[go: up one dir, main page]

CN118574286A - 一种智能型厂房照明控制方法及系统 - Google Patents

一种智能型厂房照明控制方法及系统 Download PDF

Info

Publication number
CN118574286A
CN118574286A CN202410821387.0A CN202410821387A CN118574286A CN 118574286 A CN118574286 A CN 118574286A CN 202410821387 A CN202410821387 A CN 202410821387A CN 118574286 A CN118574286 A CN 118574286A
Authority
CN
China
Prior art keywords
data
brightness
lighting
obtaining
attenuation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410821387.0A
Other languages
English (en)
Inventor
张华�
刘小群
蒋少华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shi Junjie
Original Assignee
Chengdu Boyade Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Boyade Technology Co ltd filed Critical Chengdu Boyade Technology Co ltd
Priority to CN202410821387.0A priority Critical patent/CN118574286A/zh
Publication of CN118574286A publication Critical patent/CN118574286A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
    • H05B47/10—Controlling the light source
    • H05B47/165—Controlling the light source following a pre-assigned programmed sequence; Logic control [LC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/36—Indoor scenes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
    • H05B47/10—Controlling the light source
    • H05B47/105—Controlling the light source in response to determined parameters
    • H05B47/11—Controlling the light source in response to determined parameters by determining the brightness or colour temperature of ambient light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)

Abstract

本发明涉及照明控制技术领域，尤其涉及一种智能型厂房照明控制方法及系统。所述方法包括以下步骤：对灯源照射区域进行多时段的照明亮度采集获取照明亮度数据；进行多时段的图像拍摄并预处理获取图像预处理数据；进行区域内亮度的衰减图谱生成获取亮度衰减图谱数据；对照明区域分布数据进行相邻照明区域的人员移动特征匹配获取移动细节匹配数据集；进行贝叶斯概率分类模型构建获取照明概率分类模型；进行照明亮度动态分析获取亮度多维变化数据；进行时序修正建模获取时序亮度修正模型；基于照明概率分类模型进行人员流动的亮度预测，基于时序亮度修正模型进行自然光的亮度修正。本发明能够高效地执行智能型厂房的智能照明控制。

Description

一种智能型厂房照明控制方法及系统
技术领域
本发明涉及照明控制技术领域，尤其涉及一种智能型厂房照明控制方法及系统。
背景技术
智能厂房的照明控制是建筑智能化领域的重要技术之一，广泛应用于工业厂房、办公楼、商场、酒店等场所，根据环境光照、人员活动、时间计划等因素，自动或远程调节灯具的开关、亮度、色温等参数，实现照明的节能、舒适、安全和美观，然而，现有的智能照明控制方法存在着灵活性差、无法响应人员行为的变化等问题，光照传感器的长期使用导致的亮度调整响应缓慢问题或传感器故障问题难以及时发现和解决。
发明内容
基于此，本发明有必要提供一种智能型厂房照明控制方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种智能型厂房照明控制方法，包括以下步骤：
步骤S1：对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，从而获取照明亮度数据；对照明亮度数据进行照明区域分布分析，从而获取照明区域分布数据；对照明区域分布数据进行多时段的图像拍摄并预处理，从而获取图像预处理数据；根据图像预处理数据对照明区域分布数据进行区域内亮度的衰减图谱生成，从而获取亮度衰减图谱数据；
步骤S2：对照明区域分布数据进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据集；对移动细节匹配数据集进行贝叶斯概率分类模型构建，从而获取照明概率分类模型；
步骤S3：根据亮度衰减图谱数据对图像预处理数据进行照明亮度动态分析，从而获取亮度多维变化数据；对亮度多维变化数据进行时序修正建模，从而获取时序亮度修正模型；
步骤S4：基于照明概率分类模型进行人员流动时的区域亮度变化预测，从而获取流动亮度预测数据；基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，从而获取自然光修正时序数据。
本发明首先通过对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，可以获取照明亮度数据，从而了解不同时间段的照明情况，为后续的照明控制提供依据。通过对照明亮度数据进行照明区域分布分析，可以获取照明区域分布数据，从而划分出不同的照明区域，为后续的照明优化提供参考。通过对照明区域分布数据进行多时段的图像拍摄并预处理，可以获取图像预处理数据，从而消除图像中的噪声和干扰，为后续的图像分析提供清晰的图像数据。通过根据图像预处理数据对照明区域分布数据进行区域内亮度的衰减图谱生成，可以获取亮度衰减图谱数据，从而反映出不同区域内的亮度分布和衰减情况。通过对照明区域分布数据进行相邻照明区域的人员移动特征匹配，可以获取移动细节匹配数据集，从而捕捉出人员在不同照明区域之间的移动规律和特征，为后续的人员流动预测提供数据支持。通过对移动细节匹配数据集进行贝叶斯概率分类模型构建，可以获取照明概率分类模型，从而利用贝叶斯理论对人员在不同照明区域之间的移动概率进行分类和预测。通过根据亮度衰减图谱数据对图像预处理数据进行照明亮度动态分析，可以获取亮度多维变化数据，从而分析出不同照明区域的亮度随时间的动态变化情况，为后续的亮度调节提供动态的数据支持。通过对亮度多维变化数据进行时序修正建模，可以获取时序亮度修正模型，从而利用时序分析的方法对亮度多维变化数据进行修正和优化。通过基于照明概率分类模型进行人员流动时的区域亮度变化预测，可以获取流动亮度预测数据，从而根据人员流动的概率预测不同区域的亮度变化需求，为后续的亮度控制提供预测的数据支持。通过基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，可以获取自然光修正时序数据，从而根据自然光的变化情况预测不同区域的亮度修正需求。
优选地，本发明还提供了一种智能型厂房照明控制系统，用于执行如上所述的智能型厂房照明控制方法，该智能型厂房照明控制系统包括：
衰减图谱生成模块，用于对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，从而获取照明亮度数据；对照明亮度数据进行照明区域分布分析，从而获取照明区域分布数据；对照明区域分布数据进行多时段的图像拍摄并预处理，从而获取图像预处理数据；根据图像预处理数据对照明区域分布数据进行区域内亮度的衰减图谱生成，从而获取亮度衰减图谱数据；
照明概率分类模块，用于对照明区域分布数据进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据集；对移动细节匹配数据集进行贝叶斯概率分类模型构建，从而获取照明概率分类模型；
时序修正建模模块，用于根据亮度衰减图谱数据对图像预处理数据进行照明亮度动态分析，从而获取亮度多维变化数据；对亮度多维变化数据进行时序修正建模，从而获取时序亮度修正模型；
区域亮度预测模块，用于基于照明概率分类模型进行人员流动时的区域亮度变化预测，从而获取流动亮度预测数据；基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，从而获取自然光修正时序数据。
综上所述，本发明提供了一种智能型厂房照明控制系统，该智能型厂房照明控制系统由衰减图谱生成模块、照明概率分类模块、时序修正建模模块以及区域亮度预测模块组成，能够实现本发明所述任意一种智能型厂房照明控制方法，通过对人流量分布的不同，针对性的对灯源照射区域的包括人工灯光和其他自然光的光源进行时间和距离维度上的图像分析，找到照明的有效区域的边缘中的人员移动规律，以此快速的判断繁忙的智能型厂房中人员移动至下一照明区域的灯光诉求，并进行对应调整，并且根据不同区域不同时间亮度的变化规律以及亮度需求建立时序模型，以保证在光照传感器响应较慢或故障时也能及时对该区域亮度进行调整，并可以汇总数据，对可能的故障问题进行及时解决，系统内部结构互相协作，从而简化了智能型厂房照明控制系统的操作流程。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明所述智能型厂房照明控制方法的步骤流程示意图；
图2为图1中步骤S1的详细步骤流程示意图；
图3为图2中步骤S2的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图3，本发明提供了一种智能型厂房照明控制方法，包括以下步骤：
步骤S1：对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，从而获取照明亮度数据；对照明亮度数据进行照明区域分布分析，从而获取照明区域分布数据；对照明区域分布数据进行多时段的图像拍摄并预处理，从而获取图像预处理数据；根据图像预处理数据对照明区域分布数据进行区域内亮度的衰减图谱生成，从而获取亮度衰减图谱数据；
步骤S2：对照明区域分布数据进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据集；对移动细节匹配数据集进行贝叶斯概率分类模型构建，从而获取照明概率分类模型；
步骤S3：根据亮度衰减图谱数据对图像预处理数据进行照明亮度动态分析，从而获取亮度多维变化数据；对亮度多维变化数据进行时序修正建模，从而获取时序亮度修正模型；
步骤S4：基于照明概率分类模型进行人员流动时的区域亮度变化预测，从而获取流动亮度预测数据；基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，从而获取自然光修正时序数据。
本发明实施例中，请参考图1所示，为本发明所述智能型厂房照明控制方法的步骤流程示意图，在本实例中，所述智能型厂房照明控制方法的步骤包括：
步骤S1：对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，从而获取照明亮度数据；对照明亮度数据进行照明区域分布分析，从而获取照明区域分布数据；对照明区域分布数据进行多时段的图像拍摄并预处理，从而获取图像预处理数据；根据图像预处理数据对照明区域分布数据进行区域内亮度的衰减图谱生成，从而获取亮度衰减图谱数据；
本发明实施例通过在厂房的各个照明区域安装光照传感器，通过无线通信模块将采集到的照明亮度数据发送给智能网关；智能网关将照明亮度数据汇总并传输给集中控制器，集中控制器对数据进行分析，根据不同的照明需求和标准，将厂房划分为若干个照明区域，并生成照明区域分布数据；在厂房的各个照明区域安装摄像头，通过无线通信模块将拍摄到的图像数据发送给智能网关；智能网关将图像数据汇总并传输给集中控制器，集中控制器对数据进行预处理，包括去噪、增强、分割等操作，以提高图像的质量和可用性，并生成图像预处理数据；集中控制器根据图像预处理数据和照明区域分布数据，对每个照明区域内的灯具进行亮度的衰减分析，计算出灯具的亮度随距离的变化规律，并生成亮度衰减图谱数据。
步骤S2：对照明区域分布数据进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据集；对移动细节匹配数据集进行贝叶斯概率分类模型构建，从而获取照明概率分类模型；
本发明实施例通过在厂房的各个照明区域安装人体感应传感器，通过无线通信模块将检测到的人员移动数据发送给智能网关；智能网关将人员移动数据汇总并传输给集中控制器，集中控制器对数据进行分析，根据照明区域分布数据，为判断人员从一个照明区域移动到另一个照明区域的可能性，生成移动细节匹配数据集；集中控制器根据移动细节匹配数据集，利用贝叶斯概率分类模型，对每个照明区域的照明需求(即人员从一个照明区域移动到另一个照明区域的概率对应该区域的照明需求)进行预测，并生成照明概率分类模型。该模型可以根据人员移动的历史特征数据和当前数据，计算出人员从一个区域进入到相邻的照明区域的照明概率。
步骤S3：根据亮度衰减图谱数据对图像预处理数据进行照明亮度动态分析，从而获取亮度多维变化数据；对亮度多维变化数据进行时序修正建模，从而获取时序亮度修正模型；
本发明实施例通过集中控制器根据亮度衰减图谱数据和图像预处理数据，对每个照明区域内的灯具以及自然光或其他反射光源进行照明亮度的动态分析，计算出其亮度随时间、空间、角度等因素的变化规律，并生成亮度多维变化数据；根据亮度多维变化数据进行亮度多个维度随时间和距离的衰减规律，并根据照明区域中实际的亮度适应情况找出亮度需要修正的时间段，据此生成时序亮度修正模型。该模型可以根据灯具的亮度变化的历史数据和当前数据，计算出灯具的亮度修正值，从而实现灯具的自适应调光。
步骤S4：基于照明概率分类模型进行人员流动时的区域亮度变化预测，从而获取流动亮度预测数据；基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，从而获取自然光修正时序数据。
本发明实施例通过集中控制器根据照明概率分类模型，对每个照明区域的灯具进行人员流动时的区域亮度变化预测，并生成流动亮度预测数据。该数据可以根据人员移动到另一照明区域的概率，预测出下一区域的灯具的开关或亮度状态，从而实现灯具的智能控制；集中控制器根据时序亮度修正模型，对每个照明区域的灯具进行自然光变化时的区域亮度修正预测，并生成自然光修正时序数据。该数据可以根据自然光或其他反射光源亮度的变化，预测出灯具的亮度修正值，从而实现灯具的自适应调光。
本发明首先通过对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，可以获取照明亮度数据，从而了解不同时间段的照明情况，为后续的照明控制提供依据。通过对照明亮度数据进行照明区域分布分析，可以获取照明区域分布数据，从而划分出不同的照明区域，为后续的照明优化提供参考。通过对照明区域分布数据进行多时段的图像拍摄并预处理，可以获取图像预处理数据，从而消除图像中的噪声和干扰，为后续的图像分析提供清晰的图像数据。通过根据图像预处理数据对照明区域分布数据进行区域内亮度的衰减图谱生成，可以获取亮度衰减图谱数据，从而反映出不同区域内的亮度分布和衰减情况。通过对照明区域分布数据进行相邻照明区域的人员移动特征匹配，可以获取移动细节匹配数据集，从而捕捉出人员在不同照明区域之间的移动规律和特征，为后续的人员流动预测提供数据支持。通过对移动细节匹配数据集进行贝叶斯概率分类模型构建，可以获取照明概率分类模型，从而利用贝叶斯理论对人员在不同照明区域之间的移动概率进行分类和预测。通过根据亮度衰减图谱数据对图像预处理数据进行照明亮度动态分析，可以获取亮度多维变化数据，从而分析出不同照明区域的亮度随时间的动态变化情况，为后续的亮度调节提供动态的数据支持。通过对亮度多维变化数据进行时序修正建模，可以获取时序亮度修正模型，从而利用时序分析的方法对亮度多维变化数据进行修正和优化。通过基于照明概率分类模型进行人员流动时的区域亮度变化预测，可以获取流动亮度预测数据，从而根据人员流动的概率预测不同区域的亮度变化需求，为后续的亮度控制提供预测的数据支持。通过基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，可以获取自然光修正时序数据，从而根据自然光的变化情况预测不同区域的亮度修正需求。
优选地，步骤S1包括以下步骤：
步骤S11：对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，从而获取照明亮度数据；
步骤S12：对照明亮度数据进行照明区域分布分析，从而获取照明区域分布数据；
步骤S13：对照明区域分布数据进行多时段的图像拍摄，从而获取照明图像数据；对照明图像数据进行图像预处理，从而获取图像预处理数据；
步骤S14：对图像预处理数据进行照明边缘检测，从而获取照明边缘数据；
步骤S15：根据照明边缘数据对图像预处理数据进行亮度测量，从而获取亮度测量数据；
步骤S16：对亮度测量数据进行局部亮度衰减分析，从而获取局部亮度衰减系数；
步骤S17：根据局部亮度衰减系数对照明区域分布数据进行区域内亮度的衰减图谱生成，从而获取亮度衰减图谱数据。
作为本发明的一个实施例，参考图2所示，为图1中步骤S1的详细步骤流程示意图，在本实施例中步骤S1包括以下步骤：
步骤S11：对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，从而获取照明亮度数据；
本发明实施例通过使用光照传感器、无线通信模块和智能网关进行照明亮度数据的采集和传输；
步骤S12：对照明亮度数据进行照明区域分布分析，从而获取照明区域分布数据；
本发明实施例通过使用集中控制器对照明亮度数据进行分析和划分，生成照明区域分布数据；
步骤S13：对照明区域分布数据进行多时段的图像拍摄，从而获取照明图像数据；对照明图像数据进行图像预处理，从而获取图像预处理数据；
本发明实施例通过使用摄像头、无线通信模块和智能网关进行图像数据的采集和传输；使用集中控制器对图像数据进行预处理，生成图像预处理数据；
步骤S14：对图像预处理数据进行照明边缘检测，从而获取照明边缘数据；
本发明实施例通过使用集中控制器对图像预处理数据进行边缘检测，从图像的边缘角开始，往图像中心计算图像亮度梯度变化的程度，当照明亮度的变化梯度开始明显增大幅度时记录该像素点，从而找出照明区域的边界，并生成照明边缘数据；
步骤S15：根据照明边缘数据对图像预处理数据进行亮度测量，从而获取亮度测量数据；
本发明实施例通过使用集中控制器对图像预处理数据进行亮度测量，利用图像的灰度值，在图像的边缘范围内计算出每个像素点的亮度，并生成亮度测量数据；
步骤S16：对亮度测量数据进行局部亮度衰减分析，从而获取局部亮度衰减系数；
本发明实施例通过对亮度测量数据进行局部亮度衰减分析，利用亮度测量数据，根据亮度大致的梯度区域对每个照明区域进行局部区域的划分，并计算出每个照明区域内局部区域的亮度随距离的衰减系数，并生成局部亮度衰减系数；
步骤S17：根据局部亮度衰减系数对照明区域分布数据进行区域内亮度的衰减图谱生成，从而获取亮度衰减图谱数据。
本发明实施例通过根据局部亮度衰减系数和照明区域分布数据，对每个照明区域内的灯具进行亮度的衰减图谱生成，即根据局部亮度衰减系数汇总而绘制出区域亮度随距离的变化曲线，并生成亮度衰减图谱数据。
本发明首先通过使用光照传感器、无线通信模块和智能网关进行照明亮度数据的采集和传输，提高照明亮度数据的采集准确性和传输可靠性，通过使用集中控制器对照明亮度数据进行分析和划分，生成照明区域分布数据，可以对照明亮度数据进行快速和有效的分析和划分，生成照明区域分布数据，提高照明区域分布数据的生成效率和质量。对图像数据进行预处理，生成图像预处理数据，可以提高图像预处理数据的生成效率和质量。对图像预处理数据进行亮度测量，通过对亮度测量数据进行局部亮度衰减分析，可以针对性先对一部分梯度特征关联性强的局部进行亮度的衰减分析，为后续再延升到整个区域的亮度衰减分析提高了整体的运算效率。
优选地，步骤S2包括以下步骤：
步骤S21：根据照明区域分布数据并利用红外传感器对智能型厂房进行不同区域的红外人像捕捉，从而获取红外人像移动数据；
步骤S22：对红外人像移动数据进行时序波动分析，从而获取人流量波动数据；
步骤S23：根据人流量波动数据对照明区域分布数据进行人流量分布分析，从而获取人流量分布数据；
步骤S24：根据预设的人流量敏感阈值对人流量分布数据进行数据标签，从而获取人流量分布标签数据；
步骤S25：根据人流量分布标签数据并利用毫米波传感器对智能型厂房进行不同区域的人员移动细节捕捉，从而获取移动细节数据集；
步骤S26：对移动细节数据集以及红外人像移动数据进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据集；
步骤S27：根据移动细节匹配数据集对照明区域分布数据进行照明关联标记，从而获取照明关联标记数据；
步骤S28：对照明关联标记数据进行贝叶斯概率分类模型构建，从而获取照明概率分类模型。
作为本发明的一个实施例，参考图3所示，为步骤S2的详细步骤流程示意图，在本实施例中步骤S2包括以下步骤：
步骤S21：根据照明区域分布数据并利用红外传感器对智能型厂房进行不同区域的红外人像捕捉，从而获取红外人像移动数据；
本发明实施例通过在厂房的各个照明区域安装红外传感器，通过无线通信模块将采集到的红外图像数据发送给智能网关；智能网关将红外图像数据汇总并传输给集中控制器，集中控制器对数据进行人像检测和跟踪，根据照明区域分布数据，判断每个人像所在的区域，并计算其移动距离和方向，从而获取红外人像移动数据。
步骤S22：对红外人像移动数据进行时序波动分析，从而获取人流量波动数据；
本发明实施例通过对红外人像移动数据进行时序波动分析，利用统计方法并对变化数据进行傅里叶转换分析，计算出每个照明区域的人流量随时间的变化趋势和波动范围，从而获取人流量波动数据；
步骤S23：根据人流量波动数据对照明区域分布数据进行人流量分布分析，从而获取人流量分布数据；
本发明实施例通过根据人流量波动数据和照明区域分布数据，对每个照明区域的人流量进行分布分析，利用聚类方法，将人流量相似的区域划分为一类，并生成人流量分布数据。
步骤S24：根据预设的人流量敏感阈值对人流量分布数据进行数据标签，从而获取人流量分布标签数据；
本发明实施例通过根据预设的人流量敏感阈值和人流量分布数据，对每个照明区域的人流量进行数据标签，利用分类方法，将人流量高于阈值的区域标记为高敏感区域，将人流量低于阈值的区域标记为低敏感区域，并生成人流量分布标签数据，该数据用于步骤S25，也可以用于后续再进行多时段的照明亮度采集和图像拍摄时，针对性地对人流量更多的时段的照明区域进行照明亮度采集和拍摄，因为这些时段的照明体验总体上会更敏感，而人流量敏感阈值也需要根据不断的经验和人员反馈进行统计和修改。
步骤S25：根据人流量分布标签数据并利用毫米波传感器对智能型厂房进行不同区域的人员移动细节捕捉，从而获取移动细节数据集；
本发明实施例通过在厂房的各个照明区域安装毫米波传感器，通过无线通信模块将采集到的毫米波图像数据发送给智能网关；智能网关将毫米波图像数据汇总并传输给集中控制器，集中控制器对数据进行人员移动细节捕捉，根据人流量分布标签数据，对高敏感区域的人员移动细节进行更高精度的捕捉，从而获取移动细节数据集。
步骤S26：对移动细节数据集以及红外人像移动数据进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据集；
本发明实施例通过对移动细节数据集和红外人像移动数据进行相邻照明区域的人员移动特征匹配，利用图像处理方法，将毫米波图像和红外图像进行对齐和融合，从而获取移动细节匹配数据集。
步骤S27：根据移动细节匹配数据集对照明区域分布数据进行照明关联标记，从而获取照明关联标记数据；
本发明实施例通过根据移动细节匹配数据集和照明区域分布数据，对每个照明区域进行照明关联标记，利用关联规则方法，找出人员移动时影响照明需求的相关区域，并生成照明关联标记数据，即每个照明区域的人员移动特征对应该区域该时段的照明状态的关联程度。
步骤S28：对照明关联标记数据进行贝叶斯概率分类模型构建，从而获取照明概率分类模型。
本发明实施例通过根据照明关联标记数据，对重要的人员移动特征进行相邻区域进入趋势的概率分类，例如根据人员的移动方向、速度以及行为动作特征，利用贝叶斯概率模型对人员在每个照明区域中进入其相邻照明区域的概率分类的特征训练，从而生成照明概率分类模型。
本发明首先通过基于照明区域的人流量分布数据和照明关联标记数据，可以更精确地分析和优化每个照明区域的照明需求。通过了解人员在不同区域的移动趋势和行为模式，可以根据实时需求调整照明设置，提供适当的照明亮度和覆盖范围，提高照明效果和舒适度。利用红外图像数据和毫米波图像数据的融合，可以更准确地捕捉人员的移动细节和位置信息。通过不断收集和分析人流量数据、移动细节数据和照明需求数据，可以建立历史数据和统计模型，用于更准确地预测未来的人流量趋势和照明需求。这有助于进行长期的能源计划和管理决策，优化照明系统的能效和可持续性。通过不断更新人流量敏感阈值和照明关联标记数据，并结合人员反馈和经验，可以不断改进和优化照明系统的性能和准确性。这使得系统能够适应不同环境和需求的变化，并提供更智能化和个性化的照明体验。
优选地，步骤S28中对照明关联标记数据进行贝叶斯概率分类模型构建采用了如下公式：
式中，P是区域照明调整的概率，A是关联标记的人员移动特征的数量，B是相邻照明区域的关联标记的人员移动特征的数量，fa,b是第a个关联标记的人员移动特征值和第b个相邻照明区域的关联标记的人员移动特征值的相似度，μb是相邻照明区域的关联标记的人员移动特征的均值，βb是第b个关联标记的人员移动特征的重要性权重值。
本发明构造了一种区域照明调整概率公式，该公式可以通过设置不同的人流量敏感阈值和人员移动特征的重要性权重值，灵活适应不同的场景和需求，提高照明控制的灵活性和适应性。该公式由两部分相加组成，第一部分是关于人员移动特征的方差，第二部分是关于人员移动特征的相似度的比例。这两部分分别反映了人员移动特征的变化程度和一致性，对照明调整的概率有不同的影响，第一部分中，方差越大，说明人员移动特征越不稳定，越需要调整照明，因此方差的系数βb是正的。βb也表示了第b个关联标记的人员移动特征的重要性，βb越大，说明该特征对照明调整的影响越大，反之亦然，第二部分中，相似度越大，说明人员移动特征越一致，越不需要调整照明，因此相似度的系数是负的。相似度的计算采用了几何平均数的形式，可以有效避免因为某些特征值过大或过小而导致的失真。具体地，P是一个介于0和1之间的数，表示在给定的人员移动特征和照明区域分布数据的情况下，是否需要对照明进行调整的可能性。P越接近1，说明越有必要调整照明，反之亦然，A是一个正整数，表示在一个照明区域内，有多少个不同的人员移动特征被关联标记。A越大，说明人员移动特征越复杂，越需要综合考虑，反之亦然，B也是一个正整数，表示在一个照明区域的相邻区域内，有多少个不同的人员移动特征被关联标记。B越大，说明相邻照明区域的影响越大，越需要协调调整，反之亦然，fa,b是一个介于0和1之间的数，表示两个特征值之间的相似程度。fa,b越接近1，说明两个特征值越相似，越不需要调整照明，反之亦然，μb是一个非负数，表示在一个相邻照明区域内，所有关联标记的人员移动特征值的平均水平。μb越大，说明相邻照明区域的人员移动特征越高，越需要调整照明，反之亦然，βb是一个正数，表示在照明调整的概率计算中，第b个关联标记的人员移动特征的重要程度。βb越大，说明该特征对照明调整的影响越大，反之亦然。该公式可以综合考虑多个因素，如人员移动特征的数量、变化、一致性、重要性，以及照明区域分布数据，从而得出一个合理的照明调整的概率值，指导智能型厂房的照明控制系统进行动态调节，该公式可以结合贝叶斯概率分类模型，作为模型的输入，根据历史数据和当前数据，预测未来的照明需求，提高照明控制的智能化水平，实现节能和舒适的照明效果。需要说明的是，本发明也可以不利用该公式在步骤S28对照明关联标记数据进行贝叶斯概率分类模型的构建中，也可以直接对人员的移动方向特征进行向量量化，再根据贝叶斯概率分类原理进行模型构建，这样做的优点是效率更高，模型训练成本更低，通过仅考虑照明边缘区域的人员移动方向来直接预测，但在复杂的环境中考虑的特征太少，得到的预测模型难以精准地预测复杂的实际情况，而上述公式可以考虑更多实际的复杂情况中暴露的人员移动特征及其进入另一个照明区域的关联数据，从而更好应对一些复杂的场景，但一些区域也可以考虑使用双模型的方法进行适应性的预测。
优选地，步骤S26包括以下步骤：
步骤S261：对移动细节数据集以及红外人像移动数据进行重要特征选择，从而获取移动角度特征数据、移动速度特征数据以及移动动作特征数据；
步骤S262：利用FLANN算法对移动角度特征数据、移动速度特征数据以及移动动作特征数据进行相邻照明区域的特征比率过滤，从而获取移动特征比率数据；
步骤S263：对移动特征比率数据进行卷积模型构建，从而获取卷积模型；利用RANSAC算法对卷积模型进行迭代优化，从而获取优化卷积模型；
步骤S264：基于优化卷积模型对移动细节数据集进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据。
本发明实施例根据对移动细节数据集和红外人像移动数据进行重要特征选择，利用特征提取方法，如SIFT1、HOG2、HAAR3等，从每个数据点中提取出移动角度、移动速度和移动动作等特征，并生成移动角度特征数据、移动速度特征数据和移动动作特征数据；利用FLANN算法对移动角度特征数据、移动速度特征数据和移动动作特征数据进行相邻照明区域的特征比率过滤，利用最近邻搜索方法，找出每个照明区域中与其他区域最相似的特征点，并计算出它们的特征比率，从而获取移动特征比率数据；对移动特征比率数据进行卷积模型构建，利用卷积神经网络方法，将移动特征比率数据作为输入，通过多层卷积、池化、激活和全连接等操作，得到一个能够表示照明区域之间关系的卷积模型；利用RANSAC算法对卷积模型进行迭代优化，利用随机抽样一致方法，从移动特征比率数据中随机选择一部分数据作为内点，用它们来拟合卷积模型的参数，并计算出模型的误差，重复多次，选择误差最小的卷积模型作为优化卷积模型；基于优化卷积模型对移动细节数据集进行相邻照明区域的人员移动特征匹配，利用模型预测方法，将移动细节数据集作为输入，通过优化卷积模型，得到每个照明区域的人员移动特征的输出，并与其他区域的输出进行比较，找出最匹配的区域，并生成移动细节匹配数据。
本发明首先通过根据对移动细节数据集和红外人像移动数据进行重要特征选择，可以提高移动特征数据的提取效率和质量，降低移动特征数据的提取成本和复杂度，提高移动特征数据的提取准确性和稳定性。利用FLANN算法对移动角度特征数据、移动速度特征数据和移动动作特征数据进行相邻照明区域的特征比率过滤，可以提高移动特征比率数据的过滤效率和质量，降低移动特征比率数据的过滤成本和复杂度，提高移动特征比率数据的过滤准确性和稳定性。对移动特征比率数据进行卷积模型构建，可以提高卷积模型的构建效率和质量，降低卷积模型的构建成本和复杂度，提高卷积模型的构建准确性和稳定性。利用RANSAC算法对卷积模型进行迭代优化，可以提高优化卷积模型的优化效率和质量，降低优化卷积模型的优化成本和复杂度，提高优化卷积模型的优化准确性和稳定性。基于优化卷积模型对移动细节数据集进行相邻照明区域的人员移动特征匹配，可以提高移动细节匹配数据的匹配效率和质量，降低移动细节匹配数据的匹配成本和复杂度，提高移动细节匹配数据的匹配准确性和稳定性。
优选地，步骤S3包括以下步骤：
步骤S31：对亮度衰减图谱数据进行线性相关性筛选，从而获取线性衰减标准数据；
步骤S32：根据线性衰减标准数据对亮度衰减图谱数据进行线性关联分析，从而获取线性亮度衰减数据；根据线性衰减标准数据对亮度衰减图谱数据进行亮度干扰的非线性关联分析，从而获取非线性亮度衰减数据；
步骤S33：对线性亮度衰减数据以及非线性亮度衰减数据进行直线拟合，从而获取直线拟合衰减数据；
步骤S34：对多维线性衰减数据进行高维特征降维，从而获取低维线性衰减数据；
步骤S35：对低维线性衰减数据进行时间矩阵构建，从而获取亮度衰减矩阵数据；
步骤S36：根据亮度衰减矩阵数据对图像预处理数据进行照明亮度动态分析，从而获取亮度多维变化数据；
步骤S37：对亮度多维变化数据进行时序修正建模，从而获取时序亮度修正模型。
本发明实施例通过从亮度衰减图谱数据中选择照明光源的类型作为自变量(即人工光源以及其他光源)，将照明光源的亮度作为因变量，与自变量构成一组数据。使用线性相关性分析的工具，计算自变量和因变量之间的相关系数，如皮尔逊相关系数、斯皮尔曼相关系数等。根据相关系数的大小和显著性水平，判断自变量和因变量之间是否存在线性关系，即是否符合线性衰减的假设。选择相关系数较高且显著的自变量和因变量组成的数据，作为线性衰减标准数据。根据线性衰减标准数据，使用线性回归分析的工具，建立线性回归模型，得到回归方程和回归系数。将亮度衰减图谱数据中的自变量代入回归方程，计算出对应的因变量值，即线性亮度衰减数据。根据亮度衰减图谱数据中的非线性因素，使用非线性回归分析的工具，对线性回归模型进行修正，得到修正后的非线性回归模型。将亮度衰减图谱数据中的自变量和非线性因素代入修正后的非线性回归模型，计算出对应的因变量值，即非线性亮度衰减数据。将线性亮度衰减数据和非线性亮度衰减数据分别作为散点数据，绘制在坐标平面上，其中横坐标为时间，纵坐标为亮度。使用直线拟合的工具对两组散点数据分别进行直线拟合，得到两条直线的方程和拟合度。将两条直线的方程和拟合度作为直线拟合衰减数据。将多维线性衰减数据中的自变量和因变量分别作为矩阵的列向量，构成一个数据矩阵，对数据矩阵进行主成分分析或因子分析，得到新的变量的系数和贡献率，根据新的变量的系数和贡献率，选择一定数量的新的变量，作为低维线性衰减数据的自变量，同时保留原来的因变量。低维线性衰减数据是指图像中每个像素的亮度随时间线性变化的数据，可以用一个向量表示，亮度衰减矩阵数据是指时间矩阵中每一行的亮度变化率，可以用一个向量表示。根据亮度衰减矩阵数据，对图像预处理数据进行明度的聚类分析，并利用机器学习分析图像中不同区域的照明亮度变化情况。对亮度多维变化数据进行时序修正建模是指根据多个维度亮度的变化梯度对亮度多维变化数据进行每个光源的变化梯度和该区域的最小亮度适应值的比较，从而得到对应该区域中自然光亮度变化梯度更大但人工灯光亮度还没有改变的时间点，对这些时间点进行筛选和标记，并通过记忆模型对这些梯度变化特征对应该区域的时间点进行训练，从而获取时序亮度修正模型。
本发明首先通过线性相关性分析和线性回归分析，可以确定照明光源的亮度衰减规律和趋势。这使得能够对照明系统进行更精确的控制和调整，以确保光源的稳定性和持久性。此外，线性衰减标准数据和修正后的非线性回归模型可用于预测未来的亮度变化，提前进行照明系统的维护和优化。利用直线拟合工具对线性亮度衰减数据和非线性亮度衰减数据进行拟合，可以获得衰减数据的趋势和拟合度。这有助于分析和比较不同照明光源的衰减速度和稳定性，选择合适的光源类型和亮度控制策略。主成分分析或因子分析可以将多维线性衰减数据转化为低维线性衰减数据，并保留原因变量。这有助于减少数据的复杂性和维度，提高数据处理和分析的效率。同时，选择新的变量可以更好地捕捉亮度变化的关键特征，为后续分析和决策提供更准确的依据。通过明度的聚类分析和机器学习分析，可以识别图像中不同区域的照明亮度变化情况。这有助于针对不同区域进行个性化的照明控制和优化，提供更适应用户需求的照明体验。通过记忆模型和训练得到时序亮度修正模型，可以识别出光源变化的时间点，从而实现对照明系统的自适应性调节，提高照明的连续性和平滑性。
优选地，步骤S36包括以下步骤：
步骤S361：对图像预处理数据进行HSV颜色空间转换，并提取出明度分量，从而获取明度分量数据；
步骤S362：根据亮度衰减矩阵数据对明度分量数据进行亮度-距离衰减聚类分析，从而获取亮度-距离衰减聚类数据；根据亮度衰减矩阵数据对明度分量数据进行亮度-时间衰减聚类分析，从而获取亮度-时间衰减聚类数据；
步骤S363：根据亮度-距离衰减聚类数据以及亮度-时间衰减聚类数据对明度分量数据进行亮度趋势分区，从而获取亮度分区数据；
步骤S364：对亮度分区数据进行伽马转换，从而获取伽马转换分区数据；
步骤S365：对伽马转换分区数据进行照明亮度动态分析，从而获取亮度多维变化数据。
本发明实施例通过获取图像预处理数据的相关信息，然后获取RGB到HSV转换的方法和公式。根据公式，对图像预处理数据中的每个像素的RGB值进行计算，得到对应的HSV值，并将其存储为明度分量数据，对图像预处理数据进行二维数组的转换，每个元素是一个RGB颜色值，将RGB颜色空间转换为HSV颜色空间，得到一个新的二维数组，每个元素是一个HSV颜色值，根据HSV颜色空间的定义，提取出明度分量，即HSV颜色空间中的V通道。根据亮度衰减矩阵数据对明度分量数据进行亮度-距离衰减聚类和亮度-时间衰减聚类的分析，即根据矩阵中不同光源对明度分量数据的亮度权重值与距离(从人工灯光光源往下辐射的距离变化)以及时间的变化的衰减特征聚类，从而得到两个聚类分析数据；据亮度-距离衰减聚类数据和亮度-时间衰减聚类数据，对明度分量数据中的每个像素的亮度值进行趋势划分，并根据伽马转换的公式，对亮度分区数据中的每个像素的亮度值进行非线性变换，使亮度的变化趋势放大，最后对伽马转换且分区后的像素亮度数据进行时序上的动态分析，从而得到亮度多维变化数据。
本发明首先通过RGB到HSV转换，可以将图像预处理数据从RGB颜色空间转换为HSV颜色空间。这使得可以更好地理解和分析图像中的颜色信息，特别是亮度(明度)分量。通过提取HSV颜色空间中的V通道，可以得到明度分量数据，用于后续的亮度分析和处理。亮度-距离衰减聚类和亮度-时间衰减聚类分析可以根据亮度衰减矩阵数据对明度分量数据进行聚类。这有助于识别出明度分量数据中的不同衰减特征，即亮度受到距离和时间变化的影响程度。通过聚类分析，可以将明度分量数据划分为不同的亮度趋势区域，为后续的非线性变换提供依据。伽马转换的非线性变换可以根据亮度分区数据中的每个像素的亮度值进行。通过应用伽马转换的公式，可以放大亮度变化的趋势，增强图像中的亮度差异。这有助于更好地捕捉和分析亮度的变化特征，为后续的时序动态分析提供更准确的数据基础。时序上的动态分析可以对经过伽马转换和分区的像素亮度数据进行。通过分析亮度多维变化数据，可以识别出亮度的时序变化规律和趋势。这有助于了解光源的动态行为和变化模式，为照明系统的控制和调整提供更全面的信息。
优选地，步骤S37包括以下步骤：
步骤S371：利用光流法对亮度多维变化数据进行变化梯度划分，从而获取亮度变化梯度数据；
步骤S372：对亮度变化梯度数据进行排序，从而获取亮度梯度序列数据；
步骤S373：根据预设的最小亮度适应数据对亮度梯度序列数据进行时间点标记，从而获取亮度变化时间标记数据；
步骤S374：对亮度变化时间标记数据进行时序修正建模，从而获取时序亮度修正模型。
本发明实施例首先通过对每两帧图像计算它们之间的光流矢量，即每个像素点在水平和垂直方向上的位移和速度。然后，根据光流矢量的大小和方向，计算每个像素点的亮度变化梯度，即每个像素点在水平和垂直方向上的亮度变化率，并根据亮度多维变化数据对亮度变化率的梯度变化的特征进行匹配，即根据亮度变化梯度的大小和方向，将像素点按不同光源维度分为不同的类别，例如静止、缓慢移动、快速移动。对亮度变化梯度数据进行排序，需要定义一个亮度变化梯度的比较函数，用于比较亮度变化梯度的大小和方向，例如可以使用向量的模长和夹角作为比较依据，并根据自然光变化梯度较大但人工光源变化梯度小的排序原则，得到亮度梯度序列数据。根据预设的最小亮度适应数据对亮度梯度序列数据进行时间点标记，其中最小亮度适应数据主要可以由人员经过反馈系统进行反馈，控制器根据照明区域的亮度反馈确定该区域的最小可接受亮度的波动大小，从而得到最小亮度适应数据，对亮度梯度序列数据进行时间点标记，即确定亮度变化时间点，也就是需要对灯光的亮度进行调整的时间点，比较每个时间点的亮度梯度值和最小亮度适应值，如果亮度梯度值大于最小亮度适应值，说明该时间点的亮度变化超过了该区域的亮度适应阈值，因此需要对灯光的亮度进行调整，否则不需要调整。对亮度变化时间标记数据进行时序修正建模，即对标记好对应时间的亮度变化数据以及其对应的变化梯度特征进行模型训练，使用最小二乘法或其他优化方法，根据亮度变化时间标记数据，估计出时序模型的参数，例如可以使用梯度下降法、牛顿法，从而获取时序亮度修正模型。
本发明首先通过光流矢量计算，可以通过计算每两帧图像之间的像素位移和速度来实现。通过获取光流矢量，可以捕捉到图像中物体的运动信息。这有助于识别出图像中的运动物体或区域，并为后续的亮度变化分析提供基础数据。亮度变化梯度计算可以根据光流矢量的大小和方向来实现。通过计算每个像素点在水平和垂直方向上的亮度变化率，可以得到亮度变化梯度。这有助于了解图像中的亮度变化情况，尤其是与光源相关的变化。亮度梯度序列数据的排序可以根据亮度变化梯度的大小和方向来实现。通过定义亮度变化梯度的比较函数，可以对亮度梯度数据进行排序。根据自然光变化梯度较大而人工光源变化梯度较小的排序原则，可以得到排序后的亮度梯度序列数据。这有助于更好地理解和排序图像中不同光源维度的亮度变化情况。最小亮度适应数据的预设可以通过反馈系统进行反馈确定。根据照明区域的亮度反馈，控制器可以确定该区域的最小可接受亮度的波动大小，从而得到最小亮度适应数据。这有助于定义亮度变化的阈值，用于判断是否需要对灯光的亮度进行调整。亮度变化时间点的标记可以根据亮度梯度序列数据和最小亮度适应值来实现。通过比较每个时间点的亮度梯度值和最小亮度适应值，可以确定亮度变化超过了该区域的亮度适应阈值的时间点，从而确定需要对灯光的亮度进行调整的时间点。这有助于精准控制灯光的调整时机，以满足照明需求和提供舒适的视觉体验。时序亮度修正模型的估计可以通过对标记好对应时间的亮度变化数据和变化梯度特征进行模型训练来实现，这有助于建立准确的时序亮度修正模型，用于对灯光的时序调整和控制。
优选地，步骤S4包括以下步骤：
基于照明概率分类模型进行人员流动时的区域亮度变化预测，从而获取流动亮度预测数据，并记录至厂房照明系统；根据厂房照明系统进行预测区域的亮度调整；
基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，从而获取自然光修正时序数据，并记录至厂房照明系统；根据厂房照明系统进行修正时间监测，当修正时间到达时，则对灯源照射区域进行照明亮度主动采集，从而获取当前照明亮度数据，并根据当前照明亮度数据调整当前区域亮度。
本发明实施例首先通过从厂房照明系统中获取人员流动数据，包括每个区域的人员数量、移动方向、移动速度等信息，将人员流动数据作为输入，使用照明概率分类模型进行预测，模型根据每个区域不同的人员中最明显且关联性最强的移动方向性特征，得到每个区域中人员最大概率即将移动到的相邻的下一区域，并根据这一区域的编号获取该区域的照明亮度。具体地，传感器需要先监测到该区域中照明边缘区域的人员的移动，模型接收传感器发送的人员移动的主要数据，该数据可以根据之前人员移动的重要特征选择而筛选出最重要的来源数据，然后，分析出该人员的移动特征以及对应的关联概率，模型据此做出预测判断，根据之前得到的人流量分布数据，系统可以根据这一数据设置阈值，在高人流量时段自动地保证这些区域的亮度，而不需要一直继续监测，且本发明保留现有的照明系统功能，可以在指定的时段内不进行亮度调整，也就不需要传感器收集监测的数据。当厂房照明系统监测到基于时序亮度修正模型预测而得到的自然光修正时序数据时，系统根据传感器对指定的灯源照射区域进行照明亮度的采集，并调整至正确的亮度，如果该区域此时的亮度已经符合系统预设的当前区域的亮度需求大小，则不进行亮度的调整。
本发明通过从厂房照明系统中获取人员流动数据可以提供实时的人员位置和移动信息。通过监测厂房中不同区域的人员数量、移动方向和移动速度等数据，可以了解人员的分布情况和运动趋势。这有助于根据人员流动情况进行照明需求的预测和调整。使用照明概率分类模型进行预测可以根据人员流动数据进行照明需求的预测。通过分析每个区域中不同人员的移动方向性特征，可以预测每个区域人员最有可能移动到的相邻区域，并获取该区域的照明亮度。这有助于根据人员流动情况确定需要进行照明调整的区域，并提供适当的照明亮度。传感器监测人员移动的主要数据可以通过筛选出最重要的来源数据来实现。根据之前人员移动的重要特征选择，可以获取人员移动的关键数据，为模型提供准确的输入。这有助于降低数据处理的复杂性，同时确保模型对关键数据进行准确的预测和判断。基于人流量分布数据设置阈值可以根据人员流动情况设定照明的阈值。通过分析人流量分布数据，可以确定在高人流量时段需要自动调整的区域，并保证这些区域的亮度。这有助于实现自动化的照明调整，提高照明系统的效率和响应速度。保留现有照明系统功能可以确保本发明与现有照明系统兼容。通过本发明，可以在指定的时段内不进行亮度调整，从而不需要传感器持续收集监测数据。这有助于减少对现有照明系统的改动，并保留其原有的功能和操作方式。基于时序亮度修正模型预测的自然光修正时序数据可以根据传感器对指定的灯源照射区域进行照明亮度的采集和调整。当监测到自然光修正时序数据时，系统可以根据传感器采集的照明亮度数据进行调整，确保灯光的正确亮度。这有助于实现对自然光变化的动态响应和调整。如果区域的亮度已经符合系统预设的亮度需求，则不进行亮度调整，可以避免不必要的灯光调整。通过判断当前区域的亮度是否满足需求，可以避免频繁的亮度调整，节省能源和提高系统的稳定性。综上所述，通过以上实施例中的步骤，可以利用人员流动数据进行照明需求的预测和调整。这将有助于根据人员位置和移动情况实时调整照明亮度，提供高效、智能的照明系统，并减少能源浪费。
优选地，本发明还提供了一种智能型厂房照明控制系统，用于执行如上所述的智能型厂房照明控制方法，该智能型厂房照明控制系统包括：
衰减图谱生成模块，用于对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，从而获取照明亮度数据；对照明亮度数据进行照明区域分布分析，从而获取照明区域分布数据；对照明区域分布数据进行多时段的图像拍摄并预处理，从而获取图像预处理数据；根据图像预处理数据对照明区域分布数据进行区域内亮度的衰减图谱生成，从而获取亮度衰减图谱数据；
照明概率分类模块，用于对照明区域分布数据进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据集；对移动细节匹配数据集进行贝叶斯概率分类模型构建，从而获取照明概率分类模型；
时序修正建模模块，用于根据亮度衰减图谱数据对图像预处理数据进行照明亮度动态分析，从而获取亮度多维变化数据；对亮度多维变化数据进行时序修正建模，从而获取时序亮度修正模型；
区域亮度预测模块，用于基于照明概率分类模型进行人员流动时的区域亮度变化预测，从而获取流动亮度预测数据；基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，从而获取自然光修正时序数据。
综上所述，本发明提供了一种智能型厂房照明控制系统，该智能型厂房照明控制系统由衰减图谱生成模块、照明概率分类模块、时序修正建模模块以及区域亮度预测模块组成，能够实现本发明所述任意一种智能型厂房照明控制方法，通过对人流量分布的不同，针对性的对灯源照射区域的包括人工灯光和其他自然光的光源进行时间和距离维度上的图像分析，找到照明的有效区域的边缘中的人员移动规律，以此快速的判断繁忙的智能型厂房中人员移动至下一照明区域的灯光诉求，并进行对应调整，并且根据不同区域不同时间亮度的变化规律以及亮度需求建立时序模型，以保证在光照传感器响应较慢或故障时也能及时对该区域亮度进行调整，并可以汇总数据，对可能的故障问题进行及时解决，系统内部结构互相协作，从而简化了智能型厂房照明控制系统的操作流程。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种智能型厂房照明控制方法，其特征在于，包括以下步骤：
步骤S1：对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，从而获取照明亮度数据；对照明亮度数据进行照明区域分布分析，从而获取照明区域分布数据；对照明区域分布数据进行多时段的图像拍摄并预处理，从而获取图像预处理数据；根据图像预处理数据对照明区域分布数据进行区域内亮度的衰减图谱生成，从而获取亮度衰减图谱数据；
步骤S2：对照明区域分布数据进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据集；对移动细节匹配数据集进行贝叶斯概率分类模型构建，从而获取照明概率分类模型；
步骤S3：根据亮度衰减图谱数据对图像预处理数据进行照明亮度动态分析，从而获取亮度多维变化数据；对亮度多维变化数据进行时序修正建模，从而获取时序亮度修正模型；
步骤S4：基于照明概率分类模型进行人员流动时的区域亮度变化预测，从而获取流动亮度预测数据；基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，从而获取自然光修正时序数据。
2.根据权利要求1所述的智能型厂房照明控制方法，其特征在于，步骤S1包括以下步骤：
步骤S11：对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，从而获取照明亮度数据；
步骤S12：对照明亮度数据进行照明区域分布分析，从而获取照明区域分布数据；
步骤S13：对照明区域分布数据进行多时段的图像拍摄，从而获取照明图像数据；对照明图像数据进行图像预处理，从而获取图像预处理数据；
步骤S14：对图像预处理数据进行照明边缘检测，从而获取照明边缘数据；
步骤S15：根据照明边缘数据对图像预处理数据进行亮度测量，从而获取亮度测量数据；
步骤S16：对亮度测量数据进行局部亮度衰减分析，从而获取局部亮度衰减系数；
步骤S17：根据局部亮度衰减系数对照明区域分布数据进行区域内亮度的衰减图谱生成，从而获取亮度衰减图谱数据。
3.根据权利要求2所述的智能型厂房照明控制方法，其特征在于，步骤S2包括以下步骤：
步骤S21：根据照明区域分布数据并利用红外传感器对智能型厂房进行不同区域的红外人像捕捉，从而获取红外人像移动数据；
步骤S22：对红外人像移动数据进行时序波动分析，从而获取人流量波动数据；
步骤S23：根据人流量波动数据对照明区域分布数据进行人流量分布分析，从而获取人流量分布数据；
步骤S24：根据预设的人流量敏感阈值对人流量分布数据进行数据标签，从而获取人流量分布标签数据；
步骤S25：根据人流量分布标签数据并利用毫米波传感器对智能型厂房进行不同区域的人员移动细节捕捉，从而获取移动细节数据集；
步骤S26：对移动细节数据集以及红外人像移动数据进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据集；
步骤S27：根据移动细节匹配数据集对照明区域分布数据进行照明关联标记，从而获取照明关联标记数据；
步骤S28：对照明关联标记数据进行贝叶斯概率分类模型构建，从而获取照明概率分类模型。
4.根据权利要求3所述的智能型厂房照明控制方法，其特征在于，步骤S28中对照明关联标记数据进行贝叶斯概率分类模型构建采用了如下公式：
式中，P是区域照明调整的概率，A是关联标记的人员移动特征的数量，B是相邻照明区域的关联标记的人员移动特征的数量，fa,b是第a个关联标记的人员移动特征值和第b个相邻照明区域的关联标记的人员移动特征值的相似度，μb是相邻照明区域的关联标记的人员移动特征的均值，βb是第b个关联标记的人员移动特征的重要性权重值。
5.根据权利要求4所述的智能型厂房照明控制方法，其特征在于，步骤S26包括以下步骤：
步骤S261：对移动细节数据集以及红外人像移动数据进行重要特征选择，从而获取移动角度特征数据、移动速度特征数据以及移动动作特征数据；
步骤S262：利用FLANN算法对移动角度特征数据、移动速度特征数据以及移动动作特征数据进行相邻照明区域的特征比率过滤，从而获取移动特征比率数据；
步骤S263：对移动特征比率数据进行卷积模型构建，从而获取卷积模型；利用RANSAC算法对卷积模型进行迭代优化，从而获取优化卷积模型；
步骤S264：基于优化卷积模型对移动细节数据集进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据。
6.根据权利要求5所述的智能型厂房照明控制方法，其特征在于，步骤S3包括以下步骤：
步骤S31：对亮度衰减图谱数据进行线性相关性筛选，从而获取线性衰减标准数据；
步骤S32：根据线性衰减标准数据对亮度衰减图谱数据进行线性关联分析，从而获取线性亮度衰减数据；根据线性衰减标准数据对亮度衰减图谱数据进行亮度干扰的非线性关联分析，从而获取非线性亮度衰减数据；
步骤S33：对线性亮度衰减数据以及非线性亮度衰减数据进行直线拟合，从而获取直线拟合衰减数据；
步骤S34：对多维线性衰减数据进行高维特征降维，从而获取低维线性衰减数据；
步骤S35：对低维线性衰减数据进行时间矩阵构建，从而获取亮度衰减矩阵数据；
步骤S36：根据亮度衰减矩阵数据对图像预处理数据进行照明亮度动态分析，从而获取亮度多维变化数据；
步骤S37：对亮度多维变化数据进行时序修正建模，从而获取时序亮度修正模型。
7.根据权利要求6所述的智能型厂房照明控制方法，其特征在于，步骤S36包括以下步骤：
步骤S361：对图像预处理数据进行HSV颜色空间转换，并提取出明度分量，从而获取明度分量数据；
步骤S362：根据亮度衰减矩阵数据对明度分量数据进行亮度-距离衰减聚类分析，从而获取亮度-距离衰减聚类数据；根据亮度衰减矩阵数据对明度分量数据进行亮度-时间衰减聚类分析，从而获取亮度-时间衰减聚类数据；
步骤S363：根据亮度-距离衰减聚类数据以及亮度-时间衰减聚类数据对明度分量数据进行亮度趋势分区，从而获取亮度分区数据；
步骤S364：对亮度分区数据进行伽马转换，从而获取伽马转换分区数据；
步骤S365：对伽马转换分区数据进行照明亮度动态分析，从而获取亮度多维变化数据。
8.根据权利要求7所述的智能型厂房照明控制方法，其特征在于，步骤S37包括以下步骤：
步骤S371：利用光流法对亮度多维变化数据进行变化梯度划分，从而获取亮度变化梯度数据；
步骤S372：对亮度变化梯度数据进行排序，从而获取亮度梯度序列数据；
步骤S373：根据预设的最小亮度适应数据对亮度梯度序列数据进行时间点标记，从而获取亮度变化时间标记数据；
步骤S374：对亮度变化时间标记数据进行时序修正建模，从而获取时序亮度修正模型。
9.根据权利要求8所述的智能型厂房照明控制方法，其特征在于，步骤S4包括以下步骤：
基于照明概率分类模型进行人员流动时的区域亮度变化预测，从而获取流动亮度预测数据，并记录至厂房照明系统；根据厂房照明系统进行预测区域的亮度调整；
基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，从而获取自然光修正时序数据，并记录至厂房照明系统；根据厂房照明系统进行修正时间监测，当修正时间到达时，则对灯源照射区域进行照明亮度主动采集，从而获取当前照明亮度数据，并根据当前照明亮度数据调整当前区域亮度。
10.一种智能型厂房照明控制系统，其特征在于，用于执行如权利要求1所述的智能型厂房照明控制方法，该智能型厂房照明控制系统包括：
衰减图谱生成模块，用于对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，从而获取照明亮度数据；对照明亮度数据进行照明区域分布分析，从而获取照明区域分布数据；对照明区域分布数据进行多时段的图像拍摄并预处理，从而获取图像预处理数据；根据图像预处理数据对照明区域分布数据进行区域内亮度的衰减图谱生成，从而获取亮度衰减图谱数据；
照明概率分类模块，用于对照明区域分布数据进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据集；对移动细节匹配数据集进行贝叶斯概率分类模型构建，从而获取照明概率分类模型；
时序修正建模模块，用于根据亮度衰减图谱数据对图像预处理数据进行照明亮度动态分析，从而获取亮度多维变化数据；对亮度多维变化数据进行时序修正建模，从而获取时序亮度修正模型；
区域亮度预测模块，用于基于照明概率分类模型进行人员流动时的区域亮度变化预测，从而获取流动亮度预测数据；基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，从而获取自然光修正时序数据。
CN202410821387.0A 2024-06-24 2024-06-24 一种智能型厂房照明控制方法及系统 Pending CN118574286A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410821387.0A CN118574286A (zh) 2024-06-24 2024-06-24 一种智能型厂房照明控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410821387.0A CN118574286A (zh) 2024-06-24 2024-06-24 一种智能型厂房照明控制方法及系统

Publications (1)

Publication Number Publication Date
CN118574286A true CN118574286A (zh) 2024-08-30

Family

ID=92476853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410821387.0A Pending CN118574286A (zh) 2024-06-24 2024-06-24 一种智能型厂房照明控制方法及系统

Country Status (1)

Country Link
CN (1) CN118574286A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109922586A (zh) * 2019-04-18 2019-06-21 安徽建筑大学 基于室内照度和人员位置移动模型的智能照明控制方法
EP3914049A1 (fr) * 2020-05-19 2021-11-24 Nrgybox Procédé de contrôle d'un éclairage public
CN117395825A (zh) * 2023-11-24 2024-01-12 北京同步风云科技有限公司 一种基于实时led亮度和色差的校正软件控制方法
CN117545145A (zh) * 2023-11-24 2024-02-09 海南博思高科软件开发有限公司 基于视频图像数据处理的时空照明控制方法及系统
CN118139246A (zh) * 2024-04-02 2024-06-04 广东技术师范大学 一种基于机器视觉结合照度预测的室内照明节能控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109922586A (zh) * 2019-04-18 2019-06-21 安徽建筑大学 基于室内照度和人员位置移动模型的智能照明控制方法
EP3914049A1 (fr) * 2020-05-19 2021-11-24 Nrgybox Procédé de contrôle d'un éclairage public
CN117395825A (zh) * 2023-11-24 2024-01-12 北京同步风云科技有限公司 一种基于实时led亮度和色差的校正软件控制方法
CN117545145A (zh) * 2023-11-24 2024-02-09 海南博思高科软件开发有限公司 基于视频图像数据处理的时空照明控制方法及系统
CN118139246A (zh) * 2024-04-02 2024-06-04 广东技术师范大学 一种基于机器视觉结合照度预测的室内照明节能控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
秦旭: "建筑照明系统节能新技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 15 January 2020 (2020-01-15) *

Similar Documents

Publication Publication Date Title
US11941868B2 (en) Inference apparatus, inference method, and computer-readable storage medium storing an inference program
CN101965729B (zh) 动态物件分类
CA2715971C (en) Pattern classification system and method for collective learning
CN117354986B (zh) 一种多功能led灯珠的智能控制方法及系统
CN119091234B (zh) 基于数据分析的智能决策与响应方法及系统
CN117835500A (zh) 基于物联网技术的智慧城市照明智能控制系统及方法
CN116959099B (zh) 一种基于时空图卷积神经网络的异常行为识别方法
CN118916778A (zh) 一种基于大模型与多智能体的能耗监测与优化方法、系统
CN118338510B (zh) 照明灯光亮度自适应调节方法、装置、设备及存储介质
CN118113082A (zh) 一种基于物联网的智慧农业大棚环境监测系统
CN116448019A (zh) 建筑节能工程质量平面度智能检测装置及方法
CN117136765A (zh) 基于智能农业的大棚控制系统及方法
CN118574288B (zh) 夜间施工照明中的照明参数检测方法以及装置
CN118735966A (zh) 基于光流分析的立定跳远落地瞬间自动识别方法
CN117636908B (zh) 数字化矿山生产管控系统
CN118574286A (zh) 一种智能型厂房照明控制方法及系统
CN118486052A (zh) 一种基于多视距下的病媒生物智能检测方法及系统
CN117433142A (zh) 一种空调的控制方法、空调的控制装置和存储介质
CN111601418A (zh) 色温调节方法、装置、存储介质和处理器
CN119855018A (zh) 一种供热节能用照明装置及照明控制方法
CN117241443A (zh) 基于物联网的智能照明灯具及其智能控制方法
CN119295881A (zh) 一种基于多模态数据的农业场景识别与验证方法及系统
CN118918535A (zh) 智能家居检测和管理方法、装置及计算机设备
CN119274154A (zh) 基于机器学习和视觉识别的路面照度检测系统及方法
CN119545164A (zh) 摄像头自适应调整方法、系统及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20241114

Address after: No. 221 Jinzi Street, Nanping Street, Nan'an District, Chongqing City, 400000

Applicant after: Shi Junjie

Country or region after: China

Address before: No. 13, 10th Floor, Building 1, No. 88 Fucheng Avenue Middle Section, Chengdu High tech Zone, China (Sichuan) Pilot Free Trade Zone, Chengdu City, Sichuan Province 610000

Applicant before: Chengdu Boyade Technology Co.,Ltd.

Country or region before: China