[发明专利]一种基于卷积神经网络的光照度测量及光照度智能控制方法

权利要求书

1.一种基于卷积神经网络的光照度测量及光照度智能控制方法，其特征在于：所述方法包括如下步骤：

步骤1：设备安装

选取一处固定位置安装摄像头，单片机通过串口通讯与主机相连，同时单片机与照明设备通过D/A转换模块连接；

步骤2：样本图像采集，过程如下：

2.1选取各个时间段，拍摄目标环境照片，由工作人员使用常规照度计记录每张照片对应时刻的光照度；

2.2根据图片和光照度的映射关系，建立图片与光照度关系映射表；

步骤3：建立样本数据，过程如下：

3.1选取N张各个光照度的图片，根据光照度测量精度的实际要求，对每张图片按光照度进行分类并标记，作为训练样本集的类别标签；

3.2对图片进行灰度化、灰度拉伸的图片预处理操作，保存为训练样本集；

3.3选取n张各个光照度的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集；

步骤4：设计卷积神经网络

设计卷积神经网络初步结构模型，用步骤3所得的样本数据训练并测试调整卷积神经网络模型；最后，输入训练数据进行仿真验证，确定网络训练完成；

步骤5：实际测量

拍摄环境图像，经由步骤3所述方法处理图片，将图片传入训练好的卷积神经网络，最后经由分类器得到该图片类别标签，该类别标签对应的光照度范围即该图片拍摄时环境光照度；

步骤6：单片机与照明设备通过D/A转换模块连接，实现单片机对照明设备亮度的控制；

步骤7：将步骤5所测得的环境光照度数字信号E通过串行口输入单片机，单片机比较环境光照度E与最适光照度A；进一步，设定Δ为光照度允许上下波动范围，若E-A>Δ，增大单片机的输出值，若E-A<-Δ，减小单片机的输出值，若-Δ<E-A<Δ，保持单片机现有输出不变；

步骤8：重复步骤5、步骤6、步骤7，实现对环境光照度的控制，从而达到最适光照。

2.如权利要求1所述的基于卷积神经网络的光照度测量及光照度智能控制方法，其特征在于：所述步骤4中，所述卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层构成；其中，所述卷积层完成输入特征图与卷积核的卷积操作，卷积核即为权值参数的矩阵，在前一层的特征图滑动卷积核，与原图像重叠的区域进行加权求和，加入偏置值，经激励函数处理得到输出特征图的矩阵；卷积神经网络的卷积层将N个输入特征图转换成M个输出特征图，其转换关系由N*M个卷积核决定，即两层神经元的连接权重；不同输入特征图对应不同的卷积核，输出神经元产生的M个输出特征图将会形成下一个卷积层的输入特征图；由公式(1)表达：

l表示网络的第几层，K为卷积核，M_j为输入特征图的一个选择，每一层有唯一的偏置B，f(x)为激活函数。

3.如权利要求2所述的基于卷积神经网络的光照度测量及光照度智能控制方法，其特征在于：所述步骤4中，采用ReLU函数作为激活函数，函数表达式为：f(x)＝max(0,x)。

4.如权利要求2或3所述的基于卷积神经网络的光照度测量及光照度智能控制方法，其特征在于：所述步骤4中，所述池化层位于所述卷积层之后，所述池化层操作仅在同一特征图内部进行，不同特征图之间互不影响，不改变原特征图数量，输入N个特征图个数，即有N个输出特征图，对于采样窗口大小为n×n的操作过程，则输出的特征图相比输入特征图在两个维度上都缩小了n倍。

5.如权利要求4所述的基于卷积神经网络的光照度测量及光照度智能控制方法，其特征在于：所述步骤4中，所述池化层采用平均值采样方式，平均值与偏置相加，经激活函数做非线性变换，表达式为公式(2)：

6.如权利要求4所述的基于卷积神经网络的光照度测量及光照度智能控制方法，其特征在于：所述步骤4中，所述卷积神经网络的第二个卷积层与池化层均为二次提取特征过程，方法与第一个卷积层与池化层的卷积操作、池化操作相同。