开敞式平面眩光评估器(OGE):一种基于机器学习算法的眩光预测新方法演示
机器学习
2020-05-12 v2 计算机视觉与模式识别
机器学习
摘要
预测开敞式平面办公室中的不舒适眩光是一个具有挑战性的问题。尽管眩光研究已存在 50 余年,所有当前的眩光指标均有精度局限,尤其在低照度开敞式平面办公室中。因此,开发一种更精确预测眩光的新方法至关重要。本文首次采用机器学习(ML)方法进行眩光预测。本研究旨在通过比较新的开敞式办公室 ML 模型(OGE)与现有眩光指标在本地数据集上的精度,论证该方法的有效性。为应用并验证该方法,从澳大利亚布里斯班四间不同开敞式办公室的 80 名 occupants(n=80)处收集了使用后评估(POE)与高动态范围(HDR)图像。据此计算并检验了多种多区域亮度值、亮度及眩光指数作为训练 ML 模型的输入特征。将 ML 模型的精度与 24 个指标的精度进行比较,并采用受试者工作特征(ROC)分析确定各指标在开敞式配置下的最佳截断值(阈值)。结果表明,ML 方法预测眩光的精度达 83.8%(真阳性率 0.80,真阴性率 0.86),优于先前开发的眩光指标。OGE 适用于垂直照度较低(200 至 600 lux)的开敞式办公室场景。然而,ML 模型可用更大量数据集训练以获得全局模型。
引用
@article{arxiv.1910.05594,
title = {Open-plan Glare Evaluator (OGE): A Demonstration of a New Glare Prediction Approach Using Machine Learning Algorithms},
author = {Ayman Wagdy and Veronica Garcia-Hansen and Mohammed Elhenawy and Gillian Isoardi and Robin Drogemuller and Fatma Fathy},
journal= {arXiv preprint arXiv:1910.05594},
year = {2020}
}