CN116249246B - 一种照明调节方法、系统、存储介质及设备 - Google Patents
一种照明调节方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN116249246B CN116249246B CN202310532405.9A CN202310532405A CN116249246B CN 116249246 B CN116249246 B CN 116249246B CN 202310532405 A CN202310532405 A CN 202310532405A CN 116249246 B CN116249246 B CN 116249246B
- Authority
- CN
- China
- Prior art keywords
- historical
- target
- color temperature
- illumination
- illuminance
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 230000004907 flux Effects 0.000 claims abstract description 21
- 238000005286 illumination Methods 0.000 claims description 153
- 238000012549 training Methods 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims 2
- 210000002569 neuron Anatomy 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001465382 Physalis alkekengi Species 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
- H05B47/11—Controlling the light source in response to determined parameters by determining the brightness or colour temperature of ambient light
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/165—Controlling the light source following a pre-assigned programmed sequence; Logic control [LC]
-
- 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
本发明提供了一种照明调节方法、系统、存储介质及设备，通过获取安设于窗口处的传感器实时检测室内环境中来自室外入射自然光的照射参数，以及获取目标照度和目标色温，其中，照射参数至少包括自然光色温、自然光照度以及太阳入射角，再将照射参数、目标照度以及目标色温输入预先训练好的目标神经网络模型中，输出室内各灯具对应的目标调节参数，其中，目标调节参数至少包括照明光通量和照明色温，最终判断获取通过照度计采集的当前的第一照度和第一色温与目标照度和目标色温之间是否存在差异，若是，则根据目标调节参数，驱动对应的灯具，以完成照明调节。
Description
技术领域
本发明属于照明调节的技术领域，具体涉及一种照明调节方法、系统、存储介质及设备。
背景技术
随着社会的快速发展，人们对照明的需求不仅仅停留在提供光亮，通常还对照明效果有一定的要求，例如通过照明来缓解视觉疲劳、舒缓心情等等。
在大多数情况下，当室内空间存在自然光的入射时，人眼可以感知到环境色温与灯具色温之间存在的差异。而且，当室内空间存在的自然光越不均匀时，人眼所感知到的色温差也越大，这使得人工光与自然光在室内照明中难以均衡。同时，不均匀、不平衡的照明效果也会影响灯具用户的情绪和清醒程度。
在现有的自然光与人工光互补的多灯联合照明系统中，灯与灯之间的照明缺乏关联性，且灯具传感器采集到的数据往往呈现单一化特征，即传统室内自适应照明方式通常根据单一环境变量按固定参数调节亮度，而难以根据室内环境中实际存在的自然光分布情况进行精确调光，这将会造成照明效果不均匀，进而无法保证照明效果的一致性。
发明内容
基于此，本发明实施例当中提供了一种照明调节方法、系统、存储介质及设备，旨在解决现有技术中，传统的室内自适应照明难以根据室内环境中实际存在的自然光分布情况进行精确调光的问题。
本发明实施例的第一方面提供了一种照明调节方法，所述方法包括：
获取安设于窗口处的传感器实时检测室内环境中来自室外入射自然光的照射参数，以及获取目标照度和目标色温，其中，所述照射参数至少包括自然光色温、自然光照度以及太阳入射角；
将所述照射参数、所述目标照度以及所述目标色温输入预先训练好的目标神经网络模型中，输出室内各灯具对应的目标调节参数，其中，所述目标调节参数至少包括照明光通量和照明色温；
获取通过照度计采集的当前的第一照度和第一色温，并判断所述第一照度和所述第一色温与所述目标照度和所述目标色温之间是否存在差异；
若是，则根据所述目标调节参数，驱动对应的灯具，以完成照明调节。
进一步的，所述将所述照射参数、所述目标照度以及所述目标色温输入预先训练好的目标神经网络模型中，输出室内各灯具对应的目标调节参数，其中，所述目标调节参数至少包括照明光通量和照明色温的步骤之前包括：
获取训练样本，并对所述训练样本进行预处理，得到预处理后的目标训练样本，所述训练样本中至少包括历史照射参数、对应的历史照明参数以及历史目标照明参数，其中，所述历史照射参数至少包括历史自然光色温、历史自然光照度以及历史太阳入射角，所述历史照明参数至少包括历史照明光通量和历史照明色温，所述历史目标照明参数至少包括历史目标照度和历史目标色温；
建立神经网络模型，并将所述目标训练样本输入所述神经网络模型中进行训练，以得到所述目标神经网络模型。
进一步的，所述获取训练样本，并对所述训练样本进行预处理，得到预处理后的目标训练样本的步骤包括:
获取不同天气条件下，一天中不同时刻的通过安设于窗口处的传感器采集的所述历史自然光色温、所述历史自然光照度以及所述历史太阳入射角；
根据所述历史目标照度和历史目标色温，调节各灯具的照明参数，并获取由布设于室内的各照度计采集的历史照度和历史色温；
确定所述历史照度和所述历史色温与所述历史目标照度和历史目标色温一致，且由布设于室内的各照度计采集的所述历史照度和所述历史色温也满足预设要求时，各灯具对应的所述历史照明参数；
将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据进行取整，得到取整结果，并将所述取整结果对所述训练样本更新，以得到所述目标训练样本。
进一步的，所述确定所述历史照度和所述历史色温与所述历史目标照度和历史目标色温一致，且由布设于室内的各照度计采集的所述历史照度和所述历史色温也满足预设要求时，各灯具对应的所述历史照明参数的步骤中，所述预设要求表示为：
其中，表示为第m个照度计测量点处的照度，/>表示为目标照度，n表示为照度计测量点的总数，/>表示为第m个照度计测量点处的色温，/>表示为目标色温。
进一步的，所述将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据进行取整，得到取整结果的步骤包括：
获取历史目标照度、历史目标色温以及历史照明色温的范围值，并根据各范围值，分别确定对应的步长；
根据所述步长，分别将各范围值划分为对应的若干子范围值；
将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据分别与各子范围值进行匹配，确定对应的目标子范围值；
分别获取对应的目标子范围值的端点值，其中，端点值为整数，将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据与对应的端点值进行比较，分别确定相近的端点值作为所述取整结果。
进一步的，所述神经网络模型包括输入层、隐藏层以及输出层，其中：
所述输入层包括3L+2个节点，用于接收所述目标训练样本，L表示为传感器的总数；
所述隐藏层由第一隐藏子层、第二隐藏子层、第三隐藏子层、第四隐藏子层以及第五隐藏子层组成，其中，所述第一隐藏子层包括64个节点，用于对输入数据进行特征提取，提取出与输出结果相关的特征信息，所述第一隐藏子层使用Leaky ReLU函数；所述第二隐藏子层和所述第三隐藏子层均包括128个节点，用于提取所述第一隐藏子层输出数据中的特征，捕捉上层节点之间的内在联系，所述第二隐藏子层和所述第三隐藏子层使用Sigmoid函数；所述第四隐藏子层和所述第五隐藏子层均包括64个节点，用于对所述第三隐藏子层输出的数据特征再次进行处理，所述第四隐藏子层和所述第五隐藏子层使用 ReLU激活函数；
所述输出层具有2N个节点，用于输出所述目标调节参数，其中，N表示为灯具的总数，所述输出层使用线性激活函数。
本发明实施例的第二方面提供了一种照明调节系统，所述系统包括：
获取模块，用于获取安设于窗口处的传感器实时检测室内环境中来自室外入射自然光的照射参数，以及获取目标照度和目标色温，其中，所述照射参数至少包括自然光色温、自然光照度以及太阳入射角；
输入模块，用于将所述照射参数、所述目标照度以及所述目标色温输入预先训练好的目标神经网络模型中，输出室内各灯具对应的目标调节参数，其中，所述目标调节参数至少包括照明光通量和照明色温；
判断模块，用于获取通过照度计采集的当前的第一照度和第一色温，并判断所述第一照度和所述第一色温与所述目标照度和所述目标色温之间是否存在差异；
驱动模块，用于当判断所述第一照度和所述第一色温与所述目标照度和所述目标色温之间存在差异时，则根据所述目标调节参数，驱动对应的灯具，以完成照明调节。
本发明实施例的第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的照明调节方法。
本发明实施例的第四方面提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的照明调节方法。
本发明的有益效果为：通过获取安设于窗口处的传感器实时检测室内环境中来自室外入射自然光的照射参数，以及获取目标照度和目标色温，其中，照射参数至少包括自然光色温、自然光照度以及太阳入射角，再将照射参数、目标照度以及目标色温输入预先训练好的目标神经网络模型中，输出室内各灯具对应的目标调节参数，其中，目标调节参数至少包括照明光通量和照明色温，最终判断获取通过照度计采集的当前的第一照度和第一色温与目标照度和目标色温之间是否存在差异，若是，则根据目标调节参数，驱动对应的灯具，以完成照明调节，具体的，通过基于多层感知机的目标神经网络模型计算得到目标调节参数，从而实现精确、实时地调整室内各灯具的照明光通量和照明色温。
附图说明
图1为本发明实施例一提供的一种照明调节方法的实现流程图；
图2为样例空间模型示意图；
图3为目标神经网络模型的结构示意图；
图4为本发明实施例二提供的一种照明调节系统的结构示意图；
图5为本发明实施例三当中的电子设备的结构框图。
以下具体实施方式将结合上述附图进一步说明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，图1示出了本发明实施例一提供的一种照明调节方法的实现流程图，所述方法具体包括步骤S01至步骤S04。
步骤S01，获取安设于窗口处的传感器实时检测室内环境中来自室外入射自然光的照射参数，以及获取目标照度和目标色温，其中，所述照射参数至少包括自然光色温、自然光照度以及太阳入射角。
具体的，通过安设于窗口处的分布式传感器实时检测室内环境中来自室外入射自然光的照射参数，其中，分布式传感器的自然光色温与光强测算模块可以由环境光传感器构成，具体型号可以为AS7261、OPT3006、TSL2591等，照射参数至少包括自然光色温、自然光照度以及太阳入射角，同时，获取目标照度和目标色温，需要说明的是，目标照度和目标色温即为用户认为舒适的照度和色温，或者为普遍认为能让人感觉舒适的标准照度和标准色温，可以理解为根据实际需求进行设定的设定值。
请参阅图2，为样例空间模型示意图，在本实施例当中，样例空间为一个长9m、宽5m、高3m的独立空间模型，其中，窗口长3m、宽4m、高2m位于所在墙面中心处，且为正南朝向单侧采光。门高2.05m、宽0.95m。所选用的灯具及排布方式在没有天然光的情况下，人工光源能够满足《建筑照明设计标准》（GB 50034—2013）中办公室内工作面的照度及照度均匀度的要求。空间中灯具安装位置如图所示，灯具安装在相邻四个测试点的中心位置且安装高度为3m。在距离窗口0.5m处开始，与窗口距离每增加1m，设一个照度计测量点，与窗户平行方向，每隔1m设一个照度计算点，一共5×9个测量点，照度测量点网格高度为0.75m。此外，分布式传感器位于窗台中央处，其测量结果能良好地反映室内入射自然光的光照情况。
步骤S02，将所述照射参数、所述目标照度以及所述目标色温输入预先训练好的目标神经网络模型中，输出室内各灯具对应的目标调节参数，其中，所述目标调节参数至少包括照明光通量和照明色温。
需要说明的是，首先需要建立目标神经网络模型，建立目标神经网络模型的具体步骤可以为，获取训练样本，并对训练样本进行预处理，得到预处理后的目标训练样本，训练样本中至少包括历史照射参数、对应的历史照明参数以及历史目标照明参数，其中，历史照射参数至少包括各个窗口处传感器记录的历史自然光色温、历史自然光照度以及历史太阳入射角，历史照明参数至少包括各个灯具的历史照明光通量和历史照明色温，历史目标照明参数至少包括历史目标照度和历史目标色温，其中，预处理的目的在于，在保证神经网络训练效果和泛化能力的前提下，可以减小整个模型的计算量，并降低数据集样本的采集难度。
具体的，为了获取目标训练样本，并增强模型的泛化能力，首先获取不同天气条件下，一天中不同时刻的通过安设于窗口处的传感器采集的历史自然光色温、历史自然光照度以及历史太阳入射角，在本实施例当中，可以选择晴朗、雨天、雪天、雾天和沙尘的对应天气条件下一天中的不同时刻，使用分布式传感器记录当前空间内自然光的照度、色温与入射角，以获得训练样本。
进一步的，根据历史目标照度和历史目标色温，调节各灯具的照明参数，并获取由布设于室内的各照度计采集的历史照度和历史色温，随后确定历史照度和历史色温与历史目标照度和历史目标色温一致，且由布设于室内的各照度计采集的历史照度和历史色温也满足预设要求时，各灯具对应的历史照明参数，可以理解的，由于在室内空间中布设了多个照度计，该照度计用于采集室内环境中的照度和色温，其中，采集的照度和色温为自然光和灯光的混合光的结果，为了提供舒适的环境，需要保证室内空间内各个位置的光效一致，即不会出现靠近窗口的位置光亮，而远离窗口的位置昏暗的情况，为此，可以通过人工调节的方式，将照度和色温调节至目标值，同时，保证空间内各个位置的照度和色温均为目标值，在本实施例当中，调节各照度计采集的历史照度和历史色温满足预设要求。
具体的，该预设要求表示为：
其中，表示为第m个照度计测量点处的照度，/>表示为目标照度，n表示为照度计测量点的总数，/>表示为第m个照度计测量点处的色温，/>表示为目标色温。
更进一步的，将历史目标照度、历史目标色温、历史照明色温的数据进行取整，得到取整结果，并将取整结果对训练样本更新，以得到目标训练样本，具体的，取整的具体步骤可以为，获取历史目标照度、历史目标色温以及历史照明色温的范围值，并根据各范围值，分别确定对应的步长，再根据步长，分别将各范围值划分为对应的若干子范围值，后将历史目标照度、历史目标色温、历史照明色温的数据分别与各子范围值进行匹配，确定对应的目标子范围值，最后分别获取对应的目标子范围值的端点值，其中，端点值为整数，将历史目标照度、历史目标色温、历史照明色温的数据与对应的端点值进行比较，分别确定相近的端点值作为取整结果，在本实施例当中，目标照度、目标色温、照明色温的范围和步长满足如下要求：
（1）
其中，表示为目标照度，步长为25lx；
（2）
其中，表示为目标色温，步长为50k；
（3）
其中，表示为第i个灯具的照明色温，N表示为室内空间内灯具的总个数。
可以理解的，例如，当历史目标照度为20.7lx，因为步长为25lx，处于0-25lx内的范围内，端点值为0lx和25lx，由于20.7lx相比于0xl，更靠近于25lx，则25lx作为20.7lx的取整结果。
当得到目标训练样本后，建立神经网络模型，并将目标训练样本输入神经网络模型中进行训练，以得到目标神经网络模型，需要说明的是，在目标训练样本中，取随机打乱后数据集样本中的70%用作训练集样本，另外的30%用作测试集样本，请参阅图3，为目标神经网络模型的结构示意图，其中，隐藏层和输出层的神经元公式可以表示为：
第一隐藏子层：
第二隐藏子层：
第三隐藏子层：
第四隐藏子层：
第五隐藏子层：
输出层：
其中，xj和yi分别表示输入层的第j个节点和输出层的第i个节点，表示连接第/>层第j个节点和输出层第i个节点的权重，/>表示第/>层第i个节点的偏置项，示例性的，/>表示为第一隐藏子层的第i个神经元，/>表示为第二隐藏子层的第i个神经元，表示为第三隐藏子层的第i个神经元，/>表示为第四隐藏子层的第i个神经元，/>表示为第五隐藏子层的第i个神经元，同理，/>表示为第一隐藏子层的第j个神经元，/>表示为第二隐藏子层的第j个神经元，/>表示为第三隐藏子层的第j个神经元，/>表示为第四隐藏子层的第j个神经元，/>表示为第五隐藏子层的第j个神经元。LeakyReLU、Sigmoid以及ReLU为激活函数。
在图3所示的目标神经网络模型的结构示意图中，为当前空间内第/>处传感器的入射自然光的照度、/>为第/>处传感器的自然光色温，/>为第/>处传感器的自然光入射角，L为分布式传感器的总个数，/>为第i盏灯具的总光通量，在本实施例当中，神经网络模型包括输入层、隐藏层以及输出层，其中：
输入层包括3L+2个节点，用于接收目标训练样本，L表示为传感器的总数。该输入层主要用于接收来自目标训练样本中的数据，此处的输入数据包含L个分布式传感器测量得到的自然光色温、自然光照度以及太阳入射角以及由用户指定的目标照度和目标色温，共计3L+2个节点数据。经过输入层之后，信息将被传递至下一层网络；
隐藏层由第一隐藏子层、第二隐藏子层、第三隐藏子层、第四隐藏子层以及第五隐藏子层组成，其中，第一隐藏子层包括64个节点，用于对输入数据进行特征提取，提取出与输出结果相关的特征信息，为了更精确的提取多维度数据中的内在联系，第一隐藏子层使用Leaky ReLU函数；第二隐藏子层和第三隐藏子层均包括128个节点，用于提取第一隐藏子层输出数据中的特征，捕捉上层节点之间的内在联系，为了使这两层网络的输出数据表现出更流畅的曲线特性，让节点在数据中学习到更复杂的特征，第二隐藏子层和第三隐藏子层使用Sigmoid函数；第四隐藏子层和第五隐藏子层均包括64个节点，用于对第三隐藏子层输出的数据特征再次进行处理，为了避免梯度消失问题，第四隐藏子层和第五隐藏子层使用 ReLU激活函数；
输出层具有2N个节点，用于输出目标调节参数，其中，N表示为灯具的总数，为了输出模型预测结果，输出层使用线性激活函数。
步骤S03，获取通过照度计采集的当前的第一照度和第一色温，并判断所述第一照度和所述第一色温与所述目标照度和所述目标色温之间是否存在差异，若是，则执行步骤S04。
其中，若第一照度和第一色温与目标照度和目标色温之间不存在差异，说明当前参数已为最佳状态，不需要调节。
步骤S04，则根据所述目标调节参数，驱动对应的灯具，以完成照明调节。
可以理解的，假定位于窗口的传感器测量得到射入室内自然光的色温为3200K，照度为300lx，自然光入射角为75°，并将所测数据传给主机，主机可以理解为驱动装置。其次，假设所需调整到的目标色温为3200K，目标照度为450lx，并调用已经训练好的目标神经网络模型计算得到每盏灯的照明光通量和照明色温。然后，主机将通过模型计算出的每盏灯的照明参数发送给对应灯具。最后，灯具接收到指令后调整灯具驱动端，完成调光操作。通过上述方式不但实现精确、实时地调整室内各灯具的照明光通量和照明色温，并在照明效果上实现人造光与自然光的动态互补，为用户提供更为舒适、健康的室内光照环境，同时在满足人性化用光需求的基础上，解决了人造光与自然光在室内照明中难以平衡、靠近窗户处受自然光影响照度易超标而导致的照明资源浪费问题。
综上，本发明上述实施例当中的照明调节方法，通过获取安设于窗口处的传感器实时检测室内环境中来自室外入射自然光的照射参数，以及获取目标照度和目标色温，其中，照射参数至少包括自然光色温、自然光照度以及太阳入射角，再将照射参数、目标照度以及目标色温输入预先训练好的目标神经网络模型中，输出室内各灯具对应的目标调节参数，其中，目标调节参数至少包括照明光通量和照明色温，最终判断获取通过照度计采集的当前的第一照度和第一色温与目标照度和目标色温之间是否存在差异，若是，则根据目标调节参数，驱动对应的灯具，以完成照明调节，具体的，通过基于多层感知机的目标神经网络模型计算得到目标调节参数，从而实现精确、实时地调整室内各灯具的照明光通量和照明色温。
实施例二
请参阅图4，为本发明实施例二提供了一种照明调节系统的结构示意图，所述照明调节系统200具体包括：
获取模块21，用于获取安设于窗口处的传感器实时检测室内环境中来自室外入射自然光的照射参数，以及获取目标照度和目标色温，其中，所述照射参数至少包括自然光色温、自然光照度以及太阳入射角；
输入模块22，用于将所述照射参数、所述目标照度以及所述目标色温输入预先训练好的目标神经网络模型中，输出室内各灯具对应的目标调节参数，其中，所述目标调节参数至少包括照明光通量和照明色温；
判断模块23，用于获取通过照度计采集的当前的第一照度和第一色温，并判断所述第一照度和所述第一色温与所述目标照度和所述目标色温之间是否存在差异；
驱动模块24，用于当判断所述第一照度和所述第一色温与所述目标照度和所述目标色温之间存在差异时，则根据所述目标调节参数，驱动对应的灯具，以完成照明调节。
进一步的，所述照明调节系统200包括：
预处理模块，用于获取训练样本，并对所述训练样本进行预处理，得到预处理后的目标训练样本，所述训练样本中至少包括历史照射参数、对应的历史照明参数以及历史目标照明参数，其中，所述历史照射参数至少包括历史自然光色温、历史自然光照度以及历史太阳入射角，所述历史照明参数至少包括历史照明光通量和历史照明色温，所述历史目标照明参数至少包括历史目标照度和历史目标色温；
目标神经网络模型建立模块，用于建立神经网络模型，并将所述目标训练样本输入所述神经网络模型中进行训练，以得到所述目标神经网络模型，其中，所述神经网络模型包括输入层、隐藏层以及输出层，其中：
所述输入层包括3L+2个节点，用于接收所述目标训练样本，L表示为传感器的总数；
所述隐藏层由第一隐藏子层、第二隐藏子层、第三隐藏子层、第四隐藏子层以及第五隐藏子层组成，其中，所述第一隐藏子层包括64个节点，用于对输入数据进行特征提取，提取出与输出结果相关的特征信息，所述第一隐藏子层使用Leaky ReLU函数；所述第二隐藏子层和所述第三隐藏子层均包括128个节点，用于提取所述第一隐藏子层输出数据中的特征，捕捉上层节点之间的内在联系，所述第二隐藏子层和所述第三隐藏子层使用Sigmoid函数；所述第四隐藏子层和所述第五隐藏子层均包括64个节点，用于对所述第三隐藏子层输出的数据特征再次进行处理，所述第四隐藏子层和所述第五隐藏子层使用 ReLU激活函数；
所述输出层具有2N个节点，用于输出所述目标调节参数，其中，N表示为灯具的总数，所述输出层使用线性激活函数。
进一步的，所述预处理模块包括：
获取单元，用于获取不同天气条件下，一天中不同时刻的通过安设于窗口处的传感器采集的所述历史自然光色温、所述历史自然光照度以及所述历史太阳入射角；
调节单元，用于根据所述历史目标照度和历史目标色温，调节各灯具的照明参数，并获取由布设于室内的各照度计采集的历史照度和历史色温；
历史照明参数确定单元，用于确定所述历史照度和所述历史色温与所述历史目标照度和历史目标色温一致，且由布设于室内的各照度计采集的所述历史照度和所述历史色温也满足预设要求时，各灯具对应的所述历史照明参数，其中，所述预设要求表示为：
其中，表示为第m个照度计测量点处的照度，n表示为照度计测量点的总数，/>表示为第m个照度计测量点处的色温；
取整单元，用于将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据进行取整，得到取整结果，并将所述取整结果对所述训练样本更新，以得到所述目标训练样本。
进一步的，所述取整单元包括：
步长确定子单元，用于获取历史目标照度、历史目标色温以及历史照明色温的范围值，并根据各范围值，分别确定对应的步长；
划分子单元，用于根据所述步长，分别将各范围值划分为对应的若干子范围值；
匹配子单元，用于将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据分别与各子范围值进行匹配，确定对应的目标子范围值；
取整结果确定单元，用于分别获取对应的目标子范围值的端点值，其中，端点值为整数，将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据与对应的端点值进行比较，分别确定相近的端点值作为所述取整结果。
实施例三
本发明另一方面还提出一种电子设备，请参阅图5，所示为本发明实施例三当中的电子设备的结构框图，包括存储器20、处理器10以及存储在存储器上并可在处理器上运行的计算机程序30，所述处理器10执行所述计算机程序30时实现如上述的照明调节方法。
其中，处理器10在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行访问限制程序等。
其中，存储器20至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的硬盘。存储器20在另一些实施例中也可以是电子设备的外部存储装置，例如电子设备上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）等。进一步地，存储器20还可以既包括电子设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储电子设备的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
需要指出的是，图5示出的结构并不构成对电子设备的限定，在其它实施例当中，该电子设备可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的照明调节方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (5)
1.一种照明调节方法，其特征在于，所述方法包括：
获取安设于窗口处的传感器实时检测室内环境中来自室外入射自然光的照射参数，以及获取目标照度和目标色温，其中，所述照射参数至少包括自然光色温、自然光照度以及太阳入射角；
将所述照射参数、所述目标照度以及所述目标色温输入预先训练好的目标神经网络模型中，输出室内各灯具对应的目标调节参数，其中，所述目标调节参数至少包括照明光通量和照明色温；
获取通过照度计采集的当前的第一照度和第一色温，并判断所述第一照度和所述第一色温与所述目标照度和所述目标色温之间是否存在差异；
若是，则根据所述目标调节参数，驱动对应的灯具，以完成照明调节；
所述将所述照射参数、所述目标照度以及所述目标色温输入预先训练好的目标神经网络模型中，输出室内各灯具对应的目标调节参数，其中，所述目标调节参数至少包括照明光通量和照明色温的步骤之前包括：
获取训练样本，并对所述训练样本进行预处理，得到预处理后的目标训练样本，所述训练样本中至少包括历史照射参数、对应的历史照明参数以及历史目标照明参数，其中，所述历史照射参数至少包括历史自然光色温、历史自然光照度以及历史太阳入射角，所述历史照明参数至少包括历史照明光通量和历史照明色温，所述历史目标照明参数至少包括历史目标照度和历史目标色温；
建立神经网络模型，并将所述目标训练样本输入所述神经网络模型中进行训练，以得到所述目标神经网络模型；
所述获取训练样本，并对所述训练样本进行预处理，得到预处理后的目标训练样本的步骤包括:
获取不同天气条件下，一天中不同时刻的通过安设于窗口处的传感器采集的所述历史自然光色温、所述历史自然光照度以及所述历史太阳入射角，用于增强模型的泛化能力；
根据所述历史目标照度和历史目标色温，调节各灯具的照明参数，并获取由布设于室内的各照度计采集的历史照度和历史色温；
确定所述历史照度和所述历史色温与所述历史目标照度和历史目标色温一致，且由布设于室内的各照度计采集的所述历史照度和所述历史色温也满足预设要求时，各灯具对应的所述历史照明参数，所述预设要求表示为：
其中，表示为第m个照度计测量点处的照度，/>表示为目标照度，n表示为照度计测量点的总数，/>表示为第m个照度计测量点处的色温，/>表示为目标色温；
将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据进行取整，得到取整结果，并将所述取整结果对所述训练样本更新，以得到所述目标训练样本；
所述将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据进行取整，得到取整结果的步骤包括：
获取历史目标照度、历史目标色温以及历史照明色温的范围值，并根据各范围值，分别确定对应的步长；
根据所述步长，分别将各范围值划分为对应的若干子范围值；
将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据分别与各子范围值进行匹配，确定对应的目标子范围值；
分别获取对应的目标子范围值的端点值，其中，端点值为整数，将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据与对应的端点值进行比较，分别确定相近的端点值作为所述取整结果。
2.根据权利要求1所述的照明调节方法，其特征在于，所述神经网络模型包括输入层、隐藏层以及输出层，其中：
所述输入层包括3L+2个节点，用于接收所述目标训练样本，L表示为传感器的总数；
所述隐藏层由第一隐藏子层、第二隐藏子层、第三隐藏子层、第四隐藏子层以及第五隐藏子层组成，其中，所述第一隐藏子层包括64个节点，用于对输入数据进行特征提取，提取出与输出结果相关的特征信息，所述第一隐藏子层使用Leaky ReLU函数；所述第二隐藏子层和所述第三隐藏子层均包括128个节点，用于提取所述第一隐藏子层输出数据中的特征，捕捉上层节点之间的内在联系，所述第二隐藏子层和所述第三隐藏子层使用Sigmoid函数；所述第四隐藏子层和所述第五隐藏子层均包括64个节点，用于对所述第三隐藏子层输出的数据特征再次进行处理，所述第四隐藏子层和所述第五隐藏子层使用 ReLU激活函数；
所述输出层具有2N个节点，用于输出所述目标调节参数，其中，N表示为灯具的总数，所述输出层使用线性激活函数。
3.一种照明调节系统，其特征在于，所述系统包括：
获取模块，用于获取安设于窗口处的传感器实时检测室内环境中来自室外入射自然光的照射参数，以及获取目标照度和目标色温，其中，所述照射参数至少包括自然光色温、自然光照度以及太阳入射角；
输入模块，用于将所述照射参数、所述目标照度以及所述目标色温输入预先训练好的目标神经网络模型中，输出室内各灯具对应的目标调节参数，其中，所述目标调节参数至少包括照明光通量和照明色温；
判断模块，用于获取通过照度计采集的当前的第一照度和第一色温，并判断所述第一照度和所述第一色温与所述目标照度和所述目标色温之间是否存在差异；
驱动模块，用于当判断所述第一照度和所述第一色温与所述目标照度和所述目标色温之间存在差异时，则根据所述目标调节参数，驱动对应的灯具，以完成照明调节；
所述照明调节系统还包括：
预处理模块，用于获取训练样本，并对所述训练样本进行预处理，得到预处理后的目标训练样本，所述训练样本中至少包括历史照射参数、对应的历史照明参数以及历史目标照明参数，其中，所述历史照射参数至少包括历史自然光色温、历史自然光照度以及历史太阳入射角，所述历史照明参数至少包括历史照明光通量和历史照明色温，所述历史目标照明参数至少包括历史目标照度和历史目标色温；
目标神经网络模型建立模块，用于建立神经网络模型，并将所述目标训练样本输入所述神经网络模型中进行训练，以得到所述目标神经网络模型；
所述预处理模块包括：
获取单元，用于获取不同天气条件下，一天中不同时刻的通过安设于窗口处的传感器采集的所述历史自然光色温、所述历史自然光照度以及所述历史太阳入射角，用于增强模型的泛化能力；
调节单元，用于根据所述历史目标照度和历史目标色温，调节各灯具的照明参数，并获取由布设于室内的各照度计采集的历史照度和历史色温；
历史照明参数确定单元，用于确定所述历史照度和所述历史色温与所述历史目标照度和历史目标色温一致，且由布设于室内的各照度计采集的所述历史照度和所述历史色温也满足预设要求时，各灯具对应的所述历史照明参数，其中，所述预设要求表示为：
其中，表示为第m个照度计测量点处的照度，n表示为照度计测量点的总数，/>表示为第m个照度计测量点处的色温；
取整单元，用于将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据进行取整，得到取整结果，并将所述取整结果对所述训练样本更新，以得到所述目标训练样本；
所述取整单元包括：
步长确定子单元，用于获取历史目标照度、历史目标色温以及历史照明色温的范围值，并根据各范围值，分别确定对应的步长；
划分子单元，用于根据所述步长，分别将各范围值划分为对应的若干子范围值；
匹配子单元，用于将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据分别与各子范围值进行匹配，确定对应的目标子范围值；
取整结果确定单元，用于分别获取对应的目标子范围值的端点值，其中，端点值为整数，将所述历史目标照度、所述历史目标色温、所述历史照明色温的数据与对应的端点值进行比较，分别确定相近的端点值作为所述取整结果。
4.一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1－2任一项所述的照明调节方法。
5.一种电子设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1－2任一项所述的照明调节方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310532405.9A CN116249246B (zh) | 2023-05-12 | 2023-05-12 | 一种照明调节方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310532405.9A CN116249246B (zh) | 2023-05-12 | 2023-05-12 | 一种照明调节方法、系统、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116249246A CN116249246A (zh) | 2023-06-09 |
| CN116249246B true CN116249246B (zh) | 2023-09-05 |
Family
ID=86633541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310532405.9A Active CN116249246B (zh) | 2023-05-12 | 2023-05-12 | 一种照明调节方法、系统、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116249246B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118347471B (zh) * | 2024-06-17 | 2024-09-17 | 江西省水投江河信息技术有限公司 | 一种基于多传感器融合技术的水利监测方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110043810A (ko) * | 2009-10-22 | 2011-04-28 | 한국광기술원 | 조명 장치 및 조명 방법 |
| CN105869580A (zh) * | 2016-06-15 | 2016-08-17 | 京东方科技集团股份有限公司 | 色温调节方法及装置、背光源、显示设备 |
| CN108224350A (zh) * | 2016-12-22 | 2018-06-29 | 中南大学 | 一种基于自然光的教室led健康照明自动控制系统 |
| CN110334387A (zh) * | 2019-05-09 | 2019-10-15 | 重庆大学 | 一种基于bp神经网络算法的室内光照预估方法 |
| CN112074053A (zh) * | 2020-08-24 | 2020-12-11 | 中国建筑科学研究院有限公司 | 一种基于室内环境参数的照明设备调控方法及装置 |
| CN113179570A (zh) * | 2021-05-12 | 2021-07-27 | 清华大学 | 照度控制方法及装置、电子设备和存储介质 |
| CN113994829A (zh) * | 2021-11-19 | 2022-02-01 | 国网甘肃省电力公司电力科学研究院 | 一种考虑可时移与成本因素的led补光灯运行调控方法 |
| CN114222407A (zh) * | 2021-12-10 | 2022-03-22 | 北京翌光科技有限公司 | 配合生物节律的灯光动态调节系统装置、方法及应用 |
| KR20220158397A (ko) * | 2021-05-24 | 2022-12-01 | 주식회사 이수메디 | 검안실의 조도에 따라 led조명부의 광도를 자동으로 조절하는 차트프로젝터 |
| CN115915530A (zh) * | 2021-09-30 | 2023-04-04 | 上海三思电子工程有限公司 | 基于模型预测的室内调光方法、系统、终端及介质 |
| CN116017129A (zh) * | 2022-12-24 | 2023-04-25 | 浙江大华技术股份有限公司 | 一种补光灯角度调整方法、装置、系统、设备和介质 |
| CN116095915A (zh) * | 2023-04-10 | 2023-05-09 | 南昌大学 | 一种基于人体热舒适度的调光方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11696380B2 (en) * | 2021-04-26 | 2023-07-04 | Test Rite International Co., Ltd. | Lighting fixture and lighting system for automatically adjusting color temperature |
-
2023
- 2023-05-12 CN CN202310532405.9A patent/CN116249246B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110043810A (ko) * | 2009-10-22 | 2011-04-28 | 한국광기술원 | 조명 장치 및 조명 방법 |
| CN105869580A (zh) * | 2016-06-15 | 2016-08-17 | 京东方科技集团股份有限公司 | 色温调节方法及装置、背光源、显示设备 |
| CN108224350A (zh) * | 2016-12-22 | 2018-06-29 | 中南大学 | 一种基于自然光的教室led健康照明自动控制系统 |
| CN110334387A (zh) * | 2019-05-09 | 2019-10-15 | 重庆大学 | 一种基于bp神经网络算法的室内光照预估方法 |
| CN112074053A (zh) * | 2020-08-24 | 2020-12-11 | 中国建筑科学研究院有限公司 | 一种基于室内环境参数的照明设备调控方法及装置 |
| CN113179570A (zh) * | 2021-05-12 | 2021-07-27 | 清华大学 | 照度控制方法及装置、电子设备和存储介质 |
| KR20220158397A (ko) * | 2021-05-24 | 2022-12-01 | 주식회사 이수메디 | 검안실의 조도에 따라 led조명부의 광도를 자동으로 조절하는 차트프로젝터 |
| CN115915530A (zh) * | 2021-09-30 | 2023-04-04 | 上海三思电子工程有限公司 | 基于模型预测的室内调光方法、系统、终端及介质 |
| CN113994829A (zh) * | 2021-11-19 | 2022-02-01 | 国网甘肃省电力公司电力科学研究院 | 一种考虑可时移与成本因素的led补光灯运行调控方法 |
| CN114222407A (zh) * | 2021-12-10 | 2022-03-22 | 北京翌光科技有限公司 | 配合生物节律的灯光动态调节系统装置、方法及应用 |
| CN116017129A (zh) * | 2022-12-24 | 2023-04-25 | 浙江大华技术股份有限公司 | 一种补光灯角度调整方法、装置、系统、设备和介质 |
| CN116095915A (zh) * | 2023-04-10 | 2023-05-09 | 南昌大学 | 一种基于人体热舒适度的调光方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 办公空间健康光环境的控制模型;罗彩姿;蔺倾程;李雪峰;肖辉;;照明工程学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116249246A (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116249246B (zh) | 一种照明调节方法、系统、存储介质及设备 | |
| Kim et al. | Real-time daylight glare control using a low-cost, window-mounted HDRI sensor | |
| RU2501095C2 (ru) | Энергосберегающий дисплей пропускающего типа | |
| CN108419339A (zh) | 基于LoRa技术的多功能LED智能路灯系统 | |
| CN105718922B (zh) | 虹膜识别的适应性调节方法和装置 | |
| CN106716876A (zh) | 高动态范围编码光检测 | |
| CN105374338A (zh) | 一种屏幕背光亮度调节方法及电子设备 | |
| EP3408626A1 (en) | A lighting system and a method of controlling the light output from a luminaire. | |
| CN108135046A (zh) | 一种色温实时调节照明系统及其色温实时调节方法 | |
| CN109919073A (zh) | 一种具有光照鲁棒性的行人再识别方法 | |
| CN113923839A (zh) | 一种灯光调节方法及系统 | |
| Viikari et al. | Modeling spectral sensitivity at low light levels based on mesopic visual performance | |
| CN116095915B (zh) | 一种基于人体热舒适度的调光方法及系统 | |
| CN108782314A (zh) | 一种使鸡舍光线布局均匀的装置 | |
| CN106604496B (zh) | 基于模糊技术的停车场照明系统控制方法 | |
| CN102387631B (zh) | 一种免疫层析判读记录仪中光照度的自动判断和调整方法 | |
| Liu et al. | Computing long-term daylighting simulations from high dynamic range imagery using deep neural networks | |
| CN110210401B (zh) | 一种弱光下的目标智能检测方法 | |
| CN105469115B (zh) | 基于统计特征的昼夜图像识别方法 | |
| CN106803948A (zh) | 氛围光有效色彩获取方法、设备和显示设备 | |
| CN115968077A (zh) | 一种基于运行数据的智慧社区灯光使用推荐方法和装置 | |
| CN106341924B (zh) | 一种感应环境的led夜灯的控制方法及装置 | |
| He et al. | Improving the accuracy of circadian lighting simulation with field measurement | |
| CN111601418A (zh) | 色温调节方法、装置、存储介质和处理器 | |
| CN110514662A (zh) | 一种多光源融合的视觉检测系统 |
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 |