一种智能门窗自动折叠调控方法与流程

1.本发明涉及门窗调节技术领域，具体是一种智能门窗自动折叠调控方法。


背景技术：

2.在面积较大的建筑中，门窗数量极大，每天的开关任务量较大，工作人员的工作压力很大，面对这种情况，现有的大面积建筑都会采用可以智能控制的智能门窗，减缓工作人员的工作压力，但是，现有的智能门窗的智能仅体现在开关控制环节，具体开关动作的控制人还是工作人员，工作人员需要定时的根据天气情况进行门窗调节；此时，一个门窗对应一个按钮，当门窗数量较多时，按钮数量也较多，工作人员的工作复杂度依旧很高。
3.如何进一步提高现有智能门窗的智能化水平，降低工作人员工作量的同时，提高实时性是本发明技术方案想要解决的技术问题。


技术实现要素：

4.本发明的目的在于提供一种智能门窗自动折叠调控方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：
6.一种智能门窗自动折叠调控方法，所述方法包括：
7.读取目标区域的建筑数据，基于建筑数据获取智能门窗的安装位置及摄像头的相对位置，根据所述安装位置和相对位置获取采集范围；
8.根据所述建筑数据和所述采集范围建立图层模板，基于所述图层模板实时获取摄像头的拍摄图像；
9.对拍摄图像进行特征识别，提取图像特征；
10.实时获取目标区域的环境参数，根据所述环境参数、所述图像特征和管理方输入的工位状态训练神经网络模型；
11.当接收到管理方输入的应用指令时，基于训练好的神经网络模型输出控制指令并向智能门窗发送；
12.其中，所述根据所述安装位置和相对位置获取采集范围的过程为：
13.读取摄像头的采集广角和采集距离，根据光学传播原理将采集广角和采集距离转换为采集空间；所述采集空间为锥体；
14.计算采集空间和水平面的交集，得到采集范围。
15.作为本发明进一步的方案：所述读取目标区域的建筑数据，基于建筑数据获取智能门窗的安装位置及摄像头的相对位置，根据所述安装位置和相对位置获取采集范围的步骤包括：
16.接收管理方输入的区域标签及管理方授予的查询权限，根据区域标签及查询权限获取目标区域的建筑数据；
17.基于建筑数据搭建展示模型，基于展示模型接收管理方输入的智能门窗的安装位
置及摄像头的相对位置；其中，当建筑数据中含有智能门窗的安装位置及摄像头的相对位置时，管理方输入的数据为确认信息；
18.根据安装位置和相对位置确定摄像头的绝对位置，读取摄像头的工作参数，根据绝对位置和工作参数计算采集范围；所述摄像头为枪机。
19.作为本发明进一步的方案：所述根据安装位置和相对位置确定摄像头的绝对位置，读取摄像头的工作参数，根据绝对位置和工作参数计算采集范围的步骤包括：
20.当摄像头为球机时，读取摄像头的含有时间戳的工作参数；
21.根据绝对位置和含有时间戳的工作参数计算含有时间戳的采集范围。
22.作为本发明进一步的方案：所述根据所述建筑数据和所述采集范围建立图层模板，基于所述图层模板实时获取摄像头的拍摄图像的步骤包括：
23.根据所述建筑数据确定内层边界，基于内层边界统计所述采集范围，得到图层模板；其中，所述内层边界、采集范围和图层模板均为三维数据；
24.创建与摄像头数量相同的数据缓存队列，基于所述数据缓存队列获取摄像头的拍摄图像；所述拍摄图像中含有时间信息；
25.根据预设的时间频率在数据缓存队列中读取拍摄图像，填充至图层模板。
26.作为本发明进一步的方案：所述根据所述建筑数据和所述采集范围建立图层模板，基于所述图层模板实时获取摄像头的拍摄图像的步骤还包括：
27.接收用户输入的检测边界，根据所述检测边界和内层边界确定检测环；
28.基于检测环计算各个采集范围之间的交集和并集；
29.当任意两个采集范围内存在交集时，向对应的两个摄像头发送自检指令；
30.计算检测环与并集的差集，根据所述差集确定辅助设备及其安装点位。
31.作为本发明进一步的方案：所述对拍摄图像进行特征识别，提取图像特征的步骤包括：
32.根据预设的灰度公式将拍摄图像转换为灰度图像；
33.根据预设的子区域尺寸遍历所述灰度图像，对所述灰度图像进行平滑处理；
34.统计平滑处理后的灰度图像中灰度跨度，根据所述灰度跨度搭建跨度方阵；所述跨度方阵的行列数与灰度跨度相同；
35.基于所述跨度方阵提取图像特征。
36.作为本发明进一步的方案：所述根据预设的子区域尺寸遍历所述灰度图像，对所述灰度图像进行平滑处理的步骤包括：
37.根据预设的子区域尺寸遍历所述灰度图像；
38.计算子区域中的灰度均值和灰度中值，计算所述灰度均值和灰度中值的差值；
39.当所述差值小于预设的阈值时，基于灰度均值替换子区域中各点位的值；
40.当所述差值大于预设的阈值时，基于灰度中值替换子区域中各点位的值。
41.作为本发明进一步的方案：所述基于所述跨度方阵提取图像特征的步骤包括：
42.获取运算器的运算参数，根据运算参数确定单次运算范围；
43.基于单次运算范围提取待检区块，将待检区块中的元素值输入预设的特征计算公式，得到特征值；
44.统计所有待检区块的特征值，得到特征矩阵，作为图像特征；
45.其中，所述特征计算公式为：
46.；
47.其中，c为计算出的特征值， 为待检区块中第i行第j列的元素值， 为i和j的乘积；为待检区块中第i行元素值的均值，为待检区块中第i列元素值的标准差，为待检区块中第i行元素值的均值，为待检区块中第i列元素值的标准差。
48.作为本发明进一步的方案：所述实时获取目标区域的环境参数，根据所述环境参数、所述图像特征和管理方输入的工位状态训练神经网络模型的步骤包括：
49.基于预设的传感器实时获取目标区域的环境参数；
50.查询同时刻的图像特征，连接所述图像特征和所述环境参数，得到综合特征；
51.接收管理方输入的靶向各智能门窗的工位状态，创建综合特征-工位状态的训练集和测试集；
52.基于所述训练集和测试集训练神经网络模型。
53.作为本发明进一步的方案：所述当接收到管理方输入的应用指令时，基于训练好的神经网络模型输出控制指令并向智能门窗发送的步骤包括：
54.接收到管理方输入的应用指令时，读取当前时刻的环境参数和拍摄图像；
55.提取拍摄图像的图像特征，将环境参数和图像特征输入训练好的神经网络模型，输出工位状态；
56.读取辅助设备的检测结果，根据检测结果对工位状态进行验证；
57.当通过验证时，根据工位状态确定控制指令并向智能门窗发送。
58.与现有技术相比，本发明的有益效果是：本发明基于建筑数据在原有的智能门窗附近安装摄像头，由摄像头采集图像，进而提取图像特征，再结合传感器获取到的环境参数，可以得到综合特征，然后，由管理方确定不同综合特征下的门窗状态，基于所述综合特征和所述门窗状态可以训练神经网络模型；最后，借助神经网络模型即可搭建自动控制系统，极大地提高了智能门窗的智能化水平。
附图说明
59.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
60.图1为智能门窗自动折叠调控方法的流程框图。
61.图2为智能门窗自动折叠调控方法的第一子流程框图。
62.图3为智能门窗自动折叠调控方法的第二子流程框图。
63.图4为智能门窗自动折叠调控方法的第三子流程框图。
64.图5为智能门窗自动折叠调控方法的第四子流程框图。
具体实施方式
65.为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结
合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
66.图1为智能门窗自动折叠调控方法的流程框图，本发明实施例中，一种智能门窗自动折叠调控方法，所述方法包括：
67.步骤s100：读取目标区域的建筑数据，基于建筑数据获取智能门窗的安装位置及摄像头的相对位置，根据所述安装位置和相对位置获取采集范围；
68.目标区域是安装智能门窗的区域，包括车间和厂房等，目标区域的建筑数据是已有数据，读取过程并不困难；基于读取到的建筑数据获取智能门窗的安装位置以及摄像头的相对位置，由于摄像头一般安装在智能门窗附近，因此，以智能门窗为基准，获取摄像头的位置，称为相对位置；根据智能门窗的安装位置和摄像头的相对位置，可以确定摄像头的采集范围。
69.所述根据所述安装位置和相对位置获取采集范围的过程为：
70.读取摄像头的采集广角和采集距离，根据光学传播原理将采集广角和采集距离转换为采集空间；所述采集空间为锥体；
71.计算采集空间和水平面的交集，得到采集范围。
72.步骤s200：根据所述建筑数据和所述采集范围建立图层模板，基于所述图层模板实时获取摄像头的拍摄图像；
73.根据建筑数据统计采集范围，可以建立图层模板，由图层模板对所有摄像头的拍摄数据进行统计即可。
74.步骤s300：对拍摄图像进行特征识别，提取图像特征；
75.对统计的拍摄图像进行识别，提取拍摄图像中的特征，用于反映当前的图像状态。
76.步骤s400：实时获取目标区域的环境参数，根据所述环境参数、所述图像特征和管理方输入的工位状态训练神经网络模型；
77.图像状态与环境参数的相关度很高，尤其是光照参数，根据环境参数和提取到的图像特征确定综合特征，接收管理人员输入的工位状态作为标签，然后借助现有的神经网络模型，可以训练出一个映射关系。
78.步骤s500：当接收到管理方输入的应用指令时，基于训练好的神经网络模型输出控制指令并向智能门窗发送；
79.步骤s500是具体的应用过程，在实际应用中，借助训练出的映射关系，可以根据智能设备采集到的环境参数和图像特征得到最终的工位状态，进而生成控制指令。
80.其中，所述工位状态就是各个智能门窗的开口大小，控制指令就是达到该开口大小时所需的控制指令。
81.图2为智能门窗自动折叠调控方法的第一子流程框图，所述读取目标区域的建筑数据，基于建筑数据获取智能门窗的安装位置及摄像头的相对位置，根据所述安装位置和相对位置获取采集范围的步骤包括：
82.步骤s101：接收管理方输入的区域标签及管理方授予的查询权限，根据区域标签及查询权限获取目标区域的建筑数据；
83.管理方输入区域标签和查询权限，本方法执行主体根据查询权限即可查询区域标签对应的目标区域的建筑数据。
84.步骤s102：基于建筑数据搭建展示模型，基于展示模型接收管理方输入的智能门窗的安装位置及摄像头的相对位置；其中，当建筑数据中含有智能门窗的安装位置及摄像头的相对位置时，管理方输入的数据为确认信息；
85.根据预设的比例尺将建筑数据转换为展示模型，所述展示模型是三维模型，由三维模型接收管理方输入的安装位置和相对位置；如果建筑数据中含有安装位置，那么展示模型中将会标记智能门窗，此时，管理方可以输入确认信息或者调节信息。
86.步骤s103：根据安装位置和相对位置确定摄像头的绝对位置，读取摄像头的工作参数，根据绝对位置和工作参数计算采集范围；所述摄像头为枪机。
87.由安装位置和相对位置可以确定摄像头的绝对位置，根据绝对位置和工作参数可以计算出该摄像头的采集范围；所述摄像头一般采用固定式的摄像头（枪机），能够以较高精度拍摄图像。
88.作为本发明技术方案的一个优选实施例，所述根据安装位置和相对位置确定摄像头的绝对位置，读取摄像头的工作参数，根据绝对位置和工作参数计算采集范围的步骤包括：
89.当摄像头为球机时，读取摄像头的含有时间戳的工作参数；
90.根据绝对位置和含有时间戳的工作参数计算含有时间戳的采集范围；
91.在本发明技术方案的一个实例中，可以将固定式摄像头转换为转向式摄像头，此时，即使同一摄像头，不同时刻的采集范围也是不同的，因此，在采集范围中需要引入时间标签。
92.上述内容中，采集范围的计算过程与步骤s100中提供的计算过程相同，区别在于，引入了时间标签，这是因为枪机的采集范围不发生变化，而球机的采集范围随时间的变化而变化。
93.图3为智能门窗自动折叠调控方法的第二子流程框图，所述根据所述建筑数据和所述采集范围建立图层模板，基于所述图层模板实时获取摄像头的拍摄图像的步骤包括：
94.步骤s201：根据所述建筑数据确定内层边界，基于内层边界统计所述采集范围，得到图层模板；其中，所述内层边界、采集范围和图层模板均为三维数据；
95.建筑数据的边界称为内层边界，摄像头一般拍摄建筑外的图像，基于此，以内层边界统计采集范围，可以得到一个更大的范围。
96.步骤s202：创建与摄像头数量相同的数据缓存队列，基于所述数据缓存队列获取摄像头的拍摄图像；所述拍摄图像中含有时间信息；
97.关于摄像头的数据获取过程，需要借助数据缓存队列，从数据缓存队列中读取数据，可以保证各个拍摄图像在时间上的一致性。
98.步骤s203：根据预设的时间频率在数据缓存队列中读取拍摄图像，填充至图层模板；
99.基于预设的时间频率在数据缓存队列中读取同一时刻对应的拍摄图像，填充至生成的图层模板即可。
100.作为本发明技术方案的一个优选实施例，所述根据所述建筑数据和所述采集范围建立图层模板，基于所述图层模板实时获取摄像头的拍摄图像的步骤还包括：
101.接收用户输入的检测边界，根据所述检测边界和内层边界确定检测环；
102.基于检测环计算各个采集范围之间的交集和并集；
103.当任意两个采集范围内存在交集时，向对应的两个摄像头发送自检指令；
104.计算检测环与并集的差集，根据所述差集确定辅助设备及其安装点位；
105.对于摄像头来说，采集范围很大，可以获取到很远距离的信息，以内层边界统计采集范围，得到的图层模板的尺寸极大，往往是默认边界；在本发明技术方案的一个实例中，由管理方上传一个检测边界，将识别过程限定于内层边界和检测边界之间，反映在拍摄图像中，就是对拍摄图像中的部分内容进行截取。
106.计算不同采集范围之间的交集，如果存在交集，就说明对应的两个摄像头对同一区位进行图像拍摄，此时，两者的拍摄过程可以互为对照，用于检测拍照过程。
107.与此同时，还要计算不同采集范围之间的并集，比对并集和整个检测环，可以清晰地判断出盲区，由管理方针对盲区可以安装额外的辅助设备，用于对盲区进行检测。
108.图4为智能门窗自动折叠调控方法的第三子流程框图，所述对拍摄图像进行特征识别，提取图像特征的步骤包括：
109.步骤s301：根据预设的灰度公式将拍摄图像转换为灰度图像；
110.所述灰度公式采用现有的灰度公式即可，其中，关于rgb值的对应参数可以进行微调，转换过程统一即可。
111.步骤s302：根据预设的子区域尺寸遍历所述灰度图像，对所述灰度图像进行平滑处理；
112.为了便于后续处理过程，先对灰度图像进行平滑处理，平滑处理的目的是降低图像的数据量，并且使得相邻像素点的灰度值差值更小。
113.步骤s303：统计平滑处理后的灰度图像中灰度跨度，根据所述灰度跨度搭建跨度方阵；所述跨度方阵的行列数与灰度跨度相同；
114.统计平滑处理后的灰度跨度，所述灰度跨度包括最大灰度值和最小灰度值，根据最大灰度值和最小灰度值的差值确定行数和列数，使得每个灰度值都对应一行或一列；然后，根据预设的方向遍历灰度图像，依次获取相邻像素点的灰度值变化情况，比如，由245变成247，此时，跨度方阵中（245，247）和（247，245）位置处的值加一；当遍历完成时，跨度方阵就反映了平滑处理后的灰度图像中各像素点的变化情况。
115.步骤s304：基于所述跨度方阵提取图像特征；
116.对跨度方阵进行分析，可以得到图像特征。
117.作为本发明技术方案一个优选实施例，所述根据预设的子区域尺寸遍历所述灰度图像，对所述灰度图像进行平滑处理的步骤包括：
118.根据预设的子区域尺寸遍历所述灰度图像；
119.计算子区域中的灰度均值和灰度中值，计算所述灰度均值和灰度中值的差值；
120.当所述差值小于预设的阈值时，基于灰度均值替换子区域中各点位的值；
121.当所述差值大于预设的阈值时，基于灰度中值替换子区域中各点位的值。
122.平滑处理的原理并不困难，就是通过一个区域内的数值对中心数值进行替换，所述替换过程可以通过区域内的均值进行替换，也可以通过区域内的中值进行替换；其选择方式为：如果均值与中值差距不大，就用均值，如果均值与中值差距较大，就用中值；当然，如果全用均值或全用中值也是可行的技术方案，这种方式的平滑度略有降低，但是平滑速
率大大提高。
123.进一步的，所述基于所述跨度方阵提取图像特征的步骤包括：
124.获取运算器的运算参数，根据运算参数确定单次运算范围；
125.基于单次运算范围提取待检区块，将待检区块中的元素值输入预设的特征计算公式，得到特征值；
126.统计所有待检区块的特征值，得到特征矩阵，作为图像特征；
127.在运算过程中，可以对整个跨度方阵进行处理，这种方式的单次计算过程耗时较长，因此，根据运算参数先对跨度方阵进行分块，然后对每一个数据块进行计算，得到特征值，根据分块结果统计特征值，可以得到特征矩阵，所述特征矩阵即可作为图像特征。
128.其中，所述特征计算公式为：
129.；
130.其中，c为计算出的特征值， 为待检区块中第i行第j列的元素值， 为i和j的乘积；为待检区块中第i行元素值的均值，为待检区块中第i列元素值的标准差，为待检区块中第i行元素值的均值，为待检区块中第i列元素值的标准差。
131.上述特征计算公式的输出为特征值，所述特征值用于度量图像的灰度级在行或列方向上的相似程度，因此特征值的大小反应了局部灰度相关性，值越大，相关性也越大，这在环境图像的识别过程中，是非常重要的一类特征，尤其用于表示图像中各区域的变化情况。
132.图5为智能门窗自动折叠调控方法的第四子流程框图，所述实时获取目标区域的环境参数，根据所述环境参数、所述图像特征和管理方输入的工位状态训练神经网络模型的步骤包括：
133.步骤s401：基于预设的传感器实时获取目标区域的环境参数；
134.步骤s402：查询同时刻的图像特征，连接所述图像特征和所述环境参数，得到综合特征；
135.步骤s403：接收管理方输入的靶向各智能门窗的工位状态，创建综合特征-工位状态的训练集和测试集；
136.步骤s404：基于所述训练集和测试集训练神经网络模型。
137.上述内容对神经网络模型的训练过程进行了具体的描述，神经网络模型的重点在于特征提取过程，工位状态由管理方输入，环境参数由传感器获取，图像特征由上述提取规则进行提取，连接环境参数和图像特征，得到综合特征，将综合特征作为输入，工位状态作为输出训练神经网络模型，具体的训练过程是常见的监督学习过程，采用现有技术即可。
138.其中，关于综合特征的生成过程，它是图像特征和环境参数的集合，是一种自定义的数据结构，可以参考c语言中的结构体（struct），该结构体包含图像特征和环境参数。
139.作为本发明技术方案的一个优选实施例，所述当接收到管理方输入的应用指令时，基于训练好的神经网络模型输出控制指令并向智能门窗发送的步骤包括：
140.接收到管理方输入的应用指令时，读取当前时刻的环境参数和拍摄图像；
141.提取拍摄图像的图像特征，将环境参数和图像特征输入训练好的神经网络模型，
输出工位状态；
142.读取辅助设备的检测结果，根据检测结果对工位状态进行验证；
143.当通过验证时，根据工位状态确定控制指令并向智能门窗发送。
144.上述内容是具体的模型应用过程，接收到管理方输入的应用指令时，读取摄像头获取到的拍摄图像，进行图像特征提取，再结合传感器获取到的环境参数，输入到训练好的神经网络模型后，可以输出工位状态；在此过程中，借助前述内容中确定的辅助设备，可以完成一些验证工作，比如智能门窗是否有异常、摄像头是否存在遮挡等。
145.需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
146.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种智能门窗自动折叠调控方法，其特征在于，所述方法包括：读取目标区域的建筑数据，基于建筑数据获取智能门窗的安装位置及摄像头的相对位置，根据所述安装位置和相对位置获取采集范围；根据所述建筑数据和所述采集范围建立图层模板，基于所述图层模板实时获取摄像头的拍摄图像；对拍摄图像进行特征识别，提取图像特征；实时获取目标区域的环境参数，根据所述环境参数、所述图像特征和管理方输入的工位状态训练神经网络模型；当接收到管理方输入的应用指令时，基于训练好的神经网络模型输出控制指令并向智能门窗发送；其中，所述根据所述安装位置和相对位置获取采集范围的过程为：读取摄像头的采集广角和采集距离，根据光学传播原理将采集广角和采集距离转换为采集空间；所述采集空间为锥体；计算采集空间和水平面的交集，得到采集范围。2.根据权利要求1所述的智能门窗自动折叠调控方法，其特征在于，所述读取目标区域的建筑数据，基于建筑数据获取智能门窗的安装位置及摄像头的相对位置，根据所述安装位置和相对位置获取采集范围的步骤包括：接收管理方输入的区域标签及管理方授予的查询权限，根据区域标签及查询权限获取目标区域的建筑数据；基于建筑数据搭建展示模型，基于展示模型接收管理方输入的智能门窗的安装位置及摄像头的相对位置；其中，当建筑数据中含有智能门窗的安装位置及摄像头的相对位置时，管理方输入的数据为确认信息；根据安装位置和相对位置确定摄像头的绝对位置，读取摄像头的工作参数，根据绝对位置和工作参数计算采集范围；所述摄像头为枪机。3.根据权利要求2所述的智能门窗自动折叠调控方法，其特征在于，所述根据安装位置和相对位置确定摄像头的绝对位置，读取摄像头的工作参数，根据绝对位置和工作参数计算采集范围的步骤包括：当摄像头为球机时，读取摄像头的含有时间戳的工作参数；根据绝对位置和含有时间戳的工作参数计算含有时间戳的采集范围。4.根据权利要求1所述的智能门窗自动折叠调控方法，其特征在于，所述根据所述建筑数据和所述采集范围建立图层模板，基于所述图层模板实时获取摄像头的拍摄图像的步骤包括：根据所述建筑数据确定内层边界，基于内层边界统计所述采集范围，得到图层模板；其中，所述内层边界、采集范围和图层模板均为三维数据；创建与摄像头数量相同的数据缓存队列，基于所述数据缓存队列获取摄像头的拍摄图像；所述拍摄图像中含有时间信息；根据预设的时间频率在数据缓存队列中读取拍摄图像，填充至图层模板。5.根据权利要求4所述的智能门窗自动折叠调控方法，其特征在于，所述根据所述建筑数据和所述采集范围建立图层模板，基于所述图层模板实时获取摄像头的拍摄图像的步骤
还包括：接收用户输入的检测边界，根据所述检测边界和内层边界确定检测环；基于检测环计算各个采集范围之间的交集和并集；当任意两个采集范围内存在交集时，向对应的两个摄像头发送自检指令；计算检测环与并集的差集，根据所述差集确定辅助设备及其安装点位。6.根据权利要求1所述的智能门窗自动折叠调控方法，其特征在于，所述对拍摄图像进行特征识别，提取图像特征的步骤包括：根据预设的灰度公式将拍摄图像转换为灰度图像；根据预设的子区域尺寸遍历所述灰度图像，对所述灰度图像进行平滑处理；统计平滑处理后的灰度图像中灰度跨度，根据所述灰度跨度搭建跨度方阵；所述跨度方阵的行列数与灰度跨度相同；基于所述跨度方阵提取图像特征。7.根据权利要求6所述的智能门窗自动折叠调控方法，其特征在于，所述根据预设的子区域尺寸遍历所述灰度图像，对所述灰度图像进行平滑处理的步骤包括：根据预设的子区域尺寸遍历所述灰度图像；计算子区域中的灰度均值和灰度中值，计算所述灰度均值和灰度中值的差值；当所述差值小于预设的阈值时，基于灰度均值替换子区域中各点位的值；当所述差值大于预设的阈值时，基于灰度中值替换子区域中各点位的值。8.根据权利要求6所述的智能门窗自动折叠调控方法，其特征在于，所述基于所述跨度方阵提取图像特征的步骤包括：获取运算器的运算参数，根据运算参数确定单次运算范围；基于单次运算范围提取待检区块，将待检区块中的元素值输入预设的特征计算公式，得到特征值；统计所有待检区块的特征值，得到特征矩阵，作为图像特征；其中，所述特征计算公式为：；其中，c为计算出的特征值， 为待检区块中第i行第j列的元素值， 为i和j的乘积；为待检区块中第i行元素值的均值，为待检区块中第i列元素值的标准差，为待检区块中第i行元素值的均值，为待检区块中第i列元素值的标准差。9.根据权利要求5所述的智能门窗自动折叠调控方法，其特征在于，所述实时获取目标区域的环境参数，根据所述环境参数、所述图像特征和管理方输入的工位状态训练神经网络模型的步骤包括：基于预设的传感器实时获取目标区域的环境参数；查询同时刻的图像特征，连接所述图像特征和所述环境参数，得到综合特征；接收管理方输入的靶向各智能门窗的工位状态，创建综合特征-工位状态的训练集和测试集；基于所述训练集和测试集训练神经网络模型。
10.根据权利要求9所述的智能门窗自动折叠调控方法，其特征在于，所述当接收到管理方输入的应用指令时，基于训练好的神经网络模型输出控制指令并向智能门窗发送的步骤包括：接收到管理方输入的应用指令时，读取当前时刻的环境参数和拍摄图像；提取拍摄图像的图像特征，将环境参数和图像特征输入训练好的神经网络模型，输出工位状态；读取辅助设备的检测结果，根据检测结果对工位状态进行验证；当通过验证时，根据工位状态确定控制指令并向智能门窗发送。

技术总结
本发明涉及门窗调节技术领域，具体公开了一种智能门窗自动折叠调控方法，所述方法包括基于图层模板实时获取摄像头的拍摄图像；对拍摄图像进行特征识别，提取图像特征；实时获取目标区域的环境参数，根据所述环境参数、所述图像特征和管理方输入的工位状态训练神经网络模型；当接收到管理方输入的应用指令时，基于训练好的神经网络模型输出控制指令并向智能门窗发送。本发明基于建筑数据在原有的智能门窗附近安装摄像头，由摄像头采集图像，进而提取图像特征，再结合传感器获取到的环境参数，可以得到综合特征，基于所述综合特征和所述门窗状态练神经网络模型；借助神经网络模型即可搭建自动控制系统，极大地提高了智能门窗的智能化水平。的智能化水平。的智能化水平。


技术研发人员：孙晋明 王令军 任重量
受保护的技术使用者：山东智赢门窗科技有限公司
技术研发日：2023.07.20
技术公布日：2023/8/24