基于深度学习使用单个传感器生成实时室内详细照明图的方法
Seung-Taek Oh1, You-Bin Lee2, Jae-Hyun Lim2
1Smart Natural Space Research Center, Kongju National University, Cheonan 31080, Republic of Korea.
Sensors (Basel, Switzerland)
|August 28, 2025
概括
这项研究引入了一种深度学习方法, 用一个传感器创建详细的室内照明图. 这种方法减少了对整合自然光的智能照明系统的传感器需求.
科学领域:
- 建筑科学
- 计算机视觉
- 人工智能
背景情况:
- 智能照明系统需要准确的室内照明数据,以提高能源效率和用户舒适度.
- 目前用于绘制室内光线的方法依赖于众多传感器,导致数据处理挑战和用户不便.
- 深度学习已被用于自然光预测,但对于详细的室内照明分析和传感器减光的应用却较少.
研究的目的:
- 开发基于深度学习的方法,使用单个传感器生成详细的室内照明图.
- 解决动态自然光环境中的多传感器系统的局限性.
- 减少用于准确室内照明分析的传感器数量.
主要方法:
- 用动态室内照明和太阳位置数据创建了一个数据集.
- 一个深度神经网络 (DNN) 模型被训练来预测整个室内空间的亮度.
- 该模型使用单个照度传感器和太阳位置的输入来生成照度图.
主要成果:
- 提出的方法成功生成了详细的室内照明图.
- 该系统在晴朗天的平均绝对误差 (MAE) 为2.0卢克,平均绝对百分比误差 (MAPE) 为2.5%.
- 证明了使用最小传感器计算整个室内区域的照度水平的可行性.
结论:
- 单传感器深度学习方法对于创建全面的室内照明图是有效的.
- 这种方法大大降低了智能照明的硬件需求和数据处理负载.
- 通过简化传感器基础设施,这些发现支持自然光集成照明技术的商业化.
