CN114494836B - 一种基于区域环境的光照智能调试系统 - Google Patents

一种基于区域环境的光照智能调试系统 Download PDF

Info

Publication number
CN114494836B
CN114494836B CN202210353539.XA CN202210353539A CN114494836B CN 114494836 B CN114494836 B CN 114494836B CN 202210353539 A CN202210353539 A CN 202210353539A CN 114494836 B CN114494836 B CN 114494836B
Authority
CN
China
Prior art keywords
characteristic
value
preset area
illumination
unit
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.)
Active
Application number
CN202210353539.XA
Other languages
English (en)
Other versions
CN114494836A (zh
Inventor
江向东
徐凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fenglian Intelligent Shenzhen Co ltd
Original Assignee
Fenglian Intelligent Shenzhen Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fenglian Intelligent Shenzhen Co ltd filed Critical Fenglian Intelligent Shenzhen Co ltd
Priority to CN202210353539.XA priority Critical patent/CN114494836B/zh
Publication of CN114494836A publication Critical patent/CN114494836A/zh
Application granted granted Critical
Publication of CN114494836B publication Critical patent/CN114494836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
    • H05B47/10—Controlling the light source
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于区域环境的光照智能调试系统，包括物体识别单元，所述物体识别单元用于识别预设区域内的物品，并将识别成功的物体标记为特征物体；反射采集单元，所述反射采集单元用于采集预设区域内特征物体的反射值；预测分类单元，所述预测分类单元将预设区域内的物品与特征物体进行分类关联；光照调节单元，所述光照调节单元基于预设区域内特征物体的反射值对光照单元进行电流调节，这里通过预先构建物品对比库可以实现快速的获取预设区域内的反射值，可以实现毫秒级对预设区域内光照的调节，避免对每一个物品进行光照值分析导致光照调节延迟。

Description

一种基于区域环境的光照智能调试系统
技术领域
本发明属于光照调节领域，涉及光照调节技术，具体是一种基于区域环境的光照智能调试系统。
背景技术
智能家居是以住宅为平台，利用综合布线技术、网络通信技术、安全防范技术、自动控制技术、音视频技术将家居生活有关的设施集成，构建高效的住宅设施与家庭日程事务的管理系统，智能家居是在互联网影响之下物联化的体现。智能家居通过物联网技术将家中的各种设备（如音视频设备、照明系统、窗帘控制、空调控制、安防系统、数字影院系统、影音服务器、影柜系统、网络家电等）连接到一起，提供家电控制、照明控制、电话远程控制、室内外遥控、防盗报警、环境监测、暖通控制、红外转发以及可编程定时控制等多种功能和手段，其中，对于光照调节为智能家居的照明控制的重要功能之一，光照调节的理想状态为根据区域内物体的反光及遮光情况进行对应区域的亮度调节，以实现绿色智能家居的理念。
但在现有技术中，区域内的光照仅通过人为肉眼观察判断调节，无法准确的根据区域内物体的反光及遮光情况进行对应区域的亮度调节。
发明内容
本发明的目的旨在解决上述现有技术中存在的技术问题，能够根据区域环境进行对应区域的自动光照调节。
本发明的目的可以通过以下技术方案实现：一种基于区域环境的光照智能调试系统，包括：
物体识别单元，所述物体识别单元用于识别预设区域内的物品，并将识别成功的物体标记为特征物体；
反射采集单元，所述反射采集单元用于采集预设区域内特征物体的反射值；
预测分类单元，所述预测分类单元将预设区域内的物品与特征物体进行分类关联；
光照调节单元，所述光照调节单元基于预设区域内特征物体的反射值对光照单元进行电流调节。
进一步的，所述光照调节单元基于光照强度值和预设区域内特征物体的反射值对光照单元进行电流调节包括：
构建拟真预设区域；
获取预设区域内特征物体的位置，并将特征物体带入拟真预设区域内；
获取特征物体的反射值并生成反射射线；
获取光照单元的位置；
将距离特征物体最近的光照单元标记为预设调节单元；
若特征物体的反射射线贯穿光照单元时生成电流调节信号，并对光照单元进行电流调节，反之，则不生成电流调节信号。
进一步的，所述反射采集单元用于采集预设区域内特征物体的反射值包括：
采集预设区域的历史视频数据和基准照片；
将光照单元运行时对应的历史视频数据进行筛选，并标记为筛选视频；
当筛选视频内每一帧画面与基准照片重合时，不进行特征筛选，反之，将不重合的位置标记为特征位置；
获取特征位置画面对应的对比度值并标记为初始反射值；
获取基准照片上特征位置对应的对比度值并标记为调节值；
初始反射值与调节值的数值之差为反射值。
进一步的，所述预测分类单元将预设区域内的物品与特征物体进行分类关联包括：
获取特征位置的图像信息，并将图像信息作为输入值输入卷积神经网络进行迭代，直至生成图像信息对应的物品信息时，结束迭代，并将物品标记为特征物体；
其中，物品信息包括物品的种类、物品的颜色和物品的面积；
若干物品信息组成物品对比库。
进一步的，所述物体识别单元用于识别预设区域内的物品，并将识别成功的物体标记为特征物体包括：
获取预设区域内物品的物品信息，当物品信息与物品对比库内物品信息相同时，则将物体标记为特征物体，并获取特征物体对应的反射值。
进一步的，构建拟真预设区域包括：
将预设区域的任一侧边界标记为起始边界，起始边界任一侧的地面点标记为边界点，其中，地面点为预设区域内最低点；
构建三维平面坐标系，其中，三维平面坐标系内的原点为边界点，参照边界点构建拟真预设区域；
其中，拟真预设区域内包括光照单元的位置坐标。
进一步的，获取预设区域内特征物体的位置，并将特征物体带入拟真预设区域内包括：
在预设区域内构建机基准测试点，其中，物体识别单元用于识别基准测试点；
标记特征物体的突出点，其中，特征物体的突出点包括特征物体的任意边角的突出位置，且突出点与基准测试点处于同一平面内；
将突出点与基准测试点之间的最近距离标记为基准调节值，基准测试点与基准调节值的数值之和为突出点的三维坐标点；
获取特征物体的各边的距离值，通过突出点与各边的距离值的数值之和得出特征物体的每个三维坐标点。
进一步的，获取特征物体的反射值并生成反射射线包括：
通过特征物体的每个三维坐标点构建出拟真预设区域内特征物体的三维模型；
三维模型内每个坐标点向预设调节单元对应的坐标点进行延伸，得到基准反射线；
每个三维坐标点为起点，反射值为距离，沿对应的基准反射线进行延伸得到反射射线。
进一步的，特征物体的反射射线贯穿光照单元包括：
获取反射射线上的若干三维坐标点，当若干三维坐标点内包括预设调节单元对应的坐标点时，则认为反射射线贯穿光照单元。
进一步的，电流调节信号包括：
无干扰调节信号；
其中，反射射线上的若干三维坐标点内，最后一个三维坐标点与预设调节单元对应的坐标点相同时，生成无干扰调节信号，当生成无干扰调节信号时，光照单元减弱当前电流的1%或2%；
微干扰调节信号；
其中，反射射线上的若干三维坐标点内，最后十个三维坐标点内存在与预设调节单元对应的坐标点相同的三维坐标点时，生成微干扰调节信号，当生成微干扰调节信号时，光照单元减弱当前电流的10%；
中干扰调节信号；
其中，反射射线上的若干三维坐标点内，最后三十个且大于最后十个三维坐标点内存在与预设调节单元对应的坐标点相同的三维坐标点时，生成中干扰调节信号，当生成中干扰调节信号时，光照单元减弱当前电流的25%；
强干扰调节信号；
其中，反射射线上的若干三维坐标点内，最后三十个三维坐标点内不存在与预设调节单元对应的坐标点相同的三维坐标点时，生成强干扰调节信号，当生成强干扰调节信号时，光照单元减弱当前电流的50%。
与现有技术相比，本发明的有益效果：
通过预先构建物品对比库可以实现快速的获取预设区域内的反射值，可以实现毫秒级对预设区域内光照的调节，避免对每一个物品进行光照值分析导致光照调节延迟，通过构建反射值体系，可以避免人眼判断带来的误差，继而实现标准化调节，本发明的附加方面和优点同样将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明原理框图；
图2为本发明拟真预设区域示意图；
图3为本发明基准测试点示意图；
图4为本发明基准反射线示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”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。
在本发明的描述中，“第一特征”、“第二特征”可以包括一个或者更多个该特征，“多个”的含义是两个或两个以上，第一特征在第二特征“之上”或“之下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。
下面参考附图描述根据本发明实施例的一种基于区域环境的光照智能调试系统。
参照图1-4所示，一种基于区域环境的光照智能调试系统，包括：
预测分类单元，预测分类单元将预设区域内的物品与特征物体进行分类关联，具体的，获取特征位置的图像信息，并将图像信息作为输入值输入卷积神经网络进行迭代，直至生成图像信息对应的物品信息时，结束迭代，并将物品标记为特征物体；
在一些具体实施例中，卷积神经网络首先进行采集原始训练数据，随之对原始训练数据进行求和运算得到训练数据，具体的，在原始训练数据中随机抽取多条数据并求和得到一条求和数据，重复在原始训练数据中随机抽取多条数据并求和得到一条求和数据的步骤，直至得到预定数量条求和数据，作为训练数据；对上述得到的训练数据横坐标表示的波长进行随机调整，并对每一条训练数据的横坐标，逐坐标点对应的波长数值加上一个随机数，得到新的训练数据；
最后对得到的每一条新的训练数据进行横坐标标准化，得到标准横坐标下的光谱数据，作为输入光谱数据，将每一输入光谱数据输入初始卷积神经网络得到预估类别，基于所得到的预估类别与实际类别，利用损失函数计算损失值，在计算得到的损失值不收敛的情况下，基于计算得到的损失值利用反向传播算法调整初始卷积神经网络中各个可训练参数的参数值，在损失值收敛的情况下，将当前初始卷积神经网络作为用于识别待分类样本类别的最终卷积神经网络，其中，实际类别为输入光谱数据对应的目标物质实际所属的类别，完成卷积。
当获取到特征物体后，采集预设区域的历史视频数据和基准照片，这里预设区域的历史视频数据可以通过安装在预设区域内的摄像头进行采集，这里可以更具预设区域灵活进行设置。
将光照单元运行时对应的历史视频数据进行筛选，并标记为筛选视频，对应的，将光照单元运行时的历史视频数据进行筛选可以降低后续步骤的数据量，同时也可以避免非光照情况下，历史视频数据对后续步骤的干扰。
当筛选视频内每一帧画面与基准照片重合时，不进行特征筛选，反之，将不重合的位置标记为特征位置，实例的，采集光照情况下预设区域的基准照片，此时默认预设区域的光照设置为最优设置，且基准照片的边界值与筛选视频内每一帧画面的边界值均相同，当筛选视频内每一帧画面与基准照片重合时，即可认为当前画面内不存在其他物品，反之，则存在其他物品，更具体的说，获得筛选视频的每一帧图片的图片指纹和基准照片的图片指纹，其中，图片指纹为：根据图片的灰度平均值信息和颜色平均值信息计算得到的图片特征信息；
将筛选视频的每一帧图片的图片指纹与基准照片的图片指纹进行对比，获得相似程度；
其中，物品信息包括物品的种类、物品的颜色和物品的面积，且若干物品信息组成物品对比库；
物体识别单元，物体识别单元用于识别预设区域内的物品，并将识别成功的物体标记为特征物体；
具体的，获取预设区域内物品的物品信息，当物品信息与物品对比库内物品信息相同时，则将物体标记为特征物体，并获取特征物体对应的反射值。
这里通过预先构建物品对比库可以实现快速的获取预设区域内的反射值，可以实现毫秒级对预设区域内光照的调节，避免对每一个物品进行光照值分析导致光照调节延迟。
反射采集单元，反射采集单元用于采集预设区域内特征物体的反射值；
获取特征位置画面对应的对比度值并标记为初始反射值；获取基准照片上特征位置对应的对比度值并标记为调节值；初始反射值与调节值的数值之差为反射值；
这里需要注意的是，特征位置画面对应的对比度值为黑白状态下，征位置画面的每个像素点的对比度值，同理，基准照片上特征位置的对比度值也为黑白状态下，征位置画面的每个像素点的对比度值；
其中，对比度值可能是若干个像素点的对比度值的变化，对应的，调节值为，若干个像素点的对比度值之和与若干个像素点的数量的数值之比，既若干个像素点的对比度值的变化的平均值。
光照调节单元，光照调节单元基于预设区域内特征物体的反射值对光照单元进行电流调节。
具体的说，如图2所示，构建拟真预设区域，其中，拟真预设区域为预设区域的三维模型；将预设区域的任一侧边界标记为起始边界，起始边界任一侧的地面点标记为边界点，其中，地面点为预设区域内最低点，这里可以将拟真预设区域理解为通过若干个三维坐标点之间相互连接构成的空间立体模型。
构建三维平面坐标系，其中，三维平面坐标系内的原点为边界点，参照边界点构建拟真预设区域，这样有利于将拟真预设区域与三维平面坐标系建立起通用的对立关系，增加通用性；
其中，拟真预设区域内包括光照单元的位置坐标。
如图3所示，获取预设区域内特征物体的位置，并将特征物体带入拟真预设区域内；在预设区域内构建机基准测试点，其中，物体识别单元用于识别基准测试点；
标记特征物体的突出点，其中，特征物体的突出点包括特征物体的任意边角的突出位置，且突出点与基准测试点处于同一平面内；
将突出点与基准测试点之间的最近距离标记为基准调节值，基准测试点与基准调节值的数值之和为突出点的三维坐标点；
获取特征物体的各边的距离值，通过突出点与各边的距离值的数值之和得出特征物体的每个三维坐标点。
如图4所示，获取特征物体的反射值并生成反射射线；通过特征物体的每个三维坐标点构建出拟真预设区域内特征物体的三维模型；
三维模型内每个坐标点向预设调节单元对应的坐标点进行延伸，得到基准反射线；
每个三维坐标点为起点，反射值为距离，沿对应的基准反射线进行延伸得到反射射线。
获取光照单元的位置；
将距离特征物体最近的光照单元标记为预设调节单元；
若特征物体的反射射线贯穿光照单元时生成电流调节信号，这里特征物体的反射射线贯穿光照单元包括：获取反射射线上的若干三维坐标点，当若干三维坐标点内包括预设调节单元对应的坐标点时，则认为反射射线贯穿光照单元。
对光照单元进行电流调节，反之，则不生成电流调节信号，更具体的说，电流调节信号包括：
无干扰调节信号；
其中，反射射线上的若干三维坐标点内，最后一个三维坐标点与预设调节单元对应的坐标点相同时，生成无干扰调节信号，当生成无干扰调节信号时，光照单元减弱当前电流的1%或2%；
微干扰调节信号；
其中，反射射线上的若干三维坐标点内，最后十个三维坐标点内存在与预设调节单元对应的坐标点相同的三维坐标点时，生成微干扰调节信号，当生成微干扰调节信号时，光照单元减弱当前电流的10%；
中干扰调节信号；
其中，反射射线上的若干三维坐标点内，最后三十个且大于最后十个三维坐标点内存在与预设调节单元对应的坐标点相同的三维坐标点时，生成中干扰调节信号，当生成中干扰调节信号时，光照单元减弱当前电流的25%；
强干扰调节信号；
其中，反射射线上的若干三维坐标点内，最后三十个三维坐标点内不存在与预设调节单元对应的坐标点相同的三维坐标点时，生成强干扰调节信号，当生成强干扰调节信号时，光照单元减弱当前电流的50%。
实施本发明的有益效果：通过预先构建物品对比库可以实现快速的获取预设区域内的反射值，可以实现毫秒级对预设区域内光照的调节，避免对每一个物品进行光照值分析导致光照调节延迟，通过构建反射值体系，可以避免人眼判断带来的误差，继而通过对光照单元进行电流调节，实现标准化调节。
在本发明的描述中，需要说明的是，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，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，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。
在本说明书的描述中，参考术语“实施例”、“具体实施例”、“示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种基于区域环境的光照智能调试系统，其特征在于，包括：
物体识别单元，所述物体识别单元用于识别预设区域内的物品，并将识别成功的物体标记为特征物体；
反射采集单元，所述反射采集单元用于采集预设区域内特征物体的反射值；
预测分类单元，所述预测分类单元将预设区域内的物品与特征物体进行分类关联；
光照调节单元，所述光照调节单元基于预设区域内特征物体的反射值对光照单元进行电流调节；
构建拟真预设区域；
获取预设区域内特征物体的位置，并将特征物体带入拟真预设区域内；
获取特征物体的反射值并生成反射射线；
获取光照单元的位置；
将距离特征物体最近的光照单元标记为预设调节单元；
若特征物体的反射射线贯穿光照单元时生成电流调节信号，并对光照单元进行电流调节，反之，则不生成电流调节信号；
采集预设区域的历史视频数据和基准照片；
将光照单元运行时对应的历史视频数据进行筛选，并标记为筛选视频；
当筛选视频内每一帧画面与基准照片重合时，不进行特征筛选，反之，将不重合的位置标记为特征位置；
获取特征位置画面对应的对比度值并标记为初始反射值；
获取基准照片上特征位置对应的对比度值并标记为调节值；
初始反射值与调节值的数值之差为反射值；
获取预设区域内特征物体的位置，并将特征物体带入拟真预设区域内包括：
在预设区域内构建基准测试点，其中，物体识别单元用于识别基准测试点；
标记特征物体的突出点，其中，特征物体的突出点包括特征物体的任意边角的突出位置，且突出点与基准测试点处于同一平面内；
将突出点与基准测试点之间的最近距离标记为基准调节值，基准测试点与基准调节值的数值之和为突出点的三维坐标点；
获取特征物体的各边的距离值，通过突出点与各边的距离值的数值之和得出特征物体的每个三维坐标点；
获取特征物体的反射值并生成反射射线包括：
通过特征物体的每个三维坐标点构建出拟真预设区域内特征物体的三维模型；
三维模型内每个坐标点向预设调节单元对应的坐标点进行延伸，得到基准反射线；
每个三维坐标点为起点，反射值为距离，沿对应的基准反射线进行延伸得到反射射线；
特征物体的反射射线贯穿光照单元包括：
获取反射射线上的若干三维坐标点，当若干三维坐标点内包括预设调节单元对应的坐标点时，则认为反射射线贯穿光照单元。
2.根据权利要求1所述的一种基于区域环境的光照智能调试系统，其特征在于，所述预测分类单元将预设区域内的物品与特征物体进行分类关联包括：
获取特征位置的图像信息，并将图像信息作为输入值输入卷积神经网络进行迭代，直至生成图像信息对应的物品信息时，结束迭代，并将物品标记为特征物体；
其中，物品信息包括物品的种类、物品的颜色和物品的面积；
若干物品信息组成物品对比库。
3.根据权利要求2所述的一种基于区域环境的光照智能调试系统，其特征在于，所述物体识别单元用于识别预设区域内的物品，并将识别成功的物体标记为特征物体包括：
获取预设区域内物品的物品信息，当物品信息与物品对比库内物品信息相同时，则将物体标记为特征物体，并获取特征物体对应的反射值。
4.根据权利要求3所述的一种基于区域环境的光照智能调试系统，其特征在于，构建拟真预设区域包括：
将预设区域的任一侧边界标记为起始边界，起始边界任一侧的地面点标记为边界点，其中，地面点为预设区域内最低点；
构建三维平面坐标系，其中，三维平面坐标系内的原点为边界点，参照边界点构建拟真预设区域；
其中，拟真预设区域内包括光照单元的位置坐标。
5.根据权利要求4所述的一种基于区域环境的光照智能调试系统，其特征在于，电流调节信号包括：
无干扰调节信号；
其中，反射射线上的若干三维坐标点内，最后一个三维坐标点与预设调节单元对应的坐标点相同时，生成无干扰调节信号，当生成无干扰调节信号时，光照单元减弱当前电流的1%或2%；
微干扰调节信号；
其中，反射射线上的若干三维坐标点内，最后十个三维坐标点内存在与预设调节单元对应的坐标点相同的三维坐标点时，生成微干扰调节信号，当生成微干扰调节信号时，光照单元减弱当前电流的10%；
中干扰调节信号；
其中，反射射线上的若干三维坐标点内，最后三十个且大于最后十个三维坐标点内存在与预设调节单元对应的坐标点相同的三维坐标点时，生成中干扰调节信号，当生成中干扰调节信号时，光照单元减弱当前电流的25%；
强干扰调节信号；
其中，反射射线上的若干三维坐标点内，最后三十个三维坐标点内不存在与预设调节单元对应的坐标点相同的三维坐标点时，生成强干扰调节信号，当生成强干扰调节信号时，光照单元减弱当前电流的50%。
CN202210353539.XA 2022-04-02 2022-04-02 一种基于区域环境的光照智能调试系统 Active CN114494836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210353539.XA CN114494836B (zh) 2022-04-02 2022-04-02 一种基于区域环境的光照智能调试系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210353539.XA CN114494836B (zh) 2022-04-02 2022-04-02 一种基于区域环境的光照智能调试系统

Publications (2)

Publication Number Publication Date
CN114494836A CN114494836A (zh) 2022-05-13
CN114494836B true CN114494836B (zh) 2022-07-01

Family

ID=81488360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210353539.XA Active CN114494836B (zh) 2022-04-02 2022-04-02 一种基于区域环境的光照智能调试系统

Country Status (1)

Country Link
CN (1) CN114494836B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117545127A (zh) * 2023-11-21 2024-02-09 广东万聚照明科技有限公司 一种Mini LED控制系统
CN117949034B (zh) * 2023-12-12 2024-08-09 江苏泰迪智能科技有限公司 基于数据分析的线激光测试台操作环境监管系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9402292B1 (en) * 2013-07-10 2016-07-26 Musco Corporation Providing, measuring and demonstrating highly effective uplighting

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2015106702A (ru) * 2012-07-27 2016-09-20 Конинклейке Филипс Н.В. Цветовое выделение и сохранение объектов с использованием спектров отражения
EP3220723B1 (en) * 2015-06-08 2021-07-07 Opple Lighting Co,. Ltd. Illumination device and control method and control system therefor
WO2017023208A1 (en) * 2015-08-05 2017-02-09 Heptagon Micro Optics Pte. Ltd. Intelligent illumination systems that use modulated light
CN111860365B (zh) * 2020-07-24 2024-02-06 中国平安人寿保险股份有限公司 课室灯光调节方法、装置、计算机设备及存储介质
CN113847566B (zh) * 2021-09-24 2023-09-12 中国农业科学院都市农业研究所 一种多自由度转动光源的转光单元及方法
CN114205947B (zh) * 2021-12-24 2022-11-18 桂林海威科技股份有限公司 一种智能路灯及运行方法、智能路灯调光系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9402292B1 (en) * 2013-07-10 2016-07-26 Musco Corporation Providing, measuring and demonstrating highly effective uplighting

Also Published As

Publication number Publication date
CN114494836A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN114494836B (zh) 一种基于区域环境的光照智能调试系统
CN105100724B (zh) 一种基于视觉分析的智能家居远程安全监控方法
CN106845890B (zh) 一种基于视频监控的仓储监控方法及装置
CN105142408B (zh) 热处理监控系统
CN112069975A (zh) 一种基于紫外、红外、视觉的综合火焰检测方法
CN109484935A (zh) 一种电梯轿厢监控方法、装置及系统
WO2012090200A1 (en) Calibration device and method for use in a surveillance system for event detection
JP5388829B2 (ja) 侵入物体検知装置
CN111476194B (zh) 一种感知模组工作状态检测方法及冰箱
CN116761049B (zh) 一种家用智能安防监控方法及系统
CN114867161A (zh) 基于AIoT和传感器网络的商业照明系统及照明方法
US11423762B1 (en) Providing device power-level notifications
CN114359594B (zh) 一种场景匹配方法、装置、电子设备和存储介质
US11163097B1 (en) Detection and correction of optical filter position in a camera device
CN113781448B (zh) 一种基于红外图像分析的光伏电站组件智能缺陷识别方法
JP5155250B2 (ja) 対象物検出装置
CN117309766B (zh) 一种产品表面缺陷的视觉检测方法及系统
CN115830106B (zh) 一种用于机房设备带电清洗的辅助定位方法
JP2021086382A (ja) 学習装置、検出装置、学習方法、及び学習プログラム
CN113033326B (zh) 一种光伏电站施工踩踏组件监测方法
CN112288019B (zh) 一种基于关键点定位的厨师帽检测方法
CN110764561A (zh) 一种楼宇环境参数自动控制方法和系统
CN114037937A (zh) 一种基于多目标追踪的实时冰箱食材识别方法
CN114283367A (zh) 用于园区火灾预警的人工智能明火探测方法及系统
CN106131518A (zh) 一种图像处理的方法以及图像处理装置

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