CN117237383B - 一种基于室内环境的智能门窗控制方法及系统 - Google Patents
一种基于室内环境的智能门窗控制方法及系统 Download PDFInfo
- Publication number
- CN117237383B CN117237383B CN202311515059.XA CN202311515059A CN117237383B CN 117237383 B CN117237383 B CN 117237383B CN 202311515059 A CN202311515059 A CN 202311515059A CN 117237383 B CN117237383 B CN 117237383B
- Authority
- CN
- China
- Prior art keywords
- image
- door
- images
- determining
- window control
- 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 80
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明涉及门窗控制技术领域,具体公开了一种基于室内环境的智能门窗控制方法及系统,所述方法包括获取待检区域的全景图像;对所述全景图像进行区域切分,并对区域切分后的各个图像块进行图像增强;对图像增强后的各个图像块进行识别,根据识别结果确定对应门窗的调节优先级;实时接收环境传感器获取到的采集数据,根据所述调节优先级对采集数据进行处理,确定门窗控制指令。本发明通过厂房内部的摄像头获取并拼接得到全景图像,对全景图像进行切分,并对切分后的图像进行增强,对增强后的图像进行识别,确定特征数量,进而确定各个门窗的处理优先级,基于处理优先级确定处理先后顺序,提高了门窗控制过程的有序性。
Description
技术领域
本发明涉及门窗控制技术领域,具体是一种基于室内环境的智能门窗控制方法及系统。
背景技术
门窗控制是一种常见需求,一般由工作人员完成,当厂房的门窗数量较多时,门窗控制需要消耗大量的人力成本,此外,考虑到启闭问题,门窗的位置必须设置在人工能够处理的范围内,这对门窗设计过程也是一种制约。
在现有技术中,考虑到上述问题,会将门窗设置为智能门窗,人工可以通过遥控器进行门窗调节,这种调节方式解决了上述问题,降低了人力成本,并且为设计过程提供了更为广阔的空间,但是,在上述智能系统的基础上,人们自然而然的会想到,是否能够更进一步,比如,智能门窗的控制过程均由人工输入控制指令,而控制室内的人员很难了解到现场环境,现场工作人员存在调节需求时,需要上报,再进行调节,灵活度与及时性难以保证。
为了解决这一问题,现有的厂房,尤其是智能车间,会增设传感器,根据传感器获取环境情况,进而对门窗进行智能调节,当门窗数量较多时,多个门窗的处理顺序就会非常重要,而现有技术对此却未做考虑,如何提高门窗智能调节过程的有序性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基于室内环境的智能门窗控制方法及系统,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:
一种基于室内环境的智能门窗控制方法,所述方法包括:
根据图像获取设备获取含有位置标签和时间标签的图像;
基于所述位置标签和所述时间标签对所述图像进行组合,确定待检区域的全景图像;
对所述全景图像进行区域切分,并对区域切分后的各个图像块进行图像增强;
对图像增强后的各个图像块进行识别,根据识别结果确定对应门窗的调节优先级;
实时接收环境传感器获取到的采集数据,根据所述调节优先级对采集数据进行处理,确定门窗控制指令。
作为本发明进一步的方案:所述基于所述位置标签和所述时间标签对所述图像进行组合,确定待检区域的全景图像的步骤包括:
查询图像的位置标签,根据位置标签对图像进行分类;
查询每一类图像中的时间标签,根据时间标签对图像进行排序;
依次以各个时间点在各类图像中选取图像并组合,得到组合图像;其中,选取规则为图像的时间标签与时间点的时间差最小;
比对组合图像,计算相同子图像的占比,根据所述占比筛选组合图像;
统计组合图像及其时间点,作为待检区域的全景图像。
作为本发明进一步的方案:所述对所述全景图像进行区域切分,并对区域切分后的各个图像块进行图像增强的步骤包括:
根据预设的第一步长在全景图像的对角线上依次选取起始点;
以起始点为中心在全景图像中确定单元格;所述单元格的单元尺寸基于预设的第二步长递增;
根据单元格对全景图像进行区域切分,得到图像块;
计算图像块的像素总数和像素均匀度,根据所述像素总数和所述像素均匀度选取目标单元格;
对目标单元格下的各个图像块进行图像增强。
作为本发明进一步的方案:所述计算图像块的像素总数和像素均匀度,根据所述像素总数和所述像素均匀度选取目标单元格的目标函数为:
;式中,min指的是取最小值,i为当前切分方式下
的第i个单元格,N为单元格总数,为第i个单元格中的所有像素点的像素值,为第i个单
元格中的所有像素点的像素值的均值,T为第i个单元格中的像素点总数;为预设的调节
系数;
所述对目标单元格下的各个图像块进行图像增强的步骤包括:
将每个图像块转换为对数图像;;式中,为图像块,为对数
图像;
对所述对数图像进行高斯平滑;;式中,为高斯核,为平滑后的图
像;
基于高斯平滑后的图像计算照度图像;;式中,为照度图像;
基于高斯平滑后的图像计算反射图像;;式中,R为反射图像;
对反射图像进行指数变换;;式中,为指数变换后的图
像,为关于x的指数函数;
对指数变换后的反射图像进行亮度调整,得到输出图像;;
式中,O为输出图像;为反射图像中的最大亮度值。
作为本发明进一步的方案:所述对图像增强后的各个图像块进行识别,根据识别结果确定对应门窗的调节优先级的步骤包括:
查询管理方上传的图像特征库;所述图像特征库包括特征项和级别项;
根据图像特征库遍历各个图像块,确定各个图像块的级别数组;所述级别数组的元素数量与图像特征库的元素数量相同;
根据图像块的位置查询对应的门窗,根据级别数组确定对应的门窗的调节优先级。
作为本发明进一步的方案:所述实时接收环境传感器获取到的采集数据,根据所述调节优先级对采集数据进行处理,确定门窗控制指令的步骤包括:
实时接收环境传感器获取到的含有位置的采集数据;
根据位置确定该采集数据与各个门窗之间的影响权重;所述影响权重与距离呈反比;
根据所有采集数据及其影响权重计算各个门窗的综合环境数据;
根据门窗的调节优先级确定处理顺序,基于处理顺序将综合环境数据输入训练好的神经网络模型,确定门窗控制指令。
本发明技术方案还提供了一种基于室内环境的智能门窗控制系统,所述系统包括:
图像获取模块,用于根据图像获取设备获取含有位置标签和时间标签的图像;
图像组合模块,用于基于所述位置标签和所述时间标签对所述图像进行组合,确定待检区域的全景图像;
图像增强模块,用于对所述全景图像进行区域切分,并对区域切分后的各个图像块进行图像增强;
优先级判定模块,用于对图像增强后的各个图像块进行识别,根据识别结果确定对应门窗的调节优先级;
控制指令生成模块,用于实时接收环境传感器获取到的采集数据,根据所述调节优先级对采集数据进行处理,确定门窗控制指令。
作为本发明进一步的方案:所述图像组合模块包括:
图像分类单元,用于查询图像的位置标签,根据位置标签对图像进行分类;
图像排序单元,用于查询每一类图像中的时间标签,根据时间标签对图像进行排序;
组合执行单元,用于依次以各个时间点在各类图像中选取图像并组合,得到组合图像;其中,选取规则为图像的时间标签与时间点的时间差最小;
图像筛选单元,用于比对组合图像,计算相同子图像的占比,根据所述占比筛选组合图像;
图像统计单元,用于统计组合图像及其时间点,作为待检区域的全景图像。
作为本发明进一步的方案:所述图像增强模块包括:
起始点选取单元,用于根据预设的第一步长在全景图像的对角线上依次选取起始点;
单元格确定单元,用于以起始点为中心在全景图像中确定单元格;所述单元格的单元尺寸基于预设的第二步长递增;
区域切分单元,用于根据单元格对全景图像进行区域切分,得到图像块;
选取单元,用于计算图像块的像素总数和像素均匀度,根据所述像素总数和所述像素均匀度选取目标单元格;
增强执行单元,用于对目标单元格下的各个图像块进行图像增强。
作为本发明进一步的方案:所述优先级判定模块包括:
特征库查询单元,用于查询管理方上传的图像特征库;所述图像特征库包括特征项和级别项;
图像遍历模块,用于根据图像特征库遍历各个图像块,确定各个图像块的级别数组;所述级别数组的元素数量与图像特征库的元素数量相同;
数组应用模块,用于根据图像块的位置查询对应的门窗,根据级别数组确定对应的门窗的调节优先级。
与现有技术相比,本发明的有益效果是:本发明通过厂房内部的摄像头获取并拼接得到全景图像,根据图像自身特征对全景图像进行切分,并对切分后的图像进行增强,对增强后的图像进行识别,确定特征数量,进而确定各个门窗的处理优先级,基于处理优先级确定处理先后顺序,提高了门窗控制过程的有序性。
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为基于室内环境的智能门窗控制方法的流程框图。
图2为基于室内环境的智能门窗控制方法的第一子流程框图。
图3为基于室内环境的智能门窗控制方法的第二子流程框图。
图4为基于室内环境的智能门窗控制方法的第三子流程框图。
图5为基于室内环境的智能门窗控制方法的第四子流程框图。
图6为基于室内环境的智能门窗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为基于室内环境的智能门窗控制方法的流程框图,本发明实施例中,一种基于室内环境的智能门窗控制方法,所述方法包括:
步骤S100:根据图像获取设备获取含有位置标签和时间标签的图像;
图像获取设备可以是安装在室内的摄像头,所述摄像头包括固定式摄像头和转动式摄像头,其中,固定式摄像头的采集位置是固定的,也即,采集到的图像的位置标签是固定的,而对于转动式的摄像头来说,不同转动参数获取到的图像位置不同。
在本发明技术方案的一个实例中,在图像获取设备获取图像时,同步记录位置和时间,得到含有位置标签和时间标签的图像。
步骤S200:基于所述位置标签和所述时间标签对所述图像进行组合,确定待检区域的全景图像;
根据时间顺序依次读取各个位置的图像,根据位置对图像进行组合,可以得到一张整体图像,称为全景图像。
值得一提的是,全景图像的覆盖面与图像获取设备的数量以及图幅有关,数量越多,图幅越大,对应图像的全面性越高,一般情况下,全景图像需要覆盖整个室内。
步骤S300:对所述全景图像进行区域切分,并对区域切分后的各个图像块进行图像增强;
全景图像对应着整个室内,当室内面积较大时,各区域的光照环境不同,获取到的图像的差异会很大,基于未处理的图像对门窗进行处理时,有可能会产生错误,比如,在白天,朝北的厂房内的一个区域较暗,在图像识别过程中,可能会判定当前时刻为夜晚,此时,在生成控制指令时,有可能会将对应门窗关闭,这就是一种由图像环境问题引起的识别错误,因此,对于全景图像来说,需要进行图像处理,处理方式需要先进行切分,再进行处理,其原因是,在室内环境下,不同子区域的环境有高度的相似性,比如,同一房间内的环境几乎是相同的。
步骤S400:对图像增强后的各个图像块进行识别,根据识别结果确定对应门窗的调节优先级;
对图像增强后的各个子区域进行识别,判断是否存在某些特征,最简单的一种特征就是人员特征,人员特征的数量越多,该子区域对应的门窗的调节优先级就要更高,调节优先级的作用是,如果调节优先级更高,那么在后续的控制指令生成过程中,就会更先进行处理,相应的,生成的控制指令的速度也会更快。
步骤S500:实时接收环境传感器获取到的采集数据,根据所述调节优先级对采集数据进行处理,确定门窗控制指令;
最后,由环境传感器(光敏传感器等)获取采集数据,根据调节优先级确定采集数据的处理顺序,进而确定门窗控制指令即可;其中,采集数据与门窗控制指令的具体映射关系由工作人员输入,可以采用表格形式,比如,由工作人员预先确定每种范围对应哪种门窗控制指令,在实际应用时,直接在表格中遍历匹配即可。
在本发明技术方案的一个实例中,室内环境为大面积的厂房,厂房内部不同区域的环境状况不同,由厂房内部的摄像头获取并拼接得到全景图像,根据图像自身特征对全景图像进行切分,并对切分后的图像进行增强,对增强后的图像进行识别,确定人员数量,人员数量越多,对应子区域附近的门窗的控制优先级就设定的更高;最后,根据控制优先级确定各传感器的采集数据的处理先后顺序,根据采集数据确定控制指令并向门窗发送即可。
图2为基于室内环境的智能门窗控制方法的第一子流程框图,所述基于所述位置标签和所述时间标签对所述图像进行组合,确定待检区域的全景图像的步骤包括:
步骤S201:查询图像的位置标签,根据位置标签对图像进行分类;
步骤S202:查询每一类图像中的时间标签,根据时间标签对图像进行排序;
步骤S203:依次以各个时间点在各类图像中选取图像并组合,得到组合图像;其中,选取规则为图像的时间标签与时间点的时间差最小;
步骤S204:比对组合图像,计算相同子图像的占比,根据所述占比筛选组合图像;
步骤S205:统计组合图像及其时间点,作为待检区域的全景图像。
上述内容对全景图像的生成过程进行了限定,首先,根据拍摄的图像的位置对图像进行分类,对于每一类图像,根据图像的获取时间对图像进行排序,可以得到以时间顺序进行排列的每一类图像。
然后,由管理方预先设置时间间隔,比如0.5s,由设置的时间间隔可以选取多个时间点,以时间点为中心,可以在各类图像中都选取一张图像,根据这些图像对应的位置标签可以将图像组合起来,进而得到组合图像。
最后,相邻的几个时刻点读取到的图像有可能存在大面积的重复,因此,比对组合图像,可以计算出相同的子图像的数量,进而计算图像占比,当图像占比较高时,仅保留一个组合图像。
图3为基于室内环境的智能门窗控制方法的第二子流程框图,所述对所述全景图像进行区域切分,并对区域切分后的各个图像块进行图像增强的步骤包括:
步骤S301:根据预设的第一步长在全景图像的对角线上依次选取起始点;
步骤S302:以起始点为中心在全景图像中确定单元格;所述单元格的单元尺寸基于预设的第二步长递增;
步骤S303:根据单元格对全景图像进行区域切分,得到图像块;
步骤S304:计算图像块的像素总数和像素均匀度,根据所述像素总数和所述像素均匀度选取目标单元格;
步骤S305:对目标单元格下的各个图像块进行图像增强。
上述内容对两个过程进行了限定,第一,对图像的区域切分过程进行了限定,第二,对图像的增强过程进行了限定。
关于图像的区域切分过程,本质上是一种嵌套循环处理过程,在第一层循环中,依次确定不同的起始点;对于每个起始点都确定一个循环处理过程,也即,第二层循环,第二层循环是确定不同尺寸的切分网格,所述切分网格就是多个矩形的集合,每个单元格的尺寸为变量;根据切分网格对全景图像进行区域切分,可以得到多个图像块。
对于每种切分方式,都计算一次图像块的自身特征,根据自身特征确定最终的切分方式,得到的单元格称为目标单元格;其中,所述自身特征一般限定为各个图像块的像素总数和像素均匀度。
具体的,所述计算图像块的像素总数和像素均匀度,根据所述像素总数和所述像素均匀度选取目标单元格的目标函数为:
;式中,min指的是取最小值,i为当前切分方式下
的第i个单元格,N为单元格总数,为第i个单元格中的所有像素点的像素值,为第i个单
元格中的所有像素点的像素值的均值,T为第i个单元格中的像素点总数;为预设的调节
系数。
值得一提的是,在上述目标函数中,为方差,T为像素点总数,这一项本质上是方差比上像素点总数。
确定好单元格的切分方式后,对每个图像块进行图像增强即可,所述对目标单元格下的各个图像块进行图像增强的步骤包括:
将每个图像块转换为对数图像;;式中,为图像块,为对数
图像;
对所述对数图像进行高斯平滑;;式中,为高斯核,为平滑后的图
像;
基于高斯平滑后的图像计算照度图像;;式中,为照度图像;
基于高斯平滑后的图像计算反射图像;;式中,R为反射图像;
对反射图像进行指数变换;;式中,为指数变换后的图
像,为关于x的指数函数;
对指数变换后的反射图像进行亮度调整,得到输出图像;;
式中,O为输出图像;为反射图像中的最大亮度值;其作用为将反射图像归一化
到[0,1]区间,再将其放大到[0,255]区间,可以增强图像的对比度和细节。
上述内容的操作流程为,在获取到的图像上进行高斯平滑,然后根据高斯平滑得到照度图像,所述照度图像相当于环境影响,在原始图像上剔除照度图像,相当于在一定程度上剔除了环境影响,得到的图像,真实度更高。其中,对数和指数只是为了处理过程更加容易;所述高斯平滑中的高斯核采用现有技术中的高斯模糊技术中的高斯核即可。
另外,关于上述亮度,所述亮度是图像的一个分量。
图4为基于室内环境的智能门窗控制方法的第三子流程框图,所述对图像增强后的各个图像块进行识别,根据识别结果确定对应门窗的调节优先级的步骤包括:
步骤S401:查询管理方上传的图像特征库;所述图像特征库包括特征项和级别项;
步骤S402:根据图像特征库遍历各个图像块,确定各个图像块的级别数组;所述级别数组的元素数量与图像特征库的元素数量相同;
步骤S403:根据图像块的位置查询对应的门窗,根据级别数组确定对应的门窗的调节优先级。
上述内容对调节优先级的确定过程进行了具体的描述,其基本原理在于,由管理方上传图像特征库,所述图像特征库包括特征项和级别项,不同特征的级别不同;一般情况下,图像特征库中仅具有人像特征,偶尔会有一些比较重要的设备特征;所述特征项就是一个图像卷积核,比如3×3或5×5的图像特征。
依次读取图像特征,遍历图像块,可以判断出各类图像特征是否出现,出现输出一,未出现输出零,由此,可以得到一个与图像特征库对应的零一数组,读取一位置对应的级别,得到级别数组。
对级别数组进行分析,可以确定调节优先级;最简单的一种方式就是计算级别均值,级别均值越大,调节优先级越高。
图5为基于室内环境的智能门窗控制方法的第四子流程框图,所述实时接收环境传感器获取到的采集数据,根据所述调节优先级对采集数据进行处理,确定门窗控制指令的步骤包括:
步骤S501:实时接收环境传感器获取到的含有位置的采集数据;
步骤S502:根据位置确定该采集数据与各个门窗之间的影响权重;所述影响权重与距离呈反比;
步骤S503:根据所有采集数据及其影响权重计算各个门窗的综合环境数据;
步骤S504:根据门窗的调节优先级确定处理顺序,基于处理顺序将综合环境数据输入训练好的神经网络模型,确定门窗控制指令。
上述内容提供了一种门窗控制过程,门窗控制过程的输入为环境传感器获取到的采集数据,由于环境参数在空间内是连续的,每个采集数据都会影响所有门窗的控制过程,相应的,每个门窗都会受到所有采集数据的影响,影响程度由上述内容中的影响权重表示,影响权重与距离呈反比,也即,距离越远,影响幅度越低;基于此,对于每个门窗,根据影响权重统计所有采集数据,即可得到一个综合数据,称为综合环境数据。
由工作人员预先创建样本集、训练集和测试集,构建由综合环境数据-门窗控制指令的神经网络模型,在实际计算出综合环境数据后,借助训练好的神经网络模型,即可确定门窗控制指令。
值得一提的是,在本发明技术方案的一个实例中,很多数据都可以用最简单的数据进行代替,比如门窗控制指令可以限定为门窗开口大小,图像特征可以限定为人像特征,环境传感器可以限定为光敏传感器等,这样可以构建出一种非常简单的门窗控制系统,在此基础上,不断的扩充各种数据,可以逐渐提高门窗控制系统的精度,具体视管理方的需求而定。
图6为基于室内环境的智能门窗控制系统的组成结构框图,本发明实施例中,一种基于室内环境的智能门窗控制系统,所述系统10包括:
图像获取模块11,用于根据图像获取设备获取含有位置标签和时间标签的图像;
图像组合模块12,用于基于所述位置标签和所述时间标签对所述图像进行组合,确定待检区域的全景图像;
图像增强模块13,用于对所述全景图像进行区域切分,并对区域切分后的各个图像块进行图像增强;
优先级判定模块14,用于对图像增强后的各个图像块进行识别,根据识别结果确定对应门窗的调节优先级;
控制指令生成模块15,用于实时接收环境传感器获取到的采集数据,根据所述调节优先级对采集数据进行处理,确定门窗控制指令。
进一步的,所述图像组合模块12包括:
图像分类单元,用于查询图像的位置标签,根据位置标签对图像进行分类;
图像排序单元,用于查询每一类图像中的时间标签,根据时间标签对图像进行排序;
组合执行单元,用于依次以各个时间点在各类图像中选取图像并组合,得到组合图像;其中,选取规则为图像的时间标签与时间点的时间差最小;
图像筛选单元,用于比对组合图像,计算相同子图像的占比,根据所述占比筛选组合图像;
图像统计单元,用于统计组合图像及其时间点,作为待检区域的全景图像。
具体的,所述图像增强模块13包括:
起始点选取单元,用于根据预设的第一步长在全景图像的对角线上依次选取起始点;
单元格确定单元,用于以起始点为中心在全景图像中确定单元格;所述单元格的单元尺寸基于预设的第二步长递增;
区域切分单元,用于根据单元格对全景图像进行区域切分,得到图像块;
选取单元,用于计算图像块的像素总数和像素均匀度,根据所述像素总数和所述像素均匀度选取目标单元格;
增强执行单元,用于对目标单元格下的各个图像块进行图像增强。
更进一步的,所述优先级判定模块14包括:
特征库查询单元,用于查询管理方上传的图像特征库;所述图像特征库包括特征项和级别项;
图像遍历模块,用于根据图像特征库遍历各个图像块,确定各个图像块的级别数组;所述级别数组的元素数量与图像特征库的元素数量相同;
数组应用模块,用于根据图像块的位置查询对应的门窗,根据级别数组确定对应的门窗的调节优先级。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于室内环境的智能门窗控制方法,其特征在于,所述方法包括:
根据图像获取设备获取含有位置标签和时间标签的图像;
基于所述位置标签和所述时间标签对所述图像进行组合,确定待检区域的全景图像;
对所述全景图像进行区域切分,并对区域切分后的各个图像块进行图像增强;
对图像增强后的各个图像块进行识别,根据识别结果确定对应门窗的调节优先级;
实时接收环境传感器获取到的采集数据,根据所述调节优先级对采集数据进行处理,确定门窗控制指令;
所述基于所述位置标签和所述时间标签对所述图像进行组合,确定待检区域的全景图像的步骤包括:
查询图像的位置标签,根据位置标签对图像进行分类;
查询每一类图像中的时间标签,根据时间标签对图像进行排序;
依次以各个时间点在各类图像中选取图像并组合,得到组合图像;其中,选取规则为图像的时间标签与时间点的时间差最小;
比对组合图像,计算相同子图像的占比,根据所述占比筛选组合图像;
统计组合图像及其时间点,作为待检区域的全景图像。
2.根据权利要求1所述的基于室内环境的智能门窗控制方法,其特征在于,所述对所述全景图像进行区域切分,并对区域切分后的各个图像块进行图像增强的步骤包括:
根据预设的第一步长在全景图像的对角线上依次选取起始点;
以起始点为中心在全景图像中确定单元格;所述单元格的单元尺寸基于预设的第二步长递增;
根据单元格对全景图像进行区域切分,得到图像块;
计算图像块的像素总数和像素均匀度,根据所述像素总数和所述像素均匀度选取目标单元格;
对目标单元格下的各个图像块进行图像增强。
3.根据权利要求2所述的基于室内环境的智能门窗控制方法,其特征在于,所述计算图像块的像素总数和像素均匀度,根据所述像素总数和所述像素均匀度选取目标单元格的目标函数为:
;式中,min指的是取最小值,i为当前切分方式下的第i个单元格,N为单元格总数,/>为第i个单元格中的所有像素点的像素值,/>为第i个单元格中的所有像素点的像素值的均值,T为第i个单元格中的像素点总数;/>为预设的调节系数;
所述对目标单元格下的各个图像块进行图像增强的步骤包括:
将每个图像块转换为对数图像;;式中,/>为图像块,/>为对数图像;
对所述对数图像进行高斯平滑;;式中,/>为高斯核,/>为平滑后的图像;
基于高斯平滑后的图像计算照度图像;;式中,/>为照度图像;
基于高斯平滑后的图像计算反射图像;;式中,R为反射图像;
对反射图像进行指数变换;;式中,/>为指数变换后的图像,为关于x的指数函数;
对指数变换后的反射图像进行亮度调整,得到输出图像;;式中,O为输出图像;/>为反射图像中的最大亮度值。
4.根据权利要求1所述的基于室内环境的智能门窗控制方法,其特征在于,所述对图像增强后的各个图像块进行识别,根据识别结果确定对应门窗的调节优先级的步骤包括:
查询管理方上传的图像特征库;所述图像特征库包括特征项和级别项;
根据图像特征库遍历各个图像块,确定各个图像块的级别数组;所述级别数组的元素数量与图像特征库的元素数量相同;
根据图像块的位置查询对应的门窗,根据级别数组确定对应的门窗的调节优先级。
5.根据权利要求1所述的基于室内环境的智能门窗控制方法,其特征在于,所述实时接收环境传感器获取到的采集数据,根据所述调节优先级对采集数据进行处理,确定门窗控制指令的步骤包括:
实时接收环境传感器获取到的含有位置的采集数据;
根据位置确定该采集数据与各个门窗之间的影响权重;所述影响权重与距离呈反比;
根据所有采集数据及其影响权重计算各个门窗的综合环境数据;
根据门窗的调节优先级确定处理顺序,基于处理顺序将综合环境数据输入训练好的神经网络模型,确定门窗控制指令。
6.一种基于室内环境的智能门窗控制系统,其特征在于,所述系统包括:
图像获取模块,用于根据图像获取设备获取含有位置标签和时间标签的图像;
图像组合模块,用于基于所述位置标签和所述时间标签对所述图像进行组合,确定待检区域的全景图像;
图像增强模块,用于对所述全景图像进行区域切分,并对区域切分后的各个图像块进行图像增强;
优先级判定模块,用于对图像增强后的各个图像块进行识别,根据识别结果确定对应门窗的调节优先级;
控制指令生成模块,用于实时接收环境传感器获取到的采集数据,根据所述调节优先级对采集数据进行处理,确定门窗控制指令;
所述图像组合模块包括:
图像分类单元,用于查询图像的位置标签,根据位置标签对图像进行分类;
图像排序单元,用于查询每一类图像中的时间标签,根据时间标签对图像进行排序;
组合执行单元,用于依次以各个时间点在各类图像中选取图像并组合,得到组合图像;其中,选取规则为图像的时间标签与时间点的时间差最小;
图像筛选单元,用于比对组合图像,计算相同子图像的占比,根据所述占比筛选组合图像;
图像统计单元,用于统计组合图像及其时间点,作为待检区域的全景图像。
7.根据权利要求6所述的基于室内环境的智能门窗控制系统,其特征在于,所述图像增强模块包括:
起始点选取单元,用于根据预设的第一步长在全景图像的对角线上依次选取起始点;
单元格确定单元,用于以起始点为中心在全景图像中确定单元格;所述单元格的单元尺寸基于预设的第二步长递增;
区域切分单元,用于根据单元格对全景图像进行区域切分,得到图像块;
选取单元,用于计算图像块的像素总数和像素均匀度,根据所述像素总数和所述像素均匀度选取目标单元格;
增强执行单元,用于对目标单元格下的各个图像块进行图像增强。
8.根据权利要求6所述的基于室内环境的智能门窗控制系统,其特征在于,所述优先级判定模块包括:
特征库查询单元,用于查询管理方上传的图像特征库;所述图像特征库包括特征项和级别项;
图像遍历模块,用于根据图像特征库遍历各个图像块,确定各个图像块的级别数组;所述级别数组的元素数量与图像特征库的元素数量相同;
数组应用模块,用于根据图像块的位置查询对应的门窗,根据级别数组确定对应的门窗的调节优先级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515059.XA CN117237383B (zh) | 2023-11-15 | 2023-11-15 | 一种基于室内环境的智能门窗控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515059.XA CN117237383B (zh) | 2023-11-15 | 2023-11-15 | 一种基于室内环境的智能门窗控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237383A CN117237383A (zh) | 2023-12-15 |
CN117237383B true CN117237383B (zh) | 2024-02-02 |
Family
ID=89089755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311515059.XA Active CN117237383B (zh) | 2023-11-15 | 2023-11-15 | 一种基于室内环境的智能门窗控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237383B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096559A (zh) * | 2024-04-25 | 2024-05-28 | 吉林省中业光电技术有限公司 | 一种基于多信道图像融合的视景增强方法及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080631A (zh) * | 2019-12-20 | 2020-04-28 | 中国烟草总公司北京市公司 | 一种拼接影像楼面缺陷检测的故障定位方法及系统 |
CN111583138A (zh) * | 2020-04-27 | 2020-08-25 | Oppo广东移动通信有限公司 | 视频增强方法及装置、电子设备、存储介质 |
WO2021068330A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技(深圳)有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
CN113741472A (zh) * | 2021-09-10 | 2021-12-03 | 上海伯镭智能科技有限公司 | 一种基于多图像采集的障碍回避方法及装置 |
CN114187738A (zh) * | 2020-08-24 | 2022-03-15 | 浙江宇视科技有限公司 | 安全预警方法、装置、设备和介质 |
CN115410224A (zh) * | 2022-08-24 | 2022-11-29 | 云南电网有限责任公司电力科学研究院 | 基于图像数据的电力作业现场违章辨识系统及方法 |
CN115797811A (zh) * | 2023-02-07 | 2023-03-14 | 江西农业大学 | 一种基于视觉的农产品检测方法及系统 |
CN115861859A (zh) * | 2023-02-20 | 2023-03-28 | 中国科学院东北地理与农业生态研究所 | 一种坡耕地环境监测方法及系统 |
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 |
CN116876950A (zh) * | 2023-09-05 | 2023-10-13 | 山东智赢门窗科技有限公司 | 一种门窗智能控制系统、方法、计算机设备及存储介质 |
-
2023
- 2023-11-15 CN CN202311515059.XA patent/CN117237383B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068330A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技(深圳)有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
CN111080631A (zh) * | 2019-12-20 | 2020-04-28 | 中国烟草总公司北京市公司 | 一种拼接影像楼面缺陷检测的故障定位方法及系统 |
CN111583138A (zh) * | 2020-04-27 | 2020-08-25 | Oppo广东移动通信有限公司 | 视频增强方法及装置、电子设备、存储介质 |
CN114187738A (zh) * | 2020-08-24 | 2022-03-15 | 浙江宇视科技有限公司 | 安全预警方法、装置、设备和介质 |
CN113741472A (zh) * | 2021-09-10 | 2021-12-03 | 上海伯镭智能科技有限公司 | 一种基于多图像采集的障碍回避方法及装置 |
CN115410224A (zh) * | 2022-08-24 | 2022-11-29 | 云南电网有限责任公司电力科学研究院 | 基于图像数据的电力作业现场违章辨识系统及方法 |
CN115797811A (zh) * | 2023-02-07 | 2023-03-14 | 江西农业大学 | 一种基于视觉的农产品检测方法及系统 |
CN115861859A (zh) * | 2023-02-20 | 2023-03-28 | 中国科学院东北地理与农业生态研究所 | 一种坡耕地环境监测方法及系统 |
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 |
CN116876950A (zh) * | 2023-09-05 | 2023-10-13 | 山东智赢门窗科技有限公司 | 一种门窗智能控制系统、方法、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Position Estimation for Objects in the High Latitude Region of 360° Panoramic Images;Junya Masuda;《Proceedings of the 13th International Conference on Management of Digital EcoSystems》;全文 * |
结合方向梯度和支持向量机的立面窗户提取方法;张士诚;李新萍;盛奇;;测绘科学(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117237383A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117237383B (zh) | 一种基于室内环境的智能门窗控制方法及系统 | |
CN111401246B (zh) | 一种烟雾浓度检测方法、装置、设备及存储介质 | |
CN111770285B (zh) | 一种曝光亮度控制方法、装置、电子设备和存储介质 | |
CN108960290A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN111462155B (zh) | 移动侦测方法、装置、计算机设备和存储介质 | |
CN108010025B (zh) | 基于rcnn的屏柜的开关与指示灯定位和状态识别方法 | |
CN109413411B (zh) | 一种监控线路的黑屏识别方法、装置及服务器 | |
CN110570454A (zh) | 一种检测异物入侵的方法及装置 | |
CN111612002A (zh) | 一种基于神经网络的多目标物体运动追踪方法 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN111807183A (zh) | 基于深度学习的电梯门状态智能检测方法 | |
CN110493595A (zh) | 摄像头的检测方法和装置、存储介质及电子装置 | |
CN112560649A (zh) | 一种行为动作检测方法、系统、设备及介质 | |
CN112347805A (zh) | 一种多目标二维码检测识别方法、系统、装置及存储介质 | |
CN115880260A (zh) | 基站施工的检测方法、装置、设备及计算机可读存储介质 | |
CN115115950A (zh) | 一种基于图像直方图特征的无人机图像查重方法 | |
AU2017443986A1 (en) | Color adaptation using adversarial training networks | |
CN111476314B (zh) | 一种融合光流算法与深度学习的模糊视频检测方法 | |
CN112070682A (zh) | 图像亮度补偿的方法和装置 | |
CN109658405B (zh) | 一种农作物实景观测中图像数据质量控制方法及系统 | |
CN112364884A (zh) | 一种移动物体侦测的方法 | |
CN112686340B (zh) | 一种基于深度神经网络的密集小目标检测方法 | |
CN115620121A (zh) | 一种基于数字孪生的光电目标高精度检测方法 | |
Laungrungthip et al. | Edge-based detection of sky regions in images for solar exposure prediction | |
CN114694090A (zh) | 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法 |
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 |