Розробка інтелектуальної системи керування освітленням у концепції SMART HOME

Ліпінський, Дмитро Іванович

Please use this identifier to cite or link to this item: https://er.chdtu.edu.ua/handle/ChSTU/7110

Title:	Розробка інтелектуальної системи керування освітленням у концепції SMART HOME
Authors:	Кисельов, Владлен Борисович Ліпінський, Дмитро Іванович
Keywords:	інтелектуальна система освітлення;Smart Home;нейронна мережа;енергозбереження
Issue Date:	Dec-2025
Abstract:	У роботі проаналізовано сучасні системи автоматизованого керування освітленням, апаратні платформи Arduino та Raspberry Pi, а також бездротові технології зв’язку, з обґрунтуванням гібридної архітектури системи. Досліджено фізіологічні вимоги до освітлення та архітектури штучних нейронних мереж, обґрунтовано використання згорткової нейронної мережі (CNN) для розпізнавання положення людини. Розроблено модель на базі OpenCV і TensorFlow з точністю визначення пози до 98 %. Створено інтелектуальну систему керування освітленням, що враховує час доби, рівень природного освітлення та присутність людей, забезпечуючи автоматичне регулювання освітленості й колірної температури. Експериментально підтверджено зниження енергоспоживання до 30 % і підвищення комфортності освітлення.
URI:	https://er.chdtu.edu.ua/handle/ChSTU/7110
Appears in Collections:	141 Електрична інженерія (Електротехнічні системи електроспоживання)

Files in This Item:

File	Description	Size	Format
ВКРМ_Ліпінський.pdf Restricted Access		1.43 MB	Adobe PDF	View/Open Request a copy

Show full item record

Extracted text

МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ
ЧЕРКАСЬКИЙ ДЕРЖАВНИЙ ТЕХНОЛОІЧНИЙ УНІВЕРСИТЕТ
Факультет електронних технологій, автотранспорту та машинобудування
(назва факультету)
Кафедра електротехнічних систем
(повна назва кафедри)

«До захисту допущено»
Завідувач кафедри ЕТС
Валентин ТКАЧЕНКО
______________________
“_____” __________2025 р.

Кваліфікаційна робота
на здобуття ступеня вищої освіти магістра

на тему:
«Розробка інтелектуальної системи керування освітленням у концепції
SMART HOME»

Виконав: здобувач вищої освіти 2 курсу, групи мЕСЕ–44
Спеціальності: 141 «Електроенергетика, електротехніка та електромеханіка»
(шифр і назва напряму підготовки, спеціальності)

Ліпінський Дмитро Іванович ____________
(прізвище, ім’я, по-батькові здобувача вищої освіти ) (підпис)

Науковий керівник к.т.н., доцент Владлен КИСЕЛЬОВ ____________
(наук. ступінь, вчене звання Власне ім’я ПРІЗВИЩЕ) (підпис)

Нормоконтроль к.т.н., доцент Костянтин КЛЮЧКА ____________
(наук. ступінь, вчене звання Власне ім’я ПРІЗВИЩЕ) (підпис)

Засвідчую, що у цій кваліфікаційній роботі немає запозичень з праць інших
авторів без відповідних посилань.
Здобувач вищої освіти ______________
(підпис)

Черкаси 2025 р.
3

РЕФЕРАТ

По структурі робота складається зі вступу, трьох розділів основної
частини та висновків основних результатів дослідження. Загальна кількість
сторінок – 90, рисунків – 21, таблиць – 18, використаних літературних джерел
– 60.
Метою роботи є розробка інтелектуальної системи керування
освітленням у концепції Smart Home, що реалізує адаптивний алгоритм
регулювання світлових параметрів на основі аналізу зовнішніх і внутрішніх
чинників середовища.
Для досягнення мети необхідно вирішити такі завдання:
1) провести аналіз існуючих комерційних рішень в галузі управління
параметрами системи Smart Home;
2) розробити алгоритм управління системи освітлення на базі штучної
нейронної мережі;
3) розробити інтелектуальну систему управління освітленням на основі
контекстно-залежного алгоритму управління.
У першому розділі проаналізовано сучасні системи автоматизованого
керування освітленням, їх архітектуру, способи взаємодії з користувачем і
типи сенсорних пристроїв. Розглянуто апаратні платформи Arduino та
Raspberry Pi, проведено порівняння бездротових технологій зв’язку (Wi-Fi,
ZigBee, Bluetooth) і обґрунтовано доцільність використання гібридної
архітектури для системи освітлення.
У другому розділі досліджено фізіологічні та технічні аспекти
освітлення, визначено нормативні рівні освітленості відповідно до ДБН В.2.5-
28-2018. Проаналізовано архітектури штучних нейронних мереж —
багатошаровий перцептрон, RNN, LSTM, GAN, CNN — та обґрунтовано вибір
згорткової нейронної мережі (CNN) як оптимальної для задач розпізнавання
положення людини на відеопотоці.
4

Розроблено модель на базі бібліотек OpenCV і TensorFlow, яка
визначає позу людини («сидить» / «стоїть») із точністю до 98 %.
У третьому розділі розроблено повнофункціональну інтелектуальну
систему керування освітленням, що об’єднує апаратну, програмну та
аналітичну частини. Система реалізована на основі мікроконтролера Arduino
та одноплатного комп’ютера Raspberry Pi, взаємодіє з датчиками руху,
освітленості й камерою відеоспостереження.
Алгоритм керування враховує час доби, рівень природного світла,
кількість осіб у приміщенні та їх положення. Система забезпечує автоматичне
вмикання, вимикання й димерування освітлення, а також адаптацію колірної
температури до контексту середовища.
Експериментальні результати підтвердили зниження споживання
електроенергії до 30 % порівняно з традиційним керуванням і підвищення
комфортності освітлення.
Отримані результати можуть бути використані для створення
інтелектуальних систем Smart Home нового покоління, що поєднують
технології машинного зору, штучних нейронних мереж і сенсорних пристроїв
для підвищення енергоефективності та зручності користування.
Ключові слова: інтелектуальна система освітлення; Smart Home,
нейронна мережа, енергозбереження, контекстно-залежний алгоритм.

5

ЗМІСТ

ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ, СИМВОЛІВ, СКОРОЧЕНЬ І
ТЕРМІНІВ ................................................................................................................ 7
ВСТУП ..................................................................................................................... 8
РОЗДІЛ 1. АНАЛІЗ ІСНУЮЧИХ КОМЕРЦІЙНИХ РІШЕНЬ ЇХ ПЕРЕВАГ І
НЕДОЛІКІВ ........................................................................................................... 11
1.1 Поняття Smart Home ....................................................................................... 11
1.2 Комп'ютерний зір і розпізнавання образів ................................................... 13
1.3 Характеристика об'єкта автоматизації .......................................................... 15
1.4 Порівняння технологій бездротової передачі даних ................................... 25
1.5 Порівняння пристроїв для керування освітленням ..................................... 27
1.6 Висновки до першого розділу ........................................................................ 34
РОЗДІЛ 2. РОЗРОБКА КОНТЕКСТНО-ЗАЛЕЖНОГО АЛГОРИТМУ
УПРАВЛІННЯ ІНТЕЛЕКТУАЛЬНОЮ СИСТЕМОЮ ОСВІТЛЕННЯ .......... 36
2.1 Аналіз методів управління освітленням ....................................................... 36
2.2 Огляд оптимальних стандартів освітленості приміщень ............................ 39
2.4 Огляд існуючих підходів до аналізу активності мешканців ...................... 44
2.5 Аналіз мов програмування для розробки алгоритму контекстно-залежного
управління освітленням ........................................................................................ 45
2.6 Огляд архітектури штучних нейронних мереж в загальному вигляді ...... 48
2.7 Огляд обраної для впровадження інтелектуальної нейронної мережі ...... 60
2.8 Алгоритм контекстно-залежної системи управління освітленням ............ 64
2.9 Висновки до другого розділу ......................................................................... 66

6

РОЗДІЛ 3. РОЗРОБКА ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ КЕРУВАННЯ
ОСВІТЛЕННЯМ У КОНЦЕПЦІЇ SMART HOME ............................................. 67
3.1 Апаратне комплектування інтелектуальної системи управління
освітленням ............................................................................................................ 67
3.2 Особливості налаштування пристроїв інтелектуальної системи ............... 79
3.3 Висновки до третього розділу ........................................................................ 83
ВИСНОВКИ ........................................................................................................... 84
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ ............................................................. 86

7

ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ, СИМВОЛІВ, СКОРОЧЕНЬ
І ТЕРМІНІВ

БАС – багатоагентна система
ЦУ – центр управління
ВЧ – висока частота
DIY – (англ. Do It Yourself) зроби сам
СОЗУ (SRAM) – статичний оперативний запам'ятовуючий пристрій
IoT – (англ. Internet of Things) інтернет речей
SBC – одноплатний комп'ютер
ПЗ – програмне забезпечення
ОС – операційна система
АІМ – інтегрована система активного управління
НЛП – нейролінгвістичне програмування
ШНМ – штучні нейронні мережі
ЗНМ – (англ. convolutional neural network, CNN, ConvNet) згорткові нейронні
мережі
Smart Home – розумний будинок

8

ВСТУП

У сучасному світі розвиток цифрових технологій та засобів
автоматизації істотно змінює уявлення про комфорт, енергоефективність та
безпеку житлових приміщень. Одним із найперспективніших напрямів цього
розвитку є концепція «Smart Home» (розумний дім) – система
взаємопов’язаних пристроїв, які забезпечують автоматизоване управління
побутовими процесами, здатні аналізувати дані з навколишнього середовища
та приймати рішення без участі людини [1, 14, 56]. Завдяки інтеграції
сенсорних технологій, мікроконтролерів, бездротових мереж і систем
штучного інтелекту, користувач отримує можливість здійснювати
централізоване або віддалене керування усіма електротехнічними пристроями
будинку через комп’ютер, мобільний телефон або інтерфейс пульта-дисплею.
Одним із ключових елементів розумного дому є система керування
освітленням, яка має забезпечити не лише комфорт та естетичність житлового
простору, а й раціональне використання електроенергії. Традиційні системи
освітлення передбачають ручне регулювання користувачем, що не завжди є
зручним та ефективним. Інтелектуальні системи, навпаки, дозволяють
автоматично змінювати параметри освітлення відповідно до часу доби,
присутності людей, рівня природного освітлення та інших зовнішніх факторів
[13].
Сучасні дослідження демонструють, що застосування контекстно-
залежних алгоритмів дає змогу досягти нового рівня гнучкості в управлінні
освітленням. Такі алгоритми враховують множину чинників — температуру,
рівень вологості, інтенсивність природного світла, тип діяльності користувача
тощо — і приймають рішення на основі аналізу поточного контексту. Це
дозволяє створити адаптивну систему, що самостійно налаштовує яскравість,
колірну температуру або схему освітлення відповідно до ситуації.
Важливою перевагою впровадження інтелектуальних систем освітлення
є також можливість зниження енергоспоживання. За рахунок автоматичного
9

регулювання інтенсивності світлового потоку та вмикання освітлення лише за
наявності користувача у приміщенні, досягається суттєва економія
електроенергії, що відповідає сучасним принципам сталого розвитку та
енергоощадності.
Окрім підвищення енергоефективності, концепція Smart Home має
велике соціальне значення, оскільки сприяє покращенню умов проживання
людей похилого віку, осіб з інвалідністю чи обмеженою рухливістю.
Автоматизація процесів керування освітленням дає можливість зменшити
залежність від фізичних дій користувача, забезпечити комфорт та безпеку у
повсякденному житті [1].
Актуальність обраної теми обумовлена необхідністю створення
доступних і гнучких систем освітлення, які поєднують сучасні технології
сенсорики, мікроконтролерного керування та штучного інтелекту.
Незважаючи на наявність комерційних рішень у цій сфері, більшість із них
мають високу вартість, обмежену масштабованість і не забезпечують
повноцінної адаптації до індивідуальних потреб користувача [58]. Саме тому
розробка інтелектуальної системи керування освітленням, здатної контекстно
аналізувати умови середовища та автоматично підлаштовувати свої
параметри, є актуальним і науково-практично значущим завданням.
Метою роботи є розробка інтелектуальної системи керування
освітленням у концепції Smart Home, що реалізує адаптивний алгоритм
регулювання світлових параметрів на основі аналізу зовнішніх і внутрішніх
чинників середовища.
Для досягнення мети необхідно вирішити такі завдання:
1) провести аналіз існуючих комерційних рішень в галузі управління
параметрами системи Smart Home;
2) розробити алгоритм управління системи освітлення на базі штучної
нейронної мережі;
3) розробити інтелектуальну систему управління освітленням на основі
контекстно-залежного алгоритму управління.
10

Об'єкт дослідження: процес автоматизованого керування освітленням
у системах Smart Home.
Предмет дослідження: методи, алгоритми та програмно-апаратні
засоби інтелектуального керування освітленням на основі контекстно-
залежного аналізу даних та штучних нейронних мереж, спрямовані на
підвищення адаптивності та енергоефективності систем Smart Home.
Методи дослідження. У даній роботі проведено порівняльний аналіз
функцій системи Smart Home; використано метод обґрунтування комфортної
колірної температури освітлення; застосовано метод побудови сценарію для
алгоритму роботи системи управління освітленням.
Практична значимість роботи полягає розробці алгоритму контекстно-
залежної системи управління освітленням і його апаратної адаптації.
Наукова новизна роботи. Розроблено оптимальний контекстно-
залежний алгоритм роботи системи управління освітлення, що базується на
даних, які надходять від датчиків руху, освітленості з урахуванням вимог ДБН
В.2.5-28.2018 для житлових приміщень і вихідної інформації
багатоступінчастої нейронної мережі з двома гілками.
Апробація роботи. Основні аспекти наукового дослідження
магістерської роботи були обговорені на XI міжнародній науково-практичній
інтернет-конференції «Сучасний рух науки», що відбувалася 8-9 жовтня 2025
р. у м. Дніпро.

11

РОЗДІЛ 1
АНАЛІЗ ІСНУЮЧИХ КОМЕРЦІЙНИХ РІШЕНЬ ЇХ ПЕРЕВАГ І
НЕДОЛІКІВ

Концепція Smart Home – це перспективний і економічно ефективний
спосіб покращення доступу для домашнього догляду для людей похилого віку
та інвалідів. Існує багато досліджень та тривають розробки, що фінансуються
міжнародними і урядовими організаціями. Водночас, ринок доступний
пересічному споживачеві пропонує широкий вибір окремих розумних
пристроїв і комплектів пристроїв Smart Home [3, 12, 14, 56].
Вони різні за своєю функціональністю, але, як правило, для свого
функціонування вони вимагають прямого вхідного сигналу від користувача,
що істотно знижує ступінь автономності систем Smart Home [56].

1.1 Поняття Smart Home

Концепція технології благоустрою Smart Home знаходиться в стадії
розробки вже кілька десятиліть. Розумні будинки, в цій ситуації, є доцільним
і економічно ефективним шляхом покращення доступу по догляду вдома для
літніх людей та інвалідів. Кілька університетів і дослідницьких проєктних
груп розробили прототипи Smart Home або окремі пристрої для адаптації у
розумному будинку. Ці розумні будинки в основному розроблені для
спостереження за людьми похилого віку з будь-якими вадами, такими як:
моторні, зорові, слухові або когнітивні [12, 56].
Люди схильні слідувати певній поведінці та послідовності дій у
своєму повсякденному способі життя. В контексті Smart Home, щоденні дії
користувача генерують шаблони, які відіграють важливу роль у
прогнозуванні майбутніх подій в розумному будинку. Метою середовища
Smart Home – це допомога користувачу в повсякденному житті, тому Smart
12

Home повинен знайти повторювані дії в діяльності користувача і
передбачити поведінку користувача для отримання надання йому допомоги
[56].
Моніторинг активності користувача використовується для
спостереження і фіксування дій людини з метою досягнення «мети комфорту і
ефективності», які Smart Home може запропонувати. Поведінка користувача
відноситься до діапазону дій та відповідей, зроблених користувачем. Тому
Smart Home повинен бути здатний «вчитися» і застосовувати отримані знання
для того, щоб пристосувати будинок до поведінки та дій користувача.
Оскільки користувач генерує шаблон, нестандартна поведінка користувача
може бути виявлена шляхом побудови нормальної моделі поведінки
користувача [1, 7, 14].
Як правило, датчики і камери у розумному будинку використовуються
для відстеження або ідентифікації дій користувача та виконують аналіз
людської поведінки. Поведінка користувача може використовуватися для
прогнозування і визначення майбутніх дій користувачів. Таким чином, метод
розпізнавання активності, реалізований Smart Home повинен бути
максимально точним для управління системою [11].
Алгоритми штучного інтелекту, машинного навчання і методи
інтелектуального аналізу даних використовуються для моделювання і
прогнозування поведінки користувача. Ці алгоритми і методи включають, але
не обмежуються методом Байеса, ланцюгом Маркова, статистичними
алгоритмами, нейронними мережами, нечіткою логікою та багатоагентної
системи (БАС) тощо [10, 20, 35, 44].
Контекстна обізнаність – важливий крок в концепції дій та поведінки
користувача. Система контекстної обізнаності – це тип концепції, у якій
«адаптується в залежності від місця використання, скупчення прилеглих
людей і об'єктів, а також змін в цих об'єктах з плином часу». Дей А.К. [38]
визначив контекст, як «будь-яку інформацію, яка може бути використана для
характеристик положення суб'єкта» і контекстно-залежною системою є та, яка
13

«використовує контекст для надання відповідної інформації та/або послуг
користувачеві, де доречність залежить від завдання користувача».

1.2 Комп'ютерний зір і розпізнавання образів

Комп'ютерний зір «описує світ, який ми бачимо в одному або більше
зображень і відтворює його властивості, такі як форма, освітлення і розподіл
кольору». Використання комп'ютерного зору в розумних будинках
поєднується із «всепроникаючою» комп'ютеризацією. «Всепроникаюча
комп'ютеризація» визначається як «обчислення всюди», «речі, які можуть
думати» або інтеграція комп'ютерів в повсякденний фізичний світ. Важливим
аспектом всепроникної комп'ютеризації є побудова прогностичних моделей
діяльності та поведінки людини за даними датчиків [29]. Ці прогностичні
моделі дозволяють середовищу бути «в курсі діяльності», що в ній діється.
Цю концепцію можна застосовувати для підтримки літніх людей в розумному
будинку. Деякі пристрої з комп'ютерним зором і розпізнаванням образів
включають: розпізнавання облич, оптичне розпізнавання символів, медичну
візуалізацію, захоплення руху, розпізнавання відбитків пальців та біометрію,
відстеження частини тіла, розуміння жестів, морфінг і відстеження всього тіла
тощо.
Комп'ютерний зір може бути використаний для створення глибоких
прогнозуючих моделей людської поведінки [58]. Датчики, що встановлені в
розумному будинку, дозволяють отримати інформацію про зовнішні умови та
дії користувача. Наприклад, біометрична ідентифікація використовує методи
розпізнавання образів, щоб ідентифікувати людей за їх фізіологічним
характеристикам . Крім того, у розумному будинку можуть бути встановлені
системи розпізнавання обличчя або голосу. Різноманітність комерційного
програмного забезпечення розпізнавання облич є доступним і здатне
14

розпізнавати з високою точністю. Ці методи розпізнавання ненав'язливі і
пасивні для користувача [43-45].
Візуальне захоплення жестів може бути реалізоване з використанням
методів комп'ютерного зору, де відео аналізується і жести розпізнаються [41].
У Гельсінському технологічному університеті, нейронна мережа була
використана для задач розпізнавання обличчя у розумному середовищі [42].
У Норвегії розроблена система на базі комп'ютерного зору в
Університетському коледжі Телемарка (Telemark Universitty College,
Норвегія) [43]. Система виявляла та ідентифікувала людей в кімнаті,
порівнювала їх минулу активність в базі даних і повідомляла третю сторону,
якщо виявлено ненормальну поведінку. Інші дослідження в
Університетському коледжі Телемарка засновані на відстежуванні активності
в реальному часі. Система використовувала камеру, у якій конфіденційність
гарантувалася без збереження зображення, а для процесу і аналізу
використовувалася досить енергозалежна пам'ять.
Крім того, проводяться дослідження в Університетському коледжі
Південно-Східної Норвегії [43], які фокусуються на виявленні деяких з
компонентів, що використовуються для автоматичного відстеження діяльності
самотніх людей. Дослідження даного університету складається з
використання математичних моделей, методів комп'ютерної науки, структури,
орієнтованої на дискретні події та інструментів для аналізу даних з датчиків,
які розміщені в будинку людини та використання інформації, зібраної для
моделювання поведінки або повсякденної діяльності користувача.
Обробка зображень відноситься до використання зображень, знятих
камерами, що потім обробляються з використанням математичних алгоритмів
[37]. Деякі з робіт по обробці зображень включають в себе моделювання в
градаціях сірого, аналіз форми, класифікація кольору, виявлення обличчя,
видалення фону і багато іншого. В розумних будинках обробка зображень
дозволяє відстежувати місце знаходження людини та ідентифікувати людей в
будинку [40].
15

Також була створена система із декількома камерами, у якій камери
відстежували або відчували користувача. Наприклад, коли людина дивиться
фільм, а потім залишає диван, фільм призупиняється до тих пір, поки
користувач не повернеться на диван. Система використовує розподілені
обчислення, геометричне моделювання та зондування [48].
Даррел Т. використовував відстеження людини для інтерактивних
розваг і віртуальних середовищ. Система, яка використовувалася для «оцінки
глибини усунення ефектів фону, визначала кольори для швидкого стеження та
виявлення шаблонів і виділяла обличчя від інших частин тіла [43].
Розумні будинки виявилися реальними і економічно ефективними
проєктами, щоб допомогти літнім людям залишатися вдома протягом як
можна більшого часу, зменшити витрати за комунальні платежі або просто
покращити комфорт користувача. Але, розумні будинки мають деякі недоліки,
які необхідно подолати [7, 14].

1.3 Характеристика об'єкта автоматизації

Серед усього простору житлового будинку, житлові кімнати
представляють особливий інтерес для автоматизації. Автоматизація
освітлення приміщеннях коридору, передпокою, вбиральні кімнати не
представляють інтерес для більш глибокого розвитку інформаційної або
матеріальної бази в даний час. Впровадження компонентів Smart Home
дозволяє активізувати освітлювальні прилади при: виявленні датчиками руху,
досягненні встановленої яскравості освітлення [56]. Тому автоматизація
освітлення подібних приміщень може бути виконана у самому найменш
дешевому варіанті – датчиками руху або присутності [14]. У житловій кімнаті
людина може займатися різними видами занять, наприклад: читанням книги,
роботою за письмовим столом, переглядом телевізора, фізичним
навантаженнями або активним переміщенням по кімнаті. У подібній ситуації
16

у мешканця виникають різні потреби до освітленості робочої поверхні або
приміщення в цілому. Житлову будівлю представлено споживачем 3 категорії
надійності електропостачання [23].
В управлінні освітленням за ступенем автоматизації можна виділити
ручне керування освітленням та автоматичне керування освітленням [3]. У
разі комбінації технологій, які використовують освітлювальні прилади,
датчики руху, датчики присутності систем, які об'єднують окремі пристрої в
єдину мережу, складно відокремити автоматизоване управління освітленням
від автоматичного управління освітленням. У системі управління освітленням
в ручному режимі можуть використовуватися різні кнопкові вимикачі,
поворотні світлорегулятори, пульти дистанційного керування, в якості
останнього може виступати будь-який гаджет зі встановленим програмним
забезпеченням при наявності каналу бездротової передачі даних [3]. У разі
автоматичного управління освітленням існує багато технічних рішень.
Системи автоматичного управління освітленням мають можливість запису
сценаріїв, які активуються в разі отримання сигналу від одного або декількох
датчиків. Далі, згідно зі сценарієм, відбувається ввімкнення окремих
світильників. Вимкнення світильників, також відбувається відповідно до
сценарію. Комбінації датчиків, що беруть участь в сценарії, дозволяють
точніше визначити умови ввімкнення і вимкнення освітлювальних приладів,
наприклад комбінація сенсора освітлення датчика присутності не дозволить
включити освітлювальні прилади в приміщенні в разі яскравого денного
світла. Так само можливо автоматичне ввімкнення і вимкнення освітлення за
графіком або відповідно до часу [5].
У таблиці 1.1 представлена класифікація систем Smart Home за
функціональністю, обладнанням та алгоритмами роботи [56, 59].

17

Таблиця 1.1
Класифікація систем Smart Home за функціональністю, обладнанням та
алгоритмами роботи
Функція Об'єкт, обладнання, пристрій
1 2
Підтримка Користувачі з обмеженими можливостями:
− реабілітаційна робототехніка;
− робот помічник;
− крісло для людей з обмеженими
можливостями;
− спеціалізований інтерфейс
Підтримка Користувачі з порушенням зору:
− генерація синтетичного голосу для
управління і голосових команд;
− тактильний екран;
− відчутний пульт дистанційного керування;
− звуковий маяк
Користувачі з порушенням слуху:
− візуальна сигналізація;
− телетайп;
− електронний дисплей
Спостереження Спосіб життя:
Зафіксовані системи – інфрачервоні датчики.
Системи, які переміщуються – активний значок
та акселерометр.
Фізіологічні ознаки (зовнішні датчики або
датчики в тілі):
− електроенцефалограма (непритомність,
епілептичні припадки, порушення сну тощо);
18

Продовження таблиці 1.1
1 2
Спостереження − електроміограма;
− температура;
− серцевий ритм;
− насичення крові киснем
− тиск;
− рівень цукру у крові.
Надання лікування, Терапевтичні прилади:
терапія − створення струму для переривання або
запобігання епілептичних припадків;
− пригнічення тремору;
− доставка наркотиків;
− доставка гормонів (наприклад, інсуліну);
− активні ортопедичні чоботи (педіатрія);
− роботизовані пристрої для бімануальної
фізіотерапії.
Комфорт Інтелектуальні побутові прилади: посудомийна
машина, пральна машина, холодильник; варочна
панель.
Розумні об'єкти:
− поштова скринька;
− стінна шафа;
− дзеркало.
Інтелектуальне домашнє обладнання:
− датчики руху;
− відеокамера;
− магнітні вимикачі;

19

Продовження таблиці 1.1
1 2
Комфорт − датчики вологості, газу і світла;
− старт-обладнання для відпочинку;
− ТВ, програми для домашнього кінотеатру;
− інтерактивні системи зв'язку;
− засоби спілкування з друзями і сім'єю в
разі крайньої необхідності;
− устаткування інтелектуального контролю
довкілля;
− вікна та двері;
− обігрів;
− освітлювальні прилади;
− клімат-контроль;
− вентиляція.
Фізична активність – фітнес-пристрої тощо.

В даний час на ринку комерційних пристроїв «Smart Home»
представлено безліч технологічних рішень, таких як: окремі датчики руху,
датчики протікання води, розумні голосові асистенти, що об'єднують всі
пристрої Smart Home за технологіями бездротової передачі даних в єдину
мережу [56]. Таким чином, з'явився ще один шлях управління домашніми
системами – голосове управління. Голосові асистенти мають можливість
розпізнавання мови та голосу, зазвичай вони є невід'ємною частиною центру
управління «Smart Home», дозволяючи крім голосового управління
освітленням здійснювати виклики, включати окремі побутові прилади, фільми
і ТВ-передачі, встановлювати будильник тощо [52]. До того ж, разом з
оновленням програмної частини центрів управління Smart Home і
периферійних пристроїв розширюються і можливості голосового помічника.
20

У таблицях 1.2, 1.3, 1.4 наведено порівняння пристроїв, які виступають в ролі
центру управління Smart Home із вбудованим голосовим помічником від
корпорацій Amazon, Google, Apple, Microsoft [49, 50].

Таблиця 1.2
ЦУ Smart Home з голосовим помічником до 50 дол. США
Пристрій Ціна, $ Дата Асистент Особливості
випуску
Amazon Echo 49.99 2016 Alexa Дзвінки, аудіовихід, сім
Dot (2nd мікрофонів дальнього
generation) радіусу дії
Google Home 49 2017 Google Chromecast streaming,
Mini асистент індивідуальне
розпізнавання голосу, Гугл
перекладач

Таблиця 1.3
ЦУ Smart Home з голосовим помічником від 50 до 200 дол. США
Пристрій Ціна, $ Дата Асистент Особливості
випуску
1 2 3 4 5
Amazon Echo 99.99 2017 Alexa Дзвінки, аудіовихід, сім
(2nd мікрофонів дальнього
generation) радіусу дії
Amazon Echo 149.99 2017 Alexa Можливість підключення до
Plus дому з коробки, покращений
звук Dolby, дзвінки, сім
мікрофонів дальнього
радіусу дії

21

Продовження таблиці 1.3
1 2 3 4 5
Amazon Echo 129.99 2017 Alexa 2,5-дюймовий дисплей,
Spot аудіовихід, дзвінки,
багатокімнатна музика
Google Home 129 2016 Google Chromecast streaming,
асистент Індивідуальне розпізнавання
голосу, Google перекладач
Harman 199 2017 Microsoft 360-градусний звук,
Kardon Invoke Cortana інтегрований Skype,
технологія голосу дальнього
радіусу дії
Sonos One 199 2017 Alexa Багатокімнатний звук, шість
мікрофонів, підсилювачі
класу D, об'єднані драйвери
користувача
Sony LFS50G 199 2017 Google 360-градусний звук,
асистент контроль жестів, NFC-
з’єднання, бризкозахищений,
відображення годин

22

Таблиця 1.4
ЦУ Smart Home з голосовим помічником від 200 до 400 дол. США
Пристрій Ціна, $ Дата Асистент Особливості
випуску
1 2 3 4 5
Amazon Echo 229.99 2017 Alexa Семидюймовий екран, два
Show стереодинаміки, сумісність
з камерою безпеки, відео
дзвінки
Apple 349 2017 Siri Автоматичне налаштування
HomePod музики, 360-градусний
аудіоформат, сім ВЧ
динаміків, AirPlay 2 для
багатокімнатного
прослуховування
Google Home 399 2017 Google Подвійні 4,5-дюймові
Max асистент низькочастотні динаміки,
настроюються мікрофони,
інтелектуальна оптимізація
кімнатного звуку,
дистанційне голосове
управління, багатоканальне
бездротове з'єднання
JBL Link 300 249.95 2017 Google Chromecast багатокімнатне
асистент потокове мовлення, 10
годин автономної роботи,
потужність 50 Вт

23

Продовження таблиці 1.4
1 2 3 4 5
Apple 349 2017 Siri Автоматичне налаштування
HomePod аудіо, 360-градусний
аудіоформат, сім ВЧ
динаміків, AirPlay 2 для
багатокімнатного
прослуховування
Google Home 399 2017 Google Подвійні 4,5-дюймові
Max асистент низькочастотні динаміки,
спеціальні ВЧ динаміки,
інтелектуальна оптимізація
кімнатного аудіо,
дистанційне голосове
управління, багатоканальне
бездротове з'єднання
JBL Link 300 249.95 2017 Google Chromecast багатокімнатне
асистент потокове мовлення, 10
годин автономної роботи,
потужність 50 Вт
Amazon Echo 229.99 2017 Alexa Семидюймовий
Show екран, два стереодинаміки,
сумісність з камерою
безпеки, відео дзвінки

Розумні голосові помічники, володіючи широкими функціональними
можливостями не забезпечують можливість організації автономної системи
управління освітленням з контекстною обізнаністю інформативністю.
На рисунку 1.1. наведена статистика використання розумних колонок
(розумна колонка відрізняється від звичайної приблизно так само, як
24

смартфон від простого мобільника. Головна її особливість в тому, що смарт-
колонка може розуміти голосові команди користувача і здатна в міру своєї
розумності на них відповідати), які виступають в якості центру управління
Smart Home, за типами запитів за травень 2025 року [56].

Рис. 1.1. Статистика використання розумних колонок за типами
запитів за травень 2024 р

Із статистики наведеної на рисунку 1.1 видно, що з метою домашньої
автоматизації, пов'язаними з розумними колонками звертаються близько
третини користувачів. Лідерами є загальні питання, запит погоди, музичний
сервіс, запити, які стосуються тайм менеджменту і планування справ.
Також варто відзначити, що є ряд центрів управління Smart Home без
голосового помічника, таблиця 1.5. Управління такими центрами відбувається
віддалено через застосунки і веб-сайти або шляхом налаштування
безпосередньо на дисплеї пристрою [57].

25

Таблиця 1.5
Центри управління Smart Home без голосового асистента
Пристрій Технологія передачі даних Ціна, $
Samsung SmartThings Hub ZigBee, Z-Wave, IP 85
Philips «Hue Bridge» Zigbee Light link protocol IEEE 802.15.4 60
Vera Control VeraSecure Wi-Fi, ZigBee, Z-Wave, Bluetooth BLE, 300
and VeraLink
Wink Hub 2 Bluetooth LE, ZigBee, Z-Wave, Kidde, 114
and Lutron Clear Connect
Xiaomi Gateway 2 Wi-Fi 2.4 GHz, ZigBee 29

Таким чином, управління пристроями в «розумному будинку» може
здійснюватися як за рахунок голосових помічників, вбудованих у розумні
колонки, так і за допомогою сайтів і застосунків, пов'язаних з центром
управління Smart Home. На жаль, на ринку «розумних будинків» не існує
єдиного стандарту для з’єднання пристроїв, в зв'язку з чим, потужні
виробники техніки формують свою систему зі списком пристроїв, які можна
підключити. Для з’єднання безлічі пристроїв без прив'язки до фірми-
виробника центру управління Smart Home існують DIY рішення з відкритим
кодом на базі міні комп'ютера Raspberry [53], який розглянуто в наступних
розділах. Однак, варто розуміти, що даний тип рішення вимагає технічних
знань від користувача і тимчасових витрат.

1.4 Порівняння технологій бездротової передачі даних

Різні типи бездротових технологій і мереж дозволяють пристроям
обмінюватися даними між собою та мережею (мережі TCP / IP) без кабелів.
Існує безліч різних бездротових технологій, які можуть бути реалізовані на
апаратних продуктах для зв'язку пристроїв через мережу інтернет або між
собою (M2M) [47, 54].
26

Інститут інженерів електротехніки та електроніки (англ. Institute of
Electrical and Electronics Engineers, IEEE) має шість цільових груп для
технологій IEEE 802. Ці групи встановлюють стандарти для загальних типів
бездротових технологій, які використовуються для особистих мереж [35]. Ці
цільові групи IEEE 802 включають в себе: WPAN / Bluetooth, Coexistence,
високошвидкісна WPAN, низькошвидкісну WPAN, радіомережі локального
масштабу дії і оптичний зв'язок.
Кожен протокол IEEE має свої власні переваги і обмеження.
Wi-Fi мережа (IEEE 802.11) є специфікацією бездротової локальної
мережі (WLAN). У своєму низькочастотному режимі IEEE 802.11 (b, g, n)
передає дані зі швидкістю 11 Мбіт/с і до 54 Мбіт/с та діє в радіусі до 32 метрів
в приміщенні та 95 метрів поза приміщенням. Стандарт IEEE 802.11 n
використовує подвійний радіочастотний спектр у порівнянні з 802.11 a або
802.11 g. Однак дані IEEE 802.11a, передаються зі швидкістю до 1 Гбіт/с і
можуть перевищувати діапазон технологій b і g більш ніж в два рази.
Низькочастотний Wi-Fi передає в діапазоні ISM 2,4 ГГц, а високочастотна
передача – в діапазоні 5 ГГц. Технологія цифрової модуляції BPSK і QPSK
використовується для передачі даних зі швидкістю до 54 Мбіт/с, і кожен канал
в діапазоні ISM має ширину 22 МГц. Підсилену ізотропну потужність, що
випромінює Wi-Fi (EIRP) обмежена 20 дБ/мВт (100 мВт) [47].
Bluetooth – є запатентованим стандартом відкритої бездротової
технології для обміну даними на невеликій відстані. Він використовує короткі
хвилі радіо діапазону ISM в 2400-2480 МГц. Знаходить найкраще
застосування для бездротової персональної мережі WPAN прийнятої
виключно з метою заміни кабельних технологій. Він займає всю смугу ISM
(Industrial Scientific Medical), використовуючи 79 каналів з кожним каналом на
частоті 1 МГц. Відстань передачі цієї технології залежить від потужності
передачі. Пристрій 1 класу з вихідною потужністю 100 мВт передає сигнал на
дистанцію до 100 метрів, а пристрій з пропускною спроможністю 25 мВт – до
10 метрів.
27

Бездротові сенсорно-контрольні мережі «ZigBee» (IEEE 802.15.4)
використовуються у недорогих, малопотужних цифрових радіостанціях і
знайшли застосування в таких областях, як домашня автоматизація,
телекомунікаційні послуги, охорона здоров'я та дистанційне керування тощо.
Подібно до Wi-Fi і технологій Bluetooth, ZigBee також працює в
радіодіапазоні ISM. Швидкість передачі даних складає 250 Кбіт/с. Технологія
ZigBee (IEEE 802.15.4) визначає рівні управління фізичним і середнім
доступом для низькошвидкісних персональних мереж PAN і передає
інформацію на відстань до 10 метрів. Шістнадцять каналів визначені для цієї
специфікації в смузі 2,4 ГГц, але з більш вузькою смугою частот 2 МГц.
Таким чином, ZigBee можуть співіснувати в одній і тій же області і в той же
час до 16 мереж. Остання версія ZigBee підтримує стрибкоподібне
перелаштування частоти в стандарті ZigBee Pro, що дозволяє ZigBee PAN
переміщатися від одного каналу до іншого, якщо перевантаження
відбувається в попередньому каналі.
Модель зв'язку вимагає, щоб вона поширювала роботу серед безлічі
різних пристроїв, які знаходяться всередині окремих вузлів ZigBee, які в свою
чергу утворюють мережу.
Стандарт WiMax (EEE 802.16) відповідає технології широкосмугового
доступу в мікрохвильовому діапазоні. Ця бездротова технологія дозволяє
передавати дані зі швидкістю 30-40 Мбіт/с. Термін конкретно відноситься до
функціонально сумісним реалізаціям бездротового сімейства IEEE 802.16.

1.5 Порівняння пристроїв для керування освітленням

Для реалізації дистанційного керування освітленням необхідні
апаратно-програмні засоби, які будуть обробляти сигнали, що надходять з
датчиків або камер, а потім подавати сигнали керування на виконавчі
пристрої. В якості таких апаратно-програмних засобів розглянемо продукти
відомих розробників Arduino Software і Raspberry Pi Foundation [55].
28

Плати Arduino стали одними з найпопулярніших мікроконтролерів на
ринку з величезною різноманітністю плат. Деякі плати Arduino краще
підходять для певних застосувань. Порівняємо деякі з найбільш популярних
плат, створених Arduino Uno, Micro і Mega 2560, рисунки 1.2 і 1.3.

Рис. 1.2. Плата Arduino Mega 2560

Рис. 1.3. Плати Arduino Micro і Arduino Uno R3

Розмір Arduino Micro входить до числа його переваг 1,8x4,8 см, що
робить її однією із найменших плат мікроконтролерів. На протилежному боці
спектру Mega 2560 становить близько 10x5 см. Десь посередині Uno, що
мають розміри 5x2,5 см. Ціна для Micro зазвичай становить близько 19-25
доларів, а Uno – близько 20-23 доларів, Mega 2560 – 36 доларів.
29

Для підключення до комп'ютера і початку написання коду, Uno і Mega
2560 можуть бути легко підключені за допомогою стандартних USB та Micro-
USB кабелів, в той час як Micro потрібен тільки кабель Micro-USB.
Кожна з плат Arduino має різну кількість контактів вводу/виводу.
Плата з найбільшою кількістю контактів – Mega 2560, яка поставляється з
колосальними 54 цифровими контактами вводу/виводу (з них 15 з них мають
PWM) і має 16 вхідних аналогових контактів. Дивно, але Micro друга плата
серед трьох за кількістю контактів, що має 20 цифрових входів / виходів (7 з
них із PWM) і 12 вхідних аналогових контактів. Uno має 14 цифрових
входів/виходів (6 з них із PWM) і 6 вхідних аналогових контактів.
Всі три плати Arduino мають власний рівень обчислювальної
потужності, тому розглянемо докладніше їх тактову частоту. Тактова частота
на цих платах означає, наскільки швидко вони можуть виконувати команди.
Приємно дивує, що всі вони мають однакову тактову частоту 16 МГц, таблиця
1.7.
Флеш-пам'ять на Uno і Micro однакова – 32 кБ, а Mega 2560 має 256 кБ,
що дає їй в 8 разів більший простір пам'яті. Флеш-пам'ять означає, наскільки
великий скетч/код можна завантажити в Arduino, тому якщо код має великий
розмір тоді краще залишити вибір за Mega 2560.
Плати Arduino використовують статичний оперативний
запам'ятовуючий пристрій (SRAM (Static Random-Access Memory)). Mega
2560 має саме великий простір СОЗУ 8 КБ, що в 4 рази більше, ніж у Uno, і в
3,2 рази більше, ніж у Micro. З великою кількістю простору СОЗУ у Arduino
більше простору для створення та управління змінними при запуску.
У таблиці 1.7 наведено порівняння специфікацій Arduino Uno, Mega
2560 і Micro.

30

Таблиця 1.7
Порівняльна таблиця мікроконтролерів Arduino Uno, Micro і Mega 2560
Назва Uno Micro Mega 2560
Процесор ATmega328P ATmega32U4 ATmega2560
Робоча/вхідна 5 V / 7-12 V 5 V / 7-12 V 5 V / 7-12 V
напруга
Тактова частота 16 MHz 16 MHz 16 MHz
Аналогові In/Out 6/0 12/0 16/0
Цифрові IO/PWM 2 43301 54/15
EEPROM [кБ] 1 1 4
SRAM [кБ] 2 43222 8
Flash [кБ] 32 32 256
USB Regular Micro Regular
УАПП 1 1 4
WI-FI Ні (Shield) Ні Ні (Shield)
Bluetooth LE
Ethernet

Виходячи із наведених у таблиці 1.7 параметрів мікроконтролерів
можна зробити висновок, що нагальною потребою є мінітюаризація та
компактність проєкту, а також відсутність великої кількості контактів вводу-
виводу з бюджетною ціновою категорією вище середньої та відсутністю
додавання будь-яких розширювальних плат. Таким чином, найбільш доцільно
для побудови інтелектуальних систем управління використовувати
мікроконтролер Arduino Micro.
Якщо система працює з великим обсягом інформації, то потрібна
розширювальна плата з більшою кількістю контактів вводу-виводу інформації
або доцільніше вибрати контролер Arduino Mega 2560 [53].
31

Якщо необхідно розробляти компактний проєкт (систему) без
додавання розширювальної плати з невеликим бюджетом, то вибір за
контролером Arduino Uno.
Для управління реле освітлення декількома лампами в умовах
обмеженості бюджету вибір припадає на Arduino Uno
Тепер порівняємо продукти розробників Arduino Software і Raspberry Pi
Foundation.
Arduino Uno і Raspberry Pi 3 є популярним при виборі, коли мова йде
про DIY, IoT або просто цікавих інженерних проєктах. Вони можуть
використовуватися для прототипування та реальних інженерних рішень.
Розглянемо кожну плату мікроконтролера [4, 47, 52].
Обидві плати виглядають однаково, але кожна з них має свою власну
категорію. Raspberry Pi 3 це одноплатний комп'ютер (SBC), у якому плата
являє собою повністю функціональний комп'ютер з власним процесором,
пам'яттю і може запускати операційну систему (працює на ПЗ Linux).
Raspberry Pi 3 має власні USB-порти, аудіовихід і графічний драйвер для
виходу HDMI, який показує, як він може запускати кілька програм. На нього
можна установити також інші операційні системи, включаючи Android,
Windows 10 тощо.
Arduino Uno Rev 3 – це потужні мікроконтролери, але не такі як SBC,
вони можуть пригодними для швидкого встановлення. Мікроконтролери
мають чудові параметри при управлінні невеликими пристроями (такими як
світлодіоди, мікродвигуни, декілька різних типів датчиків), але не можуть
працювати з операційною системою. Arduino Uno запускає тільки одну
програму за один такт.
Raspberry Pi 3 – цей міні-комп'ютер отримав більш потужний
просунутий процесор і бездротові пристрої комунікації. Нова версія Raspberry
Pi працює набагато швидше попередніх з такими додатками як електронні
таблиці, обробка текстів, відтворення відео високої чіткості. Raspberri Pi 3
може працювати під управлінням декількох різновидів Linux і навіть
32

безкоштовної Windows 10 та може підключатися до пристроїв Bluetooth та
інтернету прямо за допомогою Ethernet або шляхом підключення до Wi-Fi.
Arduino Uno не може зробити це без плати розширення (Shield), яка додає
підключення до інтернету або Bluetooth. Плати розширення (HAT (Hardware
Attached on Top)) і Shields допомагають в цьому.
HAT і Shields мають по суті одну і ту ж мету, додаючи додаткову або
спрощуючу функціональність. HAT можна використовувати на Raspberry Pi 3,
де деякі HAT включають Pi для управління матрицею RBG, додаючи
сенсорний екран.
Shields можуть використовуватися на Arduino Uno, включають в себе
релейну плату, плату сенсорного екрану або Bluetooth-плату. Існують сотні
Shields і HAT, які забезпечують функціональність.
Raspberry Pi 3 також має порт HDMI, аудіо порт, 4 порти USB, порт
камери і порт LCD, що робить його ідеальним для мультимедійних додатків.
У Arduino Uno немає жодного з цих портів на платі (хоча деякі з них можуть
бути додані через Shields).
Для початку, розглянемо переваги Raspberry Pi 3. Оскільки це міні-
комп'ютер, він може працювати в багатозадачному режимі з декількома
програмами з однокристальною системою Broadcom BCM2837, а це означає,
що створення складного проекту, для якого необхідно кілька дій в водночас,
можливо обробити без великого навантаження на процесор.
Raspberry Pi 3 набагато швидший ніж Arduino (1,2 ГГц по порівняно з
16 МГц), що дає йому можливість виконувати щоденні завдання, які роблять
комп'ютери – відтворення відео, перегляд в інтернеті, прослуховування
музики тощо. Це робить Raspberry Pi 3 простим у виборі, якщо необхідно
використовувати його для медіа центрів.
Більш спрощений підхід Arduino Uno може бути більш привабливим,
коли мова йде про створення проекту. Arduino Uno спрощує взаємодію з
аналоговими датчиками, двигуном або іншими компонентами, в той час як у
Raspberry Pi 3 складніший шлях для отримання показань датчика (наприклад,
33

установка бібліотек, програмного забезпечення та підключення до монітора,
клавіатури, миші).
Arduino також можна просто підключити, і він відразу ж почне
виконувати свої завдання, тому немає необхідності в установці програмного
забезпечення та драйверів пристрої проєкту (системи). Це робить Arduino Uno
відмінним при виборі у випадку, якщо необхідно розпочинати розробку
дослідного зразка системи Smart Home. У таблиці 1.8 наведено порівняння
характеристик сімейства одноплатних комп'ютерів Raspberry Pi.

Таблиця 1.8
Порівняння характеристик сімейства Raspberry Pi
Найменування Модель А Модель А + Модель B + RPi2 RPi3
1 2 3 4 5 6
Пам'ять для MicroSD MicroSD MicroSD MicroSD MicroSD
ОС
ОЗУ 256 MB 256 MB 512 MB 1GB 1GB
SDRAM/400 SDRAM/400 SDRAM/ SDRAM/40 SDRAM/400
MHz MHz 400 MHz 0 MHz MHz
Процесор Broadcom Broadcom Broadcom Broadcom Broadcom
BCM2835 BCM2835 BCM2835 BCM2836 BCM2837
32 bit 32 bit 32 bit 32 bit 64 bit
ARMv6 SoC ARMv6 SoC ARMv6 ARMv7, ARMv8,
full full SoC full чотири чотири
HD, одне HD, одне HD, одне ядра. ядра.
ядро. ядро. ядро.
Швидкість 700 МГц 700 МГц 700 МГц 900 МГц 1.25 ГГц
процесора
Живлення 1.2 A / 5 V 1.8 A / 5 V 1.8 A / 5V 1.8 A / 5 V 2.5 A / 5 V
USB 2.0 1 x USB 1 x USB 4 x USB 4 x USB 4 x USB

34

Продовження таблиці 1.8
1 2 3 4 5 6
GPU Videocore Videocore Videocore Videocore Videocore
IV IV IV IV IV
GPIO 26 pin 40 pin 40 pin 40 pin 40 pin
WI-FI Ні Ні Ні Ні Вбудований
Bluetooth LE Ні Ні Ні Ні Вбудований
Ethernet Ні Ні Так Так Так

Якщо проєкт (Smart Home), включає в себе кілька функціональних
можливостей одночасно, то потрібний легкий та швидкий доступ до
інтернету, а також необхідні можливості для доступу до мультимедіа, то
бажано залишити свій вибір за Raspberry Pi 3.
Якщо проєкт (Smart Home), вимагає легкого зчитування з датчиків,
обробку інформацію декількох вихідних сигналів на основі даних датчиків,
легко обмінюватися даними з іншими частинами системи, швидко
запускатися практично без будь-якої іншої переустановки, тоді слід вибирати
Arduino Uno.
На основі аналізу інформації щодо оптимального вибору контролерів
для використання в проектованій системі управління освітленням є міні-ПК
Arduino Uno та Raspberry Pi 3,.

1.6 Висновки до першого розділу

1. Проаналізовано сучасні системи Smart Home, визначено їх переваги
та недоліки. Встановлено, що більшість комерційних рішень орієнтовані на
пряме керування користувачем (через додаток, голос або жести) і мають
обмежену автономність. Таким чином, актуальною є задача підвищення
35

ефективності шляхом впровадження контекстно-залежних систем, які можуть
прогнозувати дії користувача на основі сенсорних даних.
2. Розглянуто застосування комп’ютерного зору для розпізнавання
активності людини в інтелектуальних системах та встановлено, що алгоритми
аналізу відеопотоків (відстеження руху, пози людини, розпізнавання жестів)
дозволяють формувати сценарії освітлення без безпосереднього втручання
користувача, підвищуючи комфорт і енергоефективність.
3. Досліджено об’єкт автоматизації – систему освітлення житлового
приміщення. Визначено основні сценарії освітлення залежно від активності
користувача (читання, відпочинок, рух тощо) та природного рівня
освітленості. Обґрунтовано необхідність комбінованого використання
датчиків руху, освітленості та відеокамер для забезпечення стабільної роботи
системи.
4. Проведено порівняння апаратних платформ Arduino та Raspberry Pi.
Встановлено, що Arduino доцільно використовувати для реалізації
низькорівневих функцій – зчитування даних із сенсорів і керування реле, тоді
як Raspberry Pi забезпечує високорівневу обробку інформації, реалізацію
алгоритмів розпізнавання та взаємодію з мережею. Така гібридна архітектура
забезпечує оптимальне співвідношення між вартістю, продуктивністю та
енергоспоживанням.
5. Оцінено та порівняно бездротові технології зв’язку (Wi-Fi, ZigBee,
Bluetooth, WiMAX), що можуть бути використані для побудови систем Smart
Home. Обґрунтовано вибір комбінованої схеми: ZigBee – для енергоощадного
сенсорного рівня, Wi-Fi – для підключення центрального контролера та
передачі мультимедійних даних.
6. Сформульовано вимоги до інтелектуальної системи керування
освітленням, серед яких: автономність, адаптивність до контексту, надійність,
масштабованість, захист персональних даних користувача. Визначено основні
показники оцінки ефективності – швидкість реакції, точність розпізнавання
дій, енергоспоживання та стабільність зв’язку.
36

РОЗДІЛ 2
РОЗРОБКА КОНТЕКСТНО-ЗАЛЕЖНОГО АЛГОРИТМУ
УПРАВЛІННЯ ІНТЕЛЕКТУАЛЬНОЮ СИСТЕМОЮ ОСВІТЛЕННЯ

Для підвищення автономності роботи системи освітлення, з точки зору
виконання функцій ввімкнення освітлення, вимкнення, зміни яскравості і
колірної температури освітлення, необхідно визначити ключові фактори, що
характеризують внутрішнє кімнатне освітлення. До такого фактору слід
віднести норми освітленості характерні, для виконання зорової роботи,
комфортна колірна температура освітлення, яка буде сприяти підвищенню
ефективності користувача, і, в той же час, сприяти підтримці його біологічних
процесів [48].

2.1 Аналіз методів управління освітленням

Методи освітлення для приміщень можуть бути поділені на загального
і місцевого освітлення [9]. Метод загального освітлення може поліпшити
освітленість всередині приміщення шляхом мінімізації дисбалансу
освітленості в різних його частинах, встановлюючи єдину освітленість у
всьому просторі приміщення. З іншого боку, метод локального освітлення
дозволяє встановити бажану освітленість на робочій поверхні, тим самим
покращуючи ефективність освітлення у порівнянні з методом загального
освітлення. Однак цей метод може знизити комфорт від перебування в такому
просторі через нерівномірне освітлення. У зв'язку з цим в роботі
розглядається управління яскравістю загального освітлення із застосуванням
технології визначення кількості людей в приміщенні, статусу їх положень,
освітленості в приміщенні та часу доби, тим самим заощаджуючи енергію на
освітлення і покращуючи загальне світлове середовище [9, 13].
37

Методи управління штучним освітленням в приміщенні можна
розділити на управління увімкненням-вимкненням освітлення, управління
освітленням на основі датчиків, управління освітленням з димеруванням і
змішане керування освітленням [11], що наведено в таблиці 2.1.

Таблиця 2.1
Методи управління штучним освітленням
Класифікація
управління Формат управління Характеристика
освітленням
Увімкнуто- Ручний Управління освітленням з
вимкнуто найменшими витратами, простота
установки і перемикання.
Сенсори Автоматичний Управління освітленням засноване
на переміщені мешканця.
Димерування Ручний/автоматичний Управління освітленням шляхом
установки оптимальної освітленості
і тим самим споживання
електроенергії.
Змішаний Ручний/автоматичний Управління освітленням з
використанням датчиків і
димерування тощо.

Управління освітленням методом увімкнуто-вимкнуто є недорогим і
простим в установці, керованим за допомогою простого перемикача, тоді як
управління освітленням на основі датчиків забезпечує автоматичне керування,
виявляючи переміщення мешканця, а також освітленість всередині і зовні
приміщення. Управління освітленням на основі димерування забезпечує
поетапне регулювання освітленням, яке покращує візуальний комфорт
мешканців та забезпечує ефективне енергозбереження.
38

Змішане керування освітленням – це метод підвищення ефективності
освітлення шляхом об'єднання трьох попередніх методів. Метод управління
освітленням, який пропонується в даній роботі, являє собою змішаний метод
управління освітленням, оскільки він являє собою комбінацію управління
освітленням на основі датчиків та управління освітленням на основі
димерування.

Рис. 2.1. Діаграма сходу і заходу сонця в м. Черкаси у 2024 році

У разі вибору архітектури інтелектуальної системи освітлення без
використання датчика освітленості необхідно, що б система враховувала час
сходу і заходу сонця (рисунок 2.2).
39

Рис. 2.2. Загальна тривалість світлового дня м. Черкаси у 2024 році

Так, зіставляючи інформацію з датчика руху і даних про положення
сонця, тобто часу сходу, заходу або тривалості світлового дня (рисунок 2.2),
система не буде вмикати світло до настання заходу, а після нього –
ґрунтуючись на даних датчика руху [12].

2.2 Огляд оптимальних стандартів освітленості приміщень

Підтримка рекомендованого рівня освітленості приміщень важлива не
тільки для створення комфортного світлового середовища, але і для зниження
енерговитрат будівлею за рахунок усунення непотрібного освітлення. У
таблиці 2.2 наведено рекомендовані норми освітленості приміщень в Україні
відповідно до ДБН В.2.5-28-2018 затверджені Наказом Міністерства
будівництва, архітектури та житлово-комунального господарства України від
03 жовтня 2018 р. № 264, тому обрані 150 лк і 300 лк в якості еталонних
значень для управління загальним освітленням [9].

40

Таблиця 2.2.
Норми освітленості для різного типу приміщень
Приміщення / тип активності Освітленість, лк
Кабінет, бібліотека 300
Квартирні коридори холи 50
Дитячі 200
Кухні 150
Житлові кімнати 150

Якщо розглядати приміщення наприклад, площею 10,8 м2 з висотою
стелі до 2,7 м, то розрахований світловий потік матиме значення 1620 Лм для
рівня освітленості приміщення 150 лк і 3240 Лм для значення освітленості 300
лк. Для досягнення необхідного найбільшого світового потоку необхідно
використовувати 4 світлодіодних лампи потужністю 6 Вт і світловим потоком
806 Лм.
Для відповідності освітленості необхідним нормам в систему
управління освітленням необхідно застосування датчика освітленості. Таким
чином, крім інформації про присутність мешканця та часу доби, буде
враховуватися також освітленість усередині приміщення.

2.3 Огляд використання джерел світла різної кольорової
температури в залежності від часу доби

За даними Інженерного суспільства освітлення (Illuminating
Engineering Society), «денне освітлення – це освітлення внутрішнього
простору через отвори у будівлях таких, як вікна та мансардні вікна, що
пропускають денне світло в будівлю. Цей тип освітлення обраний для
економії енергії, щоб уникнути гіпотетичних шкідливих наслідків надмірного
освітлення штучним світлом для здоров'я, а також для естетики. Кількість
денного світла, що надходить у приміщення, визначається як коефіцієнт
41

денного світла, являючи собою співвідношення між виміряними внутрішнім
та зовнішнім рівнями освітленості» [26]. Порівняно з природним світлом,
штучне світло забезпечує постійну кількість світла, яке можна просто
включити або вимкнути. Спектральна якість – це складний термін, який
використовується, щоб показати, наскільки теплим або холодним є світло та
вимірюється двома показниками, а саме: корельована колірна температура
світла (Correlated Color Temperature, CCT) та індекс передачі кольору (Color
Rendering Index, CRI). Як правило, високий CRI джерела світла відповідає
кольору об'єкта, який здається близьким до природного кольору, що
спостерігається при денному освітленні або до джерел невичерпного світла
тієї ж колірної температури. Сонце генерує широкий спектр світла, щоб
забезпечити достатню довжину хвилі, щоб всі люди могли розпізнавати
більшість кольорів. Отже, вважається, що світло від Сонця має CRI 100, яке є
максимальним значенням, що може досягти світло.
Різні дослідження продемонстрували безліч переваг, які денне світло
має з точки зору його спектральних якостей, таких як вироблення вітаміну D
через нашу шкіру. Фактично, саме природа світлового спектру в сонячному
світлі робить його унікальним в поліпшенні здоров'я людини, і її не можна
знайти при електричному освітленні [58].
Слід враховувати, що різні спектри сонячного світла по різному
впливають на організм людини і особливо на зір. Фактично, візуальні та не
візуальні ефекти світла на функції і реакції головного мозку людини залежать
від конкретної довжини хвилі світла, що отримується через очі. Відмітимо, що
ранкове сонячне світло з короткохвильовим спектром впливає на організм
людини по-різному у порівнянні з довгохвильовим сонячним світлом.
Вченими було досліджено, що 6,5 годин впливу синього світла
(монохроматичне світло 460 нм) під час біологічної ночі знижує суб'єктивну
сонливість і підвищує слухову продуктивність і пильність у порівнянні з
впливом рівної щільності фотонів зеленого світла (монохромне світло 555
нм). Ці результати показують, що попереджувальний вплив світла на зір
42

залежить від довжини хвилі, а у видимому спектрі спостерігається більш
висока чутливість до коротких довжин хвиль. Було також відзначено, що
навіть декілька десятків секунд впливу світла на зір викликають негайні і
значні зміни в головному мозку людини, які залежать від довжини хвилі [40].
За словами Вандеваллє, 50 секундний вплив синього світла збільшує
активність в лівій півкулі головного мозку ніж у правій півкулі порівняно з
впливом зеленого світла [58].
Ранкове світло відіграє важливу роль в синхронізації метаболічних
ритмів з 24-годинним циклом обертання Землі. Без періодичного денного
світла людські циркадні (біологічні ритми, які налаштовують всі процеси в
організмі людини: баланс гормонів, артеріальний тиск, температуру тіла,
метаболізм, перехід від сну до активного дня) годинники будуть працювати в
середньому по циклу 24 години і 15-30 хвилин, що в кінцевому результаті
призведе до зміни циркадного кардіостимулятора і десинхронізації наших
біологічних годинників. Вплив раннього ранкового сонячного світла на
циркадну систему студентів було вивчено Фігейра і Реа [34] поза
лабораторними умовами. Це дослідження показало, що відсутність
короткохвильового світла вранці призводить до затримки циркадної фази
приблизно на 30 хвилин для учнів 8-го класу. Інші дослідження показали
аналогічні результати в лабораторних умовах. Лабораторні дослідження
підтвердили результати, отримані в реальних умовах шкільного середовища.
Циркадний ритм в значній мірі відповідальний за численні когнітивні
процеси, такі як увага, пильність, якість сну, настрій, а також пам'ять. Це
ключові компоненти в процесі навчання. Вплив природного світла в класах,
очевидно, має важливе значення для покращення навчання учнів.
Згідно з результатами дослідження [34] короткі хвилі світла видимого
спектру можуть згубно впливати на збільшення маси тіла через різні
механізми і пригнічення вироблення мелатоніну в тому числі.
Так, наприклад, через швидке поширення стільникових телефонів і
інтернет-технологій люди в усьому світі в даний час піддаються впливу
43

штучного освітлення вночі. Хоча планшети, мобільні телефони, ПК, ігрові
пристрої не випромінюють багато світла, вони дуже ефективні для
пригнічення мелатоніну не тільки тому, що вони знаходяться близько до очей,
але і завдяки «синьому» короткохвильовому світлу, яке вони випромінюють.
Крім того, стільникові телефони та інтернет, які широко поширені навіть в
найменш розвинених країнах, часто використовуються після сутінків і вночі
[58].
Ця інформація служить підставою для застосування освітлення в
житловому приміщенні з регулюванням колірної температури освітлення. Для
досягнення ефекту найкращої працездатності і відчуття бадьорості
мешканцями у ранковий і денний час вмикаються лампи з холодною
кольоровою температурою 4000 К, у міру настання вечірнього часу з 17:00 до
19:00 відбувається поступова зміна освітлення, що надходить від ламп з
холодною і теплою (2700 К) колірними температурами. У нічний час
небажано використання світлових джерел, особливо з холодною колірною
температурою, через це на рисунку 2.3, можна бачити різку зміну
використання типу ламп після 6 години ранку [13, 16].

Рис. 2.3. Відсоток використання ламп з різною колірною температурою
протягом доби

44

2.4 Огляд існуючих підходів до аналізу активності мешканців

Поведінка мешканців в будівлях дуже впливає на потреби в опаленні,
охолодженні і вентиляції приміщень, споживання енергії освітлювальними
приладами [4]. Інформація про зайнятість в режимі реального часу вже давно
використовується для управління різними пристроями, такими як штучне
світло, кліматичні прилади тощо. Дослідження показують, що використання
інформації про зайнятість у реальному часі для управління освітленням може
заощадити значну кількість електричної енергії [3]. Останнім часом,
інтелектуальні системи управління освітленням користуються попитом серед
мешканців не тільки через можливість економії енергії, а і для задоволення
комфорту. Цей фактор є більш важливим, тому що прогнозовані моделі
зайнятості (сну) відіграють значну роль, наприклад, у роботі інтелектуального
термостата, оскільки кондиціонування кімнати не є миттєвим процесом і
вимагає часу для досягнення бажаних умов.
У дослідженнях [7] і [14] мультиагентна система підлаштовується під
потреби мешканця тільки тоді, коли він присутній в будівлі. Система
намагається економити енергію за рахунок автоматичного зниження
температури в приміщенні, коли мешканця немає в будівлі. У США автори в
[36] пропонують використовувати мережу глибинних переконань для
підвищення точності виявлення типу активності всередині приміщення.
Однієї тільки інформації про місцезнаходження в реальному часі недостатньо
для ефективного управління енергією і комфортом будівлі. Ця проблема
особливо актуальна для систем освітлення, оскільки вони впливають на
візуальний комфорт користувача. Причина у тому, що більшість комерційно
доступних датчиків руху використовують час очікування для вимикання
світла після виявлення датчиком останнього руху. Широко застосовується 30-
хвилинний час очікування, а також він може регулюватися в діапазоні 5-30
хвилин. Однак, якщо часовий проміжок очікування занадто малий, світло
може вимкнутися, поки мешканці все ще знаходяться в приміщенні, що може
45

викликати дискомфорт. В іншому випадку, якщо час очікування більший, ніж
необхідно, світло продовжує бути включеним коли в кімнаті нікого немає, що
може привести до витрати електроенергії. При цьому слід враховувати
індивідуальні переваги людей в освітленні. В роботі [48] було запропоновано
використовувати інтелектуальну систему управління будівлею, яка здатна
відстежувати місце розташування працівників в режимі реального часу в офісі
і застосовувати їх особисті переваги освітлення, охолодження і опалення
Система AIM [37] створює профілі поведінки мешканців будинку за
допомогою алгоритму прогнозування AIM та може автоматично управляти
побутовою технікою (в основному пристроями, які використовуються для
опалення / охолодження приміщень, освітлення тощо) відповідно до
поведінки та активності користувачів. Коли користувачі змінюють свою
поведінку через непередбачувані події, система AIM виявляє неправильні
прогнози, аналізуючи в реальному часі інформацію від датчиків і, відповідним
чином змінює поведінку системи.

2.5 Аналіз мов програмування для розробки алгоритму
контекстно-залежного управління освітленням

Python займає перше місце в списку мов для розробки штучного
інтелекту завдяки своїй простій структурі. Простий синтаксис та інструменти
обробки розширеного тексту дозволили йому стати ідеальним рішенням
проблем нейролінгвістичного програмування (НЛП). Розробники можуть
створювати нейронні мережі на Python, а для машинного навчання з Python
необхідно набагато менші зусилля [51].
Особливості:
- короткий час розробки (у порівнянні з Lips, Java або C ++);
- велика різноманітність бібліотек;
- високий рівень синтаксису;
46

- підтримує об'єктно-орієнтований, функціональний і процедурний
стилі програмування;
- добре підходить для тестування алгоритмів без їх реалізації.
Основна перевага C ++ для AIМ його швидкість, і C ++ можна знайти
серед найшвидших мов програмування в світі. Оскільки розробка систем
вимагає великої кількості обчислень, швидкодіючі програми мають велике
значення. C ++ постійно рекомендують для машинного навчання і побудови
нейронних мереж.
Особливості:
- високий рівень абстракції;
- висока продуктивність;
- організовує дані відповідно об'єктно-орієнтованими принципами;
- колекція STL.
Lisp є другою найстаршою мовою програмування в світі (після Fortran),
яка і раніше займала лідируючі позиції в штучному інтелекті завдяки своїм
унікальним можливостям. Наприклад, в Lisp є спеціальна система макросів,
яка дозволяє розробляти предметний рівень абстракції і будувати на його
основі наступний рівень. Lisp в області розробок штучного інтелекту відомий
своєю унікальною гнучкістю, оскільки він адаптується до проблем, які
потрібно вирішувати, на відміну від інших мов, які обмежені у виконані тої чи
іншої задачі. Розробники вибирають Lisp для проєктів машинного навчання та
індуктивної логіки.
Особливості:
- можливості швидкого прототипування;
- підтримка символьних виразів;
- бібліотека типів з'єднань, що включає динамічні списки і таблиці
значень;
- ефективне кодування завдяки компіляторам;
- інтерактивна оцінка компонентів і перекомпіляція файлів під час
роботи програми.
47

Ім'я Prolog говорить саме за себе – це одна із найстаріших мов
логічного програмування. Якщо ми порівняємо цю мову з іншими, то
побачимо що вона декларативна. Це означає, що логіка будь програми буде
представлена правилами і фактами. Програмуванням штучного інтелекту на
Prolog дозволяє створювати експертні системи і вирішувати логічні завдання.
Деякі вчені стверджують, що середньостатистичні ІТ-розробники двомовні –
вони пишуть програми, як на Lisp так і на Prolog.
Особливості:
- порівняння зі зразком;
- деревоподібне структурування даних;
- добре підходить для швидкого прототипування;
- автоматичне повернення.
Java – це об'єктно-орієнтована мова програмування, яка дотримується
принципу WORA («пиши один раз, читай скрізь»). Вона працює на всіх
платформах без додаткової перекомпіляції завдяки технології віртуальної
машини. Ще однією перевагою Java є те, що ця мова проста у використанні і
налагодженні. Однак, з точки зору швидкості, вона програє C ++.
Програмування на Java відмінне рішення для нейронних мереж, НЛП і
пошукових алгоритмів.
Особливості:
- портативна;
- легко писати алгоритм;
- масштабованість.
Haskell – стандартизована, винятково функціональна мова
програмування з нечіткою семантикою. Названа на честь американського
математика Гаскелла Каррі, роботи якого в галузі математичної логіки є
базовими для функціонального програмування. Haskell базується на лямбда
численні. Найважливішими реалізаціями є компілятор Glasgow Haskell
Compiler (GHC) та заснований на ньому компілятор GHCJS, що компілює
48

Гаскель-код у скрипт мовою JavaScript. Історично важливим також є
інтерпретатор Hugs, але на сьогодні він не підтримується.
Особливості :
- основні алгоритми доступні через Cabal;
- прив'язка CUDA;
- може бути виконаний на безлічі CPU в хмарі.
AIML (мова розмітки штучного інтелекту) – це діалект XML,
використовуваний для створення чат-ботів. Завдяки AIML можна створювати
співрозмовників, які говорять на природній мові. У мові є категорії, які
показують одиницю знань; шаблони можливого висловлювання, адресовані
чат-боту та шаблони можливих відповідей.
Виходячи з представленої інформації для створення штучної нейронної
мережі без глибоких знань в області програмування пріоритетною мовою є
Python, як простий і потужний інструмент, в той час як C++, Prolog і Lisp
посідають друге місце.

2.6 Огляд архітектури штучних нейронних мереж в загальному
вигляді

Для різних завдань в машинному навчанні застосуються різні
архітектури штучних нейронних мереж, що дозволяють досягти необхідної
точності в поставленій задачі. У загальному випадку архітектура штучної
нейронної мережі обумовлена типом вхідних даних, очікуваними вихідними
даними і метою обробки інформації. Для цього розглянемо основні
архітектури ШНМ, що набули широкого застосування в машинному навчанні
[6, 30].
Перцептрони [30]. Розглядаючи перше покоління нейронних мереж,
перцептрони – були однією з перших моделей нейромереж, а «Марк-1» —
першим у світі нейрокомп'ютером. Незважаючи на свою простоту, перцептрон
49

здатен навчатися і розв'язувати досить складні завдання. Основна
математична задача з якою він здатний впоратися – це лінійне розділення
довільних нелінійних множин, так зване забезпечення лінійної
сепарабельності шару до вихідного. Тренування перцептронів зазвичай
вимагає зворотного поширення, що дає мережі парні набори даних входів і
виходів.
На рисунку 2.4 наведено приклад перцептрона з декількома шарами і
кількістю вхідних елементів Xn.

Рис. 2.4. Архітектура багатошарового перцептрона

Вхідні дані відправляються в нейрон, обробляються і видаються на
останньому шарі. Помилка, яка повертається часто з деякою зміною різниці
між входом і виходом. З огляду на те, що в мережі є досить прихованих
нейронів, теоретично вона завжди може моделювати залежності між входом і
виходом. Практично їх використання обмежене, але вони зазвичай
об'єднуються з іншими мережами, утворюючи нові мережі.
Однак у перцептронів є обмеження при виборі функції вручну. Для
двійкових вхідних векторів у них може бути окрема функціональна одиниця
для кожного із експоненціально багатьох довічних векторів, тому є
можливість зробити будь-яку дискримінацію двійкових вхідних векторів. Але
50

після того, як функції, закодовані вручну визначені, існують дуже сильні
обмеження на те, чого може навчитися перцептрон.
Згорткові нейронні мережі (CNN) [30]. Згорткова нейронна мережа,
СНС, CNN – основний інструмент для класифікації та розпізнавання об'єктів,
облич на фотографіях, розпізнавання мови. Є безліч варіантів застосування
CNN, такі як Deep Convolutional Neural Network (DCNN), Region-CNN (R-
CNN), Fully Convolutional Neural Networks (FCNN), Mask R-CNN та інші.
Якщо говорити в першу чергу про CNN для зображень, то "згортка" –
універсальна операція. Її можна застосувати для будь-якого сигналу, чи то
дані з датчиків, чи аудіосигнал, чи картинка.
Отже, якщо стоїть завдання виділити на зображенні якийсь об'єкт,
наприклад, автомобіль. Людина легко розуміє, що перед нею автомобіль і
розпізнає його за тисячею дрібних ознак. Але як навчити машину що "цей
набір точок на зображенні є автомобілем"? Відповідь на це питання лежить
не в понятті згорткової мережі – з цим завданням може впоратися і
найстаріша нейронна мережа на персептроні.
Згорткова ж нейронна мережа за рахунок застосування спеціальної
операції – власне згортки дозволяє водночас зменшити кількість інформації,
що зберігається в пам'яті, за рахунок чого краще справляється з картинками
більш високої роздільної здатності і виділити опорні ознаки зображення, такі
як ребра, контури або грані. На наступному рівні обробки з цих ребер і
граней можна розпізнати повторювані фрагменти текстур, які далі можуть
складатися в фрагменти зображення.
По суті кожен шар нейронної мережі використовує власне
перетворення. Якщо на перших шарах мережа оперує такими поняттями як
"ребра", "грані" тощо, то далі використовуються поняття "текстура",
"частини об'єктів". В результаті такого опрацювання можна правильно
класифікувати картинку або виділити на кінцевому етапі потрібний об'єкт на
зображенні.
51

Рекурентні нейронні мережі (RNN) [30]. Щоб зрозуміти RNN,
необхідний короткий аналіз моделювання послідовності. Застосовуючи
машинне навчання до послідовностей, часто необхідно перетворити вхідну
послідовність в вихідну послідовність, яка знаходиться в іншій області,
наприклад, перетворити послідовність зміни тиску звукових хвиль в
послідовність тотожних слів. Коли немає окремої цільової послідовності, то
можна отримати тестовий сигнал, намагаючись передбачити наступний
елемент у вхідній послідовності. Цільова вихідна послідовність – це вхідна
послідовність, що йде на один крок вперед. Це здається набагато більш
природним, ніж спроба передбачити один піксель в зображенні з інших
пікселів або один фрагмент зображення з іншої частини зображення.
Передбачення наступного елемента в послідовності стирає відмінність між
навчанням під наглядом і без нього. Тут використовуються методи,
розроблені для контрольованого навчання але немає необхідності в окремому
навчальному сигналі.
Моделі без пам'яті є стандартним підходом до цього завдання. Зокрема,
авторегресійні моделі можуть передбачити наступний елемент в послідовності
з фіксованого числа попередніх членів, використовуючи «відводи затримки».
Нейронні мережі прямого зв'язку – це узагальнені моделі авторегресії, які
використовують один або декілька шарів нелінійних прихованих одиниць.
Однак, якщо надати нашій новій моделі деякий прихований стан з власною
внутрішньою динамікою, то можна отримати набагато цікаву модель, яка
може зберігати інформацію про свій прихований стан протягом тривалого
часу. Якщо динаміка хаотична і спосіб, яким вона генерує вихідні дані зі свого
прихованого стану є хаотичним, то немає можливості дізнатися про її точний
прихований стан. Найкраще це можна зробити введенням розподілу
ймовірностей по простору векторів прихованого стану. Цей висновок
доступний тільки для 2 типів прихованих станів.
Спочатку були представлені в «Знаходження структури в часі» (1990)
Джеффрі Елмана, рекурентні нейронні мережі (RNN) в основному
52

перцептрони, але на відміну від перцептронів, які не мають стану, вони мають
зв'язки між переходами в часі. RNN дуже потужні, тому що вони об'єднують
дві властивості: 1) розподілений прихований стан, який дозволяє їм ефективно
зберігати багато інформації про минуле; 2) нелінійна динаміка, яка дозволяє
їм складним чином оновлювати свій прихований стан. Маючи досить
нейронів і часу, RNN можуть обчислювати все, що може бути обчислено
комп'ютером.
Однією великою проблемою з RNN – це зникаюча (або вибухова)
проблема градієнта, коли в залежності від функцій, в якій активація
інформації швидко втрачається з часом. Інтуїтивно зрозуміло, що це не буде
великою проблемою, тому що це просто ваги, а не стани нейронів, але ваги в
часі насправді зберігають інформацію з минулого, і якщо вага досягає
значення 0 або 1 000 000, то попередній стан не буде інформативним. RNN
можуть в використовуватися в багатьох областях, оскільки більшість форм
даних, які насправді не мають тимчасової шкали (тобто, на відміну від звуку
або відео), можуть бути представлені у вигляді послідовності.
Картинка або рядок тексту може передаватися по одному пікселю або
символу за один раз, тому вагові коефіцієнти, що залежать від часу
використовуються для того, щоб визначити що було в послідовності раніше, а
не на тому що сталося x секунд тому. В цілому, RNN є добрим вибором для
випередження або доповнення інформації, такої як автозаповнення.
Нейронна мережа із довгою короткостроковою пам'яттю [30]. Довга
короткострокова пам'ять (Long short-term memory; LSTM) – особливий
різновид архітектури рекурентних нейронних мереж, які здатні до навчання
довготривалими залежностями [30]. Вони були запропоновані Зеппом
Хохрайтер і Юргеном Шмідхубер (Jürgen Schmidhuber) у 1997 році, а потім
вдосконалені і популярно викладені в роботах багатьох інших дослідників.
Вони прекрасно вирішують цілий ряд різноманітних завдань і в даний час
широко використовуються. LSTM розроблені спеціально, щоб уникнути
проблеми довготривалої залежності. Запам'ятовування інформації на тривалі
53

періоди часу – це їх звичайна поведінка, а не те чого вони намагаються
навчитися. Будь-яка рекурентна нейронна мережа має форму ланцюжка
повторюваних модулів нейронної мережі. У звичайній RNN структурі,
наприклад, він може являти собою один шар з функцією активації tanh
(гіперболічний тангенс).
Керований рекурентний блок. Керований рекурентний блок (gated
recurrent units - GRU) – це LSTM з невеликими змінами. Вони приймають
X_тренув. і H_гран. в якості вихідних даних. Вони виконують деякі
обчислення і потім передають H_поточне. У наступній ітерації X_ тренув.
послід. і H_поточне використовуються для додаткових обчислень і так далі.
Ця властивість їх відрізняє від LSTM, тому що GRU не потрібен шар
осередків для передачі значень. Розрахунки в рамках кожної ітерації
гарантують, що значення H_поточного передаються разом або зі збереженням
великої кількості старої інформації, або запускаються з великою кількістю
нової інформації.
У більшості випадків принцип дії GRU дуже схожий на LSTM, при
цьому найбільша відмінність полягає в тому, що GRU має більшу швидкодію і
простіший в роботі. На практиці вони, як правило, компенсують один одного,
у разі необхідності великої мережі, щоб відновити деякі виразні можливості,
які, в свою чергу, зводять нанівець переваги в продуктивності. У деяких
випадках, коли додаткові виразні можливості не потрібні, GRU можуть
переважати LSTM.
Нейронна мережа Хопфілда [30]. Періодичні мережі нелінійних
одиниць, як правило, дуже важко аналізувати. Вони можуть вести себе по-
різному: переходити в стійкий стан, коливатися або переміщатися по
хаотичним траєкторіях, які неможливо передбачити у майбутньому. Щоб
вирішити цю проблему, Джон Хопфілд представив «Нейронну мережу
Хопфілда» в своїй статті 1982 року «Нейронні мережі та фізичні системи з
виникаючими колективними обчислювальними можливостями». Нейронна
мережа Хопфілда (Hopfield network - HN) є мережею, в якій кожен нейрон
54

пов'язаний із будь-яким іншим нейроном. Кожен вузол вводиться перед
тренуванням, потім зникає під час тренування і виводиться потім. Мережі
навчаються шляхом установки значення нейронів під бажаний шаблон, після
чого можна обчислити вагові коефіцієнти. Ваги не змінюються після цього.
Після навчання один або декілька шаблони мережі завжди будуть сходитися
до одного із вивчених шаблонів, оскільки мережа стабільна тільки в цих
станах.
Є ще одна обчислювальна роль для мереж Хопфілда. Замість того щоб
використовувати мережу для зберігання спогадів, вона використовується для
побудови інтерпретацій сенсорного введення. Вхід представлений видимими
блоками, інтерпретація представлена станами прихованих блоків, а недолік
інтерпретації представлений енергією.
На жаль, вчені доказали, що мережа Хопфілда дуже обмежена в своїх
можливостях. Мережа Хопфілда з N одиниць може запам'ятати лише 0,15N
шаблонів через так званий помилковий мінімум в його енергетичній функції.
Ідея полягає в тому, що оскільки функція енергії неперервна в просторі своїх
ваг, якщо два локальних мінімума занадто близькі, то вони можуть «впасти»
один на одного, щоб створити один локальний мінімум, який не відповідає
будь-якій навчальній вибіркі, в той час як забувши про два шаблони, які він
повинен запам'ятати. Це явище значно обмежує число вибірок, які можуть
вивчити мережу Хопфілда.
Машина Больцмана [30]. Машина Больцмана є одним із типів
випадкової рекурентної нейронної мережі. Її можна розглядати як
випадковий, генеративний аналог мереж Хопфілда. Вона була однією з
перших нейронних мереж, яка здатна навчатися внутрішнім уявленням,
здатним представляти і вирішувати складні комбінаторні завдання. Вперше
представлена Джеффрі Хінтон і Терренсом Сейновскі в «Навчання і
переучування в машинах Больцмана » (1986). Машини Больцмана багато в
чому схожі на мережі Хопфілда, але деякі нейрони позначені як вхідні
нейрони, а інші залишаються «прихованими». Вхідні нейрони стають
55

вихідними нейронами в кінці повного оновлення мережі. Це починається з
випадкових ваг і навчається завдяки зворотному поширенню. У порівнянні з
мережею Хопфілда нейрони в основному мають бінарні шаблони активації.
Метою навчання алгоритму машинного навчання Больцмана є
максимізація добутку ймовірностей, які машина Больцмана присвоює
двійковим векторам в навчальному наборі. Це еквівалентно максимізації суми
логарифмічних ймовірностей, які машина Больцмана привласнює навчальним
векторам, а також еквівалентно максимізації ймовірності того, що можна
отримати рівно N навчальних випадків, якщо зробити наступне: 1) прийняти,
що мережа встановить свій стаціонарний розподіл N кількість раз без
зовнішнього ввода; 2) відбирати зразки видимого вектора один раз кожного
разу.
У загальному випадку у машини Больцмана стохастичні оновлення
одиниць повинні бути послідовними. Існує спеціальна архітектура, яка
дозволяє чергувати паралельні оновлення, які набагато ефективніші (немає
з'єднань всередині шару, немає з'єднань з пропускним шаром). Ця міні-
пакетна процедура робить оновлення машини Больцмана більш
паралельними. Це називається Deep Boltzmann Machine (DBM), загальний
випадок машини Больцмана з безліччю відсутніх з'єднань.
Глибинна мережа переконань (Deep Belief Networks, DBN) [30].
Зворотне поширення вважається стандартним методом в штучних нейронних
мережах для розрахунку внесення помилок кожного нейрона після обробки
пакета даних. Однак існують деякі істотні проблеми з використанням
зворотного поширення. По-перше, він вимагає помічених даних адаптації, в
той час як майже всі дані не позначені. По-друге, час навчання погано
масштабується, що означає, що воно дуже повільне в мережах з декількома
прихованими шарами. Через що цей метод далекий від оптимального для
глибоких мереж.
Щоб подолати обмеження зворотного поширення, дослідники
вирішили використовувати неконтрольовані підходи до навчання. Це
56

допомагає зберегти ефективність і простоту використання градієнтного
методу для коригування ваг, а також використовувати його для моделювання
структури сенсорного введення. Зокрема, вони коригують ваги, щоб
максимізувати ймовірність того, що генеративна модель згенерувала б
сенсорний внесок. Питання в тому, яку генеративну модель необхідно
навчити? Чи може це бути модель, заснована на енергії, як машина
Больцмана? Чи причинно-наслідкова модель з ідеалізованих нейронів? Або
гібрид двох?
Йошуа Бенг винайшов глибинні мережі переконань у своїй статті 2007
року «Жадібно пошарове навчання глибинних мереж», які, як було показано, є
ефективними учнями стеку за стеком. Цей метод також відомий як жадібне
навчання, де жадібність означає прийняття локально оптимальних рішень,
щоб знайти переважну, але можливо, не оптимальну відповідь. Мережа
переконань – це орієнтований ациклічний граф, складений зі стохастичних
змінних. Використовуючи мережу довіри, можна спостерігати деякі змінні, і
хотілося б вирішити 2 проблеми: 1) проблема виведення: ввід стану не
спостережуваних змінних 2) проблема навчання: налаштувати взаємодії між
змінними, щоб мережа з більшою ймовірністю генерувала навчальні дані.
Глибинні мережі переконань можна навчити за допомогою контрастної
дивергенції або зворотного поширення і навчитися представляти дані в якості
ймовірнісної моделі. Після навчання або досягнення сталого стану за
допомогою навчання без нагляду модель може використовуватися для
генерації нових даних. Якщо вона навчена з контрактивної дивергенції, то
вона може навіть класифікувати існуючі дані, тому що нейрони навчені
шукати різні функції.
Автокодувальник [30]. Автокодувальники є нейронними мережами,
призначеними для навчання без контролю, тобто коли дані не позначені. В
якості моделі стиснення даних їх можна використовувати для кодування
заданого введення в уявлення меншого розміру. Потім можна
використовувати декодер для відновлення вхідних даних з кодованої версії.
57

Робота, яку вони роблять, дуже схожа на метод головних компонент
(principal component analysis, PCA), який зазвичай використовується для
представлення заданого вводу з використанням меншої кількості вимірювань
ніж на початку. Так, наприклад, якщо уявляти слово як вектор зі 100 чисел, то
можна використовувати PCA, щоб представити його в 10 числах. Звичайно, це
може привести до втрати деякої інформації, але це непоганий спосіб
представити вхідну інформацію, якщо необхідно працювати тільки з
обмеженим числом вимірювань.

Рис. 2.5. Приклад роботи автокодувальника

На рисунку 2.5 зображений приклад роботи автокодувальника, де W –
вага, яка використовується до входу. Крім того, це добрий спосіб візуалізації
даних, оскільки можна легко побудувати зменшені розміри на двомірному
58

графіку, а не на 100-вимірному векторі. Автокодувальники виконують
аналогічну роботу – різниця в тому, що вони можуть використовувати
нелінійні перетворення для кодування даного вектора в менші вимірювання (в
порівнянні з PCA, який є лінійним перетворенням). Таким чином, він може
генерувати більш складні кодування.
Автокодувальники можуть бути використані для зменшення розмірів,
попередньої підготовки інших нейронних мереж, для генерації даних тощо.
Для цього є кілька причин: 1) вони забезпечують гнучкі порівняння в обох
напрямках, 2) час навчання лінійний (або краще) кількості навчальних
випадків, 3) остаточна модель кодування є досить компактною і швидкою.
Однак виявилося, що дуже важко оптимізувати глибинні автокодувальники з
використанням зворотного поширення, тому що при малих початкових вагах
зворотний градієнт зникає. В даний час вони рідко використовуються в
практичних додатках, головним чином тому, що в ключових областях, для
яких вони колись вважалися проривом (таких як пошарове попереднє
навчання), виявилося що навчання з контролем працює краще.
Генеративно-змагальна мережа (Generative adversarial network, GAN).
У «генеративних змагальних мережах» (2014 року) Ян Гудфеллоу представив
нове покоління нейронних мереж, в яких дві мережі працюють разом.
Генеративно-змагальні мережі складаються з будь-яких двох мереж (хоча
часто це комбінація нейронної мережі прямого поширення і згорткова
нейронна мережа), одна з яких повинна створювати зразки (генеративна), а
інша повинна оцінювати зразки (дискримінаційна). Завдання
дискримінаційності моделі полягає в тому, щоб визначити, чи виглядає дане
зображення природним (зображення з набору даних) або воно виглядає
штучно створеним. Завдання генератора – створювати зображення, які
природно виглядають та схожі на вихідний розподіл даних. Це можна
розглядати як гру з нульовою сумою або мінімакс для двох гравців.
Використана у даному випадку аналогія полягає в тому, що створювана
модель схожа на «команду фальшивомонетників, які намагаються виробляти і
59

використовувати підроблену валюту», а дискримінаційна модель схожа на
«поліцію, яка намагається виявити контрафактну валюту». Генератор
намагається обдурити дискримінатор у той час як дискримінатор прагне не
бути обманутим генератором. Оскільки моделі навчаються поперемінної
оптимізації, обидва методи покращуються до такої міри, що «підробки не
відрізняються від справжніх виробів».

Рис. 2.6. Приклад роботи генеративно-змагальної мережі

Спрощений приклад роботи генеративно-змагальної мережі наведено
на рисунку 2.6. За словами Янна Ле Куна, ці мережі можуть стати наступним
бурхливим розвитком. Вони є одним із небагатьох успішних методів в
машинному навчанні, які без нагляду і швидко революціонізує нашу здатність
виконувати генеративні завдання. За останні кілька років були отримані дуже
вражаючі результати. У цій області ведеться активна дослідницька робота по
застосуванню GAN для мовних завдань, для підвищення їх стабільності і
зручності навчання і так далі. Вони вже застосовуються в промисловості для
самих різних застосувань, починаючи від інтерактивного редагування
зображень, оцінки 3D-форм, виявлення ліків, навчання під наглядом
робототехніки.
60

Для отримання вихідної інформації про кількість осіб в обмеженому
просторі і статусу їх положення буде використаний відеопотік камери з
подальшим отриманням статичних даних зображення. Для цих умов
оптимальним вибором буде архітектура згорткової нейронної мережі.

2.7 Огляд обраної для впровадження інтелектуальної нейронної
мережі

Розпізнавання положення людини набуває все більше уваги в області
комп'ютерного зору завдяки його багатообіцяючим застосуванням в областях
персональної турботи про здоров'я, охорони навколишнього середовища,
взаємодії людини з комп'ютером і систем спостереження. Розпізнавання
положення людини в відеопослідовності є складним завданням, яке є великою
частиною загальної проблеми інтерпретації відеопослідовності [41]. Далі
розглядатиметься нова інтелектуальна система розпізнавання положення
людини для відеоспостереження з використанням однієї статичної камери.
Існуючі підходи в аналізі зображень з людьми за допомогою штучних
нейронних мереж зустрічають на своєму шляху наступні ключові проблеми
[42, 43, 45]:
− по-перше, кожне зображення може містити невідому кількість
людей, які можуть зустрічатися в будь-якому положенні або масштабі;
− по-друге, взаємодія між людьми викликає складні просторові
перешкоди через контакт, що ускладнює розпізнавання;
− по-третє, складність часу виконання, як правило, збільшується зі
збільшенням кількості людей в зображенні, що знижує продуктивність в
реальному часі.
Однак, описані проблеми були вирішені Ж Цао, Томасом Симоном та
їх дослідницькою командою в роботі «Двомірна оцінка пози в реальному часі
з використанням полів спорідненості частин» 2016. Поле спорідненості частин
61

(part affinity fields, PAF) – це векторне поле, яке містить інформацію про одну
конкретну кінцівку для всіх людей на зображенні, а весь набір PAF кодує всі
частини тіла для кожної людини на зображенні [43].
Одна з основних ідей архітектури дослідженої мережі полягає в тому,
щоб одночасно спрогнозувати карту достовірності виявлення і поля
спорідненості. Метод використовує спеціальну нейронну мережу прямого
поширення в якості екстрактора функцій [42]. На рисунку 2.7 наведено
зображення архітектури мережі.

Рис. 2.7. Архітектура багатоступінчастої CNN з двома гілками

Кожна стадія у верхній гілки (бежева) прогнозує карту достовірності S,
а кожна стадія в нижній гілці (синя) прогнозує поле спорідненості PAF L.
Після кожної стадії прогнози з обох гілок об'єднуються з елементами
зображення F (які надходять з VGG на основі архітектури) і використовується
в якості вхідних даних для наступного етапу. Кожна гілка виконує кілька
висновків, по одному на кожну частину тіла.
Архітектура мережі VGG була представлена Симоняном і Ціссерманом
в їхній статті 2014 «Дуже глибокі згорткові мережі для розпізнавання
великомасштабних зображень» [40]. Ця мережа відрізняється своєю
простотою, використовуючи тільки 3×3 згортальних шарів, покладених один
на одного з збільшенням глибини. Зменшення розміру виконується за
допомогою максимального пулу.
62

Як бачимо, архітектура CNN розділена на дві гілки: верхня гілка
прогнозує карти достовірності виявлення, а нижня гілка призначена для полів
спорідненості. Обидві гілки організовані як архітектура ітеративного
прогнозування, яка уточнює прогнози на послідовних етапах. Підвищення
точності прогнозів контролюється проміжним спостереженням на кожному
етапі. На рисунку 2.8 можна бачити приклад роботи з реальним зображенням.

Рис. 2.8. Демонстрація виведення реального зображення нейронною
мережею з двома гілками

Перед передачею вводу в цю мережу з двома гілками метод
використовує допоміжні CNN (перші 10 рівнів VGG-19) для отримання
вхідної карти об'єктів F. Цей прогноз обробляється обома гілками, а їх
прогнози, об'єднані з початковою F, яка використовуються в якості вхідних
даних для наступного етапу (як функції). Цей процес повторюється на
кожному етапі, і можна побачити процес уточнення між етапами, які
зображені на рисунку 2.8.
Для аналізу продуктивності даного методу застосовувався набір
тестових відео з різною кількістю людей. Оригінальний розмір кадру
1080х1920, розмір якого зменшувався до 368х 654 під час тестування, щоб
вкластися в обсяг пам'яті графічного процесора. Аналіз часу виконання
проводився на ноутбуці з відеокатрою NVIDIA GeForce GTX-1080 GPU [60].
63

При використанні виявлення людини, а також положення частин тіла
однієї людини в якості низхідного порівняння, час виконання приблизно
пропорційний кількості людей на зображенні. Навпаки, час виконання
висхідного підходу збільшується відносно повільно зі збільшенням числа
людей. Середовище виконання складається з двох основних частин: 1) час
обробки CNN, складність часу виконання якого пов'язаний зі змінною
кількістю людей; 2) час синтаксичного аналізу для кількох людей, складність
виконання якого (n2), де n – представляє кількість людей. Однак час розбору
не робить істотного впливу на загальний час виконання, тому що він на два
порядки менше ніж час обробки CNN, наприклад, для 9 осіб – аналіз займає
0,58 мс, а CNN займає 99,6 мс. Цей метод досягає швидкості 8,8 кадрів в
секунду для відео із 19 людьми [37].
На основі описаної вище архітектури використовуються
багатопотокові бібліотеки Open CV для виявлення ключових точок в режимі
реального часу, що дає можливість навчити штучні нейронні мережі
розпізнання пози людини «положення стоячи» і «положення сидячи».
Комбінація цих методів дозволяє отримати 98 % точності при тестуванні на
близько 400 тестових зображеннях [48]. На рисунках 2.9 і 2.10 наведені
приклади оброблених зображень.

Рис. 2.9. Приклад розпізнання положення «стоячи»
64

Рис. 2.10. Приклад розпізнання положення «сидячи»

2.8 Алгоритм контекстно-залежної системи управління
освітленням

Для створення оптимального алгоритму управління освітленням (рис.
2.11) використано підхід збору інформації про активність мешканців,
кількість осіб, освітленість, час доби, параметри використання ламп з різною
колірною температурою протягом доби [21].
Запропонований алгоритм роботи системи дозволить оптимізувати
освітленість всередині приміщення за допомогою світлодіодних ламп
освітлення. Для визначення наявності руху в темний час доби
використовується піроелектричний інфрачервоний датчик руху,
альтернативним рішенням якого може бути використання ІК-RGB камери,
яка може додатково фіксувати випромінювання в інфрачервоному діапазоні
[50].

65

Рис. 2.11. Алгоритм роботи контекстно-залежної системи управління
освітленням

У темний час доби активація системи освітлення встановлена на рівні
освітленості 20 Лк, що відповідає нормі освітленості поверхового коридору,
сходів, сходового майданчика, місць загального користування [9]. У разі
необхідності рівня освітленості 20 Лк буде досить для безпечного
переміщення мешканця по приміщенню, так само це створить найменший
дискомфорт мешканця через світлову адаптацію зору.
Для виключення частої зміни освітленості в приміщенні після
встановлення значення освітленості введені часові затримки 0,5, 1 та 2
хвилини. Переміщення мешканців у період з 00:00 до 06:00 години
66

розглядаються як короткочасні, тому таймер встановлений на 30 секунд при
виявлені руху чи зміни стану системи освітлення.

2.9 Висновки до другого розділу

Визначено оптимальний метод управління освітленням, що включає в
себе метод автоматичного включення, на основі датчиків, зміни яскравості
(димірування) освітлення, що покращує візуальне сприйняття користувачів і
забезпечує ефективне споживання електроенергії.
Отримано теоретичне обґрунтування для оптимального використання
холодного і теплого колірних температур освітлення у житловому приміщенні
відповідно до мети стимулювання або зниження людської активності
протягом доби.
Визначена і впроваджена оптимальна, відповідно до завдання,
архітектура згорткової нейронної мережі. Для визначення кількості людей в
приміщенні і їх поз (положення) була обрана штучна нейронна мережа з
архітектурою багатоступінчастої згорткової нейронної мережі з двома
гілками, що володіє високою продуктивністю при наявності в кадрі декількох
людей і точністю розставляння ключових точок на частинах тіла.
Розроблено оптимальний контекстно-залежний алгоритм роботи
системи управління освітлення, що базується на даних, що надходять від
датчиків руху, освітленості, з урахуванням вимог ДБН В.2.5-28.2018 для
житлових приміщень, і вихідної інформації багатоступінчастої згортальної
нейронної мережі з двома гілками. Використання холодного і теплого
колірних освітлень в житловому приміщенні теоретично обґрунтовано
впливом короткохвильового світла на сітчатку ока людини.

67

РОЗДІЛ 3.
РОЗРОБКА ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ КЕРУВАННЯ
ОСВІТЛЕННЯМ У КОНЦЕПЦІЇ SMART HOME

Апаратне виконання інтелектуальної системи управління освітленням
багато в чому залежить від необхідних результатів ефективності управління
освітленням, датчиків, через які може бути отримана вихідна інформація.
Вибір обладнання ґрунтується на цінових показниках окремого пристрою, а
також, що без сумніву важливо, програмної та електронної сумісності,
зокрема, плати розширеннями для Arduino або системи прототипування
конекторів [4].

3.1 Апаратне комплектування інтелектуальної системи управління
освітленням

Для впровадження системи управління освітленням слід розглянути
склад обладнання, який включає пристрій відеоспостереження, інфрачервоний
датчик руху, пристрій зберігання і збору інформації, пристрій обробки
інформації, датчик освітленості, пристрій бездротової передачі даних.
Основою даної системи є одноплатний комп'ютер Raspberry Pi 3 Model B
(рисунок 3.1) [53].

Рис. 3.1. Одноплатний комп’ютер Raspberry Pi 3 Model B
68

Raspberry Pi 3 Model B – це повністю функціональний комп'ютер з
власним виділеним процесором, пам'яттю і може запускати операційну
систему (працює на Linux, Windows 10) і вбудованим Wi-Fi. Виходячи з
розглянутих раніше характеристик, цей одноплатний комп'ютер є найкращим
пристроєм для збору, обробки і зберігання інформації. Ціна пристрою – 1066
грн.
У даній системі Arduino Uno Rev 3 застосовується в якості пристрою,
що входить до складу актуатора для управління освітленням (рисунок 3.2)
[53].

Рис. 3.2. Arduino Uno Rev 3

Характеристики пристрою розглянуті у розділі 1. Ціна пристрою - 166
грн.
Існує широкий вибір різних камер системи забезпечення безпеки в
побуті. Найбільш важливим атрибутом якісної камери є її функціональність,
різноманітність розміщення, а також її здатність синхронізуватись з іншими
системами. Необхідні атрибути вуличної камери відрізняються від тих, які
розміщуються всередині приміщення.
В якості камери передбачається використання Raspberry Pi V2. Її
інтеграція в систему проста, а продуктивність в прикладних проєктах чудова.
69

Модуль камери Raspberry Pi V2 здатний знімати фото і відео в форматі Full
HD 1080p і може управлятися програмно (рисунок 3.3) [52].

Рис. 3.3. Камера Raspberry Pi Camera Board v2.1

У таблиці 3.1 наведені технічні характеристики камери

Таблиця 3.1
Характеристики камери Raspberry Pi Camera Board v2.1
Параметр Значення
Тип сенсора Sony IMX 219 PQ CMOS, ¼ дюйма
Максимальна роздільна здатність 8 Мп (3280 × 2464)
Підтримувані формати відео 1080p (30fps), 720p (60fps), 640 × 480p
(90fps)
Еквівалентна фокусна відстань 33 мм
Світлосила об'єктива f/2
Вартість, грн 557

В якості датчика руху застосовується піроелектричний інфрачервоний
датчик руху Grove – PIR Motion Sensor (рисунок 3.4) [49].
70

Рис. 3.4. Піроелектричний інфрачервоний датчик руху Grove - PIR Motion
Sensor

Grove – це модульна стандартизована система прототипування
роз'ємів, що використовує блоковий підхід до складання електроніки, саме
тому Grove сумісність датчика є його перевагою. У таблиці 3.2 наведені
технічні характеристики піроелектричного інфрачервоного датчику руху
Grove - PIR Motion Sensor.

Таблиця 3.2
Характеристики піроелектричного інфрачервоного
датчика руху Grove-PIR Motion Sensor
Параметр Значення
Робоча напруга, В 3-5
Робочий струм при Vcc = 3 В, мкА 100
Робочий струм при Vcc = 5 В, мкА 150
Діапазон виявлення, м 0,1-6
Відстань виявлення по замовчуванням, м 3
Час спрацювання, с 1-25
Робоча довжина хвилі, мкм 7-14
Кут виявлення, о 120
Ціна, грн 262

71

Як джерела освітлення застосовуються два комплекти світлодіодних
ламп по 4 штуки з холодною і теплою колірними температурами з
можливістю димірування [50]. В таблицях 3.3 та 3.4 наведені технічні
характеристики пристрою відповідно.

Таблиця 3.3
Характеристики світлодіодної лампи холодного білого кольору
Параметр Значення
Споживана потужність, Вт 6
Світловий потік, Лм 806
Напруга, В 230
Технологія LED
Колір освітлення Нейтральний
Колірна температура, К 4000
Ціна, грн 77

Таблиця 3.4
Характеристики світлодіодної лампи теплого білого кольору
Параметр Значення
Споживана потужність, Вт 6
Світловий потік, Лм 806
Напруга, В 220
Технологія LED
Колір освітлення Теплий білий (жовтий)
Колірна температура, К 2700
Ціна, грн 77

72

У якості датчика освітленості використовується модель К2111
(рисунок 3.5) [55].

Рис. 3.5. Датчик освітленості К2111

Його особливістю є можливість підтримки заданого рівня освітленості
в приміщенні, враховуючи надходжень світла від природних джерел, а також
робота тільки з диміруємими електронними пускорегулюючим апаратами
напругою від 1 до 10 В світлодіодних або люмінесцентних ламп. У таблиці 3.5
наведені технічні характеристики датчика освітленості К2111.

Таблиця 3.5
Технічні характеристики датчика освітленості К2111
Параметр Значення
1 2
Ступінь захисту корпусу IP20
Напруга живлення К2111-12 12В постійного струму, 0,6 Вт
Напруга живлення К2110, В Зовнішнє живлення не потрібно, живиться
від керованих баластів (ЕПРА, ЛЕД-
драйверів)
Інтерфейс управління Двопровідний аналоговий постійного струму
баластами 1-10В

73

Продовження таблиці 3.5
1 2
Можливість автоматичного Вбудоване реле 10А, 250В
відключення навантаження
Діапазон регулювання 200-700
освітленості, Лк
Кількість баластів, які до 50
підключаються до одного
датчика по лінії 1-10 В, шт
Висота установки, м 2-5, чутливим елементом вниз
Ціна, грн 568

Рис. 3.6. Модуль димера змінного струму

Для плавного управління освітленням необхідно використовувати
димер змінного струму (рисунок 3.6). Незмінною перевагою даного пристрою
є сумісність із платою мікроконтролера Arduino Uno Rev 3 [53], інші технічні
характеристики наведені в таблиці 3.6.

74

Таблиця 3.6
Характеристики модуля димера SRD-05VDC
Параметр Значення
Частота змінного струму, Гц 50/60
Комутуєма напруга, В 110/220
Максимальна чинне 16
значення струму, А
Логічний рівень, В 3.3В / 5
Кількість каналів, шт 1
Ціна, грн 94

Рис. 3.7. Модуль NodeMCU-32S

Плата розробника NodeMCU на основі ESP32 (рисунок 3.7) – новий
етап зручності розробки застосунків для мережі Інтернет [57]. На модуль, що
стоїть на платі, вже встановлена найсвіжіша на момент випуску прошивка
NodeMCU, тому можна починати працювати, просто підключивши плату до
комп'ютера, встановивши драйвера і відкривши термінал послідовного порту.
Можна використовувати спеціально розроблені програми типу ESPLorer, що
полегшують доступ до основних функцій прошивки і дозволяють зручно
організовувати робочі файли.
75

ESP32 має дійсно багато відмінностей від свого «молодшого брата»,
ESP32 – старший брат отримав ще одне ядро, і тепер тактова частота обох
ядер може досягати 240 МГц з продуктивністю до 600 мільйонів ітерацій в
секунду (MIPS, millions iterations per second); також нова система на чіпі
отримала Bluetooth найновішої специфікації 4.2 з можливістю переходу в
режим наднизького споживання BLE, оновлений криптографічний движок,
можливість шифрування вмісту зовнішньої Flash-пам'яті за допомогою п'яти
різних алгоритмів, вбудовану ППЗП і ОЗП на майже пів мегабайта.
Development board передбачає можливість живлення від зовнішнього
джерела нестабілізованого живлення з напругою від 5 до 12 В через вхід Vin.
Необхідно звернути увагу, що при перевищення напруги живлення може
призвести до пошкодження стабілізатора, тому робота плати не гарантується.
На платі встановлено все необхідне для запуску нового модуля в
проєкт, а саме:
− micro-USB роз'єм для живлення і зв'язку модуля з ПК;
− перетворювач інтерфейсів USB-UART на основі CP2102, який
створює на ПК віртуальний COM-порт з логічними рівнями TTL для
полегшеного зв'язку з ESP32 (зв'язок, аналогічна зв'язку ПК з Arduino);
− лінійний стабілізатор напруги AMS1117-3.3V, який забезпечує
ESP32 оптимальною напругою живлення, знижуючи вхідну напругу (з Піна
Vin) або 5 В з USB в прийнятні 3.3 B;
− декілька кнопок для управління і два світло діода, які призначені
для користувача і світлодіод індикації активності передачі по послідовному
порту;
− однорядні роз'єми типу «тато», на яких розведені всі Піни модуля
ESP-32S;
− Wi-Fi модуль на основі ESP32 - ESP32S
Для установки необхідно два модуля для установки в актуатор і датчик
руху.
76

В таблиці 3.7наведені технічні характеристики пристрою.

Таблиця 3.7
Характеристики плати на базі WI-FI модуля ESP8266 і USBUART
Параметр Значення
Бездротовий інтерфейс Wi-Fi Wi-Fi 802.11 b/g/n 2,4 ГГц
Бездротовий інтерфейс Bluetooth Bluetooth v4.2, Bluetooth (BR / EDR) і
Bluetooth Low Energy (BLE)
Режими P2P (клієнт), soft-AP (точка доступу)
Максимальна вихідна потужність 19,5 дБ·мВт (89 мВт)
Номінальна напруга, В 3,3
Вхідна напруга, В 3,7-20
Максимальний споживаний струм,мА 220
Порти вводу-виводу вільного 11
призначення
Частота процесора, МГц 80
Об'єм пам'яті для коду, КБ 64
Об'єм оперативної пам'яті, КБ 96
Ціна, грн 128

Підсумкова вартість апаратної частини проєкту складає 3291 грн.
Найближча по функціональності система представлена лампами Philips
Hue BR30 вартістю 1085 грн. за комплект з двох ламп, які змінюють колірну
температуру в діапазоні 2200-4000 К з максимальною величиною світлового
потоку 680 лм [54]. На додачу до розумних ламп компанії Philips необхідна
наявність пристрою Philips Hue Bridge для бездротового підключення до нього
ламп, вартістю 2225 грн. Відмітимо, що особливістю Hue Bridge є керування
освітленням на підставі розпізнаних голосових команд користувача або через
команди додатку на смартфоні користувача [56].
77

Підсумкова вартість установки управління освітленням від компанії
Philips становить 6564 грн. Таким чином, початкові витрати на придбання
апаратної частини розробленої інтелектуальної системи управління
освітленням на 46% менше найближчого за повнотою функціональності
комерційного конкурента.
Розглянемо варіантне виконання інтелектуальної системи управління
освітленням. Бездротовий підхід можна розглядати, як перспективну форму
автоматизації будинку [47].
Багато інтелектуальних системи засновані на застосуванні ПЛК, для
якої необхідно проводити спеціальне прокладання мереж, тому що більшість
пристроїв та елементів системи зв'язані між собою за допомогою кабелів.
Впровадження таких систем доцільно у новому будинку або в разі
капітального ремонту, коли відбувається укладання нової проводки. Але,
якщо планується впровадження технології Smart Home в існуюче домашнє
господарство, то це буде дорогим рішенням. Використання продуктів та
програм, розроблених як проекти з відкритим вихідним кодом, дозволить так
само заощадити гроші. Великою перевагою цих проектів є багаточисельна
користувацька база, в якій йде постійне обговорення покращень або подання
успішного вирішення в комплекті з докладними інструкціями [56].
Використовуючи проекти з відкритим вихідним кодом і власні
модульні для автоматизації, можна не тільки модифікувати систему в точній
відповідності з необхідними параметрами і особливостями, а й заощадити
кошти в порівнянні з використанням комерційних продуктів [54].
Сучасні рішення дають можливість керувати Smart Home не тільки у
його межах, а також з будь-якого місця в світі, де можна встановити зв'язок з
системою управління. Віддалений доступ до системи управління можливий за
допомогою технологій мобільних телефонів, таких як GSM або через мережу
інтернет [46]. Узагальнена структура зв'язків розробленої інтелектуальної
системи освітлення з використанням обраних пристроїв представлена на
рисунку 3.8.
78

Система віддаленого управління має можливість:
− звернутися до системи з будь-якого комп'ютера або мобільного
пристрою в межах будинку;
− звертатися до системи за межами будинку, що дозволяється виключно з
пристроїв безпечного доступу до даних;
− налаштування і контролю всіх підключених пристроїв.

Рис. 3.8. Узагальнена схема передачі інформації в інтелектуальній системі
освітленням

Відповідно до вищезазначених вимог була розроблена інтелектуальна
система управління освітленням. Smart Home і база даних зберігаються на
сервері. До системи підключені окремі модулі з датчиками руху, освітлення та
контролер управління освітленням.
Бездротовий зв'язок центру Smart Home з контролером управління
освітленням здійснюється за рахунок установки плати NodeMCU-32 S спільно
79

з контролером Arduino Uno Rev 3, для датчика руху передбачається установка
тільки плати NodeMCU.

3.2 Особливості налаштування пристроїв інтелектуальної системи

NodeMCU-32 S підтримує запис скриптів [55]. Існує набір кроків, що
повторюється при створенні і програмуванні окремих модулів:
1.Актівація зі сну Режим.
2.Підключення модуля до Wi-Fi.
3.Виконання модулем конкретного завдання.
4.Обмін інформації з центральним вузлом.
5.Перевод модуля в сплячий режим на заданий період часу.
Для реалізації конкретної функції необхідно реалізувати
обслуговуючий скрипт LUA.
Ініціалізація модуля починається із запуску завантаженої прошивки
(використовується базова прошивка з мовою LUA) і пошуку скрипта
ініціалізації «init.lua». За умови, що скрипт доступний, він запускається
автоматично.
Модуль повторно намагається підключитися до мережі Wi-Fi,
зазначеної в файлі «wifi.config», в якій також вказані SSID і пароль. Якщо
підключення до WiFi не встановлено або DHCP-сервер не призначив IP-
адресу, модуль повторює цю спробу з інтервалом в 10 секунд. У разі збою
з'єднання навіть після цього набору спроб модуль встановлюється в «режим
сну» на 10 хвилин. Після активації модуля сценарій «init.lua» запускається
знову.
Простий HTTPrest API призначений для зв'язку між модулем
сповіщень і центральним вузлом. Обов’язково вказується ідентифікатор
модуля і дані для передачі, а дані відправляються на центральний сервер за
допомогою утиліти POST. Центральний сервер обробляє дані і відправляє
відповідь HTTP 200 цього модулю, а сервер зберігає дані в базі даних або
80

запускає іншу визначену дію відповідно до реалізованої процедури. Якщо
центральний застосунок не може прийняти це повідомлення, він відправляє
код помилки HTTP 400 і зберігає інформацію про невдалу транзакцію в
журналах.
Можливий перехід модуля в сплячий режим на певний період часу, для
досягнення цієї мети необхідно розглянути концепцію енергоживлення
окремих модулів і способи мінімізації енергоспоживання. Є дві групи
модулів. Перша група характеризується безперебійною роботою. У цю групу
входять датчики і модулі, які весь час очікують запуску події, такі як датчик
руху, управління жалюзі, система камер тощо. Друга група включає в себе так
звані датчики сповіщень, які вимірюють фізичні величини через регулярні
інтервали. Тим часом ці датчики можуть переходити в режим очікування, в
якому вони споживають мінімальну кількість енергії, поки вони не
активуються для виконання своїх задач.
Одним з найбільш часто використовуваних датчиків є датчики руху,
встановлені в будівлях і в домашніх господарствах. Ці датчики найчастіше
використовуються для автоматичного освітлення входів, сходових прольотах,
коридорах та в інших приміщеннях де відсутні вікна [9].
Модуль виявлення руху був реалізований з використанням NodeMCU і
Grove - PIR Motion Sensor. Модуль може визначати рух під кутом 120 ° і
відстанню 6 метрів.
Інформація з датчиків зчитується через цифровий вихід D4, який
встановлений в режим «gpio.INT», а за допомогою функції «gpio.trig»
необхідно перевести вихід D4 в режим автоматичного виявлення. В цьому
режимі вихід D4 очікує події (зворотного виклику), а в разі прийому логічної
1 модуль викликає попередньо встановлену функцію. Відбувається
сповіщення з центрального вузла про виявлення руху за допомогою скрипта
«data send.lua» і тип даних «Рух» в нашому випадку.
Управління побутовим освітленням вимагає не тільки створення
модуля з можливістю обміну даних по бездротовому зв'язку з мобільним
81

пристроєм, але і бездротового управління освітленням. Всі перераховані вище
модулі виключно збирають дані про фізичні величини, але вони не
взаємодіють зі своїм середовищем. При умові, якщо нам потрібно
контролювати дистанційно, то потрібно вирішити проблему, як управляти
освітлення. Система освітлення будинку підключена до напруги мережі 220 В,
і управляється за допомогою ручного перемикача розташованого у щитовій
[23].
Подальші вимоги стосуються контролю інтенсивності світла, так
званої можливості димірування.
Без сумніву, одним з головних охоронних елементів для безпеки
домашніх господарств є система відеоспостереження. Вона захищає
домогосподарство як від проникнення ззовні, так і контролює різні частини
домогосподарства, такі входи в будинок, прилеглі території, дитячі кімнати
тощо без необхідності особистої присутності. Більшість систем камер
відеоспостереження мають функцію виявлення руху, і в разі такої події
система камер може повідомити користувача, відправити зображення,
зафіксує подію або розпочне запис події.
Існує велика кількість різних систем відеоспостереження для
забезпечення безпеки домашніх господарств. Найважливішими атрибутами
якісної камери є її функціональність, різноманітність розміщення, а також
здатність обміном інформації з іншими системами. У проєкті інтелектуальної
системи освітлення використовується камера Raspberry Pi. Її інтеграція в
систему проста, а її продуктивність в побутових проектах чудова [53].
OpenHAB (Open Home Automation Bus) – це серверний Java-
застосунок, призначений для домашньої автоматизації [56]. Він пропонує, як
серверну частину, що працює під усіма стандартними версіями операційних
систем (Windows, Linux, OS X), так і зовнішній інтерфейс у вигляді веб-
середовища, а також мобільні застосунки для Android і iOS. Цей проєкт з
відкритим кодом, що означає безкоштовне використання застосунку за
82

ліцензією EPL. Саме тому OpenHab стає відмінним кандидатом для запуску
проектів автоматизації систем освітлення будинку і створення Smart Home.
Система є модульною і її можна доповнити додатковими пристроями,
які служать інтерфейсом для периферійних пристроїв.
Інша частина являє собою сховище даних, в якому зберігаються стани
всіх підключених елементів. Вона вирішує проблему синхронізації між усіма
підключеними пакетами. Всі отримані дані можуть зберігатися в базі даних,
на жорсткому диску або в хмарних системах для забезпечення довговічності
навіть після завершення роботи системи та запуску знову.
OpenHab Log служить для зберігання даних у файлах журналів або в
базах даних. RRD4J (Round Robin Database for Java) є базою даних за
замовчуванням, що служить в основному для генерації діаграм в призначеній
для користувача середовищі [56].
Інша можливість – це посилання на базу даних SQL або на іншу. Якщо
дані зберігаються у файлі їх можна знайти в каталозі openhab home / logs.
OpenHab дозволяє відповідати на окремі запити, спрямовані до баз
даних, і представляти відповідь в попередньо визначених графічних вікнах. Ці
вікна повинні відображатися на екрані комп'ютера, мобільного телефону або
планшета з будь-якою операційною системою.
В результаті впровадження контекстно-залежного алгоритму
управління освітленням розроблена комплексна інтелектуальна система
керування будинком на базі Raspberry Pi і ряду додаткових модулів. Система є
функціональною, і до її значних переваг відноситься доступна реалізація з
можливістю подальшого розширення.
Розроблена система підвищує комфортність проживання і оптимізує
енергоспоживання освітленням.
При необхідності розширення функцій системи, також підвищується
рівень безпеки домашнього господарства, як для квартир так і для приватного
будинку. Модульне рішення не перешкоджає модифікації і розширенню для
покращення оптимізації управління домогосподарством.
83

3.3 Висновки до третього розділу

Для впровадження контекстно-залежного алгоритму з
автоматизованим методом управління, підібране апаратне комплектування
інтелектуальної системи управління освітленням з врахуванням цінових
показників кожного пристрою, а також програмної та електронної сумісності.
Апаратна частина системи побудована на базі одноплатного комп'ютера
Raspberry Pi 3 із серверним Java-застосунком OpenHAB забезпечує її
модульність з можливістю подальшого розширення та використання двох
специфікацій бездротових мереж IEEE 802.11 Wi-Fi та IEEE 802.15.1 BLE з
низьким споживанням і відповідає вимогам швидкодії передачі даних при
віддаленому підключенні до системи і високого ступеня автономності
датчиків.
Розрахована загальна вартість апаратної частини інтелектуальної
системи управління освітленням, яка на 46% менше вартості найближчого
аналогу з повнотою функціональності комерційного продукту компанії
Philips.
Розроблена інтелектуальна система управлінням освітленням підвищує
комфорт проживання мешканців будинків та оптимізує енергоспоживання
освітленням, а при необхідності її розширення може підвищити безпеку
домоволодіння.

84

ВИСНОВКИ

Проведено порівняльний аналіз концепцій управління Smart Home в
реалізованих комерційних рішеннях і науково-дослідних проєктах, описана
класифікація функцій підтримки і сприяння користувачу: підтримка;
спостереження; надання лікування, терапії; комфорт.
Виділено пріоритетні бездротові мережі для використання в проєкті
«Smart Home» – це специфікація IEEE 802.15.1 – Bluetooth з низьким
споживанням електричної енергії та специфікація IEEE 802.15.4 – Zigbee,
перевагою якої є стійкість передачі сигналів (інформації) і невелике
енергоспоживання.
Розроблено оптимальний контекстно-залежний алгоритм роботи
системи управління освітлення, що базується на даних, які надходять від
датчиків руху, освітленості з урахуванням вимог ДБН В.2.5-28.2018 для
житлових приміщень і вихідної інформації багатоступінчастої нейронної
мережі з двома гілками. Встановлено, що використання холодного і теплого
колірних освітлень в житловому приміщенні теоретично обґрунтовано
впливом короткохвильового світла на сітчатку ока людини.
Для впровадження контекстно-залежного алгоритму з
автоматизованим методом управління, підібране апаратне комплектування
інтелектуальної системи управління освітленням з врахуванням цінових
показників кожного пристрою, а також програмної та електронної сумісності.
Апаратна частина системи побудована на базі одноплатного комп'ютера
Raspberry Pi 3 із серверним Java-застосунком OpenHAB забезпечує її
модульність з можливістю подальшого розширення та використання двох
специфікацій бездротових мереж IEEE 802.11 Wi-Fi та IEEE 802.15.1 BLE з
низьким споживанням і відповідає вимогам швидкодії передачі даних при
віддаленому підключенні до системи і високого ступеня автономності
датчиків.
85

Розрахована загальна вартість апаратної частини інтелектуальної
системи управління освітленням, яка на 46% менше вартості найближчого
аналогу з повнотою функціональності комерційного продукту компанії
Philips.
Розроблена інтелектуальна система управлінням освітленням
підвищить комфорт проживання мешканців будинків та оптимізує
енергоспоживання освітленням, а при необхідності її розширення може
підвищити безпеку домоволодіння.

86

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

1. Авдєєв А. С. Розробка систем автоматизації житлових та офісних
приміщень «Розумний Дім»: зб. наук. праць ЧНУ. 2017. С. 142-143.
2. Авдєєв А.С., Герасимова А.І. Основні проблеми програмування систем
«Розумного Дому»: зб. наук. праць ЧНУ. - 2018. С. 62-65.
3. Бабенко О.В. Автоматичне керування освітленням / О.В. Бабенко, А.В.
Гадай, к. О.М. Захарчук // Наукові праці ВНТУ, 2013, № 1 – С. 1-5.
4. Блум Дж. Вивчаємо Arduino: інструменти та методи. Чернігів.: ЧДТУ,
2016. 336 с.
5. Богданов А. А. Практика застосування систем управління освітленням
світлодіодами / А. А. Богданов. // Світлотехніка. – 2012. – №3. – С. 20–
28.
6. Бодянський Є.В. Штучні нейронні мережі: архітектури, навчання,
застосування / Є.В. Бодянський, О.Г. Руденко. – 2004.– 300 с.
7. Гололобов В. Н. «Розумний дім» своїми руками / В. Н. Гололобов. – К.
Каравела: 2006. – 414 с.
8. Давиденко Ю. Н. Сучасна схемотехніка в освітленні. Ефективне
електроживлення люмінесцентних, галогенних ламп, світлодіодів,
елементів Розумного будинку / Ю. Н. Давиденко. – 2008. – 309 с.
9. ДБН В.2.5-28:2018 «Природне та штучне освітлення».
10. Іванов В.Н. Застосування комп'ютерних технологій при проектуванні
електричних схем. К.: Наукова думка, 2017. 347 с.
11. Іоффе К. І. Системи керування світлотехнічними пристроями :
конспект лекцій для студентів денної і заочної форм навчання
спеціальності – 141 «Електроенергетика, електротехніка та
електромеханіка» освітньої програми «Світлотехніка і джерела світла»
/ К. І. Іоффе. – Харків : ХНУМГ ім. О. М. Бекетова, 2016. – 68 с.
12. Кадирова Л. Ш. Розумний дім: ідеологія чи технологія. [Електронний
ресурс]: Міжнародний науково-дослідний журнал. URL: http://research-
87

journal.org/featured/arch/umnyj-dom-ideologiya-ilitexnologiya/ (Дата
звернення: 15.10.2025).
13. Казарінов Л.С., Шнайдер Д.А., Барбасова Т.А., Вставська Є.В.
Автоматизовані системи управління енергоефективним освітленням:
монографія. К: Видавничий центр Каравела, 2015. 208 с. 86.
14. Кашкаров А. Розумний дім своїми руками. Харків.: ДМК-Прес, 2015.
256 с.
15. Кликов М .Е. Електронні пускорегулюючі апарати для розрядних ламп
і системи автоматичного управління освітленням / М. Е. Кликов. – Х.:
ХПІ, 2011. – 16 с.
16. Кноррінг Г.М. Освітлювальні установки. Х.: ТОВ «Видавництво
Дніпро», 2016. 288 с.
17. Козловська В. Б. Електричне освітлення: довідник / В. Б. Козловська,
В. Н. Радкевич, В. Н. Сацукевич – 2-е вид. – Дніпро: Техноперспектива,
2008. – 271 с.
18. Константинов В.І., Вставська Є.В., Барбасова Т.А., Костарев Є.В.
Побудова систем передачі інформації по дротах мережі живлення //
Вісник Черкаського державного технологічного університету. 2015.
№23. С. 60–65.
19. Любарський М.М. Синтез і аналіз логічних Х-функцій [Text] / М.М.
Любарський, В.Г. Абдуллаєв, В.І. Хаханов, С.В. Чумаченко, Є.І.
Литвинова, І.В. Хаханов // Радіоелектроніка та інформатика. – 2018. –
№2. – С. 18-28.
20. Любарський М.М. Quantum-driven архітектури для паралельного
проектування цифрових систем / М.М. Любарський, І.В. Хаханов, В.І.
Хаханов, С.В. Чумаченко // Радіоелектроніка та інформатика.– 2018.–
№ 4(83).– С. 52-64.
21. Ліпінський Д.І. управління системою освітлення SMART HOME/ Д.І
Ліпінський // Сучасний рух науки: тези доп. XI міжнародної науково-
88

практичної інтернет-конференції, 8-9 жовтня 2025 р. – Дніпро, 2025. –
Т.1. – С. 418-419.
22. Плєшков П. Г., Гарасьова Н. Ю., Коновалов І. В., Мануйлов В. Ф.
Проектування електричного освітлення промислових підприємств:
Навчальний посібник. – Кіровоград: РВЛ КНТУ, 2008. – 232 с.
23. Правила улаштування електроустановок. ПУЕ 5-тє вид., перероб. та
доповнене. – Х.: , 2017. – 736 с.
24. Ревінська О. Г. Основи програмування в MatLab: навч. посібник. К.:
«Політехніка», 2016. 209 с.
25. Світлодіоди, їх види та застосування / Т. Ф. Капустинська, С. І. Лапта //
Наумовські читання : матеріали XIV студентської наук.-метод. конф.,
м. Харків, 24–25 листоп. 2016 р. / Харк. нац. пед. ун-т ім. Г. С.
Сковороди, Фізико-мат. ф-т ; відп. за вип. Колгатін О. Г. – Харків :
ХНПУ, 2017. – [Електрон. вид.]. – С. 78–79.
26. Семенов Б. Ю. Економічне освітлення для всіх / Б.Ю. Семенов. К.:
Політехніка, 2010. – 224 с.
27. Суворін А. В. Сучасний довідник електрика / А. В. Суворін – Херсон:
Олді+, 2010. – 510 с.
28. Споживачі електричної енергії. Електричне освітлення: навч. посіб. /
О.І. Соловей, А.В. Чернявський, О.О. Ситник, В.Ф. Ткаченко, Г.В.
Курбака; за ред. Солов’я О. І.; М-во освіти і науки України, Черкас.
держ. технол. ун-т. – Черкаси: ФОП Гордієнко Є.І., 2018. – 132 с.
29. Рейнхард Клетте. Комп'ютерний зір. Теорія і алгоритми. ТОВ
«Вільямс», 2018. 928 с.
30. Хайкін С. Нейронні мережі: повний курс. ТОВ «Вільямс». 2-е видання.
2016. 1104 с.
31. Шаро Ю.В., Хорольський В.Я. Електроенергетика. Навчальний
посібник. К.: Політехніка, 2016. 384 с.
32. Шаров Ю.В., Хорольський В.Я. Електроенергетика: навчальний
посібник. К.: Політехніка, 2016. 384 с.
89

33. Adim A.O. Big Sensed Data Meets Deep Learning for Smarter Health Care
in Smart Cities / A. O. Adim, B. Kantarci // Journal of Sensor and Actuator
Networks. – 2017. – Volume 6. – Issue 4. - PP. 1-22. – URL:
https://doaj.org/article/1067f3eaf1d94db38796b306f62c692f
34. 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.
35. Bayliss C. Transmission and Distribution Electrical Engineering / C.
Bayliss, B. Hardly. – Newnes. 2016. 139 p.
36. Bellia L. Lighting indoor environment: visual and non-visual light sources
with different spectral power // Newness. 2017. 254 p.
37. Capo A. J. Automatic human body modelling for vision-based motion
capture // Proc. WSCG Communication Proceedings. 2016. pp. 259-268.
38. Cardoso A. A virtual reality system for real time control of electric
substations. IEEE Virtual Reality. 2017. 307 p.
39. Flowler R.J. Electricity; Principles and Applications / R.J. Flowler - New-
York: Delmar Cengage Learning. 2017. 247 p.
40. Friborg O. Sleep timing, phonotype, mood, and behavior at an arctic latitude
(69°N) // Sleep Medicine. 2014. vol. 15. pp. 798–807.
41. Girondel V. Belief theory-based classifiers comparison for static human
body postures recognition in video // Proc. WEC. 2015, pp. 237-240.
42. Goldmann L. Human body posture recognition using mpeg-7 descriptors //
Proc. Visual Communications and Image Processing. – 2019. - pp. 18-22.
43. Haritaoglu I., Ghost: A human body part labeling system using silhouettes /
Haritaoglu I., Harwood D., Davis L. S. // Proc. 14th International
Conference on Pattern Recognition, Australia. 2015. pp. 16-20.
44. J. Yin Abnormal behavior recognition using self-adaptive hidden markov
models // Proc. Springer ICIAR, LNCS 5627. 2015, pp. 337–346.
90

45. 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.
46. 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.
47. Mihalache A. Wireless Home Automation System using IoT / A. Mihalache
// Informatica Economică. – 2017. – Volume 21. – No. 2. – pp. 17-32. –
URL: https://doaj.org/article/0301957e7d2b45cba83993a93865faa7
48. Ramanan D. Tracking people by learning their appearance // IEEE Trans. on
Pattern Analysis and Machine Intelligence. 2017. vol. 29. pp. 65-81.
49. URL: https://beegreen.com.ua (Дата звернення: 15.10.2025).
50. URL: https://evergreens.com.ua (Дата звернення: 15.10.2025).
51. URL: https://ipython.org (Дата звернення: 20.10.2025).
52. URL: https://itw-systems.com (Дата звернення: 18.10.2025).
53. URL: https://micro-pi.uа (Дата звернення: 10.10.2025).
54. URL: https://qld.com.ua (Дата звернення: 10.10.2025).
55. URL: https://res.ua (Дата звернення: 20.10.2025).
56. URL: https://www.smarthouse.ua (Дата звернення: 12.09.2025).
57. URL: https://www.tme.eu (Дата звернення: 20.10.2025).
58. 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.
59. Wang Z., Tan Y.K., Illumination control of LED systems based on neural
network model and energy optimization algorithm // Energy and Buildings.
2016. pp. 514–521.
60. 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.

ChSTU repository

ChSTU repository preserves and enables easy and open access to all types of digital content including text, images, moving images, mpegs and data sets