夏 飛,聞 衛(wèi),袁 博,夏 麟,張 浩,陸劍峰

1(上海電力大學(xué) 自動化工程學(xué)院,上海 200090) 2(南瑞集團(國網(wǎng)電力科學(xué)研究院)有限公司,南京 210000) 3(華建數(shù)創(chuàng)(上海)科技有限公司,上海200070) 4(同濟大學(xué) 電子與信息工程學(xué)院,上海 201804)

1 引 言

我國建筑能耗占全國能源消耗總量的20.62%左右,公共建筑的能耗占整個建筑能耗的37.71%.其中辦公建筑空調(diào)能耗占據(jù)建筑總能耗的55%左右,是占比最高的一項[1].目前空調(diào)能耗系統(tǒng)智能化控制的重點在于能耗的調(diào)節(jié),而對于室內(nèi)人員舒適度考慮得較少.科學(xué)合理的空調(diào)用電管控手段,應(yīng)當(dāng)將建筑運行節(jié)能與人的舒適度綜合考慮,既要滿足人的舒適性需要,又要避免能源的過度浪費[2].

目前針對室內(nèi)人員舒適度判別的研究,主要集中于針對熱環(huán)境的研究.自Fanger[3]提出預(yù)測平均指標(biāo)PMV(Predicted Mean Vote)后,PMV就成為了國際公認的熱感覺評價指標(biāo),因為該指標(biāo)考慮到了與人體相關(guān)的諸多因素.雖然該指標(biāo)雖考慮全面,但相關(guān)數(shù)據(jù)獲取需要通過實驗的方式進行記錄,給實際工程應(yīng)用帶來難度.近年研究對于如何更高效地獲得參數(shù)卻沒有很好的解決方法.為了規(guī)避參數(shù)間復(fù)雜的非線性關(guān)系,通常將人員的服裝熱阻值使用經(jīng)驗值替代,如取夏季工況下人員的服裝熱阻為0.5,冬季工況下為0.9,忽略了服裝熱阻對人體舒適度的影響.使用這樣的模型評價公共空間人員總體舒適度,存在一定的局限性.即使在實驗中,這些模型通常使用一位實驗人員的服裝熱阻值,計算PMV指標(biāo),用于評價當(dāng)前環(huán)境中人員的舒適度.但在實際情況中,不同人員的衣著情況是不同的,用一個人員的PMV值評價整個室內(nèi)人員的舒適度并不準(zhǔn)確.本文認為,應(yīng)該根據(jù)每個人的服裝熱阻,逐一計算出對應(yīng)的PMV值,最終得到平均PMV值,從而更加全面反映室內(nèi)人員總體的舒適度情況.考慮到PMV的計算復(fù)雜,這就更需要借助于智能檢測設(shè)備與方法,實現(xiàn)指標(biāo)計算參數(shù)的獲取,一方面可以降低工作量,一方面為工程化帶來可能.

為了在實際空調(diào)用電管理中應(yīng)用舒適度指標(biāo),除了需要實現(xiàn)PMV的智能計算外,還需要采用智能算法對其參數(shù)和指標(biāo)之間的關(guān)系進行學(xué)習(xí),實現(xiàn)對舒適度的預(yù)測.目前研究人員常采用的室內(nèi)人員舒適度預(yù)測模型,包括模糊自適應(yīng)和神經(jīng)網(wǎng)絡(luò)的方法.羅一凡[4]提出了一種基于模糊自適應(yīng)的熱舒適度判別建模方法.由于模糊理論是線性的建模方式,但室內(nèi)環(huán)境等參數(shù)都具有時序性,這就導(dǎo)致基于模糊理論建立的模型在評價人體舒適度時有較大的偏差,而神經(jīng)網(wǎng)絡(luò)可以以任意的精度逼近非線性問題的解,因此成為了人體舒適度計算方法的主要研究方向.王玉山[5]等人基于BP神經(jīng)網(wǎng)絡(luò)建立了人體舒適度評價預(yù)測模型,該模型需要用戶手動輸入活動狀態(tài),且十分依賴BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的選取.翁虎[6]等人利用DE-BP神經(jīng)網(wǎng)絡(luò)建立了室內(nèi)熱舒適度評價模型,但在輸入?yún)?shù)選取中忽略了風(fēng)速和平均輻射度.趙敏華[7]等人提出將粒子群結(jié)合BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化;魏東[8]等人則提出加入遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化,但這兩種算法的局部尋優(yōu)能力較差.王曉輝[9]等人為了增強遺傳算法的局部尋優(yōu)能力,采用遺傳模擬退火算法對BP神經(jīng)網(wǎng)絡(luò)進行了優(yōu)化,但網(wǎng)絡(luò)僅將溫度、風(fēng)速度和濕度作為模型的輸入,僅通過這3個參數(shù)來預(yù)測PMV值并不全面.同時,由于室內(nèi)溫、濕度等數(shù)據(jù)具有時間序列特征,而服裝熱阻又受這些數(shù)據(jù)的影響,因此用于預(yù)測人體舒適度的數(shù)據(jù)具有明顯的時序性.上文所述常用于預(yù)測PMV的神經(jīng)網(wǎng)絡(luò)并不能很好地處理這樣的數(shù)據(jù).因此引入能夠處理時序性更強的神經(jīng)網(wǎng)絡(luò),將會增加PMV預(yù)測的準(zhǔn)確性,從而更好地根據(jù)舒適度進行空調(diào)管控.

綜合前文的分析,目前舒適度預(yù)測的問題在于:1)計算舒適度的參數(shù)不易獲取;2)預(yù)測模型采用一位人員的舒適度值來評價全體人員的舒適度;3)需要采用時序性處理能力更強的預(yù)測模型.如果能夠結(jié)合物聯(lián)網(wǎng),自動獲取舒適度計算參數(shù),并采用智能算法建立包含室內(nèi)所有人員人體參數(shù)的舒適度模型,并進一步考慮參數(shù)的時間序列特征,得到室內(nèi)人員的舒適度指數(shù)將具有現(xiàn)實意義.因此,本文提出了一種基于圖像信息的公共空間人員總體舒適度計算方法.

本文為解決上述問題,提出方法的創(chuàng)新點如下:

1)采用圖像識別的方法,智能獲取室內(nèi)人員數(shù)量、衣著和冷熱狀態(tài)等個體參數(shù);

2)通過改進Faster R-CNN網(wǎng)絡(luò),使之滿足室內(nèi)人員及其不同狀態(tài)下的多尺度檢測需求;

3)提出了一種聯(lián)合深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的方法,計算室內(nèi)人員總體舒適度.

在采集到室內(nèi)人員圖像后,針對場景圖像中人員大小不一的問題,本文在Faster R-CNN的網(wǎng)絡(luò)架構(gòu)上加入了改進后的特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network,FPN),使用該網(wǎng)絡(luò)得到室內(nèi)不同尺度人員的數(shù)量,同時對人員的衣著、冷熱狀態(tài)及對應(yīng)的數(shù)量進行識別,將結(jié)果與環(huán)境參數(shù)結(jié)合,輸入到長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)建立的舒適度模型,得到更符合人員總體評價的舒適度指數(shù).本文選擇的LSTM神經(jīng)網(wǎng)絡(luò)不僅繼承了RNN可有效處理具有時序性的數(shù)據(jù)這一優(yōu)點,且還克服了梯度消失的問題.因此本文使用LSTM神經(jīng)網(wǎng)絡(luò)進行舒適度預(yù)測,能夠更好地學(xué)習(xí)到輸入?yún)?shù)與舒適度之間的依賴信息,其內(nèi)部的反饋連接更適合處理PMV指標(biāo)與參數(shù)之間的復(fù)雜非線性關(guān)系,具有更強的可靠性.

圖1 舒適度計算方法框圖Fig.1 Block diagram of comfort calculation method

本文提出方法的總體框圖如圖1所示.

2 人員及狀態(tài)的深度網(wǎng)絡(luò)識別模型

為了進行人員舒適度評價,需要采集相關(guān)參數(shù),包括人員數(shù)量和人員衣著、冷熱狀態(tài)的數(shù)量,以及室內(nèi)溫度和濕度等相關(guān)信息.本文除了應(yīng)用溫、濕度傳感器采集數(shù)據(jù)外,采用室內(nèi)攝像頭的視頻信息,通過多尺度特征網(wǎng)絡(luò)實現(xiàn)人員的識別.在訓(xùn)練模型時,將人員冷熱及人員衣著狀態(tài)特征一同送入網(wǎng)絡(luò)訓(xùn)練,得到可以同時完成人員數(shù)量和人員衣著、冷熱狀態(tài)數(shù)量識別的模型.

目前針對目標(biāo)識別的研究,可分為傳統(tǒng)的方法和基于深度學(xué)習(xí)的方法.在傳統(tǒng)目標(biāo)檢測的算法中,特征提取是其核心,由于人體的類間相似性較高[10],且受到視覺角度和位置等因素的影響,在人員較密集時會產(chǎn)生遮擋問題[11].使用人工提取特征的方法不僅難以提取有效的特征,且難度較大,最終導(dǎo)致人員識別率低下[12].如果要在人員數(shù)量識別的基礎(chǔ)上,進一步實現(xiàn)衣著和冷熱的識別就更加困難.而針對人員衣著識別的方法主要有兩種:1)先進行衣著分割,然后進行衣著區(qū)域識別;2)方法是利用姿態(tài)估計模型獲取人體姿態(tài)位置[13],通過位姿得到衣著位置,再用閾值劃分算法對衣著進行特征判斷.這些方法的局限性在于,需要檢測到人臉或人體軀干后,才能對人體的衣著進行識別,且兩種方法都默認衣著是純色的.

基于以上分析,本文選擇基于深度學(xué)習(xí)的方法進行人體及狀態(tài)識別.深度學(xué)習(xí)方法又可被分為檢測實時性高的One-Stage和檢測精度更高的Two-Stage[14].考慮到在進行人體舒適度判斷時并不要求實時性,但需要較高的準(zhǔn)確度,因此本文選擇了Two-Stage網(wǎng)絡(luò)中準(zhǔn)確度較高Faster R-CNN,在其基礎(chǔ)上加入改進的FPN,同時改變了錨框尺度來進一步提高算法檢測的準(zhǔn)確率.改進后的Faster R-CNN算法模型如圖1中深度網(wǎng)絡(luò)識別模型部分所示.首先通過ResNet50的預(yù)處理,得到C1后經(jīng)過4個卷積模塊,生成特征圖{C2,C3,C4,C5}.然后將特征圖作為輸入送到改進后的FPN中,生成不同尺度的{N2,N3,N4,N5,N6}.接著,使用K-Means聚類方法使區(qū)域建議網(wǎng)絡(luò)生成的錨框適用于人體目標(biāo),通過Softmax判斷錨框中的是否為目標(biāo),并對錨框修正,得到較精確的候選區(qū)域.Roi Pooling層利用候選區(qū)域和多尺度特征[15],得到固定大小的特征圖,然后經(jīng)過全連接操作后,送入Softmax判斷目標(biāo)的類別,通過邊界回歸得到檢測框的位置.

2.1 Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)的改進

傳統(tǒng)FPN利用自頂向下的連接路徑[16],對底層特征圖的位置信息進行了融合.由于高層特征在經(jīng)過上采樣處理后會損失部分語義信息,使小目標(biāo)人體特征無法被充分提取,出現(xiàn)漏檢情況[17].因此本文在FPN的基礎(chǔ)上對原有的特征結(jié)構(gòu)進行了改進,利用各卷積層的特征圖,獲得不同的特性.其中高卷積層被用于檢測大目標(biāo)物體,而低卷積層因其高分辨率,適用于檢測較小的目標(biāo).

FPN將ResNet50輸出的{C2,C3,C4,C5}作為網(wǎng)絡(luò)的輸入,特征圖C5經(jīng)過1×1卷積后得到T5,以同樣的方法對C3、C4、C5進行處理,得到特征圖{T2,T3,T4,T5},T2經(jīng)過1×1卷積得到D2,再經(jīng)過3×3卷積塊處理后得到N2,與此同時對D2進行下采樣處理.

(1)

其中,m為輸出特征圖Di的大小;n為輸入圖片的大小;p表示padding,為填充像素的大小;f表示filter,為卷積核的大小;s表示strides,為滑動步長.對D2下采樣后,與T3卷積后的結(jié)果進行張量相加,得到D3,D3經(jīng)過3×3卷積塊處理后得到N3.以同樣的方式處理特征圖D4和D5,得到特征圖{N2,N3,N4,N5},并對N5進行最大池化操作,得到尺寸更小,信息更豐富的特征圖N6.改進后的結(jié)構(gòu)如圖2所示.

圖2 改進后的FPN結(jié)構(gòu)圖Fig.2 Improved FPN structure

2.2 錨框尺寸自適應(yīng)聚類

Faster R-CNN采用了3種尺度以及3種長寬比,即9種不同尺寸的候選框,完成前景區(qū)域的提取[18].但由于這些錨框的尺度是基于VOC和COCO等數(shù)據(jù)集中的類別設(shè)置的,對于本文所用的針對室內(nèi)辦公場景下的數(shù)據(jù)集并不適用.在本文的數(shù)據(jù)集中,人體在圖像畫面中所占像素大小不一,因此本文使用了K-Means聚類方法生成適用于室內(nèi)辦公場景下的錨框尺寸.

將人員目標(biāo)框的真實值作為樣本,根據(jù)不同樣本之間的歐式距離,把距離近的樣本歸為一類,共劃分為k類,用{M1,M2,…Mk}表示.采用誤差平方和作為目標(biāo)函數(shù),如式(2)所示:

(2)

式中x為樣本,j=1,2,…,k,是第j個聚類中心.

通過讀取圖像對應(yīng)的標(biāo)簽文件中的矩形框坐標(biāo)值xmin、xmax、ymin、ymax獲得人體的長寬分布,按訓(xùn)練比例尺度縮放后對分布情況進行聚類,最終獲得9個適用于室內(nèi)人員識別的錨框尺度和新的錨框長寬比.

3 基于LSTM神經(jīng)網(wǎng)絡(luò)的舒適度計算

在諸多影響室內(nèi)環(huán)境的因素中,環(huán)境的溫度和濕度與人體切身感受密切相關(guān).因此本文在建立人員總體舒適度計算模型時,除了將前文通過圖像識別獲得的冷熱、衣著狀態(tài)作為人體相關(guān)數(shù)據(jù),同時選取了室內(nèi)環(huán)境因素作為輸入?yún)?shù).本文通過人體相關(guān)參數(shù)和環(huán)境參數(shù)得到人員個體的PMV,再計算平均值作為實際環(huán)境下的整體舒適度,以此為依據(jù)建立了基于LSTM神經(jīng)網(wǎng)絡(luò)的人員總體舒適度計算模型.

3.1 基于PMV的人員總體舒適度計算方法

PMV指標(biāo)采用了7級標(biāo)尺[19],從+3～-3分別表示熱(+3)、暖(+2)、微暖(+1)、適中(0)、微涼(-1)、涼(-2)、冷(-3).

指標(biāo)受到空氣溫度(ta)、空氣相對濕度(φ)、空氣流動速度(va)、平均輻射溫度(tr)這4個環(huán)境變量,同時受到人體代謝率(M)和衣服熱阻(Icl)這兩個人體相關(guān)變量的影響.可用式(3)表示:

PMV=f(ta,φ,va,tr,Icl,M)

(3)

根據(jù)實際情況,即室內(nèi)處于無風(fēng)狀態(tài)(va=0m/s),參與實驗的人員都處于靜坐狀態(tài),取人體代謝率M=58.2W/m2.因此其數(shù)學(xué)模型可簡化為式(4):

(4)

其中:

tcl=34.07-Icl{3.96×108×fcl[(tcl+273)4]-
(tr+273)4+fclhc(tcl-ta)}

(5)

hc=2.38(tcl-ta)0.25

(6)

(7)

Pa=φ×e[16.653-4030.183/(ta+235)]

(8)

式(4)～式(8)中,ta為空氣溫度(℃);Pa為人體周圍水蒸氣壓(Pa);fcl為服裝表面積系數(shù);tcl為服裝表面溫度(℃);tr為平均輻射溫度(℃);hc為對流傳熱系數(shù)(W/(m2·K));Icl為服裝熱阻(clo);va為空氣流動速度(m/s);φ為空氣相對濕度(%).在這些參數(shù)中,室內(nèi)溫度、相對濕度可由測量儀測得[20].由于進行實驗時為夏季,因此人員的衣著狀態(tài)分為兩類,當(dāng)衣著為長袖時,取服裝熱阻Icl=0.61col;當(dāng)衣著為短袖時,取Icl=0.61col.通過測量得到室內(nèi)溫(ta)、相對濕度(φ),由于室內(nèi)處于無風(fēng)狀態(tài)[21],因此平均輻射溫度(tr)=室內(nèi)溫度(ta).將這些參數(shù)輸入PMV計算工具,得到實驗進行時的PMV值.

3.2 基于LSTM的人員總體舒適度預(yù)測模型

LSTM神經(jīng)網(wǎng)絡(luò)由LSTM記憶塊組成,記憶細胞和門構(gòu)成了這些記憶塊[22].本文使用的是由輸入門(It)、輸出門(Ot)以及遺忘門(Ft)組成的最基本的LSTM網(wǎng)絡(luò),如圖3所示.

圖3 LSTM單元結(jié)構(gòu)Fig.3 LSTM unit structure

3個門的計算公式如式(9)～式(15)所示.

It=σ(XtUi+Ht-1Wi+bi)

(9)

Ot=σ(XtUo+Ht-1Wo+bo)

(10)

Ft=σ(XtUf+Ht-1Wf+bf)

(11)

Gt=tanh(UgXt+Ht-1Wg+bg)

(12)

Ct=Ft?Ct-1+It?Gt

(13)

Ht=Ot?tanh(Ct)

(14)

式中,U和W為權(quán)重,b為偏置向量,σ表示激活函數(shù)Sigmoid[23],其表達式為:

(15)

確定LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)后,將人員參數(shù)和環(huán)境參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入,人員總體舒適度作為輸出,訓(xùn)練得到一個多輸入、單輸出的模型.

4 實驗結(jié)果分析

本文實驗環(huán)境搭建于某公共會議室內(nèi),硬件配置包括視頻采集設(shè)備一套、筆記本一臺.筆記本的操作系統(tǒng)為macOS系統(tǒng),CPU頻率3.2GHz,內(nèi)存8G.視頻采集設(shè)備為通用網(wǎng)絡(luò)攝像機,采用了200萬像素CMOS圖像傳感器.網(wǎng)絡(luò)攝像頭安裝后,使視頻采集區(qū)域盡量覆蓋了整個室內(nèi)場景.采集的圖像通過網(wǎng)絡(luò)傳輸?shù)焦P記本電腦進行識別和分析.圖像識別程序在Python 3.7編程環(huán)境下進行開發(fā).

4.1 人員數(shù)量和狀態(tài)識別結(jié)果分析

本文通過網(wǎng)絡(luò)攝像頭采集了大量會議室場景下的人員圖像組成本文的數(shù)據(jù)集,為獲得更多的樣本數(shù)量,本文在不同時間進行了多次相同的實驗,得到1000張圖片的樣本數(shù)據(jù)用以模型的訓(xùn)練.本文建立的深度識別網(wǎng)絡(luò)中的殘差網(wǎng)絡(luò)ResNet50能夠自動地從尺寸不同的圖片中提取出特征,因此不需要改變數(shù)據(jù)集的尺寸,直接采用LabelImg標(biāo)注工具,按照VOC格式對人體的不同衣著、冷熱狀態(tài)進行標(biāo)注,獲得每個圖像中不同標(biāo)簽的矩陣.標(biāo)注后將數(shù)據(jù)集按照7∶2∶1的比例劃分為訓(xùn)練集、測試集與驗證集.其中訓(xùn)練集用于訓(xùn)練模型的各項參數(shù),測試集用于評估模型的泛化能力,驗證集用于優(yōu)化訓(xùn)練過程中模型的參數(shù).模型訓(xùn)練結(jié)束后,通過各項性能評價指標(biāo)來衡量模型性能.

對于人員識別的模型,本文采用AP作為模型性能評價的指標(biāo).AP表示測試集中某一類別的平均準(zhǔn)確率,準(zhǔn)確率P代表了一個類別在一幅圖中被模型正確識別的個數(shù),準(zhǔn)確率的計算如式(16)所示:

(16)

其中TP為預(yù)測正確的樣本數(shù);FP為預(yù)測錯誤的樣本數(shù).

AP的計算如式(17)所示:

(17)

式(17)中,c為測試集圖片數(shù)量;k為測試集中第k張圖像;Pk為第k張圖像中某一類別的準(zhǔn)確率.

4.1.1 人員數(shù)量識別結(jié)果及分析

本文在模型訓(xùn)練時,考慮到數(shù)據(jù)集的體量并不大,因此采用隨機梯度下降法作為優(yōu)化器進行訓(xùn)練,加快訓(xùn)練過程.設(shè)置學(xué)習(xí)率為0.005,訓(xùn)練時采用線性增加策略,使學(xué)習(xí)率從初始的0.00199通過迭代逐漸增加至0.005,權(quán)值衰減系數(shù)為0.0001,epoch設(shè)置為150,迭代次數(shù)為1000次,每迭代一個epoch保存一次模型,最后選擇精度最高的模型進行保留.

訓(xùn)練完成后,應(yīng)用本文提出的改進算法建立人員數(shù)量識別模型,并應(yīng)用驗證集對模型性能進行了測試.為了說明本文提出方法的優(yōu)越性,對改進方法前后的效果進行了比較.在本文實驗場景中,需要識別的人數(shù)為26人.

分別使用Faster R-CNN算法和本文提出的改進算法模型進行了人員識別,結(jié)果如圖4所示.

圖4 改進前后Faster R-CNN的人員識別效果Fig.4 Personnel identification effect of Faster R-CNN before and after improvement

在圖4中,出現(xiàn)誤檢的是采用Faster R-CNN進行人員識別的結(jié)果.可以看到左上角的檢測結(jié)果中,一個目標(biāo)被多個檢測框圈出的情況,即出現(xiàn)了誤檢.在右上角的檢測結(jié)果中,有人員目標(biāo)未被框出,即發(fā)生了漏檢.左下角與右下角的是使用改進后算法進行檢測的結(jié)果,可以看到,人員識別的誤檢、漏檢問題得到了改善.為進一步說明本文方法的效果,將Faster R-CNN算法,和其只改進錨框的算法,只改進FPN的算法及同時改進錨框和FPN的算法,即本文提出的改進Faster R-CNN算法進行了比較,實驗結(jié)果如表1所示.

表1 人員數(shù)量識別結(jié)果Table 1 Result of personnel identification

從表1可以看出,當(dāng)僅對錨框尺寸進行自適應(yīng)聚類后,AP從Faster R-CNN算法識別的67.23%提高到了改進錨框算法后的72.07%,而僅改進FPN算法的AP則提高到了80.68%.當(dāng)對兩者同時進行改進時,模型進行人員識別時,其AP提高到了85.46%.由此可見,本文提出的算法在人員識別中性能提升最大.

為進一步說明本文算法的優(yōu)越性,本文選擇了YOLOV3與YOLOV4進行了人員數(shù)量的識別,模型算法識別結(jié)果如表2所示.

表2 YOLOV3與YOLOV4人員數(shù)量識別結(jié)果Table 2 Result of personnel identification based on YOLOV3 and YOLOV4

從表2中可以看出,本文提出的算法比YOLOV3算法和YOLOV4算法,分別在準(zhǔn)確性上提高了22個百分?jǐn)?shù)和近34個百分?jǐn)?shù).

4.1.2 人員數(shù)量識別結(jié)果及分析

接下來,和4.1.1小節(jié)類似,比較了Faster R-CNN的幾種改進方法,在人員衣著識別上的效果,模型的具體效果如表3所示.

表3 人員衣著狀態(tài)識別結(jié)果Table 3 Result of personnel clothing identification

當(dāng)只進行錨框自適應(yīng)聚類,識別人員T恤和襯衫時算法的AP僅有小幅度的提升.只改進FPN后的算法,在識別人員T恤和襯衫時,AP分別提升了13.99%和10.25%.當(dāng)使用本文提出的改進算法進行人員T恤和襯衫識別時,AP分別提高了15.3%和17.23%,可見本文算法在人員衣著識別的應(yīng)用中具有較好的效果.

4.1.3 人員冷熱狀態(tài)識別結(jié)果及分析

同樣地,分別用Faster R-CNN、只進行錨框自適應(yīng)聚類的Faster R-CNN、只改進FPN的Faster R-CNN以及本文提出的算法,建立了人員冷熱狀態(tài)識別模型.4個模型的識別結(jié)果如表4所示.

表4 人員冷熱狀態(tài)識別結(jié)果Table 4 Result of personnel hot and cold status identification

從表4中可以看到,進行錨框自適應(yīng)聚類后,Faster R-CNN在冷、熱識別中,算法的AP分別提高了1.19%和17.09%.使用改進FPN后的算法進行冷、熱識別時,AP分別提高了15.52%和19.74%,而本文所提算法具有最大的提升效果,AP分別提高了21.54%和26.88%,在進行人員冷熱狀態(tài)識別中有較好的性能.

4.2 人員舒適度計算實驗及結(jié)果分析

4.2.1 人員舒適度預(yù)測模型數(shù)據(jù)集建立

構(gòu)建人員總體舒適度模型,需要先建立數(shù)據(jù)集.本文的實驗場景為某公共會議室內(nèi).為了獲得建立數(shù)據(jù)集所需樣本,在不同時間進行了多次相同的實驗,得到305張圖片的樣本用以模型訓(xùn)練,并通過測量儀表獲取每張圖片時會議室中的溫、濕度.將圖片送入前文建立的深度網(wǎng)絡(luò)識別模型,得到每張圖中不同衣著、冷熱狀態(tài)下人員的數(shù)量,至此就得到了所有神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù).通過室內(nèi)溫、濕度數(shù)據(jù),并根據(jù)當(dāng)日實驗人員的衣著、冷熱狀態(tài)數(shù)量,逐一計算PMV值,最后取均值作為當(dāng)時環(huán)境下的人員總體舒適度指標(biāo).部分樣本數(shù)據(jù)形式如表5所示.其中xi(i=1,2,…,10)分別對應(yīng)室內(nèi)溫度(x1)、室內(nèi)人員總數(shù)(x2)、穿襯衫人員的數(shù)量(x3)、穿T恤人員的數(shù)量(x4)、穿衛(wèi)衣人員的數(shù)量(x5)、穿棉衣人員的數(shù)量(x6)、狀態(tài)為舒適的人員數(shù)量(x7)、狀態(tài)為熱的人員數(shù)量(x8)、狀態(tài)冷的人員數(shù)量(x9)以及室內(nèi)濕度(x10);Y為人員總體舒適度.

表5 樣本數(shù)據(jù)形式Table 5 Form of sample data

本文采用決定系數(shù)R2、均方誤差MSE以及平均絕對誤差MAE作為評價模型的指標(biāo).

決定系數(shù)越接近1則表明模型的擬合程度越好,其計算公式如式(18)所示:

(18)

均方誤差表示誤差平方的平均值,用于體現(xiàn)模型預(yù)測效果的穩(wěn)定性,其值越小,則模型擬合數(shù)據(jù)的能力越強,公式如式(19)所示:

(19)

平均絕對誤差反映的是預(yù)測誤差的真實情況,其公式如式(20)所示:

(20)

4.2.2 LSTM預(yù)測模型訓(xùn)練及結(jié)果分析

在樣本數(shù)據(jù)集中隨機抽取80%的數(shù)據(jù),共244組作為學(xué)習(xí)樣本,剩下20%的數(shù)據(jù)則作為測試樣本.由于輸入特征的性質(zhì)不同,因此為了避免模型受到數(shù)值較高的特征影響,因此在訓(xùn)練前首先對數(shù)據(jù)進行了歸一化處理.神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)定并無確切的標(biāo)準(zhǔn),因此需要手動設(shè)置結(jié)構(gòu)參數(shù),本文選擇了均方誤差(MSE)作為損失函數(shù).在實驗程序中,還需要選定的參數(shù)包括隱含層數(shù)量、神經(jīng)元數(shù)量以及學(xué)習(xí)率.首先將隱含層數(shù)量設(shè)定為2層,然后在模型訓(xùn)練過程中不斷調(diào)整神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的數(shù)量和學(xué)習(xí)率,最后根據(jù)模型效果確定參數(shù).本文在[100,1000]之間選擇了6個神經(jīng)元分別計算了測試集上的均方誤差,結(jié)果如圖5所示.

圖5 不同神經(jīng)元數(shù)量迭代結(jié)果Fig.5 Iterative results of different neuron numbers

由圖5可以看出,模型訓(xùn)練的迭代次數(shù)不變,隨著神經(jīng)元數(shù)量的增加,模型的預(yù)測效果會有所提升.當(dāng)神經(jīng)元數(shù)量超過1000時,模型的預(yù)測效果提升很小,且由于模型過于復(fù)雜,其訓(xùn)練速度大幅降低,不利于在性能較低的設(shè)備上使用,因此最終確定神經(jīng)元數(shù)量為1000.在確定學(xué)習(xí)率時,將取值范圍設(shè)為[0,0.02],以步長為0.0001遍歷該范圍內(nèi)的值,最終確定學(xué)習(xí)率為0.0024.

綜上,本文最終模型的參數(shù)設(shè)置如表6所示.

表6 模型參數(shù)取值Table 6 Model parameter value

通過訓(xùn)練集的訓(xùn)練得到了基于LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測模型,并使用測試集獲得了模型的性能指標(biāo),為了對比模型的效果,本文使用BP、PSO-BP及RBF神經(jīng)網(wǎng)絡(luò)對同樣的數(shù)據(jù)集進行訓(xùn)練,得到了4個人員總體舒適度預(yù)測模型.

表7為模型在測試集上的性能指標(biāo)數(shù)值.

表7 模型評價指標(biāo)Table 7 Model evaluation index

從表7中可以看到,基于LSTM神經(jīng)網(wǎng)絡(luò)建立的預(yù)測模型的決定系數(shù)最接近數(shù)值1,說明其擬合程度最好.4個模型的均方誤差及平均絕對誤差都在較小的范圍內(nèi),但基于BP神經(jīng)網(wǎng)絡(luò)建立的模型,其均方誤差和平均絕對誤差比其他模型高了一個數(shù)量級.基于GA-BP與RBF建立的預(yù)測模型,都有較好的表現(xiàn),但基于LSTM建立模型的均方誤差比這兩個模型小了一個數(shù)量級.可見在4個模型中,基于LSTM的預(yù)測模型性能最為優(yōu)異.

為了進一步說明本文建立的模型在預(yù)測人員總體舒適度中的優(yōu)越性,將61個測試樣本分別送入4個模型中進行預(yù)測,并將模型的預(yù)測結(jié)果與實際值(通過計算得到的PMV值)進行比較,如圖6所示.同時為了更清楚地對比,也為進一步說明本文所建立模型的準(zhǔn)確性,分別計算了4個模型預(yù)測的絕對誤差,誤差曲線結(jié)果如圖6中模型誤差曲線所示.

從模型誤差曲線中可以看到,基于BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的絕對誤差在-0.42～0.76之間,使用基于GA-BP建立的模型絕對誤差在-0.306～0.42之間,而基于RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測的絕對誤差處于-0.05～0.05之間,而使用基于LSTM神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測,絕對誤差在-0.03～0.023之間.由上述數(shù)據(jù)可知,雖然4個模型在評價指標(biāo)中的數(shù)值相差并不大,

圖6 模型預(yù)測效果Fig.6 Model prediction results

但通過模型預(yù)測結(jié)果與實際值之間絕對誤差的比較可見,本文提出的基于LSTM神經(jīng)網(wǎng)絡(luò)建立的預(yù)測模型,在人員舒適度計算上有很高的準(zhǔn)確性.根據(jù)舒適度指標(biāo)劃分,相鄰兩級舒適度之間的差值為1,因此該范圍內(nèi)的誤差對計算人員總體舒適度的影響較小,可見本文提出的方法在預(yù)測人員總體舒適度時具有良好的表現(xiàn).

5 結(jié)束語

本文首先對Faster R-CNN進行了改進,提升了模型在識別人員及不同狀態(tài)時的準(zhǔn)確率.同時提出了一種聯(lián)合深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的方法,可以智能地獲取室內(nèi)人員和不同衣著、不同冷熱狀態(tài)下人員的數(shù)量,并由這些參數(shù)和室內(nèi)環(huán)境參數(shù)組成輸入變量,通過LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)建人員舒適度預(yù)測模型,得到當(dāng)前環(huán)境中人員總體舒適度指數(shù).模型的平均絕對誤差為0.0024,說明模型有較好的預(yù)測效果.在后續(xù)工作中,可以使用本文所提方法計算人員總體舒適度后,以此為依據(jù)進行空調(diào)溫度控制,在節(jié)能的同時滿足人體的舒適需求.