[發(fā)明專利]基于全局交叉熵加權(quán)的樓宇監(jiān)控方法、裝置和電子設(shè)備

有效

• 申請?zhí)枺?/td>: 202010847171.3
• 申請日: 2020-08-21
• 公開（公告）號: CN112001301B
• 公開（公告）日: 2021-07-20
• 發(fā)明（設(shè)計）人: 吳寶昕
• 申請（專利權(quán)）人: 江蘇三意樓宇科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/46;G06K9/62;H04N7/18;G06N3/04;G06N3/08
• 代理公司: 北京哌智科創(chuàng)知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11745
• 代理人: 包加健

本發(fā)明公開了一種基于全局交叉熵加權(quán)的樓宇監(jiān)控方法、裝置和電子設(shè)備。所述方法，包括：獲取所述智慧園區(qū)的樓宇的第一樓宇圖像和第二樓宇圖像；將所述第一樓宇圖像和第二樓宇圖像分別輸入卷積神經(jīng)網(wǎng)絡(luò)以獲得第一初始特征圖和第二初始特征圖；計算所述第一和所述第二初始特征圖之間的第一、第二全局交叉熵加權(quán)系數(shù)；基于所述第一和第二全局交叉熵加權(quán)系數(shù)對所述第一和第二初始特征圖進(jìn)行加權(quán)以獲得最終特征圖；以及，基于所述最終特征圖進(jìn)行圖像語義分割以獲得圖像語義分割結(jié)果，所述圖像語義分割結(jié)果表示所述樓宇的監(jiān)控結(jié)果。這樣，基于更高精度的所述樓宇圖像的語義分割結(jié)果，能夠更為精確地對樓宇的照明系統(tǒng)進(jìn)行遠(yuǎn)程監(jiān)控。

技術(shù)領(lǐng)域

本申請涉及人工智能技術(shù)領(lǐng)域，且更為具體地，涉及一種基于全局交叉熵加權(quán)的智慧園區(qū)的樓宇監(jiān)控方法、裝置和電子設(shè)備。

背景技術(shù)

智慧城市是把新一代信息技術(shù)充分運用在城市中各行各業(yè)的城市信息化高級形態(tài)。智慧園區(qū)是智能城市建設(shè)的重要部分，照明系統(tǒng)是園區(qū)內(nèi)樓宇的主要基礎(chǔ)設(shè)置。

傳統(tǒng)的照明系統(tǒng)主要以手控、光控、鐘控等控制模式為主，工作人員往往必須到現(xiàn)場才能對照明系統(tǒng)進(jìn)行操作，不能實現(xiàn)遠(yuǎn)距監(jiān)控。因此，在節(jié)假日和夜間等無人狀態(tài)下會造成不同程度的能源浪費。

目前，深度學(xué)習(xí)以及神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于計算機(jī)視覺、自然語言處理、語音信號處理等領(lǐng)域。此外，深度學(xué)習(xí)以及神經(jīng)網(wǎng)絡(luò)在圖像分類、物體檢測、語義分割、文本翻譯等領(lǐng)域，也展現(xiàn)出了接近甚至超越人類的水平。

深度學(xué)習(xí)以及神經(jīng)網(wǎng)絡(luò)的發(fā)展（尤其是圖像語義分割技術(shù)的發(fā)展）為智能園區(qū)的樓宇照明系統(tǒng)的監(jiān)控提供了新的解決思路和方案。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，提出了本申請。本申請的實施例提供了一種基于全局交叉熵加權(quán)的智慧園區(qū)的樓宇監(jiān)控方法、裝置和電子設(shè)備，其基于全局交叉熵加權(quán)的卷積神經(jīng)網(wǎng)絡(luò)模型對所采集的樓宇圖像進(jìn)行圖像特征識別，以減少不同圖像在圖像的源域和目標(biāo)域之間的域漂移的差異，從而提高圖像特征識別的精度；進(jìn)而，對具有更高識別精度的特征圖進(jìn)行圖像語義分割，以提高樓宇圖像的分割精度和識別精度，從而能夠精確地對智能園區(qū)內(nèi)的樓宇的照明系統(tǒng)進(jìn)行遠(yuǎn)程監(jiān)控。

根據(jù)本申請的一個方面，提供了一種基于全局交叉熵加權(quán)的智慧園區(qū)的樓宇監(jiān)控方法，其包括：

獲取由第一攝像頭和第二攝像頭所拍攝的所述智慧園區(qū)的樓宇的第一樓宇圖像和第二樓宇圖像，所述第一攝像頭和所述第二攝像頭具有不同的拍攝位置和拍攝角度，且所述第一樓宇圖像和所述第二樓宇圖像具有相同大小；

將所述第一樓宇圖像和第二樓宇圖像分別輸入卷積神經(jīng)網(wǎng)絡(luò)以獲得第一初始特征圖和第二初始特征圖；

計算所述第一初始特征圖相對于所述第二初始特征圖的第一全局交叉熵加權(quán)系數(shù)；

計算所述第二初始特征圖相對于所述第一初始特征圖的第二全局交叉熵加權(quán)系數(shù)；

基于所述第一全局交叉熵加權(quán)系數(shù)和所述第二全局交叉熵加權(quán)系數(shù)對所述第二初始特征圖和所述第一初始特征圖進(jìn)行加權(quán)以獲得最終特征圖；以及

基于所述最終特征圖進(jìn)行圖像語義分割以獲得圖像語義分割結(jié)果，所述圖像語義分割結(jié)果表示所述樓宇的監(jiān)控結(jié)果。

在上述智慧園區(qū)的樓宇監(jiān)控方法中，計算所述第一初始特征圖相對于所述第二初始特征圖的第一全局交叉熵加權(quán)系數(shù)包括：

基于以下公式計算所述第一初始特征圖相對于所述第二初始特征圖的第一全局交叉熵加權(quán)系數(shù)：

其中，是第一全局交叉熵加權(quán)系數(shù)，是第一初始特征圖中的每個位置的值，是第二初始特征圖中的每個位置的值，是所述第一初始特征圖和所述第二初始特征圖的寬度，是所述第一初始特征圖和所述第二初始特征圖的寬度，且是所述卷積神經(jīng)網(wǎng)絡(luò)的通道數(shù)。