CN114549864A - 一种基于环境图像的智能灯控制方法和控制*** - Google Patents
一种基于环境图像的智能灯控制方法和控制*** Download PDFInfo
- Publication number
- CN114549864A CN114549864A CN202111679309.4A CN202111679309A CN114549864A CN 114549864 A CN114549864 A CN 114549864A CN 202111679309 A CN202111679309 A CN 202111679309A CN 114549864 A CN114549864 A CN 114549864A
- Authority
- CN
- China
- Prior art keywords
- data
- intelligent lamp
- environment
- environment image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 244000290333 Vanilla fragrans Species 0.000 description 2
- 235000009499 Vanilla fragrans Nutrition 0.000 description 2
- 235000012036 Vanilla tahitensis Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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]
-
- 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)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明提供一种基于环境图像的智能灯控制方法,首先获取环境图像的HSV数据、IR灰度数据;根据环境图像的HSV数据、IR灰度数据,构建特征序列;将所述特征序列输入训练好的的网络模型中,得到智能灯对应的颜色和亮度;发送智能灯对应颜色和亮度指令控制智能灯;基于图像识别和机器学习,能够快速的根据环境信息调节智能灯的颜色和亮度,本发明提供的一种基于环境图像的智能灯控制方法,操作简单识别准确,且不需要硬件设备,符合现有家居智能灯的配置。
Description
技术领域
本发明涉及智能家居领域,特别是指一种基于环境图像的智能灯控制方法和控制***。
背景技术
随着智能家居的发展,越来越能够满足用户的个性化需求,智能灯作为重要的智能家具,负责照亮整个室内环境,给人们提供一个舒适的生活和工作环境;但是不同的天气,不同空间,环境呈现的光线、亮度是不同,此时,需要灯光的亮度和颜色也是不同的。
现有技术中,CN105135263N中公开了基于图像分析的亮度自适应调节台灯,方案中设置光敏传感器,感应环境亮度,传递给控制模块,控制模块根据控制机制调节台灯亮度,硬件结构和控制机制复杂,不适应现有的智能家居的配置。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于环境图像的智能灯控制方法,基于图像识别和机器学习,能够快速的根据环境信息调节智能灯的颜色和亮度,操作简单识别准确,且不需要硬件设备,符合现有家居智能灯的配置。
本发明采用如下技术方案:
一种基于环境图像的智能灯控制方法,包括:
获取环境图像的HSV数据、IR灰度数据;
根据环境图像的HSV数据、IR灰度数据,构建特征序列;
将所述特征序列输入训练好的的网络模型中,得到智能灯对应的颜色和亮度;
发送智能灯对应颜色和亮度指令控制智能灯。
步骤之前还包括,对网络模型进行训练,具体为:
获取环境图像的HSV数据、IR灰度数据;
根据环境图像的HSV数据、IR灰度数据,构建特征序列;并根据环境图像的HSV数据确定智能灯对应的颜色作为第一标签,根据环境图像的IR灰度数据确定智能灯对应的亮度作为第二标签;
将所述特征序列和第一标签、第二标签,输入预训练的网络模型中进行训练,得到训练好的网络模型。
具体地,根据环境图像的HSV数据确定智能灯对应的颜色作为第一标签,根据环境图像的IR灰度数据确定智能灯对应的亮度作为第二标签,具体为:
根据环境图像的HSV数据,得到环境中占比最多的颜色,并结合智能灯的颜色种类,确定智能灯对应的颜色;
根据根据环境图像的IR灰度数据,确定环境图像的IR灰度平均值,并得到对应的环境亮度数据,将对应的环境亮度数据加上设定的阈值,确定智能灯的亮度。
具体地,根据环境图像的HSV数据、IR灰度数据,构建特征序列,具体为:
将图像中像素的H值平均值作为第一特征值;
将图像中像素的S值平均值作为第二特征值;
将图像中像素的V值平均值作为第三特征值;
将图像中像素的IR值平均值作为第四特征值;
将第一特征值、第二特征值、第三特征值和第四特征值构建为特征序列。
本发明实施例另一方面提供一种基于环境图像的智能灯控制***,包括:
获取环境数据单元:获取环境图像的HSV数据、IR灰度数据;
构建特征序列单元:根据环境图像的HSV数据、IR灰度数据,构建特征序列;
获取智能灯数据单元:将所述特征序列输入训练好的的网络模型中,得到智能灯对应的颜色和亮度;
发送指令单元:发送智能灯对应颜色和亮度指令控制智能灯。
具体地,还包括模型训练单元,对网络模型进行训练,具体为:
获取环境图像的HSV数据、IR灰度数据;
根据环境图像的HSV数据、IR灰度数据,构建特征序列;并根据环境图像的HSV数据确定智能灯对应的颜色作为第一标签,根据环境图像的IR灰度数据确定智能灯对应的亮度作为第二标签;
将所述特征序列和第一标签、第二标签,输入预训练的网络模型中进行训练,得到训练好的网络模型。
具体地,根据环境图像的HSV数据确定智能灯对应的颜色作为第一标签,根据环境图像的IR灰度数据确定智能灯对应的亮度作为第二标签,具体为:
根据环境图像的HSV数据,得到环境中占比最多的颜色,并结合智能灯的颜色种类,确定智能灯对应的颜色;
根据根据环境图像的IR灰度数据,确定环境图像的IR灰度平均值,并得到对应的环境亮度数据,将对应的环境亮度数据加上设定的阈值,确定智能灯的亮度。
具体地,根据环境图像的HSV数据、IR灰度数据,构建特征序列,具体为:
将图像中像素的H值平均值作为第一特征值;
将图像中像素的S值平均值作为第二特征值;
将图像中像素的V值平均值作为第三特征值;
将图像中像素的IR值平均值作为第四特征值;
将第一特征值、第二特征值、第三特征值和第四特征值构建为特征序列。
本发明实施例再一方面提供一种电子设备,包括:存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现上述一种基于环境图像的智能灯控制方法步骤。
本发明实施例又一方面提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述一种基于环境图像的智能灯控制方法步骤。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
(1)本发明提供一种基于环境图像的智能灯控制方法,首先获取环境图像的HSV数据、IR灰度数据;根据环境图像的HSV数据、IR灰度数据,构建特征序列;将所述特征序列输入训练好的的网络模型中,得到智能灯对应的颜色和亮度;发送智能灯对应颜色和亮度指令控制智能灯;基于图像识别和机器学习,能够快速的根据环境信息调节智能灯的颜色和亮度,本发明提供的方法,操作简单识别准确,且不需要硬件设备,符合现有家居智能灯的配置。
(2)本发明提供的一种基于环境图像的智能灯控制方法,基于环境图像的HSV数据、IR灰度数据,构建四个输入特征值,全面的表征了环境图像的属性,使得训练模型准确。
附图说明
图1为本发明实施例提供的一种基于基于环境图像的智能灯控制方法流程图;
图2为本发明实施例提供的一种基于环境图像的智能灯控制的***结构图;
图3为本发明实施例提供的一种电子设备的实施例示意图;
图4为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
本发明提出一种基于环境图像的智能灯控制方法,基于图像识别和机器学习,能够快速的根据环境信息调节智能灯的颜色和亮度,操作简单识别准确,且不需要硬件设备,符合现有家居智能灯的配置。
如图1为本发明提供的一种基于环境图像的智能灯控制方法流程图,具体包括:
S101:获取环境图像的HSV数据、IR灰度数据;
值得说明的是,3D摄像头产品目前有双目结构光(RGB+IR)方案、TOF(单个IR摄像头)方案,本发明实施例可采用TOF方案外加RGB摄像头的结构形式。
具体地,对彩色RGB和红外IR添加帧同步信号,同步采集RGB数据和IR灰度数据,然后再将获取的RGB色域图片转为HSV色域,并根据预先设定好的颜色阈值统计各个颜色区间的占比确定指示灯的颜色;
通过实验验证,相较于RGB和CMY颜色空间,采用HSV色域空间去训练模型和进行识别,得出的灯光颜色和亮度更匹配环境信息,也更容易被用户接收。
RGB颜色空间到HSV色域空间的转换关系:
R′=R/255
G′=G/255
B′=B/255
Cmax=max(R′,G′B′)
Cmin=min(R′,G′B′)
Δ=Cmax-Cmin
V=Cmax
其中,R′、G′、B′为中间变量。
S102:根据环境图像的HSV数据、IR灰度数据,构建特征序列;
具体地,根据环境图像的HSV数据、IR灰度数据,构建特征序列,具体为:
将图像中像素的H值平均值作为第一特征值;
将图像中像素的S值平均值作为第二特征值;
将图像中像素的V值平均值作为第三特征值;
将图像中像素的IR值平均值作为第四特征值;
将第一特征值、第二特征值、第三特征值和第四特征值构建为特征序列。
S103:将所述特征序列输入训练好的的网络模型中,得到智能灯对应的颜色和亮度;
本发明实施例网络模型包括但不限于:多对多循环神经网络模型、LSTM模型。
本发明实施例采用的是多对多循环神经网络模型:
循环神经网络(Recurrent Neural Network,简称RNN)在普通多层反向传播(BackPropagation,简称BP)神经网络基础上,增加了隐藏层各单元间的横向联系,通过一个权重矩阵,可以实现将上一个时间序列的神经单元的值传递至当前的神经单元,从而使神经网络具备了记忆功能,对于处理有上下文联系的自然语言处理或者时间序列的机器学习问题有很好的应用性。对于一个标准的RNN结构,t时刻RNN的主体结构输入除了来自输入层Xt,还有一个循环的边来提供从t-1时刻传递来的隐藏状态。
RNN模型的适用性根据输出和输入序列的数量不同,RNN可以有多种不同的结构,5种结构依次是:一对一、一对多、多对一、间隔多对多、同步多对多。不同结构自然就有不同的应用场合,这5种RNN模型结构可以分别对应Vanilla神经网络、图片标题生成、情感分析、机器翻译、下文预测应用场景。
本发明的数据输入是特征序列,要求的输出是灯具的光通量和色温,其天然的序列性符合RNN模型的间隔多到多和同步多到多2种结构。这两者最大的区别是,间隔多到多模式下,模型无法利用输入特征序列中特征之间的关联关系,而同步多到多模式则可以。因此,本发明实施例建模选取具有同步多到多结构的RNN模型即同步多对多循环神经网络模型,作为基础网络结构。
S104:发送智能灯对应颜色和亮度指令控制智能灯。
步骤之前还包括,对网络模型进行训练,具体为:
获取环境图像的HSV数据、IR灰度数据;
根据环境图像的HSV数据、IR灰度数据,构建特征序列;并根据环境图像的HSV数据确定智能灯对应的颜色作为第一标签,根据环境图像的IR灰度数据确定智能灯对应的亮度作为第二标签;
将所述特征序列和第一标签、第二标签,输入预训练的网络模型中进行训练,得到训练好的网络模型。
具体地,根据环境图像的HSV数据确定智能灯对应的颜色作为第一标签,根据环境图像的IR灰度数据确定智能灯对应的亮度作为第二标签,具体为:
根据环境图像的HSV数据,得到环境中占比最多的颜色,并结合智能灯的颜色种类,确定智能灯对应的颜色;
根据根据环境图像的IR灰度数据,确定环境图像的IR灰度平均值,并得到对应的环境亮度数据,将对应的环境亮度数据加上设定的阈值,确定智能灯的亮度。
如图2,本发明实施例另一方面提供一种基于环境图像的智能灯控制***,包括:
获取环境数据单元201:获取环境图像的HSV数据、IR灰度数据;
值得说明的是,3D摄像头产品目前有双目结构光(RGB+IR)方案、TOF(单个IR摄像头)方案,本发明实施例可采用TOF方案外加RGB摄像头的结构形式。
具体地,对彩色RGB和红外IR添加帧同步信号,同步采集RGB数据和IR灰度数据,然后再将获取的RGB色域图片转为HSV色域,并根据预先设定好的颜色阈值统计各个颜色区间的占比确定指示灯的颜色;
通过实验验证,相较于RGB和CMY颜色空间,采用HSV色域空间去训练模型和进行识别,得出的灯光颜色和亮度更匹配环境信息,也更容易被用户接收。
RGB颜色空间到HSV色域空间的转换关系:
R′=R/255
G′=G/255
B′=B/255
Cmax=max(R′,G′B′)
Cmin=min(R′,G′B′)
Δ=Cmax-Cmin
V=Cmax
其中,R′、G′、B′为中间变量。
构建特征序列单元202:根据环境图像的HSV数据、IR灰度数据,构建特征序列;
具体地,根据环境图像的HSV数据、IR灰度数据,构建特征序列,具体为:
将图像中像素的H值平均值作为第一特征值;
将图像中像素的S值平均值作为第二特征值;
将图像中像素的V值平均值作为第三特征值;
将图像中像素的IR值平均值作为第四特征值;
将第一特征值、第二特征值、第三特征值和第四特征值构建为特征序列
获取智能灯数据单元203:将所述特征序列输入训练好的的网络模型中,得到智能灯对应的颜色和亮度;
本发明实施例网络模型包括但不限于:多对多循环神经网络模型、LSTM模型。
本发明实施例采用的是多对多循环神经网络模型:
循环神经网络(Recurrent Neural Network,简称RNN)在普通多层反向传播(BackPropagation,简称BP)神经网络基础上,增加了隐藏层各单元间的横向联系,通过一个权重矩阵,可以实现将上一个时间序列的神经单元的值传递至当前的神经单元,从而使神经网络具备了记忆功能,对于处理有上下文联系的自然语言处理或者时间序列的机器学习问题有很好的应用性。对于一个标准的RNN结构,t时刻RNN的主体结构输入除了来自输入层Xt,还有一个循环的边来提供从t-1时刻传递来的隐藏状态。
RNN模型的适用性根据输出和输入序列的数量不同,RNN可以有多种不同的结构,5种结构依次是:一对一、一对多、多对一、间隔多对多、同步多对多。不同结构自然就有不同的应用场合,这5种RNN模型结构可以分别对应Vanilla神经网络、图片标题生成、情感分析、机器翻译、下文预测应用场景。
本发明的数据输入是特征序列,要求的输出是灯具的光通量和色温,其天然的序列性符合RNN模型的间隔多到多和同步多到多2种结构。这两者最大的区别是,间隔多到多模式下,模型无法利用输入特征序列中特征之间的关联关系,而同步多到多模式则可以。因此,本发明实施例建模选取具有同步多到多结构的RNN模型即同步多对多循环神经网络模型,作为基础网络结构
发送指令单元204:发送智能灯对应颜色和亮度指令控制智能灯。
具体地,还包括模型训练单元,对网络模型进行训练,具体为:
获取环境图像的HSV数据、IR灰度数据;
根据环境图像的HSV数据、IR灰度数据,构建特征序列;并根据环境图像的HSV数据确定智能灯对应的颜色作为第一标签,根据环境图像的IR灰度数据确定智能灯对应的亮度作为第二标签;
将所述特征序列和第一标签、第二标签,输入预训练的网络模型中进行训练,得到训练好的网络模型。
具体地,根据环境图像的HSV数据确定智能灯对应的颜色作为第一标签,根据环境图像的IR灰度数据确定智能灯对应的亮度作为第二标签,具体为:
根据环境图像的HSV数据,得到环境中占比最多的颜色,并结合智能灯的颜色种类,确定智能灯对应的颜色;
根据根据环境图像的IR灰度数据,确定环境图像的IR灰度平均值,并得到对应的环境亮度数据,将对应的环境亮度数据加上设定的阈值,确定智能灯的亮度。
如图3所示,本发明实施例提供了一种电子设备300,包括存储器310、处理器320及存储在存储器320上并可在处理器320上运行的计算机程序511,处理器320执行计算机程序311时实现本发明实施例提供的一种基于环境图像的智能灯控制方法。
在具体实施过程中,处理器320执行计算机程序311时,可以实现图1对应的实施例中任一实施方式。
由于本实施例所介绍的电子设备为实施本发明实施例中一种数据处理装置所采用的设备,故而基于本发明实施例中所介绍的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本发明实施例中的方法不再详细介绍,只要本领域所属技术人员实施本发明实施例中的方法所采用的设备,都属于本发明所欲保护的范围。
请参阅图4,图4为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
如图4所示,本实施例提供了一种计算机可读存储介质400,其上存储有计算机程序411,该计算机程序411被处理器执行时实现本发明实施例提供的一种基于环境图像的智能灯控制方法。
在具体实施过程中,该计算机程序411被处理器执行时可以实现图1对应的实施例中任一实施方式。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明提供一种基于环境图像的智能灯控制方法,首先获取环境图像的HSV数据、IR灰度数据;根据环境图像的HSV数据、IR灰度数据,构建特征序列;将所述特征序列输入训练好的的网络模型中,得到智能灯对应的颜色和亮度;发送智能灯对应颜色和亮度指令控制智能灯;基于图像识别和机器学习,能够快速的根据环境信息调节智能灯的颜色和亮度,本发明提供的方法,操作简单识别准确,且不需要硬件设备,符合现有家居智能灯的配置。
本发明提供的一种基于环境图像的智能灯控制方法,基于环境图像的HSV数据、IR灰度数据,构建四个输入特征值,全面的表征了环境图像的属性,使得训练模型准确。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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申请的原理和新颖特点相一致的最宽的范围。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (10)
1.一种基于环境图像的智能灯控制方法,其特征在于,包括:
获取环境图像的HSV数据、IR灰度数据;
根据环境图像的HSV数据、IR灰度数据,构建特征序列;
将所述特征序列输入训练好的的网络模型中,得到智能灯对应的颜色和亮度;
发送智能灯对应颜色和亮度指令控制智能灯。
2.根据权利要求1所述的一种基于环境图像的智能灯控制方法,其特征在于,在获取环境图像的HSV数据、IR灰度数据之前还包括,对网络模型进行训练,具体为:
获取环境图像的HSV数据、IR灰度数据;
根据环境图像的HSV数据、IR灰度数据,构建特征序列;并根据环境图像的HSV数据确定智能灯对应的颜色作为第一标签,根据环境图像的IR灰度数据确定智能灯对应的亮度作为第二标签;
将所述特征序列和第一标签、第二标签,输入预训练的网络模型中进行训练,得到训练好的网络模型。
3.根据权利要求2所述的一种基于环境图像的智能灯控制方法,其特征在于,根据环境图像的HSV数据确定智能灯对应的颜色作为第一标签,根据环境图像的IR灰度数据确定智能灯对应的亮度作为第二标签,具体为:
根据环境图像的HSV数据,得到环境中占比最多的颜色,并结合智能灯的颜色种类,确定智能灯对应的颜色;
根据根据环境图像的IR灰度数据,确定环境图像的IR灰度平均值,并得到对应的环境亮度数据,将对应的环境亮度数据加上设定的阈值,确定智能灯的亮度。
4.根据权利要求1所述的一种基于环境图像的智能灯控制方法,其特征在于,根据环境图像的HSV数据、IR灰度数据,构建特征序列,具体为:
将图像中像素的H值平均值作为第一特征值;
将图像中像素的S值平均值作为第二特征值;
将图像中像素的V值平均值作为第三特征值;
将图像中像素的IR值平均值作为第四特征值;
将第一特征值、第二特征值、第三特征值和第四特征值构建为特征序列。
5.一种基于环境图像的智能灯控制***,其特征在于,包括:
获取环境数据单元:获取环境图像的HSV数据、IR灰度数据;
构建特征序列单元:根据环境图像的HSV数据、IR灰度数据,构建特征序列;
获取智能灯数据单元:将所述特征序列输入训练好的的网络模型中,得到智能灯对应的颜色和亮度;
发送指令单元:发送智能灯对应颜色和亮度指令控制智能灯。
6.根据权利要求5所述的一种基于环境图像的智能灯控制***,其特征在于,还包括模型训练单元,对网络模型进行训练,具体为:
获取环境图像的HSV数据、IR灰度数据;
根据环境图像的HSV数据、IR灰度数据,构建特征序列;并根据环境图像的HSV数据确定智能灯对应的颜色作为第一标签,根据环境图像的IR灰度数据确定智能灯对应的亮度作为第二标签;
将所述特征序列和第一标签、第二标签,输入预训练的网络模型中进行训练,得到训练好的网络模型。
7.根据权利要求6所述的一种基于环境图像的智能灯控制***,其特征在于,根据环境图像的HSV数据确定智能灯对应的颜色作为第一标签,根据环境图像的IR灰度数据确定智能灯对应的亮度作为第二标签,具体为:
根据环境图像的HSV数据,得到环境中占比最多的颜色,并结合智能灯的颜色种类,确定智能灯对应的颜色;
根据根据环境图像的IR灰度数据,确定环境图像的IR灰度平均值,并得到对应的环境亮度数据,将对应的环境亮度数据加上设定的阈值,确定智能灯的亮度。
8.根据权利要求5所述的一种基于环境图像的智能灯控制***,其特征在于,根据环境图像的HSV数据、IR灰度数据,构建特征序列,具体为:
将图像中像素的H值平均值作为第一特征值;
将图像中像素的S值平均值作为第二特征值;
将图像中像素的V值平均值作为第三特征值;
将图像中像素的IR值平均值作为第四特征值;
将第一特征值、第二特征值、第三特征值和第四特征值构建为特征序列。
9.一种电子设备,其特征在于,包括:存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现权利要求1至4任一所述的方法步骤。
10.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111679309.4A CN114549864A (zh) | 2021-12-31 | 2021-12-31 | 一种基于环境图像的智能灯控制方法和控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111679309.4A CN114549864A (zh) | 2021-12-31 | 2021-12-31 | 一种基于环境图像的智能灯控制方法和控制*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114549864A true CN114549864A (zh) | 2022-05-27 |
Family
ID=81670298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111679309.4A Pending CN114549864A (zh) | 2021-12-31 | 2021-12-31 | 一种基于环境图像的智能灯控制方法和控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549864A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115604893A (zh) * | 2022-09-29 | 2023-01-13 | 天一智能科技(东莞)有限公司(Cn) | 动态调节儿童房光照环境的健康照明方法、装置及*** |
CN117202430A (zh) * | 2023-09-20 | 2023-12-08 | 浙江炯达能源科技有限公司 | 用于智慧灯杆的节能控制方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104320881A (zh) * | 2014-10-28 | 2015-01-28 | 江苏天语雅思医疗设备有限公司 | 一种led无影灯照明***中的智能调光控制器 |
CN105448230A (zh) * | 2014-08-12 | 2016-03-30 | 西安诺瓦电子科技有限公司 | 基于人眼视觉的led显示装置亮色度校正方法及*** |
CN105517222A (zh) * | 2015-12-01 | 2016-04-20 | 小米科技有限责任公司 | 灯光调节方法和装置 |
US20160350940A1 (en) * | 2014-12-30 | 2016-12-01 | Nanjing Jusha Display Technology Co., Ltd. | Automatic Recognition And Calibration Method Of Medical Color And Grayscale Images |
CN106331664A (zh) * | 2015-06-30 | 2017-01-11 | 芋头科技(杭州)有限公司 | 一种投影仪的控制方法及适用于该方法的投影仪 |
CN108738215A (zh) * | 2018-06-05 | 2018-11-02 | 信利光电股份有限公司 | 一种自动调节台灯技术参数方法、装置及台灯 |
CN109581883A (zh) * | 2018-12-05 | 2019-04-05 | 柳姿贝 | 一种基于物联网控制的智能花瓶 |
CN111556630A (zh) * | 2020-06-29 | 2020-08-18 | 东北大学 | 基于贝叶斯网络的智能灯自适应场景识别***及方法 |
CN111639709A (zh) * | 2020-05-29 | 2020-09-08 | 大连海事大学 | 一种基于深度学习的航标灯质智能识别方法 |
CN112489143A (zh) * | 2020-11-30 | 2021-03-12 | 济南博观智能科技有限公司 | 一种颜色识别方法、装置、设备及存储介质 |
WO2021082735A1 (zh) * | 2019-10-31 | 2021-05-06 | 华为技术有限公司 | 一种雾特征识别方法、装置及相关设备 |
US20210256311A1 (en) * | 2020-02-14 | 2021-08-19 | Samsung Electronics Co., Ltd. | In-storage-based data processing using machine learning |
CN113306486A (zh) * | 2021-05-28 | 2021-08-27 | 东风汽车有限公司东风日产乘用车公司 | 车内照明装置控制方法、存储介质和电子设备 |
-
2021
- 2021-12-31 CN CN202111679309.4A patent/CN114549864A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105448230A (zh) * | 2014-08-12 | 2016-03-30 | 西安诺瓦电子科技有限公司 | 基于人眼视觉的led显示装置亮色度校正方法及*** |
CN104320881A (zh) * | 2014-10-28 | 2015-01-28 | 江苏天语雅思医疗设备有限公司 | 一种led无影灯照明***中的智能调光控制器 |
US20160350940A1 (en) * | 2014-12-30 | 2016-12-01 | Nanjing Jusha Display Technology Co., Ltd. | Automatic Recognition And Calibration Method Of Medical Color And Grayscale Images |
CN106331664A (zh) * | 2015-06-30 | 2017-01-11 | 芋头科技(杭州)有限公司 | 一种投影仪的控制方法及适用于该方法的投影仪 |
CN105517222A (zh) * | 2015-12-01 | 2016-04-20 | 小米科技有限责任公司 | 灯光调节方法和装置 |
CN108738215A (zh) * | 2018-06-05 | 2018-11-02 | 信利光电股份有限公司 | 一种自动调节台灯技术参数方法、装置及台灯 |
CN109581883A (zh) * | 2018-12-05 | 2019-04-05 | 柳姿贝 | 一种基于物联网控制的智能花瓶 |
WO2021082735A1 (zh) * | 2019-10-31 | 2021-05-06 | 华为技术有限公司 | 一种雾特征识别方法、装置及相关设备 |
US20210256311A1 (en) * | 2020-02-14 | 2021-08-19 | Samsung Electronics Co., Ltd. | In-storage-based data processing using machine learning |
CN111639709A (zh) * | 2020-05-29 | 2020-09-08 | 大连海事大学 | 一种基于深度学习的航标灯质智能识别方法 |
CN111556630A (zh) * | 2020-06-29 | 2020-08-18 | 东北大学 | 基于贝叶斯网络的智能灯自适应场景识别***及方法 |
CN112489143A (zh) * | 2020-11-30 | 2021-03-12 | 济南博观智能科技有限公司 | 一种颜色识别方法、装置、设备及存储介质 |
CN113306486A (zh) * | 2021-05-28 | 2021-08-27 | 东风汽车有限公司东风日产乘用车公司 | 车内照明装置控制方法、存储介质和电子设备 |
Non-Patent Citations (2)
Title |
---|
朱永珍;孟庆虎;普杰信;: "基于HSV色彩空间与形状特征的交通灯自动识别", 电视技术, no. 05, 2 March 2015 (2015-03-02) * |
李宇翔;陈俊炜;王锟;谢铄涵;许龙铭;: "基于机器视觉感应的智能台灯设计", 电子世界, no. 05, 13 March 2020 (2020-03-13) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115604893A (zh) * | 2022-09-29 | 2023-01-13 | 天一智能科技(东莞)有限公司(Cn) | 动态调节儿童房光照环境的健康照明方法、装置及*** |
CN117202430A (zh) * | 2023-09-20 | 2023-12-08 | 浙江炯达能源科技有限公司 | 用于智慧灯杆的节能控制方法及*** |
CN117202430B (zh) * | 2023-09-20 | 2024-03-19 | 浙江炯达能源科技有限公司 | 用于智慧灯杆的节能控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549864A (zh) | 一种基于环境图像的智能灯控制方法和控制*** | |
CN105187810B (zh) | 一种基于人脸色彩特征的自动白平衡方法及电子媒体装置 | |
CN103051905B (zh) | 使用噪声优化的选择标准计算场景白点 | |
CN109769333B (zh) | 事件驱动的家居智能照明方法与*** | |
JP5628023B2 (ja) | キーワード入力に基づき、雰囲気、特に照明雰囲気を自動的に形成するための方法、システム、及び、ユーザーインターフェース | |
JP2018110403A (ja) | 改善されたhdrイメージ符号化及び復号化方法、装置 | |
CN109255774B (zh) | 一种图像融合方法、装置及其设备 | |
CN116634622A (zh) | 一种基于物联网的led智能控制方法、***及介质 | |
CN109858376A (zh) | 一种具有儿童健康学习监督功能的智能台灯 | |
JP2014064321A (ja) | 省電力透過ディスプレイ | |
US12033075B2 (en) | Training transformer neural networks to generate parameters of convolutional neural networks | |
CN110012116A (zh) | 一种智能伴学***及装置 | |
CN112365861A (zh) | 显示画面调整方法、电子设备及计算机可读存储介质 | |
CN110782448A (zh) | 渲染图像的评价方法及装置 | |
CN110110412A (zh) | 基于bim技术的户型全装修模拟展示方法及展示*** | |
CN109472838A (zh) | 一种素描生成方法及装置 | |
JPWO2020022371A1 (ja) | ロボットならびにその制御方法および制御プログラム | |
CN112218414A (zh) | 一种自适应设备亮度调节的方法及*** | |
CN111225233A (zh) | 一种多维环境渲染***及渲染方法 | |
CN114615781A (zh) | 一种rgbw灯具控制方法及*** | |
CN113873208A (zh) | 投影设备伽马曲线调整方法及设备 | |
CN112866064A (zh) | 一种控制方法、控制***及电子设备 | |
JP2018036853A (ja) | 明かりの印象評価方法 | |
WO2021199366A1 (ja) | 情報処理装置、方法、プログラム、およびモデル | |
CN114972749B (zh) | 用于处理语义分割模型的方法、装置、介质和设备 |
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 |