一种基于机器学习的自然调光LED节能灯

来源:用户上传      作者:李峦 陈英革 王小英

　　摘要：随着照明科学的发展与机器学习技术的进步，社会上对专业照明光源的需求不断提高。而传统的照明光源能耗大、调光非线性、智能化程度低，不能满足当今社会的需要。针对这种现象，设计了一款面向多领域的智能调光照明系统。该照明系统以51单片机为核心，结合人体传感器、光线传感器进行环境监测，通过机器学习算法、伽马自然调光算法、色温计算算法进行分析与处理，使照明光线时刻处于最佳状态，满足不同领域的专业人士对工作光线的要求。经过实际的运行与测试，该照明系统具有功耗低、稳定、扩展性强等优点，可以为艺术工作者、医疗工作者等提供专业的照明光源。
　　关键词：发光二极管;节能灯;机器学习;伽马调光;色温调节;环境光感应
　　中图分类号：TP272文献标识码：A
　　文章编号：1009-3044（2020）05-0231-05
　　开放科学（资源服务）标识码（OSID）：
　　近年来，随着LED技术的快速发展，以LED为光源的照明设备得到了广泛的应用，其以低能耗高亮度著称，且可以调整灯珠亮度以适应不同的应用场景[1]。充分利用LED可调光的特性，让照明环境更智能、更节能，才能更好地满足不同使用者的需求。研究表明，照明系统的光源色温对人体的体温调节系统、热平衡系统以及情绪管理系统都有一定影响[2]，光照环境的色温还会影响人们的视觉感知。因此，一些专业领域的工作者或待康复的患者往往需要更自然的动态照明。目前社会上传统的照明系统大多功能单一、能耗较大、调光非线性，长期在此照明环境下工作或生活会影响到使用者的工作效率，甚至产生不必要的情绪波动。而且不合适的调光方式还会干扰艺术工作者对色彩的辨识能力，严重影响工作效率。
　　随着人工智能的兴起与快速发展，很多传统设备都逐渐向智能化方向发展，但目前市面上已有的调光照明灯大多还停留在手动调光方面，需要使用者主动调节照度。部分照明系统可以记忆上一次工作时的亮度，但通常情况下，使用者在一天内要多次使用照明设备，而大部分使用者在不同环境光下对光源照度的需求不一样，使得用户在每次使用时都需要手动调节光源照度。而且传统的照明灯缺乏合理的人机交互，使用者往往无法直观快速的得出当前时刻照明系统的照度水平。根据这些现象，本文设计开发了一款自然调光的LED节能灯，融入了当今主流的机器学习技术，并配有多种传感器，使其具有较高的智能，可以不断学习使用者的习惯，为使用者提供个性化的照明环境。
　　在LED光源设计方面，本文参考了目前市面上广泛应用的三种色温调节技术：1）RGB技术[31;2）冷暖白光LED混色技术[4];3）多芯片集成白光LED调光技术[5]。本系统综合技术可行性和性能稳定性，选择第二种方案作为光源系统。
　　作为一款面向多领域的实用新型智能照明控制系统，在满足显示性能指标要求下，还必须做到自然的调光过程、智能的学习方式以及驱动不同功率的LED阵列。
　　1 系统总体设计
　　自然调光LED灯是基于STC89C51平台开发设计的，融入了机器学习技术中的K-means聚类分析算法。
　　主控制器采用了STC89C52RC单片机作为系统控制核心，并配置人体传感器、光线传感器等传感器。传感器时刻探测周围环境，单片机则根据接收的传感器信息不断分析处理，并根据用户的使用情况调整LED照度。为了避免电磁干扰，控制器与驱动器分为两个独立电路，控制器发出PWM波控制MOS管开关以驱动LED灯。本文所设计的智能LED节能灯在保证系统性能与体验的前提下，极大的节约硬件成本，降低系统功耗。
　　主控制器能实现的主要功能有：
　　1）智能调节：当照明系统启动时自动检测当前环境光强度，通过机器学习算法计算分析使用者习惯并自动调节灯珠照度。
　　2）伽马调光：当系统接收到调节照度的信号时，控制系统即通过伽马自然调光算法对灯珠驱动电流进行非线性调整，即较缓慢地将灯珠的照度调整至目标等级，并使照度的平均变化率保持稳定。这样可以使照明系统光线的变化更接近自然光的变化，给使用者营造一种更自然的工作环境，避免了使用者因照明系统调光不当而引起的视觉疲劳或情绪波动。
　　3）白动节能：当使用者远离照明系统时而未将其关闭时，系统自动开启节能模式，降低燈珠照度，维持较低功耗;当使用者接近照明系统时，系统自动恢复之前照度。
　　4）主动调节与数据显示：为了方便使用者主动调节照明系统的亮度及色温，并进一步扩大应用范围，本系统配备了微动按键用于使用者的手动调节，同时按键具有防水的性能，可以有效避免因泼溅造成的控制系统故障。为了便于使用者直观的获取当前时刻照明系统的照度，本系统配有低功耗、广视角的OLED显示屏，实时显示当前照明系统的亮度和色温，使用者可以根据数值科学选择最佳照度。
　　5）无可视频闪：本系统利用51单片机的定时器功能发出稳定的高频可调方波，使LED灯珠以每秒超过100次的高频率闪烁，使用者观察不到光闪现象，避免因照明频闪导致使用者视觉疲劳或者神经敏感等不良反应。
　　2 系统硬件设计
　　本系统为提高扩展性，负载更大功率的发光器件，将硬件系统分为两部分，分别为控制系统和驱动系统。其中控制系统的硬件包括主控芯片、环境光线传感器、人体探测传感器、按键控制模块以及一片OLED显示屏。主控系统采用了ATMEL公司生产的高性能CMOS 8位单片机，片内含8k bytes的可反复擦写的Flash存储器，足以存储大量的程序数据。同时具有丰富的1/0口和定时器以供系统功能扩展。系统的整体硬件框图如图l所示。
　　11 YL-38环境光线检测传感器模块采用的是光敏电阻和宽电压LM393比较器构成的光线检测模块。其核心光敏电阻具有在自然光线照射下，其阻值迅速减小的特性。具有极高的灵敏度。YL-38模块有两个输出端，AO和DO，其中AO端输出模拟量电压，通过A/D转换器将模拟量转换成数字量，可以得出精确的环境光强度等级。DO端为数字信号输出端，输出高低电平，可以直接被单片机1/0口识别。本文选择接受开关量信号，仅检测环境光亮度强弱。 　　21 HC-SR501人体探测传感器模块是基于红外线技术的人体感应模块，此模块体积小，功耗低，感应范围大，灵敏度高，可以快速探测到附近是否有生物体。其核心元件，被动式红外传感探头（PIR）采用的是德国生产的LHI778双元探头，可以灵敏的探测到红外光谱的变化。当生物体穿过感应区域时，人體所发出的红外光到达双元探头的时间、距离都会有差值，从而判断出是否有生物体进入感应范围。
　　为了增加感应角度范围，本模块采用了圆形透镜，使得探头可以感应四个方向。模块的感应范围如图2所示，最大感应角度为100度，直线感应距离为5-7米，最大感应角度下感应距离为3-4米，当人横向穿过感应区时，即沿图示地面的方向移动时，PIR可以灵敏的检测到，但当人径直走向红外传感器探头时，PIR可能无法快速地检测到感应区域是否出现生物体。根据PIR的特性，本系统将人体探测传感器模块安装在LED阵列面板上，令红外探头对准作业平面，可以有效避免感应失灵的现象。
　　31显示部分本系统选用了0.96英寸、分辨率为128*64的四线制OLED屏。其通信方式为I2C串行通信，使得与单片机的连接更简单。I2C总线是Philips公司提出的一种用于集成电路之间的通信协议，其目的是简化电子系统中各个IC器件之间的连线。应用I2C总线可使电子器件之间只需通过SDA、SCL两条连线就可以传送数据。本系统利用单片机的1/0口模拟12C接口通讯[6]，采用页寻址的方式向OLED屏发送指令，达到了驱动OLED屏的目的。其中驱动OLED屏显示文字及所需图像的字符由取模软件自动生成，保存在单片机中。
　　4）由于单片机10口的输出电压较低，不足以驱动大功率的LED灯珠，因此，控制系统需要外接更大功率的驱动电路。驱动模块采用了基于MOS管的PWM控制开关，通过PWM波控制MOS管的导通和闭合，进而控制供电电路的开启和关闭[7]。模块内部为双MOS管串联的结构，内阻低，负载电流大，开关灵敏，可分辨频率在20KHz以内的方波。当单片机输出占空比可调的PWM波至开关模块时，开关模块根据PWM波的高低电平不断接通、断开供电电路，不断点亮、关闭LED灯。由于人眼具有视觉暂留的特性，当一幅画面在视网膜上形成，视觉将对这幅画面的感觉维持一段有限的时间，当单片机输出PWM波的频率大于100Hz时，双MOS管控制的LED灯珠的闪烁频率也会大于100Hz，此时人眼所看到的照明光源就是稳定的，无可视频闪，从而避免因光闪所带来的各种生理问题。
　　3 系统软件设计
　　系统软件部分主要包括K-means机器学习算法、双路占空比可调PWM输出1[8]模块、伽马自然调光算法、色温计算算法、人体感应节能系统5个部分，系统丁作时的总流程如图3所示。
　　系统在启动时，会自动检测当前的环境光强度，并根据采集的传感器数据结合使用者习惯通过机器学习系统处理分析，计算出使用者的期望照度。接着，系统调用伽马自然调光系统计算出最佳调光曲线并转换成PWM波占空比调节曲线，单片机沿此曲线匀速调节PWM波的占空比直到光源达到目标照度。在照明系统工作期间，如果系统检测到周围没有人时，系统会自动将照度调至较低水平。直到使用者重新回到照明系统工作范围。当LED灯连续工作一定时间以后，系统白动检测当前的照度和环境光亮度，并记录保存在主控芯片中，以作为使用者的偏好习惯数据存储在处理器内部存储器中，系统会自动进行机器学习处理，不断学习使用者的用光习惯，为下次启动时提供更智能的光源照度。为了有效利用系统资源，本系统限定训练样本容量，当样本数达到最大时，此时增加新的训练样本会删除最早记录的样本数据。本系统主要算法介绍如下所述。
　　3.1 机器学习算法
　　由于自然环境光随着时间变化一直在改变，使用者在不同时间段内对照明灯的照度需求也往往不同。因此控制系统则需要不断记录并学习各个时间段内使用者的用光习惯，当使用者启动照明灯时，系统自动检测当前环境光强度，并进行K-means算法分析[9]。分析出使用者的用光习惯并自动调节，保证使用者每次启动时，照明系统都将呈现最符合使用者习惯的照明环境。其中K-means非监督机器学习算法的伪代码如下所述。
　　begin
　　检测当前的环境光强度;
　　将最早记录的k个点作为初始聚类中心;
　　while
　　计算每个样本点到每个中心的距离;
　　选取距离最短的中心点作为其聚类中心;
　　利用得到的聚类重新计算中心点;
　　重复计算直到聚类中心不再移动;
　　end while
　　end
　　根据环境光强度值选取对应中心点作为使用者的期望照度;
　　其中两个点之间的距离采用欧式距离计算法，n维的欧式距离计算公式为：
　　由于K-means机器学习算法需要不断地进行样本分类调整，不断地计算调整后新的聚类中心[10]，且大部分运算都是浮点运算，因此，当数据量非常大时，系统需要占用极大的系统资源。51单片机作为微型控制系统，本身不具备强大的浮点计算能力。为了提高系统运行效率同时保证机器学习的准确度，本文对K-means算法进行了针对51单片机平台的适配，将数据维度降低至2维，选取用户第一次设置的数据作为初始聚类中心，避免传统算法中因随机选取初始聚类中心而导致分类结果不稳定的现象。通过计算每2个数据点之间的二维切比雪夫距离，对每个数据点进行归类。适配后的二维切比雪夫距离计算公式为：
　　d= max（|x2-x1|，|y2-y1|）
　　（2）
　　切比雪夫距离最初是用于计算国际象棋棋盘中王从一个位置移动到另一个位置时所需的步数，后来逐渐延伸为表示二维直角坐标系中两点的超凸度量，故在二维数据集中，切比雪夫距离与欧式距离成正相关。因此，本系统将机器学习算法中的计算欧式距离改进为计算切比雪夫距离，降低了机器学习系统的资源占用率，提高了运行效率。 　　3.2 伽马自然曲线调光算法
　　人的眼睛为了适应更大范围内光线，会随着进光亮的多少不断调节瞳孔的大小。所以人眼对光线的感知是非线性的。在弱光环境下，人可以分辨出光线细小的变化;而强光环境下，入往往只能感受到光线的剧烈变化。为了让照明灯能更好地适应人类的生物特性，本文设计了伽马（Gamma）自然曲线调光算法。通过沿着特定的伽马曲线非线性的调整LED灯的亮度，进而使人的眼睛对LED亮度变化的感知保持较低的非线性误差。其中伽马方程为：
　　y=x 1/Gamma
　　（3）
　　式中Gamma为伽马系数。根据文献数据结果显示[11]，Gamma值取2.2时，所生成的伽马曲线最接近实际物理上的二次衰减。其中伽马曲线如图4所示。
　　为了降低能耗，本系统使用的是低功耗的STC89C52芯片，但此芯片计算资源有限，不能负担较大的指数运算。为了提高系统效率，本系统将亮度分成100个级别，在系统外通过公式3计算出每个亮度级别对应的方波占空比，这些数据以数组的形式存储在单片机内部存储中。当系统需要调整LED亮度，即将目标亮度等级传输给伽马调光系统，接着系统会通过查询对应数组，将输出方波的占空比逐渐调整至目标值，从而实现平滑的自然调光。
　　3.3 色温计算算法
　　由于本系统采用了冷暖白光LED混色技术作为光源系统，并不能直观地反映出色温等级，为了便于使用者快速获取照明系统的实时色温数据，本系统设计了通过冷暖白光LED的亮度值计算出照明色温的方法。
　　随着颜色科学和计算机技术的快速发展，色温的计算方法在各个方面都获得了改进与创新。目前比较典型并得到广泛应用的色温计算法[12]主要有三角垂足插值法、基于黑体轨迹的Chebyshev法、模拟黑体轨迹弧线法和近似公式法等。因为本设计所选用的单片机计算资源有限，不能负担较大的计算量，所以本文在大量比对后，参考了Tamaru等[13]提出的由色品坐标直接求出相关色温的色温近似计算公式：
　　式中x、v为等温线上任意一点的色品坐标。上述近似公式是通过等温线交点法得到的最小误差计算公式。在黑体轨迹上误差不超过0.7%，黑体轨迹外误差不超过1.0%。在实际生活中，通常使用3000-7000K的色温值，因此可以直接把该近似公式应用到本色温计算系统。
　　为了提高控制系统的执行效率，本文在系统外计算出目标色温所对应的LED灯珠亮度值并存储在系统中，当系统调节照明灯色温时，通过查询数组可以快速地调节PWM波占空比，进而调节两路LED灯的亮度使其混合出所需的色温。表1列举了部分色温对应的LED灯珠近似功率。
　　4 系统测试评估
　　51单片机本身具有较好的稳定性，可以在长时间的使用下完成相应的工作任务。但是单片机芯片本身不能进行多线程运算，而机器学习系统往往会占用较大的时间资源，为了确保控制系统能快速响应处理各个任务，本文对机器学习系统进行了时间复杂度计算、机器学习测试和整体应用测试。
　　4.1 时间复杂度计算
　　由于单片机进行一次切比雪夫距离计算需要执行3次8位加减运算，每次加减运算需要占用控制系统3个时钟周期。通过计算，每执行1次完整的机器学习运算的频次为：
　　T（n）= 3n2+ 2n
　　（6）
　　其中n为训练数据组数，由频次公式可知，当数据组数n为100时，系统需要占用2.5毫秒的时间，当n为1000时，系统需要占用超过0.3s的时间。因此，维持用户数据的组数在100组内，可以保证系统具有足够的响应时间。
　　4.2 机器学习测试
　　本文设计开发的K-means机器学习算法，目的是为了简化操作，使用者仅需要按下开关，即可得到当前环境下最佳的照明光源，无须额外的手动调节。为了确保K-means机器学习算法具有较高的准确性，本文通过MATLAB软件进行了2次不同样本数据集的非监督分类运算，MATLAB作为强大的数学软件，可以快速地分析检验算法的性能。
　　由于本系统是通过冷、暖白光LED灯珠混色技术实现色温调节，因此，任何一个照度都可以用冷白光LED的亮度和暖白光LED的亮度来表示，在本系统中，存储的用户数据集为两种LED灯珠的亮度。进行MATLAB测试时，采用给定协方差系数生成的随机数作为训练数据集，可以实现相同的效果。第一次测试时样本数据集共30个数据点，设定聚类个数k为3。其分类结果如图5所示。
　　图中横坐标为冷白光LED灯珠的亮度等级，纵坐标为暖白光LED灯珠的亮度等级，坐标轴上交点为两色LED灯珠混合成的照度，坐标轴中空心圆点为系统计算出的稳定聚类中心，即系统通过机器学习算法预测的使用者期望照度。当照明系统开启时，控制器则根据当前环境光强度选择合适的期望照度，自动将照明光源调节到使用者期望的照度，使用户只要打开照明系统，可立即进入工作状态，简化操作步骤，提高工作效率。
　　第二次测试时，选取的样本数据组数为60组，聚类个数K值设为3，所得结果如图6所示。
　　由matlab对比测试结果可得，根据已有的样本数据集，K-means机器学习算法可以很好地计算出聚类中心。从图中可以明显看出，空心原点的位置基于上处于样本数据的中心位置，因此所得聚类中心具有较高代表度，可以代表使用者所需的期望照度。同时样本数据越多，计算精度越高，照明系统可以根据不同场合的要求选择存储不同数量的使用者样本数据。综上，本文使用K-means机器学习算法作为感知学习使用者习惯的核心系统，可以很好地满足系统整体设计的需要。
　　4.3 整体应用测试
　　本文为了验證照明系统是否具有较高实用性与稳定性，对照明系统进行多应用场景下的实际测试。在初次使用时，打开开关，OLED屏会点亮并播放开机动画，LED灯珠会平滑亮起至预先设置的亮度，此过程中，人眼对其亮度变化的直观感受较为舒适，不存在光源闪动的现象。当使用者远离照明灯3m时，照明灯上安置的人体传感器在一段时间内检测不到周围人体所发出的红外线时，照明灯会自动将亮度调至较低水平，即最大亮度的10%;当周围有人靠近时，照明灯会恢复至原先的照度。在按键测试环节，测试人员按下按键，系统可以即时响应，显示屏会同步显示调节后的亮度及色温，没有明显的延迟现象，满足实用性与较高稳定性的设计要求。 　　5 结束语
　　本文介绍了一种基于机器学习的自然调光LED照明系统，经过多角度的理论分析和实验测试，设计总体上达到了稳定性及性能的需求。本设计对算法及硬件框架进行了深度优化，将本来运行在高性能计算机中的机器学习算法移植到低功耗的嵌入式平台中，在保证功能性的前提大幅降低成本。本系统同时具有极高的扩展性，通过提高供电电压并加装辅助散热系统即可驱动更大功率的照明系统，满足从家用小型照明灯到医用级调光无影灯的大范围应用场景，为其提供低成本、高效能的照明控制系统解决方案。
　　由于本设计选用的单片机芯片计算资源较少，无法存储更多用户数据以便更精确的分析使用者的使用习惯。因此在实际的应用中，如果需要深度分析使用者的行为模式，可以加装额外的存储芯片或者使用运算资源更多的处理核心。
　　参考文献：
　　[1]王声学，吴广宁，蒋伟，等.LED原理及其照明应用[J].灯与照明，2006，30（4）：32-35.
　　[2]石路.光源色温对人体生物节律和体温调节的影响[J].人类工效学，2006，12（3）：53-55，59.
　　[3] Moreno l，Contreras U.Color distribution from multicolor LEDarrays[J].Optics Express， 2007，15（6）：3607.
　　[4]徐代升，陈晓，朱翔，等.基于冷暖白光LED的可调色温可调光照明光源[J].光学学报，2014，34（1）：218-224.
　　[5] Ying S P，Tang C W，Huang B J.Charaterizing LEDs for mix-ture of colored LED light sources[Cl//2006 International Con-ference on Electronic Materials and Packaging，December 11-14， 2006. Kowloon， China. IEEE， 2006.
　　[6]凌六一，伍龙，基于软件模拟的51单片机llC总线的实现[Jl.电子技术，2004，33（5）：13-16.
　　[7]公文礼.大功率LED灯具电源驱动的分析与研究[J].灯与照明，2009，33（4）：29-32，53.
　　[8]王纪永，王建平.基于两通道PWM的LED调光调色方法[Jl.光电工程，2012，39（7）：132-136.
　　[9]于剑.机器学习[M].北京：清华大学出版社，2017：69-76.
　　[10]程艳云，周鹏.动态分配聚类中心的改进K均值聚类算法[J].计算机技术与发展，2017，27（2）：33-36，41.
　　[11] Martin Kykta，代永平.高清显示中的伽马校正、亮度和明视度探索[Jl.现代显示，2009（12）：13-18.
　　[12]张浩，徐海松.光源相关色温算法的比较研究[J].光学仪器，2006，28（1）：54-58.
　　[13]S Tamaru，Y Ohno，T Matsuba， et al.. Measurements of colourtemperature：a simple and reliable method[J].J IlluminatingEngineering Institute of Japan，1981. 65（4）：158-162.
　　【通联編辑：梁书】
　　收稿日期：2019-11-21
　　作者简介：李峦（1998-），男，江苏泗洪县人，2016级电气与自动化工程学院学生，主要研究方向为嵌入式开发;通讯作者：王小英 （1975-），女，江西波阳人，工学博士，常熟理工学院电气与自动化工程学院，副教授，IEEE计算机协会会员，主要研究方向为嵌入式系统应用、计算机网络等。
转载注明来源:https://www.xzbu.com/8/view-15180314.htm