[發明專利]色溫調節方法、裝置、存儲介質和處理器

有效

• 申請號: 202010451708.4
• 申請日: 2020-05-25
• 公開（公告）號: CN111601418B
• 公開（公告）日: 2022-11-22
• 發明（設計）人: 孫博聞;喬志強;劉然
• 申請（專利權）人: 博彥多彩數據科技有限公司
• 主分類號: H05B45/20
• 分類號: H05B45/20;G06K9/62
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 周春枚

1.一種色溫調節方法，其特征在于，包括：

基于第一訓練數據集合，通過機器學習的方式訓練色溫的預分類模型，其中，所述預分類模型包括多個卷積層，每個卷積層具有相應的模型參數，所述第一訓練數據集合中包括：多個第一圖片，和每個第一圖片的色溫類別；

將所述預分類模型中的模型參數應用至色溫分類模型，其中，所述色溫分類模型用于表示指定環境內所采集的第二圖片和色溫類別之間的對應關系；

基于所述色溫分類模型識別在所述指定環境內采集的環境圖片對應的色溫類別；

基于所述環境圖片的色溫類別調整所述指定環境內燈具的色溫；

其中，將所述預分類模型中的模型參數應用至色溫分類模型包括：

將所述預分類模型中的模型參數遷移至預定網絡模型中，得到初始色溫模型；

基于第二訓練數據集合對所述模型參數進行修正，得到所述色溫分類模型，其中，所述第二訓練數據集合包括：多個在所述指定環境內所采集的第二圖片，和每個第二圖片的色溫類別。

2.根據權利要求1所述的方法，其特征在于，將所述預分類模型中的所述模型參數遷移至預定模型模板中，得到初始色溫模型包括：

將所述預分類模型中除最后一層外的其他卷積層中的模型參數遷移至所述預定網絡模型中。

3.根據權利要求2所述的方法，其特征在于，基于第二訓練數據集合對所述模型參數進行修正包括：

基于所述第二訓練數據集合訓練所述預定網絡模型中最后一層卷積層的模型參數。

4.根據權利要求1-3中任一項所述的方法，其特征在于，在所述預定網絡模型中最后一層卷積層之后設置全連接層和分類器。

5.根據權利要求1所述的方法，其特征在于，在基于第二訓練數據集合對所述模型參數進行修正之前，所述方法還包括：

采集所述指定環境內的多個第二圖片；

通過色溫測定計測定每個所述第二圖片采集時所述指定環境的色溫值；

基于每個所述第二圖片對應的色溫值，確定每個所述第二圖片對應的色溫類別，得到所述第二訓練數據集合。

6.根據權利要求1所述的方法，其特征在于，基于所述環境圖片的色溫類別調整所述指定環境內燈具的色溫包括：

檢測所述環境圖片對應的色溫類別是否符合預定色溫需求；

在所述環境圖片對應的色溫類別不符合所述預定色溫需求的情況下，調集所述指定環境內燈具的色溫。

7.一種色溫調節裝置，其特征在于，包括：

第一模型訓練單元，用于基于第一訓練數據集合，通過機器學習的方式訓練色溫的預分類模型，其中，所述預分類模型包括多個卷積層，每個卷積層具有相應的模型參數，所述第一訓練數據集合中包括：多個第一圖片，和每個第一圖片的色溫類別；

第二模型訓練單元，用于將所述預分類模型中的模型參數應用至色溫分類模型，其中，所述色溫分類模型用于表示指定環境內所采集的第二圖片和色溫類別之間的對應關系；

識別單元，用于基于所述色溫分類模型識別在所述指定環境內采集的環境圖片對應的色溫類別；

調整單元，用于基于所述環境圖片的色溫類別調整所述指定環境內燈具的色溫；

其中，所述第二模型訓練單元包括：

遷移模塊，用于將所述預分類模型中的模型參數遷移至預定網絡模型中，得到初始色溫模型；

修正模塊，用于基于第二訓練數據集合對所述模型參數進行修正，得到所述色溫分類模型，其中，所述第二訓練數據集合包括：多個在所述指定環境內所采集的第二圖片，和每個第二圖片的色溫類別。

8.一種存儲介質，其特征在于，所述存儲介質包括存儲的程序，其中，在所述程序運行時控制所述存儲介質所在設備執行權利要求1至6中任意一項所述色溫調節方法。

9.一種處理器，其特征在于，所述處理器用于運行程序，其中，所述程序運行時執行權利要求1至6中任意一項所述色溫調節方法。