CN113905477B - 基于zigbee网络的智能节能照明方法及系统 - Google Patents

Abstract

本申请公开了一种基于zigbee网络的智能节能照明方法及系统，其涉及节能照明技术领域，该方法包括如下步骤：获取现场环境的光照强度，并基于所述光照强度统计所述现场环境所需照明的照明时间段；获取所述现场环境的车流密度和行人密度；根据所述照明时间段和所述行人密度调整照明设备的启用数量，所述照明设备设于所述现场环境且通过zigbee网络进行连接控制；基于所述车流密度调整所述照明设备的照明档位。本申请具有灯光系统可以智能控制以达到节能效果的优点。

Description

基于zigbee网络的智能节能照明方法及系统

技术领域

本申请涉及节能照明技术领域，尤其是涉及一种基于zigbee网络的智能节能照明方法及系统。

背景技术

现有的路灯通常采用LED灯与驱动电路的结合为路人提供照明，但路灯长时间开启容易导致驱动电路或LED灯损坏，并且也不利于节约能源。

在相关技术中，为了避免灯光长时间开启，通常是将灯光系统与声控系统相结合，当有人经过并发出声响时灯光开启，灯光开启后经过预设的固定时间后自动关闭，从而起到保护电路和节能的效果。

针对上述中的相关技术，发明人认为存在有以下缺陷：结合声控系统的灯光系统在感应到声音并开启灯光时，灯光的开启时间是固定的，设置的开启时间较短不利于行人经过，设置的开启时间较长又不利于节能，且声控系统感应到任何超过分贝阈值的声音均会开启灯光，因此也不利于节能。

发明内容

为了改善灯光系统不利于节能的缺陷，本申请提供一种基于zigbee网络的智能节能照明方法及系统。

第一方面，本申请提供一种基于zigbee网络的智能节能照明方法，该方法包括如下步骤：

获取现场环境的光照强度，并基于所述光照强度统计所述现场环境所需照明的照明时间段；

获取所述现场环境的车流密度和行人密度；

根据所述照明时间段和所述行人密度调整照明设备的启用数量，所述照明设备设于所述现场环境且通过zigbee网络进行连接控制；

基于所述车流密度调整所述照明设备的照明档位。

通过采用上述技术方案，先通过采集现场环境的光照强度统计出现场环境中需要照明的时间段，再获取现场环境中的车流密度和行人密度，根据是否处于照明时间段和行人的多少综合调整照明设备的启用数量，行人密度越小则启用数量越少，从而可以起到节能的效果，照明设备采用低耗电低成本的zigbee网络进行连接控制，由于夜晚车辆的灯光可以起到照明的效果，因此还可以根据车流密度对照明设备的照明档位进行调整，车流密度越大则照明档位越低，从而进一步起到节能的效果。

可选的，所述获取现场环境的光照强度，并基于所述光照强度统计所述现场环境所需照明的照明时间段包括如下步骤：

通过zigbee网络与预先设于所述现场环境的光强检测设备建立连接；

获取所述光强检测设备于各个时段所采集的平均光照强度；

分别判断各个时段的平均光照强度是否小于预设的光强阈值；

若不小于预设的光强阈值，则将对应的时段标记为高光强时段；

若小于预设的光强阈值，则将对应的时段标记为低光强时段；

统计所有低光强时段得到所述现场环境所需照明的照明时间段。

通过采用上述技术方案，通过预设的光强阈值对各个时段的平均光照强度进行判断，将平均光照强度高于光强阈值的时段划分为不需要照明的高光强时段，将平均光照强度不高于光强阈值的时段划分为需要照明的低光强时段。

可选的，所述获取所述现场环境的车流密度和行人密度包括如下步骤：

通过无线网络与设于所述现场环境的摄像头连接；

获取所述摄像头采集的所述现场环境的视频信息；

基于图像识别对所述视频信息进行分析，分析得到车流密度和行人密度。

通过采用上述技术方案，通过无线网络获取摄像头实时采集到的现场环境的视频信息，并基于图像识别技术对视频信息进行分析，从而分析计算出实时的车流密度和行人密度。

可选的，所述基于图像识别对所述视频信息进行分析，分析得到车流密度和行人密度包括如下步骤：

构建用于图像识别的神经网络识别模型；

基于预设的图像信息库对所述神经网络识别模型进行优化训练，得到最优识别模型，所述图像信息库中包括车辆图像和行人图像；

通过所述最优识别模型对所述视频信息进行逐帧识别，分别统计每帧视频信息中的车辆数量和行人数量；

基于所述车辆数量计算得到车流密度并基于所述行人数量计算得到行人密度。

通过采用上述技术方案，构建神经网络识别模型并通过图像信息库对模型进行优化训练，通过优化后的最优识别模型对视频信息进行实时的逐帧识别，先识别并统计出每帧视频中的车辆数量和行人数量，再根据车辆数量和行人数量计算出每帧视频中的车流密度和行人密度。

可选的，所述根据所述照明时间段和所述行人密度调整照明设备的启用数量包括如下步骤：

通过zigbee网络获取本地时间；

判断所述本地时间是否处于所述照明时间段；

若不处于所述照明时间段，则关闭所有照明设备；

若处于照明时间段，则分别获取所有照明设备的照明强度；

基于所述照明强度将所有照明设备分为多个照明组；

分别统计各个照明组中照明设备的设备数量；

基于所述设备数量和所述行人密度调整各个照明组中照明设备的启用数量。

通过采用上述技术方案，通过zigbee网络连接互联网以获取本地时间，当本地时间不处于需要照明的照明时间段时关闭照明设备以避免浪费能源；当本地时间处于需要照明的照明时间段时，先根据照明设备的照明强度进行分组，再结合各组中照明设备的设备数量和行人密度调整照明设备的启用数量，由于照明强度越大耗能也越大，因此采用分组启用的方式可以使得资源利用最大化。

可选的，所述照明组包括高强度照明组和低强度照明组，所述基于所述设备数量和所述行人密度调整各个照明组中照明设备的启用数量包括如下步骤：

判断所述行人密度是否大于预设的第一密度阈值；

若所述行人密度大于预设的第一密度阈值，则启用所述高强度照明组和所述低强度照明组中所有的照明设备；

若所述行人密度不大于预设的第一密度阈值，则判断所述行人密度是否大于预设的第二密度阈值，所述第一密度阈值大于所述第二密度阈值；

若所述行人密度大于预设的第二密度阈值，则基于所述设备数量调整各个照明组中照明设备的启用数量；

若所述行人密度不大于预设的第二密度阈值，则关闭所述高强度照明组中的所有照明设备并启用所述低强度照明组中的所有照明设备。

通过采用上述技术方案，当行人较多时可以启用所有的照明设备；当行人较少时则可以关闭耗能高的高强度照明组中的照明设备，同时启用耗能低的低强度照明组中的照明设备；而行人不多不少时则可以根据各组中的设备数量进行灵活调整启用。

可选的，所述基于所述设备数量调整各个照明组中照明设备的启用数量包括如下步骤：

判断所述高强度照明组的设备数量是否小于所述低强度照明组的设备数量；

若所述高强度照明组的设备数量小于所述低强度照明组的设备数量，则启用所述高强度照明组中所有的照明设备并关闭所述低强度照明组中所有的照明设备；

若所述高强度照明组的设备数量不小于所述低强度照明组的设备数量，则启用所述高强度照明组中一半的照明设备并启用所述低强度照明组中所有的照明设备。

通过采用上述技术方案，若耗能高的高强度照明设备少于耗能低的低强度照明设备且行人不多不少时，可以将高强度照明设备全部开启；若耗能高的高强度照明设备不少于耗能低的低强度照明设备且行人不多不少时，则可以开启一半的高强度照明设备和全部的低强度照明设备，根据不同强度的照明设备的数量不同采用不同的开启方案，可以有利于节能。

可选的，所述照明档位包括高档位和低档位，所述基于所述车流密度调整所述照明设备的照明档位包括如下步骤：

判断所述车流密度是否大于预设的第三密度阈值；

若所述车流密度大于预设的第三密度阈值，则将所有照明设备的照明档位调整至所述低档位；

若所述车流密度不大于预设的第三密度阈值，则分别判断所有照明设备处于所述低档位或处于所述高档位；

若处于所述低档位，则将对应的照明设备调整至所述高档位；

若处于所述高档位，则不调整对应的照明设备。

通过采用上述技术方案，当车流密度超过第三密度阈值时，此时车流量较大，车辆开启的灯光可以起到一定的照明效果，因此可以降低照明设备的照明档位；当车流密度不超过第三密度阈值时，则将所有调至低档位的照明设备回调至高档位以保证路人的安全通行。

第二方面，本申请提供一种基于zigbee网络的智能节能照明系统，包括：

照明模块，设于现场环境以用于照明；

光强检测模块，设于所述现场环境以用于检测所述现场环境中的光照强度；

图像采集模块，设于所述现场环境以用于采集所述现场环境的车流量和人流量；

分析计算模块，用于接收所述车流量和所述人流量并分析计算出所述现场环境中的车流密度和行人密度；

zigbee网络模块，用于建立所述照明模块、所述光强检测模块、所述图像采集模块和所述分析计算模块之间的zigbee网络。

通过采用上述技术方案，先通过光强检测模块采集现场环境的光照强度并统计出现场环境中需要照明的时间段，再通过图像采集模块获取现场环境的视频图像信息，分析计算模块可以根据视频图像信息分析计算出实时的车流密度和行人密度，此时可以根据是否处于照明时间段和行人的多少综合调整照明模块的启用数量，行人密度越小则启用数量越少，从而可以起到节能的效果，照明模块通过低耗电低成本的zigbee网络模块进行连接控制，由于夜晚车辆的灯光可以起到照明的效果，因此还可以根据车流密度对照明模块的照明档位进行调整，车流密度越大则照明档位越低，从而进一步起到节能的效果。

综上所述，本申请包括以下至少一种有益技术效果：

1.根据是否处于照明时间段和行人的多少综合调整照明设备的启用数量，行人密度越小则启用数量越少，从而可以起到节能的效果，由于夜晚车辆的灯光可以起到照明的效果，因此还可以根据车流密度对照明设备的照明档位进行调整，车流密度越大则照明档位越低，从而进一步起到节能的效果。

2.根据照明设备的照明强度进行分组，再结合各组中照明设备的设备数量和行人密度调整照明设备的启用数量，由于照明强度越大耗能也越大，因此采用分组启用的方式可以使得资源利用最大化。

附图说明

图1是本申请其中一实施例的基于zigbee网络的智能节能照明方法的流程示意图。

图2是本申请其中一实施例的统计现场环境所需照明的照明时间段的流程示意图。

图3是本申请其中一实施例的获取现场环境的车流密度和人流密度的流程示意图。

图4是本申请其中一实施例的基于图像识别分析视频信息得到车流密度和人流密度的流程示意图。

图5是本申请其中一实施例的根据照明时间段和行人密度调整照明设备启用数量的流程示意图。

图6是本申请其中一实施例的基于设备数量和行人密度调整照明设备启用数量的流程示意图。

图7是本申请其中一实施例的基于各组设备数量调整照明设备启用数量的流程示意图。

图8是本申请其中一实施例的基于车流密度调整照明设备照明档位的流程示意图。

具体实施方式

以下结合附图1-8对本申请作进一步详细说明。

本申请实施例公开了一种基于zigbee网络的智能节能照明方法。

参照图1，基于zigbee网络的智能节能照明方法包括如下步骤：

101，获取现场环境的光照强度，并基于光照强度统计现场环境所需照明的照明时间段。

102，获取现场环境的车流密度和行人密度。

103，根据照明时间段和行人密度调整照明设备的启用数量，照明设备设于现场环境且通过zigbee网络进行连接控制。

其中，当照明设备处于照明时间段时可以进行启用，且行人密度越高则启用数量越多，行人密度越低则启用数量越少，照明设备则通过耗能低成本低的zigbee网络进行无线连接并控制。

104，基于车流密度调整照明设备的照明档位。

本实施例的实施原理为：

先通过采集现场环境的光照强度统计出现场环境中需要照明的时间段，再获取现场环境中的车流密度和行人密度，根据是否处于照明时间段和行人的多少综合调整照明设备的启用数量，行人密度越小则启用数量越少，从而可以起到节能的效果，照明设备采用低耗电低成本的zigbee网络进行连接控制，由于夜晚车辆的灯光可以起到照明的效果，因此还可以根据车流密度对照明设备的照明档位进行调整，车流密度越大则照明档位越低，从而进一步起到节能的效果。

在图1所示实施例的步骤101中，可以通过光强检测设备采集各个时段的平均光照强度，并通过将平均光照强度与预设的光强阈值比对的方式对时段进行划分，从而统计出需要照明的照明时间段。具体通过图2所示实施例进行详细说明。

参照图2，获取现场环境的光照强度，并基于光照强度统计现场环境所需照明的照明时间段包括如下步骤：

201，通过zigbee网络与预先设于现场环境的光强检测设备建立连接。

202，获取光强检测设备于各个时段所采集的平均光照强度。

其中，时段可以以一小时为单位，光强检测设备对现场环境的光照强度的采集每持续一小时，则计算该小时内的平均光照强度。

203，分别判断各个时段的平均光照强度是否小于预设的光强阈值，若不小于，则执行步骤204；若小于，则执行步骤205。

204，将对应的时段标记为高光强时段。

205，将对应的时段标记为低光强时段。

206，统计所有低光强时段得到现场环境所需照明的照明时间段。

本实施例的实施原理为：

通过预设的光强阈值对各个时段的平均光照强度进行判断，将平均光照强度高于光强阈值的时段划分为不需要照明的高光强时段，将平均光照强度不高于光强阈值的时段划分为需要照明的低光强时段。

在图1所示实施例的步骤102中，可以通过摄像头采集现场环境的视频信息，再通过图像识别技术对视频信息进行分析，从而得到车流密度和行人密度。具体通过图3所示实施例进行详细说明。

参照图3，获取现场环境的车流密度和行人密度包括如下步骤：

301，通过无线网络与设于现场环境的摄像头连接。

其中，由于摄像头需要实时传输采集到的视频信息，而zigbee网络不满足视频信息实时传输所需要达到的传输效率，因此采用蜂窝无线网络等其他无线网络与摄像头进行连接。

302，获取摄像头采集的现场环境的视频信息。

303，基于图像识别对视频信息进行分析，分析得到车流密度和行人密度。

本实施例的实施原理为：

通过无线网络获取摄像头实时采集到的现场环境的视频信息，并基于图像识别技术对视频信息进行分析，从而分析计算出实时的车流密度和行人密度。

在图3所示实施例的步骤303中，可以通过构建并训练用于图像识别的神经网络识别模型对视频信息进行分析识别，再将识别到的数量结果进行运算即可得到车流密度和人流密度。具体通过图4所示实施例进行详细说明。

参照图4，基于图像识别对视频信息进行分析，分析得到车流密度和行人密度包括如下步骤：

401，构建用于图像识别的神经网络识别模型。

其中，可以采用卷积神经网络模型作为神经网络识别模型。

402，基于预设的图像信息库对神经网络识别模型进行优化训练，得到最优识别模型，图像信息库中包括车辆图像和行人图像。

其中，使得神经网络识别模型不断地对各种各样的车辆图像和行人图像进行识别，从而优化调整模型中的各项参数，最终将神经网络识别模型优化训练为最优识别模型。

403，通过最优识别模型对视频信息进行逐帧识别，分别统计每帧视频信息中的车辆数量和行人数量。

404，基于车辆数量计算得到车流密度并基于行人数量计算得到行人密度。

其中，可以分别定义一帧视频信息中单个行人所包含的像素点数量和单个车辆所包含的像素点数量，再将所有行人所包含的像素点总和与该帧视频信息的像素点总量进行比值计算，从而得到行人密度；将所有车辆所包含的像素点总和与该帧视频信息的像素点总量进行比值计算，从而可以得到车流密度。

本实施例的实施原理为：

构建神经网络识别模型并通过图像信息库对模型进行优化训练，通过优化后的最优识别模型对视频信息进行实时的逐帧识别，先识别并统计出每帧视频中的车辆数量和行人数量，再根据车辆数量和行人数量计算出每帧视频中的车流密度和行人密度。

在图1所示实施例的步骤103中，为了起到节能效果，使得照明设备在照明时间段中开启，并且可以根据行人密度智能调整照明设备的启用数量。具体通过图5所示实施例进行详细说明。

参照图5，根据照明时间段和行人密度调整照明设备的启用数量包括如下步骤：

501，通过zigbee网络获取本地时间。

其中，通过zigbee网络与互联网建立连接，从而获取到实时更新的本地时间。

502，判断本地时间是否处于照明时间段，若否，则执行步骤503；若是，则执行步骤504。

503，关闭所有照明设备。

504，分别获取所有照明设备的照明强度。

其中，根据照明设备的出厂参数获取照明设备的照明强度。

505，基于照明强度将所有照明设备分为多个照明组。

其中，根据照明设备的照明强度将照明设备分组为高强度照明组和低强度照明组，高强度照明组中的照明设备耗能高，低强度照明组中的照明设备耗能低。

506，分别统计各个照明组中照明设备的设备数量。

507，基于设备数量和行人密度调整各个照明组中照明设备的启用数量。

本实施例的实施原理为：

通过zigbee网络连接互联网以获取本地时间，当本地时间不处于需要照明的照明时间段时关闭照明设备以避免浪费能源；当本地时间处于需要照明的照明时间段时，先根据照明设备的照明强度进行分组，再结合各组中照明设备的设备数量和行人密度调整照明设备的启用数量，由于照明强度越大耗能也越大，因此采用分组启用的方式可以使得资源利用最大化。

在图5所示实施例的步骤507中，将行人密度的大小进行三段区分，从而采取不同的启用方案达到节能的目的。具体通过图6所示实施例进行详细说明。

参照图6，基于设备数量和行人密度调整各个照明组中照明设备的启用数量包括如下步骤：

601，判断行人密度是否大于预设的第一密度阈值，若是，则执行步骤602；若否，则执行步骤603。

602，启用高强度照明组和低强度照明组中所有的照明设备。

603，判断行人密度是否大于预设的第二密度阈值，若是，则执行步骤604；若否，则执行步骤605。

其中，第一密度阈值大于第二密度阈值且第二密度阈值大于0。

604，基于设备数量调整各个照明组中照明设备的启用数量。

605，关闭高强度照明组中的所有照明设备并启用低强度照明组中的所有照明设备。

本实施例的实施原理为：

当行人较多时可以启用所有的照明设备；当行人较少时则可以关闭耗能高的高强度照明组中的照明设备，同时启用耗能低的低强度照明组中的照明设备；而行人不多不少时则可以根据各组中的设备数量进行灵活调整启用。

在图6所示实施例的步骤604中，由于高强度照明组中的照明设备可能多于也可能少于低强度照明组中的设备数量，因此可以采用两种不同的启用方案进行启用。具体通过图7所示实施例进行详细说明。

参照图7，基于设备数量调整各个照明组中照明设备的启用数量包括如下步骤：

701，判断高强度照明组的设备数量是否小于低强度照明组的设备数量，若是，则执行步骤702；若否，则执行步骤703。

702，启用高强度照明组中所有的照明设备并关闭低强度照明组中所有的照明设备。

703，启用高强度照明组中一半的照明设备并启用低强度照明组中所有的照明设备。

本实施例的实施原理为：

若耗能高的高强度照明设备少于耗能低的低强度照明设备且行人不多不少时，可以将高强度照明设备全部开启；若耗能高的高强度照明设备不少于耗能低的低强度照明设备且行人不多不少时，则可以开启一半的高强度照明设备和全部的低强度照明设备，根据不同强度的照明设备的数量不同采用不同的开启方案，可以有利于节能。

在图1所示实施例的步骤104中，由于车辆的灯光可以起到一定的照明效果，因此当车流密度大的时候可以调低照明设备的照明档位。具体通过图8所示实施例进行详细说明。

参照图8，基于车流密度调整照明设备的照明档位包括如下步骤：

801，判断车流密度是否大于预设的第三密度阈值，若是，则执行步骤802；若否，则执行步骤803。

802，将所有照明设备的照明档位调整至低档位。

其中，照明档位分为高档位和低档位，高档位耗能高且照明强度高，低档位则耗能低且照明强度低。

803，分别判断所有照明设备处于低档位或处于高档位，若处于低档位，则执行步骤804；若处于高档位，则执行步骤805。

804，将对应的照明设备调整至高档位。

805，不调整对应的照明设备。

本实施例的实施原理为：

当车流密度超过第三密度阈值时，此时车流量较大，车辆开启的灯光可以起到一定的照明效果，因此可以降低照明设备的照明档位；当车流密度不超过第三密度阈值时，则将所有调至低档位的照明设备回调至高档位以保证路人的安全通行。

本申请实施例还公开一种基于zigbee网络的智能节能照明系统，该系统包括：

照明模块，设于现场环境以用于照明；

光强检测模块，设于现场环境以用于检测现场环境中的光照强度；

图像采集模块，设于现场环境以用于采集现场环境的车流量和人流量；

分析计算模块，用于接收车流量和人流量并分析计算出现场环境中的车流密度和行人密度；

zigbee网络模块，用于建立照明模块、光强检测模块、图像采集模块和分析计算模块之间的zigbee网络。

本实施例的实施原理为：

先通过光强检测模块采集现场环境的光照强度并统计出现场环境中需要照明的时间段，再通过图像采集模块获取现场环境的视频图像信息，分析计算模块可以根据视频图像信息分析计算出实时的车流密度和行人密度，此时可以根据是否处于照明时间段和行人的多少综合调整照明模块的启用数量，行人密度越小则启用数量越少，从而可以起到节能的效果，照明模块通过低耗电低成本的zigbee网络模块进行连接控制，由于夜晚车辆的灯光可以起到照明的效果，因此还可以根据车流密度对照明模块的照明档位进行调整，车流密度越大则照明档位越低，从而进一步起到节能的效果。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (5)

1.一种基于zigbee网络的智能节能照明方法，其特征在于，包括如下步骤：

获取现场环境的光照强度，并基于所述光照强度统计所述现场环境所需照明的照明时间段；

获取所述现场环境的车流密度和行人密度；

判断所述行人密度是否大于预设的第一密度阈值；

将照明设备按照照明强度分为高强度照明组和低强度照明组，所述高强度照明组中的照明设备耗能高，所述低强度照明组的照明设备耗能低；

若所述行人密度大于预设的第一密度阈值，则启用所述高强度照明组和所述低强度照明组中所有的照明设备；

若所述行人密度不大于预设的第一密度阈值，则判断所述行人密度是否大于预设的第二密度阈值，所述第一密度阈值大于所述第二密度阈值；

若所述行人密度大于预设的第二密度阈值，判断所述高强度照明组的设备数量是否小于所述低强度照明组的设备数量；

若所述高强度照明组的设备数量小于所述低强度照明组的设备数量，则启用所述高强度照明组中所有的照明设备并关闭所述低强度照明组中所有的照明设备；若所述高强度照明组的设备数量不小于所述低强度照明组的设备数量，则启用所述高强度照明组中一半的照明设备并启用所述低强度照明组中所有的照明设备；

若所述行人密度不大于预设的第二密度阈值，则关闭所述高强度照明组中的所有照明设备并启用所述低强度照明组中的所有照明设备，所述照明设备设于所述现场环境且通过zigbee网络进行连接控制；

判断所述车流密度是否大于预设的第三密度阈值；

若所述车流密度大于预设的第三密度阈值，则将所有照明设备的照明档位调整至低档位；

若所述车流密度不大于预设的第三密度阈值，则分别判断所有照明设备处于低档位或处于高档位；

若处于所述低档位，则将对应的照明设备调整至所述高档位；

若处于所述高档位，则不调整对应的照明设备。

2.根据权利要求1所述的基于zigbee网络的智能节能照明方法，其特征在于，所述获取现场环境的光照强度，并基于所述光照强度统计所述现场环境所需照明的照明时间段包括如下步骤：

通过zigbee网络与预先设于所述现场环境的光强检测设备建立连接；

获取所述光强检测设备于各个时段所采集的平均光照强度；

分别判断各个时段的平均光照强度是否小于预设的光强阈值；

若不小于预设的光强阈值，则将对应的时段标记为高光强时段；

若小于预设的光强阈值，则将对应的时段标记为低光强时段；

统计所有低光强时段得到所述现场环境所需照明的照明时间段。

3.根据权利要求1所述的基于zigbee网络的智能节能照明方法，其特征在于，所述获取所述现场环境的车流密度和行人密度包括如下步骤：

通过无线网络与设于所述现场环境的摄像头连接；

获取所述摄像头采集的所述现场环境的视频信息；

基于图像识别对所述视频信息进行分析，分析得到车流密度和行人密度。

4.根据权利要求3所述的基于zigbee网络的智能节能照明方法，其特征在于，所述基于图像识别对所述视频信息进行分析，分析得到车流密度和行人密度包括如下步骤：

构建用于图像识别的神经网络识别模型；

基于预设的图像信息库对所述神经网络识别模型进行优化训练，得到最优识别模型，所述图像信息库中包括车辆图像和行人图像；

通过所述最优识别模型对所述视频信息进行逐帧识别，分别统计每帧视频信息中的车辆数量和行人数量；

基于所述车辆数量计算得到车流密度并基于所述行人数量计算得到行人密度。

5.根据权利要求1所述的基于zigbee网络的智能节能照明方法，其特征在于，根据所述照明时间段和所述行人密度调整照明设备的启用数量包括如下步骤：

通过zigbee网络获取本地时间；

判断所述本地时间是否处于所述照明时间段；

若不处于所述照明时间段，则关闭所有照明设备；

若处于照明时间段，则分别获取所有照明设备的照明强度；

基于所述照明强度将所有照明设备分为多个照明组；

分别统计各个照明组中照明设备的设备数量；

基于所述设备数量和所述行人密度调整各个照明组中照明设备的启用数量。

Images