(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210971247.2 (22)申请日 2022.08.15 (65)同一申请的已公布的文献号 申请公布号 CN 115049814 A (43)申请公布日 2022.09.13 (73)专利权人 聊城市飓风工业设计有限公司 地址 252000 山东省聊城市高新区湖南路 东首九州生物产业园科技孵化大楼 216室 (72)发明人 孟庆琨　荣宇翔　张民增　 (74)专利代理 机构 深圳叁众知识产权代理事务 所(普通合伙) 44434 专利代理师 董红娟 (51)Int.Cl. G06V 10/14(2022.01)G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 110210515 A,2019.09.0 6 CN 112069978 A,2020.12.1 1 CN 105528623 A,2016.04.27 审查员 李华 (54)发明名称 采用神经网络模型的护眼灯智能调节方法 (57)摘要 本发明涉及智能调节 技术领域， 具体涉及一 种采用神经网络模型的护眼灯智能调节方法， 该 方法对护眼灯未打开时的光线环境图像设置标 签值， 得到标签图像， 利用标签图像训练神经网 络得到对应光线环境图像的关注图像； 构建K ‑ SVD算法的损失函数以分别得到光线环境图像和 个人数据图像的稀疏向量； 基于稀 疏向量计算光 线环境图像和个人数据图像 之间的相关性指标， 以对光线环 境图像的标签值进行调整， 得到对应 的新标签图像， 利用由新标签图像重新训练好的 神经网络对护眼灯进行调节。 通过分析个人数据 与训练集中的各数据之间的关系以对训练集中 的各数据进行调整， 使 得由调整后的训练集所训 练的神经网络能够更好适用于各用户的个性需 求。 权利要求书2页 说明书7页 附图1页 CN 115049814 B 2022.11.08 CN 115049814 B 1.一种采用神经网络模型的护眼灯智能调节方法， 其特 征在于， 该 方法包括以下步骤： 采集护眼灯未打开时的多张光线环境图像， 分别对每张光线环境图像设置标签值， 得 到对应的标签图像， 所述标签值为多组由光线强度和色温值组成的结构单元灯组； 利用所 述标签图像对神经网络进 行训练， 利用训练好的神经网络得到每张光线环境图像的关注图 像； 基于所述关注图像构 建K‑SVD算法的损失函数， 利用EM算法对所述损失函数进行训练， 以得到每张光线环境图像的稀疏向量； 获取个人数据图像的稀疏向量， 所述个人数据图像是指由个人需求手动调节护眼灯后 所采集的光线环境图像； 计算当前光线环境图像的稀疏向量与个人数据图像的稀疏向量之 间的相关性指标， 利用相关性指标对当前光线环境图像的标签值进行调整， 得到新标签值； 根据每张光线环境图像的新标签值得到对应的新标签图像， 利用所述新标签图像对所 述神经网络进行重新训练， 以通过重新训练好的所述神经网络对护眼灯进行调节； 所述构建K ‑SVD算法的损失函数的方法， 包括： 对第K张光线环境图像的关注图像中的像素值进行统计得到关注直方图， 对所述关注 直方图进行k ‑means聚类， 得到低关注度类别和高关注度类别； 获取高关注度类别中的最小 像素值， 以所述最小像素值为界限， 将关注图像中大于所述最小像素值的像素点划分为高 关注度像素点， 得到高关注度遮罩图， 将所述高关注度遮罩图与第K张光线环 境图像相乘得 到高关注度图像 ； 所述K‑SVD算法为 的结构， 其中， 表示输入图像， 表示字典矩阵， 表示输 入图像的稀疏向量； 基于稀疏向量中每个稀疏值， 将字典矩阵中 维度至 维度的字典向 量所对应的稀疏值置0， 得到第一稀疏向量 ， 其中， N为字典矩阵的偶数列的列数； 结合 第一稀疏向量、 字典矩阵和所述高关注度图像构建第二损失函数 ； 将第二损失函数和所述K ‑SVD算法的原始损失函数进行相加， 相加结果即为所述K ‑SVD 算法的改进的损失函数， 则所述原始损失函数 ， 其中， 为稀疏向 量的L2范 数； 所述计算当前光线环境图像的稀疏向量与个人数据图像的稀疏向量之间的相关性指 标的方法， 包括： 获取个人数据图像的稀疏向量中1维度至 维度的子稀疏向量L1和个人数据图像的稀 疏向量中 维度至 维度的子稀疏向量 L2； 令当前光线环境图像为第K张光线环境图像， 获取第K张光线环境图像的稀疏向量中1 维度至 维度的子稀疏向量 和第K张光线环境图像的稀疏向量中 维度至 维度的 子稀疏向量 ；权　利　要　求　书 1/2 页 2 CN 115049814 B 2计算第K张光线环境图像的稀疏向量与个人数据图像的稀疏向量之间的相关性指标 ， 则相关性指标 的计算公式为： 其中， 为欧式距离； 为第K张光线环境图像的关注图像对应高关注度类别的 像素值均值； 为第K张光线环境图像的关注图像对应低关注度类别的像素值均值； 所述利用相关性指标对当前光线环境图像的标签值进行调整， 得到新标签值的方法， 包括： 利用相关性指标对第K张光线环境图像的标签值中每个元素值进行调整， 将调整后的 元素值组成新标签值， 其中调整公式为： 其中， 为第K张光线环境图像的标签值中调整后的第 个元素值； 为第K张光线环 境图像的标签值中第 个元素值； 表示个人数据图像的标签值中调整后的第 个元素值； 表示个人 数据图像的标签值中第 个元素值。 2.如权利要求1所述的一种采用神经网络模型的护眼灯智能调节方法， 其特征在于， 所 述神经网络的训练过程包括： 基于构建的损 失函数， 将所述标签图像输入到神经网络中， 通过第一卷积层得到第一 特征图， 将第一特征图与第一遮罩图像相乘得到第一处理图像， 所述第一处理图像通过第 二卷积层得到第二特征图， 将第二特征图与第二遮罩图像相乘得到第二处理图像， 所述第 二处理图像通过全连接层输出 特征向量。 3.如权利要求2所述的一种采用神经网络模型的护眼灯智能调节方法， 其特征在于， 所 述损失函数的构建方法为： 根据第一遮罩图像和第二遮罩图像构建第一损失函数 ， 其中， 为 第 个遮罩图像中第 个像素点的像素值， 为第 个遮罩图像中像素点的数量； 将所述第一损失函数和均方差损失函数进行相加， 相加结果即为神经网络的损失函 数。 4.如权利要求2所述的一种采用神经网络模型的护眼灯智能调节方法， 其特征在于， 所 述利用训练好的神经网络得到每张光线环境的关注图像的方法， 包括： 根据训练好的神经网络获取每个光线环境图像的第 一遮罩图像和第 二遮罩图像， 对第 一遮罩图像和第二遮罩图像分别进行上采样， 得到与光线环境图像相同大小的图像， 将上 采样得到的两个图像中相同位置的像素值进行相加 求均值， 得到综合遮罩图像， 将所述综 合遮罩图像作为对应光线环境图像的关注图像。权　利　要　求　书 2/2 页 3 CN 115049814 B 3