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技术

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，包括如下步骤：步骤1：设备安装；步骤2：样本图像采集；步骤3：建立样本数据；步骤4：设计卷积神经网络；步骤5：实际测量；步骤6：单片机与照明设备通过D/A转换模块连接，实现单片机对照明设备亮度的控制；步骤7：将步骤5所测得的环境光照度数字信号E通过串行口输入单片机，单片机比较环境光照度E与最适光照度A选择性地增大、减少或保持单片机的输出值；步骤8：重复步骤5、步骤6、步骤7，实现对环境光照度的控制。本发明专利技术测量精度较高、对测量环境适应性较好，能够实时检测所处环境光照度信息并实时做出智能调整。

A method of illumination measurement and illumination intelligent control based on convolution neural network

A method of illumination measurement based on convolution neural network and intelligent control of illumination, including steps: Step 1: installation of equipment; step 2: sample image acquisition; step 3: set up sample data; step 4: Design convolution neural network; step 5: actual measurement; step 6: MCU and lighting equipment pass D/A Change the module connection to realize the brightness control of the lighting device by single chip microcomputer. Step 7: the environmental light intensity digital signal E measured by step 5 input the MCU through the serial port, and the MCU compares the ambient light intensity E with the optimum illumination A to selectively increase, reduce or maintain the output value of the single chip microcomputer; step 8: repeat step 5, step Step 6, step 7, achieve the control of environmental illumination. The invention has high measuring accuracy and good adaptability to the measuring environment, and can detect the ambient illumination information in real time and make intelligent adjustment in real time.

【技术实现步骤摘要】
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
本专利技术涉及光照度检测及智能控制技术，尤其是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。
技术介绍
光照度是光学度量中的一个重要单位，指被摄物体单位面积上所接受可见光的光通量。为了保障人们能在适宜的光照下生活，我国制定了有关室内(包括公共场所)照度的国家标准。在工厂，生产线上的照度要求比较严格，连续工作会引起视觉疲劳，工作效率大打折扣，通常照度要求≥1000Lx。日常生活当中，仓库、学校、办公室、家庭、路灯建设、实验室等等，都与光照度息息相关。光照度计是测量光照度的常用仪器。国内常用的光照度计存在测量范围窄、精度低、成本高等缺点，而且用户需要手动调节测量范围。此外，传统的光照度测试均采用人工测试，费时费力，效率又低，且测试的误差大，精度达不到要求，随机性大。为了解决上述问题，李玲玲等人在专利《室内光照度智能测量装置及其运行方法》中通过蓝牙模块、处理器、输入模块、液晶显示屏和电源模块作为控制端，无线通信模块、处理器模块、存储模块、环境照度检测模块、距离测量模块、光电编码器、方向定位模块、驱动模块、报警模块、电源模块和电动小车作为移动终端设计了室内光照度智能测量装置。赵俭等人在专利《一种温室环境数字光照度计监控系统》中通过两个硅光电池组成差动系统采集光照数据，再通过微处理控制部分和通信部分进行监控。刘敬术等人在专利《温室大棚物联网光照度智能监控系统》中通过光敏电阻传感器连接微控制器与通信模块共同作用进行智能监控。郑琪等人在专利《基于CAN总线的环境温湿度及光照度智能监测系统》中通过光敏传感器等模块检测光照度。王涛等人在专利《光照度采集模块》中通过BH1750FVI光照度采集传感器连接无线通信模块进行控制。张倩等人在专利《一种用于光电探测器光照度测量的装置》中直接通过光照度探头外接光照度计进行光照测量。专利《一种基于光学聚焦系统的光照度测量装置》中通过将光源的出射光线聚集到光感应器的感光面上,使待测光源的出射光线的光照度在到达光感应器时得到增强,从而使测得的光照度数据线性提高、噪声降低,从而准确有效的测量到光源的光照度。陈志磊在《基于CMOS图像传感器的照度检测系统设计与实现》中设计了基于CMOS图像传感器的嵌入式照度检测系统。经文献调研分析，目前已提出的光照度检测方法基本通过光照度传感器、光敏电阻传感器或者光照度计等进行测量。目前市场上出现的自动检测仪器对环境参数检测大都是单点测量，因此光照度等信息传递过程容易产生误差。光照度计连续测量时需长期曝露在光照条件下，会产生温度漂移，严重影响仪器的测量精度。传统的光照传感器由于其固有属性无法满足智能照明精确检测和测量范围的要求。
技术实现思路
为了解决现有光照度测量仅适用于单点测量、且测量精度低、对测量环境适应性差等缺点，本专利技术采用卷积神经网络，提出了一种测量精度较高、对测量环境适应性较好的光照度测量及光照度智能控制方法，能够实时检测所处环境光照度信息并实时做出智能调整。本专利技术解决其技术问题所采用的技术方案是：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，所述方法包括如下步骤：步骤1：设备安装选取一处固定位置安装摄像头，单片机通过串口通讯与主机相连，同时单片机与照明设备通过D/A转换模块连接；步骤2：样本图像采集，过程如下：2.1选取各个时间段，拍摄目标环境照片，由工作人员使用常规照度计记录每张照片对应时刻的光照度；2.2根据图片和光照度的映射关系，建立图片与光照度关系映射表；步骤3：建立样本数据，过程如下：3.1选取N张各个光照度的图片，根据光照度测量精度的实际要求，对每张图片按光照度进行分类并标记，作为训练样本集的类别标签；3.2对图片进行灰度化、灰度拉伸的图片预处理操作，保存为训练样本集；3.3选取n张各个光照度的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集；步骤4：设计卷积神经网络设计卷积神经网络初步结构模型，用步骤3所得的样本数据训练并测试调整卷积神经网络模型；最后，输入训练数据进行仿真验证，确定网络训练完成；步骤5：实际测量拍摄环境图像，经由步骤3所述方法处理图片，将图片传入训练好的卷积神经网络，最后经由分类器得到该图片类别标签，该类别标签对应的光照度范围即该图片拍摄时环境光照度；步骤6：单片机与照明设备通过D/A转换模块连接，实现单片机对照明设备亮度的控制；步骤7：将步骤5所测得的环境光照度数字信号E通过串行口输入单片机，单片机比较环境光照度E与最适光照度A；进一步，设定Δ为光照度允许上下波动范围，若E-A>Δ，增大单片机的输出值，若E-A<-Δ，减小单片机的输出值，若-Δ<E-A<Δ，保持单片机现有输出不变；步骤8：重复步骤5、步骤6、步骤7，实现对环境光照度的控制，从而达到最适光照。进一步，所述步骤4中，所述卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层构成；其中，所述卷积层完成输入特征图与卷积核的卷积操作，卷积核即为权值参数的矩阵，在前一层的特征图滑动卷积核，与原图像重叠的区域进行加权求和，加入偏置值，经激励函数处理得到输出特征图的矩阵。本专利技术设计的卷积神经网络的卷积层将N个输入特征图转换成M个输出特征图，其转换关系由N*M个卷积核决定，即两层神经元的连接权重；不同输入特征图对应不同的卷积核，输出神经元产生的M个输出特征图将会形成下一个卷积层的输入特征图；由公式(1)表达：l表示网络的第几层，K为卷积核，Mj为输入特征图的一个选择，每一层有唯一的偏置B，f(x)为激活函数。所述步骤4中，采用ReLU函数作为激活函数，函数表达式为：f(x)＝max(0,x)。所述步骤4中，所述池化层位于所述卷积层之后，所述池化层操作仅在同一特征图内部进行，不同特征图之间互不影响，不改变原特征图数量，输入N个特征图个数，即有N个输出特征图，对于采样窗口大小为n×n的操作过程，则输出的特征图相比输入特征图在两个维度上都缩小了n倍。所述步骤4中，所述池化层采用平均值采样方式，平均值与偏置相加，经激活函数做非线性变换，表达式为公式(2)：所述步骤4中所述卷积神经网络的第二个卷积层与池化层均为二次提取特征过程，方法与第一个卷积层与池化层的卷积操作、池化操作相同。所述步骤4中，所述卷积神经网络包括前向传播计算神经元输出值和误差反向传播调整权值；信号向前传递，而误差向后传播，以此来不断调节网络权重值，使得网络的最终输出与期望输出尽可能接近，以达到训练的目的；在每次前向传播之后，都需要定义一个误差来表征此次传播之后网络的状态；反向传播过程就是将误差通过反向传递的方式逐层向前传递，使上一层中的神经元根据误差来进行自身权值的更新。所述步骤4中，所述误差反向传播调整权值的步骤为：4.1)权值初始化：ωsq＝Random(·)，sq为ij，jk或kl；4.2)依次输入P个学习样本，设当前输入为第p个样本；4.3)依次计算各层的输出：x′j，x″k及yl，j＝0,1,…,n1，k＝0,1,…n2，l＝0,1,…,m-1；4.4)求各层的反传误差：4.5)记录已学习过的样本个数p，如果p<P，转到步骤4本文档来自技高网...

【技术保护点】
1.一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，其特征在于：所述方法包括如下步骤：步骤1：设备安装选取一处固定位置安装摄像头，单片机通过串口通讯与主机相连，同时单片机与照明设备通过D/A转换模块连接；步骤2：样本图像采集，过程如下：2.1选取各个时间段，拍摄目标环境照片，由工作人员使用常规照度计记录每张照片对应时刻的光照度；2.2根据图片和光照度的映射关系，建立图片与光照度关系映射表；步骤3：建立样本数据，过程如下：3.1选取N张各个光照度的图片，根据光照度测量精度的实际要求，对每张图片按光照度进行分类并标记，作为训练样本集的类别标签；3.2对图片进行灰度化、灰度拉伸的图片预处理操作，保存为训练样本集；3.3选取n张各个光照度的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集；步骤4：设计卷积神经网络设计卷积神经网络初步结构模型，用步骤3所得的样本数据训练并测试调整卷积神经网络模型；最后，输入训练数据进行仿真验证，确定网络训练完成；步骤5：实际测量拍摄环境图像，经由步骤3所述方法处理图片，将图片传入训练好的卷积神经网络，最后经由分类器得到该图片类别标签，该类别标签对应的光照度范围即该图片拍摄时环境光照度；步骤6：单片机与照明设备通过D/A转换模块连接，实现单片机对照明设备亮度的控制；步骤7：将步骤5所测得的环境光照度数字信号E通过串行口输入单片机，单片机比较环境光照度E与最适光照度A；进一步，设定Δ为光照度允许上下波动范围，若E‑A>Δ，增大单片机的输出值，若E‑A...

【技术特征摘要】
1.一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，其特征在于：所述方法包括如下步骤：步骤1：设备安装选取一处固定位置安装摄像头，单片机通过串口通讯与主机相连，同时单片机与照明设备通过D/A转换模块连接；步骤2：样本图像采集，过程如下：2.1选取各个时间段，拍摄目标环境照片，由工作人员使用常规照度计记录每张照片对应时刻的光照度；2.2根据图片和光照度的映射关系，建立图片与光照度关系映射表；步骤3：建立样本数据，过程如下：3.1选取N张各个光照度的图片，根据光照度测量精度的实际要求，对每张图片按光照度进行分类并标记，作为训练样本集的类别标签；3.2对图片进行灰度化、灰度拉伸的图片预处理操作，保存为训练样本集；3.3选取n张各个光照度的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集；步骤4：设计卷积神经网络设计卷积神经网络初步结构模型，用步骤3所得的样本数据训练并测试调整卷积神经网络模型；最后，输入训练数据进行仿真验证，确定网络训练完成；步骤5：实际测量拍摄环境图像，经由步骤3所述方法处理图片，将图片传入训练好的卷积神经网络，最后经由分类器得到该图片类别标签，该类别标签对应的光照度范围即该图片拍摄时环境光照度；步骤6：单片机与照明设备通过D/A转换模块连接，实现单片机对照明设备亮度的控制；步骤7：将步骤5所测得的环境光照度数字信号E通过串行口输入单片机，单片机比较环境光照度E与最适光照度A；进一步，设定Δ为光照度允许上下波动范围，若E-A>Δ，增大单片机的输出值，若E-A<-Δ，减小单片机的输出值，若-Δ<E-A<Δ，保持单片机现有输出不变；步骤8：重复步骤5、步骤6、步骤7，实现对环境光照度的控制，从而达到最适光照。2.如权利要求1所述的基于卷积神经网络的光照度测量及光照度智能控制方法，其特征在于：所述步骤4中，所述卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层构成；其中，所述卷积层完成输入特征图与卷积核的卷积操作，卷积核即为权值参数的矩阵，在前一层的特征图滑动卷积核，与原图像重叠的区域进行加权求和，加入偏置值，经激励函数处理得到输出特征图的矩阵；卷积神经网络的卷积层将N个输入特征图转换成M个输出特征图，其转换关系由N*M个卷积核决定，即两层神经元的连接权重；不同输入特征图对应不同的卷积核，输出神经元产生的M个输出特征图将会形成下一个卷积层的输入特征图；由公式(1)表达：l表示网络的第几层，K为卷积核，Mj为输入特征图的一个选择，每一层有唯一的偏置B，f(x)为激活函数。3.如权利要求2所述的基于卷积神经网...

【专利技术属性】
技术研发人员：付明磊，胡海霞，穆礼德，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33