CN115988714A - 一种基于人工智能的灯光智能控制方法、系统、设备和介质 - Google Patents
一种基于人工智能的灯光智能控制方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN115988714A CN115988714A CN202310259283.0A CN202310259283A CN115988714A CN 115988714 A CN115988714 A CN 115988714A CN 202310259283 A CN202310259283 A CN 202310259283A CN 115988714 A CN115988714 A CN 115988714A
- Authority
- CN
- China
- Prior art keywords
- inspected
- walking
- user
- area
- lamps
- 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
Images
Classifications
-
- 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
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明提供一种基于人工智能的灯光智能控制方法、系统、设备和介质，本发明涉及灯光控制技术领域，通过动作视频确定用户的预估行走路径，并基于预估行走路径确定预估行走路径对应的多个行走照明灯及多个行走照明灯的亮度参数，通过室内全景图像确定多个待检查区域和多个待检查区域的重要程度；基于多个待检查区域和多个待检查区域的重要程度确定多个待检查区域对应的多个区域照明灯及多个区域照明灯的亮度参数；基于多个行走照明灯及多个行走照明灯的亮度参数、多个区域照明灯及多个区域照明灯的亮度参数进行灯光控制。从而能够智能的控制灯光开启，优化了用户体验，减少了能源消耗。
Description
技术领域
本发明涉及灯光控制技术领域，具体涉及一种基于人工智能的灯光智能控制方法、系统、设备和介质。
背景技术
工厂生产中，光源是必不可少的设备，它对提高工作效率、减少生产事故、保障工作场所的安全等方面起着至关重要的作用。在工厂设备运行中，用户经常需要去工厂室内检查设备的运行状态，以确保设备的正常工作。在检查时，由于室内设备多，情况复杂，用户需要打开室内全部灯光挨个检查设备的运行状态，在检查完毕后，关闭室内全部灯光以完成检查。但由于用户检查的频率高，需要反复的对工厂室内的灯光进行开关操作，操作较为繁琐且用户体验较差，而且由于检查时会打开全部灯光，会造成极大的能源消耗。
因此，如何更加智能的控制灯光、提高用户体验、减少能源消耗是当前亟待解决的问题。
发明内容
本发明主要解决的技术问题是如何更加智能的控制灯光、提高用户体验、减少能源消耗。
根据第一方面，本发明提供一种基于人工智能的灯光智能控制方法，包括：检测到用户进入室内后，获取所述用户进入室内后的动作视频；基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取室内全景图像；基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
更进一步地，所述路径预估模型包括人脸识别模型和动作识别模型，所述基于所述动作视频使用路径预估模型确定所述用户的预估行走路径包括：基于所述人脸识别模型对动作视频进行处理确定所述用户的身份信息，基于所述用户的身份信息和所述动作视频使用所述动作识别模型确定所述用户的预估行走路径。
更进一步地，所述基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数，包括：将距离所述预估行走路径小于距离阈值的多个灯作为多个行走照明灯，并将所述多个行走照明灯的亮度参数设置为最大亮度的一半。
更进一步地，所述基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数包括：将位于所述待检查区域的多个灯作为多个区域照明灯，并基于所述多个待检查区域的重要程度和所述多个区域照明灯的亮度参数的预设关系确定所述多个区域照明灯的亮度参数。
更进一步地，所述区域检测模型为卷积神经网络模型，所述区域检测模型通过训练过程获取，所述训练过程包括：获取多个训练样本，所述训练样本包括样本输入数据和所述样本输入数据对应的标签，所述样本输入数据为样本室内全景图像，所述标签为多个样本待检查区域和所述多个样本待检查区域的重要程度；基于所述多个训练样本训练初始的区域检测模型，得到所述区域检测模型。
更进一步地，所述方法还包括：获取室内声音信息，若所述室内声音的分贝大于分贝阈值，则将所述多个行走照明灯的亮度参数和所述多个区域照明灯的亮度参数调节到最大。
根据第二方面，本发明提供一种基于人工智能的灯光智能控制系统，包括：检测模块，用于检测到用户进入室内后，获取所述用户进入室内后的动作视频；路径确定模块，用于基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；行走照明灯确定模块，用于基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取模块，用于获取室内全景图像；区域确定模块，用于基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；区域照明灯确定模块，用于基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；灯光控制模块，用于基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
根据第三方面，本发明提供一种电子设备，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现上述的方法。
根据第四方面，本发明提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现如上述方面中任一项所述的方法。
本发明提供的一种基于人工智能的灯光智能控制方法、系统、设备和介质，通过动作视频确定用户的预估行走路径，并基于预估行走路径确定预估行走路径对应的多个行走照明灯及多个行走照明灯的亮度参数，通过室内全景图像确定多个待检查区域和多个待检查区域的重要程度；基于多个待检查区域和多个待检查区域的重要程度确定多个待检查区域对应的多个区域照明灯及多个区域照明灯的亮度参数；基于多个行走照明灯及多个行走照明灯的亮度参数、多个区域照明灯及多个区域照明灯的亮度参数进行灯光控制。从而能够智能的控制灯光开启，优化了用户体验，减少了能源消耗。
附图说明
图1为本发明实施例提供的一种基于人工智能的灯光智能控制方法的流程示意图；
图2为本发明实施例提供的一种预估行走路径以及多个行走照明灯的示意图；
图3为本发明实施例提供的一种待检查区域和区域照明灯的示意图；
图4为本发明实施例提供的一种基于人工智能的灯光智能控制系统的示意图；
图5为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本发明能被更好的理解。
传统的灯光控制方法大多采用时序控制、手动控制或声音控制。时序控制表示根据预先设定的时间对灯光进行开启或关闭，该方法要求工作人员到室内检察设备的时间跟灯光开启的时间一致，对工作人员的时间把握要求极高，不太方便，且用户体验较差。手动控制操作较为繁琐且效率低下，不太智能。声音控制表示根据用户到来时发出的声音进行灯光控制，声音控制方式中需要用户持续发出声音以保持灯光的开启，用户体验较差。
本发明实施例中，提供了如图1所示的一种基于人工智能的灯光智能控制方法，改善了用户体验，所述基于人工智能的灯光智能控制方法包括步骤S1~S7：
步骤S1，检测到用户进入室内后，获取所述用户进入室内后的动作视频。
在一些实施例中，可以通过红外线传感器检测出用户是否进入室内。红外线传感器可以探测出人体发出的红外线，当人进入室内后，红外线传感器接收人体发出的红外线信号，并通知处理设备进行后续处理。当处理设备接收到用户进入室内的信号后，则通知摄像头获取用户进入室内后的动作视频。
在一些实施例中，还可以通过摄像头检测是否有用户进入室内，当检测到有用户进入室内后，则获取所述用户进入室内后的动作视频。例如，通过人脸识别算法检测是否有人进入，若检测到用户进入，则获取所述用户进入室内后的动作视频。人脸识别算法可以为基于模板匹配的方法、基于奇异值特征方法、子空间分析法、局部保持投影算法、主成分分析算法、神经网络算法等。
所述用户进入室内后的动作视频表示用户进入室内后对用户进入室内后的动作进行记录得到的视频。用户进入室内后的动作视频的时间长度可以为1秒、2秒、5秒、10秒等。用户进入室内后的动作视频包含了用户的行走意图，例如，用户动作视频中显示用户进入室内后身体左倾准备左转，则行走路径可能为左转后的路径，又例如，用户动作视频中显示用户进入后身体前倾，则行走路径可能为直行路径，又例如，用户动作视频中显示用户进入后身体右转，则行走路径可能为右转路径。
所述用户进入室内后的动作视频是指以电信号方式记录的动态影像，由多幅时间上连续的静态图像组成。其中，每一个图像为视频数据的一帧。在一些实施例中，可以通过室内的摄像头获取所述用户进入室内后的动作视频。
步骤S2，基于所述动作视频使用路径预估模型确定所述用户的预估行走路径。
路径预估模型为长短期神经网络模型。长短期神经网络模型为人工智能的一种实现方式。长短期神经网络模型包括长短期神经网络（LSTM，Long Short-Term Memory），长短期神经网络是RNN(Recurrent Neural Network，循环神经网络)中的一种。长短期神经网络模型能够处理任意长度的序列数据，捕捉序列的信息，输出基于序列中前后数据关联关系的结果。通过长短期神经网络模型处理连续时间段的用户进入室内后的动作视频，能够输出得到综合考虑了各个时间点的用户进入室内后的动作视频之间关联关系的特征，使得该输出的特征更加的准确和全面。
路径预估模型的输入包括所述动作视频，所述路径预估模型的输出为所述用户的预估行走路径。
路径预估模型可以通过历史数据中训练样本来训练得到。所述训练样本包括样本输入数据和所述样本输入数据对应的标签，所述样本输入数据为样本动作视频，所述标签为样本用户的预估行走路径。所述训练样本的输出标签可以通过人为标注得到。例如，用户可以对样本动作视频后续的一整段监控视频进行观看，并将样本动作视频后续的行走路径作为标签。作为示例，样本动作视频为3秒，样本动作视频后续的一整段监控视频为5分钟，样本动作视频后续的一整段监控视频包括用户进入室内后的行走路径信息，可以通过人为观看样本动作视频后续的一整段监控视频确定所述样本动作视频后续的行走路径，并将样本动作视频后续的行走路径作为标签。在一些实施例中，可以通过梯度下降法对初始的路径预估模型进行训练得到训练后的路径预估模型。具体的，根据训练样本，构建路径预估模型的损失函数，通过路径预估模型的损失函数调整路径预估模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。
训练完成后，输入所述动作视频到训练完成后的路径预估模型，输出得到所述用户的预估行走路径。
在一些实施例中，路径预估模型包括人脸识别模型和动作识别模型，还可以先基于所述人脸识别模型对动作视频进行处理确定所述用户的身份信息，再基于所述用户的身份信息和所述动作视频使用所述动作识别模型确定所述用户的预估行走路径。
用户身份信息包括用户身份、用户行走习惯、用户性别、工龄等。用户行走习惯表示习惯进门后左转、习惯进门后直行、习惯进门后右转等。
人脸识别模型和动作识别模型都为长短期神经网络模型。通过人脸识别模型先识别出用户身份信息，再根据身份信息和动作视频来判断预估行走路径，可以更好的结合用户不同身份信息对应的行走习惯，更精准的确定预估行走路径。其中人脸识别模型的输入为动作视频，人脸识别模型的输出为用户的身份信息，其中动作识别模型的输入为所述用户的身份信息和所述动作视频，动作识别模型的输出为所述用户的预估行走路径。
步骤S3，基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数。
在一些实施例中，可以将距离所述预估行走路径小于距离阈值的多个灯作为多个行走照明灯。距离阈值可以人为预先设定，例如1米、2米等。若为了更加节约能源，则距离阈值可以设定为1米，若为了照明更加明亮，则距离阈值可以设定为2米。行走照明灯为用来对预估行走路径进行照明的照明灯。在一些实施例中，可以将所述多个行走照明灯的亮度参数设置为最大亮度的百分之三十、百分之四十、一半。在一些实施例中，多个行走照明灯的亮度参数可以为0-1之间的数值，数值越大，则亮度越高。由于行走照明灯不用于设备检查的照明，只需要满足用户行走时的照明要求即可，所以行走照明灯的亮度不需要特别亮，这样节省了能源。图2为本发明实施例提供的一种预估行走路径以及多个行走照明灯的示意图。
在一些实施例中，还可以按照距离排序，将最靠近预估行走路径的多个灯作为多个行走照明灯。例如将距离预估行走路径最近的前三个灯作为多个行走照明灯。
步骤S4，获取室内全景图像。
在一些实施例中，可以通过全景照相机对室内进行拍照得到室内全景图像。在一些实施例中，还可以通过多个摄像头对室内进行拍照得到多个照片，并基于多个照片进行合成得到室内全景图像。
步骤S5，基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度。
区域检测模型为卷积神经网络模型，卷积神经网络模型包括卷积神经网络。卷积神经网络模型为人工智能的一种实现方式。卷积神经网络(CNN)可以是多层神经网络(例如，包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元：宽度、高度、深度。在一些实施例中，卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。卷积层可以计算连接到输入中局部区域的神经元的输出，计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。在一些实施例中，区域检测模型可以包括多个输出通道。区域检测模型的输入为所述室内全景图像，区域检测模型的输出为多个待检查区域和所述多个待检查区域的重要程度。
区域检测模型可以通过训练样本来训练得到，训练样本包括样本输入数据和所述样本输入数据对应的标签，训练样本中的样本输入包括样本室内全景图像，训练样本中的样本输出标签为多个样本待检查区域和所述多个样本待检查区域的重要程度。区域检测模型的训练样本的样本输出标签可以通过工作人员进行手动标注得到，例如对样本全景图像进行手动标注，标注出多个样本待检查区域和多个样本待检查区域的重要程度。最后基于所述多个训练样本训练初始的区域检测模型，得到所述区域检测模型。在一些实施例中，可以通过梯度下降法对卷积神经网络模型进行训练得到训练后的卷积神经网络模型。
待检查区域的重要程度表示待检查区域被检查时需要被重点关注的程度。待检查区域的重要程度可以为0-1之间的数值，数值越大，则说明重要程度越大，检查时需要花费的时间越多。例如待检查区域为普通办公区域，其重要程度为0.1，则说明该待检查区域检查时只需要粗略检查一下，又例如待检查区域为零件组装区域，其重要程度为0.5，则说明该待检查区域需要进行一般性检查，又例如待检查区域为精密设备运转时的所在区域，其重要程度为0.8，则说明该待检查区域检查时需要重点细心检查。
步骤S6，基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数。
在一些实施例中，可以将位于所述待检查区域的多个灯作为多个区域照明灯。待检查区域包括一定的面积，若灯位于待检查区域所在的面积内即可认定为位于所述待检查区域，即灯位于待检查区域的上方。区域照明灯用于照亮待检查区域，方便用户进行检查。图3为本发明实施例提供的一种待检查区域和区域照明灯的示意图。如图所示，待检查区域包括待检查区域a、待检查区域b、待检查区域c、待检查区域d、待检查区域e、待检查区域f，位于待检查区域上方的灯则为区域照明灯。
在一些实施例中，还可以将距离待检查区域中心一定阈值的多个灯作为多个区域照明灯。
在一些实施例中，可以基于所述多个待检查区域的重要程度和所述多个区域照明灯的亮度参数的预设关系确定所述多个区域照明灯的亮度参数。多个区域照明灯的亮度参数可以为0-1之间的数值，数值越大，则亮度越高。预设关系可以为待检查区域的重要程度的数值等于待检查区域对应的多个区域照明灯的亮度参数的数值。例如待检查区域的重要程度为0.2，则区域照明灯的亮度参数也为0.2，又例如待检查区域的重要程度为0.6，则区域照明灯的亮度参数也为0.6。即随着待检查区域的重要程度的增高，区域照明灯的亮度参数也增高，这样保证了重要程度越高的区域能够被照得更亮，区域中的细节能够被更加明亮的展示出来，用户检查时可以观察的更仔细，有利于用户及早发现区域中设备的问题，保障了设备的正常运行，也降低了重要程度较低的区域的照明亮度，节约了能源。
步骤S7，基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
在确定了多个行走照明灯及所述多个行走照明灯的亮度参数后，可以基于所述多个行走照明灯及所述多个行走照明灯的亮度参数进行灯光的开启以保障用户行走时的照明。
在确定了多个区域照明灯及所述多个区域照明灯的亮度参数后，可以基于所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光的开启以保障用户进行区域检测时的照明。
该基于人工智能的灯光智能控制方法不需要用户手动开启灯光，提高了用户体验，且根据检查区域的重要程度确定对应的照明亮度，节约了能源。
在一些实施例中，还可以获取室内声音信息，若所述室内声音的分贝大于分贝阈值，则将所述多个行走照明灯的亮度参数和所述多个区域照明灯的亮度参数调节到最大。作为示例，用户若发现检查区域存在问题，则可以通过发出高于分贝阈值的声音以全面提高多个行走照明灯和多个区域照明灯的亮度参数，并进行更加细致的检查。
在一些实施例中，若未检测到用户在室内，则关闭多个行走照明灯和多个区域照明灯。
基于同一发明构思，图4为本发明的实施例提供的一种基于人工智能的灯光智能控制系统示意图，所述基于人工智能的灯光智能控制系统包括：检测模块41，用于检测到用户进入室内后，获取所述用户进入室内后的动作视频；
路径确定模块42，用于基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；
行走照明灯确定模块43，用于基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；
获取模块44，用于获取室内全景图像；
区域确定模块45，用于基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；
区域照明灯确定模块46，用于基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；
灯光控制模块47，用于基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
基于同一发明构思，本发明的实施例提供了一种电子设备，如图5所示，包括：
处理器51；用于存储处理器51中可执行程序指令的存储器52；其中，处理器51被配置为执行以实现如前述提供的一种基于人工智能的灯光智能控制方法，所述方法包括：检测到用户进入室内后，获取所述用户进入室内后的动作视频；基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取室内全景图像；基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器51执行时，使得电子设备能够执行实现如前述提供的基于人工智能的灯光智能控制方法，所述方法包括: 检测到用户进入室内后，获取所述用户进入室内后的动作视频；基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取室内全景图像；基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例所述用户进入室内后的动作视频是指以电信号方式记录的动态影像，由多幅时间上连续的静态图像组成。其中，每一个图像为视频数据的一帧。在一些实施例中，可以通过室内的摄像头获取所述用户进入室内后的动作视频。
步骤S2，基于所述动作视频使用路径预估模型确定所述用户的预估行走路径。
路径预估模型为长短期神经网络模型。长短期神经网络模型为人工智能的一种实现方式。长短期神经网络模型包括长短期神经网络（LSTM，Long Short-Term Memory），长短期神经网络是RNN(Recurrent Neural Network，循环神经网络)中的一种。长短期神经网络模型能够处理任意长度的序列数据，捕捉序列的信息，输出基于序列中前后数据关联关系的结果。通过长短期神经网络模型处理连续时间段的用户进入室内后的动作视频，能够输出得到综合考虑了各个时间点的用户进入室内后的动作视频之间关联关系的特征，使得该输出的特征更加的准确和全面。
路径预估模型的输入包括所述动作视频，所述路径预估模型的输出为所述用户的预估行走路径。
路径预估模型可以通过历史数据中训练样本来训练得到。所述训练样本包括样本输入数据和所述样本输入数据对应的标签，所述样本输入数据为样本动作视频，所述标签为样本用户的预估行走路径。所述训练样本的输出标签可以通过人为标注得到。例如，用户可以对样本动作视频后续的一整段监控视频进行观看，并将样本动作视频后续的行走路径作为标签。作为示例，样本动作视频为3秒，样本动作视频后续的一整段监控视频为5分钟，样本动作视频后续的一整段监控视频包括用户进入室内后的行走路径信息，可以通过人为观看样本动作视频后续的一整段监控视频确定所述样本动作视频后续的行走路径，并将样本动作视频后续的行走路径作为标签。在一些实施例中，可以通过梯度下降法对初始的路径预估模型进行训练得到训练后的路径预估模型。具体的，根据训练样本，构建路径预估模型的损失函数，通过路径预估模型的损失函数调整路径预估模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。
训练完成后，输入所述动作视频到训练完成后的路径预估模型，输出得到所述用户的预估行走路径。
在一些实施例中，路径预估模型包括人脸识别模型和动作识别模型，还可以先基于所述人脸识别模型对动作视频进行处理确定所述用户的身份信息，再基于所述用户的身份信息和所述动作视频使用所述动作识别模型确定所述用户的预估行走路径。
用户身份信息包括用户身份、用户行走习惯、用户性别、工龄等。用户行走习惯表示习惯进门后左转、习惯进门后直行、习惯进门后右转等。
人脸识别模型和动作识别模型都为长短期神经网络模型。通过人脸识别模型先识别出用户身份信息，再根据身份信息和动作视频来判断预估行走路径，可以更好的结合用户不同身份信息对应的行走习惯，更精准的确定预估行走路径。其中人脸识别模型的输入为动作视频，人脸识别模型的输出为用户的身份信息，其中动作识别模型的输入为所述用户的身份信息和所述动作视频，动作识别模型的输出为所述用户的预估行走路径。
步骤S3，基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数。
在一些实施例中，可以将距离所述预估行走路径小于距离阈值的多个灯作为多个行走照明灯。距离阈值可以人为预先设定，例如1米、2米等。若为了更加节约能源，则距离阈值可以设定为1米，若为了照明更加明亮，则距离阈值可以设定为2米。行走照明灯为用来对预估行走路径进行照明的照明灯。在一些实施例中，可以将所述多个行走照明灯的亮度参数设置为最大亮度的百分之三十、百分之四十、一半。在一些实施例中，多个行走照明灯的亮度参数可以为0-1之间的数值，数值越大，则亮度越高。由于行走照明灯不用于设备检查的照明，只需要满足用户行走时的照明要求即可，所以行走照明灯的亮度不需要特别亮，这样节省了能源。图2为本发明实施例提供的一种预估行走路径以及多个行走照明灯的示意图。
在一些实施例中，还可以按照距离排序，将最靠近预估行走路径的多个灯作为多个行走照明灯。例如将距离预估行走路径最近的前三个灯作为多个行走照明灯。
步骤S4，获取室内全景图像。
在一些实施例中，可以通过全景照相机对室内进行拍照得到室内全景图像。在一些实施例中，还可以通过多个摄像头对室内进行拍照得到多个照片，并基于多个照片进行合成得到室内全景图像。
步骤S5，基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度。
区域检测模型为卷积神经网络模型，卷积神经网络模型包括卷积神经网络。卷积神经网络模型为人工智能的一种实现方式。卷积神经网络(CNN)可以是多层神经网络(例如，包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元：宽度、高度、深度。在一些实施例中，卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。卷积层可以计算连接到输入中局部区域的神经元的输出，计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。在一些实施例中，区域检测模型可以包括多个输出通道。区域检测模型的输入为所述室内全景图像，区域检测模型的输出为多个待检查区域和所述多个待检查区域的重要程度。
区域检测模型可以通过训练样本来训练得到，训练样本包括样本输入数据和所述样本输入数据对应的标签，训练样本中的样本输入包括样本室内全景图像，训练样本中的样本输出标签为多个样本待检查区域和所述多个样本待检查区域的重要程度。区域检测模型的训练样本的样本输出标签可以通过工作人员进行手动标注得到，例如对样本全景图像进行手动标注，标注出多个样本待检查区域和多个样本待检查区域的重要程度。最后基于所述多个训练样本训练初始的区域检测模型，得到所述区域检测模型。在一些实施例中，可以通过梯度下降法对卷积神经网络模型进行训练得到训练后的卷积神经网络模型。
待检查区域的重要程度表示待检查区域被检查时需要被重点关注的程度。待检查区域的重要程度可以为0-1之间的数值，数值越大，则说明重要程度越大，检查时需要花费的时间越多。例如待检查区域为普通办公区域，其重要程度为0.1，则说明该待检查区域检查时只需要粗略检查一下，又例如待检查区域为零件组装区域，其重要程度为0.5，则说明该待检查区域需要进行一般性检查，又例如待检查区域为精密设备运转时的所在区域，其重要程度为0.8，则说明该待检查区域检查时需要重点细心检查。
步骤S6，基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数。
在一些实施例中，可以将位于所述待检查区域的多个灯作为多个区域照明灯。待检查区域包括一定的面积，若灯位于待检查区域所在的面积内即可认定为位于所述待检查区域，即灯位于待检查区域的上方。区域照明灯用于照亮待检查区域，方便用户进行检查。图3为本发明实施例提供的一种待检查区域和区域照明灯的示意图。如图所示，待检查区域包括待检查区域a、待检查区域b、待检查区域c、待检查区域d、待检查区域e、待检查区域f，位于待检查区域上方的灯则为区域照明灯。
在一些实施例中，还可以将距离待检查区域中心一定阈值的多个灯作为多个区域照明灯。
在一些实施例中，可以基于所述多个待检查区域的重要程度和所述多个区域照明灯的亮度参数的预设关系确定所述多个区域照明灯的亮度参数。多个区域照明灯的亮度参数可以为0-1之间的数值，数值越大，则亮度越高。预设关系可以为待检查区域的重要程度的数值等于待检查区域对应的多个区域照明灯的亮度参数的数值。例如待检查区域的重要程度为0.2，则区域照明灯的亮度参数也为0.2，又例如待检查区域的重要程度为0.6，则区域照明灯的亮度参数也为0.6。即随着待检查区域的重要程度的增高，区域照明灯的亮度参数也增高，这样保证了重要程度越高的区域能够被照得更亮，区域中的细节能够被更加明亮的展示出来，用户检查时可以观察的更仔细，有利于用户及早发现区域中设备的问题，保障了设备的正常运行，也降低了重要程度较低的区域的照明亮度，节约了能源。
步骤S7，基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
在确定了多个行走照明灯及所述多个行走照明灯的亮度参数后，可以基于所述多个行走照明灯及所述多个行走照明灯的亮度参数进行灯光的开启以保障用户行走时的照明。
在确定了多个区域照明灯及所述多个区域照明灯的亮度参数后，可以基于所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光的开启以保障用户进行区域检测时的照明。
该基于人工智能的灯光智能控制方法不需要用户手动开启灯光，提高了用户体验，且根据检查区域的重要程度确定对应的照明亮度，节约了能源。
在一些实施例中，还可以获取室内声音信息，若所述室内声音的分贝大于分贝阈值，则将所述多个行走照明灯的亮度参数和所述多个区域照明灯的亮度参数调节到最大。作为示例，用户若发现检查区域存在问题，则可以通过发出高于分贝阈值的声音以全面提高多个行走照明灯和多个区域照明灯的亮度参数，并进行更加细致的检查。
在一些实施例中，若未检测到用户在室内，则关闭多个行走照明灯和多个区域照明灯。
基于同一发明构思，图4为本发明的实施例提供的一种基于人工智能的灯光智能控制系统示意图，所述基于人工智能的灯光智能控制系统包括：检测模块41，用于检测到用户进入室内后，获取所述用户进入室内后的动作视频；
路径确定模块42，用于基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；
行走照明灯确定模块43，用于基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；
获取模块44，用于获取室内全景图像；
区域确定模块45，用于基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；
区域照明灯确定模块46，用于基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；
灯光控制模块47，用于基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
基于同一发明构思，本发明的实施例提供了一种电子设备，如图5所示，包括：
处理器51；用于存储处理器51中可执行程序指令的存储器52；其中，处理器51被配置为执行以实现如前述提供的一种基于人工智能的灯光智能控制方法，所述方法包括：检测到用户进入室内后，获取所述用户进入室内后的动作视频；基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取室内全景图像；基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器51执行时，使得电子设备能够执行实现如前述提供的基于人工智能的灯光智能控制方法，所述方法包括: 检测到用户进入室内后，获取所述用户进入室内后的动作视频；基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取室内全景图像；基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例所述用户进入室内后的动作视频是指以电信号方式记录的动态影像，由多幅时间上连续的静态图像组成。其中，每一个图像为视频数据的一帧。在一些实施例中，可以通过室内的摄像头获取所述用户进入室内后的动作视频。
步骤S2，基于所述动作视频使用路径预估模型确定所述用户的预估行走路径。
路径预估模型为长短期神经网络模型。长短期神经网络模型为人工智能的一种实现方式。长短期神经网络模型包括长短期神经网络（LSTM，Long Short-Term Memory），长短期神经网络是RNN(Recurrent Neural Network，循环神经网络)中的一种。长短期神经网络模型能够处理任意长度的序列数据，捕捉序列的信息，输出基于序列中前后数据关联关系的结果。通过长短期神经网络模型处理连续时间段的用户进入室内后的动作视频，能够输出得到综合考虑了各个时间点的用户进入室内后的动作视频之间关联关系的特征，使得该输出的特征更加的准确和全面。
路径预估模型的输入包括所述动作视频，所述路径预估模型的输出为所述用户的预估行走路径。
路径预估模型可以通过历史数据中训练样本来训练得到。所述训练样本包括样本输入数据和所述样本输入数据对应的标签，所述样本输入数据为样本动作视频，所述标签为样本用户的预估行走路径。所述训练样本的输出标签可以通过人为标注得到。例如，用户可以对样本动作视频后续的一整段监控视频进行观看，并将样本动作视频后续的行走路径作为标签。作为示例，样本动作视频为3秒，样本动作视频后续的一整段监控视频为5分钟，样本动作视频后续的一整段监控视频包括用户进入室内后的行走路径信息，可以通过人为观看样本动作视频后续的一整段监控视频确定所述样本动作视频后续的行走路径，并将样本动作视频后续的行走路径作为标签。在一些实施例中，可以通过梯度下降法对初始的路径预估模型进行训练得到训练后的路径预估模型。具体的，根据训练样本，构建路径预估模型的损失函数，通过路径预估模型的损失函数调整路径预估模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。
训练完成后，输入所述动作视频到训练完成后的路径预估模型，输出得到所述用户的预估行走路径。
在一些实施例中，路径预估模型包括人脸识别模型和动作识别模型，还可以先基于所述人脸识别模型对动作视频进行处理确定所述用户的身份信息，再基于所述用户的身份信息和所述动作视频使用所述动作识别模型确定所述用户的预估行走路径。
用户身份信息包括用户身份、用户行走习惯、用户性别、工龄等。用户行走习惯表示习惯进门后左转、习惯进门后直行、习惯进门后右转等。
人脸识别模型和动作识别模型都为长短期神经网络模型。通过人脸识别模型先识别出用户身份信息，再根据身份信息和动作视频来判断预估行走路径，可以更好的结合用户不同身份信息对应的行走习惯，更精准的确定预估行走路径。其中人脸识别模型的输入为动作视频，人脸识别模型的输出为用户的身份信息，其中动作识别模型的输入为所述用户的身份信息和所述动作视频，动作识别模型的输出为所述用户的预估行走路径。
步骤S3，基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数。
在一些实施例中，可以将距离所述预估行走路径小于距离阈值的多个灯作为多个行走照明灯。距离阈值可以人为预先设定，例如1米、2米等。若为了更加节约能源，则距离阈值可以设定为1米，若为了照明更加明亮，则距离阈值可以设定为2米。行走照明灯为用来对预估行走路径进行照明的照明灯。在一些实施例中，可以将所述多个行走照明灯的亮度参数设置为最大亮度的百分之三十、百分之四十、一半。在一些实施例中，多个行走照明灯的亮度参数可以为0-1之间的数值，数值越大，则亮度越高。由于行走照明灯不用于设备检查的照明，只需要满足用户行走时的照明要求即可，所以行走照明灯的亮度不需要特别亮，这样节省了能源。图2为本发明实施例提供的一种预估行走路径以及多个行走照明灯的示意图。
在一些实施例中，还可以按照距离排序，将最靠近预估行走路径的多个灯作为多个行走照明灯。例如将距离预估行走路径最近的前三个灯作为多个行走照明灯。
步骤S4，获取室内全景图像。
在一些实施例中，可以通过全景照相机对室内进行拍照得到室内全景图像。在一些实施例中，还可以通过多个摄像头对室内进行拍照得到多个照片，并基于多个照片进行合成得到室内全景图像。
步骤S5，基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度。
区域检测模型为卷积神经网络模型，卷积神经网络模型包括卷积神经网络。卷积神经网络模型为人工智能的一种实现方式。卷积神经网络(CNN)可以是多层神经网络(例如，包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元：宽度、高度、深度。在一些实施例中，卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。卷积层可以计算连接到输入中局部区域的神经元的输出，计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。在一些实施例中，区域检测模型可以包括多个输出通道。区域检测模型的输入为所述室内全景图像，区域检测模型的输出为多个待检查区域和所述多个待检查区域的重要程度。
区域检测模型可以通过训练样本来训练得到，训练样本包括样本输入数据和所述样本输入数据对应的标签，训练样本中的样本输入包括样本室内全景图像，训练样本中的样本输出标签为多个样本待检查区域和所述多个样本待检查区域的重要程度。区域检测模型的训练样本的样本输出标签可以通过工作人员进行手动标注得到，例如对样本全景图像进行手动标注，标注出多个样本待检查区域和多个样本待检查区域的重要程度。最后基于所述多个训练样本训练初始的区域检测模型，得到所述区域检测模型。在一些实施例中，可以通过梯度下降法对卷积神经网络模型进行训练得到训练后的卷积神经网络模型。
待检查区域的重要程度表示待检查区域被检查时需要被重点关注的程度。待检查区域的重要程度可以为0-1之间的数值，数值越大，则说明重要程度越大，检查时需要花费的时间越多。例如待检查区域为普通办公区域，其重要程度为0.1，则说明该待检查区域检查时只需要粗略检查一下，又例如待检查区域为零件组装区域，其重要程度为0.5，则说明该待检查区域需要进行一般性检查，又例如待检查区域为精密设备运转时的所在区域，其重要程度为0.8，则说明该待检查区域检查时需要重点细心检查。
步骤S6，基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数。
在一些实施例中，可以将位于所述待检查区域的多个灯作为多个区域照明灯。待检查区域包括一定的面积，若灯位于待检查区域所在的面积内即可认定为位于所述待检查区域，即灯位于待检查区域的上方。区域照明灯用于照亮待检查区域，方便用户进行检查。图3为本发明实施例提供的一种待检查区域和区域照明灯的示意图。如图所示，待检查区域包括待检查区域a、待检查区域b、待检查区域c、待检查区域d、待检查区域e、待检查区域f，位于待检查区域上方的灯则为区域照明灯。
在一些实施例中，还可以将距离待检查区域中心一定阈值的多个灯作为多个区域照明灯。
在一些实施例中，可以基于所述多个待检查区域的重要程度和所述多个区域照明灯的亮度参数的预设关系确定所述多个区域照明灯的亮度参数。多个区域照明灯的亮度参数可以为0-1之间的数值，数值越大，则亮度越高。预设关系可以为待检查区域的重要程度的数值等于待检查区域对应的多个区域照明灯的亮度参数的数值。例如待检查区域的重要程度为0.2，则区域照明灯的亮度参数也为0.2，又例如待检查区域的重要程度为0.6，则区域照明灯的亮度参数也为0.6。即随着待检查区域的重要程度的增高，区域照明灯的亮度参数也增高，这样保证了重要程度越高的区域能够被照得更亮，区域中的细节能够被更加明亮的展示出来，用户检查时可以观察的更仔细，有利于用户及早发现区域中设备的问题，保障了设备的正常运行，也降低了重要程度较低的区域的照明亮度，节约了能源。
步骤S7，基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
在确定了多个行走照明灯及所述多个行走照明灯的亮度参数后，可以基于所述多个行走照明灯及所述多个行走照明灯的亮度参数进行灯光的开启以保障用户行走时的照明。
在确定了多个区域照明灯及所述多个区域照明灯的亮度参数后，可以基于所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光的开启以保障用户进行区域检测时的照明。
该基于人工智能的灯光智能控制方法不需要用户手动开启灯光，提高了用户体验，且根据检查区域的重要程度确定对应的照明亮度，节约了能源。
在一些实施例中，还可以获取室内声音信息，若所述室内声音的分贝大于分贝阈值，则将所述多个行走照明灯的亮度参数和所述多个区域照明灯的亮度参数调节到最大。作为示例，用户若发现检查区域存在问题，则可以通过发出高于分贝阈值的声音以全面提高多个行走照明灯和多个区域照明灯的亮度参数，并进行更加细致的检查。
在一些实施例中，若未检测到用户在室内，则关闭多个行走照明灯和多个区域照明灯。
基于同一发明构思，图4为本发明的实施例提供的一种基于人工智能的灯光智能控制系统示意图，所述基于人工智能的灯光智能控制系统包括：检测模块41，用于检测到用户进入室内后，获取所述用户进入室内后的动作视频；
路径确定模块42，用于基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；
行走照明灯确定模块43，用于基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；
获取模块44，用于获取室内全景图像；
区域确定模块45，用于基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；
区域照明灯确定模块46，用于基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；
灯光控制模块47，用于基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
基于同一发明构思，本发明的实施例提供了一种电子设备，如图5所示，包括：
处理器51；用于存储处理器51中可执行程序指令的存储器52；其中，处理器51被配置为执行以实现如前述提供的一种基于人工智能的灯光智能控制方法，所述方法包括：检测到用户进入室内后，获取所述用户进入室内后的动作视频；基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取室内全景图像；基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器51执行时，使得电子设备能够执行实现如前述提供的基于人工智能的灯光智能控制方法，所述方法包括: 检测到用户进入室内后，获取所述用户进入室内后的动作视频；基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取室内全景图像；基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例所述用户进入室内后的动作视频是指以电信号方式记录的动态影像，由多幅时间上连续的静态图像组成。其中，每一个图像为视频数据的一帧。在一些实施例中，可以通过室内的摄像头获取所述用户进入室内后的动作视频。
步骤S2，基于所述动作视频使用路径预估模型确定所述用户的预估行走路径。
路径预估模型为长短期神经网络模型。长短期神经网络模型为人工智能的一种实现方式。长短期神经网络模型包括长短期神经网络（LSTM，Long Short-Term Memory），长短期神经网络是RNN(Recurrent Neural Network，循环神经网络)中的一种。长短期神经网络模型能够处理任意长度的序列数据，捕捉序列的信息，输出基于序列中前后数据关联关系的结果。通过长短期神经网络模型处理连续时间段的用户进入室内后的动作视频，能够输出得到综合考虑了各个时间点的用户进入室内后的动作视频之间关联关系的特征，使得该输出的特征更加的准确和全面。
路径预估模型的输入包括所述动作视频，所述路径预估模型的输出为所述用户的预估行走路径。
路径预估模型可以通过历史数据中训练样本来训练得到。所述训练样本包括样本输入数据和所述样本输入数据对应的标签，所述样本输入数据为样本动作视频，所述标签为样本用户的预估行走路径。所述训练样本的输出标签可以通过人为标注得到。例如，用户可以对样本动作视频后续的一整段监控视频进行观看，并将样本动作视频后续的行走路径作为标签。作为示例，样本动作视频为3秒，样本动作视频后续的一整段监控视频为5分钟，样本动作视频后续的一整段监控视频包括用户进入室内后的行走路径信息，可以通过人为观看样本动作视频后续的一整段监控视频确定所述样本动作视频后续的行走路径，并将样本动作视频后续的行走路径作为标签。在一些实施例中，可以通过梯度下降法对初始的路径预估模型进行训练得到训练后的路径预估模型。具体的，根据训练样本，构建路径预估模型的损失函数，通过路径预估模型的损失函数调整路径预估模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。
训练完成后，输入所述动作视频到训练完成后的路径预估模型，输出得到所述用户的预估行走路径。
在一些实施例中，路径预估模型包括人脸识别模型和动作识别模型，还可以先基于所述人脸识别模型对动作视频进行处理确定所述用户的身份信息，再基于所述用户的身份信息和所述动作视频使用所述动作识别模型确定所述用户的预估行走路径。
用户身份信息包括用户身份、用户行走习惯、用户性别、工龄等。用户行走习惯表示习惯进门后左转、习惯进门后直行、习惯进门后右转等。
人脸识别模型和动作识别模型都为长短期神经网络模型。通过人脸识别模型先识别出用户身份信息，再根据身份信息和动作视频来判断预估行走路径，可以更好的结合用户不同身份信息对应的行走习惯，更精准的确定预估行走路径。其中人脸识别模型的输入为动作视频，人脸识别模型的输出为用户的身份信息，其中动作识别模型的输入为所述用户的身份信息和所述动作视频，动作识别模型的输出为所述用户的预估行走路径。
步骤S3，基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数。
在一些实施例中，可以将距离所述预估行走路径小于距离阈值的多个灯作为多个行走照明灯。距离阈值可以人为预先设定，例如1米、2米等。若为了更加节约能源，则距离阈值可以设定为1米，若为了照明更加明亮，则距离阈值可以设定为2米。行走照明灯为用来对预估行走路径进行照明的照明灯。在一些实施例中，可以将所述多个行走照明灯的亮度参数设置为最大亮度的百分之三十、百分之四十、一半。在一些实施例中，多个行走照明灯的亮度参数可以为0-1之间的数值，数值越大，则亮度越高。由于行走照明灯不用于设备检查的照明，只需要满足用户行走时的照明要求即可，所以行走照明灯的亮度不需要特别亮，这样节省了能源。图2为本发明实施例提供的一种预估行走路径以及多个行走照明灯的示意图。
在一些实施例中，还可以按照距离排序，将最靠近预估行走路径的多个灯作为多个行走照明灯。例如将距离预估行走路径最近的前三个灯作为多个行走照明灯。
步骤S4，获取室内全景图像。
在一些实施例中，可以通过全景照相机对室内进行拍照得到室内全景图像。在一些实施例中，还可以通过多个摄像头对室内进行拍照得到多个照片，并基于多个照片进行合成得到室内全景图像。
步骤S5，基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度。
区域检测模型为卷积神经网络模型，卷积神经网络模型包括卷积神经网络。卷积神经网络模型为人工智能的一种实现方式。卷积神经网络(CNN)可以是多层神经网络(例如，包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元：宽度、高度、深度。在一些实施例中，卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。卷积层可以计算连接到输入中局部区域的神经元的输出，计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。在一些实施例中，区域检测模型可以包括多个输出通道。区域检测模型的输入为所述室内全景图像，区域检测模型的输出为多个待检查区域和所述多个待检查区域的重要程度。
区域检测模型可以通过训练样本来训练得到，训练样本包括样本输入数据和所述样本输入数据对应的标签，训练样本中的样本输入包括样本室内全景图像，训练样本中的样本输出标签为多个样本待检查区域和所述多个样本待检查区域的重要程度。区域检测模型的训练样本的样本输出标签可以通过工作人员进行手动标注得到，例如对样本全景图像进行手动标注，标注出多个样本待检查区域和多个样本待检查区域的重要程度。最后基于所述多个训练样本训练初始的区域检测模型，得到所述区域检测模型。在一些实施例中，可以通过梯度下降法对卷积神经网络模型进行训练得到训练后的卷积神经网络模型。
待检查区域的重要程度表示待检查区域被检查时需要被重点关注的程度。待检查区域的重要程度可以为0-1之间的数值，数值越大，则说明重要程度越大，检查时需要花费的时间越多。例如待检查区域为普通办公区域，其重要程度为0.1，则说明该待检查区域检查时只需要粗略检查一下，又例如待检查区域为零件组装区域，其重要程度为0.5，则说明该待检查区域需要进行一般性检查，又例如待检查区域为精密设备运转时的所在区域，其重要程度为0.8，则说明该待检查区域检查时需要重点细心检查。
步骤S6，基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数。
在一些实施例中，可以将位于所述待检查区域的多个灯作为多个区域照明灯。待检查区域包括一定的面积，若灯位于待检查区域所在的面积内即可认定为位于所述待检查区域，即灯位于待检查区域的上方。区域照明灯用于照亮待检查区域，方便用户进行检查。图3为本发明实施例提供的一种待检查区域和区域照明灯的示意图。如图所示，待检查区域包括待检查区域a、待检查区域b、待检查区域c、待检查区域d、待检查区域e、待检查区域f，位于待检查区域上方的灯则为区域照明灯。
在一些实施例中，还可以将距离待检查区域中心一定阈值的多个灯作为多个区域照明灯。
在一些实施例中，可以基于所述多个待检查区域的重要程度和所述多个区域照明灯的亮度参数的预设关系确定所述多个区域照明灯的亮度参数。多个区域照明灯的亮度参数可以为0-1之间的数值，数值越大，则亮度越高。预设关系可以为待检查区域的重要程度的数值等于待检查区域对应的多个区域照明灯的亮度参数的数值。例如待检查区域的重要程度为0.2，则区域照明灯的亮度参数也为0.2，又例如待检查区域的重要程度为0.6，则区域照明灯的亮度参数也为0.6。即随着待检查区域的重要程度的增高，区域照明灯的亮度参数也增高，这样保证了重要程度越高的区域能够被照得更亮，区域中的细节能够被更加明亮的展示出来，用户检查时可以观察的更仔细，有利于用户及早发现区域中设备的问题，保障了设备的正常运行，也降低了重要程度较低的区域的照明亮度，节约了能源。
步骤S7，基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
在确定了多个行走照明灯及所述多个行走照明灯的亮度参数后，可以基于所述多个行走照明灯及所述多个行走照明灯的亮度参数进行灯光的开启以保障用户行走时的照明。
在确定了多个区域照明灯及所述多个区域照明灯的亮度参数后，可以基于所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光的开启以保障用户进行区域检测时的照明。
该基于人工智能的灯光智能控制方法不需要用户手动开启灯光，提高了用户体验，且根据检查区域的重要程度确定对应的照明亮度，节约了能源。
在一些实施例中，还可以获取室内声音信息，若所述室内声音的分贝大于分贝阈值，则将所述多个行走照明灯的亮度参数和所述多个区域照明灯的亮度参数调节到最大。作为示例，用户若发现检查区域存在问题，则可以通过发出高于分贝阈值的声音以全面提高多个行走照明灯和多个区域照明灯的亮度参数，并进行更加细致的检查。
在一些实施例中，若未检测到用户在室内，则关闭多个行走照明灯和多个区域照明灯。
基于同一发明构思，图4为本发明的实施例提供的一种基于人工智能的灯光智能控制系统示意图，所述基于人工智能的灯光智能控制系统包括：检测模块41，用于检测到用户进入室内后，获取所述用户进入室内后的动作视频；
路径确定模块42，用于基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；
行走照明灯确定模块43，用于基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；
获取模块44，用于获取室内全景图像；
区域确定模块45，用于基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；
区域照明灯确定模块46，用于基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；
灯光控制模块47，用于基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
基于同一发明构思，本发明的实施例提供了一种电子设备，如图5所示，包括：
处理器51；用于存储处理器51中可执行程序指令的存储器52；其中，处理器51被配置为执行以实现如前述提供的一种基于人工智能的灯光智能控制方法，所述方法包括：检测到用户进入室内后，获取所述用户进入室内后的动作视频；基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取室内全景图像；基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器51执行时，使得电子设备能够执行实现如前述提供的基于人工智能的灯光智能控制方法，所述方法包括: 检测到用户进入室内后，获取所述用户进入室内后的动作视频；基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取室内全景图像；基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例所述用户进入室内后的动作视频是指以电信号方式记录的动态影像，由多幅时间上连续的静态图像组成。其中，每一个图像为视频数据的一帧。在一些实施例中，可以通过室内的摄像头获取所述用户进入室内后的动作视频。
步骤S2，基于所述动作视频使用路径预估模型确定所述用户的预估行走路径。
路径预估模型为长短期神经网络模型。长短期神经网络模型为人工智能的一种实现方式。长短期神经网络模型包括长短期神经网络（LSTM，Long Short-Term Memory），长短期神经网络是RNN(Recurrent Neural Network，循环神经网络)中的一种。长短期神经网络模型能够处理任意长度的序列数据，捕捉序列的信息，输出基于序列中前后数据关联关系的结果。通过长短期神经网络模型处理连续时间段的用户进入室内后的动作视频，能够输出得到综合考虑了各个时间点的用户进入室内后的动作视频之间关联关系的特征，使得该输出的特征更加的准确和全面。
路径预估模型的输入包括所述动作视频，所述路径预估模型的输出为所述用户的预估行走路径。
路径预估模型可以通过历史数据中训练样本来训练得到。所述训练样本包括样本输入数据和所述样本输入数据对应的标签，所述样本输入数据为样本动作视频，所述标签为样本用户的预估行走路径。所述训练样本的输出标签可以通过人为标注得到。例如，用户可以对样本动作视频后续的一整段监控视频进行观看，并将样本动作视频后续的行走路径作为标签。作为示例，样本动作视频为3秒，样本动作视频后续的一整段监控视频为5分钟，样本动作视频后续的一整段监控视频包括用户进入室内后的行走路径信息，可以通过人为观看样本动作视频后续的一整段监控视频确定所述样本动作视频后续的行走路径，并将样本动作视频后续的行走路径作为标签。在一些实施例中，可以通过梯度下降法对初始的路径预估模型进行训练得到训练后的路径预估模型。具体的，根据训练样本，构建路径预估模型的损失函数，通过路径预估模型的损失函数调整路径预估模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。
训练完成后，输入所述动作视频到训练完成后的路径预估模型，输出得到所述用户的预估行走路径。
在一些实施例中，路径预估模型包括人脸识别模型和动作识别模型，还可以先基于所述人脸识别模型对动作视频进行处理确定所述用户的身份信息，再基于所述用户的身份信息和所述动作视频使用所述动作识别模型确定所述用户的预估行走路径。
用户身份信息包括用户身份、用户行走习惯、用户性别、工龄等。用户行走习惯表示习惯进门后左转、习惯进门后直行、习惯进门后右转等。
人脸识别模型和动作识别模型都为长短期神经网络模型。通过人脸识别模型先识别出用户身份信息，再根据身份信息和动作视频来判断预估行走路径，可以更好的结合用户不同身份信息对应的行走习惯，更精准的确定预估行走路径。其中人脸识别模型的输入为动作视频，人脸识别模型的输出为用户的身份信息，其中动作识别模型的输入为所述用户的身份信息和所述动作视频，动作识别模型的输出为所述用户的预估行走路径。
步骤S3，基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数。
在一些实施例中，可以将距离所述预估行走路径小于距离阈值的多个灯作为多个行走照明灯。距离阈值可以人为预先设定，例如1米、2米等。若为了更加节约能源，则距离阈值可以设定为1米，若为了照明更加明亮，则距离阈值可以设定为2米。行走照明灯为用来对预估行走路径进行照明的照明灯。在一些实施例中，可以将所述多个行走照明灯的亮度参数设置为最大亮度的百分之三十、百分之四十、一半。在一些实施例中，多个行走照明灯的亮度参数可以为0-1之间的数值，数值越大，则亮度越高。由于行走照明灯不用于设备检查的照明，只需要满足用户行走时的照明要求即可，所以行走照明灯的亮度不需要特别亮，这样节省了能源。图2为本发明实施例提供的一种预估行走路径以及多个行走照明灯的示意图。
在一些实施例中，还可以按照距离排序，将最靠近预估行走路径的多个灯作为多个行走照明灯。例如将距离预估行走路径最近的前三个灯作为多个行走照明灯。
步骤S4，获取室内全景图像。
在一些实施例中，可以通过全景照相机对室内进行拍照得到室内全景图像。在一些实施例中，还可以通过多个摄像头对室内进行拍照得到多个照片，并基于多个照片进行合成得到室内全景图像。
步骤S5，基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度。
区域检测模型为卷积神经网络模型，卷积神经网络模型包括卷积神经网络。卷积神经网络模型为人工智能的一种实现方式。卷积神经网络(CNN)可以是多层神经网络(例如，包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元：宽度、高度、深度。在一些实施例中，卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。卷积层可以计算连接到输入中局部区域的神经元的输出，计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。在一些实施例中，区域检测模型可以包括多个输出通道。区域检测模型的输入为所述室内全景图像，区域检测模型的输出为多个待检查区域和所述多个待检查区域的重要程度。
区域检测模型可以通过训练样本来训练得到，训练样本包括样本输入数据和所述样本输入数据对应的标签，训练样本中的样本输入包括样本室内全景图像，训练样本中的样本输出标签为多个样本待检查区域和所述多个样本待检查区域的重要程度。区域检测模型的训练样本的样本输出标签可以通过工作人员进行手动标注得到，例如对样本全景图像进行手动标注，标注出多个样本待检查区域和多个样本待检查区域的重要程度。最后基于所述多个训练样本训练初始的区域检测模型，得到所述区域检测模型。在一些实施例中，可以通过梯度下降法对卷积神经网络模型进行训练得到训练后的卷积神经网络模型。
待检查区域的重要程度表示待检查区域被检查时需要被重点关注的程度。待检查区域的重要程度可以为0-1之间的数值，数值越大，则说明重要程度越大，检查时需要花费的时间越多。例如待检查区域为普通办公区域，其重要程度为0.1，则说明该待检查区域检查时只需要粗略检查一下，又例如待检查区域为零件组装区域，其重要程度为0.5，则说明该待检查区域需要进行一般性检查，又例如待检查区域为精密设备运转时的所在区域，其重要程度为0.8，则说明该待检查区域检查时需要重点细心检查。
步骤S6，基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数。
在一些实施例中，可以将位于所述待检查区域的多个灯作为多个区域照明灯。待检查区域包括一定的面积，若灯位于待检查区域所在的面积内即可认定为位于所述待检查区域，即灯位于待检查区域的上方。区域照明灯用于照亮待检查区域，方便用户进行检查。图3为本发明实施例提供的一种待检查区域和区域照明灯的示意图。如图所示，待检查区域包括待检查区域a、待检查区域b、待检查区域c、待检查区域d、待检查区域e、待检查区域f，位于待检查区域上方的灯则为区域照明灯。
在一些实施例中，还可以将距离待检查区域中心一定阈值的多个灯作为多个区域照明灯。
在一些实施例中，可以基于所述多个待检查区域的重要程度和所述多个区域照明灯的亮度参数的预设关系确定所述多个区域照明灯的亮度参数。多个区域照明灯的亮度参数可以为0-1之间的数值，数值越大，则亮度越高。预设关系可以为待检查区域的重要程度的数值等于待检查区域对应的多个区域照明灯的亮度参数的数值。例如待检查区域的重要程度为0.2，则区域照明灯的亮度参数也为0.2，又例如待检查区域的重要程度为0.6，则区域照明灯的亮度参数也为0.6。即随着待检查区域的重要程度的增高，区域照明灯的亮度参数也增高，这样保证了重要程度越高的区域能够被照得更亮，区域中的细节能够被更加明亮的展示出来，用户检查时可以观察的更仔细，有利于用户及早发现区域中设备的问题，保障了设备的正常运行，也降低了重要程度较低的区域的照明亮度，节约了能源。
步骤S7，基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
在确定了多个行走照明灯及所述多个行走照明灯的亮度参数后，可以基于所述多个行走照明灯及所述多个行走照明灯的亮度参数进行灯光的开启以保障用户行走时的照明。
在确定了多个区域照明灯及所述多个区域照明灯的亮度参数后，可以基于所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光的开启以保障用户进行区域检测时的照明。
该基于人工智能的灯光智能控制方法不需要用户手动开启灯光，提高了用户体验，且根据检查区域的重要程度确定对应的照明亮度，节约了能源。
在一些实施例中，还可以获取室内声音信息，若所述室内声音的分贝大于分贝阈值，则将所述多个行走照明灯的亮度参数和所述多个区域照明灯的亮度参数调节到最大。作为示例，用户若发现检查区域存在问题，则可以通过发出高于分贝阈值的声音以全面提高多个行走照明灯和多个区域照明灯的亮度参数，并进行更加细致的检查。
在一些实施例中，若未检测到用户在室内，则关闭多个行走照明灯和多个区域照明灯。
基于同一发明构思，图4为本发明的实施例提供的一种基于人工智能的灯光智能控制系统示意图，所述基于人工智能的灯光智能控制系统包括：检测模块41，用于检测到用户进入室内后，获取所述用户进入室内后的动作视频；
路径确定模块42，用于基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；
行走照明灯确定模块43，用于基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；
获取模块44，用于获取室内全景图像；
区域确定模块45，用于基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；
区域照明灯确定模块46，用于基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；
灯光控制模块47，用于基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
基于同一发明构思，本发明的实施例提供了一种电子设备，如图5所示，包括：
处理器51；用于存储处理器51中可执行程序指令的存储器52；其中，处理器51被配置为执行以实现如前述提供的一种基于人工智能的灯光智能控制方法，所述方法包括：检测到用户进入室内后，获取所述用户进入室内后的动作视频；基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取室内全景图像；基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器51执行时，使得电子设备能够执行实现如前述提供的基于人工智能的灯光智能控制方法，所述方法包括: 检测到用户进入室内后，获取所述用户进入室内后的动作视频；基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取室内全景图像；基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例所述用户进入室内后的动作视频是指以电信号方式记录的动态影像，由多幅时间上连续的静态图像组成。其中，每一个图像为视频数据的一帧。在一些实施例中，可以通过室内的摄像头获取所述用户进入室内后的动作视频。
步骤S2，基于所述动作视频使用路径预估模型确定所述用户的预估行走路径。
路径预估模型为长短期神经网络模型。长短期神经网络模型为人工智能的一种实现方式。长短期神经网络模型包括长短期神经网络（LSTM，Long Short-Term Memory），长短期神经网络是RNN(Recurrent Neural Network，循环神经网络)中的一种。长短期神经网络模型能够处理任意长度的序列数据，捕捉序列的信息，输出基于序列中前后数据关联关系的结果。通过长短期神经网络模型处理连续时间段的用户进入室内后的动作视频，能够输出得到综合考虑了各个时间点的用户进入室内后的动作视频之间关联关系的特征，使得该输出的特征更加的准确和全面。
路径预估模型的输入包括所述动作视频，所述路径预估模型的输出为所述用户的预估行走路径。
路径预估模型可以通过历史数据中训练样本来训练得到。所述训练样本包括样本输入数据和所述样本输入数据对应的标签，所述样本输入数据为样本动作视频，所述标签为样本用户的预估行走路径。所述训练样本的输出标签可以通过人为标注得到。例如，用户可以对样本动作视频后续的一整段监控视频进行观看，并将样本动作视频后续的行走路径作为标签。作为示例，样本动作视频为3秒，样本动作视频后续的一整段监控视频为5分钟，样本动作视频后续的一整段监控视频包括用户进入室内后的行走路径信息，可以通过人为观看样本动作视频后续的一整段监控视频确定所述样本动作视频后续的行走路径，并将样本动作视频后续的行走路径作为标签。在一些实施例中，可以通过梯度下降法对初始的路径预估模型进行训练得到训练后的路径预估模型。具体的，根据训练样本，构建路径预估模型的损失函数，通过路径预估模型的损失函数调整路径预估模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。
训练完成后，输入所述动作视频到训练完成后的路径预估模型，输出得到所述用户的预估行走路径。
在一些实施例中，路径预估模型包括人脸识别模型和动作识别模型，还可以先基于所述人脸识别模型对动作视频进行处理确定所述用户的身份信息，再基于所述用户的身份信息和所述动作视频使用所述动作识别模型确定所述用户的预估行走路径。
用户身份信息包括用户身份、用户行走习惯、用户性别、工龄等。用户行走习惯表示习惯进门后左转、习惯进门后直行、习惯进门后右转等。
人脸识别模型和动作识别模型都为长短期神经网络模型。通过人脸识别模型先识别出用户身份信息，再根据身份信息和动作视频来判断预估行走路径，可以更好的结合用户不同身份信息对应的行走习惯，更精准的确定预估行走路径。其中人脸识别模型的输入为动作视频，人脸识别模型的输出为用户的身份信息，其中动作识别模型的输入为所述用户的身份信息和所述动作视频，动作识别模型的输出为所述用户的预估行走路径。
步骤S3，基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数。
在一些实施例中，可以将距离所述预估行走路径小于距离阈值的多个灯作为多个行走照明灯。距离阈值可以人为预先设定，例如1米、2米等。若为了更加节约能源，则距离阈值可以设定为1米，若为了照明更加明亮，则距离阈值可以设定为2米。行走照明灯为用来对预估行走路径进行照明的照明灯。在一些实施例中，可以将所述多个行走照明灯的亮度参数设置为最大亮度的百分之三十、百分之四十、一半。在一些实施例中，多个行走照明灯的亮度参数可以为0-1之间的数值，数值越大，则亮度越高。由于行走照明灯不用于设备检查的照明，只需要满足用户行走时的照明要求即可，所以行走照明灯的亮度不需要特别亮，这样节省了能源。图2为本发明实施例提供的一种预估行走路径以及多个行走照明灯的示意图。
在一些实施例中，还可以按照距离排序，将最靠近预估行走路径的多个灯作为多个行走照明灯。例如将距离预估行走路径最近的前三个灯作为多个行走照明灯。
步骤S4，获取室内全景图像。
在一些实施例中，可以通过全景照相机对室内进行拍照得到室内全景图像。在一些实施例中，还可以通过多个摄像头对室内进行拍照得到多个照片，并基于多个照片进行合成得到室内全景图像。
步骤S5，基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度。
区域检测模型为卷积神经网络模型，卷积神经网络模型包括卷积神经网络。卷积神经网络模型为人工智能的一种实现方式。卷积神经网络(CNN)可以是多层神经网络(例如，包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元：宽度、高度、深度。在一些实施例中，卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。卷积层可以计算连接到输入中局部区域的神经元的输出，计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。在一些实施例中，区域检测模型可以包括多个输出通道。区域检测模型的输入为所述室内全景图像，区域检测模型的输出为多个待检查区域和所述多个待检查区域的重要程度。
区域检测模型可以通过训练样本来训练得到，训练样本包括样本输入数据和所述样本输入数据对应的标签，训练样本中的样本输入包括样本室内全景图像，训练样本中的样本输出标签为多个样本待检查区域和所述多个样本待检查区域的重要程度。区域检测模型的训练样本的样本输出标签可以通过工作人员进行手动标注得到，例如对样本全景图像进行手动标注，标注出多个样本待检查区域和多个样本待检查区域的重要程度。最后基于所述多个训练样本训练初始的区域检测模型，得到所述区域检测模型。在一些实施例中，可以通过梯度下降法对卷积神经网络模型进行训练得到训练后的卷积神经网络模型。
待检查区域的重要程度表示待检查区域被检查时需要被重点关注的程度。待检查区域的重要程度可以为0-1之间的数值，数值越大，则说明重要程度越大，检查时需要花费的时间越多。例如待检查区域为普通办公区域，其重要程度为0.1，则说明该待检查区域检查时只需要粗略检查一下，又例如待检查区域为零件组装区域，其重要程度为0.5，则说明该待检查区域需要进行一般性检查，又例如待检查区域为精密设备运转时的所在区域，其重要程度为0.8，则说明该待检查区域检查时需要重点细心检查。
步骤S6，基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数。
在一些实施例中，可以将位于所述待检查区域的多个灯作为多个区域照明灯。待检查区域包括一定的面积，若灯位于待检查区域所在的面积内即可认定为位于所述待检查区域，即灯位于待检查区域的上方。区域照明灯用于照亮待检查区域，方便用户进行检查。图3为本发明实施例提供的一种待检查区域和区域照明灯的示意图。如图所示，待检查区域包括待检查区域a、待检查区域b、待检查区域c、待检查区域d、待检查区域e、待检查区域f，位于待检查区域上方的灯则为区域照明灯。
在一些实施例中，还可以将距离待检查区域中心一定阈值的多个灯作为多个区域照明灯。
在一些实施例中，可以基于所述多个待检查区域的重要程度和所述多个区域照明灯的亮度参数的预设关系确定所述多个区域照明灯的亮度参数。多个区域照明灯的亮度参数可以为0-1之间的数值，数值越大，则亮度越高。预设关系可以为待检查区域的重要程度的数值等于待检查区域对应的多个区域照明灯的亮度参数的数值。例如待检查区域的重要程度为0.2，则区域照明灯的亮度参数也为0.2，又例如待检查区域的重要程度为0.6，则区域照明灯的亮度参数也为0.6。即随着待检查区域的重要程度的增高，区域照明灯的亮度参数也增高，这样保证了重要程度越高的区域能够被照得更亮，区域中的细节能够被更加明亮的展示出来，用户检查时可以观察的更仔细，有利于用户及早发现区域中设备的问题，保障了设备的正常运行，也降低了重要程度较低的区域的照明亮度，节约了能源。
步骤S7，基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
在确定了多个行走照明灯及所述多个行走照明灯的亮度参数后，可以基于所述多个行走照明灯及所述多个行走照明灯的亮度参数进行灯光的开启以保障用户行走时的照明。
在确定了多个区域照明灯及所述多个区域照明灯的亮度参数后，可以基于所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光的开启以保障用户进行区域检测时的照明。
该基于人工智能的灯光智能控制方法不需要用户手动开启灯光，提高了用户体验，且根据检查区域的重要程度确定对应的照明亮度，节约了能源。
在一些实施例中，还可以获取室内声音信息，若所述室内声音的分贝大于分贝阈值，则将所述多个行走照明灯的亮度参数和所述多个区域照明灯的亮度参数调节到最大。作为示例，用户若发现检查区域存在问题，则可以通过发出高于分贝阈值的声音以全面提高多个行走照明灯和多个区域照明灯的亮度参数，并进行更加细致的检查。
在一些实施例中，若未检测到用户在室内，则关闭多个行走照明灯和多个区域照明灯。
基于同一发明构思，图4为本发明的实施例提供的一种基于人工智能的灯光智能控制系统示意图，所述基于人工智能的灯光智能控制系统包括：检测模块41，用于检测到用户进入室内后，获取所述用户进入室内后的动作视频；
路径确定模块42，用于基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；
行走照明灯确定模块43，用于基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；
获取模块44，用于获取室内全景图像；
区域确定模块45，用于基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；
区域照明灯确定模块46，用于基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；
灯光控制模块47，用于基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
基于同一发明构思，本发明的实施例提供了一种电子设备，如图5所示，包括：
处理器51；用于存储处理器51中可执行程序指令的存储器52；其中，处理器51被配置为执行以实现如前述提供的一种基于人工智能的灯光智能控制方法，所述方法包括：检测到用户进入室内后，获取所述用户进入室内后的动作视频；基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取室内全景图像；基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器51执行时，使得电子设备能够执行实现如前述提供的基于人工智能的灯光智能控制方法，所述方法包括: 检测到用户进入室内后，获取所述用户进入室内后的动作视频；基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；获取室内全景图像；基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种基于人工智能的灯光智能控制方法，其特征在于，包括：
检测到用户进入室内后，获取所述用户进入室内后的动作视频；
基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；
基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；
获取室内全景图像；
基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；
基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；
基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
2.如权利要求1所述的基于人工智能的灯光智能控制方法，其特征在于，所述路径预估模型包括人脸识别模型和动作识别模型，所述基于所述动作视频使用路径预估模型确定所述用户的预估行走路径包括：基于所述人脸识别模型对动作视频进行处理确定所述用户的身份信息，基于所述用户的身份信息和所述动作视频使用所述动作识别模型确定所述用户的预估行走路径。
3.如权利要求1所述的基于人工智能的灯光智能控制方法，其特征在于，所述基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数，包括：将距离所述预估行走路径小于距离阈值的多个灯作为多个行走照明灯，并将所述多个行走照明灯的亮度参数设置为最大亮度的一半。
4.如权利要求1所述的基于人工智能的灯光智能控制方法，其特征在于，所述基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数，包括：将位于所述待检查区域的多个灯作为多个区域照明灯，并基于所述多个待检查区域的重要程度和所述多个区域照明灯的亮度参数的预设关系确定所述多个区域照明灯的亮度参数。
5.如权利要求1所述的基于人工智能的灯光智能控制方法，其特征在于，所述区域检测模型为卷积神经网络模型，所述区域检测模型通过训练过程获取，所述训练过程包括：获取多个训练样本，所述训练样本包括样本输入数据和所述样本输入数据对应的标签，所述样本输入数据为样本室内全景图像，所述标签为多个样本待检查区域和所述多个样本待检查区域的重要程度；基于所述多个训练样本训练初始的区域检测模型，得到所述区域检测模型。
6.如权利要求1所述的基于人工智能的灯光智能控制方法，其特征在于，所述方法还包括：获取室内声音信息，若所述室内声音的分贝大于分贝阈值，则将所述多个行走照明灯的亮度参数和所述多个区域照明灯的亮度参数调节到最大。
7.一种基于人工智能的灯光智能控制系统，其特征在于，包括：
检测模块，用于检测到用户进入室内后，获取所述用户进入室内后的动作视频；
路径确定模块，用于基于所述动作视频使用路径预估模型确定所述用户的预估行走路径；
行走照明灯确定模块，用于基于所述预估行走路径确定所述预估行走路径对应的多个行走照明灯及所述多个行走照明灯的亮度参数；
获取模块，用于获取室内全景图像；
区域确定模块，用于基于所述室内全景图像使用区域检测模型确定多个待检查区域和所述多个待检查区域的重要程度；
区域照明灯确定模块，用于基于所述多个待检查区域和所述多个待检查区域的重要程度确定所述多个待检查区域对应的多个区域照明灯及所述多个区域照明灯的亮度参数；
灯光控制模块，用于基于所述多个行走照明灯及所述多个行走照明灯的亮度参数、所述多个区域照明灯及所述多个区域照明灯的亮度参数进行灯光控制。
8.如权利要求7所述的基于人工智能的灯光智能控制系统，其特征在于，所述路径预估模型包括人脸识别模型和动作识别模型，所述路径确定模块还用于基于所述人脸识别模型对动作视频进行处理确定所述用户的身份信息，基于所述用户的身份信息和所述动作视频使用所述动作识别模型确定所述用户的预估行走路径。
9.一种电子设备，其特征在于，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1至6任一项所述的基于人工智能的灯光智能控制方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6任一项所述的基于人工智能的灯光智能控制方法对应的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310259283.0A CN115988714B (zh) | 2023-03-17 | 2023-03-17 | 一种基于人工智能的灯光智能控制方法、系统、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310259283.0A CN115988714B (zh) | 2023-03-17 | 2023-03-17 | 一种基于人工智能的灯光智能控制方法、系统、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115988714A true CN115988714A (zh) | 2023-04-18 |
| CN115988714B CN115988714B (zh) | 2023-10-13 |
Family
ID=85968468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310259283.0A Active CN115988714B (zh) | 2023-03-17 | 2023-03-17 | 一种基于人工智能的灯光智能控制方法、系统、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115988714B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116600448A (zh) * | 2023-05-29 | 2023-08-15 | 深圳市帝狼光电有限公司 | 一种壁挂灯的控制方法、控制装置及壁挂灯 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017073360A (ja) * | 2015-10-09 | 2017-04-13 | パナソニックＩｐマネジメント株式会社 | 照明システム及び照明方法 |
| CN108966461A (zh) * | 2018-07-31 | 2018-12-07 | 芜湖通全科技有限公司 | 一种基于计算机技术的工厂车间灯光控制系统 |
| CN110167243A (zh) * | 2019-06-17 | 2019-08-23 | 青岛亿联客信息技术有限公司 | 智能灯具控制方法、装置、系统及计算机可读存储设备 |
| CN110191560A (zh) * | 2019-06-21 | 2019-08-30 | 安徽莱茵河科创服务有限公司 | 一种基于物联网的工厂节能环保系统 |
| CN110572919A (zh) * | 2019-09-18 | 2019-12-13 | 北京李尔岱摩斯汽车系统有限公司 | 车间触摸灯控制系统 |
| US20200229285A1 (en) * | 2017-07-18 | 2020-07-16 | Signify Holding B.V. | Sensor control device |
| CN111556632A (zh) * | 2020-05-22 | 2020-08-18 | 广东启源建筑工程设计院有限公司 | 一种感应灯的控制方法以及控制系统 |
| CN111798341A (zh) * | 2020-06-30 | 2020-10-20 | 深圳市幸福人居建筑科技有限公司 | 一种绿色物业管理方法、系统计算机设备及其存储介质 |
| CN114158161A (zh) * | 2021-11-25 | 2022-03-08 | 深圳市正源环境科技有限公司 | 无尘车间环境监控方法、系统以及电子设备 |
-
2023
- 2023-03-17 CN CN202310259283.0A patent/CN115988714B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017073360A (ja) * | 2015-10-09 | 2017-04-13 | パナソニックＩｐマネジメント株式会社 | 照明システム及び照明方法 |
| US20200229285A1 (en) * | 2017-07-18 | 2020-07-16 | Signify Holding B.V. | Sensor control device |
| CN108966461A (zh) * | 2018-07-31 | 2018-12-07 | 芜湖通全科技有限公司 | 一种基于计算机技术的工厂车间灯光控制系统 |
| CN110167243A (zh) * | 2019-06-17 | 2019-08-23 | 青岛亿联客信息技术有限公司 | 智能灯具控制方法、装置、系统及计算机可读存储设备 |
| CN110191560A (zh) * | 2019-06-21 | 2019-08-30 | 安徽莱茵河科创服务有限公司 | 一种基于物联网的工厂节能环保系统 |
| CN110572919A (zh) * | 2019-09-18 | 2019-12-13 | 北京李尔岱摩斯汽车系统有限公司 | 车间触摸灯控制系统 |
| CN111556632A (zh) * | 2020-05-22 | 2020-08-18 | 广东启源建筑工程设计院有限公司 | 一种感应灯的控制方法以及控制系统 |
| CN111798341A (zh) * | 2020-06-30 | 2020-10-20 | 深圳市幸福人居建筑科技有限公司 | 一种绿色物业管理方法、系统计算机设备及其存储介质 |
| CN114158161A (zh) * | 2021-11-25 | 2022-03-08 | 深圳市正源环境科技有限公司 | 无尘车间环境监控方法、系统以及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 于洪光: "基于经纬度的厂区照明智能控制系统研究", 《中国设备工程》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116600448A (zh) * | 2023-05-29 | 2023-08-15 | 深圳市帝狼光电有限公司 | 一种壁挂灯的控制方法、控制装置及壁挂灯 |
| CN116600448B (zh) * | 2023-05-29 | 2024-02-13 | 深圳市帝狼光电有限公司 | 一种壁挂灯的控制方法、控制装置及壁挂灯 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115988714B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110249622B (zh) | 实时的语义感知的相机曝光控制 | |
| CN108197546B (zh) | 人脸识别中光照处理方法、装置、计算机设备及存储介质 | |
| CN104586364B (zh) | 一种肤质检测系统及方法 | |
| US10474903B2 (en) | Video segmentation using predictive models trained to provide aesthetic scores | |
| US8890959B2 (en) | Configuration of image capturing settings | |
| CN108881710A (zh) | 图像处理方法、装置和系统及存储介质 | |
| CN105260731A (zh) | 一种基于光脉冲的人脸活体检测系统及方法 | |
| CN110663045A (zh) | 数字图像的自动曝光调整 | |
| CN115184359A (zh) | 一种自动调参的表面缺陷检测系统与方法 | |
| CN104137529A (zh) | 用于数字摄影的焦点、曝光和白平衡的增强型自动调节的方法和装置 | |
| CN115988714A (zh) | 一种基于人工智能的灯光智能控制方法、系统、设备和介质 | |
| CN107404628A (zh) | 图像处理装置及方法以及监视系统 | |
| CN114119489A (zh) | 一种电连接器多余物及缩针倒针缺陷自动化检测方法 | |
| CN113596344A (zh) | 拍摄处理方法、装置、电子设备和可读存储介质 | |
| CN111654643A (zh) | 曝光参数确定方法、装置、无人机和计算机可读存储介质 | |
| CN113128522B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
| JP2016122905A (ja) | 画像処理装置、画像処理方法及びプログラム | |
| US11047807B2 (en) | Defect detection | |
| CN113067980A (zh) | 图像采集方法、装置、电子设备及存储介质 | |
| Cao et al. | Learning-based low-illumination image enhancer for underwater live crab detection | |
| US20240212309A1 (en) | Electronic apparatus, controlling method of electronic apparatus, and computer readable medium | |
| CN116188846A (zh) | 一种基于振动图像的设备故障检测方法及装置 | |
| CN109982051A (zh) | 具有动物识别功能的监控摄像方法和监控相机 | |
| CN113239756A (zh) | 基于目标识别的自动白平衡方法及装置 | |
| CN110189360A (zh) | 一种对特定目标的识别跟踪方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230919 Address after: 518000 Shangyou Mansion 305-306, Shangyou Village, Yousong Community, Longhua Street, Longhua District, Shenzhen City, Guangdong Province Applicant after: Shenzhen mingxincheng Lighting Technology Co.,Ltd. Address before: No. 324 Huixiang Road, Xinfan Street, Xindu District, Chengdu City, Sichuan Province, 610000 Applicant before: Chengdu Daqianyan Software Development Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |