构建环境识别模型的方法、识别环境的方法及装置、设备与流程

本申请涉及智能家居，具体而言，涉及一种构建环境识别模型的方法、识别环境的方法及装置、设备。

背景技术：

1、在智能家居系统中，准确识别和理解环境中的灯光状况对于系统提供高质量的服务至关重要，这取决于很多参数，如照射角度、亮度、色温等。然而，对于复杂环境下的灯光识别一直是一个具有挑战性的问题。传统方法中，通常依赖大量由真实环境采集的数据来训练模型，而且需要复杂的图像处理和分析技术来提取有用特征。然而这种方法在样本数据有限或者受到各种环境噪声影响下往往效果不理想。

2、相关技术中，采用数据增强的方法来虚拟增加样本的数量和多样性，从而改善模型表现。常见做法包括对图片进行裁剪、旋转、缩放、添加噪声等以生成新样本。

3、在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：

4、采用数据增强的方法获取样本，无法准确地反映真实世界中多变且复杂的灯光效果，若根据该样本建立环境识别模型，可能会影响模型在环境识别过程中的准确性。

5、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。

2、本公开实施例提供了一种构建环境识别模型的方法、识别环境的方法及装置、设备，可以提高环境识别模型对环境识别的准确性。

3、在一些实施例中，用于构建环境识别模型的方法包括：将不同光照条件下的实验室环境图像数据，和，不同家居环境中的智能家居环境图像数据，作为第一训练样本；根据第一训练样本建立初始模型；将经过图像参数调整的实验室环境图像数据，与从智能家居环境图像数据提取的环境噪声数据进行融合，生成第二训练样本；根据第二训练样本训练初始模型，在初始模型测试通过的情况下停止训练，获得环境识别模型。

4、可选地，将不同光照条件下的实验室环境图像数据，和，不同家居环境中的智能家居环境图像数据，作为第一训练样本，包括：对实验室环境图像数据进行第一预处理操作，获得目标实验室环境图像数据；其中，第一预处理操作包括实验室环境图像数据大小标准化、实验室环境图像数据无用信息去除化和实验室环境图像数据样本增量化中的一种或多种；对智能家居环境图像数据进行第二预处理操作，获得目标智能家居环境图像数据；其中，第二预处理操作包括智能家居环境图像数据大小标准化、智能家居环境图像数据无用信息去除化和智能家居环境图像数据样本增量化中的一种或多种；将目标实验室环境图像数据和目标智能家居环境图像数据作为第一训练样本。

5、可选地，根据第一训练样本建立初始模型，包括：构建主干神经网络，并根据第一训练样本选择主干神经网络的网络结构，获得初始训练模型；基于第一训练样本所对应的优化策略，将第一训练样本输入初始训练模型进行模型训练；确定包含最优参数的初始训练模型为初始模型。

6、可选地，将经过图像参数调整的实验室环境图像数据，与从智能家居环境图像数据提取的环境噪声数据进行融合，生成第二训练样本，包括：将经过图像参数调整的实验室环境图像数据与环境噪声数据进行混合，获得混合后的环境图像数据；在每个混合后的环境图像数据中加入差异性因素，生成差异样本；其中，差异性因素包括图像旋转因素、图像缩放因素、图像裁剪因素和图像颜色调整因素中的一种或多种；集合所有差异样本，作为第二训练样本。

7、可选地，按照如下方式从智能家居环境图像数据提取环境噪声数据：去除智能家居环境图像数据中的家居物体，以保留背景噪声；提取背景噪声作为环境噪声数据。

8、可选地，根据第二训练样本训练初始模型，包括：获取第二训练样本中的训练样本；确定训练样本的设定迭代次数和单次迭代中用于更新初始模型的权重的训练样本的设定样本数量；在当前迭代次数未达到设定迭代次数的情况下，每次迭代过程中，将设定样本数量的训练样本输入初始模型，对初始模型的权重进行更新。

9、可选地，对初始模型的权重进行更新，包括：确定均方误差或交叉熵损失为初始模型的损失函数；确定随机梯度下降算法或自适应时刻估计算法为优化算法；采用优化算法调整初始模型的权重，以使损失函数取最小值。

10、可选地，用于构建环境识别模型的方法包括按照如下方法确定初始模型测试通过：获取第二训练样本中的测试样本；在初始模型每次迭代结束或者达到预设间隔后，利用测试样本对模型进行评估，获得初始模型性能提升值；在初始模型性能提升值小于预设值的情况下，确定初始模型测试通过。

11、可选地，用于构建环境识别模型的方法还包括：获得环境识别模型后，根据在线学习的结果，和/或，用户反馈信息，持续优化环境识别模型。

12、可选地，根据在线学习的结果，和/或，用户反馈信息，持续优化环境识别模型，包括：根据在线学习的结果，和/或，用户反馈信息，分析环境识别模型的准确率、召回率和f1分数，获得分析结果；根据分析结果，执行优化操作；其中，优化操作包括为环境识别模型添加新功能，调整环境识别模型的网络架构，以及更新环境识别模型的训练数据中的一种或多种。

13、在一些实施例中，用于识别环境的方法包括：获取环境图像数据；利用如上述的方法所构建的环境识别模型，对环境图像数据进行识别，获得环境识别结果。

14、在一些实施例中，用于识别环境的装置包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行：如上述的用于构建环境识别模型的方法；和/或，如上述的用于识别环境的方法。

15、在一些实施例中，智能设备包括：智能设备本体；如上述的用于识别环境的装置，被安装于智能设备本体。

16、本公开实施例还提供了一种计算机可读存储介质，存储有程序指令，所述程序指令在运行时，用以使得计算机执行如上述的用于构建环境识别模型的方法，和/或，如上述的用于识别环境的方法。

17、本公开实施例提供的构建环境识别模型的方法、识别环境的方法及装置、设备，可以实现以下技术效果：

18、在本公开实施例中，收集不同光照条件下的实验室环境图像数据，和不同房间类型和不同场景因素中的智能家居环境图像数据，作为第一训练样本，可以提高第一训练样本的真实性和复杂性。再基于第一训练样本建立环境识别模型的初始模型。将经过图像参数调整的实验室环境图像数据与智能家居环境图像数据的环境噪声数据进行融合，可以增加样本的数量和多样性，从而获得更加丰富且具备真实性的第二训练样本。最后根据第二训练样本对初始模型进行训练，获得环境识别模型，可以提高环境识别模型的鲁棒性和泛化能力，提高环境识别模型对不同环境的识别效果，从而提高环境识别模型对环境识别的准确性。

19、以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。

技术特征：

1.一种用于构建环境识别模型的方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，将不同光照条件下的实验室环境图像数据，和，不同家居环境中的智能家居环境图像数据，作为第一训练样本，包括：

3.根据权利要求1所述的方法，其特征在于，根据第一训练样本建立初始模型，包括：

4.根据权利要求1所述的方法，其特征在于，将经过图像参数调整的实验室环境图像数据，与从智能家居环境图像数据提取的环境噪声数据进行融合，生成第二训练样本，包括：

5.根据权利要求4所述的方法，其特征在于，包括按照如下方式从智能家居环境图像数据提取环境噪声数据：

6.根据权利要求1所述的方法，其特征在于，根据第二训练样本训练初始模型，包括：

7.根据权利要求6所述的方法，其特征在于，对初始模型的权重进行更新，包括：

8.根据权利要求1至7任一项所述的方法，其特征在于，包括按照如下方法确定初始模型测试通过：

9.根据权利要求1至7任一项所述的方法，其特征在于，还包括：

10.根据权利要求9所述的方法，其特征在于，根据在线学习的结果，和/或，用户反馈信息，持续优化环境识别模型，包括：

11.一种用于识别环境的方法，其特征在于，包括：

12.一种用于识别环境的装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行：

13.一种智能设备，其特征在于，包括：

技术总结
本申请公开了一种构建环境识别模型的方法、识别环境的方法及装置、设备，涉及智能家居技术领域，构建环境识别模型的方法包括：将不同光照条件下的实验室环境图像数据，和，不同家居环境中的智能家居环境图像数据，作为第一训练样本；根据第一训练样本建立初始模型；将经过图像参数调整的实验室环境图像数据，与从智能家居环境图像数据提取的环境噪声数据进行融合，生成第二训练样本；根据第二训练样本训练初始模型，在初始模型测试通过的情况下停止训练，获得环境识别模型。在本公开实施例中所构建的环境识别模型，具有较强的鲁棒性和泛化能力，环境识别效果更准确。

技术研发人员：杜永杰,邓邱伟,田云龙,牛丽,赵乾,尹飞,张军
受保护的技术使用者：青岛海尔科技有限公司
技术研发日：
技术公布日：2024/3/12