CN111601418A - 色温调节方法、装置、存储介质和处理器 - Google Patents

色温调节方法、装置、存储介质和处理器 Download PDF

Info

Publication number
CN111601418A
CN111601418A CN202010451708.4A CN202010451708A CN111601418A CN 111601418 A CN111601418 A CN 111601418A CN 202010451708 A CN202010451708 A CN 202010451708A CN 111601418 A CN111601418 A CN 111601418A
Authority
CN
China
Prior art keywords
color temperature
model
picture
classification model
environment
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.)
Granted
Application number
CN202010451708.4A
Other languages
English (en)
Other versions
CN111601418B (zh
Inventor
孙博闻
乔志强
刘然
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.)
Boyan Colorful Data Technology Co ltd
Original Assignee
Boyan Jizhi 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 Boyan Jizhi Technology Co ltd filed Critical Boyan Jizhi Technology Co ltd
Priority to CN202010451708.4A priority Critical patent/CN111601418B/zh
Publication of CN111601418A publication Critical patent/CN111601418A/zh
Application granted granted Critical
Publication of CN111601418B publication Critical patent/CN111601418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
    • H05B45/20—Controlling the colour of the light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)

Abstract

本发明公开了一种色温调节方法、装置、存储介质和处理器。该方法包括：基于第一训练数据集合，通过机器学习的方式训练色温的预分类模型，其中，预分类模型包括多个卷积层，每个卷积层具有相应的模型参数，第一训练集合中包括：多个第一图片，和每个第一图片的色温类别；将预分类模型中的模型参数应用至色温分类模型，其中，色温分类模型用于表示指定环境内所采集的第二图片和色温类别之间的对应关系；基于色温分类模型识别在指定环境内采集的环境图片对应的色温类别；基于环境图片的色温类别调整指定环境内灯具的色温。本发明解决了现有技术通过机器学习的方式无法基于少量的色温调节数据样本进行色温测量调节的技术问题。

Description

色温调节方法、装置、存储介质和处理器
技术领域
本发明涉及控制领域，具体而言，涉及一种色温调节方法、装置、存储介质和处理器。
背景技术
现阶段办公楼宇的智能照明技术的研究越发广泛，作为除光照度以外的一个重要参数，LED照明灯的色温调节也越发被人们关注，同时色温的调节在保障办公人员的视觉健康方面也越来越重要。如何最大可能将室外色温情况应用于室内来支持健康、智慧的照明方式也被更加重视。
传统的色温计算基于颜色传感器，由三基色值计算得出。这些传统的方法相比而言精度低、成本高，而且传统的测量方法基本由人工测试，在进行色温调节时效率无法保障且随机性较高。
经调研后发现，在实际进行色温测量调节时，由于采集周期长，因此用于训练机器学习模型的样本数量少，进而会产生小样本分类问题。
针对上述现有技术通过机器学习的方式无法基于少量的色温调节数据样本进行色温测量调节的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种色温调节方法、装置、存储介质和处理器，以至少解决现有技术通过机器学习的方式无法基于少量的色温调节数据样本进行色温测量调节的技术问题。
根据本发明实施例的一个方面，提供了一种色温调节方法，包括：基于第一训练数据集合，通过机器学习的方式训练色温的预分类模型，其中，所述预分类模型包括多个卷积层，每个卷积层具有相应的模型参数，所述第一训练集合中包括：多个第一图片，和每个第一图片的色温类别；将所述预分类模型中的模型参数应用至色温分类模型，其中，所述色温分类模型用于表示指定环境内所采集的第二图片和色温类别之间的对应关系；基于所述色温分类模型识别在所述指定环境内采集的环境图片对应的色温类别；基于所述环境图片的色温类别调整所述指定环境内灯具的色温。
可选地，将所述预分类模型中的模型参数应用至色温分类模型包括：将所述预分类模型中的模型参数迁移至预定网络模型中，得到初始色温模型；基于第二训练数据集合对所述模型参数进行修正，得到所述色温分类模型，其中，所述第二训练数据集合包括：多个在所述指定环境内所采集的第二图片，和每个第二图片的色温类别。
可选地，将所述预分类模型中的所述模型参数迁移至预定模型模板中，得到初始色温模型包括：将所述预分类模型中除最后一层外的其他卷积层中的模型参数迁移至所述预定网络模型中。
可选地，基于第二训练数据集合对所述模型参数进行修正包括：基于所述第二训练数据集合训练所述预定网络模型中最后一层卷积层的模型参数。
可选地，在所述预定网络模型中最后一层卷积层之后设置全连接层和分类器。
可选地，在基于第二训练数据集合对所述模型参数进行修正之前，所述方法还包括：采集所述指定环境内的多个第二图片；通过色温测定计测定每个所述第二图片采集时所述指定环境的色温值；基于每个所述第二图片对应的色温值，确定每个所述第二图片对应的色温类别，得到所述第二训练数据集合。
可选地，基于所述环境图片的色温类别调整所述指定环境内灯具的色温包括：检测所述环境图片对应的色温类别是否符合预定色温需求；在所述环境图片对应的色温类别不符合所述预定色温需求的情况下，调集所述指定环境内灯具的色温。
根据本发明实施例的另一方面，还提供了一种色温调节装置，包括：第一模型训练单元，用于基于第一训练数据集合，通过机器学习的方式训练色温的预分类模型，其中，所述预分类模型包括多个卷积层，每个卷积层具有相应的模型参数，所述第一训练集合中包括：多个第一图片，和每个第一图片的色温类别；第二模型训练单元，用于将所述预分类模型中的模型参数应用至色温分类模型，其中，所述色温分类模型用于表示指定环境内所采集的第二图片和色温类别之间的对应关系；识别单元，用于基于所述色温分类模型识别在所述指定环境内采集的环境图片对应的色温类别；调整单元，用于基于所述环境图片的色温类别调整所述指定环境内灯具的色温。
根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的色温调节方法。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述所述的色温调节方法。
在本发明实施例中，可以基于第一训练数据集合中大量的数据样本，通过机器学习的方式训练预分类模型；再基于训练出的预先分类模型中各卷积层相应的模型参数，应用至用于检测指定环境下的色温类别所使用的色温分类模型中，可以基于该色温分类模型检测在指定环境内的各个时刻所采集环境图片的色温类别，并基于该环境图片的色温类别对指定环境内灯具的色温，因此专用于指定环境下的色温分类模型，可以由指定环境以外的其他环境所提供的样本数据确定，使色温分类模型的训练可以不受限于指定环境所提供的样本数据，从而实现了基于少量的色温调节数据样本，应用机器学习的方式进行色温测量调节的技术效果，进而解决了现有技术通过机器学习的方式无法基于少量的色温调节数据样本进行色温测量调节技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种色温调节方法的流程图；
图2a是根据本发明实施例的一种VGG16宏观模型图；
图2b是根据本发明实施例的一种VGG16模型结构的示意图；
图3是根据本发明实施例的一种基于迁移学习和深度学习的色温调节方法的示意图；
图4是根据本发明实施例的一种色温调节装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、***、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。
根据本发明实施例，提供了一种色温调节方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种色温调节方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，基于第一训练数据集合，通过机器学习的方式训练色温的预分类模型，其中，预分类模型包括多个卷积层，每个卷积层具有相应的模型参数，第一训练集合中包括：多个第一图片，和每个第一图片的色温类别；
步骤S104，将预分类模型中的模型参数应用至色温分类模型，其中，色温分类模型用于表示指定环境内所采集的第二图片和色温类别之间的对应关系；
步骤S106，基于色温分类模型识别在指定环境内采集的环境图片对应的色温类别；
步骤S108，基于环境图片的色温类别调整指定环境内灯具的色温。
在本发明实施例中，可以基于第一训练数据集合中大量的数据样本，通过机器学习的方式训练预分类模型；再基于训练出的预先分类模型中各卷积层相应的模型参数，应用至用于检测指定环境下的色温类别所使用的色温分类模型中，可以基于该色温分类模型检测在指定环境内的各个时刻所采集环境图片的色温类别，并基于该环境图片的色温类别对指定环境内灯具的色温，因此专用于指定环境下的色温分类模型，可以由指定环境以外的其他环境所提供的样本数据确定，使色温分类模型的训练可以不受限于指定环境所提供的样本数据，从而实现了基于少量的色温调节数据样本，应用机器学习的方式进行色温测量调节的技术效果，进而解决了现有技术通过机器学习的方式无法基于少量的色温调节数据样本进行色温测量调节技术问题。
需要说明的是，预分类模型基于模型参数确定图片与色温类别之间的对应关系。
需要说明的是，第一训练数据集合中的第一图片可以是在指定环境以外的其他环境中所采集的图片，第一训练数据集合可以是已经公开的ImageNet数据集(拥有超过1千万张图片，超过1000个类)。
可选地，预分类模型可以是预训练的VGG16模型。
可选地，指定环境可以是灯具所在的房间。
可选地，灯具可以是LED灯具。
可选地，在调节灯具色温的过程中，可以在收到用户的触发指令后拍摄指定环境在当前时刻的环境图片，再基于当前时刻的环境图片来识别色温类别，并基于色温类别的识别结果进行灯具的色温调节。
可选地，用户的触发指令可以通过红外感应的方式识别。例如，可以通过红外感应的方式，判断该指定环境内是否有用户出现，当指定环境内有用户出现的情况下，生成触发指令。
作为一种可选的实施例，将预分类模型中的模型参数应用至色温分类模型包括：将预分类模型中的模型参数迁移至预定网络模型中，得到初始色温模型；基于第二训练数据集合对模型参数进行修正，得到色温分类模型，其中，第二训练数据集合包括：多个在指定环境内所采集的第二图片，和每个第二图片的色温类别。
需要说明的是，第二图片为指定环境下所采集的图像。
本申请要求保护的技术方案，可以基于第一训练数据集合训练预分类模型，并将预分类模型中的模型参数迁移至适用于指定环境下的初始色温模型中，再基于指定环境下所提供的少量数据样本(即第二训练数据集合)对初始色温模型进行调整，从而可以基于指定环境下的少量数据样本，来实现对专用于指定环境下的色温分类模型的训练。
作为一种可选的实施例，将预分类模型中的模型参数迁移至预定模型模板中，得到初始色温模型包括：将预分类模型中除最后一层外的其他卷积层中的模型参数迁移至预定网络模型中。
作为一种可选的实施例，基于第二训练数据集合对模型参数进行修正包括：基于第二训练数据集合训练预定网络模型中最后一层卷积层的模型参数。
作为一种可选的实施例，在预定网络模型中最后一层卷积层之后设置全连接层和分类器。
作为一种可选的实施例，在基于第二训练数据集合对模型参数进行修正之前，方法还包括：采集指定环境内的多个第二图片；通过色温测定计测定每个第二图片采集时指定环境的色温值；基于每个第二图片对应的色温值，确定每个第二图片对应的色温类别，得到第二训练数据集合。
作为一种可选的实施例，基于环境图片的色温类别调整指定环境内灯具的色温包括：检测环境图片对应的色温类别是否符合预定色温需求；在环境图片对应的色温类别不符合预定色温需求的情况下，调集指定环境内灯具的色温。
本发明还提供了一种优选实施例，该优选实施例提供了一种基于迁移学习和深度学习的色温调节方法。
本发明基于可智能调控的LED灯，提出的基于迁移学习和深度学习的色温调节方法，可以支持精度较高、效率较高的智能色温调节方法。
本发明提供的基于迁移学习和深度学习的色温调节方法包括步骤如下：
步骤1：室外图像采集。
可选地，可以选择建筑室外的1个无遮挡的高清摄像头，同时需要满足处于不同位置，可旋转360度的条件，进行1小时等间隔的水平方向的视频采样，并且每小时正向随机旋转一定度数，进行视频图片采样(即采集第二图片)。在每次进行图片采样的同时，由工作人员使用色温测定计测定实时色温值，整个图片采样的过程持续2周。将测定色温值与采集的图片(即第二图片)对应，形成图片与色温值的对应表(即确定第二图片和各第二图像所对应的色温值)。
可选地，可以按照色温值的具体数值，制定0-15000k的色温范围，并按照1500K为一个类，形成10种色温类别。最终色温图片的训练集样本占据样本容量的80％，验证样本占20％。
步骤1.1，可以对采集的图片样本(即第二图片)进行数据增强。
由于图片采样时面临着小样本问题(即采集的第二图片样本数量较少)，因此需要使用数据增强方法增大样本容量，减少过拟合现象。
可选地，可以对样本图片(即第二图片)使用旋转(随即旋转图像一定角度，改变图像朝向)，翻转变换(沿水平或垂直方向翻转图像)，缩放变换(按照一定比例缩小或放大图像)等方法，增大色温训练所需图片的样本数量。
步骤1.2，可以对采集到的样本图片(即第二图片)进行预处理。
可选地，可以将样本图片(即第二图片)的像素值进行灰度级变化以及归一化处理，保证所有的维度上色温数据都在一个变化幅度上。公式如下：
Figure BDA0002507833280000061
其中，xi表示图像像素点值，max(x)，min(x)表示图像像素的最大和最小值。
步骤2：使用迁移学习方法预训练VGG16模型，用于解决样本不足的问题。
图2a是根据本发明实施例的一种VGG16宏观模型图，如图2a所示，包括卷积层+ReLU、最大池化层、全连接层+ReLU、以及分类器。
图2b是根据本发明实施例的一种VGG16模型结构的示意图，如图2b所示，该VGG16模型包括八层卷积神经网络。
可选地，可以使用公开的ImageNet数据集(拥有超过1千万张图片，超过1000个类)，并在VGG16模型上进行预训练。由于VGG16模型较大，需要训练的模型参数量较大，那么就需要具有庞大计算力的服务器来完成模型训练，且训练过程很复杂，调参等要求技术比较高，也十分耗时，所以使用已经预训练完成的模型，可以解决上述问题。
步骤2.1，在预训练的VGG16模型的每个卷积层后，使用ReLu激活函数修正线性单元，用于隐层神经元输出。公式如下：
f(x)＝max(0，x)
通过ReLU实现稀疏后的模型能够更好地挖掘相关特征，拟合训练数据。
步骤2.2，选择对于输入样本(x,y)，y为样本类别，卷积神经网络经前向计算得到VGG16模型的fc8层特征，则fc8层的输出为Z＝[z1，z2，...，zk]∈Rk，则卷积神经网络预测色温类别k∈1，2，...，K，由以下公式计算获得：
Figure BDA0002507833280000071
预训练VGG16模型最终的输出每一个值代表着每一个类的概率是多少。
步骤2.3，使用交叉熵函数来作为损失函数，公式如下：
Figure BDA0002507833280000072
当k＝y时，q(k)＝1，当k≠y时，q(k)＝0。直至是交叉熵函数最小化来确保预测争取标签最大化。
步骤2.4，使用梯度下降方法调整模型参数对目标函数J(f，y)进行优化。公式如下:
Figure BDA0002507833280000073
Figure BDA0002507833280000074
式中，a为学习速率，采用反向传播算法对上述两个公式进行偏导计算，多次迭代直至模型参数收敛，训练结束，得到最优的模型参数，其中，模型参数包括权重参数W(weight)和偏置参数b(bias)。
步骤3：建立色温分类网络。
可选地，在得到最优的模型参数(即权重参数W和偏置参数b)之后，将预训练的VGG16模型中除最后一层对应的模型参数以外的其余模型参数全部迁移至室外色温的分类网络(即预定网络模型)。最后接入一个10分类的全连接层。进而构成了初始的色温分类模型(即初始色温模型)。
步骤3.1，输入步骤1中提前处理好的色温训练样本(即第二训练数据集合)，进一步拟合所提取的特征。通过色温训练样本(即第二训练数据集合)，对卷积神经网络中最后一个卷积块进行模型参数的调整，进一步提高分类的准确率和稳定性；并通过色温样本(即第二训练数据集合)不断训练全连接层，使用步骤2.4中提到的梯度下降法进行模型参数的微调。
步骤3.2，在全连接层后，设置softmax分类器。可以将(-∞,+∞)的评分转换为一组概率，并且它们的和为1的归一化函数，具体公式如下：
Figure BDA0002507833280000081
其中，si表示模型对输入x在第i个类别上的评分值。而概率最高的类别即为选择的类别。另一方面，在得到分类结果后，通过色温样本(即第二图片)的真实类别标签分布和预测标签分布，使用与预训练相同的交叉熵损失函数计算损失误差，并反向传递给每层参数进行更新，直至获得最佳的色温分类网络(即色温分类模型)。Softmax分类器最终输出的每一个值，代表该图片对应的色温应是该类的概率。
步骤4：实际采集室内环境图片，输入至训练完毕的色温分类网络(即色温分类模型)。
根据室内红外探头拍摄，确认室内是否有人员。由于具体色温是由环境确立，与室内是否有人、温度等外部因素无关，则只需添加红外探测器控制LED灯的开关即可，不需要考虑外部因素是否会对色温的分类造成影响。若红外探测显示无人时，关闭LED灯；若红外探测显示有人时，打开LED灯，采集室内环境图片。
本发明提供的技术方案，采集得到的环境图片经过灰度级变化与归一化处理后，输入训练完毕的VGG16色温分类网络(即色温分类模型)，经网络学习由softmax分类器输出，输出的值为该采集的环境图片对应的色温类别概率。
选择概率最大的类别组，由通讯模组将该类别对应的色温范畴输入至LED灯中，完成智能控制。
图3是根据本发明实施例的一种基于迁移学习和深度学习的色温调节方法的示意图，如图3所示，主要分为：基于ImageNet预训练VGG16模型部分、训练室外色温分类网格部分、和室内色温调节网络部分。
可选地，在基于ImageNet预训练VGG16模型部分包括：采集ImageNet数据集、图像数据预处理、预训练VGG16模型&&特征提取、确立除最后一层之外的所有卷积层参数，其中，图像数据预处理还包括：使用交叉熵函数优化误差和使用ReLU激活函数。
可选地，基于ImageNet预训练VGG16模型部分，可以将室外色温图像预训练完成VGG模型传输至训练室外色温分类网格部分。
可选地，在训练室外色温分类网格部分包括：采集室外色温图片、图像数据预处理、最后一层卷积参数训练&&应用预训练VGG16参数作为初始参数、全连接层、Softmax分类器、完成网络训练。
其中，最后一层卷积参数训练&&应用预训练VGG16参数作为初始参数还包括：使用ReLU激活函数。
其中，在Softmax分类器之后，基于损失函数&&梯度下降优化误差。
可选地，训练室外色温分类网格部分，可以将室外温应用色温分类网络传输至室内色温调节网络部分。
可选地，在训练室外色温分类网格部分包括：基于红外探测器探测是否有人，若无人则确认关闭LED灯；若有人，则打开LED灯&&室内摄像头采集图像，然后进行图像预处理，将预处理的图像输入已完成的VGG16网络，由Softmax分类器输出预测概率，将概率最高的对应类型经通讯模组传递给LED灯、LED等将色温调至该色温类别对应色温值。
本发明在色温调节中根据基于小样本问题，使用了迁移学习方法和基于VGG16模型深度学习方法，可使整个工作流程更加灵活，并可提高整个工作流程的准确率，同时预训练的VGG16模型可以在解决小样本分类问题时，使整个工作效率进一步提升。另一方面，在处理小样本问题时使用了图片数据增强方法，防止了卷积神经网络发生过拟合。
根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述任一项所述的色温调节方法。
根据本发明的又一个实施例，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一项所述的色温调节方法。
根据本发明实施例，还提供了一种色温调节的装置实施例，需要说明的是，该色温调节装置可以用于执行本发明实施例中的色温调节方法，本发明实施例中的色温调节方法可以在该色温调节装置中执行。
图4是根据本发明实施例的一种色温调节装置的示意图，如图4所示，该装置可以包括：第一模型训练单元42，用于基于第一训练数据集合，通过机器学习的方式训练色温的预分类模型，其中，预分类模型包括多个卷积层，每个卷积层具有相应的模型参数，预分类模型基于模型参数确定图片与色温类别之间的对应关系，第一训练集合中包括：多个第一图片，和每个第一图片的色温类别；第二模型训练单元44，用于将预分类模型中的模型参数应用至色温分类模型，其中，色温分类模型用于表示指定环境内所采集的第二图片和色温类别之间的对应关系；识别单元46，用于基于色温分类模型识别在指定环境内采集的环境图片对应的色温类别；调整单元48，用于基于环境图片的色温类别调整指定环境内灯具的色温。
需要说明的是，该实施例中的第一模型训练单元42可以用于执行本申请实施例中的步骤S102，该实施例中的第二模型训练单元44可以用于执行本申请实施例中的步骤S104，该实施例中的识别单元46可以用于执行本申请实施例中的步骤S106，该实施例中的调整单元48可以用于执行本申请实施例中的步骤S108。上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。
在本发明实施例中，可以基于第一训练数据集合中大量的数据样本，通过机器学习的方式训练预分类模型；再基于训练出的预先分类模型中各卷积层相应的模型参数，应用至用于检测指定环境下的色温类别所使用的色温分类模型中，可以基于该色温分类模型检测在指定环境内的各个时刻所采集环境图片的色温类别，并基于该环境图片的色温类别对指定环境内灯具的色温，因此专用于指定环境下的色温分类模型，可以由指定环境以外的其他环境所提供的样本数据确定，使色温分类模型的训练可以不受限于指定环境所提供的样本数据，从而实现了基于少量的色温调节数据样本，应用机器学习的方式进行色温测量调节的技术效果，进而解决了现有技术通过机器学习的方式无法基于少量的色温调节数据样本进行色温测量调节技术问题。
作为一种可选的实施例，第二模型训练单元包括：迁移模块，用于将预分类模型中的模型参数迁移至预定网络模型中，得到初始色温模型；修正模块，用于基于第二训练数据集合对模型参数进行修正，得到色温分类模型，其中，第二训练数据集合包括：多个在指定环境内所采集的第二图片，和每个第二图片的色温类别。
作为一种可选的实施例，迁移模块包括：迁移子模块，用于将预分类模型中除最后一层外的其他卷积层中的模型参数迁移至预定网络模型中。
作为一种可选的实施例，修正模块包括：修正子模块，用于基于第二训练数据集合训练预定网络模型中最后一层卷积层的模型参数。
作为一种可选的实施例，在预定网络模型中最后一层卷积层之后设置全连接层和分类器。
作为一种可选的实施例，调整单元包括：第一图片采集单元，用于在基于第二训练数据集合对模型参数进行修正之前，采集指定环境内的多个第二图片；色温测定单元，用于通过色温测定计测定每个第二图片采集时指定环境的色温值；确定单元，用于基于每个第二图片对应的色温值，确定每个第二图片对应的色温类别，得到第二训练数据集合。
作为一种可选的实施例，调整单元还包括：判断模块，用于检测环境图片对应的色温类别是否符合预定色温需求；调整模块，用于在环境图片对应的色温类别不符合预定色温需求的情况下，调集指定环境内灯具的色温。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
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，本发明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(可为个人计算机、服务器或者网络设备等)执行本发明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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种色温调节方法，其特征在于，包括：
基于第一训练数据集合，通过机器学习的方式训练色温的预分类模型，其中，所述预分类模型包括多个卷积层，每个卷积层具有相应的模型参数，所述第一训练集合中包括：多个第一图片，和每个第一图片的色温类别；
将所述预分类模型中的模型参数应用至色温分类模型，其中，所述色温分类模型用于表示指定环境内所采集的第二图片和色温类别之间的对应关系；
基于所述色温分类模型识别在所述指定环境内采集的环境图片对应的色温类别；
基于所述环境图片的色温类别调整所述指定环境内灯具的色温。
2.根据权利要求1所述的方法，其特征在于，将所述预分类模型中的模型参数应用至色温分类模型包括：
将所述预分类模型中的模型参数迁移至预定网络模型中，得到初始色温模型；
基于第二训练数据集合对所述模型参数进行修正，得到所述色温分类模型，其中，所述第二训练数据集合包括：多个在所述指定环境内所采集的第二图片，和每个第二图片的色温类别。
3.根据权利要求2所述的方法，其特征在于，将所述预分类模型中的所述模型参数迁移至预定模型模板中，得到初始色温模型包括：
将所述预分类模型中除最后一层外的其他卷积层中的模型参数迁移至所述预定网络模型中。
4.根据权利要求3所述的方法，其特征在于，基于第二训练数据集合对所述模型参数进行修正包括：
基于所述第二训练数据集合训练所述预定网络模型中最后一层卷积层的模型参数。
5.根据权利要求2-4中任一项所述的方法，其特征在于，在所述预定网络模型中最后一层卷积层之后设置全连接层和分类器。
6.根据权利要求2所述的方法，其特征在于，在基于第二训练数据集合对所述模型参数进行修正之前，所述方法还包括：
采集所述指定环境内的多个第二图片；
通过色温测定计测定每个所述第二图片采集时所述指定环境的色温值；
基于每个所述第二图片对应的色温值，确定每个所述第二图片对应的色温类别，得到所述第二训练数据集合。
7.根据权利要求1所述的方法，其特征在于，基于所述环境图片的色温类别调整所述指定环境内灯具的色温包括：
检测所述环境图片对应的色温类别是否符合预定色温需求；
在所述环境图片对应的色温类别不符合所述预定色温需求的情况下，调集所述指定环境内灯具的色温。
8.一种色温调节装置，其特征在于，包括：
第一模型训练单元，用于基于第一训练数据集合，通过机器学习的方式训练色温的预分类模型，其中，所述预分类模型包括多个卷积层，每个卷积层具有相应的模型参数，所述第一训练集合中包括：多个第一图片，和每个第一图片的色温类别；
第二模型训练单元，用于将所述预分类模型中的模型参数应用至色温分类模型，其中，所述色温分类模型用于表示指定环境内所采集的第二图片和色温类别之间的对应关系；
识别单元，用于基于所述色温分类模型识别在所述指定环境内采集的环境图片对应的色温类别；
调整单元，用于基于所述环境图片的色温类别调整所述指定环境内灯具的色温。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述色温调节方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述色温调节方法。
CN202010451708.4A 2020-05-25 2020-05-25 色温调节方法、装置、存储介质和处理器 Active CN111601418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010451708.4A CN111601418B (zh) 2020-05-25 2020-05-25 色温调节方法、装置、存储介质和处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010451708.4A CN111601418B (zh) 2020-05-25 2020-05-25 色温调节方法、装置、存储介质和处理器

Publications (2)

Publication Number Publication Date
CN111601418A true CN111601418A (zh) 2020-08-28
CN111601418B CN111601418B (zh) 2022-11-22

Family

ID=72186231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010451708.4A Active CN111601418B (zh) 2020-05-25 2020-05-25 色温调节方法、装置、存储介质和处理器

Country Status (1)

Country Link
CN (1) CN111601418B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112188694A (zh) * 2020-09-29 2021-01-05 上海佳勒电子有限公司 一种灯光色温校正方法、***、装置和存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120327264A1 (en) * 2010-06-09 2012-12-27 International Business Machines Corporation Real-Time Adjustment Of Illumination Color Temperature For Digital Imaging Applications
CN105869580A (zh) * 2016-06-15 2016-08-17 京东方科技集团股份有限公司 色温调节方法及装置、背光源、显示设备
CN107452315A (zh) * 2017-08-04 2017-12-08 广东欧珀移动通信有限公司 色温调节方法、装置、移动终端及电子终端、***
CN107506775A (zh) * 2016-06-14 2017-12-22 北京陌上花科技有限公司 模型训练方法及装置
US10049302B1 (en) * 2017-07-17 2018-08-14 Sas Institute Inc. Classification system training
US20190095764A1 (en) * 2017-09-26 2019-03-28 Panton, Inc. Method and system for determining objects depicted in images
CN109726287A (zh) * 2018-12-25 2019-05-07 银江股份有限公司 一种基于迁移学习和深度学习的人民调解案例分类***及方法
CN109858376A (zh) * 2019-01-02 2019-06-07 武汉大学 一种具有儿童健康学习监督功能的智能台灯
CN109874202A (zh) * 2018-12-29 2019-06-11 中国计量大学 幼儿园一体教室情景式自适应照明***、控制装置及控制方法
CN110111341A (zh) * 2019-04-30 2019-08-09 北京百度网讯科技有限公司 图像前景获取方法、装置及设备
CN110807760A (zh) * 2019-09-16 2020-02-18 北京农业信息技术研究中心 一种烟叶分级方法及***

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120327264A1 (en) * 2010-06-09 2012-12-27 International Business Machines Corporation Real-Time Adjustment Of Illumination Color Temperature For Digital Imaging Applications
CN107506775A (zh) * 2016-06-14 2017-12-22 北京陌上花科技有限公司 模型训练方法及装置
CN105869580A (zh) * 2016-06-15 2016-08-17 京东方科技集团股份有限公司 色温调节方法及装置、背光源、显示设备
US10049302B1 (en) * 2017-07-17 2018-08-14 Sas Institute Inc. Classification system training
CN107452315A (zh) * 2017-08-04 2017-12-08 广东欧珀移动通信有限公司 色温调节方法、装置、移动终端及电子终端、***
US20190095764A1 (en) * 2017-09-26 2019-03-28 Panton, Inc. Method and system for determining objects depicted in images
CN109726287A (zh) * 2018-12-25 2019-05-07 银江股份有限公司 一种基于迁移学习和深度学习的人民调解案例分类***及方法
CN109874202A (zh) * 2018-12-29 2019-06-11 中国计量大学 幼儿园一体教室情景式自适应照明***、控制装置及控制方法
CN109858376A (zh) * 2019-01-02 2019-06-07 武汉大学 一种具有儿童健康学习监督功能的智能台灯
CN110111341A (zh) * 2019-04-30 2019-08-09 北京百度网讯科技有限公司 图像前景获取方法、装置及设备
CN110807760A (zh) * 2019-09-16 2020-02-18 北京农业信息技术研究中心 一种烟叶分级方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
M. HAJJAJ: "Towards Smart Lighting System without Using Chroma Meter in Workplace", 《2018 IEEE 7TH GLOBAL CONFERENCE ON CONSUMER ELECTRONICS (GCCE)》 *
王香娟: "LED家居室内照明光色设计", 《照明工程学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112188694A (zh) * 2020-09-29 2021-01-05 上海佳勒电子有限公司 一种灯光色温校正方法、***、装置和存储介质

Also Published As

Publication number Publication date
CN111601418B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN109614996B (zh) 基于生成对抗网络的弱可见光与红外图像融合的识别方法
CN111274860B (zh) 一种基于机器视觉的在线自动烟叶等级分选的识别方法
CN107229930B (zh) 一种指针式仪表数值智能识别方法
CN108921203B (zh) 一种指针式水表的检测与识别方法
CN106875373B (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN108875522A (zh) 人脸聚类方法、装置和***及存储介质
CN109886153B (zh) 一种基于深度卷积神经网络的实时人脸检测方法
CN110826453A (zh) 一种通过提取人体关节点坐标的行为识别方法
CN106250819A (zh) 基于脸部实时监控检测人脸对称性及异常方法
CN109325495A (zh) 一种基于深度神经网络建模的作物图像分割***及方法
CN106874929B (zh) 一种基于深度学习的珍珠分类方法
CN109344738A (zh) 农作物病虫草害识别方法及装置
CN114359727A (zh) 基于轻量级优化Yolo v4的茶叶病害识别方法及***
CN116058195B (zh) 一种叶菜生长环境光照调控方法、***及装置
CN115841594B (zh) 基于注意力机制的煤矸高光谱变图像域数据识别方法
CN117348831B (zh) 液晶显示屏的画面调校方法及***
CN116321620A (zh) 智能照明开关控制***及其方法
CN113419623A (zh) 一种非标定眼动交互方法和装置
CN111601418B (zh) 色温调节方法、装置、存储介质和处理器
CN111080754B (zh) 一种头部肢体特征点连线的人物动画制作方法及装置
CN108960413A (zh) 一种应用于螺钉表面缺陷检测的深度卷积神经网络方法
CN112115826A (zh) 一种基于双边分支网络的人脸活体检测方法及***
CN108053418A (zh) 一种动物背景建模方法及装置
CN113256733B (zh) 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法
CN103235943A (zh) 基于pca的3d人脸识别***

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: 20201012

Address after: Room 410, 4 / F, Boyan science and technology building, No.7 building, East District, No.10 courtyard, northwest Wangdong Road, Haidian District, Beijing 100193

Applicant after: Boyan colorful Data Technology Co.,Ltd.

Address before: 401120 building 18, No.106, west section of Jinkai Avenue, Yubei District, Chongqing

Applicant before: Boyan Jizhi Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant