一种户外媒体灯光自动识别系统的制作方法

本发明涉及户外广告媒体的维护系统领域，特别是一种对户外广告媒体的灯光监测报告系统。

背景技术：

户外广告媒体一般都安装射灯作为亮灯，灯光媒介通常一个媒体由多组射灯组成灯光环境，通过灯光环境提升户外广告媒体在夜晚的展示效果。传统户外广告媒体灯光发生故障，如电路故障或者灯泡烧毁，只能等待固定周期的人工巡检时依赖人眼判断故障后，再安排维修人员维修，在媒体展示体验反馈上有较大缺失。

技术实现要素：

本发明的目的在于解决上述问题和不足，提供一种户外媒体灯光自动识别系统，该系统运行后，能自动智能识别射灯是否正常亮灯，当射灯不亮时，能自动生成报告消息通知用户，帮助用户及时、零劳动强度地获知广告媒体灯光状态，大大降低了户外广告媒体灯光日常维护人工成本，提高了广告运营商的市场竞争力。

本发明的技术方案是这样实现的：一种户外媒体灯光自动识别系统，其特点在于：包括射灯检测模块、射灯光照识别模块、射灯故障判断模块，其中，所述射灯检测模块，基于cnn卷积神经网络的googletensorflow深度学习系统，在白天非亮灯时间段，通过摄像头定时拍图作为户外媒体射灯照片，训练深度学习系统学习识别射灯物体，深度学习系统通过深度学习获取射灯物体模型，自动检测图片中射灯数量和射灯位置；所述射灯光照识别模块，在夜晚亮灯时间段，利用摄像头拍图若干张亮灯图片，通过若干张亮灯图片分析建立户外媒体用射灯的色域值模型分布，生成色域值分布模型；通过色域值分布模型可识别到独立的射灯是否亮灯，进而实现检测图片的光亮色度识别射灯是否开启；所述射灯故障判断模块，系统分析户外媒体的白天图片通过射灯检测模块判断媒体部署的射灯数量和射灯位置，通过系统摄像头定时拍图用射灯光照识别模块检测相关位置的射灯是否亮灯，如果判断有不亮灯的故障，向后台输出故障警告，及时反馈给维护人员。

本发明的有益效果：本系统运行后，能自动智能识别射灯是否正常亮灯，当射灯不亮时，能自动生成报告消息通知用户，帮助用户及时、零劳动强度地获知广告媒体灯光状态，大大降低了户外广告媒体灯光日常维护人工成本，提高了广告运营商的市场竞争力。

附图说明

图1为本发明的原理方框示意图。

具体实施方式

如图1所示，本发明所述的一种户外媒体灯光自动识别系统，包括射灯检测模块1、射灯光照识别模块2、射灯故障判断模块3，其中，所述射灯检测模块1：基于cnn卷积神经网络的googletensorflow深度学习系统，在白天非亮灯时间段，通过摄像头定时拍图作为户外媒体射灯照片，训练深度学习系统学习识别射灯物体，深度学习系统通过深度学习获取射灯物体模型，自动检测图片中射灯数量和射灯位置。

所述射灯光照识别模块2：在夜晚亮灯时间段，利用摄像头拍图若干张亮灯图片，通过若干张亮灯图片分析建立户外媒体用射灯的色域值模型分布，生成色域值分布模型；通过色域值分布模型可识别到独立的射灯是否亮灯，进而实现检测图片的光亮色度识别射灯是否开启。

所述射灯故障判断模块3：系统分析户外媒体的白天图片通过射灯检测模块判断媒体部署的射灯数量和射灯位置，通过系统摄像头定时拍图用射灯光照识别模块检测相关位置的射灯是否亮灯，如果判断有不亮灯的故障，向后台输出故障警告，及时反馈给维护人员。

本发明系统的深度学习识别方法说明：

一、创建数据集：

机器学习需要数据作为原始数据，那么我们首先需要做的就是建立起一个可供训练的数据集，同时需要利用符合googletensorflow的数据格式来保持这些数据及其标签：

1.googletensorflow的物体检测接口主要使用tfrecord文件格式，我们需要将数据转换为这个格式。

2.类似pascalvoc数据集或是oxfordpet数据集的格式，编写脚本解释。

3.在准备输入数据之前你需要考虑两件事情：其一，你需要一些带射灯的的彩色图片；其二，你需要在图中图片的位置框坐标（xmin，ymin，xmax，ymax）来定位射灯的位置并进行分类。

4.通过寻找一些不同尺度、位置、光照下的图片。至少需要200张图片。

5.数据打标签，分类很简单都是射灯，但是我们需要手动在每一张图中框出射灯的位置。一个比较好的打标工具是labelimg。编译好后只要在图片上轻点鼠标就可以得到pascalvoc格式的xml文件，再利用一个脚本就可以转换成tensorflow需要的输入格式了。

6.将图像的标签转换为tfrecord格式后，并将起分为训练集（约160张）和测试集（约40张）。

二、训练模型：

输入数据搞定后，就开始训练模型啦。一般，对于物体识别训练来说有标准的工作流程。首先，需要利用一个预训练模型来作为训练的基础，系统使用了ssd_mobilenet_v1。同时需要将分类改变为1，并更改模型、训练数据、标签数据的路径。对于学习率、批量大小和其他超参数先用默认参数来进行训练。

1.api中有一个数据增强选项data_augmentation_option，这个选项对于较为单一的训练数据来说十分有用。

2.重要标签的值需要从1开始标记，0是一个占位符，在为每一类分类标签赋值时需要注意。

做完以上准备工作，可以开始进行训练，训练完成可导出深度学习识别模型。可以选择在自己本地的gpu上训练网络。

在训练的过程中，可以通过tensorboard来实时监测模型的训练情况一遍在出现异常时及时调整训练策略。

三、模型的使用：

完成训练之后，需要将模型保存下来，通常使用checkpoint的模式来保存。由于是基于云端训练的，需要通过一个脚本将模型导入到本机使用。系统识别模型训练即可完成。

技术特征：

技术总结
本发明涉及一种户外媒体灯光自动识别系统，包括射灯检测模块、射灯光照识别模块、射灯故障判断模块，射灯检测模块基于CNN卷积神经网络的GoogleTensorFlow深度学习系统，通过深度学习获取射灯物体模型，自动检测图片中射灯数量和射灯位置；射灯光照识别模块通过色域值分布模型可识别到独立的射灯是否亮灯，进而实现检测图片的光亮色度识别射灯是否开启；射灯故障判断模块通过系统摄像头定时拍图用射灯光照识别模块检测相关位置的射灯是否亮灯，如果判断有不亮灯的故障，向后台输出故障警告，及时反馈给维护人员。本系统能自动智能识别射灯是否正常亮灯，当射灯不亮时，能自动生成报告消息通知用户，大大降低了户外广告媒体灯光日常维护人工成本。

技术研发人员：谢世明
受保护的技术使用者：广东博媒广告传播有限公司
技术研发日：2018.12.31
技术公布日：2019.05.07