[发明专利]基于CNN的节能灯控方法及装置

权利要求书

1.一种基于 CNN 的节能灯控方法，其特征在于，包括：

获取目标实施环境的全景图像；

依据所述目标实施环境中灯具的分布规律，将所述全景图像划分为多个区域，获得多区域全景图像；

将所述多区域全景图像输入至预先构建的识别模型中，获得所述多区域全景图像的识别结果信息；

依据所述识别结果信息，确定所述多区域全景图像中的各个目标区域，所述目标区域为存在人像的区域；

确定与每个所述目标区域对应的目标灯具，并依据每个所述目标区域的分布情况，确定与每个所述目标灯具对应的照明亮度；

依据各个所述目标灯具和与每个所述目标灯具对应的照明亮度，触发各个所述目标灯具对应的控制模块，控制所述目标灯具以与所述目标灯具对应的照明亮度照明；

所述识别模型的构建过程，包括：

获取所述目标实施环境的全景图像样本集合；所述全景图像样本集合中包含多个全景图像样本；

依据所述目标实施环境中灯具的分布规律，将所述全景图像样本集合中的每个所述全景图像样本划分为多个区域，获得每个所述全景图像样本对应的多区域全景图像样本；

获取用户对各个所述多区域全景图像样本中每个区域的标记结果；所述标记结果包括第一标识信息或第二标识信息，所述第二标识信息用于表征不存在人像的区域；

将多个所述全景图像样本对应的已标记的多区域全景图像样本作为训练数据，将多个所述全景图像样本对应的已标记的多区域全景图像样本作为测试数据；其中，所述训练数据与所述测试数据不存在相同的数据；

构建基于 CNN 架构的神经网络模型，将所述训练数据输入至所述神经网络模型中，对所述神经网络模型进行训练，并计算已训练的神经网络模型的模型误差，若所述模型误差小于预设的模型误差阈值，则判定为完成所述神经网络模型的训练；

将所述测试数据输入至完成训练的神经网络模型中，对所述完成训练的神经网络进行测试，获得测试结果，并计算所述测试结果的误差，若所述测试结果的误差小于预设的误差阈值，则将所述完成训练的神经网络作为识别模型，若所述测试结果的误差不小于预设的误差阈值，则获取新的训练数据，并以所述新的训练数据继续对所述完成训练的神经网络模型进行训练，直至已训练的神经网络模型的测试结果小于所述误差阈值；

所述构建基于 CNN 架构的神经网络模型，包括：所述神经网络模型采用ResNet 结构并且最后 3 层使用多层感知器 MLP，所述神经网络模型中所有隐含层神经元激活函数均采用线性整流函数 ReLU，输出层神经元激活函数采用sigmoid 函数。

2.根据权利要求 1 所述的方法，其特征在于，所述将所述全景图像划分为多个区域，获得多区域全景图像，包括：

依据预设的编号规则，为已划分区域的所述全景图像中的每个区域分配一个区域编号；

将已完成区域编号分配的所述全景图像作为多区域全景图像。

3.根据权利要求 2 所述的方法，其特征在于，所述确定与每个所述目标区域对应的目标灯具，包括：

确定每个所述目标区域的区域编号，并确定所述目标实施环境中每个灯具的灯具编号；其中，所述灯具编号的编号规则和所述区域编号的编号规则相同；

将每个所述区域编号和每个所述灯具编号进行匹配，确定与每个所述区域编号相匹配的所述灯具编号，以确定与每个所述目标区域对应的目标灯具。

4.根据权利要求 2 所述的方法，其特征在于，所述确定所述多区域全景图像中的各个目标区域，包括：

确定所述多区域全景图像中每个区域的识别结果信息；

针对所述多区域全景图像中的每个所述区域，判断所述区域的识别结果信息是否为第一标识信息，若所述区域的识别结果信息为第一标识信息，则将所述区域确定为目标区域；所述第一标识信息用于表征存在人像的区域。