CN116744511B - 智能调光调色照明系统及其方法 - Google Patents
智能调光调色照明系统及其方法 Download PDFInfo
- Publication number
- CN116744511B CN116744511B CN202310577748.7A CN202310577748A CN116744511B CN 116744511 B CN116744511 B CN 116744511B CN 202310577748 A CN202310577748 A CN 202310577748A CN 116744511 B CN116744511 B CN 116744511B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature
- vector
- dimensional
- matrix
- 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 41
- 230000008859 change Effects 0.000 claims abstract description 60
- 238000005286 illumination Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 270
- 239000011159 matrix material Substances 0.000 claims description 165
- 238000000605 extraction Methods 0.000 claims description 49
- 230000002457 bidirectional effect Effects 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 13
- 238000005728 strengthening Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 230000002787 reinforcement Effects 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 35
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000004134 energy conservation Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 26
- 238000004590 computer program Methods 0.000 description 10
- 230000003247 decreasing effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 241001465382 Physalis alkekengi Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
一种智能调光调色照明系统及其方法,其获取预定时间段内多个预定时间点的环境亮度值;利用深度学习和人工智能技术,基于环境亮度变化情况来自适应地调整照明亮度,以在实现节能的同时,确保亮度满足照明需求。
Description
技术领域
本申请涉及智能化照明技术领域,并且更具体地,涉及一种智能调光调色照明系统及其方法。
背景技术
调光调色照明系统是一种可以控制灯光亮度的照明系统。这种系统通常由以下组件构成:中央控制器、调光器、调色器和灯具等。它可以提高照明的舒适性和效率,节省能源和成本,创造不同的氛围和灯光效果。
现有的调光调色照明系统存在一些问题,例如:部分调光调色照明系统的设计较为复杂,需要经过专业培训才能够操作,对于普通用户来说可能会感到困难。
因此,期待一种优化的调光调色照明系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种智能调光调色照明系统及其方法,其获取预定时间段内多个预定时间点的环境亮度值;利用深度学习和人工智能技术,基于环境亮度变化情况来自适应地调整照明亮度,以在实现节能的同时,确保亮度满足照明需求。
第一方面,提供了一种智能调光调色照明系统,其包括:环境亮度采集模块,用于获取预定时间段内多个预定时间点的环境亮度值;数据结构化模块,用于将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度值时序输入向量;数据差值运算模块,用于计算所述环境亮度值时序输入向量中每相邻两个位置的环境亮度值之间的差值以得到环境亮度值变化时序输入向量;数据级联模块,用于将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量;多尺度时序特征提取模块,用于将所述环境亮度多维度时序输入向量通过多尺度邻域特征提取模块以得到环境亮度多维度时序特征向量;特征级强化模块,用于基于高斯密度图对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度多维度时序特征矩阵;特征响应增强模块,用于将所述环境亮度多维度时序特征矩阵通过双向注意力机制模块以得到分类特征矩阵;流形曲面维度正交化模块,用于对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵;以及控制结果生成模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示照明亮度值应增大或应减小。
在上述智能调光调色照明系统中,用于:以如下级联公式将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量;其中,所述级联公式为:其中,/>,/>表示所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量,/>表示级联函数,/>表示所述环境亮度多维度时序输入向量。
在上述智能调光调色照明系统中,所述多尺度邻域特征提取模块,包括:相互并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述智能调光调色照明系统中,所述多尺度时序特征提取模块,包括:第一尺度特征提取单元,用于使用所述多尺度邻域特征提取模的第一卷积层以如下第一卷积公式对所述环境亮度多维度时序输入向量进行一维卷积编码以得到第一尺度环境亮度特征向量;其中,所述第一卷积公式为:其中,/>为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、/>为与第一一维卷积核函数运算的局部向量矩阵,/>为第一一维卷积核的尺寸,/>表示所述环境亮度多维度时序输入向量,/>表示对所述环境亮度多维度时序输入向量进行一维卷积编码;第二尺度特征提取单元,用于使用所述多尺度邻域特征提取模的第二卷积层以如下第二卷积公式对所述环境亮度多维度时序输入向量进行一维卷积编码以得到第二尺度环境亮度特征向量;其中,所述第二卷积公式为:/>,其中,/>为第二一维卷积核在/>方向上的宽度、/>为第二一维卷积核参数向量、/>为与第二一维卷积核函数运算的局部向量矩阵,/>为第二一维卷积核的尺寸,/>表示所述环境亮度多维度时序输入向量,/>表示对所述环境亮度多维度时序输入向量进行一维卷积编码;以及,多尺度融合单元,用于使用所述多尺度邻域特征提取模的融合层对所述第一尺度环境亮度特征向量和所述第二尺度环境亮度特征向量进行级联以得到所述环境亮度多维度时序特征向量。
在上述智能调光调色照明系统中,所述特征级强化模块,包括:强化单元,用于基于高斯密度图以如下高斯公式对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度高斯特征图;其中,所述高斯公式为:,其中,/>表示所述环境亮度多维度时序特征向量,且/>的每个位置的值表示所述环境亮度多维度时序特征向量中相应两个位置的特征值之间的方差;以及,离散化单元,用于对所述环境亮度高斯特征图的各个位置的高斯分布进行离散化处理以得到所述环境亮度多维度时序特征矩。
在上述智能调光调色照明系统中,所述特征响应增强模块,包括:池化单元,用于将所述环境亮度多维度时序特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量;关联编码单元,用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵;激活单元,用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵;以及,特征矩阵计算单元,用于计算所述双向关联权重矩阵和所述环境亮度多维度时序特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
在上述智能调光调色照明系统中,所述流形曲面维度正交化模块,用于:以如下优化公式对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵;其中,所述优化公式为:,其中,/>和/>是所述分类特征矩阵中各个位置的特征值集合的均值和标准差,/>是所述分类特征矩阵的第/>位置的特征值,且/>是所述优化分类特征矩阵的第/>位置的特征值。
在上述智能调光调色照明系统中,所述控制结果生成模块,包括:矩阵展开单元,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
第二方面,提供了一种智能调光调色照明方法,其包括:获取预定时间段内多个预定时间点的环境亮度值;将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度值时序输入向量;计算所述环境亮度值时序输入向量中每相邻两个位置的环境亮度值之间的差值以得到环境亮度值变化时序输入向量;将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量;将所述环境亮度多维度时序输入向量通过多尺度邻域特征提取模块以得到环境亮度多维度时序特征向量;基于高斯密度图对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度多维度时序特征矩阵;将所述环境亮度多维度时序特征矩阵通过双向注意力机制模块以得到分类特征矩阵;对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵;以及将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示照明亮度值应增大或应减小。
在上述智能调光调色照明方法中,将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量,包括:以如下级联公式将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量;其中,所述级联公式为:其中,,/>表示所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量,表示级联函数,/>表示所述环境亮度多维度时序输入向量。
与现有技术相比,本申请提供的智能调光调色照明系统及其方法,其获取预定时间段内多个预定时间点的环境亮度值;利用深度学习和人工智能技术,基于环境亮度变化情况来自适应地调整照明亮度,以在实现节能的同时,确保亮度满足照明需求。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1为根据本申请实施例的智能调光调色照明系统的应用场景图。
图2为根据本申请实施例的智能调光调色照明系统的框图。
图3为根据本申请实施例的智能调光调色照明系统中所述多尺度时序特征提取模块的框图。
图4为根据本申请实施例的智能调光调色照明系统中所述特征级强化模块的框图。
图5为根据本申请实施例的智能调光调色照明系统中所述特征响应增强模块的框图。
图6为根据本申请实施例的智能调光调色照明系统中所述控制结果生成模块的框图。
图7为根据本申请实施例的智能调光调色照明方法的流程图。
图8为根据本申请实施例的智能调光调色照明方法的系统架构的示意图。
具体实施方式
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描述,显然,所描述的实施例是本申请一部分实施例,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,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
针对上述技术问题,本申请的技术构思是结合深度学习和人工智能技术,并基于环境亮度变化情况来自适应地调整照明亮度,以在实现节能的同时,确保亮度满足照明需求。
具体地,在本申请的技术方案中,首先,获取预定时间段内多个预定时间点的环境亮度值。这里,所述环境亮度值是指环境中光照的强度,单位是勒克斯(lx)或尼特(nt)。不同的环境亮度值会影响人眼对光源或受光物体表面明亮程度的感觉。例如,在白天环境亮度10,000特时,人眼大约能分辨的亮度范围为200~20,000尼特,而夜间环境为30尼特时,可分辨的亮度范围为1~200 尼特。通过获取所述预定时间段内多个预定时间点的环境亮度值可以反映环境亮度的变化情况。
接着,将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度值时序输入向量以更好的反映环境亮度的绝对量变化情况。
然后,计算所述环境亮度值时序输入向量中每相邻两个位置的环境亮度值之间的差值以得到环境亮度值变化时序输入向量。通过这样的方式,可以更好地捕捉环境亮度的变化情况,即环境亮度的变化速率和变化幅度。例如,如果环境亮度的变化速率较快,说明环境光线发生了突变,可能需要及时调整照明亮度以适应新的环境;如果环境亮度的变化幅度较大,说明环境光线有较强的对比度,可能需要平滑照明亮度以减少视觉疲劳。
如前所述,所述环境亮度值变化时序输入向量可以反映环境亮度的变化趋势和速率,而所述环境亮度值时序输入向量可以反映环境亮度的绝对数值。在本申请的技术方案中,将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量。也就是,所述环境亮度多维度时序输入向量可以提供更全面的环境亮度特征。此外,通过级联的方式不会增加特征的复杂度,同时还增加了特征的信息量。
考虑到环境亮度的变化具有时序性和局部性,即在一定时间范围内,环境亮度的变化趋势和幅度与其邻近的时间点有关。为了更好地捕捉环境亮度的变化特征,在本申请的技术中,将所述环境亮度多维度时序输入向量通过多尺度邻域特征提取模块以得到环境亮度多维度时序特征向量。也就是,利用所述多尺度邻域特征提取模块来捕捉所述环境亮度多维度时序输入向量中不同时间尺度和不同邻域范围的环境亮度变化特征分布。
进一步地,基于高斯密度图对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度多维度时序特征矩阵。这里,所述高斯密度图可以反映出数据的中心趋势、离散程度和偏态等特征。具体而言,通过将环境亮度多维度时序特征向量映射到高斯密度图上,可以对特征向量进行特征级强化,即增强数据的差异性和可区分性,同时减少数据的噪声和冗余。
继而,将所述环境亮度多维度时序特征矩阵通过双向注意力机制模块以得到分类特征矩阵。其中,所述双向注意力机制模块能充分利用上下文信息来增强环境亮度特征响应和抑制背景特征响应。双向注意力模块分别从水平方向和垂直方向对特征矩阵的注意力权重校准并获取复杂特征关系,从而完全能够从空间的全局特征中获取局部特征信息。
在得到所述分类特征矩阵后,将其通过分类器以得到分类结果,所述分类结果用于表示照明亮度值应增大或应减小。这里,所述分类器可以根据输入数据的特征分布来判断其属于哪个类别。通过这样的方式,所述分类器可以根据所述分类特征矩阵来给出灯光的调节控制策略。
在本申请的技术方案中,在基于高斯密度图对所述环境亮度多维度时序特征向量进行特征级强化得到所述环境亮度多维度时序特征矩阵时,所述环境亮度多维度时序特征矩阵在垂直于所述高斯密度图的均值向量的方向上是基于方差矩阵的相应方差值对应概率密度进行展开,因此所述环境亮度多维度时序特征矩阵的整体特征分布会存在高维特征空间内的概率密度表示下的维度区分度不够的问题,而由于所述双向注意力机制模块是在所述环境亮度多维度时序特征矩阵的空间维度上强化局部行空间和列空间分布,所述分类特征矩阵仍然存在概率密度维度下的区分度问题,从而影响所述分类特征矩阵在分类任务下的类概率表达,降低了所述分类特征矩阵通过分类器得到的分类结果的准确性。
因此,本申请的申请人对所述分类特征矩阵进行高斯概率密度的流形曲面维度正交化,具体表示为:/>其中/>和/>是特征值集合的均值和标准差,且/>是优化后的所述分类特征矩阵的第/>位置的特征值。
这里,通过以表达流形曲面的高维特征集合的均值和标准差的平方根来表征曲面单位切向量模长和单位法向量模长,可以将所述分类特征矩阵的高维特征流形的流形曲面在切平面和法平面上进行基于单位模长的正交投影,从而基于高斯特征流形几何的基本结构进行高维特征的概率密度的维度重整,以通过提升概率密度的维度正交化来提升优化后的分类特征矩阵在分类任务下的类概率表达的准确性,从而改进优化后的所述分类特征矩阵通过分类器得到的分类结果的准确性。
本申请具有如下几点技术效果:1、提供了一种智能化的调光调色照明系统。2、该系统能够根据环境亮度的变化自动调节灯光的亮度,以达到节能和舒适的照明效果。同时,无需专业培训或复杂的设置,普通用户也可以方便地使用该系统。
图1为根据本申请实施例的智能调光调色照明系统的应用场景图。如图1所示,在该应用场景中,首先,获取预定时间段内多个预定时间点的环境亮度值(例如,如图1中所示意的C);然后,将获取的环境亮度值输入至部署有智能调光调色照明算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于智能调光调色照明算法对所述环境亮度值进行处理,以生成用于表示照明亮度值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中,图2为根据本申请实施例的智能调光调色照明系统的框图。如图2所示,根据本申请实施例的智能调光调色照明系统100,包括:环境亮度采集模块110,用于获取预定时间段内多个预定时间点的环境亮度值;数据结构化模块120,用于将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度值时序输入向量;数据差值运算模块130,用于计算所述环境亮度值时序输入向量中每相邻两个位置的环境亮度值之间的差值以得到环境亮度值变化时序输入向量;数据级联模块140,用于将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量;多尺度时序特征提取模块150,用于将所述环境亮度多维度时序输入向量通过多尺度邻域特征提取模块以得到环境亮度多维度时序特征向量;特征级强化模块160,用于基于高斯密度图对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度多维度时序特征矩阵;特征响应增强模块170,用于将所述环境亮度多维度时序特征矩阵通过双向注意力机制模块以得到分类特征矩阵;流形曲面维度正交化模块180,用于对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵;以及,控制结果生成模块190,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示照明亮度值应增大或应减小。
具体地,在本申请实施例中,所述环境亮度采集模块110,用于获取预定时间段内多个预定时间点的环境亮度值。针对上述技术问题,本申请的技术构思是结合深度学习和人工智能技术,并基于环境亮度变化情况来自适应地调整照明亮度,以在实现节能的同时,确保亮度满足照明需求。
具体地,在本申请的技术方案中,首先,获取预定时间段内多个预定时间点的环境亮度值。这里,所述环境亮度值是指环境中光照的强度,单位是勒克斯(lx)或尼特(nt)。不同的环境亮度值会影响人眼对光源或受光物体表面明亮程度的感觉。例如,在白天环境亮度10,000特时,人眼大约能分辨的亮度范围为200~20,000尼特,而夜间环境为30尼特时,可分辨的亮度范围为1~200 尼特。通过获取所述预定时间段内多个预定时间点的环境亮度值可以反映环境亮度的变化情况。
具体地,在本申请实施例中,所述数据结构化模块120和所述数据差值运算模块130,用于将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度值时序输入向量;
以及,用于计算所述环境亮度值时序输入向量中每相邻两个位置的环境亮度值之间的差值以得到环境亮度值变化时序输入向量。接着,将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度值时序输入向量以更好的反映环境亮度的绝对量变化情况。
然后,计算所述环境亮度值时序输入向量中每相邻两个位置的环境亮度值之间的差值以得到环境亮度值变化时序输入向量。通过这样的方式,可以更好地捕捉环境亮度的变化情况,即环境亮度的变化速率和变化幅度。例如,如果环境亮度的变化速率较快,说明环境光线发生了突变,可能需要及时调整照明亮度以适应新的环境;如果环境亮度的变化幅度较大,说明环境光线有较强的对比度,可能需要平滑照明亮度以减少视觉疲劳。
具体地,在本申请实施例中,所述数据级联模块140,用于将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量。如前所述,所述环境亮度值变化时序输入向量可以反映环境亮度的变化趋势和速率,而所述环境亮度值时序输入向量可以反映环境亮度的绝对数值。在本申请的技术方案中,将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量。也就是,所述环境亮度多维度时序输入向量可以提供更全面的环境亮度特征。此外,通过级联的方式不会增加特征的复杂度,同时还增加了特征的信息量。
其中,所述数据级联模块140,用于:以如下级联公式将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量;其中,所述级联公式为:,其中,/>,/>表示所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量,/>表示级联函数,/>表示所述环境亮度多维度时序输入向量。
具体地,在本申请实施例中,所述多尺度时序特征提取模块150,用于将所述环境亮度多维度时序输入向量通过多尺度邻域特征提取模块以得到环境亮度多维度时序特征向量。考虑到环境亮度的变化具有时序性和局部性,即在一定时间范围内,环境亮度的变化趋势和幅度与其邻近的时间点有关。为了更好地捕捉环境亮度的变化特征,在本申请的技术中,将所述环境亮度多维度时序输入向量通过多尺度邻域特征提取模块以得到环境亮度多维度时序特征向量。也就是,利用所述多尺度邻域特征提取模块来捕捉所述环境亮度多维度时序输入向量中不同时间尺度和不同邻域范围的环境亮度变化特征分布。
其中,所述多尺度邻域特征提取模块,包括:相互并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
图3为根据本申请实施例的智能调光调色照明系统中所述多尺度时序特征提取模块的框图,如图3所示,所述多尺度时序特征提取模块150,包括:第一尺度特征提取单元151,用于使用所述多尺度邻域特征提取模的第一卷积层以如下第一卷积公式对所述环境亮度多维度时序输入向量进行一维卷积编码以得到第一尺度环境亮度特征向量;其中,所述第一卷积公式为:,其中,/>为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、/>为与第一一维卷积核函数运算的局部向量矩阵,/>为第一一维卷积核的尺寸,/>表示所述环境亮度多维度时序输入向量,/>表示对所述环境亮度多维度时序输入向量进行一维卷积编码;第二尺度特征提取单元152,用于使用所述多尺度邻域特征提取模的第二卷积层以如下第二卷积公式对所述环境亮度多维度时序输入向量进行一维卷积编码以得到第二尺度环境亮度特征向量;其中,所述第二卷积公式为:/>,其中,/>为第二一维卷积核在/>方向上的宽度、/>为第二一维卷积核参数向量、/>为与第二一维卷积核函数运算的局部向量矩阵,/>为第二一维卷积核的尺寸,/>表示所述环境亮度多维度时序输入向量,/> 表示对所述环境亮度多维度时序输入向量进行一维卷积编码;以及,多尺度融合单元153,用于使用所述多尺度邻域特征提取模的融合层对所述第一尺度环境亮度特征向量和所述第二尺度环境亮度特征向量进行级联以得到所述环境亮度多维度时序特征向量。
值得一提的是,相较于传统的特征工程,所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型,其能够通过预定训练策略来拟合任何函数功能,且具有更高的特征提取泛化能力。
所述多尺度邻域特征提取模块包含多个并行的一维卷积层,其中,在所述多尺度邻域特征提取模块进行特征提取的过程中,所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地,在本申请实施例中,所述特征级强化模块160,用于基于高斯密度图对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度多维度时序特征矩阵。进一步地,基于高斯密度图对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度多维度时序特征矩阵。这里,所述高斯密度图可以反映出数据的中心趋势、离散程度和偏态等特征。具体而言,通过将环境亮度多维度时序特征向量映射到高斯密度图上,可以对特征向量进行特征级强化,即增强数据的差异性和可区分性,同时减少数据的噪声和冗余。
图4为根据本申请实施例的智能调光调色照明系统中所述特征级强化模块的框图,如图4所示,所述特征级强化模块160,包括:强化单元161,用于基于高斯密度图以如下高斯公式对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度高斯特征图;其中,所述高斯公式为:,其中,/> 表示所述环境亮度多维度时序特征向量,且/>的每个位置的值表示所述环境亮度多维度时序特征向量中相应两个位置的特征值之间的方差;以及,离散化单元162,用于对所述环境亮度高斯特征图的各个位置的高斯分布进行离散化处理以得到所述环境亮度多维度时序特征矩。
应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。
具体地,在本申请实施例中,所述特征响应增强模块170,用于将所述环境亮度多维度时序特征矩阵通过双向注意力机制模块以得到分类特征矩阵。继而,将所述环境亮度多维度时序特征矩阵通过双向注意力机制模块以得到分类特征矩阵。其中,所述双向注意力机制模块能充分利用上下文信息来增强环境亮度特征响应和抑制背景特征响应。双向注意力模块分别从水平方向和垂直方向对特征矩阵的注意力权重校准并获取复杂特征关系,从而完全能够从空间的全局特征中获取局部特征信息。
图5为根据本申请实施例的智能调光调色照明系统中所述特征响应增强模块的框图,如图5所示,所述特征响应增强模块170,包括:池化单元171,用于将所述环境亮度多维度时序特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量;关联编码单元172,用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵;激活单元173,用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵;以及,特征矩阵计算单元174,用于计算所述双向关联权重矩阵和所述环境亮度多维度时序特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
具体地,在本申请实施例中,所述流形曲面维度正交化模块180,用于对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵。在本申请的技术方案中,在基于高斯密度图对所述环境亮度多维度时序特征向量进行特征级强化得到所述环境亮度多维度时序特征矩阵时,所述环境亮度多维度时序特征矩阵在垂直于所述高斯密度图的均值向量的方向上是基于方差矩阵的相应方差值对应概率密度进行展开,因此所述环境亮度多维度时序特征矩阵的整体特征分布会存在高维特征空间内的概率密度表示下的维度区分度不够的问题,而由于所述双向注意力机制模块是在所述环境亮度多维度时序特征矩阵的空间维度上强化局部行空间和列空间分布,所述分类特征矩阵仍然存在概率密度维度下的区分度问题,从而影响所述分类特征矩阵在分类任务下的类概率表达,降低了所述分类特征矩阵通过分类器得到的分类结果的准确性。
因此,本申请的申请人对所述分类特征矩阵进行高斯概率密度的流形曲面维度正交化,具体表示为:以如下优化公式对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵;其中,所述优化公式为:/>其中,和/>是是所述分类特征矩阵中各个位置的特征值集合的均值和标准差,/>是所述分类特征矩阵的第/>位置的特征值,且/>是所述优化分类特征矩阵的第/>位置的特征值。
这里,通过以表达流形曲面的高维特征集合的均值和标准差的平方根来表征曲面单位切向量模长和单位法向量模长,可以将所述分类特征矩阵的高维特征流形的流形曲面在切平面和法平面上进行基于单位模长的正交投影,从而基于高斯特征流形几何的基本结构进行高维特征的概率密度的维度重整,以通过提升概率密度的维度正交化来提升优化后的分类特征矩阵在分类任务下的类概率表达的准确性,从而改进优化后的所述分类特征矩阵通过分类器得到的分类结果的准确性。
具体地,在本申请实施例中,所述控制结果生成模块190,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示照明亮度值应增大或应减小。在得到所述优化分类特征矩阵后,将其通过分类器以得到分类结果,所述分类结果用于表示照明亮度值应增大或应减小。这里,所述分类器可以根据输入数据的特征分布来判断其属于哪个类别。通过这样的方式,所述分类器可以根据所述优化分类特征矩阵来给出灯光的调节控制策略。
图6为根据本申请实施例的智能调光调色照明系统中所述控制结果生成模块的框图,如图6所示,所述控制结果生成模块190,包括:矩阵展开单元191,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元192,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元193,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的智能调光调色照明系统100被阐明,其获取预定时间段内多个预定时间点的环境亮度值;利用深度学习和人工智能技术,基于环境亮度变化情况来自适应地调整照明亮度,以在实现节能的同时,确保亮度满足照明需求。
如上所述,根据本申请实施例的智能调光调色照明系统100可以实现在各种终端设备中,例如用于智能调光调色照明的服务器等。在一个示例中,根据本申请实施例的智能调光调色照明系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该智能调光调色照明系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该智能调光调色照明系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该智能调光调色照明系统100与该终端设备也可以是分立的设备,并且该智能调光调色照明系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中,图7为根据本申请实施例的智能调光调色照明方法的流程。如图7所示,根据本申请实施例的智能调光调色照明方法,其包括:210,获取预定时间段内多个预定时间点的环境亮度值;220,将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度值时序输入向量;230,计算所述环境亮度值时序输入向量中每相邻两个位置的环境亮度值之间的差值以得到环境亮度值变化时序输入向量;240,将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量;250,将所述环境亮度多维度时序输入向量通过多尺度邻域特征提取模块以得到环境亮度多维度时序特征向量;260,基于高斯密度图对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度多维度时序特征矩阵;270,将所述环境亮度多维度时序特征矩阵通过双向注意力机制模块以得到分类特征矩阵;280,对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵;以及,290,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示照明亮度值应增大或应减小。
图8为根据本申请实施例的智能调光调色照明方法的系统架构的示意。如图8所示,在所述智能调光调色照明方法的系统架构中,首先,获取预定时间段内多个预定时间点的环境亮度值;然后,将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度值时序输入向量;接着,计算所述环境亮度值时序输入向量中每相邻两个位置的环境亮度值之间的差值以得到环境亮度值变化时序输入向量;然后,将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量;接着,将所述环境亮度多维度时序输入向量通过多尺度邻域特征提取模块以得到环境亮度多维度时序特征向量;然后,基于高斯密度图对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度多维度时序特征矩阵;接着,将所述环境亮度多维度时序特征矩阵通过双向注意力机制模块以得到分类特征矩阵;然后,对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵;以及,最后,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示照明亮度值应增大或应减小。
在一个具体示例中,在上述智能调光调色照明方法中,将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量,包括:以如下级联公式将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量;其中,所述级联公式为其中,/>,/>表示所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量,/>表示级联函数,/>表示所述环境亮度多维度时序输入向量。
在一个具体示例中,在上述智能调光调色照明方法中,所述多尺度邻域特征提取模块,包括:相互并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个具体示例中,在上述智能调光调色照明方法中,将所述环境亮度多维度时序输入向量通过多尺度邻域特征提取模块以得到环境亮度多维度时序特征向量,包括:使用所述多尺度邻域特征提取模的第一卷积层以如下第一卷积公式对所述环境亮度多维度时序输入向量进行一维卷积编码以得到第一尺度环境亮度特征向量;其中,所述第一卷积公式为:其中,/>为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、/>为与第一一维卷积核函数运算的局部向量矩阵,/>为第一一维卷积核的尺寸,/>表示所述环境亮度多维度时序输入向量,表示对所述环境亮度多维度时序输入向量进行一维卷积编码;使用所述多尺度邻域特征提取模的第二卷积层以如下第二卷积公式对所述环境亮度多维度时序输入向量进行一维卷积编码以得到第二尺度环境亮度特征向量;其中,所述第二卷积公式为:其中,/>为第二一维卷积核在/>方向上的宽度、为第二一维卷积核参数向量、/>为与第二一维卷积核函数运算的局部向量矩阵,/>为第二一维卷积核的尺寸,/>表示所述环境亮度多维度时序输入向量,/>表示对所述环境亮度多维度时序输入向量进行一维卷积编码;以及,使用所述多尺度邻域特征提取模的融合层对所述第一尺度环境亮度特征向量和所述第二尺度环境亮度特征向量进行级联以得到所述环境亮度多维度时序特征向量。
在一个具体示例中,在上述智能调光调色照明方法中,基于高斯密度图对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度多维度时序特征矩阵,包括:基于高斯密度图以如下高斯公式对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度高斯特征图;其中,所述高斯公式为:,其中,/>表示所述环境亮度多维度时序特征向量,且/>的每个位置的值表示所述环境亮度多维度时序特征向量中相应两个位置的特征值之间的方差;以及,对所述环境亮度高斯特征图的各个位置的高斯分布进行离散化处理以得到所述环境亮度多维度时序特征矩。
在一个具体示例中,在上述智能调光调色照明方法中,将所述环境亮度多维度时序特征矩阵通过双向注意力机制模块以得到分类特征矩阵,包括:将所述环境亮度多维度时序特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量;对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵;将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵;以及,计算所述双向关联权重矩阵和所述环境亮度多维度时序特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
在一个具体示例中,在上述智能调光调色照明方法中,对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵,包括:以如下优化公式对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵;其中,所述优化公式为:,其中,/>和/>是所述分类特征矩阵中各个位置的特征值集合的均值和标准差,/>是所述分类特征矩阵的第/>位置的特征值,且/>是所述优化分类特征矩阵的第/>位置的特征值。
在一个具体示例中,在上述智能调光调色照明方法中,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示照明亮度值应增大或应减小,包括:将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
本领域技术人员可以理解,上述智能调光调色照明方法中的各个步骤的具体操作已经在上面参考图1到图6的智能调光调色照明系统的描述中得到了详细介绍,并因此,将省略其重复描述。
本申请还提供了一种计算机程序产品,所述计算机程序产品包括指令,当所述指令被执行时,以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中,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存储有执行上述所述方法的计算机程序。
应可以理解,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种智能调光调色照明系统,其特征在于,包括:
环境亮度采集模块,用于获取预定时间段内多个预定时间点的环境亮度值;
数据结构化模块,用于将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度值时序输入向量;
数据差值运算模块,用于计算所述环境亮度值时序输入向量中每相邻两个位置的环境亮度值之间的差值以得到环境亮度值变化时序输入向量;
数据级联模块,用于将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量;
多尺度时序特征提取模块,用于将所述环境亮度多维度时序输入向量通过多尺度邻域特征提取模块以得到环境亮度多维度时序特征向量;
特征级强化模块,用于基于高斯密度图对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度多维度时序特征矩阵;
特征响应增强模块,用于将所述环境亮度多维度时序特征矩阵通过双向注意力机制模块以得到分类特征矩阵;
流形曲面维度正交化模块,用于对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵;以及
控制结果生成模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示照明亮度值应增大或应减小,且色温值应增大或应减小;
其中,所述流形曲面维度正交化模块,用于:以如下优化公式对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵;
其中,所述优化公式为:
其中,μ和σ是所述分类特征矩阵中各个位置的特征值集合的均值和标准差,mi,j是所述分类特征矩阵的第(i,j)位置的特征值,且m′i,j是所述优化分类特征矩阵的第(i,j)位置的特征值。
2.根据权利要求1所述的智能调光调色照明系统,其特征在于,所述数据级联模块,用于:以如下级联公式将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量;
其中,所述级联公式为:
Vc=Concat[V1,V2]
其中,V1,V2表示所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量,Concat[·]表示级联函数,Vc表示所述环境亮度多维度时序输入向量。
3.根据权利要求2所述的智能调光调色照明系统,其特征在于,所述多尺度邻域特征提取模块,包括:相互并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
4.根据权利要求3所述的智能调光调色照明系统,其特征在于,所述多尺度时序特征提取模块,包括:
第一尺度特征提取单元,用于使用所述多尺度邻域特征提取模的第一卷积层以如下第一卷积公式对所述环境亮度多维度时序输入向量进行一维卷积编码以得到第一尺度环境亮度特征向量;
其中,所述第一卷积公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述环境亮度多维度时序输入向量,Cov(X)表示对所述环境亮度多维度时序输入向量进行一维卷积编码;
第二尺度特征提取单元,用于使用所述多尺度邻域特征提取模的第二卷积层以如下第二卷积公式对所述环境亮度多维度时序输入向量进行一维卷积编码以得到第二尺度环境亮度特征向量;
其中,所述第二卷积公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述环境亮度多维度时序输入向量,Cov(X)表示对所述环境亮度多维度时序输入向量进行一维卷积编码;以及
多尺度融合单元,用于使用所述多尺度邻域特征提取模的融合层对所述第一尺度环境亮度特征向量和所述第二尺度环境亮度特征向量进行级联以得到所述环境亮度多维度时序特征向量。
5.根据权利要求4所述的智能调光调色照明系统,其特征在于,所述特征级强化模块,包括:
强化单元,用于基于高斯密度图以如下高斯公式对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度高斯特征图;
其中,所述高斯公式为:
其中,μ表示所述环境亮度多维度时序特征向量,且σ的每个位置的值表示所述环境亮度多维度时序特征向量中相应两个位置的特征值之间的方差;以及
离散化单元,用于对所述环境亮度高斯特征图的各个位置的高斯分布进行离散化处理以得到所述环境亮度多维度时序特征矩。
6.根据权利要求5所述的智能调光调色照明系统,其特征在于,所述特征响应增强模块,包括:
池化单元,用于将所述环境亮度多维度时序特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量;
关联编码单元,用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵;
激活单元,用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵;以及
特征矩阵计算单元,用于计算所述双向关联权重矩阵和所述环境亮度多维度时序特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
7.根据权利要求6所述的智能调光调色照明系统,其特征在于,所述控制结果生成模块,包括:
矩阵展开单元,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;
全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
8.一种智能调光调色照明方法,其特征在于,包括:
获取预定时间段内多个预定时间点的环境亮度值;
将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度值时序输入向量;
计算所述环境亮度值时序输入向量中每相邻两个位置的环境亮度值之间的差值以得到环境亮度值变化时序输入向量;
将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量;
将所述环境亮度多维度时序输入向量通过多尺度邻域特征提取模块以得到环境亮度多维度时序特征向量;
基于高斯密度图对所述环境亮度多维度时序特征向量进行特征级强化以得到环境亮度多维度时序特征矩阵;
将所述环境亮度多维度时序特征矩阵通过双向注意力机制模块以得到分类特征矩阵;
对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵;以及
将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示照明亮度值应增大或应减小,且色温值应增大或应减小;
其中,对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵,包括:以如下优化公式对所述分类特征矩阵进行流形曲面维度正交化以得到优化分类特征矩阵;
其中,所述优化公式为:
其中,μ和σ是所述分类特征矩阵中各个位置的特征值集合的均值和标准差,mi,j是所述分类特征矩阵的第(i,j)位置的特征值,且m′i,j是所述优化分类特征矩阵的第(i,j)位置的特征值。
9.根据权利要求8所述的智能调光调色照明方法,其特征在于,将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量,包括:以如下级联公式将所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量进行级联以得到环境亮度多维度时序输入向量;
其中,所述级联公式为:
Vc=Concat[V1,V2]
其中,V1,V2表示所述环境亮度值变化时序输入向量和所述环境亮度值时序输入向量,Concat[·]表示级联函数,Vc表示所述环境亮度多维度时序输入向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577748.7A CN116744511B (zh) | 2023-05-22 | 2023-05-22 | 智能调光调色照明系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577748.7A CN116744511B (zh) | 2023-05-22 | 2023-05-22 | 智能调光调色照明系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116744511A CN116744511A (zh) | 2023-09-12 |
CN116744511B true CN116744511B (zh) | 2024-01-05 |
Family
ID=87903579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310577748.7A Active CN116744511B (zh) | 2023-05-22 | 2023-05-22 | 智能调光调色照明系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116744511B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117241443B (zh) * | 2023-09-15 | 2024-06-04 | 中山市松伟照明电器有限公司 | 基于物联网的智能照明灯具及其智能控制方法 |
CN117202430B (zh) * | 2023-09-20 | 2024-03-19 | 浙江炯达能源科技有限公司 | 用于智慧灯杆的节能控制方法及系统 |
CN116963342B (zh) * | 2023-09-21 | 2023-12-01 | 永林电子股份有限公司 | 一种红外led光源及其自适应光调节方法 |
CN117355009A (zh) * | 2023-10-11 | 2024-01-05 | 惠州市沃生照明有限公司 | 台灯照明亮度调节方法及系统 |
CN117334162B (zh) * | 2023-10-11 | 2024-05-10 | 深圳市穗晶光电股份有限公司 | Led背光源控制系统及其方法 |
CN117222069B (zh) * | 2023-10-12 | 2024-04-30 | 深圳市诺文博科技有限公司 | 照明驱动电源的智能控制方法 |
CN117998712A (zh) * | 2023-10-20 | 2024-05-07 | 惠州市沃生照明有限公司 | 台灯灯光的节能控制方法及系统 |
CN117762032B (zh) * | 2024-02-22 | 2024-05-10 | 杭州冉思科技有限公司 | 基于场景适应和人工智能的智能设备控制系统及方法 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104320881A (zh) * | 2014-10-28 | 2015-01-28 | 江苏天语雅思医疗设备有限公司 | 一种led无影灯照明系统中的智能调光控制器 |
TW201633282A (zh) * | 2015-03-13 | 2016-09-16 | Univ Lunghwa Sci & Technology | 大面積rgb led點燈用驅動器 |
WO2017182115A1 (de) * | 2016-04-21 | 2017-10-26 | Daimler Ag | Verfahren und vorrichtung zur fahrlichtsteuerung eines fahrzeugs |
CN108181952A (zh) * | 2017-12-11 | 2018-06-19 | 浙江工业大学 | 一种基于卷积神经网络的光照度测量及光照度智能控制方法 |
CN108683245A (zh) * | 2018-05-21 | 2018-10-19 | 山东亿昌照明科技有限公司 | 一种基于人工智能学习的户外照明直流供电系统 |
CN110073365A (zh) * | 2017-01-13 | 2019-07-30 | 弗劳恩霍夫应用研究促进协会 | 根据一个或更多个惯性传感器修正取向信息的设备和方法 |
EP3586570A1 (en) * | 2017-02-22 | 2020-01-01 | Signify Holding B.V. | Optimizing multichannel luminaire control using a color coefficient matrix |
CN112733751A (zh) * | 2021-01-14 | 2021-04-30 | 成都缘能缘彩网络科技有限公司 | 用于余热回收的智能进水控制方法 |
CN113837044A (zh) * | 2021-09-13 | 2021-12-24 | 深圳市罗湖医院集团 | 基于环境亮度的器官定位方法及相关设备 |
CN113904814A (zh) * | 2021-09-22 | 2022-01-07 | 黎川县梦颖科技有限公司 | 认证上网系统及其运行方法 |
CN115150984A (zh) * | 2022-07-14 | 2022-10-04 | 惠州市慧昊光电有限公司 | Led灯带及其控制方法 |
CN115359300A (zh) * | 2022-08-30 | 2022-11-18 | 德玛克(长兴)精密机械有限公司 | 风力发电机部件智能化加工制造系统及其制造方法 |
CN115620303A (zh) * | 2022-10-13 | 2023-01-17 | 杭州京胜航星科技有限公司 | 人事档案智慧管理系统 |
CN115723287A (zh) * | 2022-12-16 | 2023-03-03 | 河北科技大学 | 基于温度控制聚氨酯发泡的生产设备 |
CN115761813A (zh) * | 2022-12-13 | 2023-03-07 | 浙大城市学院 | 基于大数据分析的智能控制系统及方法 |
CN115763167A (zh) * | 2022-11-22 | 2023-03-07 | 黄华集团有限公司 | 固体柜断路器及其控制方法 |
CN115857614A (zh) * | 2022-11-17 | 2023-03-28 | 弘正储能(上海)能源科技有限公司 | 多路光伏mppt交错式boost控制方法及其系统 |
CN115896817A (zh) * | 2023-03-08 | 2023-04-04 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
CN116072355A (zh) * | 2023-03-03 | 2023-05-05 | 浙江立洲线缆股份有限公司 | 光伏线及其智能化制造方法 |
CN116082863A (zh) * | 2023-01-05 | 2023-05-09 | 江西欧凯科技有限公司 | 绿色的铝颜料制备方法及其系统 |
CN116133215A (zh) * | 2022-12-13 | 2023-05-16 | 中建新疆建工集团第三建设工程有限公司 | 建筑物夜景的照明控制方法及其系统 |
-
2023
- 2023-05-22 CN CN202310577748.7A patent/CN116744511B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104320881A (zh) * | 2014-10-28 | 2015-01-28 | 江苏天语雅思医疗设备有限公司 | 一种led无影灯照明系统中的智能调光控制器 |
TW201633282A (zh) * | 2015-03-13 | 2016-09-16 | Univ Lunghwa Sci & Technology | 大面積rgb led點燈用驅動器 |
WO2017182115A1 (de) * | 2016-04-21 | 2017-10-26 | Daimler Ag | Verfahren und vorrichtung zur fahrlichtsteuerung eines fahrzeugs |
CN110073365A (zh) * | 2017-01-13 | 2019-07-30 | 弗劳恩霍夫应用研究促进协会 | 根据一个或更多个惯性传感器修正取向信息的设备和方法 |
EP3586570A1 (en) * | 2017-02-22 | 2020-01-01 | Signify Holding B.V. | Optimizing multichannel luminaire control using a color coefficient matrix |
CN108181952A (zh) * | 2017-12-11 | 2018-06-19 | 浙江工业大学 | 一种基于卷积神经网络的光照度测量及光照度智能控制方法 |
CN108683245A (zh) * | 2018-05-21 | 2018-10-19 | 山东亿昌照明科技有限公司 | 一种基于人工智能学习的户外照明直流供电系统 |
CN112733751A (zh) * | 2021-01-14 | 2021-04-30 | 成都缘能缘彩网络科技有限公司 | 用于余热回收的智能进水控制方法 |
CN113837044A (zh) * | 2021-09-13 | 2021-12-24 | 深圳市罗湖医院集团 | 基于环境亮度的器官定位方法及相关设备 |
CN113904814A (zh) * | 2021-09-22 | 2022-01-07 | 黎川县梦颖科技有限公司 | 认证上网系统及其运行方法 |
CN115150984A (zh) * | 2022-07-14 | 2022-10-04 | 惠州市慧昊光电有限公司 | Led灯带及其控制方法 |
CN115359300A (zh) * | 2022-08-30 | 2022-11-18 | 德玛克(长兴)精密机械有限公司 | 风力发电机部件智能化加工制造系统及其制造方法 |
CN115620303A (zh) * | 2022-10-13 | 2023-01-17 | 杭州京胜航星科技有限公司 | 人事档案智慧管理系统 |
CN115857614A (zh) * | 2022-11-17 | 2023-03-28 | 弘正储能(上海)能源科技有限公司 | 多路光伏mppt交错式boost控制方法及其系统 |
CN115763167A (zh) * | 2022-11-22 | 2023-03-07 | 黄华集团有限公司 | 固体柜断路器及其控制方法 |
CN115761813A (zh) * | 2022-12-13 | 2023-03-07 | 浙大城市学院 | 基于大数据分析的智能控制系统及方法 |
CN116133215A (zh) * | 2022-12-13 | 2023-05-16 | 中建新疆建工集团第三建设工程有限公司 | 建筑物夜景的照明控制方法及其系统 |
CN115723287A (zh) * | 2022-12-16 | 2023-03-03 | 河北科技大学 | 基于温度控制聚氨酯发泡的生产设备 |
CN116082863A (zh) * | 2023-01-05 | 2023-05-09 | 江西欧凯科技有限公司 | 绿色的铝颜料制备方法及其系统 |
CN116072355A (zh) * | 2023-03-03 | 2023-05-05 | 浙江立洲线缆股份有限公司 | 光伏线及其智能化制造方法 |
CN115896817A (zh) * | 2023-03-08 | 2023-04-04 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116744511A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116744511B (zh) | 智能调光调色照明系统及其方法 | |
CN109034034A (zh) | 一种基于强化学习算法优化卷积神经网络的静脉识别方法 | |
CN109919174A (zh) | 一种基于门控级联注意力机制的文字识别方法 | |
CN110097609A (zh) | 一种基于样本域的精细化绣花纹理迁移方法 | |
CN113205048B (zh) | 一种手势识别方法及识别系统 | |
CN116321620B (zh) | 智能照明开关控制系统及其方法 | |
CN115150984A (zh) | Led灯带及其控制方法 | |
CN108875915B (zh) | 一种面向嵌入式应用的深度对抗网络优化方法 | |
CN115222998B (zh) | 一种图像分类方法 | |
CN110135501A (zh) | 基于神经网络框架的高动态范围图像取证方法 | |
Chen et al. | Military image scene recognition based on CNN and semantic information | |
CN115050045A (zh) | 一种基于Vision MLP的行人重识别方法 | |
Cheng et al. | Remote sensing image classification based on optimized support vector machine | |
CN116133215A (zh) | 建筑物夜景的照明控制方法及其系统 | |
CN116151768A (zh) | 城市污水处理监管方法及其系统 | |
CN116362503B (zh) | 基于人工智能的电力调节方法及系统 | |
CN108805280A (zh) | 一种图像检索的方法和装置 | |
CN110532409A (zh) | 基于异构双线性注意力网络的图像检索方法 | |
CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
CN112183725B (zh) | 提供神经网络的方法、计算装置和计算机可读存储介质 | |
CN114449715A (zh) | 一种基于路灯照明的低功耗控制方法和系统 | |
CN117241443B (zh) | 基于物联网的智能照明灯具及其智能控制方法 | |
CN116718894B (zh) | 玉米灯的电路稳定性测试方法及其系统 | |
Wang et al. | Improved artificial bee colony algorithm and its application in classification | |
Wu et al. | Hierarchical memory decoding for video captioning |
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 |