[发明专利]一种基于机器学习的灯光监测方法和监测系统

说明书

本发明提出了一种基于机器学习的灯光监测方法，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；本发明提出的方法将灯具实现自动化灯光监测，且测试过程快速，结果准确，成本低。

技术领域

本发明涉及灯具测试领域，特别是指一种基于机器学习的灯光监测方法和监测系统。

背景技术

灯具在研发测试时，需要对灯具的亮度和色温进行识别，传统的灯具亮度识别，通常是通过光敏传感器获取灯具的亮度，而灯具的色温主要与通过灯具的电流比参数相关，因此，对于灯具色温的识别通过需要先得到通过灯具的电流比参数，在根据预设的电流比参数与色温的对应关系中查找到相应的色温，测试过程繁琐，测试成本高。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于机器学习的灯光监测方法，结合图像识别和机器学习，将研发过程、生产过程中的灯具实现自动化灯光监测，无需人工干预，且测试过程快速，结果准确，成本低。

本发明采用如下技术方案：

一种基于机器学习的灯光监测方法，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。

具体地，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。

具体地，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。

具体地，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。

本发明实施例另一方面提供一种基于机器学习的灯光监测系统，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；