[发明专利]照明设施监控方法、系统和电子设备

说明书

本申请公开了一种基于环境明暗特征的照明设施监控方法、系统和电子设备。所述方法，包括：分别获取相邻的第一、第二摄像头拍摄的第一和第二夜间图像；将所述第一和第二夜间图像分别转化为第一和第二灰度图像；计算所述第一和第二灰度图像的每个像素之间的差值以获得灰度差值图；将所述第一、第二灰度图像以及所述灰度差值图像分别输入卷积神经网络以获得第一、第二灰度特征图和灰度差值特征图；融合所述第一、第二灰度特征图和所述灰度差值特征图以获得分类特征图；以及,基于所述分类特征图使用分类函数获得分类结果，所述分类结果用于表示照明设施的故障情况。这样，基于环境中不同位置的图像的明暗特征的分布来判断出照明设施是否存在故障。

技术领域

本申请涉及人工智能技术领域，且更为具体地，涉及一种基于环境明暗特征的照明设施监控方法、系统和电子设备。

背景技术

“智慧城市”将信息技术与先进的城市经营服务理念进行有效融合，通过对城市的地理、资源、环境、经济等进行数字网络化管理，为城市提供更便捷、高效、灵活的公共管理的创新服务模式。

城市照明设施是城市基础建设的重要内容，包括用于城市道路(例如，里巷、住宅小区、桥梁、隧道、广场、公共停车场等)、不售票的公园和绿地等处的照明设备。

城市照明设备具有数量大(高达百万级)、分布广(遍布城市的各个区域)等特性，这些特征导致对其的监管非常之难。在实际城市运营过程中，经常会发生照明设备性能衰减(发光强度明显不够)、照明设备损坏，但却长时间没有被维修和保养的现象。

近年来，深度学习尤其是神经网络的发展为照明设施的监控提供了新的解决思路和方案。

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环境明暗特征的照明设施监控方法、系统和电子设备，其通过深度神经网络基于环境中不同位置的图像的明暗特征的分布来判断出环境中的照明设施是否存在故障。

根据本申请的一个方面，提供了一种基于环境明暗特征的照明设施监控方法，包括：

分别获取相邻的第一摄像头和第二摄像头拍摄的第一夜间图像和第二夜间图像；

将所述第一夜间图像和所述第二夜间图像分别转化为第一灰度图像和第二灰度图像；

计算所述第一灰度图像和所述第二灰度图像的每个像素之间的差值以获得灰度差值图；

将所述第一灰度图像、所述第二灰度图像以及所述灰度差值图像分别输入卷积神经网络以获得第一灰度特征图、第二灰度特征图和灰度差值特征图；

融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图；以及

基于所述分类特征图使用分类函数获得分类结果，所述分类结果用于表示与所述第一摄像头和所述第二摄像头具有预定位置关系的区域内的照明设施的故障情况。

在上述基于环境明暗特征的照明设施监控方法中，计算所述第一灰度图像与第二灰度图像的每个像素之间的差值以获得灰度差值图像，包括：计算所述第一灰度图像与所述第二灰度图像的每个像素之间的灰度差值；以及，取每个灰度差值的绝对值以获得灰度差值图像。

在上述基于环境明暗特征的照明设施监控方法中，融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图，包括：计算所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图的加权和以获得所述分类特征图，其中，所述灰度差值特征图的权重大于所述第一灰度特征图的权重或者所述第二灰度特征图的权重，且小于所述第一灰度特征图的权重与所述第二灰度特征图的权重之和。