基于人群密度估计的地铁站照明节能研究

发布时间：2021-02-24 06:00

　　地铁作为典型的地下建筑,人工照明是地铁站的主要光源。近年来,地铁建设的高速发展,使得地铁站照明系统能耗不断增大,同时,深度学习与智能控制技术的发展为照明节能提供了新的技术手段。因此,地铁站照明节能研究具有重要的现实意义。本文依据地铁站客流及人工光环境的特点,提出了一种基于人群密度估计的地铁站照明节能控制方法,该方法通过实时估计地铁站人群密度,动态调节LED灯的输出功率,从而实现了照明节能目的。完成的主要工作如下:（1）照明控制方法研究。依据地铁站站台、站厅的特点及乘客对人工照明的需求,分别提出相应的照明控制方案。该方案通过综合考虑人群密度及广告照明对公共区照明的影响,进行网格式区域划分,并采用脉宽调制（PWM）技术实现LED调光控制。（2）人群密度估计算法研究。基于深度学习理论,采用卷积神经网络建立人群密度估计模型,借助MATLAB进行训练集行人标注及实际密度图生成,分别使用公开数据集和地铁站实拍图片进行模型训练与测试。测试结果表明,该模型能够实现地铁站人群密度的实时估计,估计精度符合应用需求。（3）LED调光控制器设计与实现。利用人群密度估计结果,设计了以OpenMV机器视觉模块为基... 

【文章来源】：西安建筑科技大学陕西省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

MCNN网络结构图

2017年,Zeng Lingke等人[19]在多列和多网络模型的启发下提出了MSCNN网络。该网络能够在单列体系结构中生成高质量的尺度相关密度图,相较于多列和多网络结构,大大降低了参数数量和计算复杂度。MSCNN的整体架构如图1.3,包括特征重新映射,多尺度特征提取和密度图回归。该网络不同于其他网络的特点在于其结构中引入了MSB,MSB是一个类似Inception的模型,用于提取与尺度相关的特征,它由具有不同内核大小的多个滤波器组成(包括9×9,7×7,5×5和3×3),结构如图1.4所示:

MSB结构

【参考文献】：
期刊论文
[1]深度卷积神经网络在计算机视觉中的应用[J]. 孔峻.  电子技术与软件工程. 2018(21)
[2]LED灯具在地铁照明中的应用案例分析[J]. 钟雄,王艺伟,邹储优,乔庆飞.  照明工程学报. 2018(01)
[3]城市轨道交通区间智能应急照明及疏散指示系统方案研究[J]. 胡志方,万斌.  公路. 2017(07)
[4]地铁工程采用LED照明的设计研究[J]. 国振强.  中国标准化. 2017(12)
[5]中国43个城市加入“地铁俱乐部”[J]. 韩静.  小康. 2017(14)
[6]基于深度卷积特征的细粒度图像分类研究综述[J]. 罗建豪,吴建鑫.  自动化学报. 2017(08)
[7]适用于密集人群目标检测的多尺度检测方法[J]. 周建新,吴建军,薛均强,林帅,党岗,程志全.  系统仿真学报. 2016(10)
[8]基于地铁站空间的视觉环境评价模型研究[J]. 郭凤群,肖辉.  照明工程学报. 2016(04)
[9]南昌地铁一号线对商业经济发展影响研究[J]. 戚家丽,吴优,李蕴涵,刘树.  经贸实践. 2016(15)
[10]大功率LED照明光学设计及在地铁照明的应用[J]. 钟炯生,葛鹏,王洪.  中国照明电器. 2013(08)

硕士论文
[1]基于神经网络的看图写诗模型研究[D]. 邢硕.合肥工业大学 2018
[2]基于深度卷积神经网络的人群计数与密度估计研究[D]. 罗红玲.重庆大学 2018
[3]基于卷积神经网络的人脸验证技术研究[D]. 郭申.北京工业大学 2017
[4]基于卷积神经网络的密集场景人数估计算法研究[D]. 胡耀聪.安徽大学 2017
[5]监控场景中人数统计算法的研究与应用[D]. 马海军.安徽大学 2016
[6]基于照明环境舒适度的中小型高铁站候车厅节能研究[D]. 雒琛.天津大学 2016
[7]基于CAN总线的地铁站智能照明控制系统研究[D]. 陈苗.武汉理工大学 2016
[8]关于城市地铁站人性空间环境营造的探索[D]. 王雪.天津大学 2015
[9]基于地铁站的电气照明节能研究[D]. 朱姝伟.长安大学 2015
[10]光源在室内空间设计中的运用以及影响[D]. 郭裕宁.青岛理工大学 2014



本文编号：3048904