发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于人工智能的楼宇自控***及其方法,其通过采用基于深度学习的神经网络模型挖掘出室内温度值的时序动态变化特征信息和室内人员分布的隐含特征信息之间的关联性特征,以此基于室内人员分布情况和温度的时序变化情况来综合进行空调出风速度的自适应控制,从而提高楼宇的节能效率和效果的同时提升用户的舒适度。
根据本申请的一个方面,提供了一种基于人工智能的楼宇自控方法,其包括:获取由摄像头采集的室内人员分布监控图像以及预定时间段内多个预定时间点的室内温度值;将所述多个预定时间点的室内温度值按照维度排列为温度时序输入向量;将所述温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器以得到温度时序特征向量;将所述室内人员分布监控图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的人员分布特征提取器以得到人员分布特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核;融合所述人员分布特征矩阵和所述温度时序特征向量以得到分类特征向量;以及将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否减小空调的出风速度。
在上述基于人工智能的楼宇自控方法中,将所述温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器以得到温度时序特征向量,包括:使用所述基于一维卷积神经网络模型的温度时序特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于一维卷积神经网络模型的温度时序特征提取器的最后一层的输出为所述温度时序特征向量,所述基于一维卷积神经网络模型的温度时序特征提取器的第一层的输入为所述温度时序输入向量。
在上述基于人工智能的楼宇自控方法中,将所述室内人员分布监控图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的人员分布特征提取器以得到人员分布特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核,包括:将所述室内人员分布监控图像通过所述人员分布特征提取器的第一卷积神经网络模型以得到第一尺度人员分布特征矩阵;将所述室内人员分布监控图像通过所述人员分布特征提取器的第二卷积神经网络模型以得到第二尺度人员分布特征矩阵;融合所述第一尺度人员分布特征矩阵和所述第二尺度人员分布特征矩阵以得到所述人员分布特征矩阵。
在上述基于人工智能的楼宇自控方法中,将所述室内人员分布监控图像通过所述人员分布特征提取器的第一卷积神经网络模型以得到第一尺度人员分布特征矩阵,包括:使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述第一尺度人员分布特征矩阵,所述第一卷积神经网络模型的第一层的输入为所述室内人员分布监控图像。
在上述基于人工智能的楼宇自控方法中,将所述室内人员分布监控图像通过所述人员分布特征提取器的第二卷积神经网络模型以得到第二尺度人员分布特征矩阵,包括:使用所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述第二尺度人员分布特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述室内人员分布监控图像。
在上述基于人工智能的楼宇自控方法中,融合所述第一尺度人员分布特征矩阵和
所述第二尺度人员分布特征矩阵以得到所述人员分布特征矩阵,包括:以如下优化公式对
所述第一尺度人员分布特征矩阵和所述第二尺度人员分布特征矩阵进行全局上下文空间
关联富化融合以得到所述人员分布特征矩阵;其中,所述优化公式为:;其中,和分别是所述第一尺度人员分布
特征矩阵和所述第二尺度人员分布特征矩阵,是所述人员分布特征矩阵,和分别是
矩阵乘法和矩阵加法,表示矩阵的转置矩阵。
在上述基于人工智能的楼宇自控方法中,融合所述人员分布特征矩阵和所述温度
时序特征向量以得到分类特征向量,包括:以如下融合公式来融合所述人员分布特征矩阵
和所述温度时序特征向量以得到分类特征向量;其中,所述公式为:,其中表
示所述人员分布特征矩阵,表示所述温度时序特征向量,表示所述分类特征向量。
在上述基于人工智能的楼宇自控方法中,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否减小空调的出风速度,包括:使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,提供了一种基于人工智能的楼宇自控***,其包括:信息采集模块,用于获取由摄像头采集的室内人员分布监控图像以及预定时间段内多个预定时间点的室内温度值;排列模块,用于将所述多个预定时间点的室内温度值按照维度排列为温度时序输入向量;温度时序特征提取模块,用于将所述温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器以得到温度时序特征向量;卷积模块,用于将所述室内人员分布监控图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的人员分布特征提取器以得到人员分布特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核;融合模块,用于融合所述人员分布特征矩阵和所述温度时序特征向量以得到分类特征向量;以及分类结果生成模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否减小空调的出风速度。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于人工智能的楼宇自控方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于人工智能的楼宇自控方法。
与现有技术相比,本申请提供的一种基于人工智能的楼宇自控***及其方法,其通过采用基于深度学习的神经网络模型挖掘出室内温度值的时序动态变化特征信息和室内人员分布的隐含特征信息之间的关联性特征,以此基于室内人员分布情况和温度的时序变化情况来综合进行空调出风速度的自适应控制,从而提高楼宇的节能效率和效果的同时提升用户的舒适度。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述:如上所述,目前的楼宇自控***在实际的应用过程中,存在着以下缺陷:通用性差:不同楼宇项目,一般需要重新聘请暖通工程专家优化其楼宇自控***的控制策略,并且人工专家推导的控制规则,受个人经验影响,可能不是最节能的控制策略。人工成本高:聘请有经验的专家,费用高,例如,为了达到所要求的节能效率,楼宇自控***控制策略的制定及其调试周期可能较长,导致实际的人工成本在节能项目的成本里占比很高。节能效果和用户之间适配度较差:往往忽略了楼宇内的人员分布等因素对建筑能耗的影响,导致楼宇节能效果和用户人员分布之间的适配性较差,从而可能造成为了实现楼宇的节能,降低了不同用户的舒适度。因此,期望一种优化的基于人工智能的楼宇自控***。
相应地,考虑到在实际进行楼宇的自动控制过程中,为了在实现楼宇的节能效率和效果的同时,提高与用户人员分布之间的适配度,在本申请的技术方案中,期望基于室内人员分布和温度时序特征来自适应地调整空调的出风速度,以此来提升用户的舒适度,以及楼宇的节能效率和效果。但是,由于室内人员分布情况在实际监测的过程中,其在监控图像中为小尺度的隐性特征信息,难以进行充分捕捉刻画,并且所述室内温度值在时间维度上具有着时序的动态变化规律性。因此,在此过程中,难点在于如何挖掘所述室内温度值的时序动态变化特征信息和所述室内人员分布的隐含特征信息之间的关联性特征,以此基于室内人员分布情况和温度的时序变化情况来综合进行空调出风速度的自适应控制,从而提高楼宇的节能效率和效果的同时提升用户的舒适度。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述室内温度值的时序动态变化特征信息和所述室内人员分布的隐含特征信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,通过摄像头采集室内人员分布监控图像以及预定时间段内多个预定时间点的室内温度值。接着,考虑到由于所述室内温度值在时间维度上有着动态性的变化规律,也就是说,所述各个预定时间点下的室内温度值之间具有着时序的关联特征信息。因此,为了能够捕捉到所述室内温度值的时序动态变化特性,需要首先将所述多个预定时间点的室内温度值按照维度排列为温度时序输入向量,以此来整合所述室内温度值在时序上的分布信息。
继而,再将所述温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器中进行特征挖掘,以此来提取出所述室内温度值在时间维度上的时序分布关联特征信息,即所述室内温度值的时序变化特征信息,从而得到温度时序特征向量。
进一步地,对室内人员分布情况来说,使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述室内人员分布监控图像的特征挖掘,以此来提取出图像中关于室内人员分布的隐含特征信息。特别地,考虑到在楼宇建筑中,人员分布情况会受到建筑设计本身的影响,导致楼宇建筑中的不同空间位置会存在不同的人员分布情况。因此,为了能够充分地捕捉到所述室内人员分布的隐含特征信息,在本申请的技术方案中,进一步将所述室内人员分布监控图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的人员分布特征提取器以得到人员分布特征矩阵。值得一提的是,这里,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核,以此来捕捉到所述楼宇建筑中不同空间位置处的人员分布多尺度隐含特征信息,有利于提高后续对于空调出风速度控制的精准度。
进而,进一步再融合所述人员分布特征矩阵和所述温度时序特征向量,以此来融合了所述室内人员分布的多尺度特征信息和所述室内温度值的时序变化特征信息,从而得到具有两者融合关联特征的分类特征向量。接着,再以该融合关联特征来进行分类,从而实现对于空调出风速度的控制。具体地,将所述分类特征向量通过分类器中进行分类处理,以得到用于表示是否减小空调的出风速度的分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括减小空调的出风速度(第一标签p1),以及,不减小空调的出风速度(第二标签p2),其中,所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否减小空调的出风速度”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,是否减小空调的出风速度的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否减小空调的出风速度”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为是否减小空调的出风速度的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来自适应地调整所述当前时间点的空调出风速度,从而提高楼宇的节能效率和效果的同时提升用户的舒适度。
特别地,在本申请的技术方案中,在将所述室内人员分布监控图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的人员分布特征提取器以得到人员分布特征矩阵时,是将所述室内人员分布监控图像分别通过所述第一卷积神经网络模型和所述第二卷积神经网络模型得到的第一尺度人员分布特征矩阵和第二尺度人员分布特征矩阵融合来得到所述人员分布特征矩阵。由此,为了提升所述人员分布特征矩阵对于所述第一卷积神经网络模型和所述第二卷积神经网络模型的具有不同空洞率的空洞卷积核对应的不同尺度下的室内人员分布监控图像的局部图像语义关联特征的融合表达效果,需要考虑所述第一尺度人员分布特征矩阵和所述第二尺度人员分布特征矩阵各自的空间关联尺度下的图像语义关联特征的空间分布表示来对其进行融合。
基于此,本申请的发明人对所述第一尺度人员分布特征矩阵,例如记为和所述
第二尺度人员分布特征矩阵,例如记为进行全局上下文空间关联富化融合,以得到融合
后的所述人员分布特征矩阵,例如记为,其中,具体表示为:;这里,为了聚集在所述第一尺度人员分布特
征矩阵和所述第二尺度人员分布特征矩阵之间关联分布的本地空间语义之间的上下
文空间关联语义,所述全局上下文空间关联富化融合通过聚焦于所述第一尺度人员分布特
征矩阵和所述第二尺度人员分布特征矩阵各自表示的空间级别(spatial level)的
显式上下文相关性,来富化(enriching)全局感知野下的特征矩阵级别的空间语义融合式
表达,从而实现所述第一尺度人员分布特征矩阵和所述第二尺度人员分布特征矩阵
的空间共享上下文语义的同化(assimilation)融合,以提升所述人员分布特征矩阵对所
述第一尺度人员分布特征矩阵和所述第二尺度人员分布特征矩阵的融合效果,这样,
就可以进一步提升融合所述人员分布特征矩阵和所述温度时序特征向量得到的所述分类
特征向量的特征表达效果,从而提升了其通过分类器得到的分类结果的准确性。这样,能够
基于室内人员分布情况和温度的时序变化情况来综合进行空调出风速度的自适应控制,从
而提高楼宇的节能效率和效果的同时提升用户的舒适度。
基于此,本申请提出了一种基于人工智能的楼宇自控方法,其包括:获取由摄像头采集的室内人员分布监控图像以及预定时间段内多个预定时间点的室内温度值;将所述多个预定时间点的室内温度值按照维度排列为温度时序输入向量;将所述温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器以得到温度时序特征向量;将所述室内人员分布监控图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的人员分布特征提取器以得到人员分布特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核;融合所述人员分布特征矩阵和所述温度时序特征向量以得到分类特征向量;以及,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否减小空调的出风速度。
图1为根据本申请实施例的基于人工智能的楼宇自控方法的场景示意图。如图1所示,在该应用场景中,通过摄像头(例如,如图1中所示意的C)获取室内人员分布监控图像,以及,通过温度传感器(例如,如图1中所示意的V)获取预定时间段内多个预定时间点的室内温度值。接着,将上述信息输入至部署有用于基于人工智能的楼宇自控算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述基于人工智能的楼宇自控算法对上述输入的信息进行处理,以生成用于表示是否减小空调的出风速度的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法:图2为根据本申请实施例的基于人工智能的楼宇自控方法的流程图。如图2所示,根据本申请实施例的基于人工智能的楼宇自控方法,包括步骤:S110,获取由摄像头采集的室内人员分布监控图像以及预定时间段内多个预定时间点的室内温度值;S120,将所述多个预定时间点的室内温度值按照维度排列为温度时序输入向量;S130,将所述温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器以得到温度时序特征向量;S140,将所述室内人员分布监控图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的人员分布特征提取器以得到人员分布特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核;S150,融合所述人员分布特征矩阵和所述温度时序特征向量以得到分类特征向量;以及,S160,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否减小空调的出风速度。
图3为根据本申请实施例的基于人工智能的楼宇自控方法的***架构图。如图3所示,该网络结构中,首先,获取由摄像头采集的室内人员分布监控图像以及预定时间段内多个预定时间点的室内温度值;接着,将所述多个预定时间点的室内温度值按照维度排列为温度时序输入向量;将所述温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器以得到温度时序特征向量;将所述室内人员分布监控图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的人员分布特征提取器以得到人员分布特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核;然后,融合所述人员分布特征矩阵和所述温度时序特征向量以得到分类特征向量;进而,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否减小空调的出风速度。
更具体地,在步骤S110中,获取由摄像头采集的室内人员分布监控图像以及预定时间段内多个预定时间点的室内温度值。应可以理解,在实际进行楼宇的自动控制过程中,可通过基于室内人员分布和温度时序特征来自适应地调整空调的出风速度,以此来提升用户的舒适度,以及楼宇的节能效率和效果。因此,在本申请的技术方案中,首先,通过摄像头来获取室内人员分布监控图像,以及,通过温度传感器来获取预定时间段内多个预定时间点的室内温度值。
更具体地,在步骤S120中,将所述多个预定时间点的室内温度值按照时间维度排列为温度时序输入向量。考虑到由于所述室内温度值在时间维度上有着动态性的变化规律,也就是说,所述各个预定时间点下的室内温度值之间具有着时序的关联特征信息。因此,为了能够捕捉到所述室内温度值的时序动态变化特性,需要首先将所述多个预定时间点的室内温度值按照维度排列为温度时序输入向量,以此来整合所述室内温度值在时序上的分布信息。
更具体地,在步骤S130中,将所述温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器以得到温度时序特征向量。也就是,使用所述基于一维卷积神经网络模型的温度时序特征提取器对所述温度时序特征向量进行特征挖掘,以此来提取出所述室内温度值在时间维度上的时序分布关联特征信息,即所述室内温度值的时序变化特征信息,以得到所述温度时序特征向量。在一个具体示例中,所述基于一维卷积神经网络模型的温度时序特征提取器包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述温度时序特征提取器的编码过程中,所述温度时序特征提取器的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图4为根据本申请实施例的基于人工智能的楼宇自控方法中温度时序特征提取的流程图。如图4所示,在所述温度时序特征提取过程中,包括:使用所述基于一维卷积神经网络模型的温度时序特征提取器的各层在层的正向传递中分别对输入数据进行:S210,对输入数据进行卷积处理以得到卷积特征图;S220,对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,S230,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于一维卷积神经网络模型的温度时序特征提取器的最后一层的输出为所述温度时序特征向量,所述基于一维卷积神经网络模型的温度时序特征提取器的第一层的输入为所述温度时序输入向量。
更具体地,在步骤S140中,将所述室内人员分布监控图像通过包含第一卷积神经
网络模型和第二卷积神经网络模型的人员分布特征提取器以得到人员分布特征矩阵,其
中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞
卷积核。也就是,对室内人员分布情况来说,使用在图像的隐含特征提取方面具有优异表现
的卷积神经网络模型来进行所述室内人员分布监控图像的特征挖掘,以此来提取出图像中
关于室内人员分布的隐含特征信息。特别地,考虑到在楼宇建筑中,人员分布情况会受到建
筑设计本身的影响,导致楼宇建筑中的不同空间位置会存在不同的人员分布情况。因此,为
了能够充分地捕捉到所述室内人员分布的隐含特征信息,在本申请的技术方案中,进一步
将所述室内人员分布监控图像通过包含第一卷积神经网络模型和第二卷积神经网络模型
的人员分布特征提取器以得到人员分布特征矩阵。值得一提的是,这里,所述第一卷积神经
网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核,以此来捕捉到
所述楼宇建筑中不同空间位置处的人员分布多尺度隐含特征信息,有利于提高后续对于空
调出风速度控制的精准度。在本申请的技术方案中,在将所述室内人员分布监控图像通过
包含第一卷积神经网络模型和第二卷积神经网络模型的人员分布特征提取器以得到人员
分布特征矩阵时,是将所述室内人员分布监控图像分别通过所述第一卷积神经网络模型和
所述第二卷积神经网络模型得到的第一尺度人员分布特征矩阵和第二尺度人员分布特征
矩阵融合来得到所述人员分布特征矩阵。由此,为了提升所述人员分布特征矩阵对于所述
第一卷积神经网络模型和所述第二卷积神经网络模型的具有不同空洞率的空洞卷积核对
应的不同尺度下的室内人员分布监控图像的局部图像语义关联特征的融合表达效果,需要
考虑所述第一尺度人员分布特征矩阵和所述第二尺度人员分布特征矩阵各自的空间关联
尺度下的图像语义关联特征的空间分布表示来对其进行融合。基于此,本申请的发明人对
所述第一尺度人员分布特征矩阵,例如记为和所述第二尺度人员分布特征矩阵,例如记
为进行全局上下文空间关联富化融合,以得到融合后的所述人员分布特征矩阵,例如记
为,其中,具体表示为:;其中,和分
别是所述第一尺度人员分布特征矩阵和所述第二尺度人员分布特征矩阵,是所述人员分
布特征矩阵,和分别是矩阵乘法和矩阵加法,表示矩阵的转置矩阵。这里,为了聚集
在所述第一尺度人员分布特征矩阵和所述第二尺度人员分布特征矩阵之间关联分布
的本地空间语义之间的上下文空间关联语义,所述全局上下文空间关联富化融合通过聚焦
于所述第一尺度人员分布特征矩阵和所述第二尺度人员分布特征矩阵各自表示的空
间级别(spatial level)的显式上下文相关性,来富化(enriching)全局感知野下的特征矩
阵级别的空间语义融合式表达,从而实现所述第一尺度人员分布特征矩阵和所述第二尺
度人员分布特征矩阵的空间共享上下文语义的同化(assimilation)融合,以提升所述人
员分布特征矩阵对所述第一尺度人员分布特征矩阵和所述第二尺度人员分布特征矩
阵的融合效果,这样,就可以进一步提升融合所述人员分布特征矩阵和所述温度时序特
征向量得到的所述分类特征向量的特征表达效果,从而提升了其通过分类器得到的分类结
果的准确性。这样,能够基于室内人员分布情况和温度的时序变化情况来综合进行空调出
风速度的自适应控制,从而提高楼宇的节能效率和效果的同时提升用户的舒适度。
图5为根据本申请实施例的基于人工智能的楼宇自控方法中人员分布特征提取的流程图。如图5所示,在所述人员分布特征提取过程中,包括:S310,将所述室内人员分布监控图像通过所述人员分布特征提取器的第一卷积神经网络模型以得到第一尺度人员分布特征矩阵;S320,将所述室内人员分布监控图像通过所述人员分布特征提取器的第二卷积神经网络模型以得到第二尺度人员分布特征矩阵;S330,融合所述第一尺度人员分布特征矩阵和所述第二尺度人员分布特征矩阵以得到所述人员分布特征矩阵。其中,所述S310,包括:使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述第一尺度人员分布特征矩阵,所述第一卷积神经网络模型的第一层的输入为所述室内人员分布监控图像。更具体地,所述S320,包括:使用所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述第二尺度人员分布特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述室内人员分布监控图像。
更具体地,在步骤S150中,融合所述人员分布特征矩阵和所述温度时序特征向量
以得到分类特征向量。也就是,在得到所述人员分布特征矩阵和所述温度时序特征向量后,
进一步计算两者的乘积以此来融合所述室内人员分布的多尺度特征信息和所述室内温度
值的时序变化特征信息,在本申请的一个具体示例中,以如下融合公式来融合所述人员分
布特征矩阵和所述温度时序特征向量以得到分类特征向量;其中,所述公式为:
,其中表示所述人员分布特征矩阵,表示所述温度时序特征向量,表示所述分类特征
向量。
更具体地,在步骤S160中,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否减小空调的出风速度。也就是,在得到所述分类特征向量后,进一步将其通过分类器进行分类以得到用于表示是否减小空调的出风速度的分类结果。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,首先,使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本申请的技术方案中,所述分类器的标签包括减小空调的出风速度(第一标签p1),以及,不减小空调的出风速度(第二标签p2),其中,所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否减小空调的出风速度”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,是否减小空调的出风速度的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否减小空调的出风速度”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为是否减小空调的出风速度的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来自适应地调整所述当前时间点的空调出风速度,从而提高楼宇的节能效率和效果的同时提升用户的舒适度。
综上,根据本申请实施例的基于人工智能的楼宇自控方法被阐明,其通过采用基于深度学习的神经网络模型挖掘出室内温度值的时序动态变化特征信息和室内人员分布的隐含特征信息之间的关联性特征,以此基于室内人员分布情况和温度的时序变化情况来综合进行空调出风速度的自适应控制,从而提高楼宇的节能效率和效果的同时提升用户的舒适度。
示例性***:图6为根据本申请实施例的基于人工智能的楼宇自控***的框图。如图6所示,根据本申请实施例的基于人工智能的楼宇自控***300,包括:信息采集模块310;排列模块320;温度时序特征提取模块330;卷积模块340;融合模块350;以及,分类结果生成模块360。
其中,所述信息采集模块310,用于获取由摄像头采集的室内人员分布监控图像以及预定时间段内多个预定时间点的室内温度值;所述排列模块320,用于将所述多个预定时间点的室内温度值按照时间时间维度排列为温度时序输入向量;所述温度时序特征提取模块330,用于将所述温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器以得到温度时序特征向量;所述卷积模块340,用于将所述室内人员分布监控图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的人员分布特征提取器以得到人员分布特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核;所述融合模块350,用于融合所述人员分布特征矩阵和所述温度时序特征向量以得到分类特征向量;以及,所述分类结果生成模块360,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否减小空调的出风速度。
在一个示例中,在上述基于人工智能的楼宇自控***300中,所述温度时序特征提取模块330,用于:使用所述基于一维卷积神经网络模型的温度时序特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于一维卷积神经网络模型的温度时序特征提取器的最后一层的输出为所述温度时序特征向量,所述基于一维卷积神经网络模型的温度时序特征提取器的第一层的输入为所述温度时序输入向量。
在一个示例中,在上述基于人工智能的楼宇自控***300中,所述卷积模块340,用
于:将所述室内人员分布监控图像通过所述人员分布特征提取器的第一卷积神经网络模型
以得到第一尺度人员分布特征矩阵;将所述室内人员分布监控图像通过所述人员分布特征
提取器的第二卷积神经网络模型以得到第二尺度人员分布特征矩阵;融合所述第一尺度人
员分布特征矩阵和所述第二尺度人员分布特征矩阵以得到所述人员分布特征矩阵。其中,
将所述室内人员分布监控图像通过所述人员分布特征提取器的第一卷积神经网络模型以
得到第一尺度人员分布特征矩阵,包括:使用所述第一卷积神经网络模型的各层在层的正
向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积
特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激
活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述第一尺
度人员分布特征矩阵,所述第一卷积神经网络模型的第一层的输入为所述室内人员分布监
控图像。将所述室内人员分布监控图像通过所述人员分布特征提取器的第二卷积神经网络
模型以得到第二尺度人员分布特征矩阵,包括:使用所述第二卷积神经网络模型的各层在
层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所
述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非
线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述
第二尺度人员分布特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述室内人员
分布监控图像。更具体地,融合所述第一尺度人员分布特征矩阵和所述第二尺度人员分布
特征矩阵以得到所述人员分布特征矩阵,包括:以如下优化公式对所述第一尺度人员分布
特征矩阵和所述第二尺度人员分布特征矩阵进行全局上下文空间关联富化融合以得到所
述人员分布特征矩阵;其中,所述优化公式为:
;其中,和分别是所述第一尺度人员分布特征矩阵和所述第二尺度人员分布特征矩
阵,是所述人员分布特征矩阵,和分别是矩阵乘法和矩阵加法,表示矩阵的转置
矩阵。
在一个示例中,在上述基于人工智能的楼宇自控***300中,所述融合模块350,用
于:以如下融合公式来融合所述人员分布特征矩阵和所述温度时序特征向量以得到分类特
征向量;其中,所述公式为:,其中表示所述人员分布特征矩阵,表示所述
温度时序特征向量,表示所述分类特征向量。
在一个示例中,在上述基于人工智能的楼宇自控***300中,所述分类结果生成模块360,用于:使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的基于人工智能的楼宇自控***300被阐明,其通过采用基于深度学习的神经网络模型挖掘出室内温度值的时序动态变化特征信息和室内人员分布的隐含特征信息之间的关联性特征,以此基于室内人员分布情况和温度的时序变化情况来综合进行空调出风速度的自适应控制,从而提高楼宇的节能效率和效果的同时提升用户的舒适度。
如上所述,根据本申请实施例的基于人工智能的楼宇自控***可以实现在各种终端设备中。在一个示例中,根据本申请实施例的基于人工智能的楼宇自控***300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于人工智能的楼宇自控***300可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于人工智能的楼宇自控***300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于人工智能的楼宇自控***300与该终端设备也可以是分立的设备,并且该基于人工智能的楼宇自控***300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备:下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于人工智能的楼宇自控方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征向量等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于人工智能的楼宇自控方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于人工智能的楼宇自控方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。