(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111679344.6 (22)申请日 2021.12.31 (71)申请人 厦门阳光恩耐照明有限公司 地址 361000 福建省厦门市海沧区新阳工 业园后祥路8 8号 (72)发明人 林晓阳　张小云　郭栋　 (74)专利代理 机构 厦门市首创君 合专利事务所 有限公司 3 5204 专利代理师 连耀忠 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/90(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于机器学习的灯光监测方法和监测 系统 (57)摘要 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Dept h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Dept h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Dep th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。 权利要求书2页 说明书8页 附图3页 CN 114529506 A 2022.05.24 CN 114529506 A 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、 I R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；权　利　要　求　书 1/2 页 2 CN 114529506 A 2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、 I R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。 9.一种电子设备， 其特征在于， 包括： 存储器， 处理器及存储在所述存储器上并可在所 述处理器上运行的计算机程序， 其中， 所述处理器执行所述计算机程序时实现权利要求 1至 4任一所述的方法步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质内存储有计算机 程序， 所述计算机程序被处 理器执行时实现权利要求1 ‑4任一所述的方法步骤。权　利　要　求　书 2/2 页 3 CN 114529506 A 3