доктор технических наук;
doctor of technical sciences;
В статье рассматривается вопрос классификации линз с различными углами излучения и предложена шкала, описывающая концентрацию света в зависимости от осевой силы света. Собрана коллекция около 800 изображений реальных и смоделированных световых пятен линз существующих линз и рефлекторов с различными светодиодами и светодиодными матрицами. Построена модель классификации на базе предварительно обученной сверточной нейронной сети GoogleNet, проведено трансферное обучение с использованием коллекции изображений световых пятен. GradCAM анализ показал, что обученная сеть корректно выделяет признаки объектов. Проделанная работа позволяет классифицировать произвольные световые пятна с точностью около 80 %. Таким образом, решена задача классификации линз с симметричным светораспределением, что важно для специалистов, занимающихся световым дизайном и не имеющим светотехнического образования. Новая модель позволяет по произвольному изображению светового пятна определять класс линзы и ее технические параметры, что существенно облегчит дизайнерам поиск нужного светового прибора при создании световой сцены.
The article proposes the classification of lenses with different symmetrical beam angles and offers a scale as a spot-light’s palette. A collection of spotlight’s images was created and classified according to the proposed scale. The analysis of 788 pcs of existing lenses and reflectors with different LEDs and COBs carried out, and the dependence of the axial light intensity from beam angle was obtained. A transfer training of new deep convolutional neural network (CNN) based on the pre-trained GoogleNet was performed using this collection. GradCAM analysis showed that the trained network correctly identifies the features of objects. This work allows us to classify arbitrary spotlights with an accuracy of about 80 %. Thus, light designer can determine the class of spotlight and corresponding type of lens with its technical parameters using this new model based on CCN.