Разработка системы освещения

Разработка системы освещения

Титульный лист

Содержание

Введение

Научные исследования в области «умного дома» являются очень важной и актуальной темой, направленной на создание сред, которые специально адаптированы для улучшения повседневной жизни людей. Эта концепция включает в себя создание условий, которые обеспечивают независимость и комфорт в повседневной жизни с помощью датчиков и устройств, отслеживающих домашнюю среду и иногда даже активность жильцов. Одной из ключевых функций автоматизации является управление освещением в жилых помещениях с возможностью его настройки в зависимости от текущих потребностей пользователя. Актуальность данной темы связана с высокой стоимостью существующих систем и их ограниченной способностью автоматически адаптироваться к потребностям человека. Именно поэтому концепция контекстно-зависимых алгоритмов, которые могут регулировать параметры управления освещением на основе различных факторов, включая обстановку в помещении, является очень перспективной для дальнейших исследований и разработок.

Объект исследования: интеллектуальная сеть «умного дома».

Предмет исследования: нейронная сеть для управления освещением в жилом помещении на основе датчиков движения и системы мониторинга контроля состояния объекта.

Цель работы – разработка эффективной нейронной сети управления освещением в жилом здании. Для достижения цели исследования необходимо решить следующие задачи:

-проанализировать известные решения дома с интегрированной интеллектуальной системой в сфере управления осветительными параметрами;

-создать модель интеллектуальной сети «умного дома» взяв за основу контекстно-зависимого алгоритма управления;

-осуществить аппаратно-физическую реализацию умной системы управления освещением.

Основные положения, выносимые на защиту.

- разработанная модель интеллектуальной сети «умного дома» для управления освещения;

- усовершенствованные методы управленияосвещением на основе мини компьютера RaspberryPi 3.

Научная новизна исследования.Система, о которой идет речь, представляет собой новаторский подход, который объединяет передовые светочувствительные устройства и искусственный интеллект с целью создания интеллектуальной системы для управления освещением в умных домах. Особенность этой системы заключается в использовании биометрического анализа данных пользователей для оптимизации параметров освещения. Специализированные датчики в данной системе собирают информацию о действиях пользователей в реальном времени и регистрируют соответствующие параметры освещения.

Далее, интеллектуальная система выполняет анализ данных и применяет методы машинного обучения с целью определения оптимальных параметров освещения, наилучшим образом соответствующих конкретному пользователю в данный момент времени.

Интеллектуальная сеть контролирует светотехнические характеристики в зависимости от ситуации (может корректировать направление светового потока, определять необходимую яркость в помещении и регулировать температурный тон в помещении. Все эти показатели непосредственно сказываются на комфорте человека и способствуют развитию данного направления для усовершенствования систем регулирования в жилых помещениях.

Практическая значимость. Разработана и внедрена интеллектуальная нейронная сеть, которая управляет осветительными приборами в жилом помещении. В качестве головного управления выбрана модель Raspberry Pi 3 Model A, которая отвечает всем требованиям для внедрения в «умный дом».

Улучшен метод управления освещением на основе мини компьютераRaspberry Pi 3.

По теме диссертационного исследования были изданы научные статьи и приняты участия в международных конференциях.

Структура и объём работы. Диссертационное исследование состоит из:

- введение;

- три раздела;

- заключение;

- список используемой литературы и используемых источников.

Объем диссертационное исследования составляет восемьдесят страниц, девять таблиц, двадцать три рисунка, и 47 наименований списка использованных источников и литературы.

1 Анализ известных решений дома с интегрированной интеллектуальной системой

1.1 Дом с интегрированной интеллектуальной системой

Модернизация жилых помещения для создания комфортных условий с использованием современных нейронных сетей является перспективным и экономически выгодным подходом. На рынке представлено огромное разнообразие технических решений для оснащения современного жилья. Эти проекты финансируются как государственными структурами, так и частными Start-up-ами. Разделяются они по своему функционалу и в большинстве своем требуют активное участие «usеr», что в свою очередь сильно сказывается на уменьшении автономности данных систем.

В первую очередь дом с интегрированной интеллектуальной системой рассчитан на людей:

- пред пенсионного или пенсионного возраста;

- с ограниченными возможностями (нарушения в опорно-двигательном аппарате или какие-либо другие проблемы с здоровьем);

- инвалидов.

На 2024 год в странах СНГ несколько университетов занимаются разработкой доступного прототипа нейронной сети, которая могла бы быть внедрена в частный дом.

Usеr-ы (пользователи) в своем домашнем быту подвержены определенной структуре действий. Все эти действия они формируют паттерны. Нейронная сеть изучает эти паттерны и в процессе обучения понимает в какой момент времени нужно произвести то или иное действия, основываясь на повторяющихся событиях в течение определенного периода времени. Ведь главная задача дома с интегрированной интеллектуальной системой это улучшить жизнь usеr-а и создать определенный комфорт в его повседневной жизни сняв с него обязанности в определенных вещах по дому.

Для того чтобы нейронная сеть смогла отслеживать паттерны она снабжена системой мониторинга контроля действий usеr-а [31]. Сложность заключается в том, что жильцов в помещении может быть несколько, и каждый из usеr-ов имеет свои уникальные паттерны и интеллектуальная сеть должна четка разделять и структурировать все эти данные, чтобы действительно влиять положительно на обстановку в доме, а не быть обузой для пользователей.

Все эти паттерны собираются в разные группы и нейронная сеть на основе этих данных пытается с прогнозировать дальнейшие действия usеr-ов.

Существует ряд методов для прогнозирования, обучения и контроля данных, которые могут быть использованы в нейронной сети (таблица 1) [4].

Таблица 1 - Методы для прогнозирования, обучения и контроля данных

Как отмечалось раннее самая большая проблема на данный момент связанная с умным домом, это способность нейронной системы различать количество людей в помещении и адаптироваться под все их паттерны. Поэтому одна из главных функций интеллектуальной системы – это гибкость и осведомленность в действиях, в независимости от наличия людей в помещении и их территориального размещения [2].

1.2 Распознавание образов и использование компьютерного зрения

Концепция компьютерного зрения предполагает, что компьютерные технологии смогут анализировать окружающий мир, основываясь на сравнении бесконечного количества изображений. На 2024 год существуют такие технологии, которые могут распознавать оттенки цветов, форму объекта, определять яркость и освещенность в помещении.

Внедрение датчиков позволит системе мониторить действия, выполняемые usеr-ом, и на основе этих действий формировать модель поведения для дальнейшего прогнозирования событий. Интеллектуальная сеть сильно упростит жизнь людей, у которых она будет установлена. Огромное разнообразие функций:

- мониторинг движений пользователя;

- распознавание положений объекта (пользователя) в пространстве;

- распознавание паттернов объекта (Например, хлопок руками для включения или отключения света).

Так же возможно создание сложной системы взаимодействия пользователя и нейронной сети. Создание дополнительных слоев для контроля и управления с помощью голоса или голосовых помощников.

Прогресс не стоит на месте и на 2024 год, рынок забит различными техническими решениями по данной тематике начиная от дешевых вариантов с минимальным функционалом и заканчивая серьезными проектами с финансированием с стороны государственных организаций. Важно подчеркнуть, что эти методы распознавания интегрируются в повседневную жизнь пользователей без нарушения их комфорта [26].

В университете в Осло, целая кафедра занимается исследованием интеллектуальных сетей и внедрением их в повседневную жизнь обычного человека. На данный момент там разработаны такие модели. которые могут отслеживать активности пользователя, сортировать их по группам, собирать статистические данные и на основе этих данных вырабатывать паттерны, которые присущи среднестатистическому человеку в повседневной жизни. Если какое-либо действие выбивается из привычной базы данных, то система мониторинга быстро запоминает его и отправляют в специальную группу. Так же используется специальная широкоформатная камера, которая обеспечивает высокий уровень конфиденциальности, хотя процесс обработки и анализа данных требует значительных энергетических ресурсов [36].

Чтобы понять, как анализ бесконечного количества изображений, видеоматериалов работают на практики, нужно понять на что основан триггер у нейронной сети и на основе каких математических законах, и алгоритмах она работает (таблица 2).

Таблица 2 – Триггеры нейронной сети

Более того, эта инновационная система способна анализировать вкусы пользователя, предлагая рекомендации по фильмам и телепередачам на основе его предыдущих предпочтений [6].

Дома с интегрированными интеллектуальными сетями представляют собой реальные и экономически обоснованные инициативы, направленные на поддержку пожилых граждан, позволяя им дольше оставаться дома, сокращая расходы или повышая уровень комфорта. Тем не менее, проекты умных домов встречаются с определенными трудностями, которые требуется решить.

1.3 Описание объекта автоматизированной системы

Между различными частями дома, наши обыденные комнаты привлекают внимание в плане умного управления. В настоящее время, мы не так сильно заботимся об автоматизации света в маленьких местах, например, в коридорах, на прихожих или в туалетах. Но использование умных устройств позволяет нам активировать свет в ответ на разные события, например, когда мы двигаемся по дому или, когда освещение становится недостаточным. Это значит, что автоматизация света в таких местах может быть выполнена с использованием более дешевых решений, как, например, датчики движения [15].

В жилых комнатах, где мы проводим время, выполняя разные задачи, такие как чтение, работа за столом, просмотр телевизора, физическая активность или просто передвижение по комнате, нам нужно разное освещение, либо для конкретных областей, либо для всей комнаты. Важно отметить, что электроснабжение жилых домов, которое обеспечивает электроэнергией, может быть временно выключено на 24 часа, так как сами по себе жилые дома классифицируются как потребители третьей категории электроэнергии [16].

Существует два вида управления освещением:

- ручное управление (классическое управление с помощью выключателей, или с помощью программного обеспечения подключенного к пульту управления);

- автоматическое (использование сенсоров, датчиков движения, а также умных алгоритмов, которые просчитывают наиболее подходящий момент для включения освещения).

1.4 Управление голосом в доме с интегрированной интеллектуальной системой

В 2023 году рынок еще не был забит различными техническими решениями по данной тематике. В основном все предложения состояли из классического датчика движения в паре с голосовым помощником. Это также дает новые способы управления вашим домом с помощью голосовых команд. Голосовые ассистенты понимают вашу речь и на основе заскриптованных кодов выполняютваши команды [19].

В таблице 3сравниваются программно-аппаратные устройства, которые выполняют функции центра управления дома с интегрированной интеллектуальной системой и имеющих встроенных голосовых помощников от таких компаний, как Amazon, Google, Apple и Microsoft, с учетом их функционала и стоимости.

Таблица 3 - Программно-аппаратные устройства для дома с интегрированной интеллектуальной системой и с функцией голосового помощника

Продолжение таблицы 3

Продолжение таблицы 3

В последние годы умные голосовые помощники, такие как Alexa от Amazon, Siri от Apple, Google Assistant и Cortana от Microsoft, стали важной частью современной технологии. Эти цифровые помощники позволяют пользователям взаимодействовать с устройствами с помощью обработки естественного языка и распознавания голоса. Это обеспечивает удобное и простое управление устройствами без использования рук.

Умные голосовые помощники берут свое начало от ранних систем распознавания речи середины 20 века. Однако значительные успехи были достигнуты только за последние десять лет благодаря развитию искусственного интеллекта (AI) и машинного обучения (ML). Современные голосовые помощники используют сложные алгоритмы и обширные наборы данных для интерпретации и выполнения различных команд пользователей. Они интегрированы в множество устройств, включая смартфоны, умные колонки и системы домашней автоматизации, став повседневной частью нашей жизни.

Помимо базовых функций, таких как установка напоминаний, проверка погоды или воспроизведение музыки, умные голосовые помощники предлагают широкую интеграцию с другими приложениями и сервисами. Они позволяют пользователям управлять умными устройствами для дома, планировать расписание, прокладывать маршруты и даже совершать покупки онлайн. Это стало возможным благодаря интерфейсам прикладного программирования (API), которые позволяют сторонним разработчикам создавать совместимые приложения, значительно расширяя функциональные возможности помощников.

Одним из основных преимуществ умных голосовых помощников является их способность сделать технологии более доступными, особенно для людей с ограниченными возможностями. Голосовые команды упрощают взаимодействие с устройствами для тех, кому сложно пользоваться традиционными методами ввода. Кроме того, эти помощники могут повысить продуктивность, помогая выполнять несколько задач одновременно и предоставляя быстрый доступ к информации.

Однако существуют и значительные проблемы. Одной из главных является конфиденциальность, так как эти устройства часто слушают постоянно, чтобы обнаружить команды активации. Это вызывает опасения по поводу несанкционированного сбора данных и возможных нарушений личной информации. Кроме того, точность распознавания голоса может снижаться из-за акцентов, фонового шума и речевых нарушений, что ограничивает эффективность этих помощников для некоторых пользователей.

В будущем умные голосовые помощники будут продолжать развиваться благодаря дальнейшим достижениям в области AI и ML. Это приведет к более естественным и интуитивным взаимодействиям. Улучшения в контекстной осведомленности и персонализации помогут этим помощникам предоставлять более точные и релевантные ответы. Решение вопросов конфиденциальности и улучшение мер безопасности будут ключевыми для построения и поддержания доверия пользователей.

Умные голосовые помощники, несмотря на их разнообразные функции и возможности, не способны создать автономную систему управления освещением с учетом контекста.

1.5 Статистические данные использования умных колонок в РФ

Согласно данным ТАСС и экспертов, продажи современных интеллектуальных устройств за полный 2023 годсоставил ? 1.500.000 копий. Этот показатель почти вдвое превысил результаты аналогичного периода прошлого года. Рост продаж объясняется не только сезонными праздниками, но и увеличившейся популярностью умных устройств для дома. Следует отметить, что рынок умных колонок в России ожидается вырасти на 40% в 2023 году.

В частности, в группе компаний «М.Видео-Эльдорадо» отмечено, что штучные продажи умных колонок выросли в 2,2 раза. Лидерами по производству таких устройств остаются колонки от «Яндекса», но также усиливают свои позиции колонки от VK и Sber.

Пресс-служба МТС сообщила, что за первые два месяца 2023 года на российском рынке было продано не менее 700 тысяч колонок на общую сумму 5,9 миллиарда рублей. Продажи выросли на 90% как по объему, так и по деньгам, по сравнению с предыдущим годом. Средний чек остался примерно на уровне прошлого года и составил 8,2 тысячи рублей. Колонки от «Яндекса» укрепили свои позиции, заняв 81% рынка умных колонок в России.

В первом квартале 2023 года продажи умных колонок в ретейлере «Ситилинк» увеличились на 25% по сравнению с аналогичным периодом прошлого года. Компания «Яндекс» остается доминирующим игроком на рынке умных колонок, занимая 90% доли. Важно отметить, что средние цены на умные колонки в России увеличились на 15%, что связано с появлением новых, более дорогих моделей. В то же время в 2022 году покупатели предпочитали более доступные модели стоимостью до 10 тысяч рублей.

На платформе Ozon в период с января по март 2023 года был замечен значительный рост продаж умных колонок по сравнению с аналогичным периодом прошлого года. Этот рост составил внушительные четыре раза, как отмечено в официальном сообщении от пресс-службы компании. Кроме того, с начала текущего года ежемесячные штучные продажи на маркетплейсе Ozon увеличиваются на 40-50%.

Важно отметить, что средний чек в категории умных колонок также немного увеличился на 10% и в настоящее время составляет 7 тысяч рублей.

На других платформах тоже отмечается положительная динамика. Например, в розничной сети Мегафон продажи умных колонок в первом квартале 2023 года выросли на 18% по сравнению с аналогичным периодом прошлого года. Эти данные были предоставлены Давидом Борзиловым, директором по продажам компании.

Компания Билайн также сообщила о росте продаж умных колонок за первые три месяца 2023 года. В денежном выражении продажи увеличились на 36%, а в штучном - на 18% по сравнению с прошлым годом. Это было отмечено в пресс-службе компании. Рост среднего чека в розничной сети составил 26%.

Рост продаж умных колонок в первом квартале 2023 года можно объяснить несколькими факторами. Один из них - сезонные праздники, которые всегда способствуют увеличению продаж, так как умные колонки становятся популярными подарками. Кроме того, умные устройства для дома в целом становятся всё более востребованными, и это также оказывает влияние на увеличение спроса на умные колонки.

Представители МТС и Мегафона утверждают, что долгосрочные перспективы также обнадеживают. Они ожидают, что продажи будут расти и в 2023 году в целом. Согласно пресс-службе «Билайна», рынок умных колонок в России может вырасти более чем на 40% по сравнению с предыдущим годом.

Особенно важным источником дохода для производителей умных колонок стали подписки на различные сервисы, предлагаемые в рамках использования этих устройств. Этот фактор также стимулирует продажи умных колонок, так как многие пользователи подключаются к сервисам музыки и другим контентам, предлагаемым в связи с использованием колонки [22].

Важным моментом является ограничение на количество аккаунтов, которые можно подключить к колонке в рамках подписки. Это способствует дополнительной популярности этих устройств. В целом, умные колонки имеют доступную цену, особенно мини-версии, что также способствует их продажам.

1.6 Управление умным домом без голосового ассистента

Управление можно осуществлять помощником без наличия голосового ассистента, по статистическим данным на 2023 год, одна третья пользователей из числа пользователей «умного дома» использует систему без голосового управления[21]. В таблице 4 сравниваются программно-аппаратные устройства, которые выполняют функции центра управления дома с интегрированной интеллектуальной системой и без встроенных голосовых помощников от таких компаний, как Samsung, Xiaomi, Philips с учетом их функционала и стоимости.

Таблица 4 - Программно-аппаратные устройства для дома с интегрированной интеллектуальной системой без наличия функции голосового помощника

Продолжение таблицы 4

В заключение можно отметить, что в умных домах управление устройствами может происходить через голосовые помощники, сайты и приложения. Нет универсального стандарта для связи всех устройств, поэтому производители создают свои собственные системы. Существуют специальные решения с открытым исходным кодом для подключения устройств разных производителей, например, на базе Raspberry Pi. Однако их использование требует технических навыков и времени[44].

1.7 Сопоставление беспроводных методов данных

Различные технологии и беспроводные сети позволяют устройствам обмениваться данными без проводов. В аппаратуре, применяемой для взаимодействия устройств Интернета вещей или передачи информации между ними, используются разнообразные беспроводные технологии [43].

Некоммерческая инженерная ассоциация (IEEE) заинтересована в создании нейронных сетей. Поэтому данная организация создала подгрyппы в количестве 7 штyк для поддержки инженеров из области электроэнергетики и электротехники. Все эти группы специализируются на определенных видах беспроводной сети (таблица 5).

Таблица 5 –Виды беспроводной сети

1.8 Сравнение технологических решений для управления светом в умном доме

Чтобы дистанционно управлять светом, нужно иметь устройства, которые могут получать информацию от датчиков или камеры и затем посылать команды для включения или выключения света. Известны две популярные опции таких устройств: продукты от производителей Software, последняя версия которой является 1.8.19 2021 года и производители британской компании ?Found, последняя версия которой является 2023 года выпуска [41].

Arduino - это небольшие устройства, которые помогают управлять разными вещами. Они стали очень известными, и у нас есть несколько разных моделей Arduino. Рассмотрим их по поподробнее (рисунки 1-3) [42]:

- модель МЕГА, версия три тысячи,

- модель уно(универсальная плата),

- модель микро(компактная модель).

Аппаратное устройство ArduinoMegа 3000 представлено на рисунке 1.

Рисунок 1 – Аппаратное устройство ArduinoMegа 3000

Аппаратное устройство ArduinoUno представлено на рисунке 2. Арпаратное устройство Micro представлено на рисунке 3.

ArduinoMicro - это одна из самых миниатюрных моделей, её размеры составляют всего 1.8 x 4.8 см. В отличие от этого Mega 3000 представляет собой более массивную плату размером приближенно 10 x 5 см. Uno находится где-то посередине между ними по размеру, примерно 5 x 2.5 см. В отношении цен, ArduinoMicro обычно продается в диапазоне от 20?30$, Uno–от 15?25 $, а Mega 3000 стоит ? 50 $.

Рисунок 2 – Аппаратное устройство ArduinoUno

Рисунок 3 – Аппаратное устройство Micro

Модель МЕГА – это одна из самых распространённых моделей у компании Software. Проводники используются базовые USB, исключением является только модель микро, так как там нужен микропортUSB. Порты для входа-выхода у каждой модели разные. Расставим модели в порядке убывания по количеству портов.

- модель Мега (60 портов входа- выхода);

- модель микро (двадцать портов входа – выхода);

- модель уно (15 портов входа – выхода).

Рассмотрим характеристики этих моделей (таблица 6).

Таблица 6 – Характеристики моделей Мега, микро, уно

Как видно из таблицы 6 объем внутреннего хранилища модели Мега в много раз превышает другие модели это означает, что у Mega 3000 есть больше места для хранения переменных во время выполнения программы [14].

Таким образом, выбор платы зависит от конкретных задач пользователя. Если пользователю требуется больше места для кода и переменных, то Mega3000 - отличный выбор. В то время как Uno или Micro подойдут, если задачи пользователя менее ресурсоемкие.Если пользователю нужно управлять несколькими лампами в рамках ограниченного бюджета, то лучше всего выбрать ArduinoUno.

1.8.1 Сравнение Arduino и RaspberryPi 3

ArduinoUnoи RaspberryPi 3 - популярные варианты для решения таких задач связанных с внедрением компьютерных технологий в повседневную жизнь обычного пользователя. Сравним два этих устройства от разных производителей, найдем положительно и отрицательные аспекты [18].

RaspberryPi 3 (рисунок 4) – это аппаратное устройство созданное на базе ЭВМ и представляет из себя портативную версию ЭВМ. Он поддерживает любую операционную систему доступную на техническом рынке (Linux, Windows), но предпочтительным вариантом является Linux. Эта операционная система указана в паспорте на данное техническое решение. Pi 3 снабжен всеми портами необходимыми для подключения к портативному компьютеру, за исключением порта WGA, он заменен на более современный порт HDMI[26].

Рисунок 4 - Аппаратное устройство RaspberryPi 3

Возможно подключение Pi 3 к всемирной паутине через оптоволоконный кабель или через беспроводную сеть Wi-Fi

Модель уно не имеет такой возможности изначально, но её можно добавить с помощью дополнительных плат расширения (Shields) [23].

Shields и HAT (HardwareAttachedonTop) - это дополнительные платы, которые добавляют новые функции к Arduino и RaspberryPiсоответственно. Например, некоторые HAT для RaspberryPiпозволяют подключать сенсорные экраны [30].

Pi 3выигрывает у модели уно и по количествам портативных входов, что делает Pi 3 более комфортным вариантом для компоновки интеллектуальной системы, так как не требует установки дополнительных софтов как в модели уно.

Модель компании Software работает на 1,2 ГГц, в то время как Arduino имеет частоту 16 МГц. Это делает RaspberryPi 3 отличным выбором для задач, таких как воспроизведение видео, просмотр в интернете и использование мультимедийных приложений.

ArduinoUno - это микроконтроллер. Он менее мощный по сравнению с RaspberryPi, но идеально подходит для управления маленькими устройствами, такими как светодиоды, двигатели и некоторые виды датчиков. ArduinoUno работает с одной программой в определенный момент времени [28].

В итоге, выбор между Arduino и RaspberryPi зависит от конкретных задач и требованийпользователя. RaspberryPi 3 - это хороший выбор для мультимедийных приложений и проектов, которые требуют выполнения нескольких задач одновременно. ArduinoUno подходит для более простых проектов и управления небольшими устройствами. Если проект должен обеспечивать доступ в Интернет, иметь возможности для работы с мультимедиа [29].

В итоге RaspberryPi 3 лучший выбор в использовании в системе управления освещением дома с интегрированной интеллектуальной системой.

Вывод по разделу.

Существующие коммерческие системы для умных домов требуют активного взаимодействия от пользователей через различные интерфейсы, такие как голосовые команды, жесты или удаленное управление. Это подчеркивает необходимость дальнейшего развития области домашней автоматизации с учетом контекстной осведомленности и полной автоматизации для обеспечения более удобного и эффективного пользовательского опыта.

Для беспроводных сетей в умных домах основными стандартами являются IEEE 802.15.1 - Bluetooth с низким энергопотреблением и IEEE 802.15.4 - Zigbee. Эти выборы обусловлены их высокой надежностью передачи сигналов и минимальным потреблением энергии, что делает их предпочтительными для использования в среде умных домов.

Выполнено сравнение технологических решений для управления светом в умном доме. Рассмотрены аппаратные устройства Arduino,которые стали очень известными. Выполнен анализ разных моделей Arduino:

- модель МЕГА, версия три тысячи,

- модель уно (универсальная плата),

- модель микро (компактная модель).

Сделан вывод, что выбор платы зависит от конкретных задач пользователя. При большом месте для кода и переменных, то следует выбрать Mega 3000. При менее ресурсоемких задачах целесообразней выбрать модели Uno или Micro. При управлениинесколькими лампами в рамках ограниченного бюджета, то рекомендовано выбрать Arduino Uno.

Важной составляющей создания системы умного дома является устройство Raspberry Pi 3. Оно обладает достаточной функциональностью для настройки и управления умным домом, подключения различных периферийных устройств и создания серверного приложения, что делает его ключевым элементом в реализации умного дома.

2 Разработка модели интеллектуальной сети «умного дома» с контекстно-зависимым алгоритмом управления

2.1 Исследование способов контроля освещением умного дома

Для усовершенствования работы системы освещения с возможностью автоматического включения, выключения, регулирования яркости и цветовой температуры, необходимо определить основные факторы, которые определяют, какое освещение требуется в конкретном помещении. Эти факторы включают в себя тип задач, выполняемых в помещении, и комфортный цвет света, который не только улучшает рабочие процессы, но также воздействует на наше физическое состояние.

В помещениях применяют два основных типа освещения: общее и местное. Общее освещение создает равномерную яркость по всей площади помещения, обеспечивая одинаковую освещенность в каждой его части. В то время как местное освещение ориентировано на конкретные рабочие зоны, что повышает эффективность, но может привести к неравномерности освещения и ухудшению комфорта [27].

В данном исследовании изучается способ управления яркостью общего освещения, который учитывает количество людей в помещении, их местоположение, текущий уровень освещенности и время суток. Это позволяет сэкономить энергию и улучшить общее качество освещения.

В таблице 7 рассматривается способы управления освещением в умном доме.

Таблица 7 – Способы управления освещением

Продолжение таблицы 7

Если пользователь принимает решение применить умную систему освещения, которая не полагается на датчики света, то она должна быть способной учитывать временные интервалы, когда солнце поднимается и заходит (рисунок 5) [7].

Для более наглядного объяснения, путем сравнения информации, полученной от датчика движения, и данных о солнце, включая информацию о времени восхода, заката и продолжительности светового дня, система будет активировать освещение только после заката и только в случае, если датчик присутствия обнаружит движение (рисунок 6).

Рисунок 5 – Статистические данные времени восхода и заката солнца по городу Тольятти за 2023 год

Рисунок 6 – Статистические данные продолжительности светового периода по городу Тольятти за 2023 год

2.2 Стандарты освещения в жилых помещениях

В таблице 8 отражено эталонное значение световой характеристики (освещенности) для различных видов помещений.

Таблица 8 – Значение освещенности в различных видах помещений

Для поддержания правильного уровня освещенности в помещениях имеет значение не только для того, чтобы создать уютную атмосферу, но и для экономии энергии путем избегания излишнего освещения. В данном исследовании анализируются стандарты освещенности, которые рекомендуются для помещений в Российской Федерации (РФ). В РФ, эти стандарты определяются в СанПиН 2.2.1/2.1.1.1278-03 «Гигиенические требования к естественному, искусственному и совмещенному освещению жилых и общественных зданий» (с изменениями на 15 марта 2010 года). Согласно этим стандартам, выбираются целевые значения освещенности.

Для того чтобы сохранить правильное освещение в комнатах, в системе управления светом умного дома следует использовать датчик освещенности. Следовательно, кроме информации о наличие людей в помещении и времени суток интеллектуальная сеть должна учитывать уровень света внутри помещения [13].

2.3 Исследование использования света разной цветовой гаммы

Дневное освещение использует естественное солнечное светлое, которое проникает в помещение через окна или отражается от поверхностей. Это помогает достигать необходимого уровня освещенности внутри помещений и снижать энергопотребление, так как можно отключать искусственное освещение. В отличие от естественного света, искусственное освещение предоставляет стабильный и регулируемый уровень света с помощью механических или дистанционных систем управления.

Качество света определяется двумя ключевыми параметрами: индексом цветопередачи (CRI) и температурным коэффициентом света (CCT). Индекс цветопередачи оценивает точность воспроизведения цветов и выражается числом от 0 до 100. Чем выше CRI, тем точнее передаются цвета, что критически важно в медицинских и художественных сферах. Температурный коэффициент света измеряется в Кельвинах и определяет "теплоту" или "холодность" света: значения до 5000 К обозначают теплый свет, а выше 5000 К - холодный. Этот параметр играет ключевую роль в выборе подходящего освещения для различных видов деятельности, от досуга до рабочей обстановки.

Солнечное излучение влияет на организм человека, особенно на зрение, в зависимости от частотного спектра света. Исследования показывают, что контакт с синим светом (длина волны 550 нм) в течение семи часов улучшает координацию и внимание. В то же время зеленый свет (длина волны 600 нм) в той же продолжительности увеличивает сонливость, что подчеркивает влияние качества света на организм и его уязвимость к коротковолновому излучению.

Доказано, что даже несколько секунд воздействия света различного цвета могут немедленно изменить активность различных частей мозга.

Недостаток дневного света влияет на биологические часы, вызывая задержку в их работе на 30 минут ежедневно. Это может нарушить циркадные ритмы, регулирующие внутренний часовой график, сон, активность организма и выработку гормонов.

Освещение с температурным коэффициентом менее 5000К, особенно вечером, сильно влияет на уровень гормонов, включая мелатонин, который критически важен для сна и общего здоровья.

Гаджеты, такие как смартфоны и планшеты, хотя не являются основными источниками света, могут значительно влиять на организм из-за близкого расположения к глазам и излучения "синего" света, что подавляет выработку мелатонина даже после темноты.

Для повышения бодрствования и продуктивности в утренние и дневные часы рекомендуется использовать холодные лампы (4000 K). После 17:00-19:00 освещение лучше делать более теплым (2700 K), а ночью следует ограничивать использование освещения, особенно холодного света, чтобы минимизировать негативное воздействие на циркадные ритмы и общее здоровье.

Рисунок 7 – Сравнение ламп с различной цветовой температурой

2.4. Анализ существующих методов по мониторингу деятельности пользователей

Система мониторинга контролирует и считывает количество пользователей в помещении и основываясь на этих данных производит действия, которые заложены в ее операционном блоке. Например, один usеr в данный момент читает или работает за столом, то система дает сигнал на главный компьютер. Компьютер принимает решение о повышении или понижении уровня освещенности, основываясь на показаниях измерительных приборов (датчиков) [30].

На 2024 год экономия электрической энергии уже не является передовым фактором при проектировании умных систем. Постепенно на первое место выходит такой параметр как «комфорт и практичность». Британские инженеры разработали лабораторную модель нейросети, которая может предсказывать возможное количество пользователей в каждый период времени начиная от времени 0:00 и заканчивая 24:00 (UTC). Это определенно прорыв в сфере интеллектуальных систем, так как сама температура не может меняться мгновенно и происходит это с течением определенного времени [12].

На рынке до сих пор нет технического решения, которое бы решало проблему внезапного отключения света, даже если пользователь все еще находится в здании. Происходит это из-за того, что все датчики работающие на систему освещения не совершенны и делают свой вывод о том, что надо «отключать свет», основываясь на данных о последнем обнаруженном движении, что не совсем является корректным, так как пользователь может оставаться в здании в неподвижном состоянии, но все еще нуждаться в освещении. Поэтому просто информации о том, где находится человек не всегда достаточно для создания приятной и комфортной обстановки [3].

Система Xi-nеkможет отслеживать в реальном времени количество людей в помещении, но эта разработка находится пока на альфа тестировании и включает в себя большое количество изъянов с технической стороны управления системами освещения и мониторинга.

2.5 Выбор языка программирования для создания интеллектуальной нейросети

Написать код для умной системы освещения возможно на таких языках как

- Пайтон (Python);

-Разметочный язык (AIML);

-C++;

-Логический язык (Prolog);

- Хаскал (Haskall);

-Джава (Java);

-Макросный язык (Lisp)

В таблице 9 рассмотрены характеристики и особенности каждого из языков:

Таблица 9 – Характеристики и особенности языков программирования

Продолжение таблицы 9

Рассмотрев семь языков программирования можно сделать вывод что, каждый из них может послужить базой для создания нейросети, но остановимся мы на языке программирования Python, так для интегрированной системы освещения он является наиболее благоприятным и соответствует всем необходимым требованиям.

2.6 Сравнение моделей машинного обучения

В данном разделе будут кратко рассмотрены десять моделей машинного обучения:

- машинная модель обучения на основе персептронов;

-машинная модель обучения, на основе метода Хопфилда;

-сверточная машинная модель обучения;

- машинная модель обучения с глубокой сетью доверия;

- реккурентная машинная модель обучения;

- машинная модель обучения, на основе управляемого реккурентного блока;

- машинная модель обучения долгой краткосрочной памяти;

- машинная модель обучения, на основе метода Больцмана;

- генеративно-состязательная машинная модель обучения;

- машинная модель обучения на основе автокодировщика.

Персептроны, это прародители нейронных сетей. Их создатель, Фрэнк Розенблатт. Их еще называют нейронными сетями прямой связи, потому что они сразу пересылают информацию от входа к выходу. Чтобы научить персептроны, часто используют метод обратного распространения, где сети показывают пары входных данных и ожидаемых выходов, чтобы они могли научиться. На рисунке 8 проиллюстрирована структура однослойного и многослойного персептрона [24].

Рисунок 8 – Архитектура однослойного и многослойного персептрона

В нейронной сети (персептроне) информация поступает в нейрон, затем обрабатывается и передается на выходной уровень. Ошибки обычно связаны с различиями между входными и выходными данными. Теоретически, если у нас достаточно скрытых нейронов, сеть всегда сможет выучить связь между входом и выходом. Однако на практике их использование ограничено, и персептроны часто комбинируются с другими сетями для создания новых систем.

Тем не менее, у персептронов есть ограничения. Если функции выбираются вручную и их достаточно много, можно достичь многого. Например, при работе с двоичными данными можно создать отдельные функциональные элементы для каждого из множества возможных двоичных входных вариантов. Однако после определения этих функций вручную у персептронов возникают ограничения в их обучаемости.

Периодические сети, состоящие из нелинейных элементов, могут вести себя очень сложно и непредсказуемо. Они могут менять свои состояния, колебаться или двигаться в хаотичные направления, которые мы не можем заранее предсказать. Чтобы решить эту проблему, Джон Хопфилд в 1982 году представил «Нейронную сеть Хопфилда» (рисунок 9).

Рисунок 9 – Архитектура нейронный сети Хопфилда

В этой сети каждый нейрон соединен со всеми другими, создавая сложную систему связей. Это похоже на клубок, где все элементы взаимосвязаны. При обучении сначала устанавливаются начальные значения нейронов, затем сеть обучается, и вычисляются весовые коэффициенты, которые после этого остаются неизменными. После обучения сеть стабилизируется только в изученных состояниях. Сети Хопфилда могут не только хранить информацию, но и обрабатывать данные, поступающие от сенсоров. Входные данные представляются видимыми блоками, а сеть создает интерпретации с помощью скрытых блоков, оценивая качество по энергии. Однако сети Хопфилда имеют свои ограничения. Например, сеть из N элементов может запомнить только 0.15N образцов из-за проблем с энергетической функцией. Если два минимума в этой функции слишком близко, они могут слиться в один, который не соответствует обучающим образцам, что снижает способность сети Хопфилда обрабатывать данные.

Сверточные нейронные сети (CNN) отличаются от многих других типов сетей и, в основном, используются для анализа изображений, но также могут применяться для других видов данных, включая аудиозаписи. Обычно CNN используются, когда нам нужно анализировать изображение и определить его категорию (рисунок 10).

Рисунок 10 – Архитектура сверточной нейронной сети

Главное различие в работе CNN заключается в том, что вместо того чтобы анализировать все данные сразу, CNN используют «сканер» фиксированного размера, который обрабатывает части данных поочередно.

Сканирование изображений выполняется сканером размером 24 на 24 пикселя для изображений 100 на 100 пикселей. Каждая часть изображения обрабатывается поочередно сканером, сканируя пиксель за пикселем. Полученные данные проходят через сверточные слои, которые функционируют иначе, чем обычные слои нейронных сетей. Этот подход значительно экономит вычислительные ресурсы, сохраняя при этом способность сети эффективно анализировать изображения. В сверточных слоях каждый элемент данных взаимодействует только с ближайшими соседями, в отличие от полного взаимодействия с каждым элементом данных.

Также в сверточных слоях часто встречаются слои пулинга, которые уменьшают размерность входных данных, таких как изображения или выходные данные скрытых слоев. Пулинг заключается в выборе определенных частей данных и предположениях о свойствах в выбранных участках.

Обратное распространение, или глубокая сеть доверия, является распространенным методом в искусственных нейронных сетях для оценки влияния каждого нейрона на ошибки после прохождения данных через сеть. Однако этот метод имеет два основных недостатка: требуется большое количество размеченных данных для обучения, что ограничивает его применимость из-за нехватки меток, и медленная скорость работы в сложных системах из-за дополнительных структур и слоев, что замедляет процесс обучения (рисyнок 11).

Рисунок 11 – Архитектура глубокой сети доверия

Они используют методы настройки весов с целью увеличения вероятности создания сенсорных данных для преодоления этих ограничений. Сеть доверия решает задачи контроля состояния переменных, которые не отслеживаются, и самостоятельного сбора и обучения материалу.

Рекуррентные нейронные сети (RNN) используются для работы с последовательными данными, например, с последовательностью изменений в акустическом давлении, которые могут быть преобразованы в последовательность слов. В случае отсутствия целевой последовательности можно создать обучающие сигналы, предсказывая следующий элемент входной последовательности, сдвинутый на один шаг вперед.

Рисунок 12 – Архитектура рекуррентной нейронной сети

Обычно, когда нам нужно предсказать, что будет следующим в последовательности данных, мы используем модели, которые не сохраняют информацию о предыдущих элементах. Эти модели просто рассматривают некоторое фиксированное количество предыдущих элементов и стараются сделать прогноз. Например, у авторегрессионных моделей есть способность делать предсказания, исходя из предыдущих элементов, и нейронные сети прямой связи, которые более общие, используют нелинейные функции для анализа этих предыдущих элементов [45].

Однако есть интересный метод улучшения таких моделей. Присвоить модели некое «памятное» состояние и разрешить этой памяти изменяться по мере времени. Это позволяет создавать более сложные и интересные модели, которые способны сохранять информацию в своем скрытом состоянии в течение длительного времени. Но такие скрытые состояния могут быть зашумленными, и способ, каким они воздействуют на выходные данные, тоже может быть зашумленным[38]. Поэтому точно знать, каким именно является это скрытое состояние не представляется возможным.

Таким образом первостепенной задачей становится определение скрытых состояний вероятностной модели.

Также yRNNсуществует ряд проблем с информационными сигналами. Когда сигнал передается через системy, то RNN считывает вес этого сигнала, и если вес сигнала приближается к нулевому значению, то система может неправильно распознать запрос и выдать некорректный ответ, такое же явление характерно и в обратную сторону, когда вес информационного сигнала превышает вес предыдущих сообщений. Поэтому для системы RNN необходимы строго определенные веса сообщений.

Система RNN значительно упрощает работу в сфере прогнозирования и моделирования ситуаций.

Вентилируемая рекуррентная единица (GRU) — это упрощенная версия сети долгосрочной краткосрочной памяти (LSTM). GRU использует входные данные и предыдущее состояние для расчета текущего состояния, которое затем используется на следующем этапе вместе с новыми входными данными. Основное отличие GRU от LSTM заключается в отсутствии сложного механизма передачи информации в GRU. Вместо этого на каждом этапе ГРУ либо сохраняет предыдущую информацию, либо обновляет ее новыми данными.

Как и LSTM, GRU предназначен для решения проблемы исчезновения градиента, часто встречающейся в традиционных рекуррентных нейронных сетях (RNN). Однако, в отличие от LSTM, GRU имеет более простую архитектуру, что делает его более эффективным в вычислительном отношении. В частности, GRU объединяет механизмы забывания и обновления в один блок, что упрощает процессы обучения и прогнозирования.

К основным компонентам ГРУ относятся шлюзы обновления и сброса, которые контролируют поток информации. Вентиль обновления определяет, какая часть предыдущего состояния должна быть сохранена и перенесена вперед, а вентиль сброса решает, какая часть нового входа должна использоваться для обновления текущего состояния. Таким образом, GRU имеет возможность выборочно сохранять и обновлять информацию, позволяя модели эффективно учиться на длинных последовательностях данных.

Благодаря упрощенной структуре GRU часто оказывается предпочтительнее LSTM в задачах, требующих высокой скорости вычислений и меньшего потребления памяти без существенной потери точности (рисyнок 13).

Рисунок 13 – Сравнение архитектур RNN, LSTM, GRU

Машина Больцмана — это тип стохастической рекуррентной нейронной сети, которая имеет сходство с сетями Хопфилда, но включает несколько ключевых модификаций (рисунок 14). Эта модель в основном используется для генерации случайных данных и разработки внутреннего представления информации в нейронных сетях.

Рисунок 14 – Архитектура нейронной сети Больцмана

Машина Больцмана характеризуется симметричными связями и использованием стохастических двоичных единиц. Каждый модуль в сети работает в соответствии с вероятностной функцией активации, обычно логистической сигмоидой, которая определяет вероятность того, что модуль является активным (т. е. имеет значение 1) на основе состояний других блоков и их соответствующих весов соединений.

Одной из отличительных особенностей машины Больцмана является ее алгоритм обучения, который включает в себя настройку весов связей для минимизации энергетической функции системы. Функция энергии, определенная аналогично функции в статистической механике, является мерой состояния сети, где более низкая энергия соответствует более вероятным состояниям. Процесс обучения направлен на поиск набора весов, которые заставят желаемые паттерны соответствовать состояниям с низкой энергией.

Обучение машины Больцмана обычно осуществляется с помощью метода, известного как выборка Гиббса, метода Монте-Карло с цепью Маркова (MCMC). Во время выборки Гиббса единицы обновляются итеративно на основе условной вероятности их состояний с учетом состояний других единиц. Этот процесс позволяет сети исследовать свое пространство состояний и корректировать свои веса для лучшего представления обучающих данных.

По сравнению с сетями Хопфилда, машины Больцмана вводят стохастичность и используют подход глобальной оптимизации, который помогает избежать локальных минимумов и добиться лучшего обобщения. Кроме того, машины Больцмана могут быть полностью или частично подключены, причем последние часто называют ограниченными машинами Больцмана (RBM). RBM ограничивают связи между модулями, образуя двудольный граф, состоящий из видимых и скрытых слоев, что упрощает процесс обучения и повышает эффективность вычислений.

Приложения машин Больцмана разнообразны: от генерации данных и уменьшения размерности до задач обучения и оптимизации функций. Их способность моделировать сложные распределения вероятностей и обнаруживать скрытые структуры в данных делает их мощным инструментом в различных областях машинного обучения и искусственного интеллекта.

Ян Гудфеллоу представил новый класс нейронных сетей, известный как генеративно-состязательные сети (GAN), в которых две отдельные модели, генератор и дискриминатор, обучаются одновременно в конкурентной среде. Основная цель модели дискриминатора — выяснить, является ли данное изображение реальным (т. е. принадлежит ли оно набору обучающих данных) или создано искусственно. И наоборот, генератор стремится создавать изображения, визуально неотличимые от реальных данных.

Динамическое взаимодействие между этими двумя моделями можно представить как игру с нулевой суммой, в которой участвуют два игрока: генератор и дискриминатор. Цель генератора — обмануть дискриминатор, генерируя изображения, максимально точно имитирующие подлинные данные. Дискриминатор, с другой стороны, стремится точно определить, какие изображения являются подлинными, а какие — сгенерированными.

На протяжении всего процесса обучения обе модели постоянно совершенствуются. Генератор улучшает его способность создавать высококачественные реалистичные изображения, а дискриминатор повышает его способность обнаруживать тонкие различия между реальными и синтетическими изображениями. Этот состязательный процесс обучения приводит к постепенному улучшению обеих моделей, кульминацией которого является создание синтетических изображений, которые практически неотличимы от реальных изображений (рисунок 15).

Рисунок 15 – (GAN) Архитектура генеративно состязательной сети

Итеративный процесс обучения включает в себя поочередное обновление генератора и дискриминатора. Первоначально дискриминатор обучается точно различать реальные и сгенерированные изображения. Впоследствии генератор обучается создавать изображения, которые становятся все более реалистичными, тем самым бросая вызов способности дискриминатора отличать их от реальных изображений. Этот состязательный цикл продолжается до тех пор, пока не будет достигнуто равновесие Нэша, когда генератор создает изображения, которые дискриминатор не может надежно классифицировать как настоящие или поддельные.

Появление GAN оказало глубокое влияние на область машинного обучения и компьютерного зрения, позволив добиться значительных успехов в синтезе изображений, увеличении данных и обучении без учителя. Эта платформа была распространена на различные приложения, включая перевод изображений в изображения, сверхвысокое разрешение и синтез текста в изображения, продемонстрировав свою универсальность и эффективность в создании высокоточных данных в различных областях.

Автоэнкодеры — это специализированный класс нейронных сетей, предназначенный для обучения без учителя, который особенно полезен при работе с неразмеченными или разреженными данными. Основная цель автокодировщика — кодировать входные данные в компактное представление меньшей размерности и впоследствии восстанавливать исходные данные из этого представления с помощью процесса декодирования.

Автокодировщики позволяют эффективно сжимать и восстанавливать данные, особенно многомерные и структурированные, такие как изображения и аудио. К примеру, 100-мерный вектор слова можно уменьшить до 10-мерного с помощью метода PCA, сохраняя основную информацию. Автокодировщик также сжимает 100-мерный вектор до меньшего скрытого представления и восстанавливает его с минимальными потерями.

Автокодировщики применяются не только для уменьшения размерности. Существуют их различные виды, такие как сверточные автоэнкодеры (CAE) и вариационные автоэнкодеры (VAE). CAE эффективны для обработки изображений, используя сверточные слои для захвата пространственных иерархий. VAE, напротив, включают вероятностные элементы в процесс кодирования, что позволяет генерировать новые образцы данных на основе изученного распределения скрытого пространства.

Автокодировщики являются мощными инструментами в обучении без учителя. Они обеспечивают эффективное представление данных, извлечение признаков и генеративное моделирование. Способность выявлять скрытые структуры данных делает их незаменимыми для широкого спектра приложений в машинном обучении и науке о данных.

Для задачи подсчета людей в ограниченном пространстве выбрали сверточную нейронную сеть (CNN). CNN отлично подходят для сканирования и анализа визуальных данных благодаря своей архитектуре. Сверточные слои применяют фильтры к изображениям, выявляя различные особенности, такие как края, текстуры и узоры. Эти слои постепенно захватывают более высокие уровни абстракции, позволяя модели распознавать сложные структуры и связи в данных.

2.7 Разработка нейронной сети для управления системой освещения

Чтобы решить эти проблемы, мы разрабатываем инновационную интеллектуальную систему распознавания поз человека, используя достижения в области глубокого обучения и компьютерного зрения. Примечательно, что эта система разработана для эффективной работы с использованием только одной статической камеры, что делает ее экономически эффективной и доступной для широкого развертывания.

Архитектура системы основана на современных моделях нейронных сетей, в частности на сверточных нейронных сетях (CNN) и рекуррентных нейронных сетях (RNN), которые способны фиксировать пространственные и временные характеристики соответственно. Компонент CNN отвечает за извлечение пространственных характеристик высокого уровня из отдельных видеокадров, точное определение ключевых точек и частей тела. Эти функции затем передаются в RNN, которая моделирует временные зависимости и динамику движений человека, позволяя системе поддерживать непрерывность и согласованность между кадрами.

Структура работы алгоритма представлена на рисунке 16.

Рисунок 16 – Принцип работы алгоритма

Ключевые технические элементы системы включают в себя:

- алгоритмы оценки позы. Передовые методы оценки позы, такие как OpenPose и PoseNet, составляют основу системы, обеспечивая точное обнаружение ключевых точек и картографирование скелета;

- временное сглаживание. Для решения временного аспекта видеоданных используются такие методы, как сети долгосрочной краткосрочной памяти (LSTM) или временные сверточные сети (TCN), чтобы обеспечить плавное и последовательное отслеживание позы с течением времени;

-увеличение и регуляризация данных. Для повышения надежности и обобщения модели применяются обширные методы увеличения данных, включая изменения в освещении, ориентации и окклюзии. Также интегрированы методы регуляризации, такие как отсев и пакетная нормализация, чтобы предотвратить переобучение;

- обработка в реальном времени: система оптимизирована для обработки в реальном времени, гарантируя, что распознавание и анализ поз могут выполняться с минимальной задержкой, что имеет решающее значение для таких приложений, как интерактивные системы и наблюдение в реальном времени.

Последствия этой системы далеко идущие. В здравоохранении он может облегчить удаленный мониторинг пациентов и физиотерапию, точно оценивая движения и позы пациентов. В области защиты окружающей среды он может помочь в мониторинге деятельности человека на охраняемых территориях для предотвращения незаконной деятельности. Расширенное взаимодействие человека и компьютера может быть достигнуто за счет более интуитивно понятных и естественных интерфейсов, реагирующих на жесты и движения пользователя. Кроме того, в сфере видеонаблюдения система может повысить безопасность, обнаруживая подозрительное поведение и действия на основе анализа поз и движений.

Разработка этой интеллектуальной системы распознавания позы человека представляет собой значительный прогресс в области компьютерного зрения, предоставляя универсальный и мощный инструмент для различных приложений. Способность точно распознавать позы с помощью одной статической камеры подчеркивает потенциал системы для широкого применения и преобразующего воздействия в различных областях.

Мы используем инфракрасный (ИК) датчик движения для обнаружения движения в помещении, обеспечивая функциональность нашей системы даже в ночное время, когда условия освещения недостаточны для обычных камер. Способность ИК-датчика обнаруживать движение посредством инфракрасного излучения делает его важным компонентом для непрерывной работы в условиях низкой освещенности.

Чтобы повысить универсальность системы, мы также рассматриваем возможность интеграции камеры IR-RGB. Это устройство с двойной функцией может захватывать как инфракрасное излучение, так и стандартное изображение RGB, выполняя тем самым двойную функцию: в качестве датчика движения и в качестве обычной камеры. Способность камеры IR-RGB работать в различных условиях освещения делает ее ценным дополнением к нашей инфраструктуре обнаружения движения.

В ночное время система автономно регулирует уровень освещенности до 20 люкс в соответствии со стандартными требованиями к освещенности коридоров и лестничных клеток. Такой уровень освещенности обеспечивает безопасное передвижение жильцов и снижает дискомфорт, вызванный чрезмерно ярким светом. Настройка 20 люкс обеспечивает баланс между видимостью и комфортом, обеспечивая безопасное передвижение, не создавая ненужных помех.

Чтобы предотвратить частые и ненужные изменения яркости после достижения желаемого уровня освещенности, мы реализовали задержки времени 0,5, 1 и 2 минуты. Эти задержки гарантируют, что система не будет реагировать на каждое незначительное движение, особенно в ночное время, тем самым снижая вероятность постоянной регулировки освещения. Кроме того, система включает в себя 30-секундный таймер для дополнительного управления освещением, обеспечивая более стабильную и постоянную освещенность.

Таким образом, использование нами инфракрасных датчиков движения и потенциальная интеграция камер IR-RGB повышают надежность и функциональность нашей системы в различных условиях освещения. Стратегическая регулировка уровней освещенности и реализация временных задержек оптимизируют безопасность и комфорт жителей, обеспечивая бесперебойную и эффективную систему обнаружения движения.

Выводы по разделу 2.

Уровни различных цветовых температур, подходящие для жилых помещений, были тщательно определены и выбраны для оптимизации комфорта и функциональности. Были проведены обширные исследования моделей машинного обучения, которые привели к выбору сверточной нейронной сети (CNN). Аналитические результаты показывают, что CNN очень эффективны при сканировании и анализе количества людей в ограниченном пространстве, что делает их оптимальным выбором для этого приложения.

Была разработана интеллектуальная сеть для управления освещением с использованием передовых методов обнаружения людей и модели сверточных поз одного человека (CPM). Модель CPM расширяет возможности системы точно идентифицировать и отслеживать положение людей в среде умного дома, способствуя более точному и оперативному управлению системой освещения.

Алгоритм управления освещением, разработанный для сверточной искусственной нейронной сети (ИНС), использует возможность обнаружения людей. Он динамически регулирует освещение в зависимости от положения пользователя, гарантируя, что освещение будет адаптировано к конкретным потребностям и деятельности пассажиров. Алгоритм обрабатывает данные в режиме реального времени для определения оптимальных настроек освещения, таких как интенсивность и цветовая температура, тем самым улучшая качество жизни в умном доме.

К ключевым особенностям разработанной интеллектуальной системы управления освещением относятся:

- адаптивная регулировка цветовой температуры (система выбирает подходящие цветовые температуры в зависимости от времени суток и активности пользователя, создавая естественную и комфортную среду обитания. Более теплые тона можно выбрать для вечернего отдыха, а более холодные — для дневных занятий);

- обнаружение людей в режиме реального времени(используя модели CNN и CPM, система постоянно отслеживает присутствие и перемещение людей. Это обнаружение в режиме реального времени гарантирует, что освещение быстро адаптируется к текущему местоположению и деятельности пассажиров);

- энергоэффективность (точно контролируя освещение в зависимости от занятости и активности, система снижает ненужное потребление энергии, способствуя общей энергоэффективности и экономии затрат);

- пользовательско-ориентированная настройка (алгоритм предназначен для изучения предпочтений и поведения пользователей с течением времени, что позволяет создавать все более персонализированные настройки освещения. Такая способность к обучению гарантирует, что система будет развиваться и лучше удовлетворять уникальные потребности каждого домохозяйства);

- бесшовная интеграция (интеллектуальная сеть управления освещением предназначена для плавной интеграции с другими системами умного дома, такими как системы климат-контроля и безопасности, обеспечивая целостный и комплексный опыт умного дома).

3 Аппаратно-физическая реализация управления освещением в доме с интегрированной интеллектуальной системой

3.1 Комплектация ИНС

Комплектация системы управления освещением в доме с интегрированной интеллектуальной системой состо из:

- машина ЭВМ (компьютер);

- электрический датчик контроля Е (освещенности);

- камера видео фиксации;

- Датчик движения (сенсор);

- жесткий диск (или мини серверная для хранения ифнормации);

- Аппаратное устройство для передачи данных с функцией Wi-Fi.

В качестве машины ЭВМ была выбрана модель RaspberryPi3 ModelA (Рисунок 17).

Рисунок 17 – Внешний вид RaspberryPi3 ModelA

RaspberryPi 3 Model A - это небольшой компьютер, который был разработан RaspberryPiFoundation. Он имеет компактные размеры, но обладает широкими функциональными возможностями. Характеристики RaspberryPi 3 Model A:

- процессор. Внутри этого компьютера находится мощный 64-битный четырёхядерный процессор ARM Cortex-A53, работающий на частоте 1,2 ГГц;

- память. Его оперативная память составляет 512 МБ (RAM);

- беспроводная связь.RaspberryPi 3 Model A поддерживает встроенные модули Wi-Fi и Bluetooth, что позволяет подключаться к Интернету и другим устройствам без проводов;

- порты. Устройство оснащено разнообразными разъемами, включая USB для подключения внешних устройств, HDMI для подключения к телевизорам, а также Ethernet и GPIO для разнообразных периферийных устройств;

- компактность.RaspberryPi 3 Model A обладает небольшими размерами, что делает его идеальным для встраивания в различные устройства и проекты;

- эффективность. Этот компьютер спроектирован с учетом экономии энергии и не потребляет большое количество электроэнергии;

- ОС и программное обеспечение. Он поддерживает различные операционные системы, такие как Raspbian, и часто используется для создания собственных компьютеров, медиа-центров и автоматизации разных систем.

RaspberryPi 3 Model A стал популярным среди людей, занимающихся DIY-проектами, которым нужен недорогой и компактный компьютер для своих задач.Цена на Raspberry Pi 3 Model A в рублях может меняться в зависимости от того, какая комплектация вам нужна. Этот мини-компьютер стоит примерно от 2,500 ?4,500 рублей.

Электрический датчик контроля Е (освещенности), работающий на основе ArduinoUno(Рисунок 2), представляет собой устройство, которое использует ArduinoUno для измерения уровня освещенности в окружающей среде. Его распространенное применение заключается в участии в разнообразных проектах, где он автоматически регулирует уровень освещения в зависимости от уровня света. Этот датчик обычно включает в себя фоторезистор или другие светочувствительные компоненты, которые меняют свои свойства в зависимости от уровня освещенности. ArduinoUnoRev 3, в свою очередь, используется для сбора данных от датчика и управления освещением в соответствии с предварительно заданными настройками.

В качестве камеры для видео фиксации выбираем RaspberryPiCameraModule (V3) (Рисунок 18).

Рисунок 18 – ВнешнийвидRaspberryPiCameraModule (V3)

ХарактеристикиRaspberryPiCameraModule (V3):

- качество изображения. Разрешение - 8 мегапикселей (3280 x 2464 пикселей), что позволяет получать детализированные снимки;

-запись видео. Камера записывает видео в нескольких режимах, включая FullHD (1920 x 1080), HD (1280 x 720), VGA (640 x 480) и другие, а также снимает до 30 кадров в секунду при разрешении 1080p;

- сенсор изображения. Для захвата изображений камера использует сенсор Sony IMX219, который был дополнен оптическими линзами для улучшения качества снимков;

- подключение к RaspberryPi. Камера подключается к RaspberryPi с помощью специального CSI-порта (CameraSerialInterface), что обеспечивало надежную связь между ними;

- компактность и удобство. С ее компактными размерами легко интегрировать ее в проекты;

-режим фотосъемки. Камера поддерживает разнообразные режимы фотосъемки, включая возможность съемки в формате RAW для обработки изображений в последствии;

- программное управление. Управление с мини-компьютера RaspberryPi 3 , на языке программирования Python и других поддерживаемых языках;

-инфракрасная поддержка.Можно использовать в условиях недостаточной освещенности, подключив инфракрасные светодиоды (IR LED) для съемки в темноте.

Цена камеры RaspberryPiCameraModule (V3) в рублях может меняться в зависимости от того, какая комплектация камеры предлагается. Обычно, такая камера стоит примерно от 1,500 ? 3,000 рублей.

В качестве датчика движения (сенсор) выбираем HC-SR501 PIR (рисунок 19).

Рисунок 19 - Внешний вид датчика движения HC-SR501 PIR

Характеристики датчика движения HC-SR501 PIR:

- тип датчика. Этот датчик использует технологию пироэлектрического инфракрасного датчика движения (PIR);

- питание. Датчик работает в диапазоне напряжения 5 В;

- режим работы. Он активируется при обнаружении движения в своей зоне видимости и может служить для автоматического включения или выключения различных устройств, таких как светильники;

-угол обзора. HC-SR501 обладает широким углом обзора, который обычно составляет около 110 градусов;

- дистанция обнаружения. Датчик способен обнаруживать движение на расстоянии нескольких метров, однако это расстояние может варьироваться в зависимости от версии датчика;

- регулировка чувствительности. Этот датчик оснащен возможностью регулировки чувствительности, что позволяет пользователю настраивать его для работы в различных условиях окружающей среды;

- задержка времени. После обнаружения движения датчик может устанавливать задержку времени перед автоматическим выключением, что предоставляет возможность определить, как долго поддерживать включенным освещение или другие устройства;

- регулировка освещенности. Некоторые модификации этого датчика могут иметь функцию регулировки порога освещенности, что позволяет пользователю настраивать его работу в зависимости от уровня окружающего света.

Цена камердатчика движения HC-SR501 PIR в рублях может меняться в зависимости от того, какая комплектация камеры предлагается. Обычно, такой датчик движения стоит примерно от 100 ? 300 рублей.

Для освещения дома с интегрированной ИС были выбраны светильники с двумя комплектами светодиодных ламп. Один набор имеет холодное белое свечение, а другой - теплое. В каждом комплекте по 6 ламп, и мы можем регулировать их яркость. Мощность каждой лампы составляет Р = 10 Вт. Напряжение (U) = 230 В. Цена каждой лампы 350 рублей.

В качестве датчика освещения была выбрана модель 2112 фотодатчика типа «К» (Рисунок 20) для автоматического управления освещением в помещениях. Например, он может регулировать яркость и включение/выключение света в зависимости от текущего уровня освещенности. Например, датчик может включать свет, если уровень освещенности упадет ниже определенного уровня, и выключать его, когда достигнута необходимая яркость. Преимущества данного датчика:

- энергосбережение. Этот датчик может использоваться для экономии энергии путем автоматического выключения света, когда его использование становится неактуальным, таким образом, предотвращая излишние расходы электроэнергии;

- системы безопасности. Датчики освещенности могут быть интегрированы в системы безопасности для обнаружения движения в темное время суток;

- Автоматизация умного дома. К2112 может быть частью системы умного дома и использоваться для автоматизации управления освещением, занавесками и другими устройствами в зависимости от уровня освещенности и потребностей пользователей.

Рисунок 20 – Внешний вид фотодатчика К2112

Характеристики фотодатчика К2112.

-принцип работы. К2111 является фотодиодным датчиком, который измеряет количество света, падающего на его поверхность;

- диапазон измерения. Этот датчик способен измерять интенсивность света в определенном диапазоне значений, и этот диапазон может варьироваться в зависимости от конкретной модели;

- выходной сигнал. В зависимости от модели К2111 может предоставлять аналоговый сигнал, такой как изменение напряжения или тока, связанное с интенсивностью света, либо цифровой сигнал, который выдает информацию об уровне освещенности в цифровом виде;

- чувствительность.Оснащен регулировкой чувствительности, что позволяет настраивать его для работы в различных условиях освещенности.

Цена фотодатчика К2112 находится в пределах 100 рублей.

Один из востребованных умных диммеров для управления освещением в сфере умных домов - это LutronCasetaWirelessSmartDimmer (рисунок 21).

Ключевые особенности этого устройства представлены в таблице 10:

Таблица 10 – Ключевые особенности

Рисунок 21 – Внешнийвид Lutron Caseta Wireless Smart Dimmer

Ценадиммера LutronCasetaWirelessSmartDimmer в рублях может меняться в зависимости от того, какая комплектация камеры предлагается. Обычно, цена варьируется от 4000 ? 10000 рублей.

Общая стоимость оборудования для нашего проекта составила 18250 рублей (Если брать за основу максимальную цену из предложенного диапазона цен на оборудование). Если сравнивать его с похожей готовой системой, марки TP-LinkKasa которая стоит ?10000 рублей за пару ламп с изменяемой цветовой температурой от 1500 до 3000 К и световым потоком 500 лм, то к этой системе также нужно добавить TP-LinkKasamoduleEngine стоимость в размере 15000 рублей. Функционал системы TP-LinkKasa имеет управление светом с помощью голосовых команд или мобильного приложения. Таким образом, общая стоимость системы TP-LinkKasaсоставляет ?25000 рублей. Наши начальные затраты на оборудование для нашей интеллектуальной системы управления освещением оказались на 27% дешевле, чем у конкурента TP-LinkKasa, при этом сохраняя большую часть функциональности.

3.2 Реализация интегрированной системы освещения

Беспроводные системы умного дома — это простой способ сделать ваш дом более умным, и вам не нужно проводить сложные работы по замене проводки или внесению изменений в строительство.

Если проект yже включает готовый дом без интегрированной системы, то в этом случае, необходимо использовать доступные приложения с открытым входным кодом. Они предоставляют простые способы автоматизации для вашего дома, и у них есть активное сообщество пользователей, которые делятся опытом и предлагают улучшения, что делает их доступными и всегда обновляемыми.Используя проекты с открытым исходным кодом и разрабатывая свои собственные модули для автоматизации, вы имеете возможность настраивать систему в соответствии с вашими потребностями и предпочтениями. Это не только позволяет вам точно подстроить систему под свои требования, но и экономить деньги в сравнении с использованием коммерческих продуктов. Важно отметить, что у вас есть возможность управлять вашим умным домом не только изнутри его стен, но и удаленно из любой точки мира, где доступен интернет. Удаленное управление системой можно осуществлять с использованием мобильных технологий, таких как GSM, или через интернет (рисунок 22).

Рисунок 22 – Схема работы системы управления освещением в умном доме

Используя проекты с открытым исходным кодом и разрабатывая свои собственные модули для автоматизации, пользователь имеет возможность настраивать систему в соответствии с вашими потребностями и предпочтениями. Это не только позволяет пользователю точно подстроить систему под свои требования, но и экономить деньги в сравнении с использованием коммерческих продуктов. Важно отметить, что у пользователя есть возможность управлять умным домом не только изнутри его стен, но и удаленно из любой точки мира, где доступен интернет. Удаленное управление системой можно осуществлять с использованием мобильных технологий, таких как GSM, или через интернет.

Исходя из вышеперечисленных требований, мы разработали систему умного управления освещением. Все данные, связанные с умным домом и базой данных, хранятся на сервере. В эту систему входят разные компоненты, включая датчики движения, датчики освещенности, датчики присутствия и контроллер для управления освещением. Связь между центром умного дома и контроллером освещения осуществляется беспроводным способом.

NodeMCU предоставляет возможность создавать и программировать скрипты с несколькими этапами:

- сначала модуль активируется из режима сна;

- затем он устанавливает соединение с беспроводной сетью Wi-Fi;

- выполняет конкретные задачи в соответствии с программой;

- обменивается данными с центральным узлом системы;

- после выполнения задачи модуль возвращается в режим сна на заданное время.

Для создания определенной функциональности модуля необходимо разработать специальный скрипт на языке LUAПрежде чем начать использовать модуль, необходимо загрузить прошивку, которая поддерживает язык LUA. Это может быть базовая прошивка с предустановленной поддержкой LUA или специально настроенная прошивка.

После загрузки прошивки, модуль инициализируется. Это начинается с поиска скрипта инициализации с именем "init.lua". Если такой скрипт существует, он автоматически запускается, что позволяет модулю настроиться и подготовиться к работе.

Модуль пытается установить подключение к Wi-Fi сети, указанной в файле «wifi.config». Этот файл содержит информацию о SSID и пароле для подключения. Если подключение не устанавливается или DHCP-сервер не присваивает IP-адрес, модуль повторно пытается подключиться каждые 10 секунд. Если даже после нескольких попыток подключение не удается, модуль переходит в режим сна на 10 минут.

После периода сна модуль возвращается к работе. Снова запускается скрипт «init.lua», чтобы обеспечить непрерывную работу модуля.

Модуль может обмениваться данными с центральным узлом через HTTP REST API. Для этого отправляются определенные данные с идентификатором модуля на сервер с помощью команды POST. Сервер обрабатывает эти данные и отправляет обратно ответ с кодом HTTP 200, если обработка прошла успешно. Если что-то пошло не так и центральное приложение не смогло принять сообщение, оно отправляет код ошибки HTTP 400, и информация об ошибке записывается в журналы.

Эти этапы обеспечивают полный цикл работы модуля, начиная от инициализации до обмена данными с центральным узлом.

Чтобы уменьшить потребление энергии, мы можем перевести модуль в режим сна на некоторое время. Важно понимать, что существуют две группы модулей: те, которые всегда активны и ожидают определенных событий (как, например, датчики движения), и те, которые периодически измеряют данные и переходят в режим ожидания между измерениями. Модуль обнаружения движения, например, включает NodeMCU и датчик движения Grove PIR. Он способен обнаруживать движение в угловом диапазоне 120 градусов на расстоянии до 6 метров.

Модуль получает информацию с датчика, который подключен к конкретному цифровому порту (D4). Этот порт настроен на режим "автоматического обнаружения" с использованием функции "gpio.trig()". При этом порт D4 ожидает определенного события, и когда событие происходит и на порту D4 появляется логическая «1», модуль запускает заранее настроенную функцию. Когда на порту D4 обнаруживается событие, указывающее на движение, модуль отправляет уведомление центральному узлу. Для этого используется специальный скрипт "data send.lua". Тип данных, который передается, в данном случае - "Движение". Это сообщение информирует центральный узел о том, что было обнаружено движение в определенной области, подключенной к датчику.

Для эффективного контроля освещения в доме необходимы не только модули, которые собирают и обмениваются данными с мобильными устройствами по беспроводной связи, но также и способы управления светом через этот же беспроводной канал. Вышеупомянутые модули предназначены для сбора данных о физических параметрах, однако они сами по себе не способны управлять освещением. Обычно в домах основное освещение подключено к стандартной сети напряжением 230 вольт и управляется с помощью выключателя на стене или пульта. Этот выключатель может быть подключен к источнику питания по проводу. Еще одним важным аспектом является возможность регулировать яркость света, что обеспечивается функцией диммирования.

Одним из ключевых компонентов обеспечения безопасности вашего дома является система видеонаблюдения. Она помогает не только защитить ваш дом от вторжений, но и позволяет отслеживать различные его части, такие как детские комнаты или домашние животные, даже когда вы находитесь вне дома. Многие видеокамеры также способны обнаруживать движение, и в случае обнаружения они могут отправить вам уведомление, сделать снимок события или записать его.

На рынке существует множество различных видеокамер, предназначенных для обеспечения безопасности в домашних условиях. При выборе хорошей камеры важно учитывать такие характеристики, как ее функциональность, возможность установки в различных местах и совместимость с другими системами. Некоторые из них также могут быть интегрированы в Raspberry Pi, что делает их более гибкими и удобными в использовании.

OpenHAB (Open Home Automation Bus) - это серверное приложение, разработанное специально для создания умного дома. Его серверная часть может работать на различных операционных системах, таких как Windows, Linux и OS X. Кроме того, у OpenHAB есть веб-интерфейс и мобильные приложения для Android и iOS, что обеспечивает удобный доступ к управлению умным домом с различных устройств.

Одним из ключевых преимуществ OpenHAB является его гибкость. Эта система позволяет добавлять к себе различные устройства, которые могут действовать как интерфейсы для управления другими устройствами. Более того, OpenHAB включает в себя хранилище данных, где сохраняется информация о состоянии всех подключенных устройств, обеспечивая синхронизацию между ними.

Система также предоставляет возможность вести журнал всех событий и хранить данные в файлах или базах данных. Для этого используется RRD4J (Round Robin Database for Java) - база данных, которая часто применяется для создания графиков и диаграмм в пользовательском интерфейсе. Помимо этого, OpenHAB позволяет выполнять запросы к базам данных и отображать полученные данные в графическом виде, что обеспечивает удобный мониторинг и управление умным домом.

В целом, OpenHAB - это универсальная система управления домом, которая может быть основана на Raspberry Pi и дополнительных модулях. Она обладает высокой функциональностью и гибкостью, что делает ее отличным выбором для тех, кто стремится улучшить комфорт и безопасность своего жилища, а также расширить возможности управления им.

Выводы по разделу 3

Были найдены решения, как компоненты нашей интеллектуальной системы взаимодействуют для управления освещением. Для сбора данных от беспроводных датчиков мы используем стандарт Bluetooth с низким энергопотреблением. Это позволяет нам собирать информацию, не требуя сложных изменений в организации помещения. Для доступа к серверному приложению системы мы воспользуемся беспроводной локальной сетью Wi-Fi (IEEE 802.11).

При выборе компонентов для аппаратной части системы, мы руководствовались их совместимостью и стоимостью.

Заключение

Произведен анализ существующие коммерческих систем. Умный дом требуют активного взаимодействия от пользователя через различные интерфейсы, такие как голосовые команды, жесты или удаленное управление. Это подчеркивает необходимость дальнейшего развития области домашней автоматизации с учетом контекстной осведомленности и полной автоматизации для обеспечения более удобного и эффективного пользовательского опыта.

Изучены стандарты беспроводных сетей, которые используются в умных домах: IEEE 802.11 (Wi-Fi) и IEEE 802.15.1 (Bluetooth с низким энергопотреблением).

Разработан эффективный алгоритм управления освещением, который учитывает контекст помещения и использует информацию от датчиков движения и освещенности.

Мы также провели исследование, которое подтвердило, что цветовая температура света может влиять на восприятие пользователей через воздействие на глаза. Для аппаратной части системы управления освещением выбран Raspberry Pi 3 и серверное приложение OpenHAB. Это позволяет создать модульную систему, которую можно легко расширить.

Использовано два стандарта беспроводных сетей, Wi-Fi и Bluetooth с низким энергопотреблением, для обеспечения высокой скорости передачи данных и надежной работы датчиков.

Общая стоимость нашей аппаратной части оказалась на 27% дешевле, чем у сравнимого коммерческого продукта.

В будущем возможно расширение функциональности системы, учитывая поведение пользователей и предоставляя помощь в случае неотложных ситуаций.

Список использованных источников

1. Авдеев А.С. Разработка систем автоматизации жилых и офисных помещений «Умный Дом»: сб. науч. тр. / «Катановские чтения» 2017». 2017. С. 142-143.

2. Авдеев А.С., Герасимова А.И. Основные проблемы программирования систем «Умного Дома»: сб. науч. тр. / Перспективы науки. - 2018. С.62-65.

3. Блум Дж. Изучаем Arduino: инструменты и методы технического волшебства. СПб.: БХВ-Петербург, 2016. 336 с.

4. Иванов В.Н. Применение компьютерных технологий при проектировании электрических схем. М. : Солон-Пресс, 2017. 347 с.

5. Кадырова Л.Ш. Умный дом: идеология или технология. [Электронный ресурс]: Международный научно-исследовательский журнал. URL: #"https://hdlrus.ru/resheniya-po-avtomatizatsii-zdanij-isooruzhenij/sovety-i-rekomendatsii-po-avtomatizatsii-zdanij">https://hdlrus.ru/resheniya-po-avtomatizatsii-zdanij-isooruzhenij/sovety-i-rekomendatsii-po-avtomatizatsii-zdanijoborudovaniemhdl/350-osobennosti-protokolov-dali-i-dmx.html/ (дата обращения 16.03.2024).

11. Проектирование искусственного освещения общественных и жилых зданий [Электронный ресурс] // интернет-сайт URL:https://www.faufcc.ru/upload/methodical_materials/mp15.pdf / (дата обращения 02.01.2024).

12. Протокол диммирования DALI [Электронный ресурс] // интернетсайт. URL: https://trialight.ru/lighting-control-articles/dali-dimmingprotocol.html/ (дата обращения 15.03.2024)

13. РевинскаяО.Г. Основы программирования в MatLab: учеб. Пособие. СПб.: БВХПетербург, 2016. 209 с.

14. Система управления освещением по протоколу DALI [Электронный ресурс]// интернет-сайт. URL: https://deuscompany.Com/ru/files/dali/ presentations /ME6_DALI.pdf / (датаобращения 15.02.2024)

15. Справочник для проектирования электрического освещения [Электронный ресурс] // интернет-сайт. URL: https://static.myshop.ru/product/pdf/160/1595611.pdf/ (дата обращения 05.01.2024).

16. Суворова И.А. Электротехнологические промышленные установки и освещение: учеб. пособие для вузов. Вятский гос. ун-т.  ВУЗ: Изд-во Киров: ВятГУ, 2016. 97 с.

17. Управление освещением по протоколу DALI [Электронный ресурс]// интернет-сайт. URL: https://beg-russia.ru/blog/2016/08/04/dali/ (дата обращения 15.03.2024).

18. Управляемый свет интернета вещей: Philips и протокол DALI 2.0 [Электронный ресурс] // интернет-сайт. URL: https://www.compel.ru/lib/ne/2019/4/5-upravlyaemyiy-svet-interneta veshheyphilips-i-protokol-dali-2-0/ (датаобращения 16.03.2024).

19. Форсайт Д.А. Компьютерное зрение. Современный подход. М.: Вильямс, 2018. 928 с.

20. Цифровой адресный интерфейс освещения (DALI) [Электронный ресурс] // интернет-сайт. URL: https://svetorg.ru/informatsiya/stati/daliupravlenie-osveshcheniem-skhema-podklyucheniya-chto-eto-/ (дата обращения 15.03.2024).

21. Шаров Ю.В., Хорольский В.Я. Электроэнергетика. Учебное пособие. М.: Инфра-М, 2016. 384 с.

22. Adim A.O. Big Sensed Data Meets Deep Learning for Smarter Health Care in Smart Cities // Journal of Sensor and Actuator Networks. 2017. Volume 6. Issue 4. pp. 1-22.URL: https://doaj.org/article/1067f3eaf1d94db38796b306f62c692f(датаобращения 15.03.2024).

23. AIMProject. 2016. URL: http://www.ict-aim.eu/home.html/ (датаобращения 01.04.2024г.).

24. Baker L.A History of School Design and Its Indoor Environmental Standards, 1900 to Today. Washington, DC: National Clearinghouse for Educational Facilities. 2015. pp. 39-45.

25. Bayliss C. Transmission and Distribution Electrical Engineering // Newnes. 2016. 139 p.

26. Bellia L. Lighting indoor environment: visual and non-visual light sources with different spectral power // Newness. 2017. 254 p.

27. Capo A.J. Automatic human body modelling for vision-based motion capture // Proc. WSCG Communication Proceedings. 2016. pp. 259-268.

28. Cardoso A.A virtual reality system for real time control of electric substations. IEEE Virtual Reality. 2017. 307 p.

29. Cohen I. Human body posture interface for immersive interaction // Proc. International Workshop on Immersive Telepresence (ITP) in conjunction ACM Multimedia. 2016. pp. 640-644.

30. Flowler R.J. Electricity; Principles and Applications / R.J. Flowler -New-York: Delmar Cengage Learning. 2017. 247 p.

31. Friborg O. Sleep timing, phonotype, mood, and behavior at an arctic latitude (69°N) // Sleep Medicine. 2014. vol. 15. pp. 798–807.

32. Girondel V. Belief theory-based classifiers comparison for static human body postures recognition in video // Proc. WEC. 2015, pp. 237-240.

33. GoldmannL. Human body posture recognition using mpeg-7 descriptors // Proc. Visual Communications and Image Processing.  2019.  pp. 18-22.

34. Haritaoglu I., Ghost: A human body part labeling system using silhouettes // Proc. 14th International Conference on Pattern Recognition, Australia. 2015. pp. 16-20.

35. Hooi L.S. Human pose modeling and body tracking from monocular video sequences // IEEE International Conference on Intelligent and Advanced Systems. 2017. pp. 571-576.

36. Jin. Y Abnormal behavior recognition using self-adaptive hidden markov models // Proc. Springer ICIAR, LNCS 5627. 2015, pp. 337–346.

37. Juang C. Human body posture classification by a neural fuzzy network and home care system application // IEEE Trans. On Systems, Man, And Cybernetics Part A: Systems And Humans. 2017. vol. 37. pp. 984-994.

38. Labeodan L. On the Application of Wireless Sensor and Actuators Network in Existing Buildings for Occupancy Detection Occupancy-driven Lighting Control // Energy and Building 127. 2016. pp 75-83.

39. Mcdonald J.D. Electric Power Substation Engineering CRC Press Taylor and Francis Group. 2019. 326 p.

40. Mihalache A. Wireless Home Automation System using IoT2017. Volume 21. No. 2. PP. 17-32. URL: https://doaj.org/article/0301957e7d2b45cba83993a93865faa7 (дата обращения 15.03.2024).

41. Miranda A.C. Smart frost control in greenhouses by neural networks models // Computers and Electronics in Agriculture.137. 2015. pp. 102–114.

42. Naidu M.S. High voltage engineering. Second Edition. New-York: McGraw-Hill. 2016. 384 p.

43. Ramanan D. Tracking people by learning their appearance // IEEE Trans. on Pattern Analysis and Machine Intelligence. 2017. vol. 29. pp. 65-81.

44. Van Bommel W.J.M. Lighting for work: a review of visual and biological effects // Lighting Research and Technology. 2015. vol. 36. pp. 255-269.

45. Wang Z., Tan Y.K., Illumination control of LED systems based on neural network model and energy optimization algorithm // Energy and Buildings 62. 2016. pp. 514–521.

46. Werghi N. Recognition of human body posture from a cloud of 3d points using wavelet transform coefficients // Proc. Of the fifth IEEE International Conference on Automatic face and gesture recognition. 2017. pp. 70-75.

47. Zou C. Behavior Classification method based on skeleton model from video images // Proc. IEEE international Conference on Computer Science and Information Technology. 2015. pp. 309-312.