CN113432712A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113432712A CN113432712A CN202110701187.8A CN202110701187A CN113432712A CN 113432712 A CN113432712 A CN 113432712A CN 202110701187 A CN202110701187 A CN 202110701187A CN 113432712 A CN113432712 A CN 113432712A
- Authority
- CN
- China
- Prior art keywords
- camera
- radial basis
- basis function
- illumination
- neural network
- 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.)
- Granted
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 91
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims description 8
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 238000000691 measurement method Methods 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
Abstract
本发明属于环境照度快速测量的方法,特别涉及一种基于径向基函数神经网络建立的环境照度测量方法,包括:采用摄像设备获取灰度图像信息,利用被测环境中参考点放置的照度传感器的照度测量数据,使用照度计测量环境工作面照度数据,生成数据集;使用数据集训练径向基函数神经网络实现对照明工作面照度分布的估计。这种照度分布测量方法解决了当前使用摄像头或相机进行照度测量时必须进行的相机或摄像头繁琐而昂贵的校准过程,以及测量过程需要读取摄像头或相机曝光时间、增益等参数的弊端,照度分布测量对相机或摄像头要求低,通用性强,为工程化应用提供了极大地便利。
Description
技术领域
本发明属于环境照度快速测量的方法,特别涉及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。
背景技术
对于室内办公、教室等照明环境,照度分布满足视觉舒适性要求,同时实现能耗最低控制成为提高办公照明系统性能的重要指标。为此,在照明控制系统中,通过在环境中布置照度传感器来检测工作面的照度,获得环境中的照度信息,并通过反馈控制算法调节所有灯具驱动器的调光比,从而实现要求的照度分布,达到办公环境舒适性的要求。然而,以上方案存在以下方面的问题。
目前通过传感器检测的照度方法存在原理性的缺陷,表现在:第一,照度测量一般采用的是光敏电阻、光敏二极管、光敏三极管等传感器,将传感器安装于工作面上方来测量工作面的照度。照度测量是通过获得照明区域散射光来测量的,实际获得的是照明区域的亮度,而不是真实的照度。虽然工作面的照度和亮度具有某种线性关系,但是不同工作面的材质、颜色等因素与照度系数密切相关,因此采用这种方法无法获得准确照度信息;第二,如图1所示,传感器采用光敏器件接收α角投射面下区域的平均亮度,而不是关注的工作面的照度。
近些年来有研究人员利用相机或摄像头对环境中亮度或照度的测量,但是在应用相机或摄像头对环境中的亮度或照度测量时,需要对相机或摄像头进行标定,而标定时需要搭建专用标定平台,应用专业的仪器设备,使工程化应用难度加大;另一方面,使用摄像头或相机或摄像头进行照度测量时,不论是标定过程还是测量过程,都需要获取相机或摄像头的内部参数,如曝光时间、增益、光圈系数等,而这参数是随外部环境的亮度而变化的。对于拍摄的一幅图像,同时要获得对应的曝光时间、增益等参数,才能进行标定或照度计算。但是,一般情况下市场通用的相机或摄像头的内部参数是无法实时获取的,只有专用的或定制的摄像头或相机或摄像头才能实时读取相关参数。因此采用标定方法进行照度测量必须购置定制的摄像头或相机,这就限制了摄像头在照明环境检测中的应用。
针对上述存在的问题,本发明提出了一种利用相机或摄像头测量照度的新方法,应用参考照度传感器或亮度传感器,结合径向基函数神经网络,实现对环境中的照度分布进行快速测量。
发明内容
本发明的目的在于提供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,解决了当前使用摄像头或相机进行照度测量时必须进行的相机或摄像头繁琐而昂贵的校准过程,以及测量过程需要读取摄像头或相机曝光时间、增益等参数的弊端。
本发明是通过以下技术方案来实现:
一种基于径向基函数神经网络建立的环境照度测量方法,包括以下步骤:
S1、在被测环境区域中布设摄像设备,并选取一处参考点,在参考点处布设照度传感器;
S2、采用摄像设备获取若干个测量点及参考点的灰度图像信息,利用照度传感器获取参考点的照度数据,使用照度计测量若干个测量点的照度数据,生成图像变量单值函数,计算出每个测量点的图像变量值,建立训练数据集;数据集由每个测量点的图像变量值与每个测量点对应的照度数据构成;
S3、使用径向基函数神经网络,以每个测量点的图像变量值作为输入值,以每个测量点对应的照度数据作为输出值对径向基函数神经网络进行训练,得到训练好的径向基函数神经网络;
S4、使用训练好的径向基函数神经网络进行对照明工作面照度分布的测量。
E0为参考点的照度值,D0为参考点的灰度值,D(x,y)代表某测量点的灰度值,θ(x,y)代表某测量点的图像变量值。
进一步,径向基函数神经网络采用径向基函数表示为:
式中,
n为隐层节点数目,Φ||X-Xj||为径向基函数,wj为线性组合权值,Xj为隐层径向基函数中心。
训练时,用θ(x,y)代替X输入,输出为E(x,y)代替g(x),使用训练数据集对径向基函数进行训练,得到线性组合权值和隐层径向基函数中心。
进一步,图像变量单值函数的建立过程为:
先建立相机曝光量与图像灰度值之间的关系,如下:
D=γ·lgH+m (1)
其中D为灰度值,H为相机曝光量,γ、m由感光材料决定,且为常数;
在相机中,曝光量H的大小同相面照度Eξ存在如下关系:
H=Eξ·T (2)
其中T为图像传感器的曝光时间;
相面照度表示为:
式中,τ为镜头的投射系数;B为被测量物体的实际亮度,F为相机的光圈数;将公式(1)~(3)合并得到:
其中G为图像传感器增益;
由(4)式变换得到:
对于非发光体,亮度B等于照度E与物体表面反射率ρ的乘积,B=ρ·E,最终得到关系式:
当对公式(7)两边同时取对数后,得到:
进一步变换得到:
由公式(9)建立图像变量单值函数。
进一步,径向基函数进行训练过程具体为:
先初始化只含一个隐层节点的径向基函数神经网络,然后采用迭代法,根据均方误差的变化向网络中增加或减少隐层节点数,得到均方误差最小时隐层节点数对应的网络。
进一步,摄像设备采用摄像头或相机。
本发明还公开了一种环境照度监测系统,包括摄像设备、照度传感器和嵌入式计算机;摄像设备和照度传感器与嵌入式计算机连接;
摄像设备布设在被测环境区域中,并选取一处参考点,照度传感器布设在参考点处;
嵌入式计算机中安装有用于承载径向基函数神经网络模型的计算模块。
进一步,照度传感器通过网络适配器与嵌入式计算机连接,摄像设备通过RJ45通讯接口与嵌入式计算机连接。
与现有技术相比,本发明具有以下有益的技术效果:
本发明提供了一种基于径向基函数神经网络建立的环境照度测量方法,利用摄像设备获取环境图像灰度结合参考点照度传感器的照度信息间接获得摄像头内部实时变化的λ、G、T参数,并利用训练好的径向基函数神经网络实现照度分布的快速测量。避免了在测量时对摄像头进行专业的校准过程,同时测量过程中不在需要直接获取摄像头内部曝光时间、增益等参数。降低了照度分布测量对摄像头的要求,通用性得到提升,为工程化应用提供了极大地便利。将径向基函数神经网络和照度传感器相结合使用,解决了当前使用摄像头或相机进行照度测量时必须进行的相机或摄像头繁琐而昂贵的校准过程,同时测量过程不再依赖摄像头或相机曝光时间、增益等参数。照度分布测量对相机或摄像头要求降低,通用性得到提高,为工程化应用提供了极大地便利。
附图说明
图1为传统照度传感器的检测示意图。
图2为径向基函数神经网络结构图。
图3为系统组成与结构图。
图4为照度测量流程图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
本发明公开了基函数神经网络建立的环境照度测量方法,包括以下步骤:
(1)布置监测系统
摄像头或相机一台、照度传感器一只、计算机一台组成。系统结构如图3所示,摄像设备和照度传感器与嵌入式计算机连接;摄像设备布设在被测环境区域中,并选取一处参考点,照度传感器布设在参考点处;嵌入式计算机中安装有用于承载径向基函数神经网络模型的计算模块。
照度传感器通过网络适配器与嵌入式计算机连接,摄像设备通过RJ45通讯接口与嵌入式计算机连接。
(2)照度模型
当上述设备布置完毕后,使用摄像头或相机获得多个不同照度分布的图像灰度,利用照度传感器测量同一时刻的参考点S0的照度E(x0,y0),生成参考点变量同时使用照度计测量工作面不同位置的照度值E(x,y),生成图像变量单值函数建立图像灰度[θ(x,y),E(x,y)]的训练数据集,对神经网络进行训练,得到训练好的基于径向基函数神经网络的照度模型。径向基函数神经网络结构如图2所示。
参考点的选取是用来反映摄像头内部参数,如曝光时间、增益等,因此必须选择参考点安装照度传感器。
(3)照度测量
通过摄像头获取一幅灰度图像,读取参考点S0的照度E(x0,y0),然后根据训练好的神经网络模型,则可以对被测环境的照度分布进行估计。测量过程如图4所示。
图像变量单值函数的建立过程为:
在相机照度测量理论中,由相机感光特性曲线的线性部分可知,相机曝光量与图像灰度值之间存在如下关系:
D=γ·lgH+m (1)
其中D为灰度值,H为相机曝光量,γ,m由感光材料决定,且为常数。
在相机中,曝光量H的大小同相面照度Eξ存在如下关系:
H=Eξ·T (2)
对于光学测量系统,其视场轴心的相面照度可以表示为:
式中,τ为镜头的投射系数,由镜头的特性决定,是一个常数;B为被测量物体的实际亮度,F为相机的光圈数;像素在传输时,每个像素都会通过放大器进行放大,因此产生一个增益G,G为自动增益,为CMOS图像传感器内部参数,G随外部环境亮度自动进行调整,由此分析将上述关系式整合得到:
由上式推导,得到如下公式:
对于非发光体,亮度和照度之间具有确定的线性关系,即亮度B等于照度E与物体表面反射率ρ的乘积,B=ρ·E,最终得到关系式:
由此得到照度E与灰度值D、相机或摄像头参数T、G之间的关系,当对两边同时取对数是,即:
进一步变换得到:
建立径向基函数神经网络,将摄像头采集的灰度图像,选择参考点安装照度传感器获得参考点的照度测量值;同时应用照度计采集观测点的照度E(x,y),计算变量制作数据集。对径向基函数神经网络进行训练,获得网络参数。
如图2所示,向基函数神经网络是一个由输入层、隐层和输出层组成的三层神经网路。其中隐层又称径向基层,其每一个神经元的激活函数都是一个径向基函数。
Xj表示神经元的中心,与输入X就有相同的维数,径向基函数神经网络的训练就是针对样本集X,通过反复迭代修正径向基函数中心Xj、宽度以及线性输出权值wj使误差最小。因此,径向基函数神经网络一般表示为:
式中,
n为隐层节点数目,Φ||X-Xj||为径向基函数,wj为线性组合权值,Xj为隐层径向基函数中心。
使用摄像头或相机获得灰度图像,应用训练好的神经网络模型计算照度分布。
本发明中,用θ(x,y)代替X输入,输出为E(x,y)代替g(x),使用生成的数据集对(10)式描述的径向基函数进行训练,得到照度模型。训练方法为“中心从样本输入中选取”:先初始化只含一个隐层节点的径向基函数神经网络,然后采用迭代法,根据均方误差的变化向网络中增加或减少隐层节点数,得到均方误差满足误差要求的隐层节点数对应的网络。
需要指出的是,按照本发明的方法,可以实现环境照度快速连续检测。可以根据需要得到关注工作面的照度,也可以获得环境中的二维照度分布。
下面详细说明本方案的一个较佳的实施例。在此实施例中,用到的设备是网络摄像头和光敏器件,选择的应用场景为办公场景,测量位置为办公桌面。选取8个观测点,一个参考点。
摄像头型号为雄迈XM-200BIPC,选择的测量位置为1~8序列号,9序列号为参考点位置。
(1)建立训练数据集
首先在环境中随机选取观测点,利用Guarda FX-101 LUX METER照度计测量这些观测点的照度值;通过摄像头获取环境的一幅灰度图像,得到8个观测点对应的图像像素点的灰度D和参考点对应的灰度值D0,同时得到此刻照度传感器的测量值E。依次在不同时间点进行多次测量,构成如表1所示的数据集,观测点对应的图像的灰度值、参考点照度测量值,变量θ列表。其中参考点使用序列号为9的点位。
表1数据采集表
(2)网络训练
建立径向基函数神经网络,以变量θ作为输入,待测位置的照度值作为输出,对神经网络进行训练。
通过MATLAB编程,进行径向基函数神经网络训练。首先初始化隐层节点数为1的径向基函数神经网络进行训练,网络输出并计算均方误差,然后逐次增加或减小隐层节点数进行迭代计算,找到均方误差最小的隐层节点数,确定径向基函数神经网络的结构和网络参数。以上数据集,经过迭代得到隐层节点个数为21个,确定网络隐层节点数,得到训练好的网络模型。
验证过程
在得到训练好的神经网络模型之后,在环境中取八个位置的待测位置,由于第八个位置的图像灰度过饱和,因此在预测时只选用七个待测位置点,参照建立数据集的过程再次通过采集的图像获取若干组数据,如表2所示,再得到参考点的照度与灰度,计算变量θ,作为神经网络的输入,得到照度估计输出E1,与测量点实测照度E进行对比,得到误差值。
对径向基函数神经网络训练后进行测试结果如下表2:
表2误差对比表
通常照度变化范围在8%以内,人眼无法察觉,从表2中的结果可以看出,绝对误差基本保持在201x以内,网络输出照度与实测照度之间相对误差绝大多数情况下保持在8%以内,因此本发明在实际应用中具有可行性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种基于径向基函数神经网络建立的环境照度测量方法,其特征在于,包括以下步骤:
S1、在被测环境区域中布设摄像设备,并选取一处参考点,在参考点处布设照度传感器;
S2、采用摄像设备获取若干个测量点及参考点的灰度图像信息,利用照度传感器获取参考点的照度数据,使用照度计测量若干个测量点的照度数据,生成图像变量单值函数,计算出每个测量点的图像变量值,建立训练数据集;数据集由每个测量点的图像变量值与每个测量点对应的照度数据构成;
S3、使用径向基函数神经网络,以每个测量点的图像变量值作为输入值,以每个测量点对应的照度数据作为输出值对径向基函数神经网络进行训练,得到训练好的径向基函数神经网络;
S4、使用训练好的径向基函数神经网络进行对照明工作面照度分布的测量。
4.根据权利要求1所述的一种基于径向基函数神经网络建立的环境照度测量方法,其特征在于,图像变量单值函数的建立过程为:
先建立相机曝光量与图像灰度值之间的关系,如下:
D=γ·lgH+m (1)
其中D为灰度值,H为相机曝光量,γ、m由感光材料决定,且为常数;
在相机中,曝光量H的大小同相面照度Eξ存在如下关系:
H=Eξ·T (2)
其中T为图像传感器的曝光时间;
相面照度表示为:
式中,τ为镜头的投射系数;B为被测量物体的实际亮度,F为相机的光圈数;将公式(1)~(3)合并得到:
其中G为图像传感器增益;
由(4)式变换得到:
对于非发光体,亮度B等于照度E与物体表面反射率ρ的乘积,B=ρ·E,最终得到关系式:
当对公式(7)两边同时取对数后,得到:
进一步变换得到:
由公式(9)建立图像变量单值函数。
5.根据权利要求1所述的一种基于径向基函数神经网络建立的环境照度测量方法,其特征在于,径向基函数进行训练过程具体为:
先初始化只含一个隐层节点的径向基函数神经网络,然后采用迭代法,根据均方误差的变化向网络中增加或减少隐层节点数,得到均方误差最小时隐层节点数对应的网络。
6.根据权利要求1所述的一种基于径向基函数神经网络建立的环境照度测量方法,其特征在于,摄像设备采用摄像头或相机。
7.实现权利要求1~6任意一项所述的环境照度测量方法的一种环境照度监测系统,其特征在于,包括摄像设备、照度传感器和嵌入式计算机;摄像设备和照度传感器与嵌入式计算机连接;
摄像设备布设在被测环境区域中,并选取一处参考点,照度传感器布设在参考点处;
嵌入式计算机中安装有用于承载径向基函数神经网络模型的计算模块。
8.根据权利要求7所述的一种环境照度监测系统,其特征在于,照度传感器通过网络适配器与嵌入式计算机连接,摄像设备通过RJ45通讯接口与嵌入式计算机连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110701187.8A CN113432712B (zh) | 2021-06-23 | 2021-06-23 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110701187.8A CN113432712B (zh) | 2021-06-23 | 2021-06-23 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113432712A true CN113432712A (zh) | 2021-09-24 |
CN113432712B CN113432712B (zh) | 2022-08-30 |
Family
ID=77753907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110701187.8A Active CN113432712B (zh) | 2021-06-23 | 2021-06-23 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113432712B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5907629A (en) * | 1996-11-15 | 1999-05-25 | Funt; Brian Vicent | Method of estimating chromaticity of illumination using neural networks |
CN204116944U (zh) * | 2014-09-21 | 2015-01-21 | 杭州冷倍冠科技有限公司 | 一种室内亮度控制系统 |
CN107992131A (zh) * | 2017-12-11 | 2018-05-04 | 浙江工业大学 | 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) * | 2017-12-11 | 2018-06-19 | 浙江工业大学 | 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 |
CN112714532A (zh) * | 2018-12-29 | 2021-04-27 | 中国计量大学 | 场景式教室智能照明控制方法 |
-
2021
- 2021-06-23 CN CN202110701187.8A patent/CN113432712B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5907629A (en) * | 1996-11-15 | 1999-05-25 | Funt; Brian Vicent | Method of estimating chromaticity of illumination using neural networks |
CN204116944U (zh) * | 2014-09-21 | 2015-01-21 | 杭州冷倍冠科技有限公司 | 一种室内亮度控制系统 |
CN107992131A (zh) * | 2017-12-11 | 2018-05-04 | 浙江工业大学 | 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) * | 2017-12-11 | 2018-06-19 | 浙江工业大学 | 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 |
CN112714532A (zh) * | 2018-12-29 | 2021-04-27 | 中国计量大学 | 场景式教室智能照明控制方法 |
Non-Patent Citations (2)
Title |
---|
叶德堃等: "基于图像处理和神经网络的光环境优化控制研究", 《计算机应用研究》 * |
魏清华、梁波: "基于车辆行为信息感知的隧道照明亮度自动调节系统", 《现代电子技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113432712B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111337142A (zh) | 体温修正方法、装置及电子设备 | |
US20020072884A1 (en) | Method for calibrating a mathematical model | |
CN102456142B (zh) | 一种基于计算机视觉的烟气黑度分析方法 | |
CN113267258B (zh) | 红外测温方法、装置、设备、智能巡检机器人及存储介质 | |
TW200930149A (en) | Light control system and method for automatically rendering a lighting scene | |
CA2252057C (en) | Method for determining pressure | |
CN105758624A (zh) | 一种眩光测试方法及系统 | |
TW202103484A (zh) | 具改善之影像擷取之用於外用劑之產生的系統及方法 | |
CN1161591C (zh) | 采用图像处理技术测试光环境的系统 | |
WO2020012738A1 (ja) | 断熱性能診断装置、断熱性能診断プログラムおよび断熱性能診断方法 | |
CN115118956A (zh) | 一种线性偏振图像传感器的偏振性能测量方法及系统 | |
CN110018483A (zh) | 物体距离估算方法与电子装置 | |
CN117348831B (zh) | 液晶显示屏的画面调校方法及系统 | |
Moore et al. | Approximate field measurement of surface luminance using a digital camera | |
CN113432712B (zh) | 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 | |
CN112304424B (zh) | 一种照明现场实时监测方法及装置 | |
JP2001503892A (ja) | 平面の物体の視覚に係る均一性を定量化する方法 | |
JP5265338B2 (ja) | イルミナントの推定 | |
CN109357754B (zh) | 一种基于深度学习的隧道洞内外亮度仪标定方法及系统 | |
US9324146B2 (en) | Photometric and radiometric calibration using optical feedback | |
CN113936580B (zh) | 一种显示屏亮度测量模型的生成方法及相关装置 | |
KR100544979B1 (ko) | 물체의 반사율 획득 시스템 및 물체 표현 방법 | |
CN109632087A (zh) | 适用于成像亮度计的现场标定方法及成像亮度计标定装置 | |
CN115406414A (zh) | 一种面向空间站机械臂的动态目标测量在轨光照评估方法 | |
JP3577977B2 (ja) | 照明光分光特性推定装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |