CN118574287A - 夜间施工照明的智能优化控制方法、系统以及设备 - Google Patents

Abstract

本申请涉及照明控制技术领域，公开了一种夜间施工照明的智能优化控制方法、系统以及设备。所述方法包括：对目标施工现场进行三维建模，得到施工现场三维模型并生成初始化照明参数；进行照明模拟和照明区域划分，得到固定照明区域和动态照明区域；进行照明异常识别，得到照明盲区和过度照明区域并创建固定照明参数；对动态照明区域进行眩光等级计算，得到目标眩光等级，并根据目标眩光等级生成对应的照明参数阈值集合；基于深度强化学习算法和照明参数阈值集合对动态照明区域进行动态照明优化，生成动态照明参数；根据固定照明参数和动态照明参数，对目标施工现场进行夜间施工照明综合控制，本申请提高了夜间施工照明的优化控制准确率。

Description

夜间施工照明的智能优化控制方法、系统以及设备

技术领域

本申请涉及照明控制技术领域，尤其涉及一种夜间施工照明的智能优化控制方法、系统以及设备。

背景技术

传统的照明方法往往采用固定的光源配置，这在某些情况下难以满足施工现场的实际需要，尤其是在施工范围变动较大、作业区域频繁变更的项目中。固定的照明设置不仅可能导致某些区域照明不足，影响施工质量和工人安全，同时也可能造成能源的浪费，因为即使在无需强光照明的时段或区域，灯光也可能一直开启。

随着技术的发展，虽然出现了一些尝试通过动态调整照明策略来解决这些问题的方法，但这些方法往往缺乏足够的智能化和自动化水平。例如，缺乏对施工现场实时照明需求变化的快速响应能力，以及无法根据实时数据进行照明优化的问题。此外，现有方法往往没有充分考虑到减少眩光、提高能效以及保证施工质量和安全的综合需求。

发明内容

本申请提供了一种夜间施工照明的智能优化控制方法、系统以及设备，本申请提高了夜间施工照明的优化控制准确率。

第一方面，本申请提供了一种夜间施工照明的智能优化控制方法，所述夜间施工照明的智能优化控制方法包括：

对目标施工现场进行三维建模，得到施工现场三维模型，并对所述施工现场三维模型进行夜间施工照明参数初始化，生成初始化照明参数；

基于所述初始化照明参数对所述目标施工现场进行照明模拟和照明区域划分，得到固定照明区域和动态照明区域；

对所述固定照明区域进行照明异常识别，得到照明盲区和过度照明区域，并根据所述照明盲区和所述过度照明区域创建对应的固定照明参数；

对所述动态照明区域进行眩光等级计算，得到目标眩光等级，并根据所述目标眩光等级生成对应的照明参数阈值集合；

基于深度强化学习算法和所述照明参数阈值集合对所述动态照明区域进行动态照明优化，生成动态照明参数；

根据所述固定照明参数和所述动态照明参数，对所述目标施工现场进行夜间施工照明综合控制。

第二方面，本申请提供了一种夜间施工照明的智能优化控制装置，所述夜间施工照明的智能优化控制装置包括：

初始化模块，用于对目标施工现场进行三维建模，得到施工现场三维模型，并对所述施工现场三维模型进行夜间施工照明参数初始化，生成初始化照明参数；

划分模块，用于基于所述初始化照明参数对所述目标施工现场进行照明模拟和照明区域划分，得到固定照明区域和动态照明区域；

识别模块，用于对所述固定照明区域进行照明异常识别，得到照明盲区和过度照明区域，并根据所述照明盲区和所述过度照明区域创建对应的固定照明参数；

计算模块，用于对所述动态照明区域进行眩光等级计算，得到目标眩光等级，并根据所述目标眩光等级生成对应的照明参数阈值集合；

优化模块，用于基于深度强化学习算法和所述照明参数阈值集合对所述动态照明区域进行动态照明优化，生成动态照明参数；

控制模块，用于根据所述固定照明参数和所述动态照明参数，对所述目标施工现场进行夜间施工照明综合控制。

本申请第三方面提供了一种计算机设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行上述的夜间施工照明的智能优化控制方法。

本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的夜间施工照明的智能优化控制方法。

本申请提供的技术方案中，通过利用深度强化学习算法和照明参数阈值集合，该方法能够实时响应施工现场的照明需求变化，动态调整照明参数，包括光源位置、功率、光通量及色温。系统能自动提供最佳的照明条件，保证施工质量和安全。通过对施工现场三维模型的持续更新和照明模拟，结合状态估计信息进行照明区域划分，能够智能识别固定和动态照明区域，针对性地优化照明策略。自适应照明系统能够灵活应对各种施工场景，减少了人工干预的需求。通过精确控制照明参数，避免过度照明区域的出现，同时针对照明盲区进行有效补充，能够在保证照明质量的同时，显著降低能源消耗。这不仅有助于降低施工成本，也符合节能减排要求。通过对动态照明区域进行眩光等级计算，并生成相应的照明参数阈值集合，能够有效控制眩光，提高施工现场工作人员的视觉舒适度。能够持续学习施工现场的变化，根据实时数据不断调整和优化照明策略。保证了照明系统能够随着施工进度的变化和未预见的施工条件变动自适应调整，确保照明效果始终保持在最佳状态，进而提高了夜间施工照明的优化控制准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以基于这些附图获得其他的附图。

图1为本申请实施例中夜间施工照明的智能优化控制方法的一个实施例示意图；

图2为本申请实施例中夜间施工照明的智能优化控制装置的一个实施例示意图。

具体实施方式

本申请实施例提供了一种夜间施工照明的智能优化控制方法、系统以及设备。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中夜间施工照明的智能优化控制方法的一个实施例包括：

步骤101、对目标施工现场进行三维建模，得到施工现场三维模型，并对施工现场三维模型进行夜间施工照明参数初始化，生成初始化照明参数；

可以理解的是，本申请的执行主体可以为夜间施工照明的智能优化控制装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。

具体的，使用高精度的扫描设备对施工现场的地形和建筑物等进行全面扫描，得到现场三维扫描数据。利用三维扫描数据，通过专门的软件和算法对施工现场的地形特征进行精确提取，包括地形的高度、坡度以及地形的其他可变因素，得到地形特征参数。同时，对目标施工现场进行地质特征参数采集，这可能涉及到对土壤类型、岩石结构、水文情况等地质因素的分析，获得地质特征参数。对地形特征参数和地质特征参数进行施工现场基础模型构建，得到施工现场基础模型。基础模型是对现场实际地理和地质条件的数字化反映。基于该基础模型，采用三维建模技术构建出施工现场三维模型，这个模型能够详细展示施工现场的地形地貌、建筑物布局及其他相关特征。通过预置的GIS算法对施工现场三维模型进行地理空间识别，识别并分析施工现场的地理位置、周边环境及其他空间信息，得到精确的地理空间数据。利用地理空间数据，动态更新施工照明界限范围，确保照明覆盖的精确性和高效性。针对确定的施工照明界限范围，进行夜间照明参数的初始化设置，这包括对光源的位置、功率、光通量及色温等关键照明参数的设置和调整。这些初始化照明参数的设定基于施工现场的具体需求和特点，旨在实现夜间施工照明的最优化控制，确保照明效果的同时，也考虑到能源的有效利用和环境的影响。

步骤102、基于初始化照明参数对目标施工现场进行照明模拟和照明区域划分，得到固定照明区域和动态照明区域；

具体的，将初始化的照明参数输入照明设计软件DIALux中。DIALux软件根据输入的参数对特定环境进行照明效果模拟，生成照明模拟数据集。这个数据集包含了关于施工现场照明的各项指标和模拟结果，如光照强度、分布、影响范围等。采用卡尔曼滤波算法对照明模拟数据集进行状态估计。卡尔曼滤波是一种有效的状态估计技术，通过对一系列观测数据进行处理，估计出系统状态的最优估计值。在这个过程中，得到的状态估计信息帮助理解照明效果在实际施工环境中的表现和变化趋势。根据状态估计信息，对照明模拟数据集进行分析和划分，将其分为静态模拟数据集和动态模拟数据集，区分施工现场中照明需求稳定不变的区域和照明需求可能随时间或活动而变化的区域。对于静态模拟数据集，进行照明区域边界的划分，确定出初始的固定照明区域边界；同理，对于动态模拟数据集进行类似的处理，确定出初始的动态照明区域边界。对初始边界点进行交互分析，识别固定区域和动态区域之间的边界交互情况，获取边界点交互信息。这些信息有助于理解两种照明区域之间的相互影响和潜在冲突。基于边界点交互信息，对初始固定区域边界和初始动态区域边界进行矫正和优化，以确保照明设计的准确性和实用性。确立目标固定区域边界和目标动态区域边界，从而明确对应的固定照明区域和动态照明区域。

步骤103、对固定照明区域进行照明异常识别，得到照明盲区和过度照明区域，并根据照明盲区和过度照明区域创建对应的固定照明参数；

具体的，对固定照明区域中的多个目标区域点进行照明亮度检测，通过照明检测设备或系统收集每个目标区域点的照明亮度值，准确理解照明效果在实际施工环境中的分布情况。将每个目标区域点的照明亮度值与预设的两个亮度阈值进行比较，第一亮度阈值和第二亮度阈值根据施工现场照明需求和安全标准设定的，其中第一亮度阈值低于第二亮度阈值。通过比较，将目标区域点根据其照明亮度值的不同分为两个区域点集：当某个目标区域点的照明亮度值低于第一亮度阈值时，这表明该点的照明亮度不足，将其划分入第一区域点集，据此确定固定照明区域中的照明盲区；相反，如果某个目标区域点的照明亮度值超过第二亮度阈值，则说明该点照明过强，将其划分入第二区域点集，据此识别出固定照明区域中的过度照明区域。在确定了照明盲区和过度照明区域后，对这些特定区域进行照明参数分析。对于照明盲区，进行分析以生成第一照明参数，这可能涉及到增加光源数量、调整光源位置或改变光源的光通量等措施；而对于过度照明区域，则生成第二照明参数，可能需要减少光源数量、调整光源以避免光污染或降低某些光源的亮度。综合考虑固定照明区域的初始化照明参数、照明盲区的第一照明参数以及过度照明区域的第二照明参数，创建出一套全面优化后的固定照明参数。通过控制每个照明区域的照明条件，实现夜间施工照明的整体优化和能效提升。

步骤104、对动态照明区域进行眩光等级计算，得到目标眩光等级，并根据目标眩光等级生成对应的照明参数阈值集合；

具体的，对动态照明区域的背景亮度和光源亮度进行分析，获得背景亮度数据和光源亮度数据。背景亮度分析帮助理解环境光条件，而光源亮度分析则确保了对每个光源亮度特性的准确把握。对于动态照明区域中的光源位置，通过计算实际固体角，以及对多个动态区域点与光源位置之间的距离进行分析，得到每个动态区域点的光源距离。同时，对光源位置与各动态区域点之间进行法向量计算，计算每个法向量与垂直方向之间的夹角。基于背景亮度数据、光源亮度数据、实际固体角、光源距离以及夹角，采用眩光值计算公式对每个动态区域点的初始眩光值进行计算。通过UGR公式，得到关于视觉舒适度的量化信息。通过此公式计算得到的初始眩光值能够准确反映出各个动态区域点在当前照明设置下可能遇到的眩光情况。将动态区域点的初始眩光值进行均值运算，得到整个动态照明区域的平均眩光值。根据平均眩光值，生成对应的目标眩光等级，该等级旨在反映出施工现场照明设计的目标眩光条件，确保工作人员的视觉舒适度和施工安全。以目标眩光等级为基础，定义内核孪生支持向量机的照明参数优化目标，并据此生成一套对应的照明参数阈值集合。内核孪生支持向量机是一种高效的机器学习方法，通过在多维空间中寻找最佳决策边界，能够对照明参数进行优化，使之达到预定的眩光等级要求。

通过定义目标眩光等级设定内核孪生支持向量机的照明参数优化目标。目标眩光等级直接关系到后续模型训练的方向和效果，确保照明设计能够满足施工现场对光照质量的需求，同时控制眩光到一个合理的水平。利用内核孪生支持向量机中的高斯径向基函数，将每个动态区域点的初始眩光值从原始输入空间映射到一个更高维的特征空间中。映射是非线性的，使得原本可能在原始空间中不可分的数据在高维空间变得可分。通过映射，动态照明区域的眩光值被转换成映射特征向量。将映射特征向量输入内核孪生支持向量机的决策函数中。内核孪生支持向量机通过决策函数对特征向量进行回归预测，输出照明参数的预测值。这些预测值代表了在达到目标眩光等级的条件下，每个动态照明区域点所需的照明参数。通过这种方式，系统地预测出一组优化后的照明参数，既考虑了眩光控制又优化了照明效果。对照明参数预测值进行区间预测，确定每个照明参数预测值的可能范围，允许系统在一定范围内调整参数以适应现场实际情况的变化或不确定性。对每个照明参数预测值的范围进行反标准化处理，生成最终的照明参数阈值集合。反标准化是将预测值从模型的输出空间转换回原始的照明参数空间的过程，确保预测结果的实用性和可操作性。最终形成的照明参数阈值集合基于模型预测，并充分考虑实际应用中的灵活性和调整需求，为夜间施工照明提供一种既科学又实用的智能优化控制方案。

步骤105、基于深度强化学习算法和照明参数阈值集合对动态照明区域进行动态照明优化，生成动态照明参数；

具体的，根据动态模拟数据集定义深度强化学习算法的状态空间。状态空间反映了动态照明区域的当前照明条件，包括各区域的亮度水平、照明角度、光源距离以及可能的眩光等级等因素。依据照明参数阈值集合定义动作空间，这个动作空间界定了算法可以执行的操作范围，如调整光源的亮度、改变照明角度或调整光源的分布等，旨在通过这些调整来优化照明效果。将状态空间输入深度强化学习算法。深度强化学习算法包括两个主要网络：目标网络和估计网络。目标网络包含第一输入层、多个第一隐藏层以及第一输出层，而估计网络则由第二输入层、多个第二隐藏层以及第二输出层组成。这两个网络共同工作，目标网络用于生成预期的优化目标，而估计网络则根据当前状态评估这些目标的实现可能性。通过不断地迭代学习，这两个网络能够逐渐逼近最优的照明调整策略。在确定动态照明优化策略后，通过动作空间对这些策略进行具体的照明参数调整值分析。根据优化策略计算出的最佳动作来调整照明参数，以实现照明效果的最优化。这些照明参数调整值涵盖了从光源亮度的微调到照明分布的大幅调整等操作。根据多个照明参数调整值生成适用于动态照明区域的动态照明参数。

步骤106、根据固定照明参数和动态照明参数，对目标施工现场进行夜间施工照明综合控制。

具体的，固定照明参数负责提供施工区域的基础照明，确保整个施工区域都能得到足够的光照；动态照明参数则用于调整特定区域的照明，以适应施工过程中变化的需求，如加强对特定作业区的照明或减少对非作业区的照明。将固定和动态照明参数输入照明控制系统。根据这些信息，照明控制系统自动调整固定和动态照明参数，以确保照明效果始终符合施工需求。在这一过程中，系统不断地监测施工现场的照明状况，包括光照强度、分布和可能产生的眩光等，以便及时调整照明设置。例如，如果系统检测到某个区域的照明强度不足，自动增加该区域的照明强度；同样，如果发现过度照明或不必要的照明，系统也能相应地减少照明强度或关闭某些光源。根据施工进度和时间变化，如从夜晚到凌晨时分，自动调整照明策略，以适应人员活动的减少和能源节约的需求。

本申请实施例中，通过利用深度强化学习算法和照明参数阈值集合，该方法能够实时响应施工现场的照明需求变化，动态调整照明参数，包括光源位置、功率、光通量及色温。系统能自动提供最佳的照明条件，保证施工质量和安全。通过对施工现场三维模型的持续更新和照明模拟，结合状态估计信息进行照明区域划分，能够智能识别固定和动态照明区域，针对性地优化照明策略。自适应照明系统能够灵活应对各种施工场景，减少了人工干预的需求。通过精确控制照明参数，避免过度照明区域的出现，同时针对照明盲区进行有效补充，能够在保证照明质量的同时，显著降低能源消耗。这不仅有助于降低施工成本，也符合节能减排要求。通过对动态照明区域进行眩光等级计算，并生成相应的照明参数阈值集合，能够有效控制眩光，提高施工现场工作人员的视觉舒适度。能够持续学习施工现场的变化，根据实时数据不断调整和优化照明策略。保证了照明系统能够随着施工进度的变化和未预见的施工条件变动自适应调整，确保照明效果始终保持在最佳状态，进而提高了夜间施工照明的优化控制准确率。

在一具体实施例中，执行步骤101的过程可以具体包括如下步骤：

（1）对目标施工现场进行三维扫描，得到现场三维扫描数据；

（2）根据现场三维扫描数据对目标施工现场进行地形特征提取，得到地形特征参数；

（3）对目标施工现场进行地质特征参数采集，得到地质特征参数；

（4）对地形特征参数和地质特征参数进行施工现场基础模型构建，得到施工现场基础模型；

（5）对施工现场基础模型进行三维建模，得到施工现场三维模型；

（6）通过预置的GIS算法对施工现场三维模型进行地理空间识别，得到地理空间数据；

（7）通过地理空间数据对施工现场三维模型进行施工照明界限范围动态更新，得到施工照明界限范围；

（8）对施工照明界限范围进行夜间照明参数初始化，生成初始化照明参数，初始化照明参数包括：光源位置、功率、光通量及色温。

具体的，通过三维扫描技术，如激光扫描或光达，对目标施工现场进行全面扫描，获取高精度的三维地形和地貌数据。这些数据包含地形的高低起伏，以及施工区域内的各种物理结构，如已有的建筑物、道路以及其他可能影响照明设计的障碍物。基于三维扫描数据，采用专业软件和算法对施工现场进行地形特征提取，识别出影响照明设计的关键地形参数，如坡度、高度差等。同时，进行地质特征采集，收集关于土壤类型、岩石结构以及地下水位等的数据，这些数据有助于确定照明设备安装的稳定性。基于地形和地质特征参数构建施工现场的基础模型。利用基础模型进行三维建模，细化施工现场的布局和地形特征，为照明设计提供准确的三维环境。通过预置的GIS算法对施工现场三维模型进行地理空间识别，利用地理信息系统的技术识别施工现场的具体位置以及周边的地理环境，如周围建筑物和自然地理特征的位置关系。通过地理空间数据对施工现场三维模型进行施工照明界限范围动态更新，并基于更新的界限范围进行夜间照明参数的初始化设置。初始化照明参数包括光源的位置、功率、光通量及色温等关键参数，这些参数的设定考虑了施工现场的具体需求，旨在提供足够的照明，以保障夜间施工的安全性和效率，同时控制能耗和减少对周围环境的影响。

在一具体实施例中，执行步骤102的过程可以具体包括如下步骤：

（1）将初始化照明参数输入DIALux软件，对目标施工现场进行照明模拟，得到照明模拟数据集；

（2）对照明模拟数据集进行卡尔曼滤波状态估计，得到状态估计信息；

（3）根据状态估计信息对照明模拟数据集进行数据集划分，得到静态模拟数据集和动态模拟数据集；

（4）对静态模拟数据集进行照明区域边界划分，得到初始固定区域边界，并对动态模拟数据集进行照明区域边界划分，得到初始动态区域边界；

（5）对初始固定区域边界和初始动态区域边界进行边界点交互分析，得到边界点交互信息；

（6）根据边界点交互信息对初始固定区域边界和初始动态区域边界进行边界矫正，得到目标固定区域边界和目标动态区域边界；

（7）根据目标固定区域边界确定对应的固定照明区域，并根据目标动态区域边界确定对应的动态照明区域。

具体的，将初始化照明参数输入DIALux软件中，对目标施工现场进行照明模拟。DIALux根据输入的参数（如光源类型、功率、位置和色温等）对特定环境进行照明效果模拟。通过模拟，生成一组照明模拟数据集，这些数据集包含了关于模拟环境中各点照明强度、分布、可能产生的眩光等级等信息。对照明模拟数据集进行卡尔曼滤波状态估计，从中提取更为精确和可靠的照明状态信息。卡尔曼滤波是一种高效的算法，能够在包含噪声的数据中估计动态系统的状态，通过对模拟数据集进行处理，得到更加稳定和准确的照明状态估计信息。根据状态估计信息对照明模拟数据集进行分析和划分，将其分为静态模拟数据集和动态模拟数据集。静态模拟数据集包含那些照明需求相对稳定、不随时间大幅变化的区域的照明信息，而动态模拟数据集则反映照明需求可能根据施工活动和时间变化而变化的区域。对这两类数据集进行照明区域边界划分。通过对静态和动态模拟数据集的分析，分别确定初始的固定区域边界和动态区域边界。通过分析模拟数据中的照明强度和分布特征，将施工现场划分为不同的照明区域，以便进行针对性的照明设计和调整。通过对初始边界点进行交互分析，得到边界点之间的交互信息。边界点交互分析考虑不同照明区域之间的相互影响，通过这一分析，对初始边界进行必要的矫正，确定最终的固定区域边界和动态区域边界。基于经过矫正的固定区域边界和动态区域边界，分别确定对应的固定照明区域和动态照明区域。固定照明区域通常包括那些照明需求相对稳定的区域，如通道、存储区等，这些区域的照明设计旨在提供稳定而充足的照明，以确保安全和效率。而动态照明区域则是那些照明需求随施工活动变化而变化的区域，这要求照明系统具有较高的灵活性和可调性，以适应不同阶段的照明需求。

在一具体实施例中，执行步骤103的过程可以具体包括如下步骤：

（1）对固定照明区域中的多个目标区域点进行照明亮度检测，得到每个目标区域点的照明亮度值；

（2）对每个目标区域点的照明亮度值与预置的第一亮度阈值和第二亮度阈值进行比较，其中，第一亮度阈值＜第二亮度阈值；

（3）若照明亮度值＜第一亮度阈值，则将对应的目标区域点划分为第一区域点集，并根据第一区域点集确定固定照明区域中的照明盲区；

（4）若第二亮度阈值＜照明亮度值，则将对应的目标区域点划分为第二区域点集，并根据第二区域点集确定固定照明区域中的过度照明区域；

（5）对照明盲区进行照明参数分析，生成第一照明参数，并对过度照明区域进行照明参数分析，生成第二照明参数；

（6）根据固定照明区域的初始化照明参数、照明盲区的第一照明参数以及过度照明区域的第二照明参数，创建对应的固定照明参数。

具体的，利用照明检测工具，如光照计，对固定照明区域中的多个目标区域点进行照明亮度检测，获取每个目标区域点的实际照明亮度值。例如，目标区域点可能包括工人常活动的区域、机械设备操作区、材料存放区等，这些区域对照明的需求各不相同，因此需要分别进行亮度检测。将每个目标区域点的照明亮度值与预设的第一亮度阈值和第二亮度阈值进行比较。这两个亮度阈值是基于安全和效率标准设定的，其中第一亮度阈值代表了最低可接受的照明标准，而第二亮度阈值则代表了照明开始过度，可能导致能源浪费或眩光的上限。若某个目标区域点的照明亮度值低于第一亮度阈值，说明该区域存在照明不足，即照明盲区。将这些亮度值低于第一亮度阈值的区域点归入第一区域点集，基于这一区域点集确定固定照明区域中的照明盲区。例如，如果某个材料存放区的亮度值普遍低于第一亮度阈值，该区域就被识别为照明盲区，需要调整照明以满足基本的视觉需求。如果目标区域点的照明亮度值超过第二亮度阈值，则表明该区域照明过度，将这些点归入第二区域点集，并据此确定过度照明区域。过度照明不仅浪费能源，还可能对工人造成眩光，降低工作效率和安全性。对照明盲区进行照明参数分析，生成第一照明参数，这可能包括增加光源数量、调整光源位置或改变光源的光通量等措施。对过度照明区域也进行类似的分析，生成第二照明参数，以降低光源亮度、调整光源角度或减少光源数量，以消除过度照明的问题。将固定照明区域的初始化照明参数、照明盲区的第一照明参数以及过度照明区域的第二照明参数综合起来，形成一套全面的固定照明参数。通过调整每个照明区域的照明条件，实现了夜间施工照明的整体优化和能效提升。

在一具体实施例中，执行步骤104的过程可以具体包括如下步骤：

（1）对动态照明区域进行背景亮度分析，得到背景亮度数据，并对动态照明区域进行光源亮度分析，得到光源亮度数据；

（2）计算光源位置的实际固体角，并对动态照明区域中多个动态区域点与光源位置进行距离分析，得到每个动态区域点的光源距离；

（3）对光源位置与多个动态区域点进行法向量计算，得到光源位置与每个动态区域点之间的法向量，并分别计算每个法向量与垂直方向之间的夹角；

（4）根据背景亮度数据、光源亮度数据、实际固体角、光源距离以及夹角，分别计算每个动态区域点的初始眩光值，其中，初始眩光值计算函数为：

；

表示初始眩光值，表示第i个动态区域点的初始眩光值，表示背景亮度数据，表示第i个动态区域点的背景亮度数据，表示光源亮度数据，表示第i个动态区域点的光源亮度数据，表示实际固体角，表示第i个动态区域点的实际固体角，表示光源距离，表示第i个动态区域点的光源距离，表示夹角，第i个动态区域点的夹角，i表示第i个动态区域点；

（5）对每个动态区域点的初始眩光值进行均值运算，得到动态照明区域的平均眩光值，并根据平均眩光值生成对应的目标眩光等级；

（6）根据目标眩光等级定义内核孪生支持向量机的照明参数优化目标，并生成对应的照明参数阈值集合。

具体的，对动态照明区域进行背景亮度分析和光源亮度分析，收集动态照明区域内的基础光环境数据。背景亮度分析旨在测定没有人工照明时区域内的自然光水平，这可能受到月光、远处城市光源或附近交通的影响。光源亮度分析则是测定现有人工照明设施提供的光水平，这要求对每个光源的亮度进行测量。计算光源位置的实际固体角，描述光源相对于观察点空间角度大小的物理量，有助于理解光源在不同位置的照明效果。同时，对动态区域点与光源位置的距离进行分析，这不仅影响到光的强度，也影响到照明质量和眩光的产生。对光源位置和动态区域点之间进行法向量计算，以及这些法向量与垂直方向之间的夹角，这些几何参数有助于计算照明的角度分布和可能的眩光值。这些计算考虑了光源的定位、角度以及与目标点的相对位置关系，为眩光值的计算提供必要的输入参数。之后，基于背景亮度数据、光源亮度数据、实际固体角、光源距离以及夹角，使用UGR公式计算每个动态区域点的初始眩光值。UGR是一种评估眩光的量化方法，能够提供关于特定视点眩光强度的估计值。通过这一计算，得到每个观察点的眩光评级，进而评估整个动态照明区域的视觉舒适度。对所有动态区域点的初始眩光值进行均值计算，得到动态照明区域的平均眩光值。平均值反映了整个区域照明设置对眩光影响的总体水平，是优化照明参数的重要依据。根据平均眩光值生成目标眩光等级，该等级是优化照明参数的目标，旨在降低眩光，提升照明质量。为实现这一目标，采用内核孪生支持向量机技术处理非线性问题并优化照明参数。通过内核孪生支持向量机，根据目标眩光等级，从高维特征空间中找到满足条件的最优照明参数解，这包括光源位置、功率、光通量和色温等，生成一套照明参数阈值集合，为动态照明区域提供具体的调整指南。

在一具体实施例中，执行步骤根据目标眩光等级定义内核孪生支持向量机的照明参数优化目标，并生成对应的照明参数阈值集合的过程可以具体包括如下步骤：

（1）根据目标眩光等级定义内核孪生支持向量机的照明参数优化目标；

（2）通过内核孪生支持向量机中的高斯径向基函数将每个动态区域点的初始眩光值从原始输入空间映射到高维特征空间，生成动态照明区域的映射特征向量；

（3）将动态照明区域的映射特征向量输入内核孪生支持向量机中的决策函数，通过决策函数对映射特征向量进行回归预测，输出多个照明参数预测值；

（4）分别对多个照明参数预测值进行区间预测，得到每个照明参数预测值的照明参数范围；

（5）对每个照明参数预测值的照明参数范围进行反标准化处理，生成对应的照明参数阈值集合。

具体的，根据目标眩光等级定义内核孪生支持向量机的照明参数优化目标。目标眩光等级基于施工现场的具体需求和安全标准设定，定义优化目标是为了引导算法寻找最优的照明参数配置，以实现这一标准。利用内核孪生支持向量机中的高斯径向基函数处理每个动态区域点的初始眩光值。高斯径向基函数能够将原始输入空间中的数据映射到高维特征空间，这一映射使得原本在低维空间中难以线性分割的数据，在高维空间中变得易于处理。通过映射，生成动态照明区域的映射特征向量，向量包含眩光值的高维表示。将映射特征向量输入内核孪生支持向量机的决策函数。内核孪生支持向量机的决策函数利用映射后的特征向量进行回归预测，输出照明参数的预测值。这些预测值代表了在当前的眩光水平和照明条件下，可能达到目标眩光等级的照明参数配置。通过决策函数的计算，算法能够评估不同照明参数配置对于改善眩光条件和照明效果的潜在贡献。对照明参数预测值进行区间预测，确定每个照明参数预测值的可能范围。区间预测考虑模型预测的不确定性和实际应用中的变化因素，为每个照明参数设定一个合理的调整范围，使得系统能够根据实际情况在一定范围内调整照明参数，以适应现场的具体需求和变化。对每个照明参数预测值的范围进行反标准化处理，生成对应的照明参数阈值集合。反标准化是将模型输出的预测值转换回原始照明参数空间的过程，使得预测结果能够直接应用于实际的照明配置中。生成的照明参数阈值集合提供了一个具体的参考，指导施工现场照明的调整和优化，确保照明配置既能满足施工需求，又能最大程度减少眩光影响，提高能效。

在一具体实施例中，执行步骤105的过程可以具体包括如下步骤：

（1）根据动态模拟数据集定义深度强化学习算法的状态空间，并根据照明参数阈值集合定义深度强化学习算法的动作空间；

（2）将状态空间输入深度强化学习算法，深度强化学习算法包括目标网络以及估计网络，目标网络包括：第一输入层、多个第一隐藏层以及第一输出层，估计网络包括：第二输入层、多个第二隐藏层以及第二输出层；

（3）通过目标网络以及估计网络确定动态照明优化策略，并通过动作空间对动态照明优化策略进行照明参数调整值分析，得到多个照明参数调整值；

（4）根据多个照明参数调整值生成动态照明区域的动态照明参数。

具体的，根据动态模拟数据集定义深度强化学习算法的状态空间。状态空间包含所有可能的环境状态，每个状态代表了施工现场在特定时间点的照明条件，如不同区域的光照强度、光源位置以及可能的障碍物等。状态数据来源于对施工现场照明情况的模拟，通过分析这些数据，获得对现场照明需求和潜在问题的信息。根据照明参数阈值集合定义深度强化学习算法的动作空间。动作空间包括所有可能的照明参数调整选项，如调整光源的位置、改变光源的功率或色温等。这些动作是基于预设的照明参数阈值集合来定义的，旨在通过调整这些参数来优化照明效果，减少眩光，提高能效。深度强化学习算法涉及两个关键网络：目标网络和估计网络。目标网络负责生成对最终目标的预测，包括第一输入层、多个隐藏层以及第一输出层，而估计网络则负责生成对当前策略的即时回报估计，包括第二输入层、多个隐藏层以及第二输出层。通过这两个网络的协同工作，算法能够评估不同动作对实现优化目标的潜在贡献，并逐步调整策略以达到最优解。在确定了动态照明优化策略后，通过动作空间对策略进行照明参数调整值分析。将从状态空间得到的当前照明条件以及通过目标网络和估计网络确定的优化策略作为输入，然后算法通过分析不同的动作如何影响照明效果，计算出一系列照明参数的调整值。这些调整值代表了从当前状态到达优化状态所需采取的具体动作。基于照明参数调整值生成动态照明区域的动态照明参数。根据深度强化学习算法的分析结果，调整光源的位置、功率和色温等参数，以满足施工现场的具体照明需求，同时尽可能减少能源消耗和眩光影响。通过这种方式，实现对动态照明区域的控制，确保照明系统不仅能够适应施工现场照明需求的变化，而且能够在保证施工安全和效率的同时，优化能源使用。

上面对本申请实施例中夜间施工照明的智能优化控制方法进行了描述，下面对本申请实施例中夜间施工照明的智能优化控制装置进行描述，请参阅图2，本申请实施例中夜间施工照明的智能优化控制装置一个实施例包括：

初始化模块201，用于对目标施工现场进行三维建模，得到施工现场三维模型，并对施工现场三维模型进行夜间施工照明参数初始化，生成初始化照明参数；

划分模块202，用于基于初始化照明参数对目标施工现场进行照明模拟和照明区域划分，得到固定照明区域和动态照明区域；

识别模块203，用于对固定照明区域进行照明异常识别，得到照明盲区和过度照明区域，并根据照明盲区和过度照明区域创建对应的固定照明参数；

计算模块204，用于对动态照明区域进行眩光等级计算，得到目标眩光等级，并根据目标眩光等级生成对应的照明参数阈值集合；

优化模块205，用于基于深度强化学习算法和照明参数阈值集合对动态照明区域进行动态照明优化，生成动态照明参数；

控制模块206，用于根据固定照明参数和动态照明参数，对目标施工现场进行夜间施工照明综合控制。

通过上述各个组成部分的协同合作，通过利用深度强化学习算法和照明参数阈值集合，该方法能够实时响应施工现场的照明需求变化，动态调整照明参数，包括光源位置、功率、光通量及色温。系统能自动提供最佳的照明条件，保证施工质量和安全。通过对施工现场三维模型的持续更新和照明模拟，结合状态估计信息进行照明区域划分，能够智能识别固定和动态照明区域，针对性地优化照明策略。自适应照明系统能够灵活应对各种施工场景，减少了人工干预的需求。通过精确控制照明参数，避免过度照明区域的出现，同时针对照明盲区进行有效补充，能够在保证照明质量的同时，显著降低能源消耗。这不仅有助于降低施工成本，也符合节能减排要求。通过对动态照明区域进行眩光等级计算，并生成相应的照明参数阈值集合，能够有效控制眩光，提高施工现场工作人员的视觉舒适度。能够持续学习施工现场的变化，根据实时数据不断调整和优化照明策略。保证了照明系统能够随着施工进度的变化和未预见的施工条件变动自适应调整，确保照明效果始终保持在最佳状态，进而提高了夜间施工照明的优化控制准确率。

本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述夜间施工照明的智能优化控制方法的步骤。

本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述夜间施工照明的智能优化控制方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种夜间施工照明的智能优化控制方法，其特征在于，所述夜间施工照明的智能优化控制方法包括：

对目标施工现场进行三维建模，得到施工现场三维模型，并对所述施工现场三维模型进行夜间施工照明参数初始化，生成初始化照明参数；

基于所述初始化照明参数对所述目标施工现场进行照明模拟和照明区域划分，得到固定照明区域和动态照明区域；

对所述固定照明区域进行照明异常识别，得到照明盲区和过度照明区域，并根据所述照明盲区和所述过度照明区域创建对应的固定照明参数；

对所述动态照明区域进行眩光等级计算，得到目标眩光等级，并根据所述目标眩光等级生成对应的照明参数阈值集合；

基于深度强化学习算法和所述照明参数阈值集合对所述动态照明区域进行动态照明优化，生成动态照明参数；

根据所述固定照明参数和所述动态照明参数，对所述目标施工现场进行夜间施工照明综合控制。

2.根据权利要求1所述的夜间施工照明的智能优化控制方法，其特征在于，所述对目标施工现场进行三维建模，得到施工现场三维模型，并对所述施工现场三维模型进行夜间施工照明参数初始化，生成初始化照明参数，包括：

对目标施工现场进行三维扫描，得到现场三维扫描数据；

根据所述现场三维扫描数据对所述目标施工现场进行地形特征提取，得到地形特征参数；

对所述目标施工现场进行地质特征参数采集，得到地质特征参数；

对所述地形特征参数和所述地质特征参数进行施工现场基础模型构建，得到施工现场基础模型；

对所述施工现场基础模型进行三维建模，得到施工现场三维模型；

通过预置的GIS算法对所述施工现场三维模型进行地理空间识别，得到地理空间数据；

通过所述地理空间数据对所述施工现场三维模型进行施工照明界限范围动态更新，得到施工照明界限范围；

对所述施工照明界限范围进行夜间照明参数初始化，生成初始化照明参数，所述初始化照明参数包括：光源位置、功率、光通量及色温。

3.根据权利要求1所述的夜间施工照明的智能优化控制方法，其特征在于，所述基于所述初始化照明参数对所述目标施工现场进行照明模拟和照明区域划分，得到固定照明区域和动态照明区域，包括：

将所述初始化照明参数输入DIALux软件，对所述目标施工现场进行照明模拟，得到照明模拟数据集；

对所述照明模拟数据集进行卡尔曼滤波状态估计，得到状态估计信息；

根据所述状态估计信息对所述照明模拟数据集进行数据集划分，得到静态模拟数据集和动态模拟数据集；

对所述静态模拟数据集进行照明区域边界划分，得到初始固定区域边界，并对所述动态模拟数据集进行照明区域边界划分，得到初始动态区域边界；

对所述初始固定区域边界和所述初始动态区域边界进行边界点交互分析，得到边界点交互信息；

根据所述边界点交互信息对所述初始固定区域边界和所述初始动态区域边界进行边界矫正，得到目标固定区域边界和目标动态区域边界；

根据所述目标固定区域边界确定对应的固定照明区域，并根据所述目标动态区域边界确定对应的动态照明区域。

4.根据权利要求3所述的夜间施工照明的智能优化控制方法，其特征在于，所述对所述固定照明区域进行照明异常识别，得到照明盲区和过度照明区域，并根据所述照明盲区和所述过度照明区域创建对应的固定照明参数，包括：

对所述固定照明区域中的多个目标区域点进行照明亮度检测，得到每个目标区域点的照明亮度值；

对每个目标区域点的照明亮度值与预置的第一亮度阈值和第二亮度阈值进行比较，其中，第一亮度阈值＜第二亮度阈值；

若照明亮度值＜第一亮度阈值，则将对应的目标区域点划分为第一区域点集，并根据所述第一区域点集确定所述固定照明区域中的照明盲区；

若第二亮度阈值＜照明亮度值，则将对应的目标区域点划分为第二区域点集，并根据所述第二区域点集确定所述固定照明区域中的过度照明区域；

对所述照明盲区进行照明参数分析，生成第一照明参数，并对所述过度照明区域进行照明参数分析，生成第二照明参数；

根据所述固定照明区域的初始化照明参数、所述照明盲区的第一照明参数以及所述过度照明区域的第二照明参数，创建对应的固定照明参数。

5.根据权利要求2所述的夜间施工照明的智能优化控制方法，其特征在于，所述对所述动态照明区域进行眩光等级计算，得到目标眩光等级，并根据所述目标眩光等级生成对应的照明参数阈值集合，包括：

对所述动态照明区域进行背景亮度分析，得到背景亮度数据，并对所述动态照明区域进行光源亮度分析，得到光源亮度数据；

计算所述光源位置的实际固体角，并对所述动态照明区域中多个动态区域点与光源位置进行距离分析，得到每个动态区域点的光源距离；

对所述光源位置与所述多个动态区域点进行法向量计算，得到所述光源位置与每个动态区域点之间的法向量，并分别计算每个法向量与垂直方向之间的夹角；

根据所述背景亮度数据、所述光源亮度数据、所述实际固体角、所述光源距离以及所述夹角，分别计算每个动态区域点的初始眩光值，其中，初始眩光值计算函数为：

；

表示初始眩光值，表示第i个动态区域点的初始眩光值，表示背景亮度数据，表示第i个动态区域点的背景亮度数据，表示光源亮度数据，表示第i个动态区域点的光源亮度数据，表示实际固体角，表示第i个动态区域点的实际固体角，表示光源距离，表示第i个动态区域点的光源距离，表示夹角，第i个动态区域点的夹角，i表示第i个动态区域点；

对每个动态区域点的初始眩光值进行均值运算，得到所述动态照明区域的平均眩光值，并根据所述平均眩光值生成对应的目标眩光等级；

根据所述目标眩光等级定义内核孪生支持向量机的照明参数优化目标，并生成对应的照明参数阈值集合。

6.根据权利要求5所述的夜间施工照明的智能优化控制方法，其特征在于，所述根据所述目标眩光等级定义内核孪生支持向量机的照明参数优化目标，并生成对应的照明参数阈值集合，包括：

根据所述目标眩光等级定义内核孪生支持向量机的照明参数优化目标；

通过内核孪生支持向量机中的高斯径向基函数将每个动态区域点的初始眩光值从原始输入空间映射到高维特征空间，生成所述动态照明区域的映射特征向量；

将所述动态照明区域的映射特征向量输入所述内核孪生支持向量机中的决策函数，通过所述决策函数对所述映射特征向量进行回归预测，输出多个照明参数预测值；

分别对所述多个照明参数预测值进行区间预测，得到每个照明参数预测值的照明参数范围；

对每个照明参数预测值的照明参数范围进行反标准化处理，生成对应的照明参数阈值集合。

7.根据权利要求3所述的夜间施工照明的智能优化控制方法，其特征在于，所述基于深度强化学习算法和所述照明参数阈值集合对所述动态照明区域进行动态照明优化，生成动态照明参数，包括：

根据所述动态模拟数据集定义深度强化学习算法的状态空间，并根据所述照明参数阈值集合定义所述深度强化学习算法的动作空间；

将所述状态空间输入所述深度强化学习算法，所述深度强化学习算法包括目标网络以及估计网络，所述目标网络包括：第一输入层、多个第一隐藏层以及第一输出层，所述估计网络包括：第二输入层、多个第二隐藏层以及第二输出层；

通过所述目标网络以及所述估计网络确定动态照明优化策略，并通过所述动作空间对所述动态照明优化策略进行照明参数调整值分析，得到多个照明参数调整值；

根据所述多个照明参数调整值生成所述动态照明区域的动态照明参数。

8.一种夜间施工照明的智能优化控制装置，其特征在于，所述夜间施工照明的智能优化控制装置包括：

初始化模块，用于对目标施工现场进行三维建模，得到施工现场三维模型，并对所述施工现场三维模型进行夜间施工照明参数初始化，生成初始化照明参数；

划分模块，用于基于所述初始化照明参数对所述目标施工现场进行照明模拟和照明区域划分，得到固定照明区域和动态照明区域；

识别模块，用于对所述固定照明区域进行照明异常识别，得到照明盲区和过度照明区域，并根据所述照明盲区和所述过度照明区域创建对应的固定照明参数；

计算模块，用于对所述动态照明区域进行眩光等级计算，得到目标眩光等级，并根据所述目标眩光等级生成对应的照明参数阈值集合；

优化模块，用于基于深度强化学习算法和所述照明参数阈值集合对所述动态照明区域进行动态照明优化，生成动态照明参数；

控制模块，用于根据所述固定照明参数和所述动态照明参数，对所述目标施工现场进行夜间施工照明综合控制。

9.一种计算机设备，其特征在于，所述计算机设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行如权利要求1-7中任一项所述的夜间施工照明的智能优化控制方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的夜间施工照明的智能优化控制方法。