1.本发明涉及建筑物供暖技术，具体涉及一种建筑适应性供暖方法。
背景技术：2.为了符合国家环保减排政策的要求，同时也为了降低在供暖季节暖气供应集中过程中不必要的浪费，可以选择在供暖装置上装设控制装置来对暖气的供应量进行调节。然而，在实际应用过程中，常常由于人们出门时忘记关闭供暖装置，导致房间内长时间无人使用暖气而产生的浪费的问题，还具有一定的安全隐患。
技术实现要素：3.发明目的：本发明的目的是提供一种供暖效率高、响应快速且能够自适应调节来减少浪费的建筑适应性供暖方法。
4.技术方案：本发明所述的建筑适应性供暖方法，包括以下步骤：
5.(1)采集人员在建筑物中所处位置的图片信息；
6.(2)对图片进行预处理后标记，并将标记过的图片按2:8原则整体划分为测试集与训练集；
7.(3)将训练集输入yolo神经网络进行迭代训练，得到训练模型；将测试集输入训练模型中进行测试，选出测试准确率最优的训练模型作为预测模型；
8.(4)将预测模型放置于服务器上运行，并每隔5分钟将建筑物中监控设备采集的图像、温度采集传感器发送的建筑物内实时温度信息传输至预测模型中，根据得到的预测结果发送调控指令，调节供暖量。
9.在上述方案中，根据对建筑物内是否有人员进行判断后再进行供暖调控，有效提高了供暖效率，节约了能源；采用yolo神经网络模型进行训练，检测快速高效。
10.优选的，在步骤(2)中，预处理的步骤为：
11.(2.1)删除模糊图片以及无法标注的图片，对剩余图片进行图像增强处理；
12.(2.2)遍历所有预处理后的图片，并将每张预处理后图片中的人员由矩形框标出，确定人员位置坐标信息。
13.优选的，在步骤(2.1)中，图像增强处理包括左右翻转、hsl变换。
14.优选的，在步骤(4)中，在预测模型中设定建筑物内的标准温度和最低供暖量，如果判定采集的图像中有人员，则判断温度采集传感器传输的实时温度是否符合标准温度，如果不符合，则发送调控指令，如果没有人员，则预测模型继续进行监测判定，并在预测模型连续12次都没有检测到人员后，发送减小供暖量的指令，直至预设最低供暖量。
15.优选的，服务器后台对预测模型的运行进行同步检查。
16.优选的，预测模型同时将建筑物内的实时温度、设定的标准温度以及调控指令发送至智能终端设备。
17.优选的，建筑物包括居民楼、商场、学校、医院、商业大厦、企业工厂。
18.优选的，在步骤(1)中，首先采用python scrapy搭建网络爬虫，爬取互联网中建筑物内部景象图片，随后再标定人员在建筑物中所处位置。
19.有益效果：本发明与现有技术相比，其具有的优点：本方案通过实时采集图像、温度等方式来判断人员所处建筑物内的供暖情况，从而根据实际情况来调节供暖阀门的开度大小，进而调节了人员所处建筑物内供暖量的大小，有效提高了供暖效率，节约了能源，同时，该方式响应迅速，采用yolo神经网络模型相较于其他神经网络具有检测速度更快的优点。
附图说明
20.图1为本发明的流程示意图。
具体实施方式
21.下面结合附图对本发明的技术方案作进一步说明。
22.如图1所示，所述的建筑适应性供暖方法，包括以下步骤：
23.(1)采集人员在建筑物中所处位置的图片信息，该建筑物包括居民楼、商场、学校、医院、商业大厦、企业工厂等，采集的具体步骤为，首先采用python scrapy搭建网络爬虫，爬取互联网中建筑物内部景象图片，随后标定人员在建筑物中所处位置；
24.(2)对图片进行预处理，该预处理包括删除模糊图片或无法标注的图片，并对剩余图片进行图像增强比如左右翻转、hsl变换等，遍历所有预处理后图片，将每张与处理后图片中的人员由矩形框标出，并确定人员位置坐标信息(x，y，w，h)，其中，x表示横坐标，y表示纵坐标，z表示竖坐标，h表示宽度；
25.对经过标记的图片按2:8原则整体划分为测试集与训练集；
26.(3)将训练集输入yolo神经网络进行迭代训练得到训练模型，将测试集输入训练模型中进行测试，选出测试准确率最优的训练模型作为预测模型；
27.(4)将预测模型放置于服务器上运行，并每隔5分钟将建筑物中监控设备采集的图像、温度采集传感器发送的建筑物内实时温度信息传输至预测模型中，在预测模型中设定建筑物内的标准温度和最低供暖量，如果判定采集的图像中有人员，则判断温度采集传感器传输的实时温度是否符合标准温度，如果不符合，则发送调控指令，如果没有人员，则预测模型继续进行监测判定，并在预测模型连续12次都没有检测到人员后，发送减小供暖量的指令，直至预设最低供暖量，服务器后台对预测模型的运行进行同步检查，预测模型同时将建筑物内的实时温度、设定的标准温度以及调控指令发送至智能终端设备。
28.本方案通过实时采集图像、温度等方式来判断人员所处建筑物内的供暖情况，从而根据实际情况来调节供暖阀门的开度大小，进而调节了人员所处建筑物内供暖量的大小，有效提高了供暖效率，节约了能源，同时，该方式响应迅速，采用yolo神经网络模型相较于其他神经网络具有检测速度更快的优点。
技术特征：1.一种建筑适应性供暖方法，其特征在于，包括以下步骤：(1)采集人员在建筑物中所处位置的图片信息；(2)对图片进行预处理后标记，并将标记过的图片按2:8原则整体划分为测试集与训练集；(3)将训练集输入yolo神经网络进行迭代训练，得到训练模型；将测试集输入训练模型中进行测试，选出测试准确率最优的训练模型作为预测模型；(4)将预测模型放置于服务器上运行，并每隔5分钟将建筑物中监控设备采集的图像、温度采集传感器发送的建筑物内实时温度信息传输至预测模型中，根据得到的预测结果发送调控指令，调节供暖量。2.根据权利要求1所述的建筑适应性供暖方法，其特征在于，在步骤(2)中，预处理的步骤为：(2.1)删除模糊图片以及无法标注的图片，对剩余图片进行图像增强处理；(2.2)遍历所有预处理后的图片，并将每张预处理后图片中的人员由矩形框标出，确定人员位置坐标信息。3.根据权利要求2所述的建筑适应性供暖方法，其特征在于，在步骤(2.1)中，图像增强处理包括左右翻转、hsl变换。4.根据权利要求1所述的建筑适应性供暖方法，其特征在于，在步骤(4)中，在预测模型中设定建筑物内的标准温度和最低供暖量，如果判定采集的图像中有人员，则判断温度采集传感器传输的实时温度是否符合标准温度，如果不符合，则发送调控指令，如果没有人员，则预测模型继续进行监测判定，并在预测模型连续12次都没有检测到人员后，发送减小供暖量的指令，直至预设最低供暖量。5.根据权利要求4所述的建筑适应性供暖方法，其特征在于，服务器后台对预测模型的运行进行同步检查。6.根据权利要求4所述的建筑适应性供暖方法，其特征在于，预测模型同时将建筑物内的实时温度、设定的标准温度以及调控指令发送至智能终端设备。7.根据权利要求1所述的建筑适应性供暖方法，其特征在于，所述建筑物包括居民楼、商场、学校、医院、商业大厦、企业工厂。8.根据权利要求1所述的建筑适应性供暖方法，其特征在于，在步骤(1)中，首先采用python scrapy搭建网络爬虫，爬取互联网中建筑物内部景象图片，随后再标定人员在建筑物中所处位置。
技术总结本发明公开了一种建筑适应性供暖方法，首先对人员在建筑物中位置图片进行采集并分为训练集与测试集，将训练集输入神经网络模型得到训练模型，将测试集对训练模型进行测试得到准确率最高的预测模型，通过实时采集的图片、温度来判断人员所处建筑物内的实际供暖情况，并根据该情况来控制供暖阀门的开度大小，进而自动调节人员所处位置建筑物内供暖量的大小，有效提高了供暖效率，节约了能源，相较其他供暖方法，本方法的响应速度和检测速度都更快。本方法的响应速度和检测速度都更快。本方法的响应速度和检测速度都更快。
技术研发人员：陈星莺 沈俊 徐田园 李振兴 高新强 王浩 余昆 丁一
受保护的技术使用者：河海大学
技术研发日：2022.01.25
技术公布日：2022/7/5
