CN114298973A - 一种基于红外图像分割的智能供热监测方法 - Google Patents
一种基于红外图像分割的智能供热监测方法 Download PDFInfo
- Publication number
- CN114298973A CN114298973A CN202111457519.9A CN202111457519A CN114298973A CN 114298973 A CN114298973 A CN 114298973A CN 202111457519 A CN202111457519 A CN 202111457519A CN 114298973 A CN114298973 A CN 114298973A
- Authority
- CN
- China
- Prior art keywords
- temperature
- image segmentation
- target area
- indoor temperature
- infrared image
- 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
Links
Images
Landscapes
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于红外图像分割的智能供热监测方法,属于智能供热监测技术领域,解决现有技术用户接受度低、设备成本高且难以管理和鲁棒性差的问题。本发明的方法包括:采集建筑热力图,选取用于预测室内温度的目标区域;利用标注后的建筑热力图对图像分割模型进行训练,获得基于深度学习的红外图像分割模型,利用基于深度学习的红外图像分割模型获取若干个目标区域热力图;采集目标区域热力图对应的室内温度;选取与室内温度最接近线性变化规律的温度数据为室外温度采集数据;建立室外温度采集数据和室内温度的温度拟合方程;根据室外温度采集数据和温度拟合方程,获取室内温度预测值。本发明适用于智能供热中对室内温度的监测。
Description
技术领域
本申请涉及智能供热监测技术领域,尤其涉及一种基于红外图像分割的智能供热监测方法。
背景技术
目前国内提出的智慧供热***都大同小异,智慧供热***主要包括三大部分:感知控制、AI策略、管理分析。感知控制部分主要是对各个地点的监控,例如热源监控、热战监控、室温监控等。AI策略部分主要是进行供需预测、供热诊断等。而管理分析部分则是进行能耗分析的工作。在该***中除了需要搭建本地数据中心外,还需要联合物联网云平台、大数据云平台、人工智能云平台来进行数据采集、控制指令下发等操作。
目前现有的基于物联网技术的智慧供热解决方案是在用户室内安装温度传感器,将采集的数据利用NB-IoT等无线传输模块上传到供热公司的云服务器,经过数据预处理、模型训练、数据推理后将供热策略推送到用户端,用户可以利用温控APP、温控面板等自主进行温度调控。
但是这也会导致以下三个问题:
1.用户接受度不高。大部分用户比较注重个人隐私问题,难以接受上门安装温度传感器等室温采集装置,用户投诉率高;
2.设备成本高且难以管理。在每个用户家中都需要安装室温采集装置,大量设备需要专人维护和管理,人力成本高且管理效率低下;
3.可靠性低。基于NB-IoT的无线传输技术抗干扰性差且不适用于室内传输,***鲁棒性低。
发明内容
本发明目的是为了解决现有技术用户接受度低、设备成本高且难以管理和鲁棒性差的问题,提供了一种基于红外图像分割的智能供热监测方法。
本发明是通过以下技术方案实现的,本发明一方面,提供一种基于红外图像分割的智能供热监测方法,所述方法包括:
采集建筑热力图,选取用于预测室内温度的目标区域,对所述目标区域的边框进行标注;
选取图像分割模型,利用标注后的建筑热力图对所述图像分割模型进行训练,获得基于深度学习的红外图像分割模型,将建筑热力图输入所述基于深度学习的红外图像分割模型,获取若干个目标区域热力图,所述目标区域热力图的边界为所述目标区域的边框;
采集所述目标区域热力图对应的室内温度;
根据所述目标区域热力图,选取与所述室内温度最接近线性变化规律的温度数据为室外温度采集数据;
建立所述室外温度采集数据和室内温度的温度拟合方程;
根据所述室外温度采集数据和所述温度拟合方程,获取室内温度预测值。
进一步地,所述根据所述目标区域热力图,选取与所述室内温度最接近线性变化规律的温度数据为室外温度采集数据,具体包括:
设置预设个数,根据所述预设个数和所述目标区域热力图,选取候选温度采集数据;
分别对比所述室内温度和所述候选温度采集数据的线性变化规律,确定与所述室内温度最接近线性变化规律的温度数据为室外温度采集数据。
进一步地,所述目标区域为窗户,所述目标区域的边框为所述窗户的边框。
进一步地,所述图像分割模型为SegNet图像分割模型。
进一步地,所述采集所述目标区域热力图对应的室内温度,具体包括:
选取所述目标区域热力图对应的室内;
采用温度测量设备对所述室内的温度进行采集;
将采集到的室内温度上传到云平台,并对上传到云平台的室内温度进行存储。
进一步地,所述建筑热力图利用无人机和热成像仪进行采集。
进一步地,设置预设个数为6,选取6个候选温度采集数据具体包括:窗户最高温度、窗户最低温度、窗户正中间温度、窗户平均温度、窗边框平均温度、窗全框平均温度。
第二方面,本发明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用于存储计算机程序,所述计算机程序执行如上文所述的一种基于红外图像分割的智能供热监测方法。
第三方面,本发明提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存储计算机程序;处理器,用于执行存储器上所存放发计算机程序时,实现如上文所述的一种基于红外图像分割的智能供热监测方法。
本发明的有益效果:
1.本发明可以通过室外采集图像,无需上门安装温度传感器等室温采集装置,即可监测用户的室内温度,提高了用户的接受度;
2.只需利用能够拍摄热力图的设备,即可完成图像采集的工作,减少了设备成本和管理难度;
3.利用图像分割方法对采集到的热力图进行处理,并且室内温度预测值的误差维持在允许范围内,当允许误差范围在正负1.5℃时,综合推测准确率为75.86%,在误差允许范围在正负1℃时,综合推测准确率为67.24%,提高了方法的鲁棒性。
本发明适用于智能供热中对室内温度的监测。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一种基于红外图像分割的智能供热监测方法的流程示意图;
图2为实施方式的利用图像分割模型分割出的窗户热力图;
图3-图8为实施方式的室内温度分别与窗户最高温度、窗户最低温度、窗户正中间温度、窗户平均温度、窗边框平均温度和窗全框平均温度的变化曲线图;
图9为实施方式的窗全框平均温度和对应的室内温度的趋势曲线图和线性方程;
图10为实施方式的误差概率分布图。
具体实施方式
实施方式一、参见图1说明本实施方式。本实施方式所述的一种基于红外图像分割的智能供热监测方法包括:
步骤1、采集建筑热力图,选取用于预测室内温度的目标区域,对所述目标区域的边框进行标注;
利用无人机和热成像仪对建筑热力图进行采集,所述目标区域为窗户,所述目标区域的边框为所述窗户的边框。
利用标注软件对原始图片进行标注,也就是对对窗户的边框进行标注。
利用无人机和热成像相机进行图像分割数据集的收集拍摄,并且对拍摄到的数据进行前期的标注处理,转换为后期可以使用的训练集的形式,以方便训练之后的图像分割模型。
步骤2、选取图像分割模型,利用标注后的建筑热力图对所述图像分割模型进行训练,获得基于深度学习的红外图像分割模型,将建筑热力图输入所述基于深度学习的红外图像分割模型,获取若干个目标区域热力图,所述目标区域热力图的边界为所述目标区域的边框;
使用步骤1所获取的数据集(即标注后的建筑热力图)作为训练集,使用SegNet模型对建筑热力图进行图像分割,将建筑中的窗户部分分割出来,如图2所示。
SegNet是一个由编码和解码两部分组成的对称网络。每当输入一张图像之后,网络会根据每张RGB中具体物体的语义信息,去逐个分类图像中的物体,最后生成一张分割图像。在该发明中,SegNet模型是在keras框架下实现的。
拟选取基于颜色hsv特征的区域分割法,利用图像的色调、饱和度、明度区分出背景和前景,将图像转换后,对数据进行全局阈值处理转化为二值图像,再利用原图像的double数据,将图像背景和ROI区域(感兴趣区域)分割出来,并进行分析。该方法虽然处理时间相对较长,但是分离出来的轮廓更加光滑、区域更加完整。且针对于该场景,图像数量并不算大,所以采取该方案是更为合适的选择。
图像处理方面,结合基于深度学习的红外图像分割和目标检测技术对采集的热力图进行物体分割和检测,得到代表室温的目标区域热力图。
步骤3、采集所述目标区域热力图对应的室内温度;
步骤4、根据所述目标区域热力图,选取与所述室内温度最接近线性变化规律的温度数据为室外温度采集数据;
步骤5、建立所述室外温度采集数据和室内温度的温度拟合方程;
步骤6、根据所述室外温度采集数据和所述温度拟合方程,获取室内温度预测值。
本实施方式采用集成了热成像仪的无人机作为数据采集设备,对于建筑楼房进行热力图拍摄,提前利用室温采集装置对部分房间进行室温采集。根据室外采集红外图像中的窗全框平均温度作为指标,和采集到的部分室内温度进行对照,生成拟合曲线,得到拟合曲线方程。再根据该曲线方程就可以进行由室外温度推理室内温度的过程,达到了在保证用户隐私的前提下调节供暖。
实施方式二、本实施方式是对实施方式一中所述的一种基于红外图像分割的智能供热监测方法中,步骤3的进一步限定,步骤3采用下述具体方法实现,包括:
步骤3.1、确定所述目标区域热力图对应的室内,每个目标区域热力图实际上为一个窗户的热力图,每个窗户对应的房间即为所要确定的室内;
步骤3.2、采用温度测量设备对所述室内的温度进行采集,可以采用小熊派智慧农业开发板对可获取室内温度的地点进行室温采集;
步骤3.3、将采集到的室内温度上传到云平台,并对所述上传到云平台的室内温度进行存储,可以通过NB-IoT上传到云平台,将上传至云平台的温度进行存储,便于与无人机采集到的室外温度进行对照,来达到室内室外温度对应分析的效果。
由于后期数据处理完成后需要通过采集到室外温度推理室内温度,所以需要先获取室内温度作为参照数据。在该部分可以获取到与窗户所对应的部分室内温度,为下一步建立温度对照模型做准备。
实施方式三、本实施方式是对实施方式一中所述的一种基于红外图像分割的智能供热监测方法中,步骤4的进一步限定,步骤4采用下述具体方法实现,包括:
步骤4.1、设置预设个数,根据所述预设个数和所述目标区域热力图,选取候选温度采集数据;
步骤4.2、分别对比所述室内温度和所述候选温度采集数据的线性变化规律,确定与所述室内温度最接近线性变化规律的温度数据为室外温度采集数据。
本实施方式将目标区域设定为窗户,设置预设个数为6,根据所述窗户的热力图,获取6个候选温度采集数据,分别为:窗户最高温度、窗户最低温度、窗户正中间温度、窗户平均温度、窗边框平均温度、窗全框平均温度。
根据窗户的热力图,会获得窗户区域内每个点的温度值,其中,窗户最高温度为温度值最高的点的温度;窗户最低温度为温度值最低的点的温度;窗户正中间温度点是指窗户区域的中心点的温度;窗户平均温度就是窗户区域内(包含窗框)所有点的平均温度;窗边框平均温度,即为窗框平均温度(不含内框),具体指窗户的四周的边框上所有点的平均温度;窗全框平均温度,即为窗框平均温度(含内框),具体指窗户的四周的边框上所有点和内框上所有点的平均温度。
由于一个窗户上每一处的温度点都是不一样的,但是在进行最终的室内室外温度对照时,室外温度只能选取一个温度采集数据,尽可能多选取几组温度采集数据作为参照,分别是窗户最高温度、窗户最低温度、窗户正中间温度、窗户平均温度、窗边框平均温度和窗全框平均温度六组来和相应的室内温度进行分析对照。
其中认为窗户最高温度可能和室内温度差值最小;窗户最低温度可能最能反应室外当前温度;窗户正中间温度距离窗户透风口较远;后三个平均温度能尽可能排除掉一些极端点,因此选取该六组温度数据作为对照,进行后续的数据对比。
将获取的室内温度与候选温度采集数据进行一一对应,整理筛选数据,保证最后用于分析的数据(即室外温度采集数据)是有效可用的,并将获取的结果进行数据分析与处理,绘制拟合曲线获得该室内温度和室外温度采集数据的温度二者之间的关系,即获取室内温度和室外温度采集数据的温度拟合方程,来尽可能达到由室外温度(即室外温度采集数据)推理室内温度的目的。
如图3-图8所示,显示了以不同教室为横坐标,室内温度分别与窗户最高温度、窗户最低温度、窗户正中间温度、窗户平均温度、窗边框平均温度和窗全框平均温度的变化曲线,可以看到室内温度与窗全框平均温度的变化曲线大致趋势平稳且相似,整体规律性都是很好的,是目前所有对照组中最接近线性规律的。
根据各组数据对比发现其中室内温度和窗框平均温度(含内框)的变化曲线是最接近线性变化规律的,于是选取窗框平均温度作为室外温度采集数据和室内温度进行建模,获取两者之间的温度拟合方程,并通过该模型达到由室外温度获取室内温度的目的。获得的温度拟合方程为线性拟合方程,该方程及预测趋势线如图9所示,由该线性预测曲线即可由室外温度获取室内温度。
本发明利用无人机和热成像仪对待监测建筑的热力图进行采集;将待监测建筑的热力图输入所述基于深度学***均温度;将待监测建筑的窗户热力图的窗全框平均温度输入到线性拟合方程,获得待监测建筑的窗户对应的室内温度预测值。
本发明利用热力图中的窗全框平均温度为室外温度采集数据进行由室外温度推理室内温度。采取了窗全框平均温度和室内温度的拟合线性方程(即温度拟合方程)推测室内温度预测值,得到对比数据,并根据每一点的误差值画出了概率分布曲线,如图10所示,即X轴为0℃-2.77℃(最大误差值),Y轴为误差温度小于X的概率(0-1)。其中当允许误差范围在正负1.5℃时,综合推测准确率为75.86%,在误差允许范围在正负1℃时,综合推测准确率为67.24%。
Claims (10)
1.一种基于红外图像分割的智能供热监测方法,其特征在于,所述方法包括:
采集建筑热力图,选取用于预测室内温度的目标区域,对所述目标区域的边框进行标注;
选取图像分割模型,利用标注后的建筑热力图对所述图像分割模型进行训练,获得基于深度学习的红外图像分割模型,将建筑热力图输入所述基于深度学习的红外图像分割模型,获取若干个目标区域热力图,所述目标区域热力图的边界为所述目标区域的边框;
采集所述目标区域热力图对应的室内温度;
根据所述目标区域热力图,选取与所述室内温度最接近线性变化规律的温度数据为室外温度采集数据;
建立所述室外温度采集数据和室内温度的温度拟合方程;
根据所述室外温度采集数据和所述温度拟合方程,获取室内温度预测值。
2.根据权利要求1所述的一种基于红外图像分割的智能供热监测方法,其特征在于,所述根据所述目标区域热力图,选取与所述室内温度最接近线性变化规律的温度数据为室外温度采集数据,具体包括:
设置预设个数,根据所述预设个数和所述目标区域热力图,选取候选温度采集数据;
分别对比所述室内温度和所述候选温度采集数据的线性变化规律,确定与所述室内温度最接近线性变化规律的温度数据为室外温度采集数据。
3.根据权利要求2所述的一种基于红外图像分割的智能供热监测方法,其特征在于,所述目标区域为窗户,所述目标区域的边框为所述窗户的边框。
4.根据权利要求1所述的一种基于红外图像分割的智能供热监测方法,其特征在于,所述图像分割模型为SegNet图像分割模型。
5.根据权利要求1所述的一种基于红外图像分割的智能供热监测方法,其特征在于,所述采集所述目标区域热力图对应的室内温度,具体包括:
选取所述目标区域热力图对应的室内;
采用温度测量设备对所述室内的温度进行采集;
将采集到的室内温度上传到云平台,并对上传到云平台的室内温度进行存储。
6.根据权利要求1所述的一种基于红外图像分割的智能供热监测方法,其特征在于,所述建筑热力图利用无人机和热成像仪进行采集。
7.根据权利要求3所述的一种基于红外图像分割的智能供热监测方法,其特征在于,设置预设个数为6,选取6个候选温度采集数据具体包括:窗户最高温度、窗户最低温度、窗户正中间温度、窗户平均温度、窗边框平均温度、窗全框平均温度。
8.根据权利要求7所述的一种基于红外图像分割的智能供热监测方法,其特征在于,确定所述窗全框平均温度为室外温度采集数据。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序执行权利要求1-8任一项所述的方法。
10.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存储计算机程序;处理器,用于执行存储器上所存放发计算机程序时,实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111457519.9A CN114298973A (zh) | 2021-12-01 | 2021-12-01 | 一种基于红外图像分割的智能供热监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111457519.9A CN114298973A (zh) | 2021-12-01 | 2021-12-01 | 一种基于红外图像分割的智能供热监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298973A true CN114298973A (zh) | 2022-04-08 |
Family
ID=80966339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111457519.9A Pending CN114298973A (zh) | 2021-12-01 | 2021-12-01 | 一种基于红外图像分割的智能供热监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298973A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115876334A (zh) * | 2023-02-22 | 2023-03-31 | 瑞纳智能设备股份有限公司 | 红外热像室内测温方法、***和计算机可读存储介质 |
-
2021
- 2021-12-01 CN CN202111457519.9A patent/CN114298973A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115876334A (zh) * | 2023-02-22 | 2023-03-31 | 瑞纳智能设备股份有限公司 | 红外热像室内测温方法、***和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Federated learning in the sky: Aerial-ground air quality sensing framework with UAV swarms | |
CN110135319B (zh) | 一种异常行为检测方法及其*** | |
Yang et al. | Security and privacy of smart home systems based on the Internet of Things and stereo matching algorithms | |
CN111598156B (zh) | 基于多源异构数据融合的pm2.5预测方法 | |
CN112728727A (zh) | 一种基于边缘计算的室内环境舒适度的智能调节*** | |
CN109559310A (zh) | 基于显著性检测的输变电巡检图像质量评价方法及*** | |
WO2019063079A1 (en) | SYSTEM, DEVICE AND METHOD FOR OPTIMIZING ENERGY AND COMFORT IN AN IMMOTIC ENVIRONMENT | |
CN117270611B (zh) | 智慧运动场馆的环境智能控制***及方法 | |
CN113391607A (zh) | 一种基于深度学习的水电站闸门控制方法及*** | |
CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
CN105005852B (zh) | 一种基于图像分析的宿舍环境智能监测*** | |
CN110569911A (zh) | 图像识别方法、装置、***、电子设备及存储介质 | |
CN110458051A (zh) | 一种设备控制的方法、装置、服务器及可读存储介质 | |
CN117354986B (zh) | 一种多功能led灯珠的智能控制方法及*** | |
CN114298973A (zh) | 一种基于红外图像分割的智能供热监测方法 | |
CN115272675A (zh) | 一种基于多传感器信息融合的能源管理***以及方法 | |
CN115220357A (zh) | 舒适节能型智能楼宇的控制方法、***及服务器 | |
CN111767826A (zh) | 一种定时定点场景异常检测方法 | |
CN215813842U (zh) | 一种基于深度学习的水电站闸门控制*** | |
CN117237590B (zh) | 基于图像识别的光伏组件热斑识别方法及*** | |
CN117078670B (zh) | 一种云相框的生产控制*** | |
CN113960925A (zh) | 基于人工智能的楼宇能耗控制方法及装置 | |
CN112069979B (zh) | 一种实时动作识别人机交互*** | |
Crispim et al. | Prediction of the solar radiation evolution using computational intelligence techniques and cloudiness indices | |
CN117420868B (zh) | 基于物联网的智慧教室控制***及方法 |
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 |