一种在无传感器照明环境中基于图像生成实时室内照度图的方法

《Sensors》：A Method for Generating Real-Time Indoor Illuminance Maps Based on Images in a Sensorless Lighting Environment

　　

在旨在提高照明质量并降低能耗的系统照明控制领域，分析室内照度（Illuminance）是一项基本技术。研究人员曾利用房间内的多个光传感器收集并分析照度数据。然而，运行各种传感设备及相关设备会增加额外的维护成本，并给用户带来不便，从而阻碍了此类系统照明技术的广泛应用。实现更高水平的自然光集成照明技术需要以最少的物理传感器干预来分析室内照度的方法，但该领域的研究一直严重匮乏。因此，本研究提出了一种在无传感器照明环境中生成基于图像的室内照度图的方法。为此，研究人员通过在自然光实验环境中收集各区域的照度和地面图像，构建了室内光环境数据集。通过基于数据集的分析，识别出图像中与照度高度相关的颜色元素，并训练了一个基于卷积神经网络的深度学习模型，以室内图像作为输入来估计各点照度。研究人员提出了一种基于室内图像计算实时照度的一般方法。在实验中，该方法在白天时段单点的平均绝对百分比误差在6%以内，全天误差为11%，即使在室内照度发生显著波动的情况下也是如此。

研究背景与意义：室内照明是改善建筑使用者视觉舒适度和工作效率的关键因素。随着发光二极管和物联网技术的发展，利用自然光的照明控制系统备受关注。然而，自然光不断变化，在房间不同区域产生不可预测的强度分布，实现与自然光集成的照明系统需要能够实时持续监测变化光照水平的技术。传统的标准方法在室内多点安装多个传感器以收集和分析光强度数据，但这带来了设备安装和维护成本、传感器网络运行期间的功耗增加、数据传输延迟与损耗，以及占用空间影响用户便利性等问题。此前研究尝试通过窗户旁单传感器、模拟软件或天花板图像分析等方法解决上述问题，但在自然光流入特征发生显著变化时，这些方法难以保证预测准确性，且模拟软件需要复杂的输入参数并难以反映自然光的实时变化。尽管近期引入了基于深度学习的智能预测模型，但仍面临需要天气数据和空间配置等复杂输入、实验阶段不足以生成详细室内照度图、以及受天气条件影响准确度不稳定等局限性。因此，在自然光和人工光共同形成的环境中，能够自动分析所有区域照度并控制照明的无传感器照明系统研究仍处于初级阶段。为解决这些问题，研究人员提出了一种在无传感器照明环境中基于图像生成实时室内照度图的方法，该方法无需在用户活动区域安装光测量传感器即可准确分析室内照明条件，具有重要意义。该研究发表在《Sensors》期刊上。

关键技术方法：样本队列来源为韩国K大学四楼实验室。研究人员在天花板中央安装相机模块采集地面图像，并在室内12个等距点安装光传感设备采集照度数据。使用分光辐射度计对传感设备进行校准，确保在1000 lux以下照度测量误差率低于0.5%。构建数据集后，采用PyTorch框架建立卷积神经网络模型，将图像归一化并转换为不同颜色空间，比较了不同颜色模型作为输入的预测性能。通过调整卷积层数、滤波器数量及全连接层节点进行超参数调优。最后利用空间插值方法生成详细的室内照度图。

室内照明环境特性的收集与分析
研究人员分析了室内照度与地面图像颜色特征之间的相关性。通过在自然光实验环境中收集图像和多点照度数据，构建了包含106,651条记录的室内照明环境数据集。通过相关性分析，发现色调、饱和度、明度颜色模型中的色调（Hue, H）通道、国际照明委员会制定的颜色空间（CIE L*a*b*）中的b*通道，以及色调、饱和度、亮度颜色模型中的色调（Hue, H）通道与照度表现出±0.86或更高的强相关性。这证实了从地面图像得出的颜色属性与照度存在显著相关性，为将其作为深度学习模型输入以计算室内环境各点照度提供了可行性依据。

基于图像的照度图生成方法
研究人员开发了基于卷积神经网络的深度学习模型以生成室内照度图。通过比较不同颜色空间输入的预测性能，确定HSV颜色空间作为输入数据集表现最佳，其测试日结果的均方根误差为20.948 Lux，平均绝对误差为15.030 Lux，决定系数（Coefficient of Determination, R²）为0.99。通过超参数调优优化模型结构，最终模型包含四个卷积层（滤波器分别为64、128、256、512）和两个全连接层（节点为256和96），将平均绝对误差降至13.53 Lux，显著提升了照度计算的准确性。该模型通过空间插值方法能够生成反映室内各点照度变化的详细照度图。

实验与分析
研究人员将该方法应用于未包含在训练数据中的测试日，评估了在多云转晴等不同自然光条件下的性能。结果显示，在室内照度因自然光分布不均而发生显著变化时，该方法生成的照度图与实测值高度一致，各时间段平均绝对误差分别为7、14、22和11 Lux，整体平均绝对百分比误差为11%。在白天室内照度不均衡且需要主动控制人工照明的时段，该方法表现出更优越的准确性，平均绝对百分比误差仅为6%，证明了该方法能够在无物理传感器的环境中准确计算室内各点照度并生成实时照度图。

研究结论与讨论
研究结论部分指出，在响应光环境变化的照明系统中，准确分析室内照明条件至关重要，但安装多个传感器增加了成本和不便。因此，本研究提出了一种无需在生活空间安装光测量传感器即可准确分析室内照明条件的基于图像的室内照度图生成方法。研究人员构建了由相机模块和光学传感设备组成的实验环境，并使用分光辐射度计对其进行校准。通过收集受自然光影响的照度和地面图像构建了室内光数据集，相关性分析结果证实了室内图像颜色元素与照度变化之间存在显著关联。随后构建了基于CNN的深度学习模型，通过对比实验确定HSV为最佳输入参数，并通过超参数调优优化了模型结构。通过将计算的照度值映射到室内空间，研究人员提出了一种能够准确反映自然光流入导致光环境不断变化的室内照度图生成方法。性能评估实验表明，该模型能够准确计算室内特定点的照度，全天MAPE达到11%；在白天室内照度大幅波动需要主动控制人工照明时，准确率更高，MAPE仅为6%。该研究证实了仅利用室内图像而无需物理照度传感器即可生成逐点照度数据和详细照度图的可能性。未来，研究人员计划通过图像预处理和颜色元素组合实验改进方法性能，并在更广泛的环境中进行实验以实现商业化，同时致力于开发无传感器的自然光集成照明系统以改善室内光质量并实现节能。