本技術涉及數據處理，尤其涉及一種基于神經網絡模型的景觀設計識別方法和系統。

背景技術：

1、在現代城市景觀照明項目中，面臨著如何高效地管理能源消耗與優化照明效果的技術挑戰。隨著城市規模的擴大和對環境友好型解決方案的需求增加，需要一種能夠根據實時環境數據以及動態變化的人流密度來智能調整照明設備參數的技術方案。這種方案不僅需要支持對照明設備的基本控制功能，還必須能夠處理復雜的輸入數據集，以實現精確的照明調控，確保在不同的使用場景下均能提供最佳的照明體驗，并盡可能減少不必要的能耗。

2、現有方案提供一種采用基于傳感器網絡的智能照明系統。該系統通過部署一系列環境傳感器實時監測周圍環境的光照水平和人流情況。根據這些數據，該系統能夠自動調整燈具的工作狀態，比如在低人流量時段降低亮度或改變光源色溫以節省電力。

3、然而，基于傳感器網絡的智能照明系統，依賴于固定的算法或預設規則進行決策，缺乏足夠的自適應能力來應對復雜多變的實際應用環境，影響了它們在不同應用場景下的整體性能表現和用戶滿意度。

技術實現思路

1、本技術實施例提供一種基于神經網絡模型的景觀設計識別方法和系統，用以解決現有技術中在復雜多變的實際應用環境中存在的景觀照明效果與能源消耗管理的準確性差，導致的能源消耗大且景觀照明效果差的問題。

2、第一方面，本技術實施例提供了一種基于神經網絡模型的景觀設計識別方法，包括：

3、獲取目標區域內的景觀設計數據、照明設備數據和能源供應網絡實時負載數據，所述景觀設計數據包含植被遮擋輪廓及人工構筑物表面反射率，所述照明設備數據包括燈具功率分布、光束角度覆蓋范圍及光源色溫參數；

4、基于所述景觀設計數據與所述照明設備數據建立光學模型，通過所述光學模型解析所述植被遮擋輪廓與所述人工構筑物表面反射率對照明設備所發出的光束的空間衰減效應；

5、基于所述照明設備數據與所述能源供應網絡實時負載數據建立能量傳遞模型，通過所述能量傳遞模型計算所述燈具功率分布與所述能源供應網絡實時負載數據之間的能耗映射關系；

6、結合所述空間衰減效應與所述能耗映射關系生成動態調光策略，將所述動態調光策略與實時采集的游客分布熱力圖、環境光照強度數據進行耦合，得到耦合結果，將所述耦合結果輸入至神經網絡模型，以通過所述神經網絡模型迭代優化所述燈具功率分布、所述光束角度覆蓋范圍及所述光源色溫參數，以實現景觀照明效果的動態優化與能源消耗的最小化，同時提升游客的視覺體驗與舒適度。

7、可選地，所述結合所述空間衰減效應與所述能耗映射關系生成動態調光策略，將所述動態調光策略與實時采集的游客分布熱力圖、環境光照強度數據進行耦合，得到耦合結果，將所述耦合結果輸入至神經網絡模型，以通過所述神經網絡模型迭代優化所述燈具功率分布、所述光束角度覆蓋范圍及所述光源色溫參數，包括：

8、基于空間衰減效應與能耗映射關系構建目標函數，基于所述目標函數，通過優化算法生成動態調光策略；

9、將所述動態調光策略與實時采集的游客分布熱力圖、環境光照強度數據進行耦合，得到耦合結果，所述耦合結果為多維特征向量；

10、將所述多維特征向量輸入至神經網絡模型，通過所述神經網絡模型的前向傳播算法計算照明效果預測值，基于預設損失函數與所述神經網絡模型的反向傳播算法迭代優化燈具功率分布、光束角度覆蓋范圍及光源色溫參數；

11、將優化后的燈具功率分布、光束角度覆蓋范圍及光源色溫參數輸出至照明控制系統，以根據優化后的燈具功率分布、光束角度覆蓋范圍及光源色溫參數實時調整目標區域內的照明設備數據。

12、可選地，所述將所述多維特征向量輸入至神經網絡模型，通過所述神經網絡模型的前向傳播算法計算照明效果預測值，基于預設損失函數與所述神經網絡模型的反向傳播算法迭代優化燈具功率分布、光束角度覆蓋范圍及光源色溫參數，包括：

13、對所述多維特征向量進行標準化處理，得到預處理后的多維特征向量，多維特征包括游客分布熱力圖的高密度區域坐標及動態變化趨勢、環境光照強度數據的時間序列特征、植被遮擋輪廓與人工構筑物表面反射率的空間分布特征；

14、將所述預處理后的多維特征向量輸入至神經網絡模型，結合所述神經網絡模型中的前向傳播算法，通過所述神經網絡模型的隱藏層進行非線性變換，在輸出層生成照明效果預測值；

15、基于照明效果預測值與預設目標值的差異，計算預設損失函數的函數值，基于所述函數值，通過所述反向傳播算法迭代優化調整燈具功率分布、光束角度覆蓋范圍及光源色溫參數，直至所述損失函數的函數值收斂至預設閾值。

16、可選地，所述將所述預處理后的多維特征向量輸入至神經網絡模型，結合所述神經網絡模型中的前向傳播算法，通過所述神經網絡模型的隱藏層進行非線性變換，在輸出層生成照明效果預測值，包括：

17、設計神經網絡模型的結構，所述神經網絡模型的結構包括輸入層、隱藏層和輸出層，所述輸入層的節點數與所述多維特征向量的維度一致，所述隱藏層采用多層結構，所述輸出層的節點數與照明效果預測值的維度一致；

18、將所述預處理后的多維特征向量輸入至所述輸入層，結合所述神經網絡模型中的前向傳播算法，在所述隱藏層中對所述預處理后的多維特征向量對應的多維特征進行加權求和，并通過激活函數對加權求和結果進行非線性變換，逐層計算所述多維特征映射結果；

19、在輸出層中，將最后一層隱藏層輸出的多維特征映射結果進行加權求和，并通過輸出層的激活函數生成照明效果預測值，所述照明效果預測值包括目標區域內各位置的光照強度、能源消耗總量及視覺舒適度評分。

20、可選地，所述基于所述景觀設計數據與所述照明設備數據建立光學模型，通過所述光學模型解析所述植被遮擋輪廓與所述人工構筑物表面反射率對照明設備所發出的光束的空間衰減效應，包括：

21、對所述植被遮擋輪廓進行數字化處理，得到植被的空間分布特征及遮擋強度參數，并對人工構筑物表面反射率進行區域劃分，生成反射率分布圖；

22、基于所述植被的空間分布特征及遮擋強度參數，及反射率分布圖，結合所述燈具功率分布、所述光束角度覆蓋范圍及所述光源色溫參數，生成光學模型；

23、基于所述光學模型，模擬照明設備所發出的光束在目標區域內的傳播過程，計算所述光束受到植被遮擋輪廓及人工構筑物表面反射率的影響，生成光束的衰減參數；

24、基于所述光束的衰減參數，生成空間衰減效應分布圖，所述空間衰減效應分布圖用于表征所述植被遮擋輪廓與所述人工構筑物表面反射率對照明設備所發出的光束的空間衰減效應。

25、可選地，所述基于所述光學模型，模擬照明設備所發出的光束在目標區域內的傳播過程，計算所述光束受到植被遮擋輪廓及人工構筑物表面反射率的影響，生成光束的衰減參數，包括：

26、根據所述光學模型、所述燈具功率分布、所述光束角度覆蓋范圍及所述光源色溫參數，構建光束傳播路徑模型，基于所述光束傳播路徑模型將所述目標區域劃分為多個網格單元；

27、在所述光束傳播路徑模型中，逐網格單元計算所述植被遮擋輪廓對光束的衰減效應，生成植被遮擋衰減系數，并根據所述植被遮擋衰減系數更新每個網格單元的光照強度值；

28、識別光束傳播路徑模型中與人工構筑物表面相交的網格單元，計算光束在所述人工構筑物表面的反射路徑及反射強度，根據反射強度更新反射路徑所覆蓋的網格單元的光照強度值；

29、根據每個網格單元的光照強度值，生成每個網格單元的光束衰減參數。

30、可選地，所述在所述光束傳播路徑模型中，逐網格單元計算所述植被遮擋輪廓對光束的衰減效應，生成植被遮擋衰減系數，并根據所述植被遮擋衰減系數更新每個網格單元的光照強度值，包括：

31、從所述植被遮擋輪廓中提取植被的高度、密度及分布范圍參數，將植被的高度、密度及分布范圍參數映射到目標區域的網格單元中；

32、在所述光束傳播路徑模型中，針對每個網格單元，根據植被遮擋強度值，植被的高度、密度及分布范圍參數分別對應的映射數據，計算光束穿透植被后的衰減系數，生成每個網格單元的植被遮擋衰減系數；

33、結合植被對光束的散射效應，模擬光束在穿透植被后的散射路徑，計算所述散射光束的傳播方向及強度分布，根據所述傳播方向及所述強度分布更新所述散射路徑所覆蓋的網格單元的光照強度值；

34、將所述每個網格單元的植被遮擋衰減系數及所述散射路徑所覆蓋的網格單元的光照強度值應用于所述光束傳播路徑模型，以通過光束傳播路徑模型更新每個網格單元的光照強度值。

35、第二方面，本技術實施例提供了一種基于神經網絡模型的景觀設計識別系統，包括：

36、獲取模塊，用于獲取目標區域內的景觀設計數據、照明設備數據和能源供應網絡實時負載數據，所述景觀設計數據包含植被遮擋輪廓及人工構筑物表面反射率，所述照明設備數據包括燈具功率分布、光束角度覆蓋范圍及光源色溫參數；

37、建立解析模塊，用于基于所述景觀設計數據與所述照明設備數據建立光學模型，通過所述光學模型解析所述植被遮擋輪廓與所述人工構筑物表面反射率對照明設備所發出的光束的空間衰減效應；

38、建立計算模塊，用于基于所述照明設備數據與所述能源供應網絡實時負載數據建立能量傳遞模型，通過所述能量傳遞模型計算所述燈具功率分布與所述能源供應網絡實時負載數據之間的能耗映射關系；

39、生成耦合模塊，用于結合所述空間衰減效應與所述能耗映射關系生成動態調光策略，將所述動態調光策略與實時采集的游客分布熱力圖、環境光照強度數據進行耦合，得到耦合結果，將所述耦合結果輸入至神經網絡模型，以通過所述神經網絡模型迭代優化所述燈具功率分布、所述光束角度覆蓋范圍及所述光源色溫參數，以實現景觀照明效果的動態優化與能源消耗的最小化，同時提升游客的視覺體驗與舒適度。

40、第三方面，本技術實施例提供了一種計算設備，包括處理組件以及存儲組件；所述存儲組件存儲一個或多個計算機指令；所述一個或多個計算機指令用以被所述處理組件調用執行，實現如第一方面任一項所述的一種基于神經網絡模型的景觀設計識別方法。

41、第四方面，本技術實施例提供了一種計算機存儲介質，存儲有計算機程序，所述計算機程序被計算機執行時，實現如第一方面任一項所述的一種基于神經網絡模型的景觀設計識別方法。

42、本技術實施例中，提供了一種基于神經網絡模型的景觀設計識別方法，該方法包括：獲取目標區域內的景觀設計數據、照明設備數據和能源供應網絡實時負載數據，景觀設計數據包含植被遮擋輪廓及人工構筑物表面反射率，照明設備數據包括燈具功率分布、光束角度覆蓋范圍及光源色溫參數；基于景觀設計數據與照明設備數據建立光學模型，通過光學模型解析植被遮擋輪廓與人工構筑物表面反射率對照明設備所發出的光束的空間衰減效應；基于照明設備數據與能源供應網絡實時負載數據建立能量傳遞模型，通過能量傳遞模型計算燈具功率分布與能源供應網絡實時負載數據之間的能耗映射關系；結合空間衰減效應與能耗映射關系生成動態調光策略，將動態調光策略與實時采集的游客分布熱力圖、環境光照強度數據進行耦合，得到耦合結果，將耦合結果輸入至神經網絡模型，以通過神經網絡模型迭代優化燈具功率分布、光束角度覆蓋范圍及光源色溫參數，以實現景觀照明效果的動態優化與能源消耗的最小化，同時提升游客的視覺體驗與舒適度。

43、本技術實施例通過獲取植被遮擋輪廓、人工構筑物表面反射率、燈具功率分布、光束角度覆蓋范圍、光源色溫參數以及能源供應網絡的實時負載數據，為后續建模和優化提供了全面的數據基礎，確保照明系統的調控能夠精準適應環境特性和能源需求。通過光學模型解析植被遮擋輪廓和人工構筑物表面反射率對照明光束的空間衰減效應，能夠量化環境因素對照明效果的影響，為后續調光策略的生成提供依據。通過能量傳遞模型計算燈具功率分布與能源供應網絡實時負載數據之間的能耗映射關系，能夠實現照明系統能耗的精準預測與優化，為能源高效利用提供支持。通過綜合考慮空間衰減效應和能耗映射關系，生成動態調光策略，能夠實現照明效果與能源消耗的初步平衡，為后續精細化優化提供基礎。通過耦合游客分布熱力圖和環境光照強度數據，能夠動態調整照明策略，使其更貼合實際場景需求，提升游客的視覺體驗與舒適度。通過神經網絡模型的迭代優化，能夠實現照明參數的精細化調整，使照明效果動態優化與能源消耗最小化，同時提升系統的智能化水平。進一步地，通過目標函數構建、多維特征向量生成及神經網絡模型的迭代優化，實現了照明參數的動態精細化調整，使照明效果與能源消耗達到最優平衡，同時提升了游客的視覺體驗與舒適度，體現了智能化照明調控的高效性與適應性。

44、本技術的這些方面或其他方面在以下實施例的描述中會更加簡明易懂。