CN116634638A - 灯光控制策略的生成方法、灯光控制方法以及相关装置 - Google Patents
灯光控制策略的生成方法、灯光控制方法以及相关装置 Download PDFInfo
- Publication number
- CN116634638A CN116634638A CN202310556331.2A CN202310556331A CN116634638A CN 116634638 A CN116634638 A CN 116634638A CN 202310556331 A CN202310556331 A CN 202310556331A CN 116634638 A CN116634638 A CN 116634638A
- Authority
- CN
- China
- Prior art keywords
- light control
- control strategy
- neural network
- network model
- image
- 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.)
- Pending
Links
- 238000011217 control strategy Methods 0.000 title claims abstract description 182
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000007613 environmental effect Effects 0.000 claims abstract description 115
- 238000003062 neural network model Methods 0.000 claims abstract description 92
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 55
- 230000033001 locomotion Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 13
- 230000001502 supplementing effect Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 239000013589 supplement Substances 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000001276 controlling effect Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009434 installation Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 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
- H05B47/165—Controlling the light source following a pre-assigned programmed sequence; Logic control [LC]
-
- 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
-
- 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
-
- 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
-
- 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
Abstract
本申请实施例公开了一种灯光控制策略的生成方法、灯光控制方法以及相关装置。该生成方法包括:基于载具上的图像采集设备获取目标场景的图像,并提取图像中的环境信息;基于训练好的神经网络模型对环境信息进行处理,生成用于控制载具上的照明设备的第一灯光控制策略,其中,训练好的神经网络模型是使用多个样本图像中的环境信息和各环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练得到。通过本申请,解决了相关技术中通常采用人为设置灯光参数或者按照场景预设灯光参数方式进行灯光调节,无法满足驾驶场景的照明需求的技术问题,达到了更加准确且智能化地生成灯光参数,满足目标场景的照明需求的技术效果。
Description
技术领域
本申请涉及灯光控制技术领域,尤其涉及一种灯光控制策略的生成方法、灯光控制方法以及相关装置。
背景技术
在驾驶场景中,通常采用人为设置灯光参数或者按照场景预设灯光参数方式进行灯光调节,由于驾驶场景的需求是多变的,需要根据不同的路况、天气、时间等因素进行灯光调节,而人为或者预设灯光参数方式无法实时适应这些变化,可能会导致驾驶安全问题,无法满足驾驶场景的照明需求。
针对上述的问题,尚未提出有效地解决方案。
发明内容
本申请实施例提供了一种灯光控制策略的生成方法、灯光控制方法以及相关装置,以至少解决相关技术中通常采用人为设置灯光参数或者按照场景预设灯光参数方式进行灯光调节,无法满足驾驶场景的照明需求的技术问题。
根据本申请实施例的一个方面,提供了一种灯光控制策略的生成方法,包括:基于载具上的图像采集设备获取目标场景的图像,并提取所述图像中的环境信息,其中,所述环境信息用于描述所述载具所处所述目标场景的环境参数;基于训练好的神经网络模型对所述环境信息进行处理,生成用于控制所述载具上的照明设备的第一灯光控制策略,其中,所述训练好的神经网络模型是使用多个样本图像中的环境信息和各所述环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练得到。
可选地,使用多个样本图像中的环境信息和各所述环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练,包括:将各所述样本图像中的环境信息输入所述神经网络模型,由所述神经网络模型输出各所述环境信息的预测灯光控制策略;将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略进行比较,得到各所述环境信息的损失值;利用各所述环境信息的损失值对所述神经网络模型进行参数优化,得到训练好的神经网络模型。
可选地,在将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略进行比较,得到各所述环境信息的损失值之前,所述方法还包括:获取各所述环境信息对应的运动信息,其中,所述运动信息用于描述所述载具处于所述目标场景时的运行参数;将各所述样本图像中的环境信息和各所述环境信息对应的运动信息输入所述神经网络模型,由所述神经网络模型输出各所述环境信息的预测灯光控制策略。
可选地,将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略进行比较,得到各所述环境信息的损失值,包括:将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略输入至损失函数,输出各所述环境信息的损失值,其中,所述损失函数包括以下至少之一:均方误差损失函数和交叉熵损失函数。
可选地,在所述损失函数为所述均方误差损失函数时,所述均方误差损失函数L1的计算表达式如下:L1=1/n*∑(x-y)^2,其中,n表示样本图像的数量,∑表示对所有样本图像求和,x表示各样本图像中的环境信息对应的预测灯光控制策略,y表示各样本图像中的环境信息对应的实际灯光控制策略。
可选地,在所述损失函数为所述交叉熵损失函数时,所述交叉熵损失函数L2的计算表达式如下:L2=-1/n*∑(y*log(x)+(1-y)*log(1-x)),其中,n表示样本图像的数量,x表示各样本图像中的环境信息对应的预测灯光控制策略,y表示各样本图像中的环境信息对应的实际灯光控制策略,log表示自然对数。
可选地,所述方法还包括:获取所述图像的目标区域的位置信息,其中,所述目标区域内各像素点的亮度值小于预设的亮度值;基于所述位置信息使用所述载具上的照明设备对所述目标区域进行补光,并基于所述载具上的图像采集设备获取补光后的图像;基于所述训练好的神经网络模型对所述补光后的图像中的环境信息进行处理,生成用于控制所述载具上的照明设备的第二灯光控制策略。
可选地所述方法还包括在所述第一灯光控制策略与所述第二灯光控制策略相同时,则确定任一种灯光控制策略作为目标灯光控制策略;在所述第一灯光控制策略与所述第二灯光控制策略不同时,则确定所述第二灯光控制策略作为目标灯光控制策略。
根据本申请实施例的另一个方面,还提供了一种灯光控制策略的生成装置,包括:第一获取模块,用于基于载具上的图像采集设备获取目标场景的图像,并提取所述图像中的环境信息,其中,所述环境信息用于描述所述载具所处所述目标场景的环境参数;生成模块,用于基于训练好的神经网络模型对所述环境信息进行处理,生成用于控制所述载具上的照明设备的第一灯光控制策略,其中,所述训练好的神经网络模型是使用多个样本图像中的环境信息和各所述环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练得到。
根据本申请实施例的另一个方面,还提供了一种灯光控制方法,包括:获取目标灯光控制策略,其中,所述目标灯光控制策略基于上述中任一项所述的灯光控制策略的生成方法的步骤生成;基于所述目标灯光控制策略对所述载具上的照明设备进行控制。
根据本申请实施例的另一个方面,还提供了一种灯光控制装置,包括:第二获取模块,用于获取目标灯光控制策略,其中,所述目标灯光控制策略基于上述中任一项所述的灯光控制策略的生成方法的步骤生成;控制模块,用于基于所述目标灯光控制策略对所述载具上的照明设备进行控制。
根据本申请实施例的另一个方面,还提供了一种载具,所述载具设置有上述中所述的灯光控制策略的生成装置或者所述的灯光控制装置。
根据本申请实施例的另一个方面,还提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述中任一项所述的方法的步骤。
根据本申请实施例的另一个方面,还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包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任一项所述的方法的步骤。
在本申请实施例中,采用基于载具上的图像采集设备获取目标场景的图像,并提取图像中的环境信息,其中,环境信息用于描述载具所处目标场景的环境参数;基于训练好的神经网络模型对环境信息进行处理,生成用于控制载具上的照明设备的第一灯光控制策略,其中,训练好的神经网络模型是使用多个样本图像中的环境信息和各环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练得到。也就是说,本申请实施例利用训练好的神经网络模型对目标场景图像中的环境信息进行处理,生成用于控制载具上的照明设备的第一灯光控制策略,从而实现灯光参数的智能化生成,使调节的照明设备的灯光更符合目标场景的真实需求,进而解决了相关技术中通常采用人为设置灯光参数或者按照场景预设灯光参数方式进行灯光调节,无法满足驾驶场景的照明需求的技术问题,达到了更加准确且智能化地生成灯光参数,满足目标场景的照明需求的技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的灯光控制策略的生成方法的流程图;
图2为本申请可选实施例提供的灯光控制策略的生成方法的流程图;
图3为本申请实施例提供的灯光控制方法的流程图;
图4为本申请实施例提供的灯光控制策略的生成装置的示意图;
图5为本申请实施例提供的灯光控制装置的示意图;
图6为本申请实施例提供的载具的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,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”等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,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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。
根据本申请实施例的一个方面,提供了一种灯光控制策略的生成方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1为本申请实施例提供的灯光控制策略的生成方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,基于载具上的图像采集设备获取目标场景的图像,并提取图像中的环境信息,其中,环境信息用于描述载具所处目标场景的环境参数;
上述载具即交通工具,其包括但不限于有人驾驶车辆、无人驾驶车辆、无人机以及其他可以自主移动的智能设备等;图像采集设备可以根据实际需要设置在载具上的预定位置,用于采集目标场景的图像,其包括但不限于相机、摄像头、手机等;另外,对于图像采集设备的数量,本申请的实施例不做任何限制,其可以是1个、2个、6个或者更多;在图像采集设备的数量为多个时,每个图像采集设备既可以对同一方向的目标场景进行图像采集,也可以对不同方向的目标场景进行图像采集;以无人驾驶车辆为例,需要通过图像方式获取道路上的车辆信息、行人信息、障碍物以及道路标志信息等。上述图像(又称为图像数据)的图像类型包括但不限于灰度图像、彩色图像、二值图像、深度图像、矢量图像以及全景图像等。
可选地,基于载具上的图像采集设备获取目标场景的图像的具体实施方式可以分为以下几个步骤:根据实际需求选择合适的图像采集设备,如相机、摄像头等。需要考虑采集设备的分辨率、帧率、适应环境等因素;图像采集设备安装在载具上,如车辆、飞行器等;需要考虑图像采集设备的安装位置、角度、固定方式等因素,以保证采集到的图像质量和稳定性;将图像采集设备与控制设备(如计算机、控制器等)连接,以便控制图像采集设备的工作状态和获取采集到的图像数据;通过控制设备,控制图像采集设备进行图像采集;可以通过手动控制或自动控制的方式进行图像采集,如设置采集时间、采集频率等参数;将采集到的图像数据存储在本地或云端,进行后续的图像处理和分析。可以使用图像处理软件、深度学习框架等工具对图像数据进行处理和分析,如目标检测、图像识别等任务。
需要说明的是,在实际应用中,需要考虑图像采集设备的稳定性、安全性、数据传输等因素,以保证图像采集的质量和可靠性。
上述环境信息包括但不限于天气、道路、障碍物等信息;例如,在环境信息为天气时,其环境参数包括但不限于温度、湿度、风速以及降雨量等;在环境信息为道路时,其环境参数包括但不限于道路的类型、长度、宽度等;在环境信息为障碍物时,其环境参数包括但不限于障碍物的位置、大小以及类型等。需要说明的是,本申请所涉及的环境信息可以根据应用场景的需要而调整,并不仅仅局限于上述描述的内容。
步骤S104,基于训练好的神经网络模型对环境信息进行处理,生成用于控制载具上的照明设备的第一灯光控制策略,其中,训练好的神经网络模型是使用多个样本图像中的环境信息和各环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练得到。
上述神经网络模型包括但不限于卷积神经网络(CNN)等;上述灯光控制策略包括但不限于灯光的亮度、颜色、方向、开关时间以及远近光灯等;上述载具上的照明设备用于为载具提供灯光照明,例如,照明设备为行驶中或者停靠在路边的车辆提供灯光照明,使得道路上的车辆、障碍物、行人等能够及时发现,避免发生交通安全事故。
另外,对于神经网络模型而言,在模型训练阶段,其使用的是样本图像中的环境信息;在模型应用阶段,其使用的是目标场景图像中的环境信息。
进一步地,上述灯光控制策略以相应的灯光控制信号形式输出至照明设备对应的控制单元,从而实现对照明设备的灯光控制。
通过上述步骤,可以实现利用训练好的神经网络模型对目标场景图像中的环境信息进行处理,生成用于控制载具上的照明设备的第一灯光控制策略,从而实现灯光参数的智能化生成,使调节的照明设备的灯光更符合目标场景的真实需求,进而解决了相关技术中通常采用人为设置灯光参数或者按照场景预设灯光参数方式进行灯光调节,无法满足驾驶场景的照明需求的技术问题,达到了更加准确且智能化地生成灯光参数,满足目标场景的照明需求的技术效果。
需要说明的是,以车辆为例,本申请的技术方案采用基于神经网络模型的目标场景识别,这是基于图像中的环境信息,或者,图像中的环境信息和该环境信息对应的运动信息结合进行学习的,与现有技术中根据识别的车辆数量,自身车速等信息,通过一些人工定义的规则来确定目标场景相比,是完全不同的。另外,本申请的技术方案涉及的是灯光控制信号,而不是油门、转向等车辆控制信号,可以采集多个专业驾驶员的控制信息(例如灯光控制信号),综合起来为神经网络模型提供学习的数据,而神经网络模型的输出是直接的灯光控制信号。与现有技术中针对单一驾驶员,学习其驾驶习惯,与人工定义的驾驶风格进行匹配,输出的最匹配的驾驶风格相比,也是完全不同的。
在目标场景涉及车辆越野时,本申请的技术方案采用双目摄像头获得目标场景的深度信息,可以自动的检测各种未知类别的障碍物,从而提高图像获取及信息准确度。
此外,本申请的技术方案分为两步,一步是识别目标场景,另一步由目标场景再预测灯光控制信号;在此过程中可以预先设置灯光控制类别(远近光,角度,亮度级别等)。
在一种可选的实施例中,使用多个样本图像中的环境信息和各环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练,包括:将各样本图像中的环境信息输入神经网络模型,由神经网络模型输出各环境信息的预测灯光控制策略;将各环境信息的预测灯光控制策略与各环境信息的实际灯光控制策略进行比较,得到各环境信息的损失值;利用各环境信息的损失值对神经网络模型进行参数优化,得到训练好的神经网络模型。
可选地,收集、清洗和标记大量的样本图像,将大量的样本图像集分为训练集、验证集和测试集;确定适合应用场景的神经网络模型,包括网络结构、激活函数、损失函数等;对神经网络模型的参数进行初始化,通常使用随机初始化;将训练集中的多个样本图像中的环境信息输入到神经网络模型中,通过前向传播计算神经网络模型的输出,得到各样本图像中的环境信息的预测灯光控制策略;将各样本图像中的环境信息的预测灯光控制策略与各样本图像中的环境信息的实际灯光控制策略进行比较,计算各样本图像中的环境信息的损失值;根据各样本图像中的环境信息的损失值,通过反向传播算法计算每个参数的梯度;使用优化算法(如梯度下降)更新神经网络模型的参数,使损失值最小化。
进一步地,使用验证集中的多个样本图像中的环境信息检验神经网络模型的性能,如果性能不佳,则需要调整神经网络模型的超参数;
进一步地,使用测试集中的多个样本图像中的环境信息评估神经网络模型的性能,得出最终的模型性能指标,保存训练好的神经网络模型,以便后续使用。
需要说明的是,在训练神经网络模型的过程中,样本图像中环境信息的预测灯光控制策略与样本图像中环境信息的实际灯光控制策略可以采用预定标签表征,例如,0至1之间的任一值。
在本申请的实施例中,将训练数据集输入神经网络模型,通过反向传播算法优化模型参数,使得模型能够准确地预测图像对应的灯光控制策略。将测试数据集输入训练好的神经网络模型,得到预测灯光控制策略,并与实际灯光控制策略进行比较,计算损失值,评估模型的准确度和泛化能力。将训练好的神经网络模型应用于目标场景中,根据输入的图像预测出对应的灯光控制策略,实现智能化的灯光控制。
在一种可选的实施例中,在将各环境信息的预测灯光控制策略与各环境信息的实际灯光控制策略进行比较,得到各环境信息的损失值之前,上述方法还包括:获取各环境信息对应的运动信息,其中,运动信息用于描述载具处于目标场景时的运行参数;将各样本图像中的环境信息和各环境信息对应的运动信息输入神经网络模型,由神经网络模型输出各环境信息的预测灯光控制策略。
上述运动信息包括但不限于载具运行状态、灯光控制信号等动态信息;在运行信息为载具运行状态,其运动参数包括但不限于速度、转向和俯仰角度等;在运行信息为灯光控制信号,其运动参数包括但不限于灯光类别、亮度等这些与灯光控制信号相关的参数。需要说明的是,本申请所涉及的运动信息可以根据应用场景的需要而调整,并不仅仅局限于上述描述的内容。
在本申请的实施例中,通过将各样本图像中的环境信息和各环境信息对应的运动信息作为神经网络模型的输入,并输出相应的环境信息的预测灯光控制策略,并应用于后续的神经网络模型的参数优化,进而利用训练好的神经网络模型可以实现更有效地预测载具在运动状态下的灯光控制策略,提升灯光控制的准确性。
在一种可选的实施例中,将各环境信息的预测灯光控制策略与各环境信息的实际灯光控制策略进行比较,得到各环境信息的损失值,包括:将各环境信息的预测灯光控制策略与各环境信息的实际灯光控制策略输入至损失函数,输出各环境信息的损失值,其中,损失函数包括以下至少之一:均方误差损失函数和交叉熵损失函数。
可选地,将各样本图像中环境信息对应的预测灯光控制策略与各样本图像中环境信息对应的实际灯光控制策略进行比较,可以使用各种损失函数来计算损失值。损失函数包括均方误差(MSE)、交叉熵损失函数等。需要说明的是,通过损失函数计算得到的损失值用于反映预测值与实际值之间的差异,差异越小,损失值越小,神经网络模型的准确度越高。
在一种可选的实施例中,在损失函数为均方误差损失函数时,均方误差损失函数L1的计算表达式如下:
L1=1/n*∑(x-y)^2
其中,n表示样本图像的数量,∑表示对所有样本图像求和,x表示各样本图像中的环境信息对应的预测灯光控制策略,y表示各样本图像中的环境信息对应的实际灯光控制策略。
在本申请的实施例中,采用均方误差损失函数的计算方式简单,只需要对预测值与实际值之间的差异进行平方和求平均即可;对异常值不敏感,即使存在一些离群点,也不会对损失值产生过大的影响;适用于连续值预测问题,如回归问题,可以优化模型对连续值的预测能力;可以使用梯度下降算法进行模型优化,提高模型的准确度。
在一种可选的实施例中,在损失函数为交叉熵损失函数时,交叉熵损失函数L2的计算表达式如下:
L2=-1/n*∑(y*log(x)+(1-y)*log(1-x))
其中,n表示样本图像的数量,x表示各样本图像中的环境信息对应的预测灯光控制策略,y表示各样本图像中的环境信息对应的实际灯光控制策略,log表示自然对数。
上述交叉熵损失函数作为分类问题损失函数,可以用来衡量模型预测结果(对应于上述预测灯光控制策略)与真实标签(对应于上述实际灯光控制策略)之间的差异。
在计算交叉熵损失函数时,需要将实际灯光控制策略转换为编码向量,即将其对应的标签转换为一个只有一个元素为1,其余元素为0的向量。例如,如果有3个类别,第二个类别为实际灯光控制策略,则其对应的编码向量为[0,1,0]。
在每次训练迭代中,神经网络模型会根据当前的参数值对训练数据进行前向传播,得到神经网络模型的预测结果,即预测灯光控制策略。然后,将预测灯光控制策略与实际灯光控制策略进行比较,计算出交叉熵损失函数的损失值。
在计算交叉熵损失函数的梯度时,可以使用链式法则将其转换为对神经网络模型输出的梯度。具体来说,对于第i个输出x[i],其梯度可以表示为:
dL/dx[i]=-y[i]/x[i]+(1-y[i])/(1-x[i])
然后,使用反向传播算法计算出每个参数的梯度,使用优化算法(如梯度下降)更新模型的参数,使交叉熵损失函数的损失值最小化。
在本申请的实施例中,采用交叉熵损失函数计算损失值的方式,可以优化神经网络模型对分类问题的预测能力;可以处理多分类问题,如softmax分类器,可以将多个类别的概率值进行归一化,得到每个类别的概率分布;可以优化神经网络模型对概率分布的预测能力,使得神经网络模型能够更好地拟合真实的概率分布;可以使用梯度下降算法进行模型优化,提高模型的准确度。
在一种可选的实施例中,上述方法还包括:获取图像的目标区域的位置信息,其中,目标区域内各像素点的亮度值小于预设的亮度值;基于位置信息使用载具上的照明设备对目标区域进行补光,并基于载具上的图像采集设备获取补光后的图像;基于训练好的神经网络模型对补光后的图像中的环境信息进行处理,生成用于控制载具上的照明设备的第二灯光控制策略。
可选地,通过图像处理技术,获取图像目标区域的位置信息,即目标区域内各像素点的亮度值小于预设的亮度值;根据目标区域的位置信息,使用载具上的照明设备对目标区域进行补光,以提高目标区域的亮度;基于载具上的图像采集设备获取补光后的图像,以便后续处理;将补光后的图像中对应的环境信息输入训练好的神经网络模型,通过模型处理生成用于控制载具上的照明设备的第二灯光控制策略;根据第二灯光控制策略,控制载具上的照明设备进行灯光控制,以进一步提高目标区域的亮度和清晰度。
在本申请的实施例中,该方法可以实现智能化的补光控制,提高图像的质量和清晰度,适用于各种需要补光的场景,如夜间拍摄、低光环境下的监控等。
图2为本申请可选实施例提供的灯光控制策略的生成方法的流程图,如图2所示,该方法包括如下步骤:获取目标场景的图像;情形一:获取图像的环境信息,并将该图像的环境信息输入训练好的神经网络模型,从而输出第一灯光控制策略;情形二:获取该图像中目标区域的位置信息,该目标区域内各像素点的亮度值小于预设的亮度值;将目标区域的位置信息传输至处理器;并由处理器发出信号至灯光控制单元;灯光控制单元利用目标区域的位置信息对灯光调节;完成对目标区域的补光;然后获取补光后的图像;再将该补光后的图像中对应的环境信息输入训练好的神经网络模型,从而输出第二灯光控制策略;在图像获取中,会有一些待识别的目标区域,处于较暗状态,图像采集设备无法获取准确信息,通过需要照明设备与图像采集设备联调,动态调整图像,提高灯光控制策略的确信度,并在第一灯光控制策略和第二灯光控制策略不一致时,以第二灯光控制策略为准,从而有效提升照明设备的灯光控制效果或者照明效果。
在一种可选的实施例中,上述方法还包括:在第一灯光控制策略与第二灯光控制策略相同时,则确定任一种灯光控制策略作为目标灯光控制策略;在第一灯光控制策略与第二灯光控制策略不同时,则确定第二灯光控制策略作为目标灯光控制策略。
在本申请的实施例中,如果第一灯光控制策略与第二灯光控制策略相同,则可以确定任一种灯光控制策略作为目标灯光控制策略,因为它们的效果是相同的。如果第一灯光控制策略与第二灯光控制策略不同,则可以确定第二灯光控制策略作为目标灯光控制策略,因为它是基于补光后的图像处理得到的,可以更好地提高图像的质量和清晰度。该方法可以确保在不同的情况下,都能够得到最优的灯光控制策略,提高图像的质量和清晰度,能够使得照明效果更佳。
根据本申请实施例的另一个方面,还提供了一种灯光控制方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图3为本申请实施例提供的灯光控制方法的流程图,如图3所示,该方法包括如下步骤:
步骤S302,获取目标灯光控制策略,其中,目标灯光控制策略基于上述中任一项的灯光控制策略的生成方法的步骤生成;
步骤S304,基于目标灯光控制策略对载具上的照明设备进行控制。
通过上述步骤,可以实现利用训练好的神经网络模型对目标场景图像中的环境信息进行处理,生成用于控制载具上的照明设备的第一灯光控制策略,再利用目标灯光控制策略对载具上的照明设备进行控制,从而实现灯光参数的智能化生成,使调节的照明设备的灯光更符合目标场景的真实需求,进而解决了相关技术中通常采用人为设置灯光参数或者按照场景预设灯光参数方式进行灯光调节,无法满足驾驶场景的照明需求的技术问题,达到了更加准确且智能化地生成灯光参数,满足目标场景的照明需求的技术效果。
根据本申请实施例的另一个方面,还提供了一种灯光控制策略的生成装置,图4为本申请实施例提供的灯光控制策略的生成装置的示意图,如图4所示,该灯光控制策略的生成装置40包括:第一获取模块402和生成模块404。下面对该灯光控制策略的生成装置进行详细说明。
第一获取模块402,用于基于载具上的图像采集设备获取目标场景的图像,并提取图像中的环境信息,其中,环境信息用于描述载具所处目标场景的环境参数;
生成模块404,连接至上述第一获取模块402,用于基于训练好的神经网络模型对环境信息进行处理,生成用于控制载具上的照明设备的第一灯光控制策略,其中,训练好的神经网络模型是使用多个样本图像中的环境信息和各环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练得到。
在本申请的实施例中,该灯光控制策略的生成装置利用训练好的神经网络模型对目标场景图像中的环境信息进行处理,生成用于控制载具上的照明设备的第一灯光控制策略,从而实现灯光参数的智能化生成,使调节的照明设备的灯光更符合目标场景的真实需求,进而解决了相关技术中通常采用人为设置灯光参数或者按照场景预设灯光参数方式进行灯光调节,无法满足驾驶场景的照明需求的技术问题,达到了更加准确且智能化地生成灯光参数,满足目标场景的照明需求的技术效果。
此处需要说明的是,上述第一获取模块402和生成模块404对应于方法实施例中的步骤S102至S104,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述方法实施例所公开的内容。
可选地,上述生成模块404包括:第一处理单元,用于将各样本图像中的环境信息输入神经网络模型,由神经网络模型输出各环境信息的预测灯光控制策略;第二处理单元,用于将各环境信息的预测灯光控制策略与各环境信息的实际灯光控制策略进行比较,得到各环境信息的损失值;第三处理单元,用于利用各环境信息的损失值对神经网络模型进行参数优化,得到训练好的神经网络模型。
可选地,上述生成模块404还包括:第四处理单元,用于在将各环境信息的预测灯光控制策略与各环境信息的实际灯光控制策略进行比较,得到各环境信息的损失值之前,获取各环境信息对应的运动信息其中,运动信息用于描述载具处于目标场景时的运行参数;第五处理单元,用于将各样本图像中的环境信息和各环境信息对应的运动信息输入神经网络模型,由神经网络模型输出各环境信息的预测灯光控制策略。
可选地,上述第二处理单元包括:处理子单元,用于将各环境信息的预测灯光控制策略与各环境信息的实际灯光控制策略输入至损失函数,输出各环境信息的损失值,其中,损失函数包括以下至少之一∶均方误差损失函数和交叉熵损失函数。
可选地,在损失函数为均方误差损失函数时,均方误差损失函数L1的计算表达式如下:L1=1/n*∑(x-y)^2,其中,n表示样本图像的数量,∑表示对所有样本图像求和,x表示各样本图像中的环境信息对应的预测灯光控制策略,y表示各样本图像中的环境信息对应的实际灯光控制策略。
可选地,在损失函数为交叉熵损失函数时,交叉熵损失函数L2的计算表达式如下:L2=-1/n*∑(y*log(x)+(1-y)*log(1-x)),其中,n表示样本图像的数量,x表示各样本图像中的环境信息对应的预测灯光控制策略,y表示各样本图像中的环境信息对应的实际灯光控制策略,log表示自然对数。
可选地,上述装置还包括:第三获取模块,用于获取图像的目标区域的位置信息,其中,目标区域内各像素点的亮度值小于预设的亮度值;第四获取模块,用于基于位置信息使用载具上的照明设备对目标区域进行补光,并基于载具上的图像采集设备获取补光后的图像;处理模块,用于基于训练好的神经网络模型对补光后的图像中的环境信息进行处理,生成用于控制载具上的照明设备的第二灯光控制策略。
可选地,上述装置还包括:第一确定模块,用于在第一灯光控制策略与第二灯光控制策略相同时,则确定任一种灯光控制策略作为目标灯光控制策略;第二确定模块,用于在第一灯光控制策略与第二灯光控制策略不同时,则确定第二灯光控制策略作为目标灯光控制策略。
根据本申请实施例的另一个方面,还提供了一种灯光控制装置,图5为本申请实施例提供的灯光控制装置的示意图,如图5所示,该灯光控制装置50包括:第二获取模块502和控制模块504。下面对该灯光控制装置进行详细说明。
第二获取模块502,用于获取目标灯光控制策略,其中,目标灯光控制策略基于上述中任一项的灯光控制策略的生成方法的步骤生成;
控制模块504,连接至上述第二获取模块502,用于基于目标灯光控制策略对载具上的照明设备进行控制。
在本申请的实施例中,该灯光控制装置利用训练好的神经网络模型对目标场景图像中的环境数据进行处理,生成用于控制载具上的照明设备的第一灯光控制策略,再利用目标灯光控制策略对载具上的照明设备进行控制,从而实现灯光参数的智能化生成,使调节的照明设备的灯光更符合目标场景的真实需求,进而解决了相关技术中通常采用人为设置灯光参数或者按照场景预设灯光参数方式进行灯光调节,无法满足驾驶场景的照明需求的技术问题,达到了更加准确且智能化地生成灯光参数,满足目标场景的照明需求的技术效果。
此处需要说明的是,上述第二获取模块502和控制模块504对应于方法实施例中的步骤S302至S304,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述方法实施例所公开的内容。
根据本申请实施例的另一个方面,还提供了一种载具,图6为本申请实施例提供的载具的示意图,如图6所示,该载具60设置有上述中的灯光控制策略的生成装置40或者的灯光控制装置50。
根据本申请实施例的另一个方面,还提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为执行上述中任一项的方法的步骤。
根据本申请实施例的另一个方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述中任一项的方法的步骤。
可选地,在本实施例中,上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,和/或位于移动终端群中的任意一个移动终端中,上述计算机可读存储介质包括存储的程序。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述模块的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块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,本申请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(可为个人计算机、服务器或者网络设备等)执行本申请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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (14)
1.一种灯光控制策略的生成方法,其特征在于,包括:
基于载具上的图像采集设备获取目标场景的图像,并提取所述图像中的环境信息,其中,所述环境信息用于描述所述载具所处所述目标场景的环境参数;
基于训练好的神经网络模型对所述环境信息进行处理,生成用于控制所述载具上的照明设备的第一灯光控制策略,其中,所述训练好的神经网络模型是使用多个样本图像中的环境信息和各所述环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练得到。
2.根据权利要求1所述的方法,其特征在于,使用多个样本图像中的环境信息和各所述环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练,包括:
将各所述样本图像中的环境信息输入所述神经网络模型,由所述神经网络模型输出各所述环境信息的预测灯光控制策略;
将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略进行比较,得到各所述环境信息的损失值;
利用各所述环境信息的损失值对所述神经网络模型进行参数优化,得到训练好的神经网络模型。
3.根据权利要求2所述的方法,其特征在于,在将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略进行比较,得到各所述环境信息的损失值之前,所述方法还包括:
获取各所述环境信息对应的运动信息,其中,所述运动信息用于描述所述载具处于所述目标场景时的运行参数;
将各所述样本图像中的环境信息和各所述环境信息对应的运动信息输入所述神经网络模型,由所述神经网络模型输出各所述环境信息的预测灯光控制策略。
4.根据权利要求2所述的方法,其特征在于,将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略进行比较,得到各所述环境信息的损失值,包括:
将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略输入至损失函数,输出各所述环境信息的损失值,其中,所述损失函数包括以下至少之一:均方误差损失函数和交叉熵损失函数。
5.根据权利要求4所述的方法,其特征在于,在所述损失函数为所述均方误差损失函数时,所述均方误差损失函数L1的计算表达式如下:
L1=1/*∑(-y)^2
其中,n表示样本图像的数量,∑表示对所有样本图像求和,x表示各样本图像中的环境信息对应的预测灯光控制策略,y表示各样本图像中的环境信息对应的实际灯光控制策略。
6.根据权利要求4所述的方法,其特征在于,在所述损失函数为所述交叉熵损失函数时,所述交叉熵损失函数L2的计算表达式如下:
L2=-1/n*∑(y*log(x)+(1-)*og(1-))
其中,n表示样本图像的数量,x表示各样本图像中的环境信息对应的预测灯光控制策略,y表示各样本图像中的环境信息对应的实际灯光控制策略,log表示自然对数。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述图像的目标区域的位置信息,其中,所述目标区域内各像素点的亮度值小于预设的亮度值;
基于所述位置信息使用所述载具上的照明设备对所述目标区域进行补光,并基于所述载具上的图像采集设备获取补光后的图像;
基于所述训练好的神经网络模型对所述补光后的图像中的环境信息进行处理,生成用于控制所述载具上的照明设备的第二灯光控制策略。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
在所述第一灯光控制策略与所述第二灯光控制策略相同时,则确定任一种灯光控制策略作为目标灯光控制策略;
在所述第一灯光控制策略与所述第二灯光控制策略不同时,则确定所述第二灯光控制策略作为目标灯光控制策略。
9.一种灯光控制方法,其特征在于,包括:
获取目标灯光控制策略,其中,所述目标灯光控制策略基于权利要求1至8中任一项所述的灯光控制策略的生成方法的步骤生成;
基于所述目标灯光控制策略对所述载具上的照明设备进行控制。
10.一种灯光控制策略的生成装置,其特征在于,包括:
第一获取模块,用于基于载具上的图像采集设备获取目标场景的图像,并提取所述图像中的环境信息,其中,所述环境信息用于描述所述载具所处所述目标场景的环境参数;
生成模块,用于基于训练好的神经网络模型对所述环境信息进行处理,生成用于控制所述载具上的照明设备的第一灯光控制策略,其中,所述训练好的神经网络模型是使用多个样本图像中的环境信息和各所述环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练得到。
11.一种灯光控制装置,其特征在于,包括:
第二获取模块,用于获取目标灯光控制策略,其中,所述目标灯光控制策略基于权利要求1至8中任一项所述的灯光控制策略的生成方法的步骤生成;
控制模块,用于基于所述目标灯光控制策略对所述载具上的照明设备进行控制。
12.一种载具,其特征在于,所述载具设置有权利要求10中所述的灯光控制策略的生成装置或者权利要求11中所述的灯光控制装置。
13.一种电子设备,其特征在于,包括:处理器;用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1至9中任一项所述的方法的步骤。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310556331.2A CN116634638A (zh) | 2023-05-16 | 2023-05-16 | 灯光控制策略的生成方法、灯光控制方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310556331.2A CN116634638A (zh) | 2023-05-16 | 2023-05-16 | 灯光控制策略的生成方法、灯光控制方法以及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116634638A true CN116634638A (zh) | 2023-08-22 |
Family
ID=87641054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310556331.2A Pending CN116634638A (zh) | 2023-05-16 | 2023-05-16 | 灯光控制策略的生成方法、灯光控制方法以及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116634638A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117098270A (zh) * | 2023-10-17 | 2023-11-21 | 深圳市天成照明有限公司 | Led节能灯的智能控制方法、装置、设备及存储介质 |
CN117528857A (zh) * | 2024-01-05 | 2024-02-06 | 深圳市云睿福光电科技有限公司 | 基于人工智能的led射灯智能配置方法、系统及介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106604508A (zh) * | 2017-02-23 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 基于自学习的灯光环境控制方法和控制系统 |
CN108490938A (zh) * | 2018-03-21 | 2018-09-04 | 沈阳上博智像科技有限公司 | 无人驾驶设备视觉避障系统及方法 |
CN108928292A (zh) * | 2018-06-27 | 2018-12-04 | 郑州轻工业学院 | 光照角度实时调整的汽车远近光灯自动切换及联网系统 |
CN109685066A (zh) * | 2018-12-24 | 2019-04-26 | 中国矿业大学(北京) | 一种基于深度卷积神经网络的矿井目标检测与识别方法 |
CN109934121A (zh) * | 2019-02-21 | 2019-06-25 | 江苏大学 | 一种基于YOLOv3算法的果园行人检测方法 |
CN110361176A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN110958750A (zh) * | 2018-09-25 | 2020-04-03 | 珠海格力电器股份有限公司 | 照明设备控制方法及装置 |
CN113085891A (zh) * | 2021-03-29 | 2021-07-09 | 银隆新能源股份有限公司 | 车辆控制方法、装置、非易失性存储介质及处理器 |
CN113518500A (zh) * | 2021-04-16 | 2021-10-19 | 江苏力行电力电子科技有限公司 | 一种基于情境识别的智能灯光自动调节方法及调控系统 |
CN114648738A (zh) * | 2022-02-10 | 2022-06-21 | 成都锦城学院 | 一种基于物联网与边缘计算的图像识别系统与方法 |
CN114863554A (zh) * | 2022-04-08 | 2022-08-05 | 哈尔滨工程大学 | 一种基于深度学习模型的手语识别系统和方法 |
CN115063501A (zh) * | 2022-06-15 | 2022-09-16 | 同心智医科技(北京)有限公司 | 基于DUNet的DTI图像重建方法及系统 |
US20220319154A1 (en) * | 2019-12-19 | 2022-10-06 | Huawei Technologies Co., Ltd. | Neural network model update method, image processing method, and apparatus |
CN115225543A (zh) * | 2022-07-08 | 2022-10-21 | 北京百度网讯科技有限公司 | 一种流量预测方法、装置、电子设备和存储介质 |
CN115278099A (zh) * | 2022-06-29 | 2022-11-01 | 广东小天才科技有限公司 | 一种补光灯控制方法、终端设备及存储介质 |
CN115982555A (zh) * | 2023-01-03 | 2023-04-18 | 中铁第一勘察设计院集团有限公司 | 一种基于模糊信息粒化和动态神经网络的沉降预测方法 |
CN116033633A (zh) * | 2023-02-13 | 2023-04-28 | 北京熙捷科技有限公司 | 基于深度学习的灯光控制方法、装置、设备及存储介质 |
-
2023
- 2023-05-16 CN CN202310556331.2A patent/CN116634638A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106604508A (zh) * | 2017-02-23 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 基于自学习的灯光环境控制方法和控制系统 |
CN108490938A (zh) * | 2018-03-21 | 2018-09-04 | 沈阳上博智像科技有限公司 | 无人驾驶设备视觉避障系统及方法 |
CN108928292A (zh) * | 2018-06-27 | 2018-12-04 | 郑州轻工业学院 | 光照角度实时调整的汽车远近光灯自动切换及联网系统 |
CN110958750A (zh) * | 2018-09-25 | 2020-04-03 | 珠海格力电器股份有限公司 | 照明设备控制方法及装置 |
CN109685066A (zh) * | 2018-12-24 | 2019-04-26 | 中国矿业大学(北京) | 一种基于深度卷积神经网络的矿井目标检测与识别方法 |
CN109934121A (zh) * | 2019-02-21 | 2019-06-25 | 江苏大学 | 一种基于YOLOv3算法的果园行人检测方法 |
CN110361176A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
US20220319154A1 (en) * | 2019-12-19 | 2022-10-06 | Huawei Technologies Co., Ltd. | Neural network model update method, image processing method, and apparatus |
CN113085891A (zh) * | 2021-03-29 | 2021-07-09 | 银隆新能源股份有限公司 | 车辆控制方法、装置、非易失性存储介质及处理器 |
CN113518500A (zh) * | 2021-04-16 | 2021-10-19 | 江苏力行电力电子科技有限公司 | 一种基于情境识别的智能灯光自动调节方法及调控系统 |
CN114648738A (zh) * | 2022-02-10 | 2022-06-21 | 成都锦城学院 | 一种基于物联网与边缘计算的图像识别系统与方法 |
CN114863554A (zh) * | 2022-04-08 | 2022-08-05 | 哈尔滨工程大学 | 一种基于深度学习模型的手语识别系统和方法 |
CN115063501A (zh) * | 2022-06-15 | 2022-09-16 | 同心智医科技(北京)有限公司 | 基于DUNet的DTI图像重建方法及系统 |
CN115278099A (zh) * | 2022-06-29 | 2022-11-01 | 广东小天才科技有限公司 | 一种补光灯控制方法、终端设备及存储介质 |
CN115225543A (zh) * | 2022-07-08 | 2022-10-21 | 北京百度网讯科技有限公司 | 一种流量预测方法、装置、电子设备和存储介质 |
CN115982555A (zh) * | 2023-01-03 | 2023-04-18 | 中铁第一勘察设计院集团有限公司 | 一种基于模糊信息粒化和动态神经网络的沉降预测方法 |
CN116033633A (zh) * | 2023-02-13 | 2023-04-28 | 北京熙捷科技有限公司 | 基于深度学习的灯光控制方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
乔冠;段中兴;: "基于CAN总线隧道智能照明控制系统的研究", 能源与环境, no. 06, 30 December 2010 (2010-12-30) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117098270A (zh) * | 2023-10-17 | 2023-11-21 | 深圳市天成照明有限公司 | Led节能灯的智能控制方法、装置、设备及存储介质 |
CN117098270B (zh) * | 2023-10-17 | 2023-12-19 | 深圳市天成照明有限公司 | Led节能灯的智能控制方法、装置、设备及存储介质 |
CN117528857A (zh) * | 2024-01-05 | 2024-02-06 | 深圳市云睿福光电科技有限公司 | 基于人工智能的led射灯智能配置方法、系统及介质 |
CN117528857B (zh) * | 2024-01-05 | 2024-03-29 | 深圳市云睿福光电科技有限公司 | 基于人工智能的led射灯智能配置方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107697070B (zh) | 驾驶行为预测方法和装置、无人车 | |
CN116634638A (zh) | 灯光控制策略的生成方法、灯光控制方法以及相关装置 | |
CN110399856B (zh) | 特征提取网络训练方法、图像处理方法、装置及其设备 | |
CN109753913B (zh) | 计算高效的多模式视频语义分割方法 | |
CN110850854A (zh) | 自动驾驶员代理和为自动驾驶员代理提供策略的策略服务器 | |
EP1255177A2 (en) | Image recognizing apparatus and method | |
WO2019047656A1 (zh) | 用于控制无人驾驶车辆的方法和装置 | |
CN111491093B (zh) | 一种摄像头视场角的调整方法和装置 | |
US11436839B2 (en) | Systems and methods of detecting moving obstacles | |
CN114418895A (zh) | 驾驶辅助方法及装置、车载设备及存储介质 | |
CN110135302B (zh) | 训练车道线识别模型的方法、装置、设备和存储介质 | |
CN110956146B (zh) | 一种道路背景建模方法、装置、电子设备和存储介质 | |
CN111047874B (zh) | 智能交通违章管理方法及相关产品 | |
CN111161160B (zh) | 一种雾天障碍物检测方法、装置、电子设备和存储介质 | |
CN111666800A (zh) | 一种行人重识别模型训练方法及行人重识别方法 | |
CN113359843B (zh) | 一种无人机自主降落方法、装置、电子设备及存储介质 | |
CN112489072B (zh) | 一种车载视频感知信息传输负载优化方法及装置 | |
Milford et al. | Long exposure localization in darkness using consumer cameras | |
CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
Mygapula et al. | Cnn based end to end learning steering angle prediction for autonomous electric vehicle | |
CN113486885A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN110333517B (zh) | 障碍物感知方法、装置及存储介质 | |
CN114973173A (zh) | 驾驶场景数据的分类方法、装置、电子设备及存储介质 | |
CN114419018A (zh) | 图像采样方法、系统、设备及介质 | |
CN110177222A (zh) | 一种结合车机闲散资源的摄像头曝光参数调整方法及装置 |
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 |
Effective date of registration: 20230911 Address after: Zone B, No. 16 Industrial Avenue, Tanzhou Town, Zhongshan City, Guangdong Province, 528467 Applicant after: Zhongshan Eaststar Optoelectronics Technology Co.,Ltd. Address before: Building 12, No. 188 Xinsha Third Road, Tangjiawan Town, High tech Zone, Zhuhai City, Guangdong Province, 519085 Applicant before: Zhuhai Guangtong Intelligent Decoration Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right |