李秀麗 全萌凱

摘要：針對(duì)綠色建筑節(jié)能領(lǐng)域中的能耗優(yōu)化問(wèn)題，提出了一種基于深度學(xué)習(xí)與圖像處理的節(jié)能系統(tǒng)。系統(tǒng)通過(guò)實(shí)現(xiàn)對(duì)建筑環(huán)境的實(shí)時(shí)數(shù)據(jù)采集，利用深度學(xué)習(xí)模型，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對(duì)采集的圖像和環(huán)境數(shù)據(jù)進(jìn)行深入分析，提取關(guān)鍵特征，并預(yù)測(cè)建筑能耗。系統(tǒng)還引入了Dropout技術(shù)以提高模型的泛化能力，防止過(guò)擬合。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能夠有效識(shí)別節(jié)能潛在區(qū)域，提高了能耗預(yù)測(cè)的準(zhǔn)確性和系統(tǒng)的響應(yīng)速度，為建筑節(jié)能管理提供了有力的技術(shù)支持。

關(guān)鍵詞：深度學(xué)習(xí)；圖像處理；綠色建筑節(jié)能

一、前言

在當(dāng)今社會(huì)，隨著城市化進(jìn)程的加快和能源需求的日益增長(zhǎng)，建筑行業(yè)的能源消耗問(wèn)題日益凸顯[1]。據(jù)統(tǒng)計(jì)，建筑行業(yè)的能耗占全球總能耗的近40%，成為節(jié)能減排的重要領(lǐng)域[2]。然而，傳統(tǒng)的建筑能耗管理方法往往缺乏實(shí)時(shí)性和準(zhǔn)確性，難以滿足現(xiàn)代綠色建筑的節(jié)能需求。隨著人工智能和大數(shù)據(jù)技術(shù)的迅速發(fā)展，深度學(xué)習(xí)和圖像處理技術(shù)在建筑節(jié)能領(lǐng)域的應(yīng)用展現(xiàn)出巨大潛力。特別是深度學(xué)習(xí)技術(shù)，以其強(qiáng)大的數(shù)據(jù)處理和特征提取能力，為精確預(yù)測(cè)和優(yōu)化建筑能耗提供了新的解決方案[3]。

鑒于此，本研究提出了一種基于深度學(xué)習(xí)與圖像處理的綠色建筑節(jié)能系統(tǒng)。該系統(tǒng)通過(guò)智能圖像傳感器和環(huán)境數(shù)據(jù)采集設(shè)備實(shí)時(shí)監(jiān)測(cè)建筑狀態(tài)，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)采集的數(shù)據(jù)進(jìn)行深度分析，有效提取與能耗相關(guān)的關(guān)鍵特征。通過(guò)對(duì)大量歷史數(shù)據(jù)的學(xué)習(xí)，該系統(tǒng)能夠準(zhǔn)確預(yù)測(cè)建筑的能耗趨勢(shì)，實(shí)時(shí)識(shí)別節(jié)能潛力，為建筑節(jié)能管理提供科學(xué)的決策支持。與此同時(shí)，該研究還通過(guò)引入Dropout技術(shù)優(yōu)化模型的泛化能力，確保預(yù)測(cè)結(jié)果的穩(wěn)定性和準(zhǔn)確性。通過(guò)實(shí)驗(yàn)驗(yàn)證，本系統(tǒng)在提高能耗管理的效率和精確度方面展現(xiàn)了顯著優(yōu)勢(shì)，對(duì)促進(jìn)建筑行業(yè)的可持續(xù)發(fā)展具有重要意義。

二、相關(guān)技術(shù)基礎(chǔ)

（一）深度學(xué)習(xí)技術(shù)

深度學(xué)習(xí)技術(shù)是人工智能領(lǐng)域的一個(gè)重要分支，基于人工神經(jīng)網(wǎng)絡(luò)的深層架構(gòu)，能夠通過(guò)模擬人腦對(duì)數(shù)據(jù)進(jìn)行高層次的抽象和表示[4]。其核心是構(gòu)建多層次的網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)層與層之間的連接傳遞和轉(zhuǎn)化信息。深度學(xué)習(xí)技術(shù)在圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理等多個(gè)領(lǐng)域都取得了突破性的成果。特別是卷積神經(jīng)網(wǎng)絡(luò)，它通過(guò)卷積層對(duì)圖像進(jìn)行特征提取，并通過(guò)池化層減少計(jì)算量，非常適合處理圖像數(shù)據(jù)。此外，為防止過(guò)擬合，Dropout和正則化等技術(shù)也被廣泛應(yīng)用于網(wǎng)絡(luò)的訓(xùn)練過(guò)程中[5]。

（二）圖像處理技術(shù)

圖像處理技術(shù)是處理和分析圖像數(shù)據(jù)以獲取有用信息的一系列技術(shù)，包括圖像的獲取、存儲(chǔ)、預(yù)處理、增強(qiáng)、恢復(fù)、分割、表示和描述等多個(gè)過(guò)程。在綠色建筑節(jié)能系統(tǒng)中，圖像處理技術(shù)主要用于從建筑環(huán)境中獲取圖像數(shù)據(jù)，并通過(guò)一系列算法提取建筑狀態(tài)和環(huán)境特征[6]。常見(jiàn)的圖像處理技術(shù)包括濾波去噪、邊緣檢測(cè)、特征提取、圖像分割等。通過(guò)這些技術(shù)，可以從原始圖像中提取出反映建筑能耗狀態(tài)的關(guān)鍵信息，為后續(xù)的深度學(xué)習(xí)模型分析提供支持。

三、基于深度學(xué)習(xí)與圖像處理的綠色建筑節(jié)能系統(tǒng)

（一）問(wèn)題分析

在探索綠色建筑節(jié)能系統(tǒng)的設(shè)計(jì)與實(shí)施過(guò)程中，深度學(xué)習(xí)和圖像處理技術(shù)的應(yīng)用提供了一種高效且可行的解決方案。這些技術(shù)的引入主要針對(duì)以下幾個(gè)問(wèn)題：

1.復(fù)雜環(huán)境下的數(shù)據(jù)采集與分析

現(xiàn)代建筑環(huán)境復(fù)雜多變，傳統(tǒng)的節(jié)能系統(tǒng)往往難以捕捉和分析這些環(huán)境中的微妙變化。深度學(xué)習(xí)技術(shù)，尤其是卷積神經(jīng)網(wǎng)絡(luò)，在處理復(fù)雜、高維度的數(shù)據(jù)方面表現(xiàn)出色，能夠自動(dòng)提取和學(xué)習(xí)數(shù)據(jù)的深層特征，從而為節(jié)能決策提供更準(zhǔn)確、全面的數(shù)據(jù)支持。

2.實(shí)時(shí)性與動(dòng)態(tài)調(diào)整能力

建筑節(jié)能系統(tǒng)需要能夠?qū)崟r(shí)響應(yīng)環(huán)境變化，并根據(jù)實(shí)際情況動(dòng)態(tài)調(diào)整節(jié)能策略。深度學(xué)習(xí)模型具有出色的預(yù)測(cè)能力，能夠基于歷史和實(shí)時(shí)數(shù)據(jù)預(yù)測(cè)能耗趨勢(shì)，及時(shí)調(diào)整能源分配。此外，圖像處理技術(shù)可以實(shí)時(shí)監(jiān)控建筑內(nèi)外的環(huán)境狀態(tài)，為深度學(xué)習(xí)模型提供實(shí)時(shí)、準(zhǔn)確的數(shù)據(jù)輸入。

3.節(jié)能效果的精確度與可靠性

精確度和可靠性是衡量節(jié)能系統(tǒng)性能的關(guān)鍵指標(biāo)。深度學(xué)習(xí)模型通過(guò)大量的數(shù)據(jù)訓(xùn)練，能夠在復(fù)雜的建筑環(huán)境中進(jìn)行準(zhǔn)確的能耗預(yù)測(cè)和分析。同時(shí)，圖像處理技術(shù)的引入，提高了數(shù)據(jù)采集的精確度，保證了節(jié)能策略的有效實(shí)施。

綜合以上分析，基于深度學(xué)習(xí)與圖像處理的綠色建筑節(jié)能系統(tǒng)能夠?qū)崿F(xiàn)對(duì)復(fù)雜建筑環(huán)境的精準(zhǔn)解讀和動(dòng)態(tài)調(diào)整，提供精確可靠的節(jié)能決策支持。這種系統(tǒng)的設(shè)計(jì)思路充分利用了深度學(xué)習(xí)與圖像處理技術(shù)的優(yōu)勢(shì)，為提高建筑能效、降低能源消耗提供了一種高效的技術(shù)路徑。

（二）系統(tǒng)整體框架

本研究所開(kāi)發(fā)的基于深度學(xué)習(xí)與圖像處理的綠色建筑節(jié)能系統(tǒng)旨在通過(guò)高級(jí)的數(shù)據(jù)分析和智能決策支持，實(shí)現(xiàn)建筑能效的優(yōu)化。該系統(tǒng)采用了模塊化的設(shè)計(jì)思想，主要包括數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊和節(jié)能決策輸出模塊，每個(gè)模塊都承擔(dān)著特定的功能，共同作用以實(shí)現(xiàn)高效節(jié)能的目標(biāo)。

在數(shù)據(jù)采集模塊，系統(tǒng)利用圖像傳感器和環(huán)境傳感器實(shí)時(shí)監(jiān)測(cè)建筑的內(nèi)外環(huán)境，并通過(guò)用戶反饋接口收集用戶的節(jié)能偏好和舒適度要求。這些數(shù)據(jù)為后續(xù)的數(shù)據(jù)處理和分析提供了基礎(chǔ)。數(shù)據(jù)處理模塊是系統(tǒng)的核心。首先，它通過(guò)圖像預(yù)處理和特征提取組件對(duì)采集的圖像數(shù)據(jù)進(jìn)行處理，提取關(guān)鍵的視覺(jué)特征。其次，深度學(xué)習(xí)模型利用這些特征以及環(huán)境數(shù)據(jù)和用戶反饋，學(xué)習(xí)能耗模式并預(yù)測(cè)未來(lái)的能耗趨勢(shì)。最后，節(jié)能決策輸出模塊根據(jù)深度學(xué)習(xí)模型的預(yù)測(cè)結(jié)果，結(jié)合實(shí)時(shí)環(huán)境數(shù)據(jù)和用戶偏好，制定出最優(yōu)的節(jié)能控制策略，并持續(xù)監(jiān)測(cè)系統(tǒng)性能，通過(guò)系統(tǒng)優(yōu)化組件不斷調(diào)整和優(yōu)化策略。系統(tǒng)整體框架如圖1所示。

總體而言，該系統(tǒng)通過(guò)集成圖像處理和深度學(xué)習(xí)技術(shù)，不僅能夠?qū)崿F(xiàn)對(duì)建筑環(huán)境的高精度監(jiān)測(cè)和分析，而且能夠提供動(dòng)態(tài)和個(gè)性化的節(jié)能解決方案，對(duì)于推進(jìn)綠色建筑發(fā)展具有重要的實(shí)際意義和應(yīng)用價(jià)值。

（三）數(shù)據(jù)采集模塊

數(shù)據(jù)采集模塊是基于深度學(xué)習(xí)與圖像處理的綠色建筑節(jié)能系統(tǒng)的基石，它負(fù)責(zé)從圖像傳感器、環(huán)境傳感器和用戶反饋中獲取詳細(xì)的數(shù)據(jù)信息。此模塊涵蓋了幾個(gè)關(guān)鍵的數(shù)學(xué)處理步驟，以確保數(shù)據(jù)的精確和一致性。

首先，從圖像傳感器獲得的彩色圖像數(shù)據(jù)需要轉(zhuǎn)換為灰度圖像，以降低處理數(shù)據(jù)的復(fù)雜度。灰度轉(zhuǎn)換通過(guò)以下公式完成：

（1）

Igray表示轉(zhuǎn)換后的灰度圖像，R、G和B分別是原始圖像中的紅色、綠色和藍(lán)色通道。這種轉(zhuǎn)換利用了不同顏色通道對(duì)亮度的不同貢獻(xiàn)程度，以得到更為合理的灰度表現(xiàn)。

其次，環(huán)境傳感器提供的數(shù)據(jù)通常需要進(jìn)行歸一化處理，以便于不同類型數(shù)據(jù)的綜合分析。歸一化過(guò)程通過(guò)以下公式表示：

（2）

xnorm表示歸一化后的值，x是原始數(shù)據(jù)，xmin和xmax分別是該數(shù)據(jù)類型的最小值和最大值。該步驟確保了數(shù)據(jù)的統(tǒng)一性，使數(shù)據(jù)在不同的比較和分析中具有可比性。

最后，用戶反饋是個(gè)性化節(jié)能策略的重要來(lái)源，這些數(shù)據(jù)通常需要轉(zhuǎn)換為模型可解釋的數(shù)值形式。本系統(tǒng)獨(dú)熱編碼將其進(jìn)行轉(zhuǎn)換，表達(dá)式如下：

（3）

one_hot是獨(dú)熱編碼函數(shù)，將類別標(biāo)簽F轉(zhuǎn)換為二進(jìn)制矩陣Fencoded，為后續(xù)的數(shù)據(jù)處理和分析提供了標(biāo)準(zhǔn)化的輸入。

通過(guò)以上步驟，數(shù)據(jù)采集模塊不僅保證了多源數(shù)據(jù)的精確度和統(tǒng)一性，而且提供了適于深度學(xué)習(xí)模型處理的標(biāo)準(zhǔn)化數(shù)據(jù)，為實(shí)現(xiàn)系統(tǒng)的節(jié)能優(yōu)化目標(biāo)奠定了堅(jiān)實(shí)的基礎(chǔ)。

（四）數(shù)據(jù)處理模塊

數(shù)據(jù)處理模塊是綠色建筑節(jié)能系統(tǒng)的核心，負(fù)責(zé)對(duì)從數(shù)據(jù)采集模塊收集的原始數(shù)據(jù)進(jìn)行精細(xì)加工，以滿足深度學(xué)習(xí)模型的輸入要求。該模塊通過(guò)一系列數(shù)學(xué)運(yùn)算和算法確保數(shù)據(jù)的質(zhì)量和一致性，具體過(guò)程包括圖像預(yù)處理、特征提取和深度學(xué)習(xí)模型優(yōu)化。

首先，在圖像預(yù)處理階段，通過(guò)高斯濾波器對(duì)圖像進(jìn)行平滑處理，以去除噪聲，該過(guò)程可以用以下公式描述：

（4）

G（x，y）是二維高斯函數(shù)，σ是標(biāo)準(zhǔn)差，該函數(shù)用于生成高斯核，以平滑圖像并減少噪點(diǎn)影響。

接著，在特征提取階段，采用Sobel算子計(jì)算圖像的梯度，突出圖像的邊緣信息。Sobel算子的垂直和水平掩模分別表示為 ＼（G_x＼） 和 ＼（G_y＼），其數(shù)學(xué)表達(dá)為：

（5）

A是圖像矩陣，Gx和Gy分別表示圖像在x和y方向上的梯度，用于描繪圖像的結(jié)構(gòu)特征。

最后，在深度學(xué)習(xí)模型優(yōu)化階段，通過(guò)正則化技術(shù)避免過(guò)擬合，確保模型的泛化能力。L2正則化是常用的正則化技術(shù)，其數(shù)學(xué)表達(dá)為：

（6）

Ω（θ）是L2正則化項(xiàng)，θ是模型參數(shù)，n是參數(shù)數(shù)量，L2正則化通過(guò)懲罰大的權(quán)重值減少模型復(fù)雜度。

整個(gè)數(shù)據(jù)處理模塊通過(guò)以上步驟精確地提取和優(yōu)化數(shù)據(jù)，為深度學(xué)習(xí)模型提供了高質(zhì)量的輸入，確保了節(jié)能系統(tǒng)決策的準(zhǔn)確性和可靠性。

（五）節(jié)能決策輸出模塊

節(jié)能決策輸出模塊是基于深度學(xué)習(xí)與圖像處理的綠色建筑節(jié)能系統(tǒng)的終極環(huán)節(jié)，致力于將處理后的數(shù)據(jù)轉(zhuǎn)化為實(shí)際的節(jié)能控制策略。該模塊綜合了能耗預(yù)測(cè)、控制策略制定和系統(tǒng)優(yōu)化三個(gè)關(guān)鍵組成部分，通過(guò)一系列精確的數(shù)學(xué)模型和算法為建筑實(shí)現(xiàn)最優(yōu)的能源使用。

首先，能耗預(yù)測(cè)是通過(guò)深度學(xué)習(xí)模型實(shí)現(xiàn)，模型基于歷史和實(shí)時(shí)數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)的能耗趨勢(shì)。預(yù)測(cè)過(guò)程可用以下回歸模型表示：

（7）

Epred是預(yù)測(cè)的能耗，X是輸入特征，包括環(huán)境數(shù)據(jù)、用戶反饋和圖像特征，f（X；θ）是深度學(xué)習(xí)模型，θ是模型參數(shù)。

控制策略的制定基于預(yù)測(cè)結(jié)果和用戶偏好，旨在實(shí)現(xiàn)能源消耗的最小化，同時(shí)滿足用戶的舒適度要求?？刂撇呗钥梢酝ㄟ^(guò)以下優(yōu)化問(wèn)題來(lái)描述：

（8）

C是控制策略，Cost是能耗成本函數(shù)，Comfort是用戶舒適度函數(shù)，F(xiàn)user是用戶反饋，threshold是舒適度的最低要求。

最后，系統(tǒng)優(yōu)化環(huán)節(jié)負(fù)責(zé)調(diào)整模型參數(shù)和控制策略，以實(shí)現(xiàn)更高效的能源利用。系統(tǒng)優(yōu)化通常采用梯度下降法，更新模型參數(shù)以最小化預(yù)測(cè)誤差：

（9）

θnew和θold分別是更新后和更新前的模型參數(shù)，α是學(xué)習(xí)率，J（θ）是成本函數(shù)J關(guān)于θ的梯度。

節(jié)能決策輸出模塊通過(guò)這些數(shù)學(xué)模型和算法，不僅能預(yù)測(cè)未來(lái)的能耗，還能制定符合用戶需求的節(jié)能策略，并持續(xù)優(yōu)化系統(tǒng)性能，為綠色建筑的節(jié)能管理提供強(qiáng)有力的技術(shù)支持。

四、實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

（一）實(shí)驗(yàn)環(huán)境配置

本次實(shí)驗(yàn)采用了高性能的硬件和最新版本的軟件，以確保深度學(xué)習(xí)模型的有效訓(xùn)練和精確的數(shù)據(jù)分析。在硬件配置方面，選用了配備高速多核處理器的服務(wù)器，具體型號(hào)為Intel Xeon E5系列，以及搭載NVIDIA Tesla GPU的計(jì)算平臺(tái)，以提供強(qiáng)大的并行處理能力。內(nèi)存配置為256GB DDR4，確保數(shù)據(jù)處理的高效性。在軟件配置方面，系統(tǒng)運(yùn)行在Ubuntu 20.04 LTS操作系統(tǒng)上，保證了環(huán)境的穩(wěn)定性和兼容性。深度學(xué)習(xí)模型的訓(xùn)練和測(cè)試是在Python 3.8環(huán)境下進(jìn)行的，依賴的主要庫(kù)包括TensorFlow 2.3、Keras 2.4和OpenCV 4.5，確保了模型的高效訓(xùn)練和圖像處理功能的強(qiáng)大性。此外，為了實(shí)現(xiàn)高效的數(shù)據(jù)存儲(chǔ)和管理，還使用了MySQL 8.0作為數(shù)據(jù)庫(kù)系統(tǒng)。

（二）實(shí)驗(yàn)結(jié)果分析

本研究進(jìn)行了一系列實(shí)驗(yàn)來(lái)評(píng)估基于深度學(xué)習(xí)與圖像處理的綠色建筑節(jié)能系統(tǒng)的性能，并與傳統(tǒng)的節(jié)能系統(tǒng)進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果如表1所示，詳細(xì)記錄了兩種系統(tǒng)在節(jié)能效率、預(yù)測(cè)準(zhǔn)確率和用戶滿意度等關(guān)鍵性能指標(biāo)上的表現(xiàn)。

從表1中結(jié)果可以明顯看出，相較于傳統(tǒng)節(jié)能系統(tǒng)，本研究系統(tǒng)在節(jié)能效率、預(yù)測(cè)準(zhǔn)確率以及用戶滿意度方面都有顯著提升。節(jié)能效率從72.1%提高到89.8%，預(yù)測(cè)準(zhǔn)確率從80.2%提升到95.9%，用戶滿意度也從3.5分提高到4.9分。這些實(shí)驗(yàn)結(jié)果不僅驗(yàn)證了本研究系統(tǒng)的高效性和準(zhǔn)確性，也展示了深度學(xué)習(xí)與圖像處理技術(shù)在綠色建筑節(jié)能領(lǐng)域的巨大潛力。通過(guò)智能化和精準(zhǔn)化的節(jié)能策略，該系統(tǒng)不僅能顯著減少能源消耗，同時(shí)也提高了用戶的體驗(yàn)舒適度，為綠色建筑的發(fā)展和能源的可持續(xù)利用貢獻(xiàn)了重要力量。

五、結(jié)語(yǔ)

本研究成功開(kāi)發(fā)了一套基于深度學(xué)習(xí)與圖像處理的綠色建筑節(jié)能系統(tǒng)。系統(tǒng)通過(guò)集成高效的數(shù)據(jù)采集、精確的數(shù)據(jù)處理模塊和智能的節(jié)能決策輸出模塊，顯著提升了建筑能源管理的準(zhǔn)確性和效率。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)節(jié)能系統(tǒng)相比，本系統(tǒng)在節(jié)能效率、預(yù)測(cè)準(zhǔn)確率和用戶滿意度方面都實(shí)現(xiàn)了顯著提升。該系統(tǒng)的實(shí)施不僅有助于降低能源消耗、促進(jìn)資源可持續(xù)利用，還為提高居住和工作環(huán)境的舒適度提供了技術(shù)保障，展現(xiàn)了深度學(xué)習(xí)和圖像處理技術(shù)在綠色建筑領(lǐng)域的巨大潛力和應(yīng)用價(jià)值。

參考文獻(xiàn)

[1]冷雪，張毅，程國(guó)媛，等.堅(jiān)定走綠色低碳轉(zhuǎn)型發(fā)展之路[N].山西日?qǐng)?bào)，2021-10-26（003）.

[2]楊正磊，李東昌，溫慧，等.綠色建筑節(jié)能措施研究[J].房地產(chǎn)世界，2023（21）：127-129.

[3]李延朋，李炳坤，李欣然，等.建筑節(jié)能與綠色建筑模型系統(tǒng)構(gòu)建思路[J].綠色建造與智能建筑，2023（07）：12-14.

[4]田晨璐.基于深度學(xué)習(xí)方法的建筑用能數(shù)據(jù)分析研究[D].濟(jì)南：山東建筑大學(xué)，2020.

[5]荊俊玲.Dropout正則化梯度學(xué)習(xí)算法的確定型收斂性研究[D].大連：大連海事大學(xué)，2023.

[6]杜愷.淺談PKPM建筑工程軟件系統(tǒng)中BIM技術(shù)的應(yīng)用[J].數(shù)字技術(shù)與應(yīng)用，2015（10）：120-121.

作者單位：河南測(cè)繪職業(yè)學(xué)院

■ 責(zé)任編輯：張津平、尚丹