【技术实现步骤摘要】
本申请涉及智慧照明的领域，尤其是涉及一种全屋智能灯光照明无感控制方法及相关装置。
技术介绍
1、随着全球能源危机的加剧和环境保护意识的提升，智能家居照明系统作为节能减排和提升居住舒适度的重要手段，已经成为现代家庭和商业空间设计的关键组成部分。传统的照明系统通常依赖于手动开关或简单的定时器来控制，这不仅造成了能源的浪费，也未能充分利用现代技术提供的便利性。
2、近年来，随着物联网（iot）、人工智能（ai）、5g通信技术的飞速发展，智能照明系统开始向更加自动化和智能化的方向发展。这些系统通过集成传感器、无线通讯技术和智能控制算法，能够根据环境光线、用户行为和偏好自动调节照明设备的亮度和色温，实现节能和提升用户体验的双重目标。
3、然而，尽管市场上存在多种智能照明解决方案，它们大多依赖于用户的主动操作，如使用手机app、语音助手或其他远程控制设备来调整照明设置。这种交互方式在某些情况下仍然不够便捷，尤其是在用户需要快速响应环境变化或在多房间环境中进行照明管理时。
4、此外，现有技术在实现无感控制方面仍面临挑战，如如何准确识别用户的意图、环境变化的快速响应以及在保护用户隐私的前提下进行高效的数据处理。因此，开发一种能够自动适应用户需求和环境变化的智能照明系统，无需用户手动干预即可实现高效、节能和个性化的照明控制，已成为该领域亟待解决的技术问题。
技术实现思路
1、为了基于用户行为和场景自动调整灯光设置，提供更自然、更舒适的照明体验，本申请提供一种全屋智
2、第一方面，本申请提供的一种全屋智能灯光照明无感控制方法，采用如下的技术方案：
3、一种全屋智能灯光照明无感控制方法，包括以下步骤：
4、s1.获取预训练初始模型；其中，所述预训练初始模型为将大数据库中各个用户的行为习惯和相关时段相关的传感器数据所整合的输入特征，输入到神经网络模型中后，基于标记好的所需灯光控制模式以反向传播调整模型参数所训练得到；
5、s2.获取用户的模型调整训练数据，并在预处理后基于多模态融合为模型调整输入特征；其中，模型调整训练数据对应的传感器的位置、类型和数量基于目标用户的户型设定；传感器数据包括环境数据、影像数据和动作触发检测数据；
6、s3.在预训练初始模型的预训练层后添加若干个空白的新连接层，基于模型调整输入特征训练空白连接层；
7、s4.基于模型输入特征由新连接层逐渐向前调整全连接层以实现模型优化，并完成灯光模式选择模型的个性化调整过程；
8、s5.获取连续时间内目标用户室内的传感器数据并输入到调整好的灯光模式选择模型，并基于灯光模式选择模型输出的灯光控制模式进行灯光控制。
9、可选的，所述预训练初始模型的设计训练步骤包括：
10、s11.选择神经网络模型作为模型架构，并设计用于接受融合后的多模态特征向量的输入层，设计全连接层以用于对用户的行为习惯和相关时段相关的传感器数据所对应的灯光控制模式进行分类，并设计softmax函数作为输出层的激活函数；
11、s12.选择交叉熵函数函数作为损失函数，以准确率作为评价指标；
12、s13.将大数据库所整合的输入特征划分为训练集、验证集和测试集；
13、s14.使用训练集数据对模型进行批量训练，并通过梯度下降的方法优化网络权重；
14、s15.通过调整超参数来提高模型性能，其中，超参数包括学习率、批量大小、正则化项；
15、s16.在验证集上监控模型性能，当性能不再提升时停止训练以防止过拟合；
16、s17.使用验证集数据评估模型性能，调整网络结构或参数。
17、可选的，所述s2包括以下步骤：
18、s21.持续记录用户的历史灯光使用模式作为用户特定数据；
19、s22.持续记录传感器数据，其中传感器数据包括环境数据、影像数据和动作触发检测数据；
20、s23.调取灯光使用模式触发前预设判定时长内的数据；
21、s24.基于图像识别判断该预设定时长的时段内的人物行为及行为场景；
22、s25.基于数据库对比获取相应人物行为及行为场景所需的推荐判定时长，调取灯光使用模式触发前预设判定时长内的数据；
23、s26.重复s24和s25，直至所识别得到的人物行为及行为场景不再变化；
24、s27.将推荐判定时长内的环境数据、动作触发检测数据、识别得到的人物行为及行为场景进行多模态融合得到特征向量，且将该特征向量与灯光使用模式关联。
25、可选的，所述s3包括以下步骤：
26、s31.加载预训练的初始模型并冻结预训练层；
27、s32.在冻结的预训练层后添加若干空白的全连接层；
28、s33.基于模型调整输入特征训练新的全连接层并调整训练参数，直至新添加的全连接层训练稳定。
29、可选的，所述s4包括以下步骤：
30、s41.逐层向前解冻被冻结的预训练层，并使用更小的学习率进行微调，以调整预训练层各层的权重；
31、s42.继续使用更小学习率，对整个模型进行训练，从而调整所有层的权重；
32、s43.监控模型在训练级和验证集上的性能，并基于性能表现调整训练策略；
33、s44.重复s41和s43，直至解冻所有的训练层，从而完成灯光模式选择模型的个性化调整过程。
34、可选的，所述s24包括以下步骤：
35、s241.对影像数据抽帧并进行实例分割；
36、s242.选中实例分割结果中的人形实例，并获取与人形实例所关联的物体实例，并得到物体的种类；
37、s243.将影像数据分解为帧序列，并对每一帧图像进行预处理；
38、s244.将预训练好的resnet模型作为特征处理器，并将每个视频帧通过cnn模型传递，提取出空间特征；
39、s245.将cnn提取的特征序列输入到注意力层，以对所需的关键空间特征进行聚焦；
40、s246.将处理后的特征序列输入到rnn模型中，判断得到人物动作类型，其中，每个时间步到输入是对应帧到cnn特征；
41、s247.基于人物动作类型、人形实例的位置、人形实例所互动的物体种类在数据库中匹配得到人物行为及行为场景。
42、可选的，所述传感器包括红外影像传感器、可见光影像传感器、压力传感器、光线传感器、门磁传感器、红外传感器、运动传感器、温度传感器、湿度传感器和/或重量传感器。
43、第二方面，本申请提供的一种全屋智能灯光照明无感控制系统，采用如下的技术方案：
44、一种全屋智能灯光照明无感控制系统，包括：
45、预训练初始模型获取模块，用于获取预训练初始模型；其中，所述预训练初始模型为将大数本文档来自技高网...
【技术保护点】
1.一种全屋智能灯光照明无感控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的全屋智能灯光照明无感控制方法，其特征在于，所述预训练初始模型的设计训练步骤包括：
3.根据权利要求2所述的全屋智能灯光照明无感控制方法，其特征在于，所述S2包括以下步骤：
4.根据权利要求3所述的全屋智能灯光照明无感控制方法，其特征在于，所述S3包括以下步骤：
5.根据权利要求4所述的全屋智能灯光照明无感控制方法，其特征在于，所述S4包括以下步骤：
6.根据权利要求5所述的全屋智能灯光照明无感控制方法，其特征在于，所述S24包括以下步骤：
7.根据权利要求6所述的全屋智能灯光照明无感控制方法，其特征在于，所述传感器包括红外影像传感器、可见光影像传感器、压力传感器、光线传感器、门磁传感器、红外传感器、运动传感器、温度传感器、湿度传感器和/或重量传感器。
8.一种全屋智能灯光照明无感控制系统，其特征在于，包括：
9.一种计算机设备，其特征在于，其包括：
10.一种计算机可读存储介质，其特征
...【技术特征摘要】
1.一种全屋智能灯光照明无感控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的全屋智能灯光照明无感控制方法，其特征在于，所述预训练初始模型的设计训练步骤包括：
3.根据权利要求2所述的全屋智能灯光照明无感控制方法，其特征在于，所述s2包括以下步骤：
4.根据权利要求3所述的全屋智能灯光照明无感控制方法，其特征在于，所述s3包括以下步骤：
5.根据权利要求4所述的全屋智能灯光照明无感控制方法，其特征在于，所述s4包括以下步骤：
6.根据权利要求5所述的全屋智能灯光照明无感控制方法，其特征在于，所述s24包括以下步骤：
...【专利技术属性】
技术研发人员：程华剑，
申请(专利权)人：深圳金瓦特照明科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。