一种智慧照明灯具检测方法、装置、设备及存储介质

技术领域

本申请涉及灯具检测技术领域，更具体地说，涉及一种智慧照明灯具检测方法、装置、设备及存储介质。

背景技术

照明设计是旅游景点整体体验的重要方面，照明在展示其壮丽景色方面起着关键作用，如果做得好，照明设计可以营造一种氛围，增强游客的体验，并突出景点的独特之处。

现有技术公开号为CN109681826B的文献提供一种LED照明路灯，通过清理模块中的清理膜对灯管表面进行摩擦清理，从而避免灯管底面上的灰尘影响照明质量，同时与清洁单元配合，使得弹性片会随滑环套接在灯管外圈强行上移，通孔的孔径会随之撑大，并且紧贴在灯管外圈上，并对灯管进行二次清理，从而提高灯管表面的清洁度，进而提高路灯的照明效果。

虽然该装置有益效果较多，但依然存在下列问题：在对照明灯进行清洁过后，难以对照明灯的清洁度进行检测，从而极易使得照明灯表面存在漏擦的污渍污垢，进而难以充分对灯管表面进行清洁，鉴于此，我们提出一种智慧照明灯具检测方法、装置、设备及存储介质。

发明内容

本申请实施例通过提供一种智慧照明灯具检测方法、装置、设备及存储介质，解决了现有技术中使得沙发底部尘土堆积难以被清理，长久以后极易使得沙发出现霉变现象的技术问题，实现了便于用户对沙发底部区域的地板上的垃圾进行清理，防止沙发出现霉变现象的技术效果。

为解决上述技术问题，第一方面，本申请实施例提供了一种智慧照明灯具检测方法，包括：

S1、对景区内的照明灯具的图像进行采集，从而能够获取到景区内的照明灯具的图像进行后续清洁度检测；

S2、对采集的图像进行预处理，便于将图像的质量提升到一个最佳状态，从而能够使得后续的特征提取和清洁度检测能够更准确的执行；

S3、进行特征提取，便于从图像中提取有关污垢或污渍的情的特征，便于后续对灯具进行清洁度检测；

S4、基于相应模型对灯具进行清洁度检测，使用YOLOV深度学习算法模型对灯具进行清洁度检测；

S5、清洁度检测结果的后处理，便于提高检测结果的准确性；

S6、基于相应模型评估灯具的清洁度，便于对无污染、存在轻度、中度和重度污染的灯具进行分别处理；

S7、与外部的清洁系统进行集成，从而便于根据评估结果对灯具进行清理；

S8、进行反馈与优化，便于对模型进行优化，提供高效的照明设备维护和管理。

通过采用上述技术方案，通过该方法，能够便于对景区内的灯具在清理前和清理后进行清洁度检测，从而便于防止照明灯表面存在漏擦的污渍污垢，进而便于充分对灯管表面进行清洁。

可选的，所述S1中，通过相机对景区的照明灯具的图像进行采集；

并通过设置在灯具周围的光感传感器与温感传感器，确保在灯具处于关闭状态时获取照明灯具的图像。

通过采用上述技术方案，通过设置光感传感器与温感传感器，能够便于保证在照明灯具处于关闭的状态下获取照明灯具的图像，防止图像受强光影响而不够清晰影响后续检测。

可选的，所述S2中，预处理可以包括图像对比度增强、图像去噪声和图像分割等，以便在后续的特征提取和清洁度检测阶段获得更好的结果。

通过采用上述技术方案，在进行清洁度检测之前，能够将图像的质量提升到一个最佳状态，以便后续的特征提取和清洁度检测能够更准确地执行。

可选的，所述S3中，通过从预处理后的图像中提取颜色、纹理和形状特征，可以为后续的清洁度检测阶段提供更有信息量的数据。

通过采用上述技术方案，通过提取适当的特征，计算机可以理解图像中的关键模式和差异，从而能够更准确地识别和分析污垢。

可选的，所述S4中，选择并构建合适的模型，收集并标注清洁状态、轻度、中度和重度污染状态的灯具图像，作为数据集；

并将数据集划分为训练集、验证集和测试集针对照明灯具的清洁度检测进行训练、调优和测试。

通过采用上述技术方案，从而便于分析并识别相应的照明灯具表面具体为清洁状态、轻度污染、中度污染还是重度污染状态。

可选的，所述S5中，通过对污垢检测结果进行过滤去除误报、对检测区域进行合并，进一步提升对照明灯具清洁度检测结果的准确性。

通过采用上述技术方案，后处理在污垢检测流程中是非常重要的一步，它能够进一步优化和调整污垢检测的结果，提高检测结果的准确性和可靠性。

可选的，所述S6中，基于训练后的表现良好的模型对获取的景区内的照明灯具的图像进行清洁度评估，便于确定照明灯具在清洁前后是否仍存在污染以及存在何种程度的污染。

通过采用上述技术方案，通过训练后的模型对景区内的照明灯具进行清洁度评估，便于后续决定清洁或维护策略，并在决定清洁或维护策略后起到节省资源，提升效率的作用。

可选的，所述S7中，将该模型与外部的清洁系统进行集成，从而便于在照明灯具存在污垢或污渍污染时，能够对灯具进行彻底清洁，当灯具为清洁状态时，则无需再对灯具进行清洁，减少资源浪费。

通过采用上述技术方案，将训练好的模型集成到实际的清洁系统中，根据模型的检测结果，确定每个照明灯具的污垢情况和清洁度等级，基于污垢情况和清洁度等级，清洁系统可以自动决定是否需要进行清洁，以及清洁的优先级和方式。

可选的，所述S8中，将实际应用中获得的检测结果与标注数据进行比较，收集误检和漏检的情况；

根据反馈信息，对模型进行优化，可以通过增加误检样本进行再训练，或调整模型结构来减少漏检。

通过采用上述技术方案，通过不断收集数据反馈，优化模型，可以确保集成的照明灯具清洁度检测系统始终保持在高效准确的状态，这种持续的迭代和优化过程将确保系统能够适应不断变化的环境和需求，提供持久的价值。

第二方面，本申请提供一种智慧照明灯具检测装置，包括：灯架与灯具本体；

灯架外侧设有支撑机构；

支撑机构包括安装环，安装环转动套设于灯架外侧，安装环一侧通过支撑杆固定连接有盛放筒，灯架外侧固定连接有支撑板，支撑板顶部安装有第一电机，第一电机与外部控制器及电源相连接，第一电机输出端传动连接有第二齿轮，安装环外侧固定套设有第一齿轮，盛放筒内安装有相机，用于对照明灯具的图像进行采集，当检测完成后，工作人员可以启动第一电机通过第二齿轮与第一齿轮的配合带动安装环转动，用于将相机转动到远离灯具本体的位置，防止影响照明；

盛放筒顶部活动密封连接有顶盖；

盛放筒一侧通过安装杆连接有固定筒，固定筒一侧贯穿开设有滑槽，滑槽截面呈L形状，滑槽内滑动连接有滑块，固定筒内侧转动连接有丝杆，丝杆外侧螺纹套设有螺套，螺套螺套与滑块固定连接，滑块顶部固定连接有滑环，滑环套设于固定筒外侧，滑环外壁通过连接杆与顶盖固定连接，固定筒底部安装有第二电机，第二电机与外部控制器及电源相连接，且第二电机输出端与丝杆底端转动连接，当第二电机启动时能够带动丝杆转动，从而带动螺套移动，螺套移动能够带动滑块上升移动，滑块移动能够通过滑环、连接杆带动顶盖上升移动，当顶盖上升移动到指定位置处后，滑块由滑槽的竖直段转入水平段内，从而使得滑块、滑环、连接杆和顶盖沿着滑槽的方向竖直运动并实现旋转，防止遮挡相机摄录；

图像预处理模块，用于对相机所采集的照明灯具的图像质量进行提升；

图像提取模块，用于接收图像预处理模块输出的图像数据，并从图像中提取有关污垢和污渍的特征；

清洁度检测模块，用于对灯具进行清洁度检测，并将灯具按清洁度的不同进行分类；

控制模块，用于接收清洁度检测模块输出的数据，并根据不同的清洁度评估结果控制装置对相应灯具进行不同模式的清理。

第三方面，本申请技术方案提供了一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的智慧照明灯具检测方法。

第四方面，本申请技术方案提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的智慧照明灯具检测方法。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

1.通过该方法，能够便于对景区内的灯具在清理前和清理后进行清洁度检测，从而便于防止照明灯表面存在漏擦的污渍污垢，进而便于充分对灯管表面进行清洁。

2.通过后处理，能够进一步优化和调整污垢检测的结果，提高检测结果的准确性和可靠性。

3.通过训练后的模型对景区内的照明灯具进行清洁度评估，便于后续决定清洁或维护策略，并在决定清洁或维护策略后起到节省资源，提升效率的作用。

4.在相对应的模型对灯具进行清洁度检测时，通过进行网络结构改进、多尺度融合改进和引入合适的损失函数进一步提升检测的准确性。

5.通过不断收集数据反馈，优化模型，可以确保集成的照明灯具清洁度检测系统始终保持在高效准确的状态，适应不断变化的环境和需求。

附图说明

图1为本申请实施例的一种智慧照明灯具检测方法的整体流程示意图；

图2为本申请实施例的一种智慧照明灯具检测方法的清洁度检测优化流程示意图；

图3为本申请实施例的一种智慧照明灯具检测方法的图像后处理的流程示意图；

图4为本申请实施例的一种智慧照明灯具检测方法的清洁流程示意图；

图5为本申请实施例的一种智慧照明灯具检测装置的整体结构示意图；

图6为本申请实施例的一种智慧照明灯具检测装置的固定筒的结构示意图；

图7为本申请实施例的一种智慧照明灯具检测装置的滑块与螺纹套的连接结构示意图；

图中标号说明：1、灯架；2、灯具本体；3、支撑机构；31、安装环；32、支撑杆；33、盛放筒；34、顶盖；35、支撑板；36、第一齿轮；37、第一电机；38、第二齿轮；4、固定筒；5、丝杆；6、螺套；7、滑槽；8、滑块；9、滑环；10、连接杆；11、第二电机。

具体实施方式

以下结合说明书附图对本申请作进一步详细说明。

参照图1、图2和图3，本申请实施例公开一种智慧照明灯具检测方法，智慧照明灯具检测方法包括：

S1、对景区内的照明灯具的图像进行采集，从而能够获取到景区内的照明灯具的图像进行后续清洁度检测；

S2、对采集的图像进行预处理，便于将图像的质量提升到一个最佳状态，从而能够使得后续的特征提取和清洁度检测能够更准确的执行；

S3、进行特征提取，便于从图像中提取有关污垢或污渍的特征，便于后续对灯具进行清洁度检测；

S4、基于相应模型对灯具进行清洁度检测，使用YOLOV深度学习算法模型对灯具进行清洁度检测；

S5、清洁度检测结果的后处理，便于提高检测结果的准确性；

S6、基于相应模型评估灯具的清洁度，便于对无污染、存在轻度、中度和重度污染的灯具进行分别处理；

S7、与外部的清洁系统进行集成，从而便于根据评估结果对灯具进行清理；

S8、进行反馈与优化，便于对模型进行优化，提供高效的照明设备维护和管理。

参照图1，所述S1中，通过相机对景区的照明灯具的图像进行采集；

并通过设置在灯具周围的光感传感器与温感传感器，确保在灯具处于关闭状态时获取照明灯具的图像。

具体而言，通过对景区内的照明灯进行图像采集可以帮助检测照明灯表面的污垢、尘埃、污染的问题，这些问题可能会影响灯具的亮度和效能；

通过光感传感器与温感传感器，能够在合适的光线条件状态下采集图像，从而保证图像的清晰度，便于后续对照明灯具进行清洁度检测；

在视觉检测的过程中，采集的图像质量对检测结果的好坏影响较大，具体可从相机芯片类型、相机帧率、相机分辨率、曝光方式等方面考虑选择相应的采集设备。

参照图1，所述S2中，预处理可以包括图像增强、图像去噪声和图像分割等，以便在后续的特征提取和清洁度检测阶段获得更好的结果。

具体而言，在采集照明灯具的图像之后，首先进行预处理是极为重要的，这是因在进行清洁度检测之前，能够将图像的质量提升到一个最佳状态，以便后续的特征提取和清洁度检测能够更准确地执行；

在图像增强方面，通过对比度增强：调整图像的对比度，使图像中的不同区域更加明显；

通过亮度调整：调整图像的亮度，确保图像中的细节可见；

通过直方图均衡化：通过重新分布像素值，增强图像的对比度，使图像更具视觉效果；

图像中可能存在噪声，即随机的、不希望出现的像素值，去噪声的目标是减少这些噪声，以提升图像的质量；

在图像去噪声方面，通过高斯滤波，使用高斯滤波器平滑图像，减少高频噪声，提升图像的质量；

在图像分割方面，将图像划分为不同的区域，每个区域具有相似的特性，在照明灯清洁度检测中，可以使用图像分割来分离照明灯本身和背景；

通过阈值分割：基于像素值设置阈值，将像素分为目标和背景。

参照图1，所述S3中，通过从预处理后的图像中提取颜色、纹理和形状特征，可以为后续的清洁度检测阶段提供更有信息量的数据。

具体而言，特征提取的目标是从图像中抽取关键信息，使得机器能够以数据驱动的方式进行判断和决策，从而达到更准确和可靠的清洁度检测结果，在照明灯具清洁度检测中，关键是从图像中提取有关污垢和污渍的特征，因为特征提取能够使得机器能从图像中学习有关污垢和污渍的重要信息，通过提取适当的特征，计算机可以理解图像中的关键模式和差异，从而能够更准确地识别和分析污垢，具体可以从以下几个特征进行提取：

颜色特征：污垢通常会改变灯具表面的颜色，通过检测颜色的变化，可以识别可能的污渍；

纹理特征：污垢和污渍通常会导致灯具表面纹理的变化。使用纹理分析技术可以检测这种变化；

形状特征：污垢的形状和大小也是重要特征。可以使用形状分析方法来识别异常的形状；

通过综合使用这些特征，可以构建一个特征向量，其中包含有关颜色、纹理和形状的信息，这个特征向量可以用于训练机器学习模型或应用计算机视觉算法，从而实现清洁度检测和污垢识别任务。

参照图1，所述S4中，选择并构建合适的模型，收集并标注清洁状态、轻度、中度和重度污染状态的灯具图像，作为数据集；

并将数据集划分为训练集、验证集和测试集针对照明灯具的清洁度检测进行训练、调优和测试。

具体而言，YOLOV3是一种流行的实时目标检测算法，通过一张图片输入就可以很快的对其检测得出结果，直接输出待检测物体的回归边界框和物体属于哪种类别,YOLOV3在深度学习发展过程中首先将目标检测的速度当作优化对象而提出的网络结构，YOLOV3网络在深度学习方面检测效果较好，针对某些特定的问题进行针对性分析并优化，YOLOV3算法能够得到较好的检测效果，因此，选择YOLOV3算法作为合适的模型并进行构建；

在此步骤中，需要：

收集图像数据：收集包含照明灯具以及它们可能的不同清洁度状态的图像数据集；

标注数据：使用标注工具标注图像中的照明灯具位置和对应的清洁度标签，标签为：清洁状态、轻度污染、中度污染和重度污染；

数据划分：将数据集划分为训练集、验证集和测试集，以便训练和评估模型性能；

然后再开展模型训练进行深度学习，从而便于分析并识别相应的照明灯具表面具体为清洁状态、轻度污染、中度污染还是重度污染状态。

参照图1，所述S4中，基于相对应的模型对灯具进行清洁度检测时，还可以通过进行网络结构改进、多尺度融合改进和引入合适的损失函数提升检测的准确性。

具体而言，在进行网络结构改进方面，由于YOLOV3特征提取网络采用的是对输入是416×416的待检测图片获取目标特性，其通过32倍、16倍和8倍下采样获得尺寸为13×13、26×26和52×52的特征图预测目标结果。浅层的特征图包含的目标位置信息更多，从而对较小物体目标的检测精度高；而深层特征图的语义信息更多，从而对较大物体目标的检测精度高；而本申请针对的是照明灯具清洁度的检测，而污染物体目标形状尺寸并不固定，存在容易变换的特点。针对待检测污染较小的情况应该更加利用深层特征，同时为了提高检测速度设计了复杂度较低的特征提取网络Darknet45来进行特征提取，当选用原始的416×416大小的图片作为输入时，52×52大小的特征图对于较小尺寸的嵌入式助航灯窗口内部污染部分的检测是不够的，应该采用较大的特征图，故通过增加一个尺度，选用更浅层的104×104尺寸的特征图进行特征融合，提高较小污染物的检测效果。

在多尺度融合改进方面，YOLOV3网络仅使用了13×13、26×26和52×52这3个尺寸的特征图，浅层次的信息没有得到充分利用，导致较小污染的小目标特征相对模糊，污染物的类型和位置信息丢失不利于照明灯具污染物的识别，为了提高污染度识别中更多的污染目标的特征信息，提高系统的检测精度，改进原有的3个尺度增加到4个不同尺度，改进的4个尺度依次设置为：13×13、26×26、52×52和104×104，在保留深度图像语义信息的基础上获取更多污染特征信息。多个浅层图像特征信息可以有效地兼容各种尺度大小的目标。因此，仅使用最后几层深卷积层上的特征映射进行预测，而忽略较浅的特征，这将降低检测性能。为了得到更深层次的图像信息从而获得更加详细的污染特征，改进后的多尺度融合，通过将13×13尺寸的特征图分别进行2倍、4倍上采样，然后与Darknet45中尺寸为52×52、104×104的特征图进行跨层融合。最后不同尺寸输出的四次进行叠加，输出为四次下采样，即检测尺度为104×104的特征融合目标检测层。改进后的尺度融合在不仅兼顾了浅层信息的融合还注重了深层次的网络特征，改进后的尺度融合可以提高照明灯具清晰度检测的精度；

在引入合适的损失函数方面，当预测边界框为A且目标边界框为B时,可通过IoU在目标检测任务中用作评估指标，在优化损失函数时，在边界框回归上应该考虑这三个方面的问题：即重叠的区域、两边界框中心点距离以及边界框的长宽比，本文将CIoU函数用作照明灯具清洁度检测的损失函数，计算如下：

CIoU＝IoU-[ρ

式中b和bgt分别代表A和B的中心点，ρ

α＝v/[1-IoU+v]

v＝[4(arctan(w

W/h和w

所以，所以CIoU的损失函数为：

L

改进后的损失函数，A和B重叠部分因子在回归的过程中具有优先选择权，尤其是在两者无重叠的时候。CIoU避免了IoU损失中的缺点，并且继承了其优点。在照明灯具清洁度检测中能够提高网络的训练效率和检测精度。

参照图1，所述S5中，通过对污垢检测结果进行过滤去除误报、对检测区域进行合并，进一步提升对照明灯具清洁度检测结果的准确性。

具体而言，后处理在污垢检测流程中是非常重要的一步，它能够进一步优化和调整污垢检测的结果，提高检测结果的准确性和可靠性，具体包括：对污垢检测结果进行过滤去除误报和对检测区域进行合并；

在对污垢检测结果进行过滤去除误报方面，在照明灯具清洁度检测过程中，模型可能会输出一些置信度较低的检测结果，这些结果可能是误报或者检测不准确的情况，因此，可以设置一个置信度阈值，将置信度低于该阈值的检测结果过滤掉，这可以有效地减少误报，并提高检测结果的可靠性，具体公式可为：

过滤后的检测结果集合＝{检测结果|检测结果的置信度≥阈值τ}

在这个公式中，可以将置信度大于或等于阈值τ的检测结果保留下来，而将低于阈值的检测结果过滤掉，有效地减少误报，并提高检测结果的可靠性；

在对对检测区域进行合并方面，在一些情况下，相邻的检测框可能对应于同一个污垢区域，但由于模型的预测不稳定性，它们可能被分割成多个框，为了合并这些相邻的检测框，可以使用一些区域合并算法，例如基于重叠面积的合并方法，通过合并这些框，可以获得更准确的污垢区域信息，具体公式为：

对于每对相邻的检测框(框1和框2)：

计算框1和框2的重叠面积：overlap_area＝计算重叠面积(框1,框2)

如果overlap_area大于阈值A，合并框1和框2，得到合并后的框；

通过上述公式，可以针对每对相邻的检测框计算它们的重叠面积，然后将重叠面积大于阈值A的框合并成一个更大的框，以获得更准确的污垢区域信息，这种基于重叠面积的合并方法有助于解决模型预测不稳定性导致的框分割问题，从而提高检测结果的准确性。

参照图1，所述S6中，基于训练后的表现良好的模型对获取的景区内的照明灯具的图像进行清洁度评估，便于确定照明灯具在清洁前后是否仍存在污染以及存在何种程度的污染。

具体而言，通过训练后的模型对景区内的照明灯具进行清洁度评估，便于后续决定清洁或维护策略：基于污垢的数量和大小，可以进行一个初步的清洁度评估，如果污垢数量较多且面积较大，可能需要更频繁或更彻底的清洁，如果污垢数量较少或面积较小，清洁的频率可以相对较低，例如，当灯具的污染程度为轻度和中度污染时，则清洁的频率可以降低；例如对于重度污染，可能需要全面清洁，而对于小面积的污渍比如轻度中度污染，则只需要局部清洁或维护即可，进而节省资源，提升效率。

参照图1，所述S7中，将该模型与外部的清洁系统进行集成，从而便于在照明灯具存在污垢或污渍污染时，能够对灯具进行彻底清洁，当灯具为清洁状态时，则无需再对灯具进行清洁，减少资源浪费。

具体而言，将训练好的模型集成到实际的清洁系统中，根据模型的检测结果，确定每个照明灯具的污垢情况和清洁度等级，基于污垢情况和清洁度等级，清洁系统可以自动决定是否需要进行清洁，以及清洁的优先级和方式，比如灯具表面存在轻度、中度和重度污染时，则需要对灯具表面进行清洁，当灯具表面为洁净状态时，则无需进行清洁，同时，也可以根据检测结果确定清洁的优先级和方式，比如优先对重度的照明灯具进行彻底全面清洁，而后对轻度和中度的照明灯具进行低频率与局部清洁，进一步减少资源的浪费。

参照图1，所述S8中，将实际应用中获得的检测结果与标注数据进行比较，收集误检和漏检的情况；

根据反馈信息，对模型进行优化，可以通过增加误检样本进行再训练，或调整模型结构来减少漏检。

具体而言，在实际应用中，将模型与清洁系统集成后，系统会不断地进行照明灯具的污垢检测并记录检测结果。这些结果可以与之前的标注数据进行比较，从而收集以下信息：

误检情况：当模型错误地将干净的区域识别为污垢时，就会产生误检，这些情况的数据应被记录下来，以便后续优化；

漏检情况：当模型未能检测出实际存在的污垢区域时，就会产生漏检。这些情况的数据同样需要被收集，以指导模型的改进；

根据数据反馈，可以进行模型的优化，以提高其性能和准确性，以下是相应的优化方法：

再训练模型：将收集到的误检和漏检情况作为新的标注数据，与原始训练数据合并，然后对模型进行重新训练，这有助于模型更好地理解各种情况下的污垢特征；

调整置信度阈值：基于误检和漏检情况，可以微调置信度阈值，以平衡精确度和召回率，通过调整阈值，可以控制模型产生的检测结果的数量和质量。

参照图5、图6和图7，本申请实施例公开一种智慧照明灯具检测装置，包括：灯架1与灯具本体2；

灯架1外侧设有支撑机构3；

支撑机构3包括安装环31，安装环31转动套设于灯架1外侧，安装环31一侧通过支撑杆32固定连接有盛放筒33，灯架1外侧固定连接有支撑板35，支撑板35顶部安装有第一电机37，第一电机37与外部控制器及电源相连接，为现有技术，在此不做赘述，第一电机37输出端传动连接有第二齿轮38，安装环31外侧固定套设有第一齿轮36，盛放筒33内安装有相机，当检测完成后，工作人员可以启动第一电机37通过第二齿轮38与第一齿轮36的配合带动安装环31转动，从而便于将相机转动到远离灯具本体2的位置，防止影响照明。

参照图5、图6和图7，盛放筒33顶部活动密封连接有顶盖34，从而便于对盛放筒33顶部的敞口进行封闭处理，在无需检测时，能够降低灰尘对相机的影响。

参照图5、图6和图7，盛放筒33一侧通过安装杆连接有固定筒4，固定筒4一侧贯穿开设有滑槽7，滑槽7截面呈L形状，滑槽7内滑动连接有滑块8，固定筒4内侧转动连接有丝杆5，丝杆5外侧螺纹套设有螺套6，螺套6螺套6与滑块8固定连接，滑块8顶部固定连接有滑环9，滑环9套设于固定筒4外侧，滑环9外壁通过连接杆10与顶盖34固定连接，固定筒4底部安装有第二电机11，第二电机11与外部控制器及电源相连接，为现有技术，在此不做赘述，且第二电机11输出端与丝杆5底端转动连接，当第二电机11启动时能够带动丝杆5转动，从而带动螺套6移动，螺套6移动能够带动滑块8上升移动，滑块8移动能够通过滑环9、连接杆10带动顶盖34上升移动，当顶盖34上升移动到指定位置处后，滑块8由滑槽7的竖直段转入水平段内，从而使得滑块8、滑环9、连接杆10和顶盖34沿着滑槽7的方向竖直运动并实现旋转，防止遮挡相机摄录；

图像预处理模块，用于对相机所采集的照明灯具的图像质量进行提升；

图像提取模块，用于接收图像预处理模块输出的图像数据，并从图像中提取有关污垢和污渍的特征；

清洁度检测模块，用于对灯具进行清洁度检测，并将灯具按清洁度的不同进行分类；

控制模块，用于接收清洁度检测模块输出的数据，并根据不同的清洁度评估结果控制装置对相应灯具进行不同模式的清理。

在一些实施例中，所述图像预处理模块，具体用于：在图像增强方面，通过对比度增强：调整图像的对比度，使图像中的不同区域更加明显；

通过亮度调整：调整图像的亮度，确保图像中的细节可见；

通过直方图均衡化：通过重新分布像素值，增强图像的对比度，使图像更具视觉效果；

图像中可能存在噪声，即随机的、不希望出现的像素值，去噪声的目标是减少这些噪声，以提升图像的质量；

在图像去噪声方面，通过高斯滤波，使用高斯滤波器平滑图像，减少高频噪声，提升图像的质量；

在图像分割方面，将图像划分为不同的区域，每个区域具有相似的特性，在照明灯清洁度检测中，可以使用图像分割来分离照明灯本身和背景；

通过阈值分割：基于像素值设置阈值，将像素分为目标和背景。

在一些实施例中，所述图像提取模块，具体用于：通过从图像中学习有关污垢和污渍的重要信息，通过提取适当的特征，计算机可以理解图像中的关键模式和差异，从而能够更准确地识别和分析污垢，具体可以从以下几个特征进行提取：

颜色特征：污垢通常会改变灯具表面的颜色，通过检测颜色的变化，可以识别可能的污渍；

纹理特征：污垢和污渍通常会导致灯具表面纹理的变化。使用纹理分析技术可以检测这种变化；

形状特征：污垢的形状和大小也是重要特征。可以使用形状分析方法来识别异常的形状；

通过综合使用这些特征，可以构建一个特征向量，其中包含有关颜色、纹理和形状的信息，这个特征向量可以用于训练机器学习模型或应用计算机视觉算法，从而实现清洁度检测和污垢识别提取任务；

在一些实施例中，所述清洁度检测模块，具体用于：选择并构建合适的模型，收集并标注清洁状态、轻度、中度和重度污染状态的灯具图像，作为数据集；

并将数据集划分为训练集、验证集和测试集针对照明灯具的清洁度检测进行训练、调优和测试，具体体现为：收集图像数据：收集包含照明灯具以及它们可能的不同清洁度状态的图像数据集；

标注数据：使用标注工具标注图像中的照明灯具位置和对应的清洁度标签，标签为：清洁状态、轻度污染、中度污染和重度污染；

数据划分：将数据集划分为训练集、验证集和测试集，以便训练和评估模型性能；

然后再开展模型训练进行深度学习，从而便于分析并识别相应的照明灯具表面具体为清洁状态、轻度污染、中度污染还是重度污染状态。

在一些实施例中，所述处理控制模块，具体用于：基于清洁度检测模块输出的数据，通过处理控制模块，控制清洁构件是否进行清洁，以及清洁的优先级和方式，比如灯具表面存在轻度、中度和重度污染时，则需要对灯具表面进行清洁，当灯具表面为洁净状态时，则无需进行清洁，同时，也可以根据检测结果确定清洁的优先级和方式，比如优先对重度的照明灯具进行彻底全面清洁，而后对轻度和中度的照明灯具进行低频率与局部清洁，进一步减少资源的浪费。

本实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时，实现本实施例提供的智慧照明灯具检测方法。其中，该计算机可读存储介质可以是U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

本实施例还提供的一种计算机设备。该计算机设备可包括处理器及存储器。并且，存储器内存储有计算机程序，计算机程序被处理器执行时实现本实施例所提供的智慧照明灯具检测方法。