一种多媒体教学设备智能控制方法与流程

1.本发明属于智能教学技术领域，具体涉及一种多媒体教学设备智能控制方法。


背景技术：

2.随着科技的不断发展目前多媒体教学已经成为了教学的首选。为了提高教学的智能化，目前传统的多媒体教室通常采用远程发送相关指令的方式完成对教室内教学设备等相关设备的管理工作。基于物联网的中央控制器在物联网管理系统的管理下，可以实现对远程教学设备的开、关等相关管理工作。但设备的管理仍需要人工进行控制，人工操作方式不仅耗时耗力效率低，而且存在不能及时开启或者关闭设备的情况，导致的教学事故、能源浪费等情况的发生。


技术实现要素：

3.为了解决现有技术存在的效率低、易出错等问题，本发明提供了一种多媒体教学设备智能控制方法，其具有控制效率高、不易出错等特点。
4.根据本发明的具体实施方式的一种多媒体教学设备智能控制方法，包括：
5.基于监控设备获取室内的环境图像和人像，并采用图像增强算法和识别技术对所述环境图像和人像中的人体进行识别，将识别的数据作为人体决策数据；
6.基于环境设备获取室内的实时环境数据，并将所述实时环境数据作为环境决策数据；
7.基于室内教学设备的使用状态和相应的教学安排确定教学设备的使用数据，并将所述使用数据作为设备决策数据；
8.使用所述人体决策数据、所述环境决策数据和所述设备决策数据对预设tensorfiow机器学习框架进行训练，以形成自动控制模型实现对室内用电设备的自动控制。
9.进一步的，所述多媒体教学智能控制方法还包括：
10.基于课表数据和预约数据对所述自动控制模型进行修正，以对所述自动控制模型进行完善。
11.进一步的，所述基于监控设备获取室内的环境图像和人像，并采用图像增强算法和识别技术对所述环境图像和人像中的人体进行识别，将识别的数据作为人体决策数据包括：
12.基于监控摄像头和人体红外设备获取室内的环境图像和人像，并基于opencv的hog线性svm模型进行人体识别检测，将识别的数据作为人体决策数据。
13.进一步的，所述多媒体教学智能控制方法还包括：
14.基于人脸识别技术进行人脸识别并将相应的数据作为人体决策数据。
15.进一步的，所述基于环境设备获取室内的实时环境数据，并将所述环境数据作为环境决策数据包括：
16.至少基于温湿度传感器、光敏传感器和人体传感器获取室内的实时环境数据，并将所述环境数据作为环境决策数据。
17.进一步的，所述基于室内教学设备的使用状态和相应的教学安排确定教学设备的使用数据，并将所述使用数据作为设备决策数据包括：
18.至少基于投影仪、计算机和智能白板的使用状态以及相应的教学安排确定教学设备的使用数据，并将所述使用数据作为设备决策数据。
19.本发明的有益效果为：通过基于tensorfiow机器学习框架构建自动控制模型，并由监控设备的人体决策数据、环境设备的环境决策数据以及室内教学设备的设备决策数据对模型进行训练使得在中央控制单元中直接运用该模型进行多媒体教室内用电设备的自动控制，而不再需要人工手动的操作避免了人工的干预提高了控制的效率，能够有效减少意外情况的发生。
附图说明
20.为了更清楚地说明本发明实施例或现有技术中的技术方案，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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1是根据一示例性实施例提供的多媒体教学智能控制方法的流程图；
22.图2是根据一示例性实施例提供的多媒体教学智能控制方法的另一流程图。
具体实施方式
23.为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
24.参照图1所示，本发明的实施例提供了一种多媒体教学设备智能控制方法，具体包括以下步骤：
25.101、基于监控设备获取室内的环境图像和人像，并采用图像增强算法和识别技术对环境图像和人像中的人体进行识别，将识别的数据作为人体决策数据；
26.可采用多媒体教室中的监控摄像头、人体红外设备等能够获取到人体的躯干、脸部等身体信息的图像，然后通过图像增强算法和脸部识别的技术对人体信息和脸部的信息进行增强和相应的识别，获取到相应的人体特征信息和脸部信息，将相应的数据作为人体决策数据，基于人体决策数据能够实现教室内的有无人员以及人员信息的验证。
27.102、基于环境设备获取室内的实时环境数据，并将实时环境数据作为环境决策数据；
28.在教室内安装一些传感器如温度传感器、湿度传感器、光敏传感器、人体传感器等获取教学过程中的实时环境的数据作为环境决策数据，通过环境数据对室内环境的调整提供依据。
29.103、基于室内教学设备的使用状态和相应的教学安排确定教学设备的使用数据，
并将使用数据作为设备决策数据；
30.通过获取各种教学设备的使用状态、教学的安排进而确定教室的使用习惯，在自动化决策执行时能够根据教学活动的习惯开启相应的设备。
31.104、使用人体决策数据、环境决策数据和设备决策数据对预设tensorfiow机器学习框架进行训练，以形成自动控制模型实现对室内用电设备的自动控制。
32.tensorfiow是一个开源的机器学习框架，其通过结合机器学习，深度学习和效率算法来加速学习和应用过程，从而利用观察技能和推理技巧。该框架具有无缝的前端api，由python编程语言提供，可用于构建各种应用程序，并且利用c (编程语言)实现高性能目的。其能构建的应用程序的整体逻辑，而不必将每个微观细节处理或编程到应用程序中，在合并多个算法中花费的时间更少。用户可通过加入相应的数据选择合适的模型进行训练，进而得到自己想要功能的决策模型。这样在将人体决策数据、环境决策数据和设备决策数据对预设tensorfiow机器学习框架进行训练，以形成自动控制模型。从而达到减少人工干预、自动决策、自动巡检、设备异常智能上报的功能。
33.作为上述实施例可行的实现方式，基于监控设备获取室内的环境图像和人像，并采用图像增强算法和识别技术对所述环境图像和人像中的人体进行识别，将识别的数据作为人体决策数据包括：
34.基于监控摄像头和人体红外设备获取室内的环境图像和人像，并基于opencv的hog线性svm模型进行人体识别检测，将识别的数据作为人体决策数据。
35.hog是机器学习方法的行人检测的主流特征描述子之一，hog特征是用于目标检测的特征描述子,它通过计算和统计图像局部区域的梯度方向直方图来构成特征，用这些特征描述原始图像。检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。通过将整幅图像分割成小的连接区域(称为cells)，每个cell生成一个方向梯度直方图或者cell中pixel的边缘方向，这些直方图的组合可表示出(所检测目标的目标)描述子。为改善准确率，局部直方图可以通过计算图像中一个较大区域(称为block)的光强作为measure被对比标准化，然后用这个值(measure)归一化这个block中的所有cells.这个归一化过程完成了更好的照射/阴影不变性。与其他描述子相比，hog得到的描述子保持了几何和光学转化不变性(除非物体方向改变)。因此hog描述子尤其适合人的检测。
36.例如在有人进入教室后识别出相应的身份后，根据该时间点和相应身份的教室的课程安排后，具有自动控制模型的中央控制系统会控制教室内的灯光、空调等工作在使人体最舒适的范围内。同时根据课程的安排自动打开相应的投影仪、计算机、智能白板等教学设备供上课教室进行使用，在使用完成或课程时间到达或室内无人时，则根据相应检测设备的反馈情况自动关闭教室内的设备以进行省电。
37.在本发明的一些具体实施例中多媒体教学智能控制方法还包括：
38.基于课表数据和预约数据对自动控制模型进行验证，以对自动控制模型进行完善。
39.在tensorflow中调用estimator对象的train方法训练。input_fn参数表示提供训练数据的函数；steps参数表示训练迭代次数；在train_input_fn函数将数据转换为train方法所需的格式。为了保证训练效果，训练样本需随机排序。buffer_size设置大于样本数(120)，可确保数据得到充分的随机化处理。
40.为保证训练期间，有无限量的训练样本，需调用tf.data.dataset.repeat，trai方法一次处理一批样本，tf.data.dataset.batch方法通过组合多个样本创建一个批次，这里组合多个包含100个样本的批次。接下来将训练好的模型预测效果。tensorflow中，每个estimator对象提供了evaluate方法，在eval_input_fn函数里，将数据转换为evaluate方法所需的格式。实现跟训练一样，只是无需随机化处理和无限量重复使用测试集。接下来将该模型对无标签样本进行预测，tensorflow中，每个estimator对象提供了predict方法，改造下eval_input_fn方法，使其能够接受labels＝none情况。
41.本发明上述实施例所提供的多媒体教学设备智能控制方法，基于opencv算法和tensorfiow机器学习框架创建人工智能和物联网通讯相结合的教学设备智能控制决策方法，通过物联网中央控制器并以监控摄像头作辅助，通过物联网技术、人工智能、视觉分析等技术，实现在独立教学空间内教学设备、灯光、门禁、强电电源等设备进行联动控制，从而达到减少人工干预、自动决策、自动巡检、设备异常智能上报的功能。
42.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
43.此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
44.上述提到的存储介质可以是只读存储器，磁盘或光盘等。
45.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
46.上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
47.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。