[发明专利]一种基于机器学习的灯光监测方法和监测系统

权利要求书

1.一种基于机器学习的灯光监测方法，其特征在于，包括：

获取样本图像集中图像的RGB数据、IR灰度数据以及Depth深度数据，并获取对应图像中灯具的光通量和色温；

根据图像的RGB数据、IR灰度数据以及Depth深度数据，构建特征序列，并将对应图像中灯具的光通量和色温作为第一标签和第二标签；

将所述特征序列和第一标签、第二标签，输入预训练的多对多回归网络模型中进行训练，得到训练好的多对多网络模型；

将提取图像的RGB数据、IR灰度数据以及Depth深度数据的模型融合训练好的多对多网络模型，得到灯光监测模型；

将待监测的图像输入灯光监测模型，得到图像中灯具的光通量和色温。

2.根据权利要求1所述的一种基于机器学习的灯光监测方法，其特征在于，根据图像的RGB数据、IR灰度数据以及Depth深度数据，构建特征序列，具体为：

将图像中像素的R值平均值作为第一特征值；

将图像中像素的G值平均值作为第二特征值；

将图像中像素的B值平均值作为第三特征值；

将图像中像素的IR值平均值作为第四特征值；

将图像中像素的Depth值平均值作为第五特征值；

将第一特征值、第二特征值、第三特征值、第四特征值和第五特征值构建为特征序列。

3.根据权利要求1所述的一种基于机器学习的灯光监测方法，其特征在于，所述多对多网络模型包括但不限于：多对多循环神经网络模型、LSTM模型。

4.根据权利要求1所述的一种基于机器学习的灯光监测方法，其特征在于，还包括：

获取样本图像集中图像的RGB数据、IR灰度数据以及Depth深度数据，并根据样本图像集中图像的RGB数据、IR灰度数据以及Depth深度数据，确定灯具区域，并根据灯具区域内的RGB数据、IR灰度数据以及Depth深度数据，构建特征序列。

5.一种基于机器学习的灯光监测系统，其特征在于，包括：

样本数据获取单元：获取样本图像集中图像的RGB数据、IR灰度数据以及Depth深度数据，并获取对应图像中灯具的光通量和色温；

特征序列和标签获取单元：根据图像的RGB数据、IR灰度数据以及Depth深度数据，构建特征序列，并将对应图像中灯具的光通量和色温作为第一标签和第二标签；

多对多网络模型训练单元：将所述特征序列和第一标签、第二标签，输入预训练的多对多回归网络模型中进行训练，得到训练好的多对多网络模型；

灯光监测模型获取单元：将提取图像的RGB数据、IR灰度数据以及Depth深度数据的模型融合训练好的多对多网络模型，得到灯光监测模型；

灯具监测单元：将待监测的图像输入灯光监测模型，得到图像中灯具的光通量和色温。

6.根据权利要求5所述的一种基于机器学习的灯光监测系统，其特征在于，根据图像的RGB数据、IR灰度数据以及Depth深度数据，构建特征序列，具体为：

将图像中像素的R值平均值作为第一特征值；

将图像中像素的G值平均值作为第二特征值；

将图像中像素的B值平均值作为第三特征值；

将图像中像素的IR值平均值作为第四特征值；

将图像中像素的Depth值平均值作为第五特征值；

将第一特征值、第二特征值、第三特征值、第四特征值和第五特征值构建为特征序列。

7.根据权利要求5所述的一种基于机器学习的灯光监测系统，其特征在于，所述多对多网络模型包括但不限于：多对多循环神经网络模型、LSTM模型。

8.根据权利要求5所述的一种基于机器学习的灯光监测系统，其特征在于，还包括：

获取样本图像集中图像的RGB数据、IR灰度数据以及Depth深度数据，并根据样本图像集中图像的RGB数据、IR灰度数据以及Depth深度数据，确定灯具区域，并根据灯具区域内的RGB数据、IR灰度数据以及Depth深度数据，构建特征序列。