CN111160482A - 一种基于深度学习的办公场所自适应空调控制方法及系统 - Google Patents

Abstract

本发明公开了一种基于深度学习的办公场所自适应空调控制方法及系统，包括利用采集模块采集办公环境下的相关图像信息作为数据集；结合传输模块将数据集传输至分析模块内，分析模块划分数据集，并构建检测模型；分析模块训练检测模型，获得训练模型；将训练模型放置到空调总控模块内，并实时利用传输模块反馈检测图像信息；根据检测图像信息触发控制单元调节空调温度。本发明通过摄像头检测区域中的人数进行实时温度调整，对空调的关闭实行自动控制技术，相比传统空调更加智能化，且大大的减少了资源浪费现象，更便利、舒适的服务生活。

Description

一种基于深度学习的办公场所自适应空调控制方法及系统

技术领域

本发明涉及智能制造技术领域，尤其涉及一种基于深度学习的办公场所自适应空调控制方法及系统。

背景技术

空调即空气调节器，是指用人工手段，对建筑或构筑物内环境空气的温度、湿度、流速等参数进行调节和控制的设备。目前市面的上空调使用环境主要分为两大板块，一块是用于家用，另一块是用于办公场所。本发明专利只涉及公开的办公场所。

空调一般的使用步骤是使用遥控器打开空调，设置温度。对于在人员流动的办公场所，并不能根据人员的流动来调节温度。同时在办公场所，往往会出现忘记关空调的现象，给电力资源造成了浪费。因此，本发明提出一种基于深度学习的办公场所自适应空调控制系统，它能根据摄像头检测在当前办公空间的人数，实时的调节温度；若当前办公空间检测人的个数为0并且长达半小时以上时，会自动关闭空调。现有的技术方案中，当人员出现变化时，需要人为的再次设置温度，当办公场所没人并且空调有忘记关，会给电力资源造成极大的浪费。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在浪费资源的问题，提出了本发明。

因此，本发明提供了一种基于深度学习的办公场所自适应空调控制方法及系统，通过检测人员活动，调整空调温度关闭状态，减少资源浪费。

为解决上述技术问题，本发明提供如下技术方案：利用采集模块采集办公环境下的相关图像信息作为数据集；结合传输模块将所述数据集传输至分析模块内，所述分析模块划分所述数据集，并构建检测模型；所述分析模块训练所述检测模型，获得训练模型；将所述训练模型放置到空调总控模块内，并实时利用所述传输模块反馈检测图像信息；根据所述检测图像信息触发控制单元调节空调温度。

作为本发明所述的一种基于深度学习的办公场所自适应空调控制方法的一种优选方案，其中：安装摄像头，并与所述空调总控模块连接；利用所述摄像头采集在不同办公场所环境下含有人的图片；采集所述图片数量大于1000 张。

作为本发明所述的一种基于深度学习的办公场所自适应空调控制方法的一种优选方案，其中：采集所述图片作为数据集包括，将采集的所述图片中的人的位置进行标记；标记位置(x1,y1,x2,y2)，其中，(x1,y1)：标记的矩形框的左上角的坐标，(x2,y2)：标记的矩形框的右下角的坐标；整合标记完成的所述图片，构建所述数据集。

作为本发明所述的一种基于深度学习的办公场所自适应空调控制方法的一种优选方案，其中：划分所述数据集、构建所述检测模型包括，将所述数据集按照6:2:2的比例划分，并对应划分后的所述数据集分别命名为训练集、验证集、测试集；训练所述训练集、所述验证集、所述测试集，获得所述检测模型。

作为本发明所述的一种基于深度学习的办公场所自适应空调控制方法的一种优选方案，其中：训练并获得所述检测模型具体包括，利用YOLOV3方法检测所述数据集中人的位置信息；统计检测到的所述数据集中人的位置信息数量；利用交叉熵作为损失函数，训练所述训练集、所述验证集、所述测试集、获得所述检测模型。

作为本发明所述的一种基于深度学习的办公场所自适应空调控制方法的一种优选方案，其中：利用gluon-cn中的源码配置相关训练参数；结合代码运行，再次训练所述检测模型；获得所述训练模型。

作为本发明所述的一种基于深度学习的办公场所自适应空调控制方法的一种优选方案，其中：利用所述测试集测试所述训练模型是否达到相关指标，并判断所述训练模型是否呈收敛状态；若所述训练模型训练时的损失下降值、精度上升值明显减小，则所述训练模型收敛；若所述训练模型在所述测试集上的测试精确度达到90％以上，则满足条件；若所述训练模型在所述测试集上的测试精确度不能达到90％以上，则继续扩充所述数据集，并调整相关参数再次进行训练，直至满足条件。

作为本发明所述的一种基于深度学习的办公场所自适应空调控制方法的一种优选方案，其中：放置所述训练模型至所述空调总控模块内包括，将收敛的并满足条件的所述训练模型部署到所述控制单元内；利用所述摄像头获取场景影像，部署完成后的所述训练模型检测所述场景影像中的人数；利用所述传输模块将信息反馈到所述控制单元，并触发温度调节开关，根据实时检测传输的所述信息进行温度调节。

作为本发明所述的一种基于深度学习的办公场所自适应空调控制系统的一种优选方案，其中：采集模块包括摄像头，通过所述摄像头采集在不同办公场所环境下含有人的图片信息，完成辅助标定，从而获得数据集；传输模块贯穿连接于各个模块，将所述摄像头捕捉到的所述影像信息传输到所述分析模块，接收检测反馈信息，再将所述反馈信息传输到所述空调总控模块内，触发调节开关，从而调节空调温度；分析模块与所述传输模块相连，其包括检测单元和处理单元，通过所述传输模块接收所述数据集，并根据所述处理单元计算划分所述数据集，训练所述检测模型，所述检测单元识别所述所述摄像头捕捉到的所述影像信息，并通过所述处理单元生成数据信息，通过所述传输模块反馈到所述空调总控模块；空调总控模块包括控制单元和转化单元，所述空调总控模块接收所述传输模块传输的所述反馈信息，并通知所述转化单元鉴别所述反馈信息内容，若需要调节温度，则所述转化单元将所述反馈信息转化为相应指令触发所述控制单元调节空调温度。

本发明的有益效果：本发明通过摄像头检测区域中的人数进行实时温度调整，对空调的关闭实行自动控制技术，相比传统空调更加智能化，且大大的减少了资源浪费现象，更便利、舒适的服务生活。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例所述的基于深度学习的办公场所自适应空调控制方法的流程示意图；

图2为本发明第二个实施例所述的基于深度学习的办公场所自适应空调控制系统的模块结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

自适应控制技术主要包括制冷与加热、去湿与加湿、开机与关机及自动排序，制冷与加热是根据室外温度变化，控制室内温度始终保持在用户设置的“目标温度”范围内，自动跟踪改变“温度设置值”；去湿与加湿根据室内湿度变化，控制室内湿度始终保持在用户设置的“目标湿度”范围内，自动跟踪改变“湿度设置值”；利用计算机温度模拟技术，自动判断并选择执行开机或关机；自动排序是根据各“温度区域”的目标温湿度值的平衡，计算机温度模拟技术会定期自动判断“优先开机、关机”机组的编号和次序，当空调富余量大时，自动执行优先排序的关机或关机。本发明采用自适应控制技术与深度学习结合的策略，针对办公场所人员活动情况实时调节空调温度。

参照图1，为本发明的第一个实施例，提供了一种基于深度学习的办公场所自适应空调控制方法，包括以下步骤：

S1:利用采集模块100采集办公环境下的相关图像信息作为数据集。本步骤需要说明的是，包括：

安装摄像头101，并与空调总控模块400连接；

利用摄像头101采集在不同办公场所环境下含有人的图片；

采集图片数量大于1000张。

具体的，采集图片作为数据集包括：

将采集的图片中的人的位置进行标记；

标记位置(x1,y1,x2,y2)，其中，(x1,y1)：标记的矩形框的左上角的坐标，(x2,y2)：标记的矩形框的右下角的坐标；

整合标记完成的图片，构建数据集。

S2：结合传输模块200将数据集传输至分析模块300内，分析模块300划分数据集，并构建检测模型。其中需要说明的是，划分数据集、构建检测模型包括：

将数据集按照6:2:2的比例划分，并对应划分后的数据集分别命名为训练集、验证集、测试集；

利用YOLOV3方法检测数据集中人的位置信息；

统计检测到的数据集中人的位置信息数量；

利用交叉熵作为损失函数，训练训练集、验证集、测试集、获得检测模型。

S3：分析模块300训练检测模型，获得训练模型。本步骤还需要说明的是，包括：

利用gluon-cn中的源码配置相关训练参数；

结合代码运行，再次训练检测模型；

获得训练模型。

进一步的，还包括：

利用测试集测试训练模型是否达到相关指标，并判断训练模型是否呈收敛状态；

若训练模型训练时的损失下降值、精度上升值明显减小，则训练模型收敛；

若训练模型在测试集上的测试精确度达到90％以上，则满足条件；

若训练模型在测试集上的测试精确度不能达到90％以上，则继续扩充数据集，并调整相关参数再次进行训练，直至满足条件。

S4：将训练模型放置到空调总控模块400内，并实时利用传输模块200反馈检测图像信息。其中还需要说明的是，部署训练模型包括：

将收敛的并满足条件的训练模型部署到控制单元401内；

利用摄像头101获取场景影像，部署完成后的训练模型检测场景影像中的人数；

利用传输模块200将信息反馈到控制单元401。

S5：根据检测图像信息触发控制单元401调节空调温度。

优选的是，本发明利用机器学习策略划分数据集，依据6:2:2的约定比例划分为训练集、验证集、测试集，在训练集上训练模型的同时，在验证集上验证，并动态的根据验证结果调整训练模型，最后利用Python软件测试训练模型，达到90％的指标(90％为本专业领域内共知阈值)视为满足条件，达到相应的测试指标即表示训练模型精度确定，可导入空调总控模块400内，训练模型利用开源代码与空调总控模块400连接。与现有技术方法不同的是，本发明方法根据检测到当前空间的人数，调整空调的温度，更好的实现智能化、环保化，提升生活服务质量的同时减少了资源浪费。

较佳的，对本方法中采用的技术效果加以验证说明，本实施例选择的不同方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。传统的技术方案：需要人为的设置温度。为验证本方法可以动态的根据空间里存在的人数动态的设置空调温度。本实验采用python 编程语言实现本方法的仿真测试测试空调在室内存在不同人数的情况下，温度的变化。基于26摄氏度是一个人在15平方米空间内比较舒适的温度，设定26 摄氏度与所处空间是15平方米为限定条件，分别在制冷和制热情况下做了测试，测试结果如下表所示：

表1：制冷模式。

表2：制热模式。

由此可以看出，得到的实验数据符合本发明方法预期，验证本发明可以根据检测到当前空间内活动人员人数来调整空调温度的智能化。

进一步的，验证本发明方法可以在检测到当前空间活动人员为0超过30 分钟以上的情况下自行关闭空调。传统的技术方案：需要人为的关闭空调，一旦空间中无人，空调也无人关闭，将造成极大的资源浪费。本发明方法可以实现智能关闭空调的功能，实验采用python编程语言实现仿真测试。本实验每一次实验都在40分钟(保证超过半小时)，测试10组，然后记录空调是否成功关闭。实验结果如下表所示：

表1：

第几次	第1次	第2次	第3次	第4次	第5次
						是否成功关闭	成功	成功	成功	成功	成功

表2：

第几次	第6次	第7次	第8次	第9次	第10次
						是否关闭	成功	成功	成功	成功	成功

由上述实验实验数据可以看出，本发明方法成功关闭空调的概率为100％，验证了本发明方法可以在检测到当前空间活动人员为0超过30分钟以上的情况下，自行关闭空调，减少了资源的浪费。

实施例2

参照图2，为本发明的第二个实施例，该实施例不同于第一个实施例的是提供了一种基于深度学习的办公场所自适应空调控制系统，包括采集模块100、传输模块200、分析模块300、空调总控模块400，采集模块100包括摄像头101，通过摄像头101采集在不同办公场所环境下含有人的图片信息，完成辅助标定，从而获得数据集；传输模块(200)贯穿连接于各个模块，将摄像头101捕捉到的影像信息传输到分析模块(300)，接收检测反馈信息，再将反馈信息传输到空调总控模块400内，触发调节开关，从而调节空调温度；分析模块300与传输模块200相连，其包括检测单元301和处理单元302，通过传输模块200 接收数据集，并根据处理单元302计算划分数据集，训练检测模型，检测单元 301识别摄像头101捕捉到的影像信息，并通过处理单元302生成数据信息，通过传输模块200反馈到空调总控模块400；空调总控模块400包括控制单元 401和转化单元402，空调总控模块400接收传输模块200传输的反馈信息，并通知转化单元402鉴别反馈信息内容，若需要调节温度，则转化单元402将反馈信息转化为相应指令触发控制单元401调节空调温度。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合) 可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于深度学习的办公场所自适应空调控制方法，其特征在于：包括，

利用采集模块(100)采集办公环境下的相关图像信息作为数据集；

结合传输模块(200)将所述数据集传输至分析模块(300)内，所述分析模块(300)划分所述数据集，并构建检测模型；

所述分析模块(300)训练所述检测模型，获得训练模型；

将所述训练模型放置到空调总控模块(400)内，并实时利用所述传输模块(200)反馈检测图像信息；

根据所述检测图像信息触发控制单元(401)调节空调温度。

2.如权利要求1所述的基于深度学习的办公场所自适应空调控制方法，其特征在于：包括，

安装摄像头(101)，并与所述空调总控模块(400)连接；

利用所述摄像头(101)采集在不同办公场所环境下含有人的图片；

采集所述图片数量大于1000张。

3.如权利要求1或2所述的基于深度学习的办公场所自适应空调控制方法，其特征在于：采集所述图片作为数据集包括，

将采集的所述图片中的人的位置进行标记；

标记位置(x1,y1,x2,y2)，其中(x1,y1)为标记的矩形框的左上角的坐标，(x2,y2)为标记的矩形框的右下角的坐标；

整合标记完成的所述图片，构建所述数据集。

4.如权利要求1所述的基于深度学习的办公场所自适应空调控制方法，其特征在于：划分所述数据集、构建所述检测模型包括，

将所述数据集按照6:2:2的比例划分，并对应划分后的所述数据集分别命名为训练集、验证集、测试集；

训练所述训练集、所述验证集、所述测试集，获得所述检测模型。

5.如权利要求4所述的基于深度学习的办公场所自适应空调控制方法，其特征在于：训练并获得所述检测模型具体包括，

利用YOLOV3方法检测所述数据集中人的位置信息；

统计检测到的所述数据集中人的位置信息数量；

利用交叉熵作为损失函数，训练所述训练集、所述验证集、所述测试集、获得所述检测模型。

6.如权利要求1或5所述的基于深度学习的办公场所自适应空调控制方法，其特征在于：包括，

利用gluon-cn中的源码配置相关训练参数；

结合代码运行，再次训练所述检测模型；

获得所述训练模型。

7.如权利要求6所述的基于深度学习的办公场所自适应空调控制方法，其特征在于：包括，

利用所述测试集测试所述训练模型是否达到相关指标，并判断所述训练模型是否呈收敛状态；

若所述训练模型训练时的损失下降值、精度上升值明显减小，则所述训练模型收敛；

若所述训练模型在所述测试集上的测试精确度达到90％以上，则满足条件；

若所述训练模型在所述测试集上的测试精确度不能达到90％以上，则继续扩充所述数据集，并调整相关参数再次进行训练，直至满足条件。

8.如权利要求1或7所述的基于深度学习的办公场所自适应空调控制方法，其特征在于：放置所述训练模型至所述空调总控模块(400)内包括，

将收敛的并满足条件的所述训练模型部署到所述控制单元(401)内；

利用所述摄像头(101)获取场景影像，部署完成后的所述训练模型检测所述场景影像中的人数；

利用所述传输模块(200)将信息反馈到所述控制单元(401)，并触发温度调节开关，根据实时检测传输的所述信息进行温度调节。

9.一种基于深度学习的办公场所自适应空调控制系统，其特征在于：包括，

采集模块(100)包括摄像头(101)，通过所述摄像头(101)采集在不同办公场所环境下含有人的图片信息，完成辅助标定，从而获得数据集；

传输模块(200)贯穿连接于各个模块，将所述摄像头(101)捕捉到的所述影像信息传输到所述分析模块(300)，接收检测反馈信息，再将所述反馈信息传输到所述空调总控模块(400)内，触发调节开关，从而调节空调温度；

分析模块(300)与所述传输模块(200)相连，其包括检测单元(301)和处理单元(302)，通过所述传输模块(200)接收所述数据集，并根据所述处理单元(302)计算划分所述数据集，训练所述检测模型，所述检测单元(301)识别所述摄像头(101)捕捉到的所述影像信息，并通过所述处理单元(302)生成数据信息，通过所述传输模块(200)反馈到所述空调总控模块(400)；

空调总控模块(400)包括控制单元(401)和转化单元(402)，所述空调总控模块(400)接收所述传输模块(200)传输的所述反馈信息，并通知所述转化单元(402)鉴别所述反馈信息内容，若需要调节温度，则所述转化单元(402)将所述反馈信息转化为相应指令触发所述控制单元(401)调节空调温度。

Images