CN116152746B - 一种设备节能控制方法、装置、设备及可读存储介质 - Google Patents

一种设备节能控制方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN116152746B
CN116152746B CN202310348544.6A CN202310348544A CN116152746B CN 116152746 B CN116152746 B CN 116152746B CN 202310348544 A CN202310348544 A CN 202310348544A CN 116152746 B CN116152746 B CN 116152746B
Authority
CN
China
Prior art keywords
pedestrian
image
information
historical
pyramid
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
CN202310348544.6A
Other languages
English (en)
Other versions
CN116152746A (zh
Inventor
徐娜
仲静静
高会娟
马玉英
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.)
Shandong Engineering Vocational and Technical University
Original Assignee
Shandong Engineering Vocational and Technical University
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 Shandong Engineering Vocational and Technical University filed Critical Shandong Engineering Vocational and Technical University
Priority to CN202310348544.6A priority Critical patent/CN116152746B/zh
Publication of CN116152746A publication Critical patent/CN116152746A/zh
Application granted granted Critical
Publication of CN116152746B publication Critical patent/CN116152746B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种设备节能控制方法、装置、设备及可读存储介质，所述方法包括：获取第一数据、第二数据和第三数据；利用历史行人图像构建行人信息识别模型，并将每张当前行人图像输入行人信息识别模型，得到多个当前行人信息；根据每个当前行人信息对路灯的亮度进行调整，得到多个第一调整亮度，利用聚类算法对所有的第一调整亮度进行处理，得到第二调整亮度，并根据当前的天气情况对第二调整亮度进行调整，得到第三调整亮度；发送控制命令，控制命令包括控制路灯以第三调整亮度进行照明的命令。利用本发明中的方法可以在降低路灯的用电量，降低能源的使用量的同时，保证行人的安全行走。

Description

一种设备节能控制方法、装置、设备及可读存储介质
技术领域
本发明涉及节能技术领域，具体而言，涉及一种设备节能控制方法、装置、设备及可读存储介质。
背景技术
目前，为了提高居民生活环境，大量的公园也随之建设起来，虽然公园的建设可以提高居民的幸福生活指数，但是同时也会导致能源的大量利用，尤其是在夜晚时，需要大量的路灯进行照明，而有些公园在夜晚时，经过的行人并不是很多，若一直保持一个高亮度进行照明则会比较浪费能源，若一直保持一个低亮度照明则可能会存在行人行走安全问题。
发明内容
本发明的目的在于提供一种设备节能控制方法、装置、设备及可读存储介质，以改善上述问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了一种设备节能控制方法，所述方法包括：
获取第一数据、第二数据和第三数据，所述第一数据包括在预设时段内公园的当前行人图像集合，当前行人为在路灯前方的行人，所述当前行人图像集合中包括至少四张当前行人图像，每张当前行人图像的采集角度不同；所述第二数据包括当前的天气情况；所述第三数据包括在预设时段内公园的历史行人图像；
利用所述历史行人图像构建行人信息识别模型，并将每张所述当前行人图像输入所述行人信息识别模型，得到多个当前行人信息；
根据每个所述当前行人信息对路灯的亮度进行调整，得到多个第一调整亮度，利用聚类算法对所有的第一调整亮度进行处理，得到第二调整亮度，并根据所述当前的天气情况对所述第二调整亮度进行调整，得到第三调整亮度；
发送控制命令，所述控制命令包括控制所述路灯以所述第三调整亮度进行照明的命令。
第二方面，本申请实施例提供了一种设备节能控制装置，所述装置包括获取模块、构建模块、调整模块和控制模块。
获取模块，用于获取第一数据、第二数据和第三数据，所述第一数据包括在预设时段内公园的当前行人图像集合，当前行人为在路灯前方的行人，所述当前行人图像集合中包括至少四张当前行人图像，每张当前行人图像的采集角度不同；所述第二数据包括当前的天气情况；所述第三数据包括在预设时段内公园的历史行人图像；
构建模块，用于利用所述历史行人图像构建行人信息识别模型，并将每张所述当前行人图像输入所述行人信息识别模型，得到多个当前行人信息；
调整模块，用于根据每个所述当前行人信息对路灯的亮度进行调整，得到多个第一调整亮度，利用聚类算法对所有的第一调整亮度进行处理，得到第二调整亮度，并根据所述当前的天气情况对所述第二调整亮度进行调整，得到第三调整亮度；
控制模块，用于发送控制命令，所述控制命令包括控制所述路灯以所述第三调整亮度进行照明的命令。
第三方面，本申请实施例提供了一种设备节能控制设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述设备节能控制方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述设备节能控制方法的步骤。
本发明的有益效果为：
1、在本发明中，首先对历史行人图像进行了图像优化处理，优化处理后进行了分割处理，分割处理后再进行标注训练；通过此种方法可以提高图像的质量，提高训练的准确性，同时对其进行分割后，可以降低系统处理的数据量，提高模型训练的速度。
2、本发明在进行标注的时候，考虑到不同的年龄段，行走需要的环境并不相同，因此对行人的年龄信息进行了标注，同时还考虑到有特殊人群的情况下，行走环境会更加苛刻，因此还对特殊人群进行了标注；最终在计算得到的多个第一调整亮度的基础上，还利用聚类算法删除掉了异常的数据，通过此种方法使最终计算得到的第二调整亮度更加准确。
3、在本发明中，考虑到公园中，行走的行人并不相同，有些公园行人较多，公园中的路灯则可以保持一个正常的亮度，但有些公园行人并不是很多，若还是保持一个正常的亮度，会造成大量能源的浪费，因此本发明中，公园中的路灯可以保持一个较低的亮度，然后再根据行人的信息对其进行调整，避免了一直高亮度照明的情况，通过本发明中的方法可以在降低路灯的用电量，降低能源的使用量的同时，保证行人的安全行走。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中所述的设备节能控制方法流程示意图；
图2是本发明实施例中所述的设备节能控制装置结构示意图；
图3是本发明实施例中所述的设备节能控制设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
如图1所示，本实施例提供了一种设备节能控制方法，该方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取第一数据、第二数据和第三数据，所述第一数据包括在预设时段内公园的当前行人图像集合，当前行人为在路灯前方的行人，所述当前行人图像集合中包括至少四张当前行人图像，每张当前行人图像的采集角度不同；所述第二数据包括当前的天气情况；所述第三数据包括在预设时段内公园的历史行人图像；
在本步骤中，预设时间段为需要路灯进行照明的时分，具体的预设时间段可以根据用户的需求进行设定，例如可以为傍晚18点到早上6点；同时，在本步骤中，考虑到若只采集一张行人图像，可能会出现因为角度原因导致最终信息识别不准确的情况，因此本步骤中采集了至少4个角度的行人图像；
步骤S2、利用所述历史行人图像构建行人信息识别模型，并将每张所述当前行人图像输入所述行人信息识别模型，得到多个当前行人信息；
在本步骤中考虑到采集的历史行人图像可能会因为天气原因存在不清楚的问题，因此本步骤中对采集的历史行人图像进行了图像优化，优化后的图像更加清楚，更能反应包含的行人信息；在本步骤中具体的优化步骤包括步骤S21和步骤S22；
步骤S21、采用高斯-拉普拉斯金字塔分解方法对每张历史行人图像进行分解，得到具有N层高斯子图像的高斯金字塔和具有G层拉普拉斯子图像的拉普拉斯金字塔，计算每层高斯子图像对应的邻域标准差；
步骤S22、将所有的所述邻域标准差组合成新的金字塔，对新的金字塔进行归一化处理，得到处理后的金字塔，基于所述处理后的金字塔完成对所述历史行人图像的优化，得到优化后的历史行人图像，对所述优化后的历史行人图像进行行人信息标注，所述行人信息标注包括年龄信息标注和特殊人群信息标注，得到第一图像，基于所述第一图像对卷积神经网络模型进行训练，得到行人识别模型，所述特殊人群信息包括坐轮椅和坐婴儿车的行人。
在本步骤中，将每层对应的邻域标准差进行组合得到新的金字塔可以看做是标准金字塔；同时，在本步骤中，不仅对年龄信息进行了标注，考虑到公园中还经常有老人小孩来游玩，因此还对特殊人群信息进行了标注，通过此种方式，可以尽可能的获取到更多的行人信息，从而更加有针对性的调整路灯亮度；
在本步骤中，得到第一图像的具体实现步骤包括步骤S221、步骤S222和步骤S223；
步骤S221、将所述处理后的金字塔的第J层与拉普拉斯金字塔的第J层进行乘积计算，基于所有的乘积计算结果构成另一金字塔，对所述另一金字塔进行图像重构，得到优化后的历史行人图像，N、G和J均为正整数；
将所述处理后的金字塔的第J层与拉普拉斯金字塔的第J层进行乘积计算，可以理解为对拉普拉斯金字塔的每一层进行降噪处理，将新的金字塔作为金字塔降噪强度的参考，对不同层的噪声进行抑制，使得在利用高斯-拉普拉斯金字塔分解方法对细节进行增强时，还可以对噪声进行抑制，从而提高了历史图像的信噪比，提高了历史图像的显示效果；
步骤S222、利用拉普拉斯算子对所述优化后的历史行人图像进行处理，得到包含行人图像的区域，并利用膨胀算法对所述历史行人图像进行处理，得到第二图像，并对第二图像进行连通区域检测，得到行人图像的边框范围；
在本步骤中，对历史行人图像进行优化之后，考虑到只需要行人图像即可完成标注和模型训练，因为本步骤对优化后的历史行人图像进行了分割，分割之后的图像大小更小，可以大大的减少了系统处理数据的计算量，也可以使得训练更加快速，进而提高训练的效率；
步骤S223、根据所述区域和所述边框范围对所述优化后的历史行人图像进行分割，得到分割后的历史行人图像，对分割后的历史行人图像进行年龄信息标注和特殊人群信息标注，得到第一图像，其中，若历史行人图像中包含一个行人，则对此行人进行年龄信息标注，若历史行人图像中包含多个行人，则将每个行人的年龄标注后进行年龄均值计算，将均值作为年龄信息。
在本步骤中首先确定历史行人图像中包含行人的区域，以及确定行人的边框范围，最后根据边框范围以及区域，对优化后的历史行人图像进行分割，得到分割后的历史行人图像；
在本步骤中，得到行人识别模型的具体实现步骤包括步骤S224和步骤S225；
步骤S224、利用第一图像对卷积神经网络模型进行训练，其中，将所述第一图像输入卷积神经网络模型中，根据卷积神经网络模型输出的年龄信息、标注的年龄信息和预设的第一损失函数计算得到第一损失值，根据卷积神经网络模型输出的特殊人群信息、标注的特殊人群信息和预设的第二损失函数计算得到第二损失值，所述第一损失函数为softmax损失函数或sigmoid损失函数，所述第一损失函数与所述第二损失函数相同；
在本步骤中，神经网络模型还可以为循环神经网络等，在训练过程中还可以采用反向传播算法和梯度下降法对网络参数进行调整；第二损失函数也可以为softmax损失函数或sigmoid损失函数；
步骤S225、当所述第一损失值和第二损失值均小于等于各自对应的第一预设阈值时，停止训练，得到所述行人识别模型。
在本步骤中，当所述第一损失值小于等于其对应的阈值，所述第二损失值小于等于其对应的阈值时，则可以停止训练；除了上述的训练方法之外，本实施例还提供了一种训练方法：
利用CART算法对所述第一图像进行处理，得到CART决策树，对所述CART决策树进行随机剪枝处理并确定所述CART决策树的常量，得到初步子决策树；
基于所述初步子决策树和基尼指数计算方法得到最优的子决策树，基于所述最优的子决策树得到包含所述最优子决策树及其对应的目标常数的行人信息识别模型。
通过上述步骤得到多个当前行人信息之后，则根据步骤S3的方法进行亮度计算；
步骤S3、根据每个所述当前行人信息对路灯的亮度进行调整，得到多个第一调整亮度，利用聚类算法对所有的第一调整亮度进行处理，得到第二调整亮度，并根据所述当前的天气情况对所述第二调整亮度进行调整，得到第三调整亮度；
在本步骤中，根据每个当前行人信息均可计算得到一个第一调整亮度，具体的调整步骤包括步骤S31和步骤S32；
步骤S31、获取路灯当前亮度；
在本步骤中，考虑到没有行人时，路灯亮着会造成能源的浪费，因此路灯当前的亮度可以设置得低一点，当有行人行走时，再根据行人信息进行调整，通过此种方法可以尽可能的节省路灯的用电量；
步骤S32、对每个所述当前行人信息进行分析，分析其年龄信息；基于当前行人的年龄信息和预设的亮度调整表对路灯的亮度进行调整，得到初步调整后的亮度，所述亮度调整表中不同的年龄信息对应有不同的亮度；同时对所述当前行人信息进行分析，分析其包含的特殊人群，其中，若包含有特殊人群，则在初步调整后的亮度的基础上加上预设的第一亮度，得到第一调整亮度，若不包含则将所述初步调整后的亮度作为第一调整亮度。
在本步骤中，预设的亮度调整表可以是用户事先设置好的；
在本步骤中，路灯可以事先设置一个亮度，此亮度不必太亮，然后首先根据不同年龄信息先对亮度进行调整，再根据是否含有特殊人群再进行调整，通过此种调整方法可以尽可能的节省用电量，同时尽可能的保证行人的安全；
在本步骤中，由于采集的当前行人图像是从不同的角度采集的，因此在计算出每个第一调整亮度之后，本步骤利用聚类算法对其进行了处理，筛选出第一调整亮度中的异常数据，通过此种方式，可以保证最终的第一调整亮度的准确性，具体的实现步骤包括步骤S33和步骤S34；
步骤S33、将所有的第一调整亮度进行集合，得到第一集合，利用K-Means聚类算法对所有的第一调整亮度进行聚类处理，得到多个聚类类别；计算每个聚类类别中包含的第一调整亮度个数，得到第一计算结果，并根据所述第一计算结果计算每个聚类类别中包含的数据对的个数，得到第二计算结果；同时利用余弦距离算法计算在每个聚类类别中，任意两个第一调整亮度之间的相似度，得到第三计算结果，将所述第三计算结果与第二预设阈值进行比较，若所述第三计算结果小于所述第二预设阈值，则将这两个第一调整亮度进行组合，并记为第一组合；
在本步骤中除了K-Means聚类算法进行处理之外，还可以采用其他的聚类算法；同时除了利用余弦距离算法计算相似度之外，还可以采用欧式距离算法计算数据之间的相似度；
步骤S34、计算每个聚类类别中包含的第一组合的个数，得到第四计算结果，将所述第四计算结果除以所述第二计算结果，得到第五计算结果；将每个聚类类别对应的所述第五计算结果与第三预设阈值进行比较，当所述第五计算结果大于所述第三预设阈值，则将此聚类类别对应的第一调整亮度从所述第一集合中删除，将所述第一集合中剩余的第一调整亮度进行均值计算，得到第二调整亮度；对当前的天气情况进行分析，其中，分析当前是否下雨，若下雨则在第二调整亮度的基础上加上预设的第二亮度，得到第三调整亮度，否则则直接将所述第二调整亮度作为第三调整亮度。
在本步骤中，考虑到如果下雨天气行人行驶相较于未下雨的天气更加困难，因此在第二调整亮度的基础上揉入了天气因素，通过此种方式可以在尽量节能的情况下，保障行人安全；
步骤S4、发送控制命令，所述控制命令包括控制所述路灯以所述第三调整亮度进行照明的命令。
在本实施例中，首先对历史行人图像进行了图像优化处理，优化处理后进行了分割处理，分割处理后再进行标注训练；通过此种方法可以提高图像的质量，提高训练的准确性，同时对其进行分割后，可以降低系统处理的数据量，提高模型训练的速度；在进行标注的时候，考虑到不同的年龄段，行走需要的环境并不相同，因此对行人的年龄信息进行了标注，同时还考虑到有特殊人群的情况下，行走环境会更加苛刻，因此还对特殊人群进行了标注；最终在计算得到的多个第一调整亮度的基础上，还利用聚类算法删除掉了异常的数据，通过此种方法使最终计算得到的第二调整亮度更加准确。同时，本实施例中，考虑到公园中，行走的行人并不相同，有些公园行人较多，公园中的路灯则可以保持一个正常的亮度，但有些公园行人并不是很多，若还是保持一个正常的亮度，会造成大量能源的浪费，因此本实施例中，公园中的路灯可以保持一个较低的亮度，然后再根据行人的信息对其进行调整，避免了一直高亮度照明的情况，通过本实施例中的方法可以在降低路灯的用电量，降低能源的使用量的同时，保证行人的安全行走。
实施例2
如图2所示，本实施例提供了一种设备节能控制装置，所述装置包括获取模块701、构建模块702、调整模块703和控制模块704。
获取模块701，用于获取第一数据、第二数据和第三数据，所述第一数据包括在预设时段内公园的当前行人图像集合，当前行人为在路灯前方的行人，所述当前行人图像集合中包括至少四张当前行人图像，每张当前行人图像的采集角度不同；所述第二数据包括当前的天气情况；所述第三数据包括在预设时段内公园的历史行人图像；
构建模块702，用于利用所述历史行人图像构建行人信息识别模型，并将每张所述当前行人图像输入所述行人信息识别模型，得到多个当前行人信息；
调整模块703，用于根据每个所述当前行人信息对路灯的亮度进行调整，得到多个第一调整亮度，利用聚类算法对所有的第一调整亮度进行处理，得到第二调整亮度，并根据所述当前的天气情况对所述第二调整亮度进行调整，得到第三调整亮度；
控制模块704，用于发送控制命令，所述控制命令包括控制所述路灯以所述第三调整亮度进行照明的命令。
在本公开的一种具体实施方式中，所述构建模块702，还包括分解单元7021和训练单元7022。
分解单元7021，用于采用高斯-拉普拉斯金字塔分解方法对每张历史行人图像进行分解，得到具有N层高斯子图像的高斯金字塔和具有G层拉普拉斯子图像的拉普拉斯金字塔，计算每层高斯子图像对应的邻域标准差；
训练单元7022，用于将所有的所述邻域标准差组合成新的金字塔，对新的金字塔进行归一化处理，得到处理后的金字塔，基于所述处理后的金字塔完成对所述历史行人图像的优化，得到优化后的历史行人图像，对所述优化后的历史行人图像进行行人信息标注，所述行人信息标注包括年龄信息标注和特殊人群信息标注，得到第一图像，基于所述第一图像对卷积神经网络模型进行训练，得到行人识别模型，所述特殊人群信息包括坐轮椅和坐婴儿车的行人。
在本公开的一种具体实施方式中，所述训练单元7022，还包括第一计算单元70221、第二计算单元70222和第三计算单元70223。
第一计算单元70221，用于将所述处理后的金字塔的第J层与拉普拉斯金字塔的第J层进行乘积计算，基于所有的乘积计算结果构成另一金字塔，对所述另一金字塔进行图像重构，得到优化后的历史行人图像，N、G和J均为正整数；
第二计算单元70222，用于利用拉普拉斯算子对所述优化后的历史行人图像进行处理，得到包含行人图像的区域，并利用膨胀算法对所述历史行人图像进行处理，得到第二图像，并对第二图像进行连通区域检测，得到行人图像的边框范围；
第三计算单元70223，用于根据所述区域和所述边框范围对所述优化后的历史行人图像进行分割，得到分割后的历史行人图像，对分割后的历史行人图像进行年龄信息标注和特殊人群信息标注，得到第一图像，其中，若历史行人图像中包含一个行人，则对此行人进行年龄信息标注，若历史行人图像中包含多个行人，则将每个行人的年龄标注后进行年龄均值计算，将均值作为年龄信息。
在本公开的一种具体实施方式中，所述训练单元7022，还包括输入单元70224和第四计算单元70225。
输入单元70224，用于利用第一图像对卷积神经网络模型进行训练，其中，将所述第一图像输入卷积神经网络模型中，根据卷积神经网络模型输出的年龄信息、标注的年龄信息和预设的第一损失函数计算得到第一损失值，根据卷积神经网络模型输出的特殊人群信息、标注的特殊人群信息和预设的第二损失函数计算得到第二损失值，所述第一损失函数为softmax损失函数或sigmoid损失函数，所述第一损失函数与所述第二损失函数相同；
第四计算单元70225，用于当所述第一损失值和第二损失值均小于等于各自对应的第一预设阈值时，停止训练，得到所述行人识别模型。
在本公开的一种具体实施方式中，所述调整模块703，还包括获取单元7031和分析单元7032。
获取单元7031，用于获取路灯当前亮度；
分析单元7032，用于对每个所述当前行人信息进行分析，分析其年龄信息；基于当前行人的年龄信息和预设的亮度调整表对路灯的亮度进行调整，得到初步调整后的亮度，所述亮度调整表中不同的年龄信息对应有不同的亮度；同时对所述当前行人信息进行分析，分析其包含的特殊人群，其中，若包含有特殊人群，则在初步调整后的亮度的基础上加上预设的第一亮度，得到第一调整亮度，若不包含则将所述初步调整后的亮度作为第一调整亮度。
在本公开的一种具体实施方式中，所述调整模块703，还包括集合单元7033和第五计算单元7034。
集合单元7033，用于将所有的第一调整亮度进行集合，得到第一集合，利用K-Means聚类算法对所有的第一调整亮度进行聚类处理，得到多个聚类类别；计算每个聚类类别中包含的第一调整亮度个数，得到第一计算结果，并根据所述第一计算结果计算每个聚类类别中包含的数据对的个数，得到第二计算结果；同时利用余弦距离算法计算在每个聚类类别中，任意两个第一调整亮度之间的相似度，得到第三计算结果，将所述第三计算结果与第二预设阈值进行比较，若所述第三计算结果小于所述第二预设阈值，则将这两个第一调整亮度进行组合，并记为第一组合；
第五计算单元7034，用于计算每个聚类类别中包含的第一组合的个数，得到第四计算结果，将所述第四计算结果除以所述第二计算结果，得到第五计算结果；将每个聚类类别对应的所述第五计算结果与第三预设阈值进行比较，当所述第五计算结果大于所述第三预设阈值，则将此聚类类别对应的第一调整亮度从所述第一集合中删除，将所述第一集合中剩余的第一调整亮度进行均值计算，得到第二调整亮度；对当前的天气情况进行分析，其中，分析当前是否下雨，若下雨则在第二调整亮度的基础上加上预设的第二亮度，得到第三调整亮度，否则则直接将所述第二调整亮度作为第三调整亮度。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例，本公开实施例还提供了设备节能控制设备，下文描述的设备节能控制设备与上文描述的设备节能控制方法可相互对应参照。
图3是根据一示例性实施例示出的设备节能控制设备800的框图。如图3所示，该设备节能控制设备800可以包括：处理器801，存储器802。该设备节能控制设备800还可以包括多媒体组件803， I/O接口804 ，以及通信组件805中的一者或多者。
其中，处理器801用于控制该设备节能控制设备800的整体操作，以完成上述的设备节能控制方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该设备节能控制设备800的操作，这些数据例如可以包括用于在该设备节能控制设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该设备节能控制设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，该设备节能控制设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的设备节能控制方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的设备节能控制方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该设备节能控制设备800的处理器801执行以完成上述的设备节能控制方法。
实施例4
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的设备节能控制方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的设备节能控制方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种设备节能控制方法，其特征在于，包括：
获取第一数据、第二数据和第三数据，所述第一数据包括在预设时段内公园的当前行人图像集合，当前行人为在路灯前方的行人，所述当前行人图像集合中包括至少四张当前行人图像，每张当前行人图像的采集角度不同；所述第二数据包括当前的天气情况；所述第三数据包括在预设时段内公园的历史行人图像；
利用所述历史行人图像构建行人信息识别模型，并将每张所述当前行人图像输入所述行人信息识别模型，得到多个当前行人信息；
根据每个所述当前行人信息对路灯的亮度进行调整，得到多个第一调整亮度，利用聚类算法对所有的第一调整亮度进行处理，得到第二调整亮度，并根据所述当前的天气情况对所述第二调整亮度进行调整，得到第三调整亮度；
发送控制命令，所述控制命令包括控制所述路灯以所述第三调整亮度进行照明的命令；
利用所述历史行人图像构建行人信息识别模型，并将每张所述当前行人图像输入所述行人信息识别模型，得到多个当前行人信息，包括：
采用高斯-拉普拉斯金字塔分解方法对每张历史行人图像进行分解，得到具有N层高斯子图像的高斯金字塔和具有G层拉普拉斯子图像的拉普拉斯金字塔，计算每层高斯子图像对应的邻域标准差；
将所有的所述邻域标准差组合成新的金字塔，对新的金字塔进行归一化处理，得到处理后的金字塔，基于所述处理后的金字塔完成对所述历史行人图像的优化，得到优化后的历史行人图像，对所述优化后的历史行人图像进行行人信息标注，所述行人信息标注包括年龄信息标注和特殊人群信息标注，得到第一图像，基于所述第一图像对卷积神经网络模型进行训练，得到行人识别模型，所述特殊人群信息包括坐轮椅和坐婴儿车的行人；
基于所述处理后的金字塔完成对所述历史行人图像的优化，得到优化后的历史行人图像，对所述优化后的历史行人图像进行年龄信息标注和特殊人群信息标注，得到第一图像，包括：
将所述处理后的金字塔的第J层与拉普拉斯金字塔的第J层进行乘积计算，基于所有的乘积计算结果构成另一金字塔，对所述另一金字塔进行图像重构，得到优化后的历史行人图像，N、G和J均为正整数；
利用拉普拉斯算子对所述优化后的历史行人图像进行处理，得到包含行人图像的区域，并利用膨胀算法对所述历史行人图像进行处理，得到第二图像，并对第二图像进行连通区域检测，得到行人图像的边框范围；
根据所述区域和所述边框范围对所述优化后的历史行人图像进行分割，得到分割后的历史行人图像，对分割后的历史行人图像进行年龄信息标注和特殊人群信息标注，得到第一图像，其中，若历史行人图像中包含一个行人，则对此行人进行年龄信息标注，若历史行人图像中包含多个行人，则将每个行人的年龄标注后进行年龄均值计算，将均值作为年龄信息。
2.根据权利要求1所述的设备节能控制方法，其特征在于，基于所述第一图像对神经网络模型进行训练，得到行人识别模型，包括：
利用第一图像对卷积神经网络模型进行训练，其中，将所述第一图像输入卷积神经网络模型中，根据卷积神经网络模型输出的年龄信息、标注的年龄信息和预设的第一损失函数计算得到第一损失值，根据卷积神经网络模型输出的特殊人群信息、标注的特殊人群信息和预设的第二损失函数计算得到第二损失值，所述第一损失函数为softmax损失函数或sigmoid损失函数，所述第一损失函数与所述第二损失函数相同；
当所述第一损失值和第二损失值均小于等于各自对应的第一预设阈值时，停止训练，得到所述行人识别模型。
3.一种设备节能控制装置，其特征在于，包括：
获取模块，用于获取第一数据、第二数据和第三数据，所述第一数据包括在预设时段内公园的当前行人图像集合，当前行人为在路灯前方的行人，所述当前行人图像集合中包括至少四张当前行人图像，每张当前行人图像的采集角度不同；所述第二数据包括当前的天气情况；所述第三数据包括在预设时段内公园的历史行人图像；
构建模块，用于利用所述历史行人图像构建行人信息识别模型，并将每张所述当前行人图像输入所述行人信息识别模型，得到多个当前行人信息；
调整模块，用于根据每个所述当前行人信息对路灯的亮度进行调整，得到多个第一调整亮度，利用聚类算法对所有的第一调整亮度进行处理，得到第二调整亮度，并根据所述当前的天气情况对所述第二调整亮度进行调整，得到第三调整亮度；
控制模块，用于发送控制命令，所述控制命令包括控制所述路灯以所述第三调整亮度进行照明的命令；
构建模块，包括：
分解单元，用于采用高斯-拉普拉斯金字塔分解方法对每张历史行人图像进行分解，得到具有N层高斯子图像的高斯金字塔和具有G层拉普拉斯子图像的拉普拉斯金字塔，计算每层高斯子图像对应的邻域标准差；
训练单元，用于将所有的所述邻域标准差组合成新的金字塔，对新的金字塔进行归一化处理，得到处理后的金字塔，基于所述处理后的金字塔完成对所述历史行人图像的优化，得到优化后的历史行人图像，对所述优化后的历史行人图像进行行人信息标注，所述行人信息标注包括年龄信息标注和特殊人群信息标注，得到第一图像，基于所述第一图像对卷积神经网络模型进行训练，得到行人识别模型，所述特殊人群信息包括坐轮椅和坐婴儿车的行人；
训练单元，包括：
第一计算单元，用于将所述处理后的金字塔的第J层与拉普拉斯金字塔的第J层进行乘积计算，基于所有的乘积计算结果构成另一金字塔，对所述另一金字塔进行图像重构，得到优化后的历史行人图像，N、G和J均为正整数；
第二计算单元，用于利用拉普拉斯算子对所述优化后的历史行人图像进行处理，得到包含行人图像的区域，并利用膨胀算法对所述历史行人图像进行处理，得到第二图像，并对第二图像进行连通区域检测，得到行人图像的边框范围；
第三计算单元，用于根据所述区域和所述边框范围对所述优化后的历史行人图像进行分割，得到分割后的历史行人图像，对分割后的历史行人图像进行年龄信息标注和特殊人群信息标注，得到第一图像，其中，若历史行人图像中包含一个行人，则对此行人进行年龄信息标注，若历史行人图像中包含多个行人，则将每个行人的年龄标注后进行年龄均值计算，将均值作为年龄信息。
4.根据权利要求3所述的设备节能控制装置，其特征在于，训练单元，包括：
输入单元，用于利用第一图像对卷积神经网络模型进行训练，其中，将所述第一图像输入卷积神经网络模型中，根据卷积神经网络模型输出的年龄信息、标注的年龄信息和预设的第一损失函数计算得到第一损失值，根据卷积神经网络模型输出的特殊人群信息、标注的特殊人群信息和预设的第二损失函数计算得到第二损失值，所述第一损失函数为softmax损失函数或sigmoid损失函数，所述第一损失函数与所述第二损失函数相同；
第四计算单元，用于当所述第一损失值和第二损失值均小于等于各自对应的第一预设阈值时，停止训练，得到所述行人识别模型。
5.一种设备节能控制设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至2任一项所述设备节能控制方法的步骤。
6.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述设备节能控制方法的步骤。
CN202310348544.6A 2023-04-04 2023-04-04 一种设备节能控制方法、装置、设备及可读存储介质 Active CN116152746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310348544.6A CN116152746B (zh) 2023-04-04 2023-04-04 一种设备节能控制方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310348544.6A CN116152746B (zh) 2023-04-04 2023-04-04 一种设备节能控制方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN116152746A CN116152746A (zh) 2023-05-23
CN116152746B true CN116152746B (zh) 2023-06-30

Family

ID=86339119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310348544.6A Active CN116152746B (zh) 2023-04-04 2023-04-04 一种设备节能控制方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN116152746B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726482B (zh) * 2023-08-03 2024-10-01 青岛地铁集团有限公司第二建设分公司 基于多源数据分析的智慧工地安全管控方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115424324A (zh) * 2022-08-30 2022-12-02 江门职业技术学院 基于边缘计算的路灯节能控制方法、装置及存储介质
CN115767842A (zh) * 2022-11-25 2023-03-07 万得福实业集团有限公司 一种基于实时环境信息的智慧照明管控方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020021618A (ja) * 2018-07-31 2020-02-06 積水化学工業株式会社 公衆設備、サーバ装置、サーバプログラム及び学習モデル
CN114677617A (zh) * 2022-02-24 2022-06-28 广东省电信规划设计院有限公司 一种基于智能照明的路灯智能控制方法及装置
CN115205738B (zh) * 2022-07-05 2023-08-01 广州和达水务科技股份有限公司 应用于城市内涝的应急排水方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115424324A (zh) * 2022-08-30 2022-12-02 江门职业技术学院 基于边缘计算的路灯节能控制方法、装置及存储介质
CN115767842A (zh) * 2022-11-25 2023-03-07 万得福实业集团有限公司 一种基于实时环境信息的智慧照明管控方法及系统

Also Published As

Publication number Publication date
CN116152746A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN104992223B (zh) 基于深度学习的密集人数估计方法
CN116152746B (zh) 一种设备节能控制方法、装置、设备及可读存储介质
CN110781896B (zh) 一种轨道垃圾识别方法、清洁方法、系统、资源配置方法
US20210201023A1 (en) Cultivated land recognition method in satellite image and computing device
CN103208123B (zh) 图像分割方法与系统
CN109816772B (zh) 一种由cad户型文件快速生成虚拟现实场景的处理方法
CN112418216B (zh) 一种复杂自然场景图像中的文字检测方法
Ren et al. A novel squeeze YOLO-based real-time people counting approach
CN101706875B (zh) 一种手持式的复杂背景下的激光喷码字符识别仪
CN104134068B (zh) 基于稀疏编码的监控车辆特征表示及分类方法
CN114694038A (zh) 基于深度学习的高分辨率遥感影像分类方法及系统
CN116090065B (zh) 一种基于数字孪生的智慧城市绿化设计方法及装置
CN110120041A (zh) 路面裂缝图像检测方法
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN109101878B (zh) 一种用于秸秆燃值估计的图像分析系统及图像分析方法
CN114155210B (zh) 基于注意力机制与标准化密集空洞空间多尺度融合网络的人群计数方法
CN109886269A (zh) 一种基于注意力机制的交通广告牌识别方法
CN113160395B (zh) 一种基于cim的城市多维信息交互及场景生成的方法、装置及介质
CN115617217B (zh) 一种车辆状态的显示方法、装置、设备及可读存储介质
CN104159088A (zh) 一种远程智能车辆监控系统及方法
CN104077788B (zh) 融合颜色和纹理信息进行块背景建模的运动目标检测方法
CN117690033A (zh) 一种融合ai大模型与语义分割技术的影像样本扩展方法、系统
CN116600452A (zh) 一种基于智能氛围灯条的颜色调控方法及系统
CN113963333B (zh) 一种基于改进yolof模型的交通标志牌检测方法
CN114529894A (zh) 一种融合空洞卷积的快速场景文本检测方法

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
GR01 Patent grant
GR01 Patent grant