[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的光照度測(cè)量及光照度智能控制方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711305358.5
• 申請(qǐng)日: 2017-12-11
• 公開(kāi)（公告）號(hào): CN108181952A
• 公開(kāi)（公告）日: 2018-06-19
• 發(fā)明（設(shè)計(jì)）人: 付明磊;胡海霞;穆禮德
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號(hào): G05D25/02
• 分類號(hào): G05D25/02;G06N3/04;H05B37/02
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司 33241
• 代理人: 王利強(qiáng)

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的光照度測(cè)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驟：

步驟1：設(shè)備安裝

選取一處固定位置安裝攝像頭，單片機(jī)通過(guò)串口通訊與主機(jī)相連，同時(shí)單片機(jī)與照明設(shè)備通過(guò)D/A轉(zhuǎn)換模塊連接；

步驟2：樣本圖像采集，過(guò)程如下：

2.1選取各個(gè)時(shí)間段，拍攝目標(biāo)環(huán)境照片，由工作人員使用常規(guī)照度計(jì)記錄每張照片對(duì)應(yīng)時(shí)刻的光照度；

2.2根據(jù)圖片和光照度的映射關(guān)系，建立圖片與光照度關(guān)系映射表；

步驟3：建立樣本數(shù)據(jù)，過(guò)程如下：

3.1選取N張各個(gè)光照度的圖片，根據(jù)光照度測(cè)量精度的實(shí)際要求，對(duì)每張圖片按光照度進(jìn)行分類并標(biāo)記，作為訓(xùn)練樣本集的類別標(biāo)簽；

3.2對(duì)圖片進(jìn)行灰度化、灰度拉伸的圖片預(yù)處理操作，保存為訓(xùn)練樣本集；

3.3選取n張各個(gè)光照度的圖片，再次進(jìn)行上述操作，得到測(cè)試樣本集的類別標(biāo)簽和測(cè)試樣本集；

步驟4：設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)

設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)初步結(jié)構(gòu)模型，用步驟3所得的樣本數(shù)據(jù)訓(xùn)練并測(cè)試調(diào)整卷積神經(jīng)網(wǎng)絡(luò)模型；最后，輸入訓(xùn)練數(shù)據(jù)進(jìn)行仿真驗(yàn)證，確定網(wǎng)絡(luò)訓(xùn)練完成；

步驟5：實(shí)際測(cè)量

拍攝環(huán)境圖像，經(jīng)由步驟3所述方法處理圖片，將圖片傳入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，最后經(jīng)由分類器得到該圖片類別標(biāo)簽，該類別標(biāo)簽對(duì)應(yīng)的光照度范圍即該圖片拍攝時(shí)環(huán)境光照度；

步驟6：?jiǎn)纹瑱C(jī)與照明設(shè)備通過(guò)D/A轉(zhuǎn)換模塊連接，實(shí)現(xiàn)單片機(jī)對(duì)照明設(shè)備亮度的控制；

步驟7：將步驟5所測(cè)得的環(huán)境光照度數(shù)字信號(hào)E通過(guò)串行口輸入單片機(jī)，單片機(jī)比較環(huán)境光照度E與最適光照度A；進(jìn)一步，設(shè)定Δ為光照度允許上下波動(dòng)范圍，若E-A>Δ，增大單片機(jī)的輸出值，若E-A<-Δ，減小單片機(jī)的輸出值，若-Δ<E-A<Δ，保持單片機(jī)現(xiàn)有輸出不變；

步驟8：重復(fù)步驟5、步驟6、步驟7，實(shí)現(xiàn)對(duì)環(huán)境光照度的控制，從而達(dá)到最適光照。

2.如權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的光照度測(cè)量及光照度智能控制方法，其特征在于：所述步驟4中，所述卷積神經(jīng)網(wǎng)絡(luò)模型依次由輸入層、卷積層、池化層、卷積層、池化層、輸出層構(gòu)成；其中，所述卷積層完成輸入特征圖與卷積核的卷積操作，卷積核即為權(quán)值參數(shù)的矩陣，在前一層的特征圖滑動(dòng)卷積核，與原圖像重疊的區(qū)域進(jìn)行加權(quán)求和，加入偏置值，經(jīng)激勵(lì)函數(shù)處理得到輸出特征圖的矩陣；卷積神經(jīng)網(wǎng)絡(luò)的卷積層將N個(gè)輸入特征圖轉(zhuǎn)換成M個(gè)輸出特征圖，其轉(zhuǎn)換關(guān)系由N*M個(gè)卷積核決定，即兩層神經(jīng)元的連接權(quán)重；不同輸入特征圖對(duì)應(yīng)不同的卷積核，輸出神經(jīng)元產(chǎn)生的M個(gè)輸出特征圖將會(huì)形成下一個(gè)卷積層的輸入特征圖；由公式(1)表達(dá)：

l表示網(wǎng)絡(luò)的第幾層，K為卷積核，M_j為輸入特征圖的一個(gè)選擇，每一層有唯一的偏置B，f(x)為激活函數(shù)。

3.如權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)的光照度測(cè)量及光照度智能控制方法，其特征在于：所述步驟4中，采用ReLU函數(shù)作為激活函數(shù)，函數(shù)表達(dá)式為：f(x)＝max(0,x)。

4.如權(quán)利要求2或3所述的基于卷積神經(jīng)網(wǎng)絡(luò)的光照度測(cè)量及光照度智能控制方法，其特征在于：所述步驟4中，所述池化層位于所述卷積層之后，所述池化層操作僅在同一特征圖內(nèi)部進(jìn)行，不同特征圖之間互不影響，不改變?cè)卣鲌D數(shù)量，輸入N個(gè)特征圖個(gè)數(shù)，即有N個(gè)輸出特征圖，對(duì)于采樣窗口大小為n×n的操作過(guò)程，則輸出的特征圖相比輸入特征圖在兩個(gè)維度上都縮小了n倍。

5.如權(quán)利要求4所述的基于卷積神經(jīng)網(wǎng)絡(luò)的光照度測(cè)量及光照度智能控制方法，其特征在于：所述步驟4中，所述池化層采用平均值采樣方式，平均值與偏置相加，經(jīng)激活函數(shù)做非線性變換，表達(dá)式為公式(2)：

6.如權(quán)利要求4所述的基于卷積神經(jīng)網(wǎng)絡(luò)的光照度測(cè)量及光照度智能控制方法，其特征在于：所述步驟4中，所述卷積神經(jīng)網(wǎng)絡(luò)的第二個(gè)卷積層與池化層均為二次提取特征過(guò)程，方法與第一個(gè)卷積層與池化層的卷積操作、池化操作相同。