[發明專利]一種基于深度學習的照明系統設計方法及系統

在審

• 申請號: 202010716100.X
• 申請日: 2020-07-23
• 公開（公告）號: CN111814405A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 李睿文;李春陽;殷敏;郭楓
• 申請（專利權）人: 臻準生物科技（上海）有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 上海碩力知識產權代理事務所(普通合伙) 31251
• 代理人: 楊用玲

1.一種基于深度學習的照明系統設計方法，其特征在于，包括：

獲取照明系統的設計參數；

將設計參數導入到深度學習網絡模型中進行訓練并獲得照明系統的曲面點集；

將所述曲面點集進行擬合得到二維面型曲線，并將所述二維面型曲線旋轉成為曲面；

擬合所述曲面獲得所述照明系統的面型方程。

2.根據權利要求1所述的一種基于深度學習的照明系統設計方法，其特征在于，所述將設計參數導入到深度學習網絡模型中進行訓練并獲得照明系統的曲面點集包括：

初始化所述深度學習網絡模型；所述深度學習網絡模型包括第一神經網絡；

對所述深度學習網絡模型進行訓練，將模擬光線的發射角度集輸入所述第一神經網絡，所述第一神經網絡輸出高度集；所述高度集中的元素為所述模擬光線在所述照明系統的曲面上的出射點的高度；

根據所述高度集計算出二維面型曲線交點集；

確定所述深度學習網絡模型的目標損失函數；

根據所述目標損失函數計算損失值，并判斷所述損失值是否小于預定閾值；若是，則結束訓練；否則，調整所述深度學習網絡模型的結構參數后繼續訓練；

將所述二維面型曲線交點集作為曲面點集輸出。

3.根據權利要求2所述的一種基于深度學習的照明系統設計方法，其特征在于，所述目標損失函數包括第一損失函數；所述確定所述深度學習網絡模型的目標損失函數包括：

根據所述二維面型曲線交點集計算出法線角度集；所述法線角度集中的法線角度與所述發射角度集中對應的發射角度之間滿足斯涅耳定律；

根據所述法線角度集和所述發射角度集計算得到光路成像點集；

根據所述發射角度集得到能量守恒成像點集；所述發射角度集與所述能量守恒成像點集之間滿足能量守恒定律；

根據所述光路成像點集和所述能量守恒成像點集計算第一損失函數。

4.根據權利要求3所述的一種基于深度學習的照明系統設計方法，其特征在于，所述深度學習網絡模型還包括第二神經網絡；所述目標損失函數還包括第二損失函數；所述確定所述深度學習網絡模型的目標損失函數還包括：

將所述二維面型曲線交點集輸入所述第二神經網絡中，通過所述第二神經網絡擬合得到透鏡二維面型曲線函數；

根據所述透鏡二維面型曲線函數與所述二維面型曲線交點集得到第二損失函數；

將所述第一損失函數和所述第二損失函數加權相加得到目標損失函數。

5.根據權利要求2所述的一種基于深度學習的照明系統設計方法，其特征在于，所述損失值判斷還包括：判斷所述損失值在預定的時間段內下降幅度是否小于幅度閾值，或者所述損失值是否發散；若是，則調整所述深度學習網絡模型的結構參數后繼續訓練。

6.根據權利要求1所述的一種基于深度學習的照明系統設計方法，其特征在于，所述設計參數包括目標參數、選型參數；其中：

所述目標參數包括照明區域大小、照明距離、目標平面均勻照明區域大小；

所述選型參數包括LED燈型、光源發散角度大小、光源到透鏡距離、透鏡半徑、光源到目標平面距離、目標平面勻光區域大小。

7.根據權利要求1所述的一種基于深度學習的照明系統設計方法，其特征在于，還包括：將所述面型方程導入光學軟件中，比較所述設計參數與所述光學軟件的模擬結果。

8.一種基于深度學習的照明系統設計系統，其特征在于，包括：

設計參數獲取模塊，用于獲取所述照明系統的設計參數；

模型計算模塊，用于根據所述設計參數，通過預先訓練好的深度學習網絡模型獲得所述照明系統的曲面點集；

曲面擬合模塊，用于將所述曲面點集進行擬合得到二維面型曲線，并將所述二維面型曲線旋轉成為曲面；最后擬合所述曲面獲得所述照明系統的面型方程。