CN116539285B - 基于人工智能的光源检测方法、装置、设备及存储介质 - Google Patents
基于人工智能的光源检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116539285B CN116539285B CN202310821862.XA CN202310821862A CN116539285B CN 116539285 B CN116539285 B CN 116539285B CN 202310821862 A CN202310821862 A CN 202310821862A CN 116539285 B CN116539285 B CN 116539285B
- Authority
- CN
- China
- Prior art keywords
- light source
- temperature
- color temperature
- brightness
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 208
- 238000004458 analytical method Methods 0.000 claims abstract description 184
- 238000009826 distribution Methods 0.000 claims abstract description 160
- 230000017525 heat dissipation Effects 0.000 claims abstract description 146
- 230000005855 radiation Effects 0.000 claims abstract description 145
- 230000008859 change Effects 0.000 claims abstract description 56
- 230000004927 fusion Effects 0.000 claims description 49
- 238000013507 mapping Methods 0.000 claims description 41
- 238000010606 normalization Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 238000005315 distribution function Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 36
- 230000008569 process Effects 0.000 description 13
- 239000000284 extract Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000191 radiation effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/02—Testing optical properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及人工智能领域,公开了一种基于人工智能的光源检测方法、装置、设备及存储介质,用于提高光源检测的准确率。方法包括:对光源温度变化曲线进行曲线特征提取,得到光源温度特征向量,并对光源亮度分布曲线进行曲线特征分析,得到光源亮度特征向量,以及对光源色温分布图进行分布特征解析,得到光源色温特征向量;将光源温度特征向量输入第一散热性能分析模型进行散热性能分析,得到第一散热性能分析指标;将光源亮度特征向量和光源色温特征向量输入第二散热性能分析模型进行散热性能分析,得到第二散热性能分析指标;根据第一散热性能分析指标和第二散热性能分析指标生成散热参数调整集合。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于人工智能的光源检测方法、装置、设备及存储介质。
背景技术
随着科技的发展和人们对视觉传感器应用的增加,对光源性能的检测和分析变得越来越重要。光源作为视觉传感器的输入源,其温度、亮度和色温等参数对传感器的工作和成像效果具有重要影响。
然而,现有方案往往需要依赖领域专家的经验和主观判断,这导致提取的特征不够客观和全面,并且单一的散热性能分析指标生成,缺乏对多个指标的综合考虑,进而导致现有方案的准确率较低。
发明内容
本发明提供了一种基于人工智能的光源检测方法、装置、设备及存储介质,用于提高光源检测的准确率。
本发明第一方面提供了一种基于人工智能的光源检测方法,所述基于人工智能的光源检测方法包括:
获取目标光源的光源性能数据,并对所述光源性能数据进行数据集分类,得到光源温度参数数据、光源亮度参数数据和光源色温参数数据;
根据所述光源温度参数数据构建光源温度变化曲线,并根据所述光源亮度参数数据生成光源亮度分布曲线,以及根据所述光源色温参数数据生成光源色温分布图;
对所述光源温度变化曲线进行曲线特征提取,得到光源温度特征向量,并对所述光源亮度分布曲线进行曲线特征分析,得到光源亮度特征向量,以及对所述光源色温分布图进行分布特征解析,得到光源色温特征向量;
将所述光源温度特征向量输入预置的第一散热性能分析模型进行散热性能分析,得到第一散热性能分析指标;
将所述光源亮度特征向量和所述光源色温特征向量输入预置的第二散热性能分析模型进行散热性能分析,得到第二散热性能分析指标;
根据所述第一散热性能分析指标和所述第二散热性能分析指标生成所述目标光源的散热参数调整集合。
结合第一方面,在本发明第一方面的第一种实现方式中,所述获取目标光源的光源性能数据,并对所述光源性能数据进行数据集分类,得到光源温度参数数据、光源亮度参数数据和光源色温参数数据,包括:
获取目标光源的光源性能数据,同时,获取温度数据标签、亮度数据标签以及色温数据标签;
基于所述温度数据标签、所述亮度数据标签以及所述色温数据标签,对所述光源性能数据进行标签聚类分析,得到第一温度参数数据、第一亮度参数数据以及第一色温参数数据;
分别对所述第一温度参数数据、所述第一亮度参数数据和所述第一色温参数数据进行数据清洗,得到第二温度参数数据、第二亮度参数数据以及第二色温参数数据;
分别对所述第二温度参数数据、所述第二亮度参数数据以及所述第二色温参数数据进行数据标准化处理,得到光源温度参数数据、光源亮度参数数据和光源色温参数数据。
结合第一方面,在本发明第一方面的第二种实现方式中,所述根据所述光源温度参数数据构建光源温度变化曲线,并根据所述光源亮度参数数据生成光源亮度分布曲线,以及根据所述光源色温参数数据生成光源色温分布图,包括:
对所述光源温度参数数据进行参数离散化处理,得到离散化温度参数,并对所述离散化温度参数进行曲线拟合,生成光源温度变化曲线;
对所述光源亮度参数数据进行区间划分,得到多个目标区间,并计算每个目标区间的亮度频率数据;
基于预置的概率密度函数对所述亮度频率数据进行曲线拟合,得到光源亮度分布曲线;
对所述光源色温参数数据进行区域划分,得到多个光源区域,并计算每个光源区域的色温平均值;
通过预置的热力分布函数对每个光源区域的色温平均值进行分布映射,得到光源色温分布图。
结合第一方面,在本发明第一方面的第三种实现方式中,所述对所述光源温度变化曲线进行曲线特征提取,得到光源温度特征向量,并对所述光源亮度分布曲线进行曲线特征分析,得到光源亮度特征向量,以及对所述光源色温分布图进行分布特征解析,得到光源色温特征向量,包括:
计算所述光源温度变化曲线的峰值温度、最小温度以及温度变化速率,并对所述峰值温度、所述最小温度以及所述温度变化速率进行向量编码转换,得到光源温度特征向量;
获取所述光源亮度分布曲线的第一亮度特征集合,同时,获取所述光源亮度分布曲线的第二亮度特征集合,其中,所述第一亮度特征集合包括亮度分布的均值、方差、峰度以及偏度,所述第二亮度特征集合包括峰值亮度、亮度变化范围以及分布形态;
对所述第一亮度特征集合和所述第二亮度特征集合进行向量转换,得到光源亮度特征向量;
计算所述光源色温分布图的色温分布特征,其中,所述色温分布特征包括:色温分布的均匀性和色温变化范围;
根据所述色温分布特征提取所述光源色温分布图的关键特征,其中,所关键特征包括色温均值、色温峰值以及主要色温区域;
对所述关键特征进行向量转换,得到光源色温特征向量。
结合第一方面,在本发明第一方面的第四种实现方式中,所述将所述光源温度特征向量输入预置的第一散热性能分析模型进行散热性能分析,得到第一散热性能分析指标,包括:
将所述光源温度特征向量输入预置的第一散热性能分析模型,其中,所述第一散热性能分析模型包括双层长短时记忆网络以及两层全连接层;
将所述光源温度特征向量输入所述双层长短时记忆网络进行特征提取,得到目标温度特征向量;
将所述目标温度特征向量输入所述两层全连接层进行特征分类和预测,得到第一散热性能分析指标。
结合第一方面,在本发明第一方面的第五种实现方式中,所述将所述光源亮度特征向量和所述光源色温特征向量输入预置的第二散热性能分析模型进行散热性能分析,得到第二散热性能分析指标,包括:
对所述光源亮度特征向量和所述光源色温特征向量进行向量融合,得到目标融合向量;
将所述目标融合向量输入预置的第二散热性能分析模型中,其中,所述第二散热性能分析模型包括:两层卷积网络和归一化函数;
将所述目标融合向量输入所述两层卷积网络进行融合特征提取,得到融合特征向量;
将所述融合特征向量输入所述归一化函数进行归一化预测,输出第二散热性能分析指标。
结合第一方面,在本发明第一方面的第六种实现方式中,所述根据所述第一散热性能分析指标和所述第二散热性能分析指标生成所述目标光源的散热参数调整集合,包括:
构建第一散热性能分析指标对应的第一散热参数映射模型,以及构建第二散热性能分析指标对应的第二散热参数映射模型;
基于所述第一散热参数映射模型匹配对应的第一散热参数组合,以及根据所述第二散热参数映射模型查找对应的第二散热参数组合;
对所述第一散热参数组合和所述第二散热参数组合进行参数组合关联,生成所述目标光源的散热参数调整集合。
本发明第二方面提供了一种基于人工智能的光源检测装置,所述基于人工智能的光源检测装置包括:
获取模块,用于获取目标光源的光源性能数据,并对所述光源性能数据进行数据集分类,得到光源温度参数数据、光源亮度参数数据和光源色温参数数据;
构建模块,用于根据所述光源温度参数数据构建光源温度变化曲线,并根据所述光源亮度参数数据生成光源亮度分布曲线,以及根据所述光源色温参数数据生成光源色温分布图;
解析模块,用于对所述光源温度变化曲线进行曲线特征提取,得到光源温度特征向量,并对所述光源亮度分布曲线进行曲线特征分析,得到光源亮度特征向量,以及对所述光源色温分布图进行分布特征解析,得到光源色温特征向量;
第一分析模块,用于将所述光源温度特征向量输入预置的第一散热性能分析模型进行散热性能分析,得到第一散热性能分析指标;
第二分析模块,用于将所述光源亮度特征向量和所述光源色温特征向量输入预置的第二散热性能分析模型进行散热性能分析,得到第二散热性能分析指标;
生成模块,用于根据所述第一散热性能分析指标和所述第二散热性能分析指标生成所述目标光源的散热参数调整集合。
本发明第三方面提供了一种基于人工智能的光源检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于人工智能的光源检测设备执行上述的基于人工智能的光源检测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于人工智能的光源检测方法。
本发明提供的技术方案中,对光源温度变化曲线进行曲线特征提取,得到光源温度特征向量,并对光源亮度分布曲线进行曲线特征分析,得到光源亮度特征向量,以及对光源色温分布图进行分布特征解析,得到光源色温特征向量;将光源温度特征向量输入第一散热性能分析模型进行散热性能分析,得到第一散热性能分析指标;将光源亮度特征向量和光源色温特征向量输入第二散热性能分析模型进行散热性能分析,得到第二散热性能分析指标;根据第一散热性能分析指标和第二散热性能分析指标生成散热参数调整集合,本发明基于人工智能的方法可以自动化地处理大量的光源性能数据,减少了人工干预的需求,从而显著提高了检测效率。从大量的数据中学习并识别光源的性能模式和特征。通过建立准确的模型,基于人工智能的光源检测方法能够更精确地分析光源的温度、亮度和色温等参数,提供更可靠的检测结果。自动地提取光源温度变化曲线、光源亮度分布曲线和光源色温分布图等特征,无需人工干预。通过分析光源的散热性能,基于人工智能的方法能够生成散热参数调整集合。这些集合可以提供针对目标光源的散热参数优化建议,进而提高光源检测的准确率。
附图说明
图1为本发明实施例中基于人工智能的光源检测方法的一个实施例示意图;
图2为本发明实施例中曲线构建的流程图;
图3为本发明实施例中特征提取的流程图;
图4为本发明实施例中散热性能分析的流程图;
图5为本发明实施例中基于人工智能的光源检测装置的一个实施例示意图;
图6为本发明实施例中基于人工智能的光源检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于人工智能的光源检测方法、装置、设备及存储介质,用于提高光源检测的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于人工智能的光源检测方法的一个实施例包括:
S101、获取目标光源的光源性能数据,并对光源性能数据进行数据集分类,得到光源温度参数数据、光源亮度参数数据和光源色温参数数据;
可以理解的是,本发明的执行主体可以为基于人工智能的光源检测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器获取目标光源的光源性能数据,并同时获取与之对应的温度数据标签、亮度数据标签以及色温数据标签。这可以通过使用传感器、测量仪器或其他设备来获取光源性能数据,同时记录下相应的温度数据标签、亮度数据标签和色温数据标签。例如,服务器使用温度传感器来测量光源的温度,并将其与光源性能数据一同记录下来。基于获取到的温度数据标签、亮度数据标签和色温数据标签,服务器对光源性能数据进行标签聚类分析。标签聚类分析是一种无监督学习方法,它可以将具有相似特征的数据点分组到同一类别中。通过聚类算法,服务器将光源性能数据按照温度、亮度和色温等特征进行分类,从而得到第一温度参数数据、第一亮度参数数据和第一色温参数数据。例如,服务器使用K-means算法将数据点分为不同的簇,每个簇代表一类光源性能数据。接下来,对于得到的第一温度参数数据、第一亮度参数数据和第一色温参数数据,服务器进行数据清洗。数据清洗的目的是处理和修正数据中可能存在的错误、缺失值或异常值,以确保数据的准确性和一致性。通过清洗数据,服务器得到第二温度参数数据、第二亮度参数数据和第二色温参数数据,这些数据已经经过处理和纠正。在得到第二温度参数数据、第二亮度参数数据和第二色温参数数据之后,服务器对它们进行数据标准化处理。数据标准化的目的是将不同特征的数据转换为具有相同尺度的数据,以便进行比较和分析。通过标准化处理,服务器得到光源温度参数数据、光源亮度参数数据和光源色温参数数据,这些数据已经转换为具有统一尺度的标准分布。例如,假设服务器有一组LED灯的光源性能数据,包括温度、亮度和色温。服务器测量了10个LED灯的数据,并记录下了相应的温度数据标签、亮度数据标签和色温数据标签。通过对数据进行聚类分析,服务器得到了两个温度类别:低温和高温;三个亮度类别:低亮度、中亮度和高亮度;以及四个色温类别:低色温、中低色温、中高色温和高色温。接下来,服务器对第一温度参数数据、第一亮度参数数据和第一色温参数数据进行数据清洗,处理可能存在的错误或异常值。经过清洗处理后,服务器得到了第二温度参数数据、第二亮度参数数据和第二色温参数数据。最后,服务器对第二温度参数数据、第二亮度参数数据和第二色温参数数据进行数据标准化处理。这可以通过使用标准化方法,如Z-score标准化或最小-最大标准化,将数据转换为具有统一尺度的标准分布。得到的光源温度参数数据、光源亮度参数数据和光源色温参数数据可以用于进一步的分析和应用。
S102、根据光源温度参数数据构建光源温度变化曲线,并根据光源亮度参数数据生成光源亮度分布曲线,以及根据光源色温参数数据生成光源色温分布图;
具体的,对光源温度参数数据进行参数离散化处理,将连续的温度数据划分为不同的离散化温度参数。这可以通过将温度范围分成若干个区间,并将每个温度值映射到对应的区间来实现。例如,将温度范围从0°C到100°C分为10个区间,每个区间为10°C,那么温度为25°C的数据将被映射到第三个区间。接下来,对离散化温度参数进行曲线拟合,以生成光源温度变化曲线。这可以使用曲线拟合算法,如多项式拟合或样条插值,将离散化的温度参数与相应的温度值进行拟合,得到一条光源温度变化曲线。例如,通过对离散化温度参数和相应的温度值进行多项式拟合,可以得到一条光源温度随时间变化的曲线。对于光源亮度参数数据,服务器进行区间划分,将其划分为多个目标区间。这可以通过设定不同的亮度阈值,将亮度数据分成若干个区间来实现。例如,将亮度范围从0到100分为低亮度(0-30)、中亮度(31-70)和高亮度(71-100)三个区间。在得到目标区间后,服务器计算每个目标区间的亮度频率数据,即每个区间中亮度值出现的频率。这可以通过统计在每个区间内的亮度值的个数来计算得出。接下来,服务器使用预置的概率密度函数对亮度频率数据进行曲线拟合,生成光源亮度分布曲线。概率密度函数可以是正态分布、高斯混合模型或其他合适的分布函数。通过对亮度频率数据进行曲线拟合,服务器得到一个反映光源亮度分布的曲线。例如,使用正态分布函数对亮度频率数据进行拟合,可以得到一个近似符合光源亮度分布的曲线,该曲线能够反映不同亮度区间内的亮度值出现的概率。对于光源色温参数数据,服务器进行区域划分,将其划分为多个光源区域。这可以通过设定不同的色温阈值,将色温数据分成若干个区域来实现。例如,将色温范围从2500K到10000K分为低色温区域(2500K-4000K)、中色温区域(4001K-6500K)和高色温区域(6501K-10000K)三个区域。在得到光源区域后,服务器计算每个光源区域的色温平均值,即每个区域内色温值的平均数。这可以通过对每个区域内的色温值进行求平均操作来实现。接下来,通过预置的热力分布函数对每个光源区域的色温平均值进行分布映射,生成光源色温分布图。热力分布函数可以是线性映射、颜色映射或其他适当的分布函数。通过将每个光源区域的色温平均值映射到相应的颜色或亮度值,服务器得到一个反映光源色温分布的图像。例如,使用线性映射将低色温区域映射为蓝色,中色温区域映射为白色,高色温区域映射为红色,从而得到一个色温从低到高变化的色温分布图。
S103、对光源温度变化曲线进行曲线特征提取,得到光源温度特征向量,并对光源亮度分布曲线进行曲线特征分析,得到光源亮度特征向量,以及对光源色温分布图进行分布特征解析,得到光源色温特征向量;
需要说明的是,首先,针对光源温度变化曲线,服务器计算其峰值温度、最小温度以及温度变化速率。峰值温度代表光源温度变化曲线的最高点,最小温度表示最低点,而温度变化速率可以衡量温度变化的快慢程度。将这些特征进行向量编码转换,得到光源温度特征向量。对于光源亮度分布曲线,服务器进行曲线特征分析。获取第一亮度特征集合和第二亮度特征集合。第一亮度特征集合包括亮度分布的均值、方差、峰度以及偏度,用于描述亮度分布的中心趋势、离散程度、峰态以及偏斜程度。第二亮度特征集合包括峰值亮度、亮度变化范围以及分布形态,用于描述亮度分布曲线的最高点、亮度数值的跨度以及整体形状。对这两个特征集合进行向量转换,得到光源亮度特征向量。针对光源色温分布图,服务器进行分布特征解析。其中,色温分布特征包括色温分布的均匀性和色温变化范围。色温分布的均匀性描述了色温在空间上的一致性程度,而色温变化范围表示了色温值的跨度,即不同区域之间色温的差异程度。根据这些特征,可以提取光源色温分布图的关键特征,如色温均值、色温峰值和主要色温区域。对这些关键特征进行向量转换,得到光源色温特征向量。例如,假设服务器要对一种灯具的光源进行特征提取。针对光源温度变化曲线,服务器计算出峰值温度为6000K,最小温度为4000K,温度变化速率为100K/s。将这些值进行向量编码转换,得到光源温度特征向量[6000,4000,100]。对光源亮度分布曲线进行分析,服务器获取第一亮度特征集合和第二亮度特征集合。假设第一亮度特征集合的均值为80,方差为20,峰度为0.5,偏度为-0.2;第二亮度特征集合的峰值亮度为100,亮度变化范围为50,分布形态为对称分布。将这些特征进行向量转换,得到光源亮度特征向量[80,20,0.5,-0.2,100,50]。对于光源色温分布图的分布特征解析,假设色温分布均匀性较高,色温变化范围较小。从色温分布图中提取关键特征,假设色温均值为5000K,色温峰值为5500K,主要色温区域集中在5000K至6000K之间。对这些关键特征进行向量转换,得到光源色温特征向量[5000,5500,5000-6000]。本实施例中,服务器针对光源温度变化曲线、光源亮度分布曲线和光源色温分布图,分别提取相应的特征向量,用于描述光源的温度、亮度和色温特征。这样的特征提取方法可以应用于光源分析、光源控制和光源识别等领域。
S104、将光源温度特征向量输入预置的第一散热性能分析模型进行散热性能分析,得到第一散热性能分析指标;
具体的,首先,服务器建立一个预置的第一散热性能分析模型,该模型包括双层长短时记忆网络(LSTM)和两层全连接层。LSTM是一种适用于处理序列数据的深度学习模型,能够捕捉序列之间的长期依赖关系。全连接层用于特征分类和预测。接下来,将光源温度特征向量输入预置的第一散热性能分析模型。将特征向量输入双层LSTM网络进行特征提取,得到目标温度特征向量。LSTM网络通过对输入序列进行学习,可以提取出与散热性能相关的温度特征。随后,将目标温度特征向量输入两层全连接层进行特征分类和预测,得到第一散热性能分析指标。全连接层可以将提取的特征映射到适合进行分类和预测的空间,通过训练模型学习到的权重和偏置,可以将目标温度特征与散热性能之间的关系进行建模。例如,假设服务器要对一种LED灯具的散热性能进行分析。首先,服务器将光源温度特征向量[6000,4000,100]输入预置的第一散热性能分析模型。该模型由双层LSTM网络和两层全连接层组成。在双层LSTM网络中,模型学习光源温度变化曲线的长期依赖关系,提取与散热性能相关的目标温度特征向量。假设经过LSTM网络的处理,得到目标温度特征向量[35,37,39],表示目标温度在不同时间点的变化。将目标温度特征向量输入两层全连接层。全连接层通过学习与散热性能相关的特征权重和偏置,可以对目标温度特征进行分类和预测。假设经过全连接层的处理,得到第一散热性能分析指标,例如散热效果评级为优秀。
S105、将光源亮度特征向量和光源色温特征向量输入预置的第二散热性能分析模型进行散热性能分析,得到第二散热性能分析指标;
具体的,建立一个预置的第二散热性能分析模型,该模型包括两层卷积网络和归一化函数。卷积网络能够提取特征并捕捉特征之间的空间关系,而归一化函数用于对特征向量进行归一化处理。接下来,将光源亮度特征向量和光源色温特征向量进行向量融合,得到目标融合向量。向量融合可以通过简单的连接操作或使用特定的融合算法,将亮度特征向量和色温特征向量合并成一个综合的特征向量。随后,将目标融合向量输入预置的第二散热性能分析模型中的两层卷积网络进行融合特征提取,得到融合特征向量。卷积网络通过多层卷积和池化操作,可以从目标融合向量中提取具有散热性能相关的特征。最后,将融合特征向量输入归一化函数进行归一化预测,输出第二散热性能分析指标。归一化函数可以对输入特征进行标准化或归一化处理,以便将特征映射到合适的范围,并输出与散热性能相关的分析指标。例如,假设服务器要对一个电子设备的散热性能进行分析。首先,将光源亮度特征向量[0.8,0.6,0.7]和光源色温特征向量[4000,4200,4100]进行向量融合,得到目标融合向量[0.8,0.6,0.7,4000,4200,4100]。接下来,将目标融合向量输入预置的第二散热性能分析模型中的两层卷积网络进行融合特征提取。通过卷积和池化操作,模型可以提取与散热性能相关的融合特征。假设经过卷积网络的处理,得到融合特征向量[0.5,0.4,0.3]。最后,将融合特征向量输入归一化函数进行归一化预测,输出第二散热性能分析指标。归一化函数可以对融合特征向量进行标准化处理,使其在0到1之间。假设经过归一化函数的处理,得到散热性能分析指标0.9。
S106、根据第一散热性能分析指标和第二散热性能分析指标生成目标光源的散热参数调整集合。
具体的,首先,构建第一散热性能分析指标对应的第一散热参数映射模型。这个模型可以是基于统计分析、机器学习或专家经验的方法构建而成。它将第一散热性能分析指标作为输入,输出与之对应的第一散热参数组合。例如,通过训练一个回归模型,可以根据已知的散热性能分析指标和对应的散热参数组合,学习到它们之间的关系。接着,构建第二散热性能分析指标对应的第二散热参数映射模型。同样地,这个模型可以采用类似的方法进行构建,以将第二散热性能分析指标映射到相应的第二散热参数组合。基于第一散热参数映射模型,可以匹配对应的第一散热参数组合,这样就可以根据第一散热性能分析指标确定第一散热参数的取值。类似地,根据第二散热参数映射模型,可以查找对应的第二散热参数组合,以满足第二散热性能分析指标的要求。最后,将第一散热参数组合和第二散热参数组合进行参数组合关联,生成目标光源的散热参数调整集合。这意味着将第一散热参数组合中的参数值与第二散热参数组合中的参数值进行匹配,形成调整后的散热参数集合。这样,就得到了适用于目标光源的散热参数配置方案,以实现所需的散热性能。例如,假设服务器有一个LED灯的散热问题需要解决。通过第一散热性能分析,服务器得到了第一散热性能分析指标为0.8,需要匹配的第一散热参数组合为[0.6,0.4,0.7]。通过第二散热性能分析,服务器得到了第二散热性能分析指标为0.9,需要查找的第二散热参数组合为[0.5,0.3,0.8]。基于第一散热参数映射模型,服务器确定第一散热参数的取值为[0.6,0.4,0.7]。同样地,根据第二散热参数映射模型,服务器确定第二散热参数的取值为[0.5,0.3,0.8]。最后,将第一散热参数组合和第二散热参数组合进行参数组合关联,得到目标光源的散热参数调整集合为[0.6,0.4,0.7,0.5,0.3,0.8]。这个集合包含了满足第一散热性能指标和第二散热性能指标要求的参数取值,可以用于调整目标光源的散热配置,以提升其散热性能。
本发明实施例中,对光源温度变化曲线进行曲线特征提取,得到光源温度特征向量,并对光源亮度分布曲线进行曲线特征分析,得到光源亮度特征向量,以及对光源色温分布图进行分布特征解析,得到光源色温特征向量;将光源温度特征向量输入第一散热性能分析模型进行散热性能分析,得到第一散热性能分析指标;将光源亮度特征向量和光源色温特征向量输入第二散热性能分析模型进行散热性能分析,得到第二散热性能分析指标;根据第一散热性能分析指标和第二散热性能分析指标生成散热参数调整集合,本发明基于人工智能的方法可以自动化地处理大量的光源性能数据,减少了人工干预的需求,从而显著提高了检测效率。从大量的数据中学习并识别光源的性能模式和特征。通过建立准确的模型,基于人工智能的光源检测方法能够更精确地分析光源的温度、亮度和色温等参数,提供更可靠的检测结果。自动地提取光源温度变化曲线、光源亮度分布曲线和光源色温分布图等特征,无需人工干预。通过分析光源的散热性能,基于人工智能的方法能够生成散热参数调整集合。这些集合可以提供针对目标光源的散热参数优化建议,进而提高光源检测的准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取目标光源的光源性能数据,同时,获取温度数据标签、亮度数据标签以及色温数据标签;
(2)基于温度数据标签、亮度数据标签以及色温数据标签,对光源性能数据进行标签聚类分析,得到第一温度参数数据、第一亮度参数数据以及第一色温参数数据;
(3)分别对第一温度参数数据、第一亮度参数数据和第一色温参数数据进行数据清洗,得到第二温度参数数据、第二亮度参数数据以及第二色温参数数据;
(4)分别对第二温度参数数据、第二亮度参数数据以及第二色温参数数据进行数据标准化处理,得到光源温度参数数据、光源亮度参数数据和光源色温参数数据。
具体的,服务器首先需要获取目标光源的光源性能数据,包括温度、亮度和色温等相关数据。同时,获取温度数据标签、亮度数据标签以及色温数据标签,这些标签用于后续的分析和处理。基于温度数据标签、亮度数据标签以及色温数据标签,可以进行标签聚类分析,将光源性能数据划分为不同的群组,每个群组代表具有相似特征的光源性能数据。通过标签聚类分析,可以得到第一温度参数数据、第一亮度参数数据以及第一色温参数数据。接下来,对第一温度参数数据、第一亮度参数数据和第一色温参数数据进行数据清洗。数据清洗的目的是去除异常值、缺失值或错误数据,以确保数据的质量和准确性。清洗过程可以包括去除异常值、填充缺失值、平滑数据等处理方法,以获得第二温度参数数据、第二亮度参数数据以及第二色温参数数据。在完成数据清洗后,对第二温度参数数据、第二亮度参数数据以及第二色温参数数据进行数据标准化处理。数据标准化的目的是将不同特征的数据按照一定的比例进行缩放,以便于比较和分析。常用的数据标准化方法包括Z-score标准化和MinMax标准化等。通过数据标准化处理,可以得到光源温度参数数据、光源亮度参数数据和光源色温参数数据。例如,假设服务器要研究不同光源的性能数据,服务器收集了一批光源的温度、亮度和色温数据,同时也有相应的温度数据标签、亮度数据标签和色温数据标签。服务器将这些数据进行标签聚类分析,得到三个不同群组,每个群组代表一类具有相似特征的光源性能数据。接着,服务器对每个群组的数据进行数据清洗,去除异常值并填补缺失值。经过数据清洗后,服务器得到了第二温度参数数据、第二亮度参数数据和第二色温参数数据。最后,服务器对第二温度参数数据、第二亮度参数数据以及第二色温参数数据进行数据标准化处理,使得这些数据具有相同的尺度和范围。这样,服务器就得到了光源温度参数数据、光源亮度参数数据和光源色温参数数据,可以用于后续的分析和应用。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、对光源温度参数数据进行参数离散化处理,得到离散化温度参数,并对离散化温度参数进行曲线拟合,生成光源温度变化曲线;
S202、对光源亮度参数数据进行区间划分,得到多个目标区间,并计算每个目标区间的亮度频率数据;
S203、基于预置的概率密度函数对亮度频率数据进行曲线拟合,得到光源亮度分布曲线;
S204、对光源色温参数数据进行区域划分,得到多个光源区域,并计算每个光源区域的色温平均值;
S205、通过预置的热力分布函数对每个光源区域的色温平均值进行分布映射,得到光源色温分布图。
具体的,针对光源温度参数数据,服务器对其进行参数离散化处理,将连续的温度值划分为离散的区间。例如,服务器将温度划分为低温、中温和高温三个区间。通过离散化处理,服务器得到了离散化温度参数。接下来,服务器对离散化温度参数进行曲线拟合,以生成光源温度变化曲线。这可以通过使用曲线拟合算法(如多项式拟合或样条插值)来实现。拟合后的曲线能够反映光源温度随时间的变化趋势,例如,服务器得到一条光源温度随时间逐渐升高的曲线。针对光源亮度参数数据,服务器进行区间划分,将亮度值分布划分为多个目标区间。服务器根据亮度数据的分布情况和需求,使用不同的划分方法(如分位数、等宽划分或等频划分)将亮度参数分为不同的区间。划分完成后,服务器计算每个目标区间的亮度频率数据,以了解不同亮度区间的数据分布情况。基于预置的概率密度函数,服务器对亮度频率数据进行曲线拟合,以得到光源亮度分布曲线。通过选择适当的概率密度函数(如正态分布、指数分布或核密度估计),服务器将频率数据拟合成一个平滑的曲线,用于描述光源亮度的分布情况。例如,服务器得到一个呈现高亮度峰值的光源亮度分布曲线。对于光源色温参数数据,服务器进行区域划分,将色温值分布划分为多个光源区域。这可以通过使用聚类分析、阈值划分或其他划分方法来实现。划分后,服务器计算每个光源区域的色温平均值,以了解不同光源区域的色温特征。最后,服务器利用预置的热力分布函数对每个光源区域的色温平均值进行分布映射,以生成光源色温分布图。通过将色温平均值与热力分布函数进行映射,服务器得到一个可视化的图像,展示不同光源区域的色温分布情况。例如,热力分布图可以显示出色温较高的区域与色温较低的区域之间的差异。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、计算光源温度变化曲线的峰值温度、最小温度以及温度变化速率,并对峰值温度、最小温度以及温度变化速率进行向量编码转换,得到光源温度特征向量;
S302、获取光源亮度分布曲线的第一亮度特征集合,同时,获取光源亮度分布曲线的第二亮度特征集合,其中,第一亮度特征集合包括亮度分布的均值、方差、峰度以及偏度,第二亮度特征集合包括峰值亮度、亮度变化范围以及分布形态;
S303、对第一亮度特征集合和第二亮度特征集合进行向量转换,得到光源亮度特征向量;
S304、计算光源色温分布图的色温分布特征,其中,色温分布特征包括:色温分布的均匀性和色温变化范围;
S305、根据色温分布特征提取光源色温分布图的关键特征,其中,所关键特征包括色温均值、色温峰值以及主要色温区域;
S306、对关键特征进行向量转换,得到光源色温特征向量。
具体的,针对光源温度变化曲线,服务器计算其峰值温度、最小温度以及温度变化速率。峰值温度是曲线中温度达到最高值的点,最小温度是曲线中温度达到最低值的点,温度变化速率表示温度在单位时间内的变化程度。这些参数能够描述光源温度变化的关键特征。然后,服务器将峰值温度、最小温度和温度变化速率进行向量编码转换,得到光源温度特征向量,用于表示光源的温度特性。接下来,对于光源亮度分布曲线,服务器提取两组亮度特征集合。第一组亮度特征集合包括亮度分布的均值、方差、峰度和偏度,这些统计量能够描述亮度分布的中心趋势、离散程度和形态特征。第二组亮度特征集合包括峰值亮度、亮度变化范围以及分布形态等。例如,峰值亮度表示亮度分布中的最大值,亮度变化范围表示亮度值的最大差异,分布形态描述亮度分布的整体形状。然后,服务器对这两组亮度特征集合进行向量转换,得到光源亮度特征向量,用于表示光源的亮度特性。针对光源色温分布图,服务器计算色温分布的均匀性和色温变化范围。色温分布的均匀性可以通过测量不同区域的色温差异程度来评估,均匀性较高意味着整个光源区域的色温变化较为平缓。色温变化范围表示光源区域内色温值的最大差异。这些特征能够描述光源色温的分布情况和变化程度。接着,服务器根据色温分布特征提取光源色温分布图的关键特征。关键特征包括色温均值、色温峰值以及主要色温区域。色温均值表示整个光源区域的平均色温值,色温峰值表示色温分布中的最高点,主要色温区域表示光源区域内占比较大的色温范围。这些特征能够描述光源色温分布的核心特性。最后,服务器对关键特征进行向量转换,得到光源色温特征向量,用于表示光源的色温特性。例如,假设服务器有一个LED灯泡的温度数据、亮度数据和色温数据。服务器首先对温度数据进行参数离散化处理,并对离散化的温度参数进行曲线拟合,得到光源温度变化曲线。然后,对亮度数据进行区间划分,计算每个目标区间的亮度频率数据,并使用预置的概率密度函数对亮度频率数据进行曲线拟合,得到光源亮度分布曲线。接下来,对色温数据进行区域划分,计算每个光源区域的色温平均值,并使用预置的热力分布函数对色温平均值进行分布映射,得到光源色温分布图。在得到这些曲线和图像后,服务器进一步提取各种特征。例如,对于光源温度变化曲线,服务器计算其峰值温度、最小温度以及温度变化速率,并进行向量编码转换,得到光源温度特征向量。对于光源亮度分布曲线,服务器计算均值、方差、峰度、偏度等统计量作为第一亮度特征集合,并提取峰值亮度、亮度变化范围等作为第二亮度特征集合,然后进行向量转换,得到光源亮度特征向量。对于光源色温分布图,服务器计算色温分布的均匀性和色温变化范围作为色温分布特征,并提取色温均值、色温峰值以及主要色温区域作为关键特征,然后进行向量转换,得到光源色温特征向量。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、将光源温度特征向量输入预置的第一散热性能分析模型,其中,第一散热性能分析模型包括双层长短时记忆网络以及两层全连接层;
S402、将光源温度特征向量输入双层长短时记忆网络进行特征提取,得到目标温度特征向量;
S403、将目标温度特征向量输入两层全连接层进行特征分类和预测,得到第一散热性能分析指标。
具体的,将光源温度特征向量输入双层LSTM网络进行特征提取。LSTM是一种递归神经网络,特别适用于处理序列数据。通过多个记忆单元和门控机制,LSTM能够有效地捕捉序列数据中的长期依赖关系。LSTM网络的第一层接收光源温度特征向量作为输入,经过一系列的记忆单元和门控机制,提取出一组高级的温度特征表示。这些特征包含了光源温度的重要信息,例如温度的趋势、周期性以及其他与散热性能相关的特征。接下来,将提取出的目标温度特征向量输入两层全连接层进行特征分类和预测。全连接层是一种常用的人工神经网络层,其中的每个神经元与前一层的所有神经元都相连接。这些神经元通过权重和偏置进行计算,将输入特征映射到输出类别。在服务器的场景中,全连接层的目标是根据目标温度特征向量对光源的散热性能进行分类和预测。通过多层的全连接层,网络可以逐渐学习到更高层次的抽象特征,从而能够更准确地判断光源的散热性能。最终,全连接层的输出将是第一散热性能分析指标,它能够表示光源的散热性能的某种度量,例如散热效率、温度稳定性等。例如,假设服务器有一个LED灯的光源温度特征向量,其中包含温度趋势、温度变化速率和温度周期性等特征。服务器将这个特征向量输入预置的第一散热性能分析模型。双层LSTM网络对特征向量进行处理,提取出目标温度特征向量。这些特征可以捕捉到LED灯的温度变化规律和趋势。然后,目标温度特征向量经过两层全连接层进行分类和预测,得到第一散热性能分析指标,例如该LED灯的散热效率。通过这种方法,服务器能够利用神经网络模型将光源温度特征向量转化为散热性能分析指标,从而实现对光源散热性能的评估和预测。这样的分析对于设计和优化光源散热系统非常有价值,可以提高光源的可靠性、稳定性和性能。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)对光源亮度特征向量和光源色温特征向量进行向量融合,得到目标融合向量;
(2)将目标融合向量输入预置的第二散热性能分析模型中,其中,第二散热性能分析模型包括:两层卷积网络和归一化函数;
(3)将目标融合向量输入两层卷积网络进行融合特征提取,得到融合特征向量;
(4)将融合特征向量输入归一化函数进行归一化预测,输出第二散热性能分析指标。
具体的,首先,将光源亮度特征向量和光源色温特征向量进行向量融合,得到目标融合向量。这可以通过简单的向量拼接、加权求和或其他融合技术实现。例如,假设光源亮度特征向量包括亮度均值、方差和峰度,光源色温特征向量包括色温均值和色温变化范围,可以将它们进行拼接,形成一个包含所有特征的融合向量。接下来,将目标融合向量输入预置的第二散热性能分析模型中,该模型包括两层卷积网络和归一化函数。卷积网络可以提取融合特征向量中的空间和局部特征,可以采用多个卷积层和池化层构建一个深层网络。这些卷积层可以捕捉到光源特征中的模式和关联,提供更具信息量的特征表示。而归一化函数可以对输出进行规范化处理,使其落在特定的范围内,如将输出映射到0到1之间。在第二散热性能分析模型中,将目标融合向量输入两层卷积网络进行融合特征提取。卷积网络通过多个卷积层和池化层的堆叠,可以提取融合特征向量中的局部和全局特征。这些特征可以更好地捕捉光源的散热性能相关的信息。最后,将融合特征向量输入归一化函数进行归一化预测,输出第二散热性能分析指标。归一化函数可以将输入数据映射到特定的范围,例如将输出值映射到0到1之间,使其具有统一的尺度。这样的归一化预测可以帮助服务器获得对散热性能的预测结果,例如散热效率、温度分布均匀性等。例如,假设服务器有一个光源的亮度特征向量包括亮度分布的均值、方差和峰度,光源色温特征向量包括色温分布的均匀性和色温变化范围。服务器将这两个特征向量进行拼接,形成一个包含所有特征的融合向量。然后,将融合向量输入一个具有多个卷积层和池化层的卷积网络,提取融合特征。最后,将提取的特征输入一个归一化函数,得到对第二散热性能分析指标的预测结果,例如散热效率。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)构建第一散热性能分析指标对应的第一散热参数映射模型,以及构建第二散热性能分析指标对应的第二散热参数映射模型;
(2)基于第一散热参数映射模型匹配对应的第一散热参数组合,以及根据第二散热参数映射模型查找对应的第二散热参数组合;
(3)对第一散热参数组合和第二散热参数组合进行参数组合关联,生成目标光源的散热参数调整集合。
具体的,首先,收集大量的实验数据,其中包括光源的散热性能指标和相应的散热参数组合。这些数据可以通过实验室测试、模拟仿真或现场监测等方式获取。确保数据具有广泛的覆盖范围,包含不同条件下的散热性能指标和参数组合。基于收集到的数据,针对第一散热性能分析指标和第二散热性能分析指标分别构建对应的散热参数映射模型。这些映射模型可以采用机器学习算法或统计回归方法进行建模。通过输入散热参数组合和对应的散热性能指标,训练模型并得到映射函数或关系,从而实现从散热参数到散热性能的转换。接下来,利用构建好的第一散热参数映射模型和第二散热参数映射模型进行参数匹配和查找。对于给定的第一散热性能分析指标,可以通过第一散热参数映射模型找到对应的第一散热参数组合。类似地,对于给定的第二散热性能分析指标,可以通过第二散热参数映射模型找到对应的第二散热参数组合。最后,对第一散热参数组合和第二散热参数组合进行参数组合关联,生成目标光源的散热参数调整集合。这可以通过匹配第一散热参数和第二散热参数的组合,以及结合实际需求和约束条件来实现。例如,可以根据目标的散热要求和可用的散热设备,从第一散热参数组合中选择一个适当的参数,然后从第二散热参数组合中选择另一个适当的参数,以实现目标光源的散热参数调整集合。例如,假设服务器收集了大量的光源实验数据,包括不同散热参数组合下的散热性能指标。服务器基于这些数据构建第一散热参数映射模型,将散热参数作为输入,第一散热性能分析指标作为输出。同样地,服务器也可以构建第二散热参数映射模型,将散热参数作为输入,第二散热性能分析指标作为输出。假设服务器调整一个目标光源的散热参数,首先根据目标的第一散热性能要求,利用第一散热参数映射模型找到符合要求的第一散热参数组合。然后根据目标的第二散热性能要求,利用第二散热参数映射模型找到符合要求的第二散热参数组合。最后,将第一散热参数组合和第二散热参数组合进行关联,生成目标光源的散热参数调整集合,从而满足目标光源的散热性能需求。通过构建散热参数映射模型和关联参数组合,服务器根据目标的散热性能要求,得到一个合理的散热参数调整集合,以优化光源的散热性能并满足设计需求。
上面对本发明实施例中基于人工智能的光源检测方法进行了描述,下面对本发明实施例中基于人工智能的光源检测装置进行描述,请参阅图5,本发明实施例中基于人工智能的光源检测装置一个实施例包括:
获取模块501,用于获取目标光源的光源性能数据,并对所述光源性能数据进行数据集分类,得到光源温度参数数据、光源亮度参数数据和光源色温参数数据;
构建模块502,用于根据所述光源温度参数数据构建光源温度变化曲线,并根据所述光源亮度参数数据生成光源亮度分布曲线,以及根据所述光源色温参数数据生成光源色温分布图;
解析模块503,用于对所述光源温度变化曲线进行曲线特征提取,得到光源温度特征向量,并对所述光源亮度分布曲线进行曲线特征分析,得到光源亮度特征向量,以及对所述光源色温分布图进行分布特征解析,得到光源色温特征向量;
第一分析模块504,用于将所述光源温度特征向量输入预置的第一散热性能分析模型进行散热性能分析,得到第一散热性能分析指标;
第二分析模块505,用于将所述光源亮度特征向量和所述光源色温特征向量输入预置的第二散热性能分析模型进行散热性能分析,得到第二散热性能分析指标;
生成模块506,用于根据所述第一散热性能分析指标和所述第二散热性能分析指标生成所述目标光源的散热参数调整集合。
通过上述各个组成部分的协同合作,对光源温度变化曲线进行曲线特征提取,得到光源温度特征向量,并对光源亮度分布曲线进行曲线特征分析,得到光源亮度特征向量,以及对光源色温分布图进行分布特征解析,得到光源色温特征向量;将光源温度特征向量输入第一散热性能分析模型进行散热性能分析,得到第一散热性能分析指标;将光源亮度特征向量和光源色温特征向量输入第二散热性能分析模型进行散热性能分析,得到第二散热性能分析指标;根据第一散热性能分析指标和第二散热性能分析指标生成散热参数调整集合,本发明基于人工智能的方法可以自动化地处理大量的光源性能数据,减少了人工干预的需求,从而显著提高了检测效率。从大量的数据中学习并识别光源的性能模式和特征。通过建立准确的模型,基于人工智能的光源检测方法能够更精确地分析光源的温度、亮度和色温等参数,提供更可靠的检测结果。自动地提取光源温度变化曲线、光源亮度分布曲线和光源色温分布图等特征,无需人工干预。通过分析光源的散热性能,基于人工智能的方法能够生成散热参数调整集合。这些集合可以提供针对目标光源的散热参数优化建议,进而提高光源检测的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于人工智能的光源检测装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于人工智能的光源检测设备进行详细描述。
图6是本发明实施例提供的一种基于人工智能的光源检测设备的结构示意图,该基于人工智能的光源检测设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于人工智能的光源检测设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于人工智能的光源检测设备600上执行存储介质630中的一系列指令操作。
基于人工智能的光源检测设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于人工智能的光源检测设备结构并不构成对基于人工智能的光源检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于人工智能的光源检测设备,所述基于人工智能的光源检测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于人工智能的光源检测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于人工智能的光源检测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的光源检测方法,其特征在于,所述基于人工智能的光源检测方法包括:
获取目标光源的光源性能数据,并对所述光源性能数据进行数据集分类,得到光源温度参数数据、光源亮度参数数据和光源色温参数数据;
根据所述光源温度参数数据构建光源温度变化曲线,并根据所述光源亮度参数数据生成光源亮度分布曲线,以及根据所述光源色温参数数据生成光源色温分布图;
对所述光源温度变化曲线进行曲线特征提取,得到光源温度特征向量,并对所述光源亮度分布曲线进行曲线特征分析,得到光源亮度特征向量,以及对所述光源色温分布图进行分布特征解析,得到光源色温特征向量;
将所述光源温度特征向量输入预置的第一散热性能分析模型进行散热性能分析,得到第一散热性能分析指标;
将所述光源亮度特征向量和所述光源色温特征向量输入预置的第二散热性能分析模型进行散热性能分析,得到第二散热性能分析指标;
根据所述第一散热性能分析指标和所述第二散热性能分析指标生成所述目标光源的散热参数调整集合。
2.根据权利要求1所述的基于人工智能的光源检测方法,其特征在于,所述获取目标光源的光源性能数据,并对所述光源性能数据进行数据集分类,得到光源温度参数数据、光源亮度参数数据和光源色温参数数据,包括:
获取目标光源的光源性能数据,同时,获取温度数据标签、亮度数据标签以及色温数据标签;
基于所述温度数据标签、所述亮度数据标签以及所述色温数据标签,对所述光源性能数据进行标签聚类分析,得到第一温度参数数据、第一亮度参数数据以及第一色温参数数据;
分别对所述第一温度参数数据、所述第一亮度参数数据和所述第一色温参数数据进行数据清洗,得到第二温度参数数据、第二亮度参数数据以及第二色温参数数据;
分别对所述第二温度参数数据、所述第二亮度参数数据以及所述第二色温参数数据进行数据标准化处理,得到光源温度参数数据、光源亮度参数数据和光源色温参数数据。
3.根据权利要求1所述的基于人工智能的光源检测方法,其特征在于,所述根据所述光源温度参数数据构建光源温度变化曲线,并根据所述光源亮度参数数据生成光源亮度分布曲线,以及根据所述光源色温参数数据生成光源色温分布图,包括:
对所述光源温度参数数据进行参数离散化处理,得到离散化温度参数,并对所述离散化温度参数进行曲线拟合,生成光源温度变化曲线;
对所述光源亮度参数数据进行区间划分,得到多个目标区间,并计算每个目标区间的亮度频率数据;
基于预置的概率密度函数对所述亮度频率数据进行曲线拟合,得到光源亮度分布曲线;
对所述光源色温参数数据进行区域划分,得到多个光源区域,并计算每个光源区域的色温平均值;
通过预置的热力分布函数对每个光源区域的色温平均值进行分布映射,得到光源色温分布图。
4.根据权利要求1所述的基于人工智能的光源检测方法,其特征在于,所述对所述光源温度变化曲线进行曲线特征提取,得到光源温度特征向量,并对所述光源亮度分布曲线进行曲线特征分析,得到光源亮度特征向量,以及对所述光源色温分布图进行分布特征解析,得到光源色温特征向量,包括:
计算所述光源温度变化曲线的峰值温度、最小温度以及温度变化速率,并对所述峰值温度、所述最小温度以及所述温度变化速率进行向量编码转换,得到光源温度特征向量;
获取所述光源亮度分布曲线的第一亮度特征集合,同时,获取所述光源亮度分布曲线的第二亮度特征集合,其中,所述第一亮度特征集合包括亮度分布的均值、方差、峰度以及偏度,所述第二亮度特征集合包括峰值亮度、亮度变化范围以及分布形态;
对所述第一亮度特征集合和所述第二亮度特征集合进行向量转换,得到光源亮度特征向量;
计算所述光源色温分布图的色温分布特征,其中,所述色温分布特征包括:色温分布的均匀性和色温变化范围;
根据所述色温分布特征提取所述光源色温分布图的关键特征,其中,所关键特征包括色温均值、色温峰值以及主要色温区域;
对所述关键特征进行向量转换,得到光源色温特征向量。
5.根据权利要求1所述的基于人工智能的光源检测方法,其特征在于,所述将所述光源温度特征向量输入预置的第一散热性能分析模型进行散热性能分析,得到第一散热性能分析指标,包括:
将所述光源温度特征向量输入预置的第一散热性能分析模型,其中,所述第一散热性能分析模型包括双层长短时记忆网络以及两层全连接层;
将所述光源温度特征向量输入所述双层长短时记忆网络进行特征提取,得到目标温度特征向量;
将所述目标温度特征向量输入所述两层全连接层进行特征分类和预测,得到第一散热性能分析指标。
6.根据权利要求1所述的基于人工智能的光源检测方法,其特征在于,所述将所述光源亮度特征向量和所述光源色温特征向量输入预置的第二散热性能分析模型进行散热性能分析,得到第二散热性能分析指标,包括:
对所述光源亮度特征向量和所述光源色温特征向量进行向量融合,得到目标融合向量;
将所述目标融合向量输入预置的第二散热性能分析模型中,其中,所述第二散热性能分析模型包括:两层卷积网络和归一化函数;
将所述目标融合向量输入所述两层卷积网络进行融合特征提取,得到融合特征向量;
将所述融合特征向量输入所述归一化函数进行归一化预测,输出第二散热性能分析指标。
7.根据权利要求1所述的基于人工智能的光源检测方法,其特征在于,所述根据所述第一散热性能分析指标和所述第二散热性能分析指标生成所述目标光源的散热参数调整集合,包括:
构建第一散热性能分析指标对应的第一散热参数映射模型,以及构建第二散热性能分析指标对应的第二散热参数映射模型;
基于所述第一散热参数映射模型匹配对应的第一散热参数组合,以及根据所述第二散热参数映射模型查找对应的第二散热参数组合;
对所述第一散热参数组合和所述第二散热参数组合进行参数组合关联,生成所述目标光源的散热参数调整集合。
8.一种基于人工智能的光源检测装置,其特征在于,所述基于人工智能的光源检测装置包括:
获取模块,用于获取目标光源的光源性能数据,并对所述光源性能数据进行数据集分类,得到光源温度参数数据、光源亮度参数数据和光源色温参数数据;
构建模块,用于根据所述光源温度参数数据构建光源温度变化曲线,并根据所述光源亮度参数数据生成光源亮度分布曲线,以及根据所述光源色温参数数据生成光源色温分布图;
解析模块,用于对所述光源温度变化曲线进行曲线特征提取,得到光源温度特征向量,并对所述光源亮度分布曲线进行曲线特征分析,得到光源亮度特征向量,以及对所述光源色温分布图进行分布特征解析,得到光源色温特征向量;
第一分析模块,用于将所述光源温度特征向量输入预置的第一散热性能分析模型进行散热性能分析,得到第一散热性能分析指标;
第二分析模块,用于将所述光源亮度特征向量和所述光源色温特征向量输入预置的第二散热性能分析模型进行散热性能分析,得到第二散热性能分析指标;
生成模块,用于根据所述第一散热性能分析指标和所述第二散热性能分析指标生成所述目标光源的散热参数调整集合。
9.一种基于人工智能的光源检测设备,其特征在于,所述基于人工智能的光源检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于人工智能的光源检测设备执行如权利要求1-7中任一项所述的基于人工智能的光源检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于人工智能的光源检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821862.XA CN116539285B (zh) | 2023-07-06 | 2023-07-06 | 基于人工智能的光源检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821862.XA CN116539285B (zh) | 2023-07-06 | 2023-07-06 | 基于人工智能的光源检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116539285A CN116539285A (zh) | 2023-08-04 |
CN116539285B true CN116539285B (zh) | 2023-09-01 |
Family
ID=87454582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310821862.XA Active CN116539285B (zh) | 2023-07-06 | 2023-07-06 | 基于人工智能的光源检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116539285B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699240A (zh) * | 2009-10-30 | 2010-04-28 | 中山大学 | 半导体照明产品散热性能检测装置及其检测方法 |
CN103196653A (zh) * | 2013-03-08 | 2013-07-10 | 信利光电(汕尾)有限公司 | 一种光源检测方法及装置 |
CN107580384A (zh) * | 2016-07-05 | 2018-01-12 | 刘秉源 | 一种自适应环境的个性化灯具 |
CN109618479A (zh) * | 2019-01-18 | 2019-04-12 | 欧普照明股份有限公司 | 光源参数测量方法、装置、照明系统和终端设备 |
CN112487722A (zh) * | 2020-12-03 | 2021-03-12 | 杭州电子科技大学 | 一种led系统智能调光的动态模糊神经网络建模方法 |
WO2021218602A1 (zh) * | 2020-04-29 | 2021-11-04 | 深圳光峰科技股份有限公司 | 一种基于视觉的ar-hud亮度自适应调节方法 |
CN114170446A (zh) * | 2021-12-10 | 2022-03-11 | 中国兵器工业第五九研究所 | 一种基于深层融合神经网络的温度、亮度特征提取方法 |
CN115826645A (zh) * | 2023-02-16 | 2023-03-21 | 北京新科以仁科技发展有限公司 | 一种激光器的温度控制方法、装置、设备及存储介质 |
CN116068396A (zh) * | 2023-03-29 | 2023-05-05 | 深圳市昱森机电有限公司 | 基于人工智能的电机性能的测试方法及相关装置 |
-
2023
- 2023-07-06 CN CN202310821862.XA patent/CN116539285B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699240A (zh) * | 2009-10-30 | 2010-04-28 | 中山大学 | 半导体照明产品散热性能检测装置及其检测方法 |
CN103196653A (zh) * | 2013-03-08 | 2013-07-10 | 信利光电(汕尾)有限公司 | 一种光源检测方法及装置 |
CN107580384A (zh) * | 2016-07-05 | 2018-01-12 | 刘秉源 | 一种自适应环境的个性化灯具 |
CN109618479A (zh) * | 2019-01-18 | 2019-04-12 | 欧普照明股份有限公司 | 光源参数测量方法、装置、照明系统和终端设备 |
WO2021218602A1 (zh) * | 2020-04-29 | 2021-11-04 | 深圳光峰科技股份有限公司 | 一种基于视觉的ar-hud亮度自适应调节方法 |
CN112487722A (zh) * | 2020-12-03 | 2021-03-12 | 杭州电子科技大学 | 一种led系统智能调光的动态模糊神经网络建模方法 |
CN114170446A (zh) * | 2021-12-10 | 2022-03-11 | 中国兵器工业第五九研究所 | 一种基于深层融合神经网络的温度、亮度特征提取方法 |
CN115826645A (zh) * | 2023-02-16 | 2023-03-21 | 北京新科以仁科技发展有限公司 | 一种激光器的温度控制方法、装置、设备及存储介质 |
CN116068396A (zh) * | 2023-03-29 | 2023-05-05 | 深圳市昱森机电有限公司 | 基于人工智能的电机性能的测试方法及相关装置 |
Non-Patent Citations (1)
Title |
---|
"基于不同散热模式LED的光电热特性研究";刘沛 等;《照明工程学报》;第22卷(第6期);46-50 * |
Also Published As
Publication number | Publication date |
---|---|
CN116539285A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070109A (zh) | 一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法 | |
KR20170078256A (ko) | 시계열의 데이터를 예측 하는 방법 및 그 장치 | |
CN112800231B (zh) | 电力数据校验方法、装置、计算机设备和存储介质 | |
CN114386538B (zh) | 一种标记监测指标的kpi曲线的波段特征的方法 | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN116361679B (zh) | 基于数据驱动的电缆寿命智能预测方法及系统 | |
CN116484269B (zh) | 显示屏模组的参数处理方法、装置、设备及存储介质 | |
CN116453438A (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
CN116340796A (zh) | 时序数据分析方法、装置、设备及存储介质 | |
Li et al. | Distance measures in building informatics: An in-depth assessment through typical tasks in building energy management | |
CN111448848A (zh) | 用于照明器异常的分布式检测的系统、方法和装置 | |
CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
CN116151319A (zh) | 搜索神经网络集成模型的方法、装置和电子设备 | |
CN116539285B (zh) | 基于人工智能的光源检测方法、装置、设备及存储介质 | |
CN112149870B (zh) | 一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法 | |
CN116562746B (zh) | 一种被服物流站点的被服数据监控方法及相关装置 | |
CN115064207B (zh) | 蛋白质亚细胞定位的空间蛋白质组学深度学习预测方法 | |
CN115294406B (zh) | 基于属性的多模态可解释分类的方法与系统 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN110045691A (zh) | 一种多源异构大数据的多任务处理故障监测方法 | |
CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
Termritthikun et al. | Neural architecture search and multi-objective evolutionary algorithms for anomaly detection | |
CN113869601A (zh) | 一种电力用户负荷预测方法、装置及设备 |
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 |