CN115376075B - 智能楼宇的新风节能系统及其控制方法 - Google Patents

智能楼宇的新风节能系统及其控制方法 Download PDF

Info

Publication number
CN115376075B
CN115376075B CN202211306972.4A CN202211306972A CN115376075B CN 115376075 B CN115376075 B CN 115376075B CN 202211306972 A CN202211306972 A CN 202211306972A CN 115376075 B CN115376075 B CN 115376075B
Authority
CN
China
Prior art keywords
monitoring
branch
feature map
convolution
module
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
CN202211306972.4A
Other languages
English (en)
Other versions
CN115376075A (zh
Inventor
陈启新
张高锋
曲胜
刘慧慧
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.)
Cecep Green Building Environmental Protection Technology Co ltd
Original Assignee
Cecep Green Building Environmental Protection Technology 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 Cecep Green Building Environmental Protection Technology Co ltd filed Critical Cecep Green Building Environmental Protection Technology Co ltd
Priority to CN202211306972.4A priority Critical patent/CN115376075B/zh
Publication of CN115376075A publication Critical patent/CN115376075A/zh
Application granted granted Critical
Publication of CN115376075B publication Critical patent/CN115376075B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请涉及智能控制领域，其具体地公开了一种智能楼宇的新风节能系统及其控制方法，其通过基于楼宇内的人员分布和变动特征来自适应地调整新风系统的工作功率，提高新能系统的功率自适应控制的精准度。

Description

智能楼宇的新风节能系统及其控制方法
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种智能楼宇的新风节能系统及其控制方法。
背景技术
目前，通风在调节室内空气质量中起着重要作用。特别是节假日期间，在楼宇内(如办公场所、商场、火车站、汽车站、航站楼等)人员密度大、流动性强，如果室内通风不畅，就会导致空气质量很差，细菌到处传播，影响人的身体健康。
现有的楼宇的新能系统通常以预定通风量来进行工作，并且，该预定通风量不小于最小通风量以保证一个较低水平的感染概率。但是，有研究表明加大新风量可以在一定程度上降低感染的概率，但全天保持较高的新风量，一方面超过了相对通风标准，并可能导致能源的浪费。另一方面，大型楼宇内并非全天、全区域都是满员，存在非高峰时段和人员空间分布不均的情况。在此情况下，可以适当降低通风量以实现节能的目的。
因此，期待一种优化的智能楼宇的新风节能系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能楼宇的新风节能系统及其控制方法，其通过基于楼宇内的人员分布和变动特征来自适应地调整新风系统的工作功率，提高新能系统的功率自适应控制的精准度。
根据本申请的一个方面，提供了一种智能楼宇的新风节能系统，其包括：人员监控模块，用于获取由部署于待监控场所内的摄像头采集的人员监控视频，其中，所述待监控场所部署有新风系统；采样模块，用于从所述人员监控视频提取多个人员监控关键帧；人员分布特征感知模块，用于将所述多个人员监控关键帧中各个人员监控关键帧分别通过多分支感知域模块以得到多个监控特征图；差分模块，用于计算所述多个监控特征图中每两个监控特征图之间的差分特征图以得到多个差分特征图；人员分布变化特征提取模块，用于将所述多个差分特征图通过使用三维卷积核的卷积神经网络模型以得到监控动态特征图；特征补偿模块，用于对所述监控动态特征图进行特征分布补偿以得到校正后监控动态特征图；以及节能控制结果生成模块，用于将所述校正后监控动态特征图通过分类器以得到分类结果，所述分类结果用于表示当前时间点的新风系统的功率值应增大或应减小。
在上述智能楼宇的新风节能系统中，所述采样模块，进一步用于以预定采样频率从所述人员监控视频提取所述多个人员监控关键帧。
在上述智能楼宇的新风节能系统中，所述人员分布特征感知模块，包括：第一点卷积单元，用于将所述人员监控关键帧输入所述多分支感知域模块的第一点卷积层以得到卷积特征图；多分支感知单元，用于分别将所述卷积特征图通过所述多分支感知域模块的第一分支感知域单元、第二分支感知域单元和第三分支感知域单元以得到第一分支感知特征图、第二分支感知特征图和第二分支感知特征图，其中，所述第一分支感知域单元、所述第二分支感知域单元和所述第三分支感知域单元具有并行结构；融合单元，用于将所述第一分支感知特征图、所述第二分支感知特征图和所述第二分支感知特征图进行级联以得到融合感知特征图；第二点卷积单元，用于将所述融合感知特征图输入所述多分支感知域模块的第二点卷积层以得到通道校正融合感知特征图；以及，残差级联单元，用于计算所述通道校正融合感知特征图和所述卷积特征图的按位置点加以得到所述监控特征图。
在上述智能楼宇的新风节能系统中，所述多分支感知单元，包括：第一一维卷积编码子单元，用于将所述卷积特征图通过所述第一分支感知域单元的第一一维卷积层以得到第一一维卷积特征图；第一空洞卷积编码子单元，用于将所述第一一维卷积特征图通过具有第一空洞率的第一二维卷积层以得到所述第一分支感知特征图；第二一维卷积编码子单元，用于将所述卷积特征图通过所述第二分支感知域单元的第二一维卷积层以得到第二一维卷积特征图；第二空洞卷积编码子单元，用于将所述第二一维卷积特征图通过具有第二空洞率的第二二维卷积层以得到所述第二分支感知特征图；第三一维卷积编码子单元，用于将所述卷积特征图通过所述第三分支感知域单元的第三一维卷积层以得到第三一维卷积特征图；以及，第三空洞卷积编码子单元，用于将所述第三一维卷积特征图通过具有第二空洞率的第三二维卷积层以得到所述第三分支感知特征图。
在上述智能楼宇的新风节能系统中，所述第一空洞率、所述第二空洞率和所述第三空洞率相互不相等。
在上述智能楼宇的新风节能系统中，所述差分模块，进一步用于计算所述多个监控特征图中每两个监控特征图之间按位置差分以得到所述多个差分特征图。
在上述智能楼宇的新风节能系统中，所述人员分布变化特征提取模块，进一步用于：使用所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用三维卷积核的卷积神经网络的最后一层的输出为所述监控动态特征图，所述使用三维卷积核的卷积神经网络的第一层的输入为所述差分特征图。
在上述智能楼宇的新风节能系统中，所述特征补偿模块，进一步用于：以如下公式对所述监控动态特征图进行特征分布补偿以得到校正后监控动态特征图；其中，所述公式为：
Figure 608348DEST_PATH_IMAGE001
其中
Figure 820018DEST_PATH_IMAGE002
是所述监控动态特征图，
Figure 794796DEST_PATH_IMAGE003
是所述监控动态特征图通过分类器进行预分类所获得的概率值，
Figure 290368DEST_PATH_IMAGE004
表示按位置点乘。
在上述智能楼宇的新风节能系统中，所述节能控制结果生成模块，进一步用于：使用所述分类器以如下公式对所述校正后监控动态特征图进行处理以生成分类结果；其中，所述公式为：
Figure 898591DEST_PATH_IMAGE005
，其中
Figure 128716DEST_PATH_IMAGE006
表示将所述校正后监控动态特征图投影为向量，
Figure 641605DEST_PATH_IMAGE007
至
Figure 257263DEST_PATH_IMAGE008
为各层全连接层的权重矩阵，
Figure 315349DEST_PATH_IMAGE009
至
Figure 282037DEST_PATH_IMAGE010
表示各层全连接层的偏置向量。
根据本申请的另一方面，提供了一种智能楼宇的新风节能系统的控制方法，其包括：获取由部署于待监控场所内的摄像头采集的人员监控视频，其中，所述待监控场所部署有新风系统；从所述人员监控视频提取多个人员监控关键帧；将所述多个人员监控关键帧中各个人员监控关键帧分别通过多分支感知域模块以得到多个监控特征图；计算所述多个监控特征图中每两个监控特征图之间的差分特征图以得到多个差分特征图；将所述多个差分特征图通过使用三维卷积核的卷积神经网络模型以得到监控动态特征图；对所述监控动态特征图进行特征分布补偿以得到校正后监控动态特征图；以及将所述校正后监控动态特征图通过分类器以得到分类结果，所述分类结果用于表示当前时间点的新风系统的功率值应增大或应减小。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智能楼宇的新风节能系统的控制方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能楼宇的新风节能系统的控制方法。
与现有技术相比，本申请提供的一种智能楼宇的新风节能系统及其控制方法，其通过基于楼宇内的人员分布和变动特征来自适应地调整新风系统的工作功率，提高新能系统的功率自适应控制的精准度。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的智能楼宇的新风节能系统的应用场景图；
图2图示了根据本申请实施例的智能楼宇的新风节能系统的框图；
图3图示了根据本申请实施例的智能楼宇的新风节能系统的系统架构图；
图4图示了根据本申请实施例的智能楼宇的新风节能系统中人员分布特征感知模块的框图；
图5图示了根据本申请实施例的智能楼宇的新风节能系统中卷积神经网络编码过程的流程图；
图6图示了根据本申请实施例的智能楼宇的新风节能系统的控制方法的流程图；
图7图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，现有的楼宇的新能系统通常以预定通风量来进行工作，并且，该预定通风量不小于最小通风量以保证一个较低水平的感染概率。但是，有研究表明加大新风量可以在一定程度上降低感染的概率，但全天保持较高的新风量，一方面超过了相对通风标准，并可能导致能源的浪费。另一方面，大型楼宇内并非全天、全区域都是满员，存在非高峰时段和人员空间分布不均的情况。在此情况下，可以适当降低通风量以实现节能的目的。
因此，期待一种优化的智能楼宇的新风节能系统。
相应地，在本申请的技术方案中，本申请的申请人考虑到新能系统的功率调整应适配于楼宇内的人员分布和变动情况，也就是，基于楼宇内的人员分布和变动特征来自适应地调整新风系统的工作功率，这样一方面能确保通风量，降低疾病的传播几率，另一方面还能够实现节能减排的目的。
具体地，由部署于待监控场所内的摄像头采集的人员监控视频，其中，所述待监控场所部署有新风系统，所述待监控场所为楼宇，包括但不限于办公场所、商场、火车站、汽车站、航站楼等。在所述待监控场所内，人员分布和变动特征可以通过所述人员监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示人员分布和变动情况。但是，考虑到监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计量算，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述人员监控视频进行关键帧采样。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。
在从所述人员监控视频提取到所述多个人员监控关键帧后，可使用深度卷积神经网络模型作为特征提取器来提取所述各个人员监控关键帧中的人员分布特征。但是，在标准深度卷积神经网络的卷积和池化都是常见的下采样操作，但下采样在扩大感知域的同时也缩小了 feature map 尺度，造成信息损失。且因标准深度卷积神经网络模型使用固定尺寸的卷积核，因此，在进行特征提取时，其无法学习到多尺度特征信息，而导致因网格效应带来的局部信息丢失的问题。
针对上述问题，在本申请的技术方案中，使用多分支感知域模块替代传统的卷积神经网络模型作为特征提取器来进行人员分布特征提取。相较于传统的卷积神经网络模型，所述多分支感知域模块具有如下优势：1）所述多分支感知域模块利用空洞卷积来替代传统卷积核，其利用其特有的参数扩张率（dilated rates），使原卷积核在相同参数量下拥有更大的感知域，也就是，所述多分支感知域模块利用空洞卷积即可扩大感知域，从而无需下采样，避免了信息损失且实现特征图输入与输出尺度一致；2）所述多分支感知域模块设计不同扩张率的并行空洞卷积结构，可让网络学习到多尺度特征信息，因此解决了网格效应带来的局部信息丢失的问题。且该结构使目标检测可利用的小目标信息量增多，进而解决了传统卷积神经网络利用池化层所造成的小目标信息无法重建的问题。
接着，由所述多分支感知域模块得到所述多个监控特征图后，计算所述多个监控特征图中每两个监控特征图之间的差分特征图以得到多个差分特征图。在一个具体的示例中，以所述多个监控特征图中每两个监控特征图之间的按位置差分来计算所述每两个监控特征图之间的差分特征图，这样通过两个特征图之间的像素级差异来表示人员分布变动信息。
接着，将所述多个差分特征图通过使用三维卷积核的卷积神经网络模型以得到监控动态特征图。也就是，以使用三维卷积核的卷积神经网络模型作为特征提起器来提取人员分布变动特征。这里，所述卷积卷积神经网络模型的卷积核为三维卷积核，其具有W（宽度）、H（高度）和C（通道维度），在本申请的技术方案中，所述三维卷积核的通道维度对应于所述多个差分特征图的时间维度，因此，在进行三维卷积编码时，能提取人员动态分布特征随时间维度的变化特征。
然后，将所述监控动态特征图通过分类器以得到分类结果，所述分类结果用于表示当前时间点的新风系统的功率值应增大或应减小。也就是，以分类器对所述监控动态特征图进行分类处理以得到用于表示当前时间点的新风系统的功率值应增大或应减小的分类结果。这样，基于楼宇内的人员分布和变动特征来自适应地调整新风系统的工作功率，这样一方面能确保通风量，降低疾病的传播几率，另一方面还能够实现节能减排的目的。
特别地，在本申请的技术方案中，由于所述监控动态特征图是所述多个差分特征图通过使用三维卷积核的卷积神经网络模型得到的，且基于差分运算的所述多个监控特征图之间会由多分支感知域模块带来的特征分布上的偏差，使得在所述监控动态特征图会存在局部异常的特征分布，这使得在所述监控动态特征图通过分类器进行分类时，由于所述分类器的权重需要适配这种局部异常的特征分布，可能与所述监控动态特征图发生类相干干涉。
因此，对所述监控动态特征图，这里记为
Figure 64530DEST_PATH_IMAGE002
进行基于预分类的类概率相干补偿机制校正，表示为：
Figure 534694DEST_PATH_IMAGE001
其中
Figure 29261DEST_PATH_IMAGE003
是所述监控动态特征图
Figure 483244DEST_PATH_IMAGE002
通过分类器进行预分类获得的概率值。
也就是，由于所述监控动态特征图
Figure 337937DEST_PATH_IMAGE002
存在局部异常的特征分布，因此在对其进行分类时，分类器本身的权重矩阵也会在某些局部存在相适配的异常分布，从而对所述监控动态特征图
Figure 882182DEST_PATH_IMAGE002
的类概率表达造成的相干干涉。基于此，通过将预分类得到的分类器的类别概率值作为所述监控动态特征图
Figure 65426DEST_PATH_IMAGE002
的分类的乘性干扰噪声项，来对所述监控动态特征图
Figure 475548DEST_PATH_IMAGE002
进行类概率的相干补偿，以恢复无干扰情况下的所述监控动态特征图
Figure 884663DEST_PATH_IMAGE002
的等效概率强度表征，从而实现所述监控动态特征图
Figure 329420DEST_PATH_IMAGE002
的校正，提高分类结果的准确性。也就是，提高新能系统的功率自适应控制的精准度。
基于此，本申请提出了一种智能楼宇的新风节能系统，其包括：人员监控模块，用于获取由部署于待监控场所内的摄像头采集的人员监控视频，其中，所述待监控场所部署有新风系统；采样模块，用于从所述人员监控视频提取多个人员监控关键帧；人员分布特征感知模块，用于将所述多个人员监控关键帧中各个人员监控关键帧分别通过多分支感知域模块以得到多个监控特征图；差分模块，用于计算所述多个监控特征图中每两个监控特征图之间的差分特征图以得到多个差分特征图；人员分布变化特征提取模块，用于将所述多个差分特征图通过使用三维卷积核的卷积神经网络模型以得到监控动态特征图；特征补偿模块，用于对所述监控动态特征图进行特征分布补偿以得到校正后监控动态特征图；以及，节能控制结果生成模块，用于将所述校正后监控动态特征图通过分类器以得到分类结果，所述分类结果用于表示当前时间点的新风系统的功率值应增大或应减小。
图1图示了根据本申请实施例的智能楼宇的新风节能系统的应用场景图。如图1所示，在该应用场景中，通过部署于待监控场所（例如，如图1中所示意的B）内的摄像头（例如，如图1中所示意的C）获取待监控场所内的人员监控视频，其中，所述待监控场所部署有新风系统。接着，将上述人员监控视频输入至部署有用于智能楼宇的新风节能算法的服务器（例如，图1中的S）中，其中，所述服务器能够以所述智能楼宇的新风节能算法对所述人员监控视频进行处理，以生成用于表示当前时间点的新风系统的功率值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的智能楼宇的新风节能系统的框图。如图2所示，根据本申请实施例的智能楼宇的新风节能系统300，包括：人员监控模块310；采样模块320；人员分布特征感知模块330；差分模块340；人员分布变化特征提取模块350；特征补偿模块360；以及，节能控制结果生成模块370。
其中，所述人员监控模块310，用于获取由部署于待监控场所内的摄像头采集的人员监控视频，其中，所述待监控场所部署有新风系统；所述采样模块320，用于从所述人员监控视频提取多个人员监控关键帧；所述人员分布特征感知模块330，用于将所述多个人员监控关键帧中各个人员监控关键帧分别通过多分支感知域模块以得到多个监控特征图；所述差分模块340，用于计算所述多个监控特征图中每两个监控特征图之间的差分特征图以得到多个差分特征图；所述人员分布变化特征提取模块350，用于将所述多个差分特征图通过使用三维卷积核的卷积神经网络模型以得到监控动态特征图；所述特征补偿模块360，用于对所述监控动态特征图进行特征分布补偿以得到校正后监控动态特征图；以及，所述节能控制结果生成模块370，用于将所述校正后监控动态特征图通过分类器以得到分类结果，所述分类结果用于表示当前时间点的新风系统的功率值应增大或应减小。
图3图示了根据本申请实施例的智能楼宇的新风节能系统的系统架构图。如图3所示，在所述智能楼宇的新风节能系统300的系统架构中，首先通过所述人员监控模块310获取由部署于待监控场所内的摄像头采集的人员监控视频，其中，所述待监控场所部署有新风系统；所述采样模块320从所述人员监控模块310获取的人员监控视频提取多个人员监控关键帧；其次，所述人员分布特征感知模块330将所述采样模块320提取的多个人员监控关键帧中各个人员监控关键帧分别通过多分支感知域模块以得到多个监控特征图；然后，所述差分模块340计算所述人员分布特征感知模块330得到的多个监控特征图中每两个监控特征图之间的差分特征图以得到多个差分特征图；所述人员分布变化特征提取模块350将所述差分模块340计算所得的多个差分特征图通过使用三维卷积核的卷积神经网络模型以得到监控动态特征图；所述特征补偿模块360对所述人员分布变化特征提取模块350生成的监控动态特征图进行特征分布补偿以得到校正后监控动态特征图；进而，所述节能控制结果生成模块370将所述特征补偿模块360得到的校正后监控动态特征图通过分类器以得到分类结果，所述分类结果用于表示当前时间点的新风系统的功率值应增大或应减小。
具体地，在所述智能楼宇的新风节能系统300的运行过程中，所述人员监控模块310，用于获取由部署于待监控场所内的摄像头采集的人员监控视频，其中，所述待监控场所部署有新风系统。考虑到新能系统的功率调整应适配于楼宇内的人员分布和变动情况，因此，在本申请的技术方案中，可通过部署于待监控场所内的摄像头来获取人员监控视频。其中，所述待监控场所部署有新风系统，所述待监控场所为楼宇，包括但不限于办公场所、商场、火车站、汽车站、航站楼等。
具体地，在所述智能楼宇的新风节能系统300的运行过程中，所述采样模块320，用于从所述人员监控视频提取多个人员监控关键帧。考虑到在所述待监控场所内，人员分布和变动特征可以通过所述人员监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示人员分布和变动情况。但是，考虑到监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计量算，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述人员监控视频进行关键帧采样。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。
具体地，在所述智能楼宇的新风节能系统300的运行过程中，所述人员分布特征感知模块330，用于将所述多个人员监控关键帧中各个人员监控关键帧分别通过多分支感知域模块以得到多个监控特征图。应可以理解，在从所述人员监控视频提取到所述多个人员监控关键帧后，可使用深度卷积神经网络模型作为特征提取器来提取所述各个人员监控关键帧中的人员分布特征。但是，在标准深度卷积神经网络的卷积和池化都是常见的下采样操作，但下采样在扩大感知域的同时也缩小了 feature map 尺度，造成信息损失。且因标准深度卷积神经网络模型使用固定尺寸的卷积核，因此，在进行特征提取时，其无法学习到多尺度特征信息，而导致因网格效应带来的局部信息丢失的问题。因此，在本申请的技术方案中，使用多分支感知域模块替代传统的卷积神经网络模型作为特征提取器来进行人员分布特征提取。相较于传统的卷积神经网络模型，所述多分支感知域模块具有如下优势：1）所述多分支感知域模块利用空洞卷积来替代传统卷积核，其利用其特有的参数扩张率（dilated rates），使原卷积核在相同参数量下拥有更大的感知域，也就是，所述多分支感知域模块利用空洞卷积即可扩大感知域，从而无需下采样，避免了信息损失且实现特征图输入与输出尺度一致；2）所述多分支感知域模块设计不同扩张率的并行空洞卷积结构，可让网络学习到多尺度特征信息，因此解决了网格效应带来的局部信息丢失的问题。且该结构使目标检测可利用的小目标信息量增多，进而解决了传统卷积神经网络利用池化层所造成的小目标信息无法重建的问题。
图4图示了根据本申请实施例的智能楼宇的新风节能系统中人员分布特征感知模块的框图。如图4所示，所述人员分布特征感知模块330，包括：第一点卷积单元331，用于将所述人员监控关键帧输入所述多分支感知域模块的第一点卷积层以得到卷积特征图；多分支感知单元332，用于分别将所述卷积特征图通过所述多分支感知域模块的第一分支感知域单元、第二分支感知域单元和第三分支感知域单元以得到第一分支感知特征图、第二分支感知特征图和第二分支感知特征图，其中，所述第一分支感知域单元、所述第二分支感知域单元和所述第三分支感知域单元具有并行结构；融合单元333，用于将所述第一分支感知特征图、所述第二分支感知特征图和所述第二分支感知特征图进行级联以得到融合感知特征图；第二点卷积单元334，用于将所述融合感知特征图输入所述多分支感知域模块的第二点卷积层以得到通道校正融合感知特征图；以及，残差级联单元335，用于计算所述通道校正融合感知特征图和所述卷积特征图的按位置点加以得到所述监控特征图。
其中，所述多分支感知单元，包括：第一一维卷积编码子单元，用于将所述卷积特征图通过所述第一分支感知域单元的第一一维卷积层以得到第一一维卷积特征图；第一空洞卷积编码子单元，用于将所述第一一维卷积特征图通过具有第一空洞率的第一二维卷积层以得到所述第一分支感知特征图；第二一维卷积编码子单元，用于将所述卷积特征图通过所述第二分支感知域单元的第二一维卷积层以得到第二一维卷积特征图；第二空洞卷积编码子单元，用于将所述第二一维卷积特征图通过具有第二空洞率的第二二维卷积层以得到所述第二分支感知特征图；第三一维卷积编码子单元，用于将所述卷积特征图通过所述第三分支感知域单元的第三一维卷积层以得到第三一维卷积特征图；以及，第三空洞卷积编码子单元，用于将所述第三一维卷积特征图通过具有第二空洞率的第三二维卷积层以得到所述第三分支感知特征图。其中，所述第一空洞率、所述第二空洞率和所述第三空洞率相互不相等。
具体地，在所述智能楼宇的新风节能系统300的运行过程中，所述差分模块340，用于计算所述多个监控特征图中每两个监控特征图之间的差分特征图以得到多个差分特征图。在一个具体的示例中，以所述多个监控特征图中每两个监控特征图之间的按位置差分来计算所述每两个监控特征图之间的差分特征图，这样通过两个特征图之间的像素级差异来表示人员分布变动信息。
具体地，在所述智能楼宇的新风节能系统300的运行过程中，所述人员分布变化特征提取模块350，用于将所述多个差分特征图通过使用三维卷积核的卷积神经网络模型以得到监控动态特征图。也就是，以使用三维卷积核的卷积神经网络模型作为特征提起器来提取人员分布变动特征。这里，所述卷积卷积神经网络模型的卷积核为三维卷积核，其具有W（宽度）、H（高度）和C（通道维度），在本申请的技术方案中，所述三维卷积核的通道维度对应于所述多个差分特征图的时间维度，因此，在进行三维卷积编码时，能提取人员动态分布特征随时间维度的变化特征。
图5图示了根据本申请实施例的智能楼宇的新风节能系统中卷积神经网络编码过程的流程图。如图5所述，所述卷积神经网络编码过程，包括：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用三维卷积核的卷积神经网络的最后一层的输出为所述监控动态特征图，所述使用三维卷积核的卷积神经网络的第一层的输入为所述差分特征图。
具体地，在所述智能楼宇的新风节能系统300的运行过程中，所述特征补偿模块360，用于对所述监控动态特征图进行特征分布补偿以得到校正后监控动态特征图。在本申请的技术方案中，由于所述监控动态特征图是所述多个差分特征图通过使用三维卷积核的卷积神经网络模型得到的，且基于差分运算的所述多个监控特征图之间会由多分支感知域模块带来的特征分布上的偏差，使得在所述监控动态特征图会存在局部异常的特征分布，这使得在所述监控动态特征图通过分类器进行分类时，由于所述分类器的权重需要适配这种局部异常的特征分布，可能与所述监控动态特征图发生类相干干涉。
因此，对所述监控动态特征图，这里记为
Figure 680636DEST_PATH_IMAGE002
进行基于预分类的类概率相干补偿机制校正，表示为：
Figure 801824DEST_PATH_IMAGE001
其中
Figure 14630DEST_PATH_IMAGE002
是所述监控动态特征图，
Figure 845052DEST_PATH_IMAGE003
是所述监控动态特征图通过分类器进行预分类所获得的概率值，
Figure 836011DEST_PATH_IMAGE004
表示按位置点乘。
也就是，由于所述监控动态特征图
Figure 237036DEST_PATH_IMAGE002
存在局部异常的特征分布，因此在对其进行分类时，分类器本身的权重矩阵也会在某些局部存在相适配的异常分布，从而对所述监控动态特征图
Figure 237222DEST_PATH_IMAGE002
的类概率表达造成的相干干涉。基于此，通过将预分类得到的分类器的类别概率值作为所述监控动态特征图
Figure 862763DEST_PATH_IMAGE002
的分类的乘性干扰噪声项，来对所述监控动态特征图
Figure 40934DEST_PATH_IMAGE002
进行类概率的相干补偿，以恢复无干扰情况下的所述监控动态特征图
Figure 178524DEST_PATH_IMAGE002
的等效概率强度表征，从而实现所述监控动态特征图
Figure 982400DEST_PATH_IMAGE002
的校正，提高分类结果的准确性。也就是，提高新能系统的功率自适应控制的精准度。
具体地，在所述智能楼宇的新风节能系统300的运行过程中，所述节能控制结果生成模块370，用于将所述校正后监控动态特征图通过分类器以得到分类结果，所述分类结果用于表示当前时间点的新风系统的功率值应增大或应减小。也就是，以分类器对所述监控动态特征图进行分类处理以得到用于表示当前时间点的新风系统的功率值应增大或应减小的分类结果。这样，基于楼宇内的人员分布和变动特征来自适应地调整新风系统的工作功率，这样一方面能确保通风量，降低疾病的传播几率，另一方面还能够实现节能减排的目的。在本申请的一个具体示例中，所述节能控制结果生成模块，进一步用于：使用所述分类器以如下公式对所述校正后监控动态特征图进行处理以生成分类结果；其中，所述公式为：
Figure 741409DEST_PATH_IMAGE011
，其中
Figure 605329DEST_PATH_IMAGE006
表示将所述校正后监控动态特征图投影为向量，
Figure 430547DEST_PATH_IMAGE007
至
Figure 772535DEST_PATH_IMAGE008
为各层全连接层的权重矩阵，
Figure 917209DEST_PATH_IMAGE009
至
Figure 420871DEST_PATH_IMAGE010
表示各层全连接层的偏置向量。
综上，根据本申请实施例的智能楼宇的新风节能系统300被阐明，其通过基于楼宇内的人员分布和变动特征来自适应地调整新风系统的工作功率，提高新能系统的功率自适应控制的精准度。
如上所述，根据本申请实施例的智能楼宇的新风节能系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的智能楼宇的新风节能系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能楼宇的新风节能系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能楼宇的新风节能系统300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该智能楼宇的新风节能系统300与该终端设备也可以是分立的设备，并且该智能楼宇的新风节能系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图6图示了根据本申请实施例的智能楼宇的新风节能系统的控制方法的流程图。如图6所示，根据本申请实施例的智能楼宇的新风节能系统的控制方法，包括步骤：S110，获取由部署于待监控场所内的摄像头采集的人员监控视频，其中，所述待监控场所部署有新风系统；S120，从所述人员监控视频提取多个人员监控关键帧；S130，将所述多个人员监控关键帧中各个人员监控关键帧分别通过多分支感知域模块以得到多个监控特征图；S140，计算所述多个监控特征图中每两个监控特征图之间的差分特征图以得到多个差分特征图；S150，将所述多个差分特征图通过使用三维卷积核的卷积神经网络模型以得到监控动态特征图；S160，对所述监控动态特征图进行特征分布补偿以得到校正后监控动态特征图；以及，S170，将所述校正后监控动态特征图通过分类器以得到分类结果，所述分类结果用于表示当前时间点的新风系统的功率值应增大或应减小。
在一个示例中，在上述智能楼宇的新风节能系统的控制方法中，所述步骤S120，包括：以预定采样频率从所述人员监控视频提取所述多个人员监控关键帧。
在一个示例中，在上述智能楼宇的新风节能系统的控制方法中，所述步骤S130，包括：将所述人员监控关键帧输入所述多分支感知域模块的第一点卷积层以得到卷积特征图；分别将所述卷积特征图通过所述多分支感知域模块的第一分支感知域单元、第二分支感知域单元和第三分支感知域单元以得到第一分支感知特征图、第二分支感知特征图和第二分支感知特征图，其中，所述第一分支感知域单元、所述第二分支感知域单元和所述第三分支感知域单元具有并行结构；将所述第一分支感知特征图、所述第二分支感知特征图和所述第二分支感知特征图进行级联以得到融合感知特征图；将所述融合感知特征图输入所述多分支感知域模块的第二点卷积层以得到通道校正融合感知特征图；以及，计算所述通道校正融合感知特征图和所述卷积特征图的按位置点加以得到所述监控特征图。其中，所述分别将所述卷积特征图通过所述多分支感知域模块的第一分支感知域单元、第二分支感知域单元和第三分支感知域单元以得到第一分支感知特征图、第二分支感知特征图和第二分支感知特征图，包括：将所述卷积特征图通过所述第一分支感知域单元的第一一维卷积层以得到第一一维卷积特征图；将所述第一一维卷积特征图通过具有第一空洞率的第一二维卷积层以得到所述第一分支感知特征图；将所述卷积特征图通过所述第二分支感知域单元的第二一维卷积层以得到第二一维卷积特征图；将所述第二一维卷积特征图通过具有第二空洞率的第二二维卷积层以得到所述第二分支感知特征图；将所述卷积特征图通过所述第三分支感知域单元的第三一维卷积层以得到第三一维卷积特征图；以及，将所述第三一维卷积特征图通过具有第二空洞率的第三二维卷积层以得到所述第三分支感知特征图。
在一个示例中，在上述智能楼宇的新风节能系统的控制方法中，所述步骤S140，包括：计算所述多个监控特征图中每两个监控特征图之间按位置差分以得到所述多个差分特征图。
在一个示例中，在上述智能楼宇的新风节能系统的控制方法中，所述步骤S150，包括：使用所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用三维卷积核的卷积神经网络的最后一层的输出为所述监控动态特征图，所述使用三维卷积核的卷积神经网络的第一层的输入为所述差分特征图。
在一个示例中，在上述智能楼宇的新风节能系统的控制方法中，所述步骤S160，包括：以如下公式对所述监控动态特征图进行特征分布补偿以得到校正后监控动态特征图；
其中，所述公式为：
Figure 267473DEST_PATH_IMAGE001
其中
Figure 619345DEST_PATH_IMAGE002
是所述监控动态特征图，
Figure 618525DEST_PATH_IMAGE003
是所述监控动态特征图通过分类器进行预分类所获得的概率值，
Figure 824247DEST_PATH_IMAGE004
表示按位置点乘。
在一个示例中，在上述智能楼宇的新风节能系统的控制方法中，所述步骤S170，包括：使用所述分类器以如下公式对所述校正后监控动态特征图进行处理以生成分类结果；
其中，所述公式为：
Figure 908878DEST_PATH_IMAGE011
，其中
Figure 592669DEST_PATH_IMAGE006
表示将所述校正后监控动态特征图投影为向量，
Figure 430044DEST_PATH_IMAGE007
至
Figure 272579DEST_PATH_IMAGE008
为各层全连接层的权重矩阵，
Figure 844506DEST_PATH_IMAGE009
至
Figure 331988DEST_PATH_IMAGE010
表示各层全连接层的偏置向量。
综上，根据本申请实施例的智能楼宇的新风节能系统的控制方法被阐明，其通过基于楼宇内的人员分布和变动特征来自适应地调整新风系统的工作功率，提高新能系统的功率自适应控制的精准度。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的智能楼宇的新风节能系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如监控特征图等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的智能楼宇的新风节能系统的控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的智能楼宇的新风节能系统的控制方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (9)

1.一种智能楼宇的新风节能系统，其特征在于，包括：
人员监控模块，用于获取由部署于待监控场所内的摄像头采集的人员监控视频，其中，所述待监控场所部署有新风系统；
采样模块，用于从所述人员监控视频提取多个人员监控关键帧；
人员分布特征感知模块，用于将所述多个人员监控关键帧中各个人员监控关键帧分别通过多分支感知域模块以得到多个监控特征图；
差分模块，用于计算所述多个监控特征图中每两个监控特征图之间的差分特征图以得到多个差分特征图；
人员分布变化特征提取模块，用于将所述多个差分特征图通过使用三维卷积核的卷积神经网络模型以得到监控动态特征图；
特征补偿模块，用于对所述监控动态特征图进行特征分布补偿以得到校正后监控动态特征图；以及
节能控制结果生成模块，用于将所述校正后监控动态特征图通过分类器以得到分类结果，所述分类结果用于表示当前时间点的新风系统的功率值应增大或应减小；
所述人员分布特征感知模块，包括：
第一点卷积单元，用于将所述人员监控关键帧输入所述多分支感知域模块的第一点卷积层以得到卷积特征图；
多分支感知单元，用于分别将所述卷积特征图通过所述多分支感知域模块的第一分支感知域单元、第二分支感知域单元和第三分支感知域单元以得到第一分支感知特征图、第二分支感知特征图和第三分支感知特征图，其中，所述第一分支感知域单元、所述第二分支感知域单元和所述第三分支感知域单元具有并行结构；
融合单元，用于将所述第一分支感知特征图、所述第二分支感知特征图和所述第三分支感知特征图进行级联以得到融合感知特征图；
第二点卷积单元，用于将所述融合感知特征图输入所述多分支感知域模块的第二点卷积层以得到通道校正融合感知特征图；以及
残差级联单元，用于计算所述通道校正融合感知特征图和所述卷积特征图的按位置点加以得到所述监控特征图。
2.根据权利要求1所述的智能楼宇的新风节能系统，其特征在于，所述采样模块，进一步用于以预定采样频率从所述人员监控视频提取所述多个人员监控关键帧。
3.根据权利要求2所述的智能楼宇的新风节能系统，其特征在于，所述多分支感知单元，包括：
第一一维卷积编码子单元，用于将所述卷积特征图通过所述第一分支感知域单元的第一一维卷积层以得到第一一维卷积特征图；
第一空洞卷积编码子单元，用于将所述第一一维卷积特征图通过具有第一空洞率的第一二维卷积层以得到所述第一分支感知特征图；
第二一维卷积编码子单元，用于将所述卷积特征图通过所述第二分支感知域单元的第二一维卷积层以得到第二一维卷积特征图；
第二空洞卷积编码子单元，用于将所述第二一维卷积特征图通过具有第二空洞率的第二二维卷积层以得到所述第二分支感知特征图；
第三一维卷积编码子单元，用于将所述卷积特征图通过所述第三分支感知域单元的第三一维卷积层以得到第三一维卷积特征图；以及
第三空洞卷积编码子单元，用于将所述第三一维卷积特征图通过具有第二空洞率的第三二维卷积层以得到所述第三分支感知特征图。
4.根据权利要求3所述的智能楼宇的新风节能系统，其特征在于，所述第一空洞率、所述第二空洞率和所述第三空洞率相互不相等。
5.根据权利要求4所述的智能楼宇的新风节能系统，其特征在于，所述差分模块，进一步用于计算所述多个监控特征图中每两个监控特征图之间按位置差分以得到所述多个差分特征图。
6.根据权利要求5所述的智能楼宇的新风节能系统，其特征在于，所述人员分布变化特征提取模块，进一步用于：使用所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述使用三维卷积核的卷积神经网络的最后一层的输出为所述监控动态特征图，所述使用三维卷积核的卷积神经网络的第一层的输入为所述差分特征图。
7.根据权利要求6所述的智能楼宇的新风节能系统，其特征在于，所述特征补偿模块，进一步用于：以如下公式对所述监控动态特征图进行特征分布补偿以得到校正后监控动态特征图；
其中，所述公式为：
F'＝pp·Fp-1⊙e-p·F
其中F是所述监控动态特征图，p是所述监控动态特征图通过分类器进行预分类所获得的概率值，⊙表示按位置点乘。
8.根据权利要求7所述的智能楼宇的新风节能系统，其特征在于，所述节能控制结果生成模块，进一步用于：使用所述分类器以如下公式对所述校正后监控动态特征图进行处理以生成分类结果；
其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述校正后监控动态特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量。
9.一种智能楼宇的新风节能系统的控制方法，其特征在于，包括：
获取由部署于待监控场所内的摄像头采集的人员监控视频，其中，所述待监控场所部署有新风系统；
从所述人员监控视频提取多个人员监控关键帧；
将所述多个人员监控关键帧中各个人员监控关键帧分别通过多分支感知域模块以得到多个监控特征图；
计算所述多个监控特征图中每两个监控特征图之间的差分特征图以得到多个差分特征图；
将所述多个差分特征图通过使用三维卷积核的卷积神经网络模型以得到监控动态特征图；
对所述监控动态特征图进行特征分布补偿以得到校正后监控动态特征图；以及
将所述校正后监控动态特征图通过分类器以得到分类结果，所述分类结果用于表示当前时间点的新风系统的功率值应增大或应减小；
将所述多个人员监控关键帧中各个人员监控关键帧分别通过多分支感知域模块以得到多个监控特征图，包括：
将所述人员监控关键帧输入所述多分支感知域模块的第一点卷积层以得到卷积特征图；
分别将所述卷积特征图通过所述多分支感知域模块的第一分支感知域单元、第二分支感知域单元和第三分支感知域单元以得到第一分支感知特征图、第二分支感知特征图和第三分支感知特征图，其中，所述第一分支感知域单元、所述第二分支感知域单元和所述第三分支感知域单元具有并行结构；
将所述第一分支感知特征图、所述第二分支感知特征图和所述第三分支感知特征图进行级联以得到融合感知特征图；
将所述融合感知特征图输入所述多分支感知域模块的第二点卷积层以得到通道校正融合感知特征图；以及
计算所述通道校正融合感知特征图和所述卷积特征图的按位置点加以得到所述监控特征图。
CN202211306972.4A 2022-10-25 2022-10-25 智能楼宇的新风节能系统及其控制方法 Active CN115376075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211306972.4A CN115376075B (zh) 2022-10-25 2022-10-25 智能楼宇的新风节能系统及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211306972.4A CN115376075B (zh) 2022-10-25 2022-10-25 智能楼宇的新风节能系统及其控制方法

Publications (2)

Publication Number Publication Date
CN115376075A CN115376075A (zh) 2022-11-22
CN115376075B true CN115376075B (zh) 2023-02-14

Family

ID=84073742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211306972.4A Active CN115376075B (zh) 2022-10-25 2022-10-25 智能楼宇的新风节能系统及其控制方法

Country Status (1)

Country Link
CN (1) CN115376075B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116311005A (zh) * 2023-05-25 2023-06-23 成都睿瞳科技有限责任公司 一种用于运动图像处理装置、方法及存储介质
CN116624977B (zh) * 2023-07-21 2023-09-29 烟台业达智慧城市运营科技有限公司 一种基于人工智能的楼宇自控系统及其方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102162667A (zh) * 2010-02-24 2011-08-24 株式会社东芝 图像处理装置、图像处理方法及空调控制装置
CN112651320A (zh) * 2020-12-21 2021-04-13 南京掘物网络信息技术有限公司 用于智能化纺织车间的吸尘器的功率智能控制方法
CN112949652A (zh) * 2021-02-04 2021-06-11 盈超(广州)网络科技有限公司 基于特征分布变化趋势表达的智能工件操作控制方法
WO2022036777A1 (zh) * 2020-08-21 2022-02-24 暨南大学 基于卷积神经网络的人体动作姿态智能估计方法及装置
CN115202265A (zh) * 2022-07-29 2022-10-18 福建天甫电子材料有限公司 电子级氢氧化钾的智慧产线的控制系统及其控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112776650B (zh) * 2020-12-28 2022-11-18 山东鲁软数字科技有限公司智慧能源分公司 一种多元融合感知智能充电系统及方法
CN114913337A (zh) * 2022-06-16 2022-08-16 中国人民解放军火箭军工程大学 一种基于三元级联感知的伪装目标框检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102162667A (zh) * 2010-02-24 2011-08-24 株式会社东芝 图像处理装置、图像处理方法及空调控制装置
WO2022036777A1 (zh) * 2020-08-21 2022-02-24 暨南大学 基于卷积神经网络的人体动作姿态智能估计方法及装置
CN112651320A (zh) * 2020-12-21 2021-04-13 南京掘物网络信息技术有限公司 用于智能化纺织车间的吸尘器的功率智能控制方法
CN112949652A (zh) * 2021-02-04 2021-06-11 盈超(广州)网络科技有限公司 基于特征分布变化趋势表达的智能工件操作控制方法
CN115202265A (zh) * 2022-07-29 2022-10-18 福建天甫电子材料有限公司 电子级氢氧化钾的智慧产线的控制系统及其控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Non-intrusive load disaggregation based on deep dilated residual network;MinXia等;《Electric Power Systems Research》;20190531;全文 *
基于机器视觉技术的中央空调控制方法研究;刘丽燃等;《黑河学院学报》;20150425(第02期);全文 *

Also Published As

Publication number Publication date
CN115376075A (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN115376075B (zh) 智能楼宇的新风节能系统及其控制方法
US20150127595A1 (en) Modeling and detection of anomaly based on prediction
WO2021129086A1 (zh) 流量预测方法、装置以及存储介质
US20230134967A1 (en) Method for recognizing activities using separate spatial and temporal attention weights
CN113657560B (zh) 基于节点分类的弱监督图像语义分割方法及系统
CN110188866B (zh) 一种基于注意力机制的特征提取方法
WO2019063079A1 (en) SYSTEM, DEVICE AND METHOD FOR OPTIMIZING ENERGY AND COMFORT IN AN IMMOTIC ENVIRONMENT
US20130016920A1 (en) Image processing device, image processing method, program and recording medium
CN109191498B (zh) 基于动态记忆和运动感知的目标检测方法及系统
CN104809706B (zh) 一种基于图像颜色平缓变化先验的单透镜计算成像方法
CN110848897B (zh) 一种空调智能调节的方法及计算机可读存储介质
CN116321620B (zh) 智能照明开关控制系统及其方法
CN115861887A (zh) 用于黑蒜的菌类检测方法
CN112923523A (zh) 一种基于物联网数据链的智能型新风系统调控方法
CN109949217A (zh) 基于残差学习和隐式运动补偿的视频超分辨率重建方法
CN111178261A (zh) 一种基于视频编码技术的人脸检测加速方法
Zhong et al. Online prediction of noisy time series: Dynamic adaptive sparse kernel recursive least squares from sparse and adaptive tracking perspective
CN116149280B (zh) 电子级氢氧化钾的智能生产系统
CN116483132A (zh) 基于驱动电机电流控制协同的煤流量控制系统及其方法
CN113112311B (zh) 训练因果推断模型的方法、信息提示方法以装置
CN115495804A (zh) 工业设计用辅助系统及其方法
CN115661758A (zh) 基于人工智能的公共场所人群密集度监测方法及其系统
CN116503314A (zh) 用于门制造的质量检测系统及方法
US11570465B2 (en) Machine-learned in-loop predictor for video compression
CN114913098A (zh) 图像处理超参数优化方法、系统、设备及存储介质

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