景图像的识别结果信息，依据所述识别结果信息，确定所述多区域全景图像中的各个目标区域，所述目标区域为存在人像的区域，确定与每个所述目标区域对应的目标灯具，并确定与每个所述目标灯具对应的照明亮度，依据各个所述目标灯具和与每个所述目标灯具对应的照明亮度，触发各个所述目标灯具对应的控制模块，控制所述目标灯具以与所述目标灯具对应的照明亮度照明。应用本发明提供的基于CNN的节能灯控方法，采用识别模型识别目标实施环境的全景图像中存在人像的区域，从而确定目标实施环境中存在人体的位置，以及该位置对应的灯具，并自动控制灯具以与其对应的照明亮度进行照明，实现照明的自动化控制，节省更多的照明用电，而无需通过传感器进行感应识别，降低成本，有利于具体的实施和推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的一种基于CNN的节能灯控方法的方法流程图；

图2为本发明提供的一种基于CNN的节能灯控方法的又一方法流程图；

图3为本发明提供的一种基于CNN的节能灯控装置的结构示意图；

图4为本发明提供的一种电子设备的结构示意图。

具体实施方式

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，都属于本发明保护的范围。

本发明可用于众多通用或专用的计算装置环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。

本发明实施例提供了一种基于CNN的节能灯控方法，该方法可以应用在多种系统平台，其执行主体可以为运行在各种移动设备的处理器，所述基于CNN的节能灯控方法的流程图如图1所示，具体包括：

S101：获取目标实施环境的全景图像；

本发明实施例提供的方法中，获取目标实施环境中的全景图像，其中，全景图像为目标实施环境中所有摄像头拍摄该目标实施环境所能覆盖的全部范围的图像，例如，整间教室区域对应的图像。

S102：依据所述目标实施环境中灯具的分布规律，将所述全景图像划分为多个区域，获得多区域全景图像；

本发明实施例提供的方法中，依据目标实施环境中灯具的分布规律，将全景图像划分为多个区域，获得多区域全景图像，可选的，可以是一个灯具对应一个区域，例如，目标实施环境中存在4个灯具，所划分的全景图像为4个区域，也可以是多个灯具对应一个区域，例如，目标实施环境中存在4个灯具，其中每两个灯具紧紧相邻，所以，所划分的全景图像为2个区域。

S103：将所述多区域全景图像输入至预先构建的识别模型中，获得所述多区域全景图像的识别结果信息；

本发明实施例提供的方法中，将已进行区域划分的全景图像，即多区域全景图像输入至预先训练完成的识别模型中，经识别模型识别后，输出多区域全景图像的识别结果，可选的，该识别模型是基于卷积神经网络CNN的模型，可选的，该识别模型输出多区域全景图像的识别结果可以是，将多区域全景图像中的每个区域的识别结果依次进行输出。

S104：依据所述识别结果信息，确定所述多区域全景图像中的各个目标区域，所述目标区域为存在人像的区域；

本发明实施例提供的方法中，依据多区域全景图像的识别结果，确定多区域全景图像中存在人像的区域，并将存在人像的区域确定为目标区域。需要说明的是，当目标实施环境中存在人体时，映射为全景图像存在人像。

S105：确定与每个所述目标区域对应的目标灯具，并确定与每个所述目标灯具对应的照明亮度；

本发明实施例提供的方法中，确定每个目标区域对应的目标灯具，由于全景图像的区域划分是依据目标实施环境灯具的分布规律进行划分的，依据存在人像的区域，即可确定存在人像的区域对应的灯具，可选的，可以是一个目标区域对应一个目标灯具，也可是一个目标区域对应多个目标灯具，即目标实施环境中存在人体时，可以将人体所在位置对应的灯具确定为目标灯具，也可以将人体所在位置对应的灯具，以及人体所在位置周围的灯具均确定为目标灯具。

本发明实施例提供的方法中，确定与每个目标灯具对应的照明亮度，可选的，可以是依据各个目标区域的分布情况，确定每个存在人像的目标区域所需求的照明亮度，可选的，可以是将位于各个目标灯具中心位置的灯具的亮度设置为最大，并向四周逐级衰减。例如，多个目标区域为相邻近的区域，此时，将每个目标区域对应的目标灯具的亮度调低一级，也可满足照明需求，即所确定的照明亮度比单个独立的目标区域对应的目标灯具的照明亮度低，以实现节省更多的照明用电。

S106：依据各个所述目标灯具和与每个所述目标灯具对应的照明亮度，触发各个所述目标灯具对应的控制模块，控制所述目标灯具以与所述目标灯具对应的照明亮度照明。

本发明实施例提供的方法中，依据目标灯具，确定与每个目标灯具对应的控制模块，该控制模块用于控制灯具的开启和关闭，依据每个目标灯具对应的照明亮度，向各个控制模块发送触发信号，以触发各个控制模块依据与其对应的目标灯具的照明亮度，控制该目标灯具进行照明，可选的，可以通过控制目标灯具的电流大小满足照明亮度需求。

本发明实施例提供的基于CNN的节能灯控方法中，获取目标实施环境的全景图像，依据目标实施环境中灯具的分布规律，将全景图像划分为多个区域，获得多区域全景图像，将多区域全景图像输入至预先构建的识别模型中，获得多区域全景图像的识别结果信息，依据识别结果信息，确定多区域全景图像中存在人像的各个目标区域，确定与每个目标区域对应的目标灯具，并确定与每个目标灯具对应的照明亮度，依据各个目标灯具和与每个目标灯具对应的照明亮度，触发各个标灯具对应的控制模块，控制所述灯具以与目标灯具对应的照明亮度照明。应用本发明实施例提供的基于CNN的节能灯控方法，采用识别模型识别目标实施环境的全景图像中存在人像的区域，从而确定目标实施环境中存在人体的位置，以及该位置对应的灯具，并自动控制灯具以与其对应的照明亮度进行照明，实现照明的自动化控制，节省照明用电，而无需通过传感器进行感应识别，降低成本，有利于具体的实施和推广。

上述本发明实施例图1公开的步骤S102涉及到的将所述全景图像划分为多个区域，获得多区域全景图像，可以包括以下步骤：

依据预设的编号规则，为已划分区域的所述全景图像中的每个区域分配一个区域编号；

将已完成区域编号分配的所述全景图像作为多区域全景图像。

本发明实施例提供的方法中，本发明实施例提供的方法中，依据预设的编号规则，对已划分区域的全景图像进行编号，可选的，编号规则可以是以左上角为起点，按照先从左到右，再从上至下的顺序进行编号，也可以是，以左上角为起点，按照先从上至下，再从左到右的顺序进行编号。

需要说明的是，本发明实施例所提及的具体编号规则只是实现本发明的具体实施方式，不应理解为对本发明限制。

对依据预设的编号规则，为已划分区域的全景图像中的每个区域分配一个区域编号的过程进行举例说明如下：

依据目标实施环境中灯具的分布规律，将全景图像划分为n个区域，并对n个区域以左上角为起点，从左到右，从上至下按a0、a1、a2、a3、a4、a5……分别依次编号。

上述本发明实施例图1公开的步骤S105涉及到的，确定与每个所述目标区域对应的目标灯具，包括以下步骤：

确定每个所述目标区域的区域编号，并确定所述目标实施环境中每个灯具的灯具编号；其中，所述区域编号和所述灯具编号的编号规则相同；

将每个所述区域编号和每个所述灯具编号进行匹配，确定与每个所述区域编号相匹配的所述灯具编号，以确定与每个所述目标区域对应的目标灯具。

本发明实施例提供的方法中，上述的步骤具体包括：依据预设的灯具编号规则，预先对目标实施环境中的各个灯具进行编号，实现为每一个灯具分配灯具编号，其中灯具编号规则可以是，以左上角为起点，按照先从左到右，再从上至下的顺序进行编号，也可以是，以左上角为起点，按照先从上至下，再从左到右的顺序进行编号；需要说明的是，灯具编号和区域编号具有一一对应的关系，灯具编号规则和上述提及的全景图像的编号规则应一致，即以何种编号规则对全景图像进行编号，也应以何种编号规则对灯具进行编号。将每个目标区域的区域编号和目标实施环境中各个灯具的灯具编号进行匹配，以确定与每个区域编号相匹配的灯具编号，可选的，依据预设规则，确定与每个区域编号相匹配的灯具编号，所确定的与每个区域编号相匹配的灯具编号可以是一个，也可以是多个，将所确定的与每个区域编号相匹配的灯具编号对应的灯具作为目标灯具，应用本发明实施例提供的方法，通过对全景图像的每个区域进行编号，以及对目标实施环境中的灯具进行编号，以实现依据区域的编号快速查找到与该区域的编号对应的各个灯具的编号，从而提高处理器的处理效率。

上述本发明实施例图1公开的步骤S104涉及到的，确定所述多区域全景图像中的各个目标区域，包括以下步骤：

确定所述多区域全景图像中每个区域的识别结果信息；

针对所述多区域全景图像中的每个所述区域，判断所述区域的识别结果信息是否为第一标识信息，若所述区域的识别结果信息为第一标识信息，则将所述区域确定为目标区域；所述第一标识信息用于表征存在人像的区域。本发明实施例提供的方法中，将多区域全景图像输入至已训练完成的识别模型中，经识别模型处理后，识别模型按照多区域全景图像的区域编号的顺序，输出多区域全景图像的每个区域的识别结果信息，针对多区域全景图像的每个区域，判断该区域的识别结果信息是否为第一标识信息，若该识别结果信息为第一标识信息，则判定该区域存在人像，并将该区域作为目标区域，若该识别结果信息不为第一标识信息，即该识别结果信息为第二标识信息，则判定该区域不存在人像，其中，第一标识信息用于表征存在人像的区域，第二标识信息用于表征不存在人像的区域，可选的，第一标识信息可以是1，第二标识信息可以是0。

上述本发明实施例图1公开的步骤S103涉及到的识别模型，该识别模型的构建过程，如图2所示，包括以下步骤：

S201：获取所述目标实施环境的全景图像样本集合；

本发明实施例提供的方法中，通过摄像头获取目标实施环境下的全景图像样本集合，其中，全景图像样本集合中包括多个全景图像样本，各个全景图像样本为目标实施环境的不同工作情况下的全景图像。

S202：依据所述目标实施环境中灯具的分布规律，将所述全景图像样本集合中的每个所述全景图像样本划分为多个区域，获得每个所述全景图像样本对应的多区域全景图像样本；

本发明实施例提供的方法中，按照目标实施环境中灯具的分布规律，将全景图像样本集合中的各个全景图像样本划分为多为多个区域，并对已划分区域的全景图像样本按照预设的编号规则进行编号，获得与每个全景图像样本对应的多区域全景图像样本，其中，编号规则如上所述，此处不再赘述。

S203：获取用户对各个所述多区域全景图像样本中每个区域的标记结果；所述标识结果包括第一标识信息或第二标识信息，所述第二标识信息用于表征不存在人像的区域；

本发明实施例提供的方法中，通过人工方式对各个多区域全景图像样本的每个区域进行标记，若区域中存在人像，即该区域对应目标实施环境中的相应位置存在人体，则以第一标识信息进行标记，若区域中不存在人像，则以第二标识信息进行标记，可选的，第一标识信息可是1，第二标识信息可以是0，由此获得神经网络模型的各个已标定多区域全景图像样本。

S204：将多个所述全景图像样本对应的已标记的多区域全景图像样本作为训练数据，将多个所述全景图像样本对应的已标记的读取与全景图像样本作为测试数据；

本发明实施例提供的方法中，从全景图像样本集合中选取各个多区域全景图像样本作为训练数据，以及从全景图像样本集合中选取各个多区域全景图像样本作为测试数据。

需要说明的是，作为训练数据的各个已标记的多区域全景图像样本，与做作为测试数据的各个已标记的多区域全景图像样本之间不存在相同的样本，即不存在已标记的多区域全景图像样本既作为训练数据又作为测试数据。

S205：构建基于CNN架构的神经网络模型，将所述训练数据输入至所述神经网络模型中，对所述神经网络模型进行训练，并计算已训练的神经网络模型的模型误差，若所述模型误差小于预设的模型误差阈值，则判定为完成所述神经网络模型的训练；

本发明实施例提供的方法中，构建基于CNN架构的神经网络模型，可选的，神经网络模型采用ResNet结构并且最后3层使用MLP(Multi-Layer Perception，多层感知器)，神经网络模型中所有隐含层神经元激活函数均采用ReLU(Rectified Linear Unit，线性整流函数)函数，输出层神经元激活函数采用sigmoid函数，输出层神经元个数为n；Loss(lossfunction，损失函数)函数设置为交叉熵损失函数，优化算法采用Adam；随机初始化神经网络模型中所有权值和阈值，学习率初始化为l，批量训练样本数目设置为N_B，模型最小误差设置为Em，模型最大整体错误率设置为Mem。

本发明实施例提供的方法中，将训练数据中已标定多区域全景图像样本按照批量训练样本数目N_B依次从首项至末项输入到所述神经网络模型，按照前向传播的公式计算相应的模型输出，根据该组批量训练样本的人工标定标签计算出Loss函数值，并基于Adam优化算法利用反向传播算法调整该神经网络模型所有权值和阈值，由此神经网络模型完成一次训练。神经模型完成一次训练后，计算模型误差，若模型整体误差小于预设的模型误差阈值，即模型最小误差Em，则判定完成神经网络模型的训练；否则，将训练数据中已标定多区域全景图像样本按照批量训练样本数目N_B依次从首项至末项输入到所述神经网络模型继续训练神经网络模型，直至模型误差小于模型最小误差Em结束训练，获得已完成训练神经网络模型。

S206：将所述测试数据输入至完成训练的神经网络模型中，对所述完成训练的神经网络进行测试，获得测试结果，并计算所述测试结果的误差，若所述测试结果的误差小于预设的误差阈值，则将所述完成训练的神经网络作为识别模型。

本发明实施例提供的方法中，将所述测试数据中已标定的多区域全景图像样本依次从首项至末项输入到所述已完成训练的神经网络模型中，按照前向传播的公式计算相应的模型输出，获得测试结果，并将测试结果与对应人工标定的各个多区域全景图像样本进行对比，计算的测试结果的误差率，若测试结果的误差小于预设的误差阈值，即小于模型最大整体错误率Mem，则判定神经网络模型训练成功，并完成训练的神经网络作为识别模型，否则判定神经网络模型训练失败，并获取新的训练数据，并以所述新的训练数据继续对所述完成训练的神经网络模型进行训练，直至已训练的神经网络模型的测试结果小于所述误差阈值。本发明实施例提供的基于CNN的节能灯控方法中，采用基于CNN的识别模型进行识别，确定人体所在目标实施环境中的位置，而无需采用传感器进行感应识别，从而降低成本。

与图1所述的方法相对应，本发明实施例还提供了一种基于CNN的节能灯控装置，用于对图1中方法的具体实现，其结构示意图如图3所示，具体包括：

获取单元301，用于获取目标实施环境的全景图像；

划分单元302，用于依据所述目标实施环境中灯具的分布规律，将所述全景图像划分为多个区域，获得多区域全景图像；

识别单元303，用于将所述多区域全景图像输入至预先构建的识别模型中，获得所述多区域全景图像的识别结果信息；

第一确定单元304，用于依据所述识别结果信息，确定所述多区域全景图像中的各个目标区域，所述目标区域为存在人像的区域；

第二确定单元305，用于确定与每个所述目标区域对应的目标灯具，并确定与每个所述目标灯具对应的照明亮度；

触发单元306，用于依据各个所述目标灯具和与每个所述目标灯具对应的照明亮度，触发各个所述目标灯具对应的控制模块，控制所述目标灯具以与所述目标灯具对应的照明亮度照明。

本发明实施例提供的基于CNN的节能灯控装置，获取目标实施环境的全景图像，依据目标实施环境中灯具的分布规律，将全景图像划分为多个区域，获得多区域全景图像，将多区域全景图像输入至预先构建的识别模型中，获得多区域全景图像的识别结果信息，依据识别结果信息，确定多区域全景图像中存在人像的各个目标区域，确定与每个目标区域对应的目标灯具，并确定与每个目标灯具对应的照明亮度，依据各个目标灯具和与每个目标灯具对应的照明亮度，触发各个标灯具对应的控制模块，控制所述灯具以与目标灯具对应的照明亮度照明。应用本发明实施例提供的基于CNN的节能灯控方法，采用识别模型识别目标实施环境的全景图像中存在人像的区域，从而确定目标实施环境中存在人体的位置，以及该位置对应的灯具，并自动控制灯具以与其对应的照明亮度进行照明，实现照明的自动化控制，节省照明用电，而无需通过传感器进行感应识别，降低成本，有利于具体的实施和推广。

在本发明的一个实施例中，基于前述方案，划分单元302配置为：

编号子单元，用于依据预设的编号规则，为已划分区域的所述全景图像中的每个区域分配一个区域编号；

第一确定子单元，用于将已完成区域编号分配的所述全景图像作为多区域全景图像。

在本发明的一个实施例中，基于前述方案，第二确定单元305配置为：

第二确定子单元，用于确定每个所述目标区域的区域编号，并确定所述目标实施环境中每个灯具的灯具编号；所述灯具编号的编号规则和所述区域编号的编号规则相同；

匹配子单元，用于将每个所述区域编号和每个所述灯具编号进行匹配，确定与每个所述区域编号相匹配的所述灯具编号，以确定与每个所述目标区域对应的目标灯具。

在本发明的一个实施例中，基于前述方案，第一确定单元304配置为：

第三确定子单元，用于确定所述多区域全景图像中每个区域的识别结果信息；

判断子单元，用于针对所述多区域全景图像中的每个所述区域，判断所述区域的识别结果信息是否为第一标识信息，若所述区域的识别结果信息为第一标识信息，则将所述区域确定为目标区域；所述第一标识信息用于表征存在人像的区域。

在本发明的一个实施例中，基于前述方案，识别单元303配置为：

第一获取子单元，用于获取所述目标实施环境的全景图像样本集合；所述全景图像样本集合中包含多个全景图像样本；

划分子单元，用于依据所述目标实施环境中灯具的分布规律，将所述全景图像样本集合中的每个所述全景图像样本划分为多个区域，获得每个所述全景图像样本对应的多区域全景图像样本；

第二获取子单元，用于获取用户对各个所述多区域全景图像样本中每个区域的标记结果；所述标识结果包括第一标识信息或第二标识信息，所述第二标识信息用于表征不存在人像的区域；

第四确定子单元，用于将多个所述全景图像样本对应的已标记的多区域全景图像样本作为训练数据，将多个所述全景图像样本对应的已标记的读取与全景图像样本作为测试数据；其中，所述训练数据与所述测试数据不存在相同的数据；

训练子单元，用于构建基于CNN架构的神经网络模型，将所述训练数据输入至所述神经网络模型中，对所述神经网络模型进行训练，并计算已训练的神经网络模型的模型误差，若所述模型误差小于预设的模型误差阈值，则判定为完成所述神经网络模型的训练；

测试子单元，用于将所述测试数据输入至完成训练的神经网络模型中，对所述完成训练的神经网络进行测试，获得测试结果，并计算所述测试结果的误差，若所述测试结果的误差小于预设的误差阈值，则将所述完成训练的神经网络作为识别模型，若所述测试结果的误差不小于预设的误差阈值，则获取新的训练数据，并以所述新的训练数据继续对所述完成训练的神经网络模型进行训练，直至已训练的神经网络模型的测试结果小于所述误差阈值。

本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述基于CNN的节能灯控方法。

本发明实施例还提供了一种电子设备，其结构示意图如图4所示，具体包括存储器401，以及一个或者一个以上的指令402，其中一个或者一个以上指令402存储于存储器401中，且经配置以由一个或者一个以上处理器403执行所述一个或者一个以上指令402进行以下操作：

获取目标实施环境的全景图像；

依据所述目标实施环境中灯具的分布规律，将所述全景图像划分为多个区域，获得多区域全景图像；

将所述多区域全景图像输入至预先构建的识别模型中，获得所述多区域全景图像的识别结果信息；

依据所述识别结果信息，确定所述多区域全景图像中的各个目标区域，所述目标区域为存在人像的区域；

确定与每个所述目标区域对应的目标灯具，并确定与每个所述目标灯具对应的照明亮度；

依据各个所述目标灯具和与每个所述目标灯具对应的照明亮度，触发各个所述目标灯具对应的控制模块，控制所述目标灯具以与所述目标灯具对应的照明亮度照明。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上对本发明所提供的一种基于CNN的节能灯控方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于CNN的节能灯控方法，其特征在于，包括：

获取目标实施环境的全景图像；

依据所述目标实施环境中灯具的分布规律，将所述全景图像划分为多个区域，获得多区域全景图像；

将所述多区域全景图像输入至预先构建的识别模型中，获得所述多区域全景图像的识别结果信息；

依据所述识别结果信息，确定所述多区域全景图像中的各个目标区域，所述目标区域为存在人像的区域；

确定与每个所述目标区域对应的目标灯具，并确定与每个所述目标灯具对应的照明亮度；

依据各个所述目标灯具和与每个所述目标灯具对应的照明亮度，触发各个所述目标灯具对应的控制模块，控制所述目标灯具以与所述目标灯具对应的照明亮度照明。

2.根据权利要求1所述的方法，其特征在于，所述将所述全景图像划分为多个区域，获得多区域全景图像，包括：

依据预设的编号规则，为已划分区域的所述全景图像中的每个区域分配一个区域编号；

将已完成区域编号分配的所述全景图像作为多区域全景图像。

3.根据权利要求2所述的方法，其特征在于，所述确定与每个所述目标区域对应的目标灯具，包括：

确定每个所述目标区域的区域编号，并确定所述目标实施环境中每个灯具的灯具编号；其中，所述灯具编号的编号规则和所述区域编号的编号规则相同；

将每个所述区域编号和每个所述灯具编号进行匹配，确定与每个所述区域编号相匹配的所述灯具编号，以确定与每个所述目标区域对应的目标灯具。

4.根据权利要求2所述的方法，其特征在于，所述确定所述多区域全景图像中的各个目标区域，包括：

确定所述多区域全景图像中每个区域的识别结果信息；

针对所述多区域全景图像中的每个所述区域，判断所述区域的识别结果信息是否为第一标识信息，若所述区域的识别结果信息为第一标识信息，则将所述区域确定为目标区域；所述第一标识信息用于表征存在人像的区域。

5.根据权利要求4所述的方法，其特征在于，所述识别模型的构建过程，包括：

获取所述目标实施环境的全景图像样本集合；所述全景图像样本集合中包含多个全景图像样本；

依据所述目标实施环境中灯具的分布规律，将所述全景图像样本集合中的每个所述全景图像样本划分为多个区域，获得每个所述全景图像样本对应的多区域全景图像样本；

获取用户对各个所述多区域全景图像样本中每个区域的标记结果；所述标识结果包括第一标识信息或第二标识信息，所述第二标识信息用于表征不存在人像的区域；

将多个所述全景图像样本对应的已标记的多区域全景图像样本作为训练数据，将多个所述全景图像样本对应的已标记的读取与全景图像样本作为测试数据；其中，所述训练数据与所述测试数据不存在相同的数据；

构建基于CNN架构的神经网络模型，将所述训练数据输入至所述神经网络模型中，对所述神经网络模型进行训练，并计算已训练的神经网络模型的模型误差，若所述模型误差小于预设的模型误差阈值，则判定为完成所述神经网络模型的训练；

将所述测试数据输入至完成训练的神经网络模型中，对所述完成训练的神经网络进行测试，获得测试结果，并计算所述测试结果的误差，若所述测试结果的误差小于预设的误差阈值，则将所述完成训练的神经网络作为识别模型，若所述测试结果的误差不小于预设的误差阈值，则获取新的训练数据，并以所述新的训练数据继续对所述完成训练的神经网络模型进行训练，直至已训练的神经网络模型的测试结果小于所述误差阈值。

6.一种基于CNN的节能灯控装置，其特征在于，包括：

获取单元，用于获取目标实施环境的全景图像；

划分单元，用于依据所述目标实施环境中灯具的分布规律，将所述全景图像划分为多个区域，获得多区域全景图像；

识别单元，用于将所述多区域全景图像输入至预先构建的识别模型中，获得所述多区域全景图像的识别结果信息；

第一确定单元，用于依据所述识别结果信息，确定所述多区域全景图像中的各个目标区域，所述目标区域为存在人像的区域；

第二确定单元，用于确定与每个所述目标区域对应的目标灯具，并确定与每个所述目标灯具对应的照明亮度；

触发单元，用于依据各个所述目标灯具和与每个所述目标灯具对应的照明亮度，触发各个所述目标灯具对应的控制模块，控制所述目标灯具以与所述目标灯具对应的照明亮度照明。

7.根据权利要求6所述的装置，其特征在于，所述划分单元，包括：

编号子单元，用于依据预设的编号规则，为已划分区域的所述全景图像中的每个区域分配一个区域编号；

第一确定子单元，用于将已完成区域编号分配的所述全景图像作为多区域全景图像。

8.根据权利要求7所述的装置，其特征在于，所述第二确定单元，包括：

第二确定子单元，用于确定每个所述目标区域的区域编号，并确定所述目标实施环境中每个灯具的灯具编号；所述灯具编号的编号规则和所述区域编号的编号规则相同；

匹配子单元，用于将每个所述区域编号和每个所述灯具编号进行匹配，确定与每个所述区域编号相匹配的所述灯具编号，以确定与每个所述目标区域对应的目标灯具。

9.根据权利要求7所述的装置，其特征在于，所述第一确定单元，包括：

第三确定子单元，用于确定所述多区域全景图像中每个区域的识别结果信息；

判断子单元，用于针对所述多区域全景图像中的每个所述区域，判断所述区域的识别结果信息是否为第一标识信息，若所述区域的识别结果信息为第一标识信息，则将所述区域确定为目标区域；所述第一标识信息用于表征存在人像的区域。

10.根据权利要求9所述的装置，其特征在于，所述识别单元，包括：

第一获取子单元，用于获取所述目标实施环境的全景图像样本集合；所述全景图像样本集合中包含多个全景图像样本；

划分子单元，用于依据所述目标实施环境中灯具的分布规律，将所述全景图像样本集合中的每个所述全景图像样本划分为多个区域，获得每个所述全景图像样本对应的多区域全景图像样本；

第二获取子单元，用于获取用户对各个所述多区域全景图像样本中每个区域的标记结果；所述标识结果包括第一标识信息或第二标识信息，所述第二标识信息用于表征不存在人像的区域；

第四确定子单元，用于将多个所述全景图像样本对应的已标记的多区域全景图像样本作为训练数据，将多个所述全景图像样本对应的已标记的读取与全景图像样本作为测试数据；其中，所述训练数据与所述测试数据不存在相同的数据；

训练子单元，用于构建基于CNN架构的神经网络模型，将所述训练数据输入至所述神经网络模型中，对所述神经网络模型进行训练，并计算已训练的神经网络模型的模型误差，若所述模型误差小于预设的模型误差阈值，则判定为完成所述神经网络模型的训练；

测试子单元，用于将所述测试数据输入至完成训练的神经网络模型中，对所述完成训练的神经网络进行测试，获得测试结果，并计算所述测试结果的误差，若所述测试结果的误差小于预设的误差阈值，则将所述完成训练的神经网络作为识别模型，若所述测试结果的误差不小于预设的误差阈值，则获取新的训练数据，并以所述新的训练数据继续对所述完成训练的神经网络模型进行训练，直至已训练的神经网络模型的测试结果小于所述误差阈值。