技术领域
[0001] 本发明涉及智能家居照明控制技术领域，尤其涉及一种基于人工智能的智能家居照明控制方法。
相关背景技术
[0002] 现如今，智能家居市场蓬勃发展，灯光设备百花齐放，然而，不同品牌、不同型号的灯光设备之间往往存在着兼容性问题，这使得用户在搭建智能家居系统时面临诸多挑战，例如，不同设备的协议、数据格式、控制方式各异，导致它们难以协同工作，甚至可能出现互不兼容的情况，这种兼容性问题不仅增加了用户的配置难度，而且极大地影响了整体的智能家居体验；另外面临着复杂灯光环境下的照明效果挑战，在现代家居中，灯光环境往往十分复杂，用户可能在同一个空间内混合使用多种类型的灯具，例如白炽灯、荧光灯、LED灯等，且这些灯具可能来自不同的品牌，在这种情况下，要实现理想的照明效果变得尤为困难，不同灯具的光色、亮度、色温存在差异，导致整个空间的照明效果不均匀，甚至出现色差、眩光等问题，这不仅影响了视觉舒适度，而且可能对用户的健康产生不利影响，综合上述情况，本申请提出了一种基于人工智能的智能家居照明控制方法。
具体实施方式
[0054] 下面结合具体实施例对本发明作进一步解说。
[0055] 实施例
[0056] 参照图1‑2，本实施例提出了一种基于人工智能的智能家居照明控制方法，包括以下步骤：
[0057] S1：构建系统架构：其系统架构包括硬件层、软件层和算法层，硬件层包括输入设备、控制设备和通信设备，软件层包括图像采集模块、特征提取模块、模型训练模块、参数优化模块和人机交互模块，算法层包括图像处理算法、深度学习算法和优化算法；
[0058] 其中输入设备为高分辨率的输入设备，用于采集色卡图像，控制设备利用人工智能神经网络算法对输入设备收集的数据进行处理和分析，生成相应的照明解决方案或优化建议，通信设备用于硬件设备之间的数据传输，实现数据传输，确保系统的实时性和联动性；
[0059] 图像采集模块负责控制摄像头采集色卡图像，并对图像进行预处理，如去噪、裁剪等，特征提取模块用于从图像中提取出颜色特征，如色块的RGB值、HSV值等，模型训练模块利用标注好的数据集训练深度学习模型，建立颜色特征与灯具参数之间的映射关系，参数优化模块用于根据模型的预测结果，对灯具参数进行优化，使其显示效果与色卡一致，人机交互模块用于提供友好的用户界面，方便用户设置和控制系统；
[0060] 图像处理算法包括图像分割、色彩空间转换和噪声去除算法，深度学习算法包括卷积神经网络(CNN)和循环神经网络(RNN)，用于建立颜色特征与灯具参数之间的非线性映射关系，优化算法包括梯度下降法和遗传算法，用于优化灯具参数，使其显示效果与色卡接近；
[0061] S2：建立色彩还原评估体系：在标准光源下，对色卡进行高精度扫描或拍摄，得到其标定显示效果，该标定效果将作为后续评估和调整的基准；
[0062] S3：对比灯具显示效果：通过输入设备采集灯具显示图像，并在相同的角度和光照条件下，拍摄灯具照射下的色卡图像，并对采集的色卡图像通过图像采集模块进行预处理，然后将处理后的图像与S2中的标定显示效果进行对比，将图像从RGB色彩空间转换到Lab色彩空间，计算色差，最后量化灯具的色彩还原能力；
[0063] 其中图像采集模块对采集的色卡图像进行预处理时，通过高斯滤波器、中值滤波器来平滑图像，减少噪声，其中高斯滤波器的应用公式如下：
[0064]
[0065] 其中G(x,y)表示在图像中坐标(x,y)处的高斯滤波器的权重值；σ表示高斯分布的标准差，控制高斯滤波器的宽度，标准差越大，滤波效果越强，模糊程度越高；x和y表示相对于高斯滤波器中心的水平和垂直距离，通常，高斯滤波器中心是原点(0，0)，所以x和y表示2
从中心点到当前点的偏移；2πσ为高斯函数的归一化常数，确保整个高斯滤波器的权重和为1，保证图像的亮度不被改变； 为高斯函数的指数部分，表示根据点(x,y)到高斯滤波器中心的距离，对高斯滤波器权重进行衰减；
[0066] 中值滤波器通过将图像中的每个像素值替换为该像素邻域内所有像素值的中值减少图像中的噪声，同时保留边缘细节，然后通过灰度世界假设，假设图像中的平均颜色应该是中性的灰色，通过调整图像的颜色分量来实现白平衡，最后使用直方图均衡化，增强图像的对比度，使颜色更加鲜明；
[0067] 将图像从RGB色彩空间转换到Lab色彩空间时，首先要将RGB值转换为XYZ值，再将XYZ值转换为Lab值；
[0068] 其中RGB颜色空间是一种基于光的颜色表示方法，主要通过红(Red)、绿(Green)和蓝(Blue)三个基色来混合生成各种颜色；XYZ颜色空间是一种基于人类视觉感知的标准颜色模型，由三个分量表示颜色：X表示接近红色的分量，Y表示接近绿色的分量(同时Y分量与亮度相关)，Z表示接近蓝色的分量；Lab色彩空间是另一种基于人类视觉感知的颜色表示方法，其是一种设备无关的颜色模型，感知均匀的颜色空间，更加接近人眼对颜色的感知，L(Lightness，亮度)表示颜色的亮度或明度，a(绿‑红分量)表示颜色从绿色到红色的变化，b(蓝‑黄分量)表示颜色从蓝色到黄色的变化；
[0069] 其中RGB到XYZ的转换过程如下：
[0070] (1)、RGB颜色值通常在0到255的范围内表示，将RGB值标准化到[0,1]范围内，以便后续的运算，其中： R表示红色通道(Red)的分量，其范围通常在0到255之间，G表示绿色通道(Green)的分量，其范围通常在0到255之间，B表示蓝色通道(Blue)的分量，其范围通常在0到255之间；
[0071] (2)、进行gamma校正，调整RGB值的亮度感知，使得颜色的转换更加符合人眼对光线的感知特性，如果RGB值大于0.04045，则使用gamma校正公式，如果小于或等于这个值，则直接线性缩放，其校正时使用的公式如下：
[0072]
[0073] 其中R、G、B表示红、绿、蓝通道的颜色分量，但其值已经被标准化到[0,1]的范围内，0.04045,0.055,1.055,2.4,12.92这些是gamma校正过程中使用的常数，用于将RGB颜色进行非线性调整，符合人眼的感光曲线特性；
[0074] (3)转换为CIE 1931XYZ值，其使用的公式如下：
[0075] X＝R*0.4112+G*0.3576+B*0.1805；
[0076] Y＝R*0.2126+G*0.7152+B*0.0722；
[0077] Z＝R*0.0193+G*0.1192+B*0.9505
[0078] 其中X表示CIE 1931XYZ颜色空间中的X分量，主要对应红色和绿色的亮度成分；Y表示CIE 1931XYZ颜色空间中的Y分量，主要对应绿色的亮度，并且Y值与亮度感知有较强的相关性；Z表示CIE 1931XYZ颜色空间中的Z分量，主要对应蓝色和绿色的亮度成分；0.4124、0.3576和0.1805是用于将红、绿、蓝通道的颜色转换为XYZ颜色空间的系数；0.2126、0.7152和0.0722对应人眼对绿色、红色和蓝色的敏感度，主要用于Y分量的计算；
[0079] 0.0193、0.1192和0.9505用于Z分量的转换，反映了颜色在不同通道之间的转换关系；
[0080] 其中XYZ到Lab的转换过程如下：
[0081] (1)、标准化XYZ值，除以对应的白点参考值，其使用的公式为：其中95.047、100.0和108.88是D65白点的参考值，用于标
准化XYZ值，使得转换后的Lab颜色值具有一致性；
[0082] (2)、计算Lab值，其公式如下：
[0083] L*＝116×f(Y)‑16；
[0084] a*＝500×(f(X)‑f(Y))；
[0085] b*＝200×(f(Y)‑f(Z))
[0086] 其中L表示亮度，L*表示Lab颜色空间中的L分量，表示颜色的亮度，范围为0到100，* *数值越高，颜色越亮；a表示颜色的红‑绿轴(Red‑Green axis)值，如果a 值为正，表示颜色* * *
偏红；如果a 值为负，表示颜色偏绿；b表示颜色的蓝‑黄轴(Blue‑Yellow axis)值，如果b*
值为正，表示颜色偏黄；如果b值为负，表示颜色偏蓝；
[0087] 另外在转换过程中需要调整XYZ值的非线性部分，确保颜色转换的准确性，其使用的公式为：
[0088]
[0089] 其中f(t)表示该函数用于处理XYZ颜色的非线性部分，当t>0.008856t>0.008856t>0.008856时，使用立方根，否则使用线性公式来进行调整；0.008856,、7.787和 是转换函数中的常数，用于非线性调整，确保转换后颜色符合Lab空间的感知特性；
[0090] 使用ΔE公式计算每个颜色样本的色差，其公式为：
[0091] 其中L1、a1和b1是参考颜色的Lab值，L2、a2和b2是测试颜色的Lab值，ΔE值越小，表示色彩还原度越高；
[0092] 量化灯具的色彩还原能力时需要计算所有颜色样本的平均ΔE值，根据平均ΔE值评估灯具的色彩还原能力，将所有颜色样本的ΔE值相加，然后除以颜色样本的数量，其公式为：平均 其中n是颜色样本的数量，ΔEi是第i个颜色样本的ΔE值，平均ΔE值越小，灯具的色彩还原能力越好；
[0093] S4：利用人工智能算法进行参数调整：其具体的步骤如下：
[0094] S401：数据收集与预处理：使用图像采集模块收集大量灯具参数和对应的色彩显示效果数据，其中灯具参数包括色温和色坐标，同时对数据进行清洗和标准化处理，确保数据质量，其中数据清洗具体为处理缺失值和异常值，确保数据完整性，同时去除重复数据，减少冗余；数据标准化具体为将不同量纲的数据转换到相同的尺度上，便于后续分析，同时使用Z‑score标准化处理数据，Z‑score标准化公式为： 其中Z是标准化后的值，X是原始数据值，μ是数据的均值，σ是数据的标准差；
[0095] S402：特征工程：采用特征提取模块提取灯具参数和色彩显示效果的特征；
[0096] S403：模型选择与训练：模型训练模块使用训练数据集训练决策树模型，使其学习灯具参数与色彩显示效果之间的映射关系；
[0097] 其中决策树模型用于分类和回归任务，它通过递归地将数据集划分为更小的子集，直到每个子集中的数据点具有相似的特征，其决策树模型运行具体的步骤为：
[0098] S4031：计算数据集的熵： 其中pi是类别i在数据集D中的概率；
[0099] S4032：计算每个属性的熵：对于每个灯具参数，计算其所有可能取值下的数据子集的熵，其公式为： 其中pi,v是类别i在数据子集Dv中的概率；
[0100] S4033：对于每个灯具参数，计算其信息增益，其公式为：其中Values(A)是属性A的
所有可能取值，|D|是数据集D的大小，|Dv|是数据子集Dv的大小；
[0101] S4034：选择最佳分裂点：比较所有灯具参数的信息增益，选择信息增益最大的参数作为分裂点；
[0102] S404：模型评估与优化：参数优化模块使用验证数据集评估模型性能，使用均方误差计算误差指标，根据评估结果优化模型参数，提高模型的预测精度，其使用的公式为：其中n是验证数据集中的样本数量；yi是第(i)个样本的实际值；
是第(i)个样本的预测值；
[0103] S405：模型预测与反馈：将新的色彩对比分析结果输入模型，预测需要调整的灯具参数，将预测得到的参数实时反馈给灯具控制系统，实现灯具参数的自动调整；
[0104] S5：实现均匀舒适的照明效果：将人眼视觉模型和用户评价相结合，综合考虑人类视觉系统对亮度、颜色、对比度和光线分布的感知，通过感知用户的需求和环境的变化，自动调整照明亮度、颜色、方向的参数，确保在不同时间段和使用场景下，用户都能感受到舒适的照明效果；
[0105] 该实施例通过摄像头获取灯具的实际显示效果，并利用人工智能技术对获取到的图像数据进行分析处理，并利用人工智能算法对灯具的参数进行实时调整，从而实现对灯具的精细调节，使其显示效果与标定显示效果保持一致，其不仅可以有效地解决不同品牌、不同型号灯具之间的兼容性问题，而且能够在复杂多变的灯光环境中实现均匀、舒适的照明效果，使得用户可以享受到更加舒适、愉悦的照明环境，提高生活质量。
[0106] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
