LED灯光智能控制方法、系统及计算机设备 |
|||||||
| 申请号 | CN202410360839.X | 申请日 | 2024-03-27 | 公开(公告)号 | CN117979487A | 公开(公告)日 | 2024-05-03 |
| 申请人 | 深圳市艾明斯光电有限公司; | 发明人 | 李浩东; 颜秀金; 陈翔; 陈吉鹏; | ||||
| 摘要 | 本 申请 涉及灯光控制技术领域，公开了一种 LED灯 光智能控制方法、系统及计算机设备。所述方法包括：获取目标空间的环境光强度数据并进行多目标检测，得到多个目标人员的 位置 信息；根据位置信息对目标空间进行空间区域划分，得到多个空间区域；通过电荷感应检测模型进行人员 运动检测 ，得到每个目标人员的运动检测结果；根据运动检测结果计算每个目标人员与LED灯光之间的相对距离方位数据；基于 贝叶斯网络 算法 进行照明需求分析，得到照明需求概率分布数据；根据照明需求概率分布数据创建初始LED灯光参数并通过 蜜蜂 觅食算法进行灯光均衡调节，得到目标LED灯光参数，进而实现了LED灯光的智能控制并提高了LED灯光控制的智能控制效果。 | ||||||
| 权利要求 | 1.一种LED灯光智能控制方法，其特征在于，所述LED灯光智能控制方法包括： |
||||||
| 说明书全文 | LED灯光智能控制方法、系统及计算机设备技术领域[0001] 本申请涉及灯光控制技术领域，尤其涉及一种LED灯光智能控制方法、系统及计算机设备。 背景技术[0002] 随着LED技术的广泛应用，人们对照明系统的智能化和节能化提出了更高的要求。传统的照明系统多采用固定模式控制，缺乏对环境光变化和人员活动的动态响应，这导致了能源的浪费以及照明效果与人们实际需求之间的差距。例如，在一个自然光充足的房间内，若照明系统无法根据环境光强度的变化自动调节灯光亮度，就会造成不必要的能源消耗和光污染。 [0003] 传统照明系统往往忽略了空间内人员的分布和活动模式对照明需求的影响。在多功能空间中，不同区域的照明需求可能大相径庭，固定的照明设置无法满足所有区域的最佳照明效果。例如，阅读区域需要更高亮度的光线，而休息区域则需要柔和的照明。传统照明控制系统无法细致地识别并适应这些需求变化，从而影响了使用者的舒适度和照明效率。发明内容 [0004] 本申请提供了一种LED灯光智能控制方法、系统及计算机设备，进而实现了LED灯光的智能控制并提高了LED灯光控制的智能控制效果。 [0005] 本申请第一方面提供了一种LED灯光智能控制方法，所述LED灯光智能控制方法包括：获取目标空间的环境光强度数据，并对所述目标空间进行多目标检测，得到多个目标人员的位置信息； 根据所述位置信息对所述目标空间进行空间区域划分，得到多个空间区域； 通过电荷感应检测模型对所述多个空间区域进行人员运动检测，得到每个目标人员的运动检测结果； 根据所述运动检测结果计算每个目标人员与LED灯光之间的相对距离方位数据； 基于贝叶斯网络算法对所述相对距离方位数据和所述环境光强度数据进行照明需求分析，得到照明需求概率分布数据； 根据所述照明需求概率分布数据创建初始LED灯光参数，并通过蜜蜂觅食算法进行灯光均衡调节，得到目标LED灯光参数。 [0006] 本申请第二方面提供了一种LED灯光智能控制系统，所述LED灯光智能控制系统包括：获取模块，用于获取目标空间的环境光强度数据，并对所述目标空间进行多目标检测，得到多个目标人员的位置信息； 划分模块，用于根据所述位置信息对所述目标空间进行空间区域划分，得到多个空间区域； 检测模块，用于通过电荷感应检测模型对所述多个空间区域进行人员运动检测，得到每个目标人员的运动检测结果； 计算模块，用于根据所述运动检测结果计算每个目标人员与LED灯光之间的相对距离方位数据； 分析模块，用于基于贝叶斯网络算法对所述相对距离方位数据和所述环境光强度数据进行照明需求分析，得到照明需求概率分布数据； 创建模块，用于根据所述照明需求概率分布数据创建初始LED灯光参数，并通过蜜蜂觅食算法进行灯光均衡调节，得到目标LED灯光参数。 [0007] 本申请第三方面提供了一种计算机设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行上述的LED灯光智能控制方法。 [0008] 本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的LED灯光智能控制方法。 [0009] 本申请提供的技术方案中，本申请能够实时获取目标空间的环境光强度数据以及多目标的位置信息，从而实现对环境变化和空间内人员活动的动态响应。这样的特征使照明系统能够自动调整光源的亮度和色温，以适应自然光变化和人员需求，进而提高照明的适应性和用户体验。通过精确控制LED灯光的参数，根据实时的环境光强度和人员位置信息调整照明强度，能有效减少不必要的能源消耗。尤其是在自然光充足时，减少人为照明的使用，从而达到显著的节能效果。通过电荷感应检测模型和贝叶斯网络算法分析人员运动和照明需求，能够精准地控制每个空间区域内LED灯光的参数，确保每个区域都能获得最适合其使用功能的照明条件。例如，在需要集中精神工作的区域提供足够的亮度，在休息区提供柔和的光线，从而提升整个空间照明的质量和舒适度。借助蜜蜂觅食算法对照明参数进行优化调节，能够学习用户的照明偏好，并根据环境变化和用户行为自动调整灯光设置。这种智能化和个性化的控制不仅提高了用户满意度，也为用户创造了更加健康和舒适的照明环境。通过软件算法实现智能控制，而非传统的硬件调整，这意味着系统的升级和优化可以通过软件更新实现，提高了照明系统的灵活性和扩展性。用户可以根据最新的照明技术或个人需求，轻松更新系统设置，无需更换硬件设备，进而实现了LED灯光的智能控制并提高了LED灯光控制的智能控制效果。附图说明 [0010] 图1为本申请实施例中LED灯光智能控制方法的一个实施例示意图；图2为本申请实施例中LED灯光智能控制系统的一个实施例示意图。 具体实施方式[0011] 本申请实施例提供了一种LED灯光智能控制方法、系统及计算机设备，进而实现了LED灯光的智能控制并提高了LED灯光控制的智能控制效果。 [0012] 本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。 [0013] 为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中LED灯光智能控制方法的一个实施例包括：步骤101、获取目标空间的环境光强度数据，并对目标空间进行多目标检测，得到多个目标人员的位置信息； 可以理解的是，本申请的执行主体可以为LED灯光智能控制系统，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。 [0014] 具体的，通过部署在目标空间内的多个环境光传感器对环境光强度进行实时监测，每个传感器捕获的初始光强度变化数据反映了所在位置的照明条件。通过对每个环境光传感器的初始光强度变化数据进行均值运算，得到目标空间的平均光强度变化数据，这一数据作为评估空间整体照明情况的基准。如果平均光强度变化数据超过预先设定的光强度变化阈值，这可能意味着目标空间内的照明条件发生了显著变化，此时系统将自动采集目标空间的视频流数据。对视频流数据进行图像分帧，将连续的视频流转换为多个初始视频帧，每个视频帧都代表了一个特定时刻的空间图像。为了提高后续处理的准确性和效率，对初始视频帧进行预处理，包括去噪声、调整亮度等，以优化图像质量，生成多个目标视频帧。将目标视频帧输入预置的Scaled‑YOLOv4模型中进行深度分析。Scaled‑YOLOv4模型结合了卷积神经网络、特征金字塔网络以及路径聚合网络，通过复合网络模型，能够有效地对视频帧进行特征提取和目标检测。通过卷积神经网络对输入的目标视频帧进行图像特征提取，生成多个卷积特征图像。特征金字塔网络和路径聚合网络联合工作，对卷积特征图像进行特征融合，生成融合特征图像，捕捉到不同尺寸的目标特征，增强模型的目标检测能力。对融合特征图像进行锚框预测，锚框预测包括目标位置的预测，还包括目标分类和边界框回归，为每个检测到的目标输出类别概率和边界框坐标。对每个锚框的类别概率和边界框坐标进行非极大值抑制和位置信息提取，从多个重叠的锚框中选出最佳的边界框，提取出每个目标人员的位置信息。 [0015] 步骤102、根据位置信息对目标空间进行空间区域划分，得到多个空间区域；具体的，将目标人员位置信息映射到三维特征空间中，利用三维空间的几何特性更准确地反映人员在实际空间中的分布情况。通过预置的K‑means聚类算法对三维空间中的位置数据点进行聚类分析。K‑means算法通过计算数据点与聚类中心之间的距离迭代更新聚类中心的位置，直到找到最优的聚类中心，将位置数据点分组到不同的聚类中，每个聚类代表了一个特征聚类中心。分别对每个特征聚类中心进行网格区域划分，通过将每个聚类中心视为一个初始空间网格的中心点，并围绕这些中心点划分出多个初始空间网格。网格的初始划分基于聚类中心的分布情况确定，旨在大致反映人员在空间中的聚集区域。划分出初始空间网格后，进行人员分布分析，计算每个初始空间网格内的人员分布密度，识别出人员分布的密集区域和稀疏区域。基于人员分布密度信息对多个初始空间网格的边界进行调整，基于人员密度分布情况重新定义网格的大小和形状。如果某个网格内的人员分布密度高于周围网格，可能需要扩大该网格的边界以包含更多人员，反之，则可能需要缩小网格边界或与邻近网格合并，以更合理地划分空间区域。通过边界调整，最终得到的空间区域能够更精确地反映目标空间内人员的实际分布情况。 [0016] 步骤103、通过电荷感应检测模型对多个空间区域进行人员运动检测，得到每个目标人员的运动检测结果；需要说明的是，对各个空间区域进行基线电荷分析，确定每个区域在无人员运动时的电荷基准水平。对空间区域进行电荷变化检测，监测到的区域电荷数据反映了当前空间电荷状态，这可能包含由人员运动引起的电荷变化信息。通过对区域电荷数据和基线电荷数据进行差值运算，得到每个空间区域的电荷变化数据，这一数据准确反映了人员运动导致的电荷变化量。对每个空间区域的电荷变化数据进行电荷变化特征提取，将电荷变化量转换为能够被模型识别和分析的特征信息。将每个空间区域的电荷变化特征输入电荷感应检测模型，电荷感应检测模型为XGBoost模型，这是一种机器学习算法，适合处理此类特征数据，并通过训练学习到的模式对电荷变化进行分类和分析。XGBoost模型通过学习每个空间区域的电荷变化特征与人员运动之间的关系，能够对电荷变化模式进行准确分析。在模型的帮助下，系统能够检测出是否有人员运动发生，还能通过分析电荷变化的模式来推断运动的类型或强度。通过XGBoost模型的分析，得到每个目标人员的运动检测结果，以便进行灯光的智能调整和优化。 [0017] 步骤104、根据运动检测结果计算每个目标人员与LED灯光之间的相对距离方位数据；具体的，获取目标空间中多个LED灯具的具体位置信息，确立灯光布局的基础地图。同时，结合人员运动检测结果，实时捕获每个目标人员的当前位置。通过分析空间几何关系和坐标差，根据灯具位置和每个目标人员的当前位置计算每个目标人员与LED灯光之间的相对位置，确保计算结果的准确性和实时性。计算从每个目标人员当前位置指向LED灯具位置的目标向量。计算完成后，对目标向量进行水平投影，得到投影向量，简化三维空间中的位置关系，将其转换为易于处理的二维平面关系，便于计算方位角。基于目标向量和其相应的投影向量，计算每个目标人员与LED灯光之间的方位角。方位角的计算考虑人员与灯具之间的距离，并综合他们在水平面上的相对位置关系。将相对位置数据和方位角数据进行集成融合，生成每个目标人员与LED灯光之间的综合相对距离方位数据。 [0018] 步骤105、基于贝叶斯网络算法对相对距离方位数据和环境光强度数据进行照明需求分析，得到照明需求概率分布数据；具体的，基于贝叶斯网络算法构建一个初始贝叶斯网络。该网络通过定义多个节点以及这些节点之间的有向边构成，每个节点代表一个变量，例如相对距离方位、环境光强度或照明需求等，而节点之间的有向边则表示这些变量之间的概率依赖关系。采用最大似然估计方法对初始贝叶斯网络进行参数学习，根据已有的数据集计算出最佳的条件概率表。条件概率表中包含了在给定父节点状态下各个节点状态出现的概率分布。根据得到的条件概率表，对初始贝叶斯网络进行网络优化，调整网络结构和参数，以更准确地反映变量之间的依赖关系，形成目标贝叶斯网络。优化过程可能包括增加或删除节点、调整边的方向等，以确保网络结构能够有效地描述概率关系。将相对距离方位数据和环境光强度数据输入目标贝叶斯网络进行先验概率分布匹配，网络能够根据现有的概率模型和输入数据计算出多个初始概率分布数据。这些初始概率分布数据代表了在特定输入条件下照明需求发生的概率。对初始概率分布数据进行结果权重分配，根据每组数据的相关性和可靠性给予不同的权重占比，确保更可信的数据对最终结果有更大的影响力。根据权重占比数据对多个初始概率分布数据进行概率分布数据融合，得到照明需求概率分布数据。融合过程考虑各种因素的影响，综合得到一个全面反映照明需求概率的分布模型。 [0019] 步骤106、根据照明需求概率分布数据创建初始LED灯光参数，并通过蜜蜂觅食算法进行灯光均衡调节，得到目标LED灯光参数。 [0020] 具体的，根据照明需求概率分布数据创建初始LED灯光参数，包括LED灯光亮度和色温两个核心因素。通过蜜蜂觅食算法调节初始LED灯光参数，以期达到最佳的照明效果。蜜蜂觅食算法通过模拟蜜蜂种群的搜索行为寻找最优解。在这个过程中，对初始LED灯光参数进行蜜蜂种群初始化，生成多个初始蜜蜂种群，每个种群中的个体代表了一组可能的LED灯光参数设置，得到第一LED灯光参数。算法基于灯光均衡准则对初始蜜蜂种群进行参数空间搜索。灯光均衡准则旨在确保照明系统不仅能满足视觉舒适度和功能需求，还要考虑能效和环境适应性。在这一过程中，蜜蜂种群通过模拟蜜蜂的觅食行为，探索参数空间中不同的LED灯光参数组合，评估每种组合的适应度，逐步逼近最优解，得到多组第二LED灯光参数。通过对第二LED灯光参数进行最优参数求解，在所有候选解中选择适应度最高的参数作为目标LED灯光参数。对各个参数组合的照明效果、能耗以及满足照明需求的概率进行综合评价，选出最能平衡各种需求的参数设置。得到目标LED灯光参数，这些参数能够使得LED照明系统在满足用户照明需求的同时，考虑能效和环境适应性，实现灯光参数的均衡调节。 [0021] 本申请实施例中，本申请能够实时获取目标空间的环境光强度数据以及多目标的位置信息，从而实现对环境变化和空间内人员活动的动态响应。这样的特征使照明系统能够自动调整光源的亮度和色温，以适应自然光变化和人员需求，进而提高照明的适应性和用户体验。通过精确控制LED灯光的参数，根据实时的环境光强度和人员位置信息调整照明强度，能有效减少不必要的能源消耗。尤其是在自然光充足时，减少人为照明的使用，从而达到显著的节能效果。通过电荷感应检测模型和贝叶斯网络算法分析人员运动和照明需求，能够精准地控制每个空间区域内LED灯光的参数，确保每个区域都能获得最适合其使用功能的照明条件。例如，在需要集中精神工作的区域提供足够的亮度，在休息区提供柔和的光线，从而提升整个空间照明的质量和舒适度。借助蜜蜂觅食算法对照明参数进行优化调节，能够学习用户的照明偏好，并根据环境变化和用户行为自动调整灯光设置。这种智能化和个性化的控制不仅提高了用户满意度，也为用户创造了更加健康和舒适的照明环境。通过软件算法实现智能控制，而非传统的硬件调整，这意味着系统的升级和优化可以通过软件更新实现，提高了照明系统的灵活性和扩展性。用户可以根据最新的照明技术或个人需求，轻松更新系统设置，无需更换硬件设备，进而实现了LED灯光的智能控制并提高了LED灯光控制的智能控制效果。 [0022] 在一具体实施例中，执行步骤101的过程可以具体包括如下步骤：（1）通过多个环境光传感器对目标空间进行环境光监测，得到每个环境光传感器的初始光强度变化数据； （2）对每个环境光传感器的初始光强度变化数据进行均值运算，得到目标空间的平均光强度变化数据，并根据平均光强度变化数据生成目标空间的环境光强度数据； （3）若平均光强度变化数据超过预设光强度变化阈值，则采集目标空间的视频流数据； （4）对视频流数据进行图像分帧，得到多个初始视频帧，并对多个初始视频帧进行预处理，得到多个目标视频帧； （5）将多个目标视频帧输入预置的Scaled‑YOLOv4模型，Scaled‑YOLOv4模型包括： 卷积神经网络、特征金字塔网络以及路径聚合网络； （6）通过卷积神经网络对多个目标视频帧进行图像特征提取，得到多个卷积特征图像； （7）通过特征金字塔网络以及路径聚合网络对多个卷积特征图像进行特征融合，得到融合特征图像； （8）对融合特征图像进行锚框预测，得到锚框预测目标位置，并对锚框预测目标位置进行目标分类和边界框回归，输出每个锚框的类别概率和边界框坐标； （9）对每个锚框的类别概率和边界框坐标进行非极大值抑制和位置信息提取，得到多个目标人员和每个目标人员的位置信息。 [0023] 具体的，部署多个环境光传感器于目标空间中的关键位置，通过传感器实时监测各自所在位置的光强度变化，生成初始光强度变化数据。通过将每个环境光传感器的初始光强度变化数据进行均值运算，得到目标空间的平均光强度变化数据，这一数据反映了整个空间的环境光强度变化情况。基于平均光强度变化数据，生成目标空间的环境光强度数据。当监测到的平均光强度变化数据超过了事先设定的阈值，表明空间内可能有人员移动或其他导致光强度变化的活动，系统启动视频监控功能，采集目标空间的视频流数据，通过视觉信息确认和分析人员的位置和移动情况。将采集到的视频流数据进行分帧处理，将连续的视频流转换为多个独立视频帧，每一帧捕捉一个特定时刻的空间图像。为了优化分析效果，对初始视频帧进行预处理步骤，包括去噪、亮度调整等，以提高图像质量，生成清晰的目标视频帧。将多个目标视频帧输入预置的Scaled‑YOLOv4模型中进行分析。Scaled‑YOLOv4模型是一种高效的目标检测模型，结合了卷积神经网络、特征金字塔网络以及路径聚合网络，能够从视频帧中提取出丰富的图像特征。通过卷积神经网络对视频帧进行图像特征提取，生成卷积特征图像。通过特征金字塔网络和路径聚合网络对卷积特征图像进行特征融合，生成融合特征图像，增强模型对不同尺寸目标的检测能力。在提取和融合特征后，模型进行锚框预测，定位图像中可能存在的目标位置，并对预测位置进行目标分类和边界框回归，输出每个锚框的类别概率和边界框坐标，识别出视频帧中的人员并确定他们的具体位置。进行非极大值抑制，通过剔除重叠度高的边界框，只保留最有可能包含目标的边界框，避免同一目标被重复检测的问题。从优化后的边界框中提取出每个目标人员的位置信息。 [0024] 在一具体实施例中，执行步骤102的过程可以具体包括如下步骤：（1）将位置信息映射至三维特征空间，并通过预置的K‑means聚类算法对三维特征空间中的位置数据点进行聚类分析，得到多个特征聚类中心； （2）分别对每个特征聚类中心进行网格区域划分，得到多个初始空间网格； （3）对每个初始空间网格进行人员分布分析，得到每个初始空间网格的人员分布密度； （4）基于人员分布密度对多个初始空间网格进行网格边界调整，得到多个空间区域。 [0025] 具体的，将位置信息映射至三维特征空间中，创建一个包含所有位置点的空间分布图。位置数据反映了人员在三维空间中的坐标位置，包括横坐标、纵坐标以及高度。通过预置的K‑means聚类算法对三维特征空间中的位置数据点进行聚类分析。K‑means算法通过计算数据点与聚类中心之间的距离，并将数据点分配到最近的聚类中心，通过迭代优化聚类中心的位置，直至达到稳定状态，最终将空间中的位置数据点分组到若干个特征聚类中心，每个特征聚类中心代表了人员分布的一个高密度区域。分别对每个特征聚类中心进行网格区域划分，得到多个初始空间网格。网格基于聚类中心的空间分布情况进行初步划分，旨在大致覆盖每个聚类中心附近的区域。每个初始空间网格都代表了目标空间中一个较小的区域。对每个初始空间网格进行人员分布分析，评估每个网格内的人员分布密度。通过计算网格内的人员数量与网格面积的比值，得到每个网格的人员分布密度。密度分析结果反映了不同区域内人员分布的密集程度，为网格边界的调整提供了依据。基于人员分布密度的分析结果，对初始空间网格的边界进行调整。调整过程考虑人员分布的不均匀性，通过扩大或缩小网格边界、合并相邻网格等方式，重新定义网格的大小和形状，以更准确地反映实际的人员分布情况。调整后，这些网格成为定义的多个空间区域，每个空间区域都具有相对均匀的人员分布密度。 [0026] 在一具体实施例中，执行步骤103的过程可以具体包括如下步骤：（1）对多个空间区域进行基线电荷分析，得到每个空间区域的基线电荷数据； （2）对多个空间区域进行电荷变化检测，得到每个空间区域的区域电荷数据； （3）对区域电荷数据和基线电荷数据进行差值运算，得到每个空间区域的电荷变化数据； （4）对每个空间区域的电荷变化数据进行电荷变化特征提取，得到每个空间区域的电荷变化特征； （5）将每个空间区域的电荷变化特征输入电荷感应检测模型，电荷感应检测模型为XGBoost模型； （6）通过电荷感应检测模型对每个空间区域的电荷变化特征进行电荷变化模式分析和人员运动检测，得到每个目标人员的运动检测结果。 [0027] 具体的，对目标空间的各个区域进行基线电荷分析。在无人员活动时，对空间各部分的电荷水平进行测量，获得每个区域的基线电荷数据。这些数据作为参照点，对于后续确定电荷变化至关重要。基线电荷数据的获取可以通过部署在空间内的电荷感应器完成，这些感应器能够精确地测量环境中的静电荷水平。对空间区域进行实时电荷变化检测，捕捉由人员移动引起的任何电荷变动。这些变动反映在区域电荷数据中，它们显示了在人员活动期间每个区域电荷水平的实时变化。通过比较区域电荷数据与基线电荷数据，通过差值运算得到每个空间区域的电荷变化数据。对每个空间区域的电荷变化数据进行电荷变化特征提取。从电荷变化数据中识别出有助于区分不同电荷变化模式的关键特征，如电荷变化的幅度、速度和趋势等。为了分析电荷变化特征并检测人员运动，采用XGBoost模型，这是一种高效的梯度提升决策树算法，适合处理此类复杂的非线性关系。XGBoost模型通过学习电荷变化特征与人员运动之间的关系，能够对每个空间区域的电荷变化特征进行电荷变化模式分析，并准确检测人员运动。例如，在一个办公环境中，对每个会议室、休息区和工作区域进行基线电荷分析，确立各区域在静态条件下的电荷基准水平。在日常运营期间，实时监测这些区域的电荷变化，并与基线数据进行比较，确定电荷变化量。当人员从一个区域移动到另一个区域时，他们的移动会引起电荷分布的变化，这些变化被系统捕捉并转化为电荷变化特征。通过XGBoost模型的分析，区分出由人员静止、行走、或其他活动引起的电荷变化模式，并据此检测出人员的运动状态。 [0028] 在一具体实施例中，执行步骤104的过程可以具体包括如下步骤：（1）获取多个LED灯具在目标空间中的灯具位置，并根据运动检测结果获取每个目标人员的当前位置； （2）根据灯具位置和每个目标人员的当前位置计算每个目标人员与LED灯光之间的相对位置； （3）计算从每个目标人员的当前位置到灯具位置的目标向量，并对目标向量进行水平投影，得到投影向量； （4）根据目标向量和投影向量每个目标人员与LED灯光之间的方位角； （5）对相对位置和方位角进行数据集融合，得到每个目标人员与LED灯光之间的相对距离方位数据。 [0029] 具体的，获取目标空间内多个LED灯具的具体位置。同时，通过集成的运动检测系统—基于视频监控、传感器网络或其他智能设备的系统—实时捕获并更新目标空间内每个人员的当前位置。根据灯具位置和每个目标人员的当前位置计算每个目标人员与LED灯光之间的相对位置。根据两点间的坐标差求出距离，得到人与灯之间的直线距离。计算从每个人员当前位置到每盏灯的目标向量。目标向量包含了方向信息，通过计算起点（人员位置）到终点（灯具位置）的坐标差得出向量。对目标向量进行水平投影，获取投影向量。通过忽略垂直分量（即高度差），仅保留在水平平面上的分量，简化后续的方位角计算。基于目标向量和其相应的投影向量，计算出每个人员相对于每盏LED灯光的方位角。方位角通过目标向量与其在水平平面上的投影之间的夹角计算得出。将相对位置数据和方位角数据进行融合，生成每个人员与各盏LED灯光之间的综合相对距离方位数据。例如，假设人员从A区向B区移动，系统捕获这一移动轨迹，并计算出人员相对于最近的LED灯的相对位置和方位角。如果这盏灯根据当前的环境光线和其他人员的位置已经调整到了最佳亮度，但由于该人员的加入，需要进一步微调灯光的焦点或亮度，系统可以立即作出响应，调整该灯具的参数，确保B区内的照明始终满足用户的需求。 [0030] 在一具体实施例中，执行步骤105的过程可以具体包括如下步骤：（1）基于贝叶斯网络算法构建一个初始贝叶斯网络，初始贝叶斯网络包括节点和节点之间的有向边； （2）采用最大似然估计对初始贝叶斯网络进行参数学习，得到条件概率表，条件概率表用于给定父节点状态时生成每个节点状态的概率分布； （3）根据条件概率表对初始贝叶斯网络进行网络优化，得到目标贝叶斯网络； （4）将相对距离方位数据和环境光强度数据输入目标贝叶斯网络进行先验概率分布匹配，得到多个初始概率分布数据； （5）对多个初始概率分布数据进行结果权重分配，得到每个初始概率分布数据的权重占比数据； （6）根据权重占比数据对多个初始概率分布数据进行概率分布数据融合，得到照明需求概率分布数据。 [0031] 具体的，基于贝叶斯网络算法构建一个初始贝叶斯网络。该网络是由多个节点组成的，每个节点代表一个变量，如相对距离方位、环境光强度或照明需求等，而节点之间的有向边表示变量之间的概率依赖关系。例如，环境光强度可能直接影响照明需求的概率分布，因此，在网络中，环境光强度节点会指向照明需求节点。采用最大似然估计对初始贝叶斯网络进行参数学习。最大似然估计通过分析已有数据，比如过去的照明使用记录和环境光强度数据，估计网络中各有向边所代表的概率依赖的强度，得到一个条件概率表，这个表列出了在给定父节点状态下，每个节点状态出现的概率分布。根据条件概率表对初始贝叶斯网络进行网络优化，使其更准确地反映实际的概率依赖关系。网络优化可能包括调整节点之间的连接方式、重新评估条件概率等，目标是提高网络在预测照明需求时的准确性和可靠性。优化后得到的目标贝叶斯网络能够更好地匹配实际情况。将实时收集的相对距离方位数据和环境光强度数据输入优化后的目标贝叶斯网络中。通过先验概率分布匹配，网络根据输入的数据和已学习的概率模型，生成多个初始概率分布数据，这些数据代表了在当前条件下各种照明需求出现的概率。对初始概率分布数据进行结果权重分配，根据每组数据的可靠性、实时性以及与其他数据的一致性给予不同的权重，确保更加可靠和有代表性的数据在最终的概率分布中占有更大的影响力。根据分配的权重占比数据，将初始概率分布数据进行融合，得到一个综合的照明需求概率分布数据。融合过程考虑到了各种数据的权重差异，能够更准确地反映当前环境下的照明需求。 [0032] 在一具体实施例中，执行步骤106的过程可以具体包括如下步骤：（1）根据照明需求概率分布数据创建初始LED灯光参数，初始LED灯光参数包括： LED灯光亮度和LED灯光色温； （2）通过蜜蜂觅食算法对初始LED灯光参数进行蜜蜂种群初始化，得到初始蜜蜂种群，初始蜜蜂种群中的每个个体代表一个第一LED灯光参数； （3）基于灯光均衡准则对初始蜜蜂种群进行参数空间搜索，得到多个第二LED灯光参数； （4）对多个第二LED灯光参数进行最优参数求解，得到目标LED灯光参数。 [0033] 具体的，根据照明需求的概率分布数据设定LED灯光的初始参数。这些参数包括LED灯光的亮度和色温。例如，在一个多功能会议室中，不同的活动可能会对灯光的亮度和色温有着不同的要求。通过分析会议室不同时间段的照明需求概率分布数据，初步设定LED灯光的亮度和色温参数，以适应各种场合。通过蜜蜂觅食算法对初始LED灯光参数进行优化。蜜蜂觅食算法通过模拟蜜蜂种群的搜索行为寻找最优解。算法对初始LED灯光参数进行蜜蜂种群初始化，生成一个初始蜜蜂种群，其中的每个个体代表了一组可能的LED灯光参数配置，得到第一LED灯光参数。基于灯光均衡准则对初始蜜蜂种群进行参数空间搜索。灯光均衡准则考虑了照明的均匀性、舒适性以及能效，旨在确保照明系统不仅满足基本的视觉需求，还要考虑到用户的舒适度和能源消耗。在这一过程中，蜜蜂种群中的个体（即可能的LED灯光参数配置）被评估和更新，寻找能带来最佳照明效果的参数配置。通过这种方式，算法能够在参数空间中逐步逼近最优解，生成多个改进后的LED灯光参数，得到第二LED灯光参数。对第二LED灯光参数进行最优参数求解。评估参数配置对于满足照明需求、提升用户舒适度以及提高能效的有效性，选择最佳的参数配置作为目标LED灯光参数。在多个改进后的参数配置中，挑选出一个或多个能够最优化照明效果的参数配置。 [0034] 上面对本申请实施例中LED灯光智能控制方法进行了描述，下面对本申请实施例中LED灯光智能控制系统进行描述，请参阅图2，本申请实施例中LED灯光智能控制系统一个实施例包括：获取模块201，用于获取目标空间的环境光强度数据，并对目标空间进行多目标检测，得到多个目标人员的位置信息； 划分模块202，用于根据位置信息对目标空间进行空间区域划分，得到多个空间区域； 检测模块203，用于通过电荷感应检测模型对多个空间区域进行人员运动检测，得到每个目标人员的运动检测结果； 计算模块204，用于根据运动检测结果计算每个目标人员与LED灯光之间的相对距离方位数据； 分析模块205，用于基于贝叶斯网络算法对相对距离方位数据和环境光强度数据进行照明需求分析，得到照明需求概率分布数据； 创建模块206，用于根据照明需求概率分布数据创建初始LED灯光参数，并通过蜜蜂觅食算法进行灯光均衡调节，得到目标LED灯光参数。 [0035] 通过上述各个组成部分的协同合作，本申请能够实时获取目标空间的环境光强度数据以及多目标的位置信息，从而实现对环境变化和空间内人员活动的动态响应。这样的特征使照明系统能够自动调整光源的亮度和色温，以适应自然光变化和人员需求，进而提高照明的适应性和用户体验。通过精确控制LED灯光的参数，根据实时的环境光强度和人员位置信息调整照明强度，能有效减少不必要的能源消耗。尤其是在自然光充足时，减少人为照明的使用，从而达到显著的节能效果。通过电荷感应检测模型和贝叶斯网络算法分析人员运动和照明需求，能够精准地控制每个空间区域内LED灯光的参数，确保每个区域都能获得最适合其使用功能的照明条件。例如，在需要集中精神工作的区域提供足够的亮度，在休息区提供柔和的光线，从而提升整个空间照明的质量和舒适度。借助蜜蜂觅食算法对照明参数进行优化调节，能够学习用户的照明偏好，并根据环境变化和用户行为自动调整灯光设置。这种智能化和个性化的控制不仅提高了用户满意度，也为用户创造了更加健康和舒适的照明环境。通过软件算法实现智能控制，而非传统的硬件调整，这意味着系统的升级和优化可以通过软件更新实现，提高了照明系统的灵活性和扩展性。用户可以根据最新的照明技术或个人需求，轻松更新系统设置，无需更换硬件设备，进而实现了LED灯光的智能控制并提高了LED灯光控制的智能控制效果。 [0036] 本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述LED灯光智能控制方法的步骤。 [0037] 本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述LED灯光智能控制方法的步骤。 [0038] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。 [0039] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read‑only memory， ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。 [0040] 以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。 |
||||||
QQ群二维码
意见反馈
意见反馈