[发明专利]基于卷积神经网络的光照度测量及光照度智能控制系统

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系统，其特征在于：所述系统包括图像采集装置、样本数据库建立单元、卷积神经网络训练单元和单片机智能控制单元；

所述图像采集装置包括摄像头、视频线和主机，选取一处固定位置安装摄像头，摄像头选用球机便于调整角度采集图像，要求摄像头附近无遮挡；通过视频线连接主机；

所述样本数据库建立单元，用于选取已拍摄的各个时间段目标环境照片，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；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；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，对图片按光照度进行分类并用标记，作为训练样本集的类别标签；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；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；

所述卷积神经网络训练单元，用于将样本图像输入卷积神经网络模型，通过卷积层进行卷积操作，通过池化层完成下采样操作；前向传播计算神经元输出值和误差反向传播调整权值，输入训练数据进行仿真验证，确定网络训练完成；

所述单片机智能控制单元是由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，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，根据比较结果选择性地调整单片机的输出，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系统，其特征在于：所述卷积神经网络训练单元中，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：

xjl=f(Σi∈MjXil-1*Kijl+Bl)---(1)]]>

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系统，其特征在于：所述卷积神经网络训练单元中，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系统，其特征在于：所述卷积神经网络训练单元中，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。