CN116876950A - 一种门窗智能控制系统、方法、计算机设备及存储介质 - Google Patents
一种门窗智能控制系统、方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116876950A CN116876950A CN202311132726.6A CN202311132726A CN116876950A CN 116876950 A CN116876950 A CN 116876950A CN 202311132726 A CN202311132726 A CN 202311132726A CN 116876950 A CN116876950 A CN 116876950A
- Authority
- CN
- China
- Prior art keywords
- door
- window
- information
- image
- flow information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000008909 emotion recognition Effects 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004040 coloring Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007363 regulatory process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Classifications
-
- 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]
-
- E—FIXED CONSTRUCTIONS
- E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
- E05F—DEVICES FOR MOVING WINGS INTO OPEN OR CLOSED POSITION; CHECKS FOR WINGS; WING FITTINGS NOT OTHERWISE PROVIDED FOR, CONCERNED WITH THE FUNCTIONING OF THE WING
- E05F15/00—Power-operated mechanisms for wings
- E05F15/70—Power-operated mechanisms for wings with automatic actuation
-
- 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
-
- E—FIXED CONSTRUCTIONS
- E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
- E05Y—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES E05D AND E05F, RELATING TO CONSTRUCTION ELEMENTS, ELECTRIC CONTROL, POWER SUPPLY, POWER SIGNAL OR TRANSMISSION, USER INTERFACES, MOUNTING OR COUPLING, DETAILS, ACCESSORIES, AUXILIARY OPERATIONS NOT OTHERWISE PROVIDED FOR, APPLICATION THEREOF
- E05Y2900/00—Application of doors, windows, wings or fittings thereof
- E05Y2900/10—Application of doors, windows, wings or fittings thereof for buildings or parts thereof
- E05Y2900/13—Type of wing
- E05Y2900/132—Doors
-
- E—FIXED CONSTRUCTIONS
- E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
- E05Y—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES E05D AND E05F, RELATING TO CONSTRUCTION ELEMENTS, ELECTRIC CONTROL, POWER SUPPLY, POWER SIGNAL OR TRANSMISSION, USER INTERFACES, MOUNTING OR COUPLING, DETAILS, ACCESSORIES, AUXILIARY OPERATIONS NOT OTHERWISE PROVIDED FOR, APPLICATION THEREOF
- E05Y2900/00—Application of doors, windows, wings or fittings thereof
- E05Y2900/10—Application of doors, windows, wings or fittings thereof for buildings or parts thereof
- E05Y2900/13—Type of wing
- E05Y2900/148—Windows
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及智能控制技术领域，具体公开了一种门窗智能控制系统、方法、计算机设备及存储介质，所述方法包括根据预设的空气检测仪获取空气流动信息，根据门窗信息和空气流动信息构建训练集、验证集和测试集，训练神经网络模型；获取监控设备采集到的图像，对所述图像进行识别，根据识别结果确定需求流动信息；将所述需求流动信息输入训练好的神经网络模型，输出目标门窗信息，并同步生成控制指令。本发明由管理方统计空气流动信息和门窗状态，训练神经网络模型，由监控设备实时获取场景内的人员数量，根据人员数量确定空气需求，借助训练好的神经网络模型对空气需求进行处理，可以快速地确定门窗状态，生成控制指令，实时性好，便捷性高。
Description
技术领域
本发明涉及智能控制技术领域，具体是一种门窗智能控制系统、方法、计算机设备及存储介质。
背景技术
与室外工作环境相比，室内工作环境多了一项环境控制过程，管理方可以加装空调或换气扇对室内环境进行调节，为工作人员提供更好地工作环境。
在对室内环境进行调节时，空气更新过程是非常重要的一个组成部分，最简单的更新方式就是设置门窗（不使用空调或者空调处于关闭状态），这些门窗的数量较多，其调节过程由工作人员自主完成，如果工作人员较多，每个人的工作压力会小很大，但是当工作人员较少时，对数量较多的门窗进行调节需要消耗大量时间。
如何在现有的智能化场景下，对门窗进行智能化控制是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种门窗智能控制系统、方法、计算机设备及存储介质，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种门窗智能控制方法，所述方法包括：
统计门窗信息，对门窗信息进行编号；其中，所述门窗信息包括位置和开口面积阈值；
根据预设的空气检测仪获取空气流动信息，根据含有编号的门窗信息和空气流动信息构建训练集、验证集和测试集；所述训练集、验证集和测试集的比例为8：1：1；
基于所述训练集、验证集和测试集训练神经网络模型；
获取监控设备采集到的图像，对所述图像进行识别，根据识别结果确定需求流动信息；
将所述需求流动信息输入训练好的神经网络模型，输出目标门窗信息，并同步生成控制指令。
作为本发明进一步的方案：所述统计门窗信息，对门窗信息进行编号的步骤包括：
遍历建筑备案信息，查询门窗位置及门窗参数；
根据门窗位置对门窗进行编号；
根据门窗参数计算各门窗的开口面积阈值；
其中，在遍历建筑备案信息的过程中，当查询到气流交换设备时，获取气流交换设备的交换参数，将所述交换参数输入预设的转换模型，得到开口面积阈值。
作为本发明进一步的方案：所述获取监控设备采集到的图像，对所述图像进行识别，根据识别结果确定需求流动信息的步骤包括：
获取监控设备采集到的图像，对所述图像进行规范化处理，得到映射矩阵；所述映射矩阵中各元素的值域为预设值，所述预设值为二进制量级；
根据预设的方向和步长将所述映射矩阵转换为共生矩阵；所述方向包括0度、45度、90度和135度；所述步长至少为一；
计算共生矩阵中的熵和逆方差，根据所述熵和逆方差确定人员聚集度；
在预设的需求表查询所述人员聚集度对应的需求流动信息；
其中，所述共生矩阵的生成规则为：
x,y=0,1,2,…,N-1；
式中，为共生矩阵中第i行第j列的元素值，为映射矩阵中各点的
元素值；N为映射矩阵中元素值的最大数值；d为步长，为方向。
作为本发明进一步的方案：所述获取监控设备采集到的图像，对所述图像进行规范化处理，得到映射矩阵的步骤包括：
定时获取监控设备采集到的图像，根据监控设备的位置关系拼接图像，得到总图；
对所述总图进行去色处理，得到单值图像；
遍历所述单值图像中的像素点，创建图像直方图；
基于所述图像直方图确定分隔步长，基于所述分隔步长对所述单值图像进行像素分类，得到映射矩阵。
作为本发明进一步的方案：所述计算共生矩阵中的熵和逆方差，根据所述熵和逆方差确定人员聚集度的步骤包括：
读取同一步长下各方向的共生矩阵；
根据预设的计算公式计算熵和逆方差，并计算熵均值和逆方差均值；
将所述熵均值和逆方差均值输入训练好的判定模型，输出人员聚集度；
其中，计算公式包括：
；
；
式中，为熵，为逆方差，为求和式；第i行第j列的元素值。
作为本发明进一步的方案：所述方法还包括：
实时接收人员上传的含有身份标签的需求信息；
当接收到的需求信息的数量达到预设的数值时，读取监控设备采集到的图像；
对所述图像进行身份识别及情绪识别，确定各个身份标签的需求信息的级别；
统计所有需求信息及其级别，确定控制指令；
其中，统计过程为累加过程，需求信息含有符号，用于表征控制方向。
本发明技术方案还提供了一种门窗智能控制系统，所述系统包括：
门窗编号模块，用于统计门窗信息，对门窗信息进行编号；其中，所述门窗信息包括位置和开口面积阈值；
样本构建模块，用于根据预设的空气检测仪获取空气流动信息，根据含有编号的门窗信息和空气流动信息构建训练集、验证集和测试集；所述训练集、验证集和测试集的比例为8：1：1；
模型训练模块，用于基于所述训练集、验证集和测试集训练神经网络模型；
图像识别模块，用于获取监控设备采集到的图像，对所述图像进行识别，根据识别结果确定需求流动信息；
控制指令生成模块，用于将所述需求流动信息输入训练好的神经网络模型，输出目标门窗信息，并同步生成控制指令。
作为本发明进一步的方案：所述门窗编号模块包括：
遍历单元，用于遍历建筑备案信息，查询门窗位置及门窗参数；
执行单元，用于根据门窗位置对门窗进行编号；
计算单元，用于根据门窗参数计算各门窗的开口面积阈值；
其中，在遍历建筑备案信息的过程中，当查询到气流交换设备时，获取气流交换设备的交换参数，将所述交换参数输入预设的转换模型，得到开口面积阈值。
本发明技术方案还提供了一种计算机设备，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行时，实现所述的门窗智能控制方法。
本发明技术方案还提供了一种存储介质，所述存储介质中存储有至少一条程序代码，所述程序代码由处理器加载并执行时，实现所述的门窗智能控制方法。
与现有技术相比，本发明的有益效果是：本发明由管理方统计空气流动信息和门窗状态，训练神经网络模型，由监控设备实时获取场景内的人员数量，根据人员数量确定空气需求，借助训练好的神经网络模型对空气需求进行处理，可以快速地确定门窗状态，生成控制指令，实时性好，便捷性高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例。
图1为门窗智能控制方法的流程框图。
图2为门窗智能控制方法的第一子流程框图。
图3为门窗智能控制方法的第二子流程框图。
图4为门窗智能控制系统的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为门窗智能控制方法的流程框图，本发明实施例中，一种门窗智能控制方法，所述方法包括：
步骤S100：统计门窗信息，对门窗信息进行编号；其中，所述门窗信息包括位置和开口面积阈值；
室内工作环境是生产活动中常见的一种工作环境，它与室外工作环境相比，环境控制过程更加容易，可以加装空调或换气扇对室内环境进行调节，为工作人员提供更好地工作环境；对室内环境进行调节时，空气更新过程是非常重要的一个组成部分，最简单的更新方式就是设置门窗（不使用空调或者空调处于关闭状态），这些门窗的数量较多，其调节过程由工作人员自主完成，实际上需要消耗较大的人力成本，如果工作人员较多，这些人力成本几乎可以忽略，但是，当工作人员较少时，对数量较多的门窗进行调节需要消耗较长时间，至少要十分钟左右。
随着科技的进步，现有的室内工作环境大都具备总控制端，由总控制端可以实时的对各个门窗进行控制，这不仅能够降低工作人员的额外工作量，还能够提高智能化水平。
具体的，在控制之前，需要获取并统计门窗信息，所述门窗信息包括门窗位置以及最大开口面积，最大开口面积就是门窗完成打开时的面积；值得一提的是，正常门窗的最小开口面积都是0，因此，无须具体分析。
步骤S200：根据预设的空气检测仪获取空气流动信息，根据含有编号的门窗信息和空气流动信息构建训练集、验证集和测试集；所述训练集、验证集和测试集的比例为8：1：1；
步骤S300：基于所述训练集、验证集和测试集训练神经网络模型；
步骤S200至步骤S300的功能是训练一个神经网络模型，首先，需要构建训练集，由空气检测仪检测室内环境的空气流动信息，包括空气流速和空气流向，一般取一段时间内的均值作为空气流动信息；确定不同门窗的开口状态并进行随机组合，得到状态组，所述状态组中各元素的顺序由编号确定；以空气流动信息作为特征，状态组作为标签构建训练集、验证集和测试集。
然后，根据训练集训练神经网络模型，得到一个输入为空气流动信息，输出为状态组的映射关系，当获取到当前场景需要的空气流动信息时，借助训练好的神经网络模型即可得到不同门窗的开口状态。
值得一提的是，由于同一空气流动信息可能会对应不同的门窗开口状态，因此，在实际应用中，往往会训练由状态组-空气流动信息的神经网络模型（上述模型的反模型），基于此，对当前场景需要的空气流动信息进行枚举式分析，进而确定开口状态；所述枚举式分析过程是随机确定门窗状态，计算出输出的空气流动信息与当前场景需要的空气流动信息的差距，进而选取最接近的门窗状态。
步骤S400：获取监控设备采集到的图像，对所述图像进行识别，根据识别结果确定需求流动信息；
当前场景需要的空气流动信息由场景内的工作人员的数量确定，由监控设备采集图像，对所述图像进行识别，可以得到人员数量，根据人员数量即可确定需求流动信息。
步骤S500：将所述需求流动信息输入训练好的神经网络模型，输出目标门窗信息，并同步生成控制指令；
将步骤S400确定的需求流动信息输入由步骤S200至步骤S3O0训练得到的神经网络模型中，可以得到目标门窗信息，所述目标门窗信息为各个门窗的开口面积，将开口面积转换为控制指令，向各个门窗发送即可。
图2为门窗智能控制方法的第一子流程框图，所述统计门窗信息，对门窗信息进行编号的步骤包括：
步骤S101：遍历建筑备案信息，查询门窗位置及门窗参数；
步骤S102：根据门窗位置对门窗进行编号；
步骤S103：根据门窗参数计算各门窗的开口面积阈值；
其中，在遍历建筑备案信息的过程中，当查询到气流交换设备时，获取气流交换设备的交换参数，将所述交换参数输入预设的转换模型，得到开口面积阈值。
在本发明技术方案的一个实例中，通过查询备案的建筑信息确定门窗位置以及门窗参数，所述门窗参数包括门窗型号、门窗尺寸及限位零件；所述门窗位置用于对各个门窗进行编号，所述门窗参数用于确定开口面积阈值，所述开口面积阈值一般是与建筑表面的投影面积。
图3为门窗智能控制方法的第二子流程框图，所述获取监控设备采集到的图像，对所述图像进行识别，根据识别结果确定需求流动信息的步骤包括：
步骤S401：获取监控设备采集到的图像，对所述图像进行规范化处理，得到映射矩阵；所述映射矩阵中各元素的值域为预设值，所述预设值为二进制量级；
步骤S402：根据预设的方向和步长将所述映射矩阵转换为共生矩阵；所述方向包括0度、45度、90度和135度；所述步长至少为一；
步骤S403：计算共生矩阵中的熵和逆方差，根据所述熵和逆方差确定人员聚集度；
步骤S404：在预设的需求表查询所述人员聚集度对应的需求流动信息；
其中，所述共生矩阵的生成规则为：
x,y=0,1,2,…,N-1；
式中，为共生矩阵中第i行第j列的元素值，为映射矩阵中各点的
元素值；N为映射矩阵中元素值的最大数值；d为步长，为方向。
上述内容提供了一种图像识别方案，如果监控设备的精度较高，并且在智能门窗控制系统中投入的资源占比较大，那么完全可以采用精度更高的人脸识别技术，直接识别人员数量，但是在实际应用中，智能门窗控制环节大都只是一项锦上添花的功能，并不会对其投入多少成本，因此，需要提供一种更加简单的人员数量识别方案。
在本发明技术方案的一个实例中，将监控设备获取到的图像进行转换，转换为灰度图像（灰度图像的像素值种类为256，是二进制量级），然后，根据划定的灰度范围，对灰度图像进行简化，比如[0,10)视为1，[10,20)视为2并依此类推，得到映射矩阵。
然后，按预设的规则将映射矩阵转换为更能反映纹理特征的共生矩阵，通过计算图像中一定距离和一定方向的两点之间的相关性，来反映矩阵在方向、间隔、变化幅度及快慢上的综合信息。所述共生矩阵的通俗说明为：
依次统计某一方向上相邻两个像素点的元素值，根据两个元素值确定行列位置，累加对应行列位置处的数值即可（初始为零）；举例来说，在0度方向上，共生矩阵中（2,3）处的值，代表了水平方向上两个像素点的灰度值分别为2和3的出现次数。
对共生矩阵进行分析，可以计算出人员聚集度，这一过程仅使用一个简单的公式即可，与人脸识别技术相比，消耗资源极少（人脸识别准确的基础就是设备精度要求较高，设备精度越高，成本越高）。
人员聚集度越高，需要的空气更新速度越快，人员聚集度和需求流动信息的对应关系由管理方确定，一般情况下，是一个表格。
作为本发明技术方案的一个优选实施例，所述获取监控设备采集到的图像，对所述图像进行规范化处理，得到映射矩阵的步骤包括：
定时获取监控设备采集到的图像，根据监控设备的位置关系拼接图像，得到总图；
对所述总图进行去色处理，得到单值图像；
遍历所述单值图像中的像素点，创建图像直方图；
基于所述图像直方图确定分隔步长，基于所述分隔步长对所述单值图像进行像素分类，得到映射矩阵。
在本发明技术方案的一个实例中，对映射矩阵的生成过程进行了具体限定，首先，要对不同监控设备获取到的图像进行拼接，得到整个场景的总图；然后，借助现有的转换公式，将总图转换为单值图像（由RGB参数转换为灰度参数）；最后，提取单值图像中的各个像素点色值，创建图像直方图，对所述图像直方图进行分析，可以确定分隔步长，所述分隔步长用于表征将多长区间的像素点归为一类。
作为本发明技术方案的一个优选实施例，所述计算共生矩阵中的熵和逆方差，根据所述熵和逆方差确定人员聚集度的步骤包括：
读取同一步长下各方向的共生矩阵；
根据预设的计算公式计算熵和逆方差，并计算熵均值和逆方差均值；
将所述熵均值和逆方差均值输入训练好的判定模型，输出人员聚集度。
在本发明技术方案的一个实例中，对共生矩阵的计算过程进行了具体的限定，主要计算两个参数，计算公式包括：
；
；
式中，为熵，为逆方差，为求和式；第i行第j列的元素值。
具体的，逆方差反映了纹理的清晰程度和规则程度，纹理清晰、规律性较强、易于描述的，值较大；杂乱无章的，难于描述的，值较小；在室内工作时，仅有工作人员会经常变化，工作人员一般会穿工作服，这意味着监控设备获取到的图像的轮廓非常清晰，如果逆方差发生了大变化，就说明场景内出现了大变化或者摄像头存在问题，此时，后续判断过程失去意义，因此，关于逆方差的判断过和在前。
进一步的，熵是描述图像具有的信息量的度量，表明图像的复杂程序，当复杂程序高时，熵值较大，反之则较小；在逆方差处于预设的范围内时，熵值越大，说明人员数量越多，空气更新需求越旺盛，因此，根据上述两个参数即可确定场景内的人员数量。
更进一步的，由于本发明技术方案采用的方向不唯一，得到的共生矩阵也不唯一，对每个共生矩阵都计算熵和逆方差，进而计算均值，作为最终用于判断人员聚集度的参数。
作为本发明技术方案的一个优选实施例，所述方法还包括：
实时接收人员上传的含有身份标签的需求信息；
当接收到的需求信息的数量达到预设的数值时，读取监控设备采集到的图像；
对所述图像进行身份识别及情绪识别，确定各个身份标签的需求信息的级别；
统计所有需求信息及其级别，确定控制指令；
其中，统计过程为累加过程，需求信息含有符号，用于表征控制方向。
在本发明技术方案的一个实例中，引入了精度更高的自主式调节过程，为每个工作人员提供了一个调节申请端口，结合现有的身份识别和情绪识别技术，对所有调节需求进行综合考虑，进而确定控制指令，提高了本申请的交互性。
图4为门窗智能控制系统的组成结构框图，本发明实施例中，一种门窗智能控制系统，所述系统10包括：
门窗编号模块11，用于统计门窗信息，对门窗信息进行编号；其中，所述门窗信息包括位置和开口面积阈值；
样本构建模块12，用于根据预设的空气检测仪获取空气流动信息，根据含有编号的门窗信息和空气流动信息构建训练集、验证集和测试集；所述训练集、验证集和测试集的比例为8：1：1；
模型训练模块13，用于基于所述训练集、验证集和测试集训练神经网络模型；
图像识别模块14，用于获取监控设备采集到的图像，对所述图像进行识别，根据识别结果确定需求流动信息；
控制指令生成模块15，用于将所述需求流动信息输入训练好的神经网络模型，输出目标门窗信息，并同步生成控制指令。
进一步的，所述门窗编号模块11包括：
遍历单元，用于遍历建筑备案信息，查询门窗位置及门窗参数；
执行单元，用于根据门窗位置对门窗进行编号；
计算单元，用于根据门窗参数计算各门窗的开口面积阈值；
其中，在遍历建筑备案信息的过程中，当查询到气流交换设备时，获取气流交换设备的交换参数，将所述交换参数输入预设的转换模型，得到开口面积阈值。
上述门窗智能控制方法所能实现的功能均由计算机设备完成，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述门窗智能控制方法的功能。
处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器（Read-Only Memory，ROM），所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器 （Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列 （Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如信息采集模板展示功能、产品信息发布功能等）等；存储数据区可存储根据泊位状态显示系统的使用所创建的数据（比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card， SMC），安全数字（Secure Digital， SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是，在本文中，术语“包括”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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种门窗智能控制方法，其特征在于，所述方法包括：
统计门窗信息，对门窗信息进行编号；其中，所述门窗信息包括位置和开口面积阈值；
根据预设的空气检测仪获取空气流动信息，根据含有编号的门窗信息和空气流动信息构建训练集、验证集和测试集；所述训练集、验证集和测试集的比例为8：1：1；
基于所述训练集、验证集和测试集训练神经网络模型；
获取监控设备采集到的图像，对所述图像进行识别，根据识别结果确定需求流动信息；
将所述需求流动信息输入训练好的神经网络模型，输出目标门窗信息，并同步生成控制指令。
2.根据权利要求1所述的门窗智能控制方法，其特征在于，所述统计门窗信息，对门窗信息进行编号的步骤包括：
遍历建筑备案信息，查询门窗位置及门窗参数；
根据门窗位置对门窗进行编号；
根据门窗参数计算各门窗的开口面积阈值；
其中，在遍历建筑备案信息的过程中，当查询到气流交换设备时，获取气流交换设备的交换参数，将所述交换参数输入预设的转换模型，得到开口面积阈值。
3.根据权利要求1所述的门窗智能控制方法，其特征在于，所述获取监控设备采集到的图像，对所述图像进行识别，根据识别结果确定需求流动信息的步骤包括：
获取监控设备采集到的图像，对所述图像进行规范化处理，得到映射矩阵；所述映射矩阵中各元素的值域为预设值，所述预设值为二进制量级；
根据预设的方向和步长将所述映射矩阵转换为共生矩阵；所述方向包括0度、45度、90度和135度；所述步长至少为一；
计算共生矩阵中的熵和逆方差，根据所述熵和逆方差确定人员聚集度；
在预设的需求表查询所述人员聚集度对应的需求流动信息；
其中，所述共生矩阵的生成规则为：
x,y=0,1,2,…,N-1/>；
式中，为共生矩阵中第i行第j列的元素值，/>为映射矩阵中各点的元素值；N为映射矩阵中元素值的最大数值；d为步长，/>为方向。
4.根据权利要求3所述的门窗智能控制方法，其特征在于，所述获取监控设备采集到的图像，对所述图像进行规范化处理，得到映射矩阵的步骤包括：
定时获取监控设备采集到的图像，根据监控设备的位置关系拼接图像，得到总图；
对所述总图进行去色处理，得到单值图像；
遍历所述单值图像中的像素点，创建图像直方图；
基于所述图像直方图确定分隔步长，基于所述分隔步长对所述单值图像进行像素分类，得到映射矩阵。
5.根据权利要求3所述的门窗智能控制方法，其特征在于，所述计算共生矩阵中的熵和逆方差，根据所述熵和逆方差确定人员聚集度的步骤包括：
读取同一步长下各方向的共生矩阵；
根据预设的计算公式计算熵和逆方差，并计算熵均值和逆方差均值；
将所述熵均值和逆方差均值输入训练好的判定模型，输出人员聚集度；
其中，计算公式包括：
；
；
式中，为熵，/>为逆方差，/>为求和式；/>第i行第j列的元素值。
6.根据权利要求1所述的门窗智能控制方法，其特征在于，所述方法还包括：
实时接收人员上传的含有身份标签的需求信息；
当接收到的需求信息的数量达到预设的数值时，读取监控设备采集到的图像；
对所述图像进行身份识别及情绪识别，确定各个身份标签的需求信息的级别；
统计所有需求信息及其级别，确定控制指令；
其中，统计过程为累加过程，需求信息含有符号，用于表征控制方向。
7.一种门窗智能控制系统，其特征在于，所述系统包括：
门窗编号模块，用于统计门窗信息，对门窗信息进行编号；其中，所述门窗信息包括位置和开口面积阈值；
样本构建模块，用于根据预设的空气检测仪获取空气流动信息，根据含有编号的门窗信息和空气流动信息构建训练集、验证集和测试集；所述训练集、验证集和测试集的比例为8：1：1；
模型训练模块，用于基于所述训练集、验证集和测试集训练神经网络模型；
图像识别模块，用于获取监控设备采集到的图像，对所述图像进行识别，根据识别结果确定需求流动信息；
控制指令生成模块，用于将所述需求流动信息输入训练好的神经网络模型，输出目标门窗信息，并同步生成控制指令。
8.根据权利要求7所述的门窗智能控制系统，其特征在于，所述门窗编号模块包括：
遍历单元，用于遍历建筑备案信息，查询门窗位置及门窗参数；
执行单元，用于根据门窗位置对门窗进行编号；
计算单元，用于根据门窗参数计算各门窗的开口面积阈值；
其中，在遍历建筑备案信息的过程中，当查询到气流交换设备时，获取气流交换设备的交换参数，将所述交换参数输入预设的转换模型，得到开口面积阈值。
9.一种计算机设备，其特征在于，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行时，实现如权利要求1至6任一项所述的门窗智能控制方法。
10.一种存储介质，其特征在于，所述存储介质中存储有至少一条程序代码，所述程序代码由处理器加载并执行时，实现如权利要求1至6任一项所述的门窗智能控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311132726.6A CN116876950B (zh) | 2023-09-05 | 2023-09-05 | 一种门窗智能控制系统、方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311132726.6A CN116876950B (zh) | 2023-09-05 | 2023-09-05 | 一种门窗智能控制系统、方法、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116876950A true CN116876950A (zh) | 2023-10-13 |
| CN116876950B CN116876950B (zh) | 2023-12-05 |
Family
ID=88257152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311132726.6A Active CN116876950B (zh) | 2023-09-05 | 2023-09-05 | 一种门窗智能控制系统、方法、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116876950B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117111535A (zh) * | 2023-10-20 | 2023-11-24 | 四川名人居门窗有限公司 | 一种封闭空间抗冲击避险控制系统及智能门窗控制方法 |
| CN117237383A (zh) * | 2023-11-15 | 2023-12-15 | 山东智赢门窗科技有限公司 | 一种基于室内环境的智能门窗控制方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104676831A (zh) * | 2014-12-24 | 2015-06-03 | 机械工业仪器仪表综合技术经济研究所 | 一种用于洞窟微环境调节控制系统的控制方法 |
| WO2017173642A1 (zh) * | 2016-04-08 | 2017-10-12 | 深圳市赛亿科技开发有限公司 | 多功能的智能窗户 |
| CN111985518A (zh) * | 2020-02-18 | 2020-11-24 | 广东三维家信息科技有限公司 | 门窗检测方法及其模型训练的方法、装置 |
| CN113359502A (zh) * | 2021-07-05 | 2021-09-07 | 信阳农林学院 | 一种基于人工智能的智能家居多传感器检测方法、系统及存储介质 |
| CN113404402A (zh) * | 2021-07-26 | 2021-09-17 | 郑州大学 | 适用于被动式建筑的智能开窗联动控制装置及控制方法 |
| CN113777938A (zh) * | 2021-08-31 | 2021-12-10 | 东风柳州汽车有限公司 | 一种家电控制方法、装置、设备及存储介质 |
| CN113904888A (zh) * | 2021-09-30 | 2022-01-07 | 珠海格力电器股份有限公司 | 空气检测设备与门窗的联动方法、空气检测设备及门窗 |
| CN114856363A (zh) * | 2022-04-21 | 2022-08-05 | 中国第一汽车股份有限公司 | 一种基于神经网络的车窗透气控制方法、装置及车辆 |
| CN115938364A (zh) * | 2022-12-12 | 2023-04-07 | 天津津航计算技术研究所 | 一种智能识别控制方法、终端设备及可读存储介质 |
| CN116624065A (zh) * | 2023-07-20 | 2023-08-22 | 山东智赢门窗科技有限公司 | 一种智能门窗自动折叠调控方法 |
-
2023
- 2023-09-05 CN CN202311132726.6A patent/CN116876950B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104676831A (zh) * | 2014-12-24 | 2015-06-03 | 机械工业仪器仪表综合技术经济研究所 | 一种用于洞窟微环境调节控制系统的控制方法 |
| WO2017173642A1 (zh) * | 2016-04-08 | 2017-10-12 | 深圳市赛亿科技开发有限公司 | 多功能的智能窗户 |
| CN111985518A (zh) * | 2020-02-18 | 2020-11-24 | 广东三维家信息科技有限公司 | 门窗检测方法及其模型训练的方法、装置 |
| CN113359502A (zh) * | 2021-07-05 | 2021-09-07 | 信阳农林学院 | 一种基于人工智能的智能家居多传感器检测方法、系统及存储介质 |
| CN113404402A (zh) * | 2021-07-26 | 2021-09-17 | 郑州大学 | 适用于被动式建筑的智能开窗联动控制装置及控制方法 |
| CN113777938A (zh) * | 2021-08-31 | 2021-12-10 | 东风柳州汽车有限公司 | 一种家电控制方法、装置、设备及存储介质 |
| CN113904888A (zh) * | 2021-09-30 | 2022-01-07 | 珠海格力电器股份有限公司 | 空气检测设备与门窗的联动方法、空气检测设备及门窗 |
| CN114856363A (zh) * | 2022-04-21 | 2022-08-05 | 中国第一汽车股份有限公司 | 一种基于神经网络的车窗透气控制方法、装置及车辆 |
| CN115938364A (zh) * | 2022-12-12 | 2023-04-07 | 天津津航计算技术研究所 | 一种智能识别控制方法、终端设备及可读存储介质 |
| CN116624065A (zh) * | 2023-07-20 | 2023-08-22 | 山东智赢门窗科技有限公司 | 一种智能门窗自动折叠调控方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117111535A (zh) * | 2023-10-20 | 2023-11-24 | 四川名人居门窗有限公司 | 一种封闭空间抗冲击避险控制系统及智能门窗控制方法 |
| CN117111535B (zh) * | 2023-10-20 | 2024-01-12 | 四川名人居门窗有限公司 | 一种封闭空间抗冲击避险控制系统及智能门窗控制方法 |
| CN117237383A (zh) * | 2023-11-15 | 2023-12-15 | 山东智赢门窗科技有限公司 | 一种基于室内环境的智能门窗控制方法及系统 |
| CN117237383B (zh) * | 2023-11-15 | 2024-02-02 | 山东智赢门窗科技有限公司 | 一种基于室内环境的智能门窗控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116876950B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116876950B (zh) | 一种门窗智能控制系统、方法、计算机设备及存储介质 | |
| Ismael et al. | Face recognition using Viola-Jones depending on Python | |
| Cheng et al. | Fault detection and diagnosis for Air Handling Unit based on multiscale convolutional neural networks | |
| CN112949704B (zh) | 一种基于图像分析的烟叶成熟度状态识别方法及装置 | |
| CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
| CN110516712A (zh) | 虫害图像识别方法、虫害监控方法、装置、设备及介质 | |
| CN114414935A (zh) | 基于大数据的配电网馈线故障区域自动化定位方法和系统 | |
| CN113112151B (zh) | 基于多维感知和企业数据量化的智慧风控评估方法与系统 | |
| CN110728252A (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
| CN111611988A (zh) | 图片验证码识别方法及装置、电子设备和计算机可读介质 | |
| Silver et al. | In vino veritas: Estimating vineyard grape yield from images using deep learning | |
| CN111539910B (zh) | 锈蚀区域检测方法及终端设备 | |
| CN113903068A (zh) | 基于人脸特征的陌生人监控方法、装置、设备及存储介质 | |
| CN114125389A (zh) | 一种基于大数据的智慧园林云监管系统 | |
| CN117195114A (zh) | 一种化工产线状态识别方法及系统 | |
| CN117197479A (zh) | 一种应用玉米果穗外表面的图像分析方法、装置、计算机设备及存储介质 | |
| CN109801394B (zh) | 一种工作人员考勤方法及装置、电子设备和可读存储介质 | |
| CN115734072A (zh) | 一种工业自动化设备的物联网集中监控方法及装置 | |
| CN115526215A (zh) | 一种胶泵故障诊断维护分析优化方法及系统 | |
| CN115358595A (zh) | 实验室任务管理方法、装置、设备及可读存储介质 | |
| CN113379247A (zh) | 企业安全隐患追踪模型的建模方法及系统 | |
| CN113128452A (zh) | 一种基于图像识别的绿化满意度采集方法和系统 | |
| CN112200222A (zh) | 模型训练设备 | |
| CN106326882A (zh) | 一种基于图像质量评估技术的指纹识别系统及方法 | |
| CN113111729A (zh) | 人员识别模型的训练方法、识别方法、系统、装置及介质 |
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 |