CN107662869B - 用于乘客运送装置的大数据分析处理系统和方法 - Google Patents

用于乘客运送装置的大数据分析处理系统和方法 Download PDF

Info

Publication number
CN107662869B
CN107662869B CN201610610348.1A CN201610610348A CN107662869B CN 107662869 B CN107662869 B CN 107662869B CN 201610610348 A CN201610610348 A CN 201610610348A CN 107662869 B CN107662869 B CN 107662869B
Authority
CN
China
Prior art keywords
data
big data
passenger conveyor
model
passenger
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610610348.1A
Other languages
English (en)
Other versions
CN107662869A (zh
Inventor
A.森杰
陈燕英
胡朝霞
贾真
李建国
方辉
赵建伟
李蔷
苏安娜
A.M.芬恩
N.莫里斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Otis Elevator Co
Original Assignee
Otis Elevator Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Otis Elevator Co filed Critical Otis Elevator Co
Priority to CN201610610348.1A priority Critical patent/CN107662869B/zh
Priority to US15/663,414 priority patent/US20180032598A1/en
Priority to EP17184139.8A priority patent/EP3276550A1/en
Publication of CN107662869A publication Critical patent/CN107662869A/zh
Application granted granted Critical
Publication of CN107662869B publication Critical patent/CN107662869B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B27/00—Indicating operating conditions of escalators or moving walkways
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B25/00—Control of escalators or moving walkways
    • B66B25/006—Monitoring for maintenance or repair
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B29/00—Safety devices of escalators or moving walkways
    • B66B29/005—Applications of security monitors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Abstract

本发明提供了一种用于乘客运送装置的大数据分析处理系统和方法，其中，大数据分析处理系统包括：数据采集模块，所述数据采集模块包括：成像传感器和/或深度感测传感器，以用于时时采集所述乘客运送装置至少一个区域图像数据和/或深度图数据；以及图像处理模块，用于对所述图像数据和/或深度图数据进行处理，以获取所述乘客运送装置的多种类型数据，包括设备运行数据、负载数据、异常行为数据以及意外事件数据中的一者或多者；数据库，所述数据库收集并储存所述多种类型数据；以及统计分析单元，所述统计分析单元根据统计分析方法对所述多种类型数据进行归类和统计，并产生分析报告。

Description

用于乘客运送装置的大数据分析处理系统和方法
技术领域
本发明涉及乘客运送装置技术领域，更具体地，本发明涉及用于乘客运送装置的大数据分析处理系统和大数据处理方法。本文中乘客运送装置指自动扶梯和自动人行道。
背景技术
目前，乘客运送装置的运营商对于乘客运送装置的日常运行状况知之甚少。运营商无法了解乘客运送装置每天的运行环境，负载状况或者使用时间以及停机时间等。运营商往往定期派遣技工至现场进行维护保养，而有时现场无须进行任何维护保养。或者，技术人员必须在客户报修后立即前往现场进行维修。
发明内容
本发明的目的在于解决或至少缓解现有技术中存在的问题。
本发明提供了一种用于乘客运送装置的大数据分析处理系统，所述大数据分析处理系统包括：
数据采集模块，所述数据采集模块包括：
传感器组件以用于采集图像数据和/或深度图数据；以及
图像处理模块，用于对所述图像数据和/或深度图数据进行处理，以获取所述乘客运送装置的多种类型数据，包括设备运行数据、负载数据、异常行为数据以及意外事件数据中的一者或多者；
数据库，所述数据库收集并储存所述多种类型数据；以及
统计分析单元，所述统计分析单元根据统计分析方法对所述多种类型数据进行归类和统计，并产生分析报告。
此外，本发明还提供了一种用于乘客运送装置的大数据分析处理方法。
附图说明
参考附图，本发明的上述以及其他的特征将变得显而易见，其中：
图1示出了根据本发明的实施例的用于乘客运送装置的大数据分析处理系统的结构示意图以及自动扶梯；
图2示出了根据本发明的实施例的用于乘客运送装置的大数据分析处理方法的流程图；
图3示出了根据本发明的实施例的用于乘客运送装置的大数据分析处理方法的步骤S1的详细流程图；
图4示出了根据本发明的实施例的用于乘客运送装置的大数据分析处理方法的步骤S2的详细流程图；
图5示出了根据本发明的实施例的用于乘客运送装置的大数据分析处理方法的步骤S3的详细流程图；
图6示出了根据本发明的一个实施例的用于乘客运送装置的大数据分析处理方法的应用的详细流程图；
图7示出了根据本发明的另一个实施例的用于乘客运送装置的大数据分析处理方法的应用的详细流程图；以及
图8示出了根据本发明的另一个实施例的用于乘客运送装置的大数据分析处理方法的应用的详细流程图。
具体实施方式：
容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
在本说明书中提到或者可能提到的上、下、左、右、前、后、正面、背面、顶部、底部等方位用语是相对于各附图中所示的构造进行定义的，它们是相对的概念，因此有可能会根据其所处不同位置、不同使用状态而进行相应地变化。所以，也不应当将这些或者其他的方位用语解释为限制性用语。
应当理解，在本发明中，术语“乘客运送装置”仅指自动扶梯和自动人行道。
应当理解，在本发明中，术语“成像传感器”可以是各种类型的2D图像传感器，应当理解，任何能够拍摄获取包括像素灰度信息的图像帧的图像传感器都可以在此适用，当然，能够拍摄获取包括像素灰度信息和色彩信息（例如RGB信息）的图像帧的图像传感器也可以在此适用。
应当理解，在本发明中，术语“深度感测传感器”可以是针对任何1D、2D、3D深度传感器或其组合。这种传感器可在能够产生具对应尺寸的深度图（还已知为点云或占据栅格）的光学、电磁或声谱下操作。各种深度感测传感器技术和装置包括但不限于结构光测量、相移测量、飞行时间测量、立体三角测量装置、光三角测量装置板、光场相机、编码孔径相机、计算成像技术、同时定位和地图构建(SLAM)、成像雷达、成像声纳、回声定位装置、扫描LIDAR、闪光LIDAR、被动红外线(PIR)传感器和小型焦平面阵列 (FPA)或包括前述中至少一个的组合。不同技术可包括主动（传输和接收信号）或被动（仅接收信号）且可在电磁或声谱（诸如视觉、红外线等）的带下操作。使用深度感测可具有超越常规2D成像的特定优点，使用红外线感测可具有超越可见光谱成像的特定益处，替代或此外，使得传感器可以是具有一个或多个像素空间分辨率的红外线传感器，例如被动红外线(PIR)传感器或小型IR焦平面阵列(FPA)。
应当理解，2D成像传感器（例如常规安全相机）与1D、2D或3D深度感测传感器之间在深度感测提供许多优点的程度上会存在性质上和数量上的差异。在2D成像中，在从成像器的每个径向方向上的来自第一个对象的反射色彩（波长的混合物）被捕获。接着，2D图像可包括源照明和场景中对象的光谱反射系数的组合光谱。2D图像可由人员解译成图片。在1D、2D或3D深度感测传感器中，不存在色彩（光谱）信息；更确切地说，在从传感器的径向方向（1D）或方向（2D、 3D）上到第一反射对象的距离（深度、范围）被捕获。1D、2D和3D技术可具有固有最大可检测范围极限且可具有相对低于典型2D成像器的空间分辨率。在对环境照明问题的相对免疫方面，与常规2D成像比较，使用1D、2D或3D深度感测可有利地提供改进型操作、对遮蔽对象的较好分离和较好的私密保护。使用红外线感测可具有超过可见光谱成像的特定益处。举例来说，2D图像会无法被转变成深度图且深度图也无法具有被转变成2D图像（例如，至连续深度的人为分配连续色彩或灰度会使人略微类似于人员如何见到2D图像来粗略地解译深度图，其并非常规意义上的图像。）的能力。
应当理解，成像传感器和深度感测传感器可集成成RGB-D传感器，其可以同时获取RGB信息和深度（D）信息。
应当理解，成像传感器和/或深度感测传感器可与红外线热成像仪集成以同时探测部件的温度等信息。
首先参考图1，其示出了根据本发明的一个实施例的用于自动扶梯500的大数据分析处理系统1000的示意图，所述大数据分析处理系统1000包括：数据采集模块100，数据库200以及统计分析单元300。数据采集模块100包括：传感器组件，其包括设置在自动扶梯500下端顶部处的第一成像传感器和/或深度感测传感器111以及设置在自动扶梯500上端顶部处的第二成像传感器和/或深度感测传感器112，成像传感器和/或深度感测传感器111，112用于采集所述乘客运送装置500的下端和上端的图像数据和/或深度图数据。数据采集模块100还包括图像处理模块102，图像处理模块102用于对由成像传感器和/或深度感测传感器111，112采集的图像数据和/或深度图数据进行处理，以获取所述乘客运送装置的多种类型数据，包括设备运行数据、负载数据、异常行为数据以及意外事件数据中的一者或多者。所谓获取所述乘客运送装置的多种类型数据包括设备运行数据、负载数据、异常行为数据以及意外事件数据中的一者或多者指获取上述四类数据中的一类、两类、三类或四类。所采集的各类数据被储存于数据库200中，数据库200可设置在各个自动扶梯500的近端，或者在同一建筑中的多个各个自动扶梯500可共用一个数据库200，或者一定区域中的各个自动扶梯500可共用一个数据库200。换而言之，数据库200可设置在本地或云端。在数据库设置在各个自动扶梯500的近端的情况下或在其他情况下，数据库200为联网的，以便可通过网络访问数据库200。统计分析单元300可通过网络或其他方式访问数据库200。统计分析单元300基于大量的多种类型数据，并根据各种统计分析方法来对所述多种类型进行归类和统计，并产生分析报告。分析报告可包括健康报告，日常运行记录，日常故障记录以及不当行为记录等。
此外，尽管图1示出了设置在自动扶梯500的两端的顶侧处的成像传感器和/或深度感测传感器111，112，但是成像传感器和/或深度感测传感器的数量和设置位置不限于图示的情况。例如，可仅存在一个成像传感器和/或深度感测传感器，其设置在自动扶梯500的中部或者可存在两个以上的成像传感器和/或深度感测传感器。
借助于成像传感器和/或深度感测传感器和图像处理模块102，数据采集模块100能够采集到多种类型数据。相比于常规传感器仅可采集一种类型的数据而言，成像传感器和/或深度感测传感器和图像处理模块的结合可容易地获得更多的大量数据，由此使得自动扶梯运营商可具有更大量信息，基于对大量信息的分类、统计以及分析，则可指导运营商提供基于状态的更加优质的服务。在一些实施例中，数据采集模块100包括设置在自动扶梯500的入口端和出口端顶部处的集成成像传感器和深度感测传感器的RGB-D传感器。
在一些实施例中，设备运行数据包括但不限于：运行速度，包括梯级踏板速度，扶手皮带速度等、制动距离、扶手皮带张紧度、部件温度、运行时间以及停机时间等等。例如，运行速度可通过基于光流子的图像分析方法来计算出。尽管扶手皮带速度通常难以用光流子法来确定，因为扶手皮带上通常不具有显著特征(其通常整体为黑色)，在这样的情况下，可将能够由传感器111和112探测到的额外的标记或变化设计增加到扶手皮带上，例如一些条纹，图形，商标等。制动距离的探测将在下文中描述。扶手皮带张紧度可根据扶手皮带的速度与梯级踏板速度比较来探测或通过自我比较来探测，例如，一般而言，扶手带速度相对梯级/踏板速度或相对自身以往速度速度较慢或时而偏慢时而速度正常时，则扶手带张紧度偏低。此外，扶手带的张紧度还可依据扶手带的物理位置来探测，例如扶手带是否下垂松弛等。部件温度可通过处于电磁波频谱的红外部分下运行的成像传感器来探测。运行时间和停机时间可通过梯级踏板的实际速度与梯级踏板的期望速度来确定。
在一些实施例中，所述负载数据包括但不限于：负载乘客数据包括：乘客数量，乘客体型体貌，乘客着装颜色；以及负载物件数据包括：物件形状，物件尺寸以及物件种类。例如，可识别乘客是否为老年人，残疾人，儿童等，可识别婴儿推车，轮椅等。
在一些实施例中，所述意外事件数据包括但不限于：事故数据以及部件故障数据。举例而言，事故数据包括乘客摔倒，乘客滚落，乘客被卡，异物卷入，火灾等，举例而言，部件故障数据包括梳齿缺损，梯级损坏或缺失，盖板损坏或缺失指示灯损坏。
上述采集中通常包括图像处理模块将由成像传感器和/或深度感测传感器采集的图像数据和/或深度图数据与系统预存的背景图像数据和/或深度图数据对比来判断目标特征，具体而言包括：
在一些实施例中，采集上述数据的方法包括：
数据帧获取步骤：对所述乘客运输装置的监测区域进行感测以获取数据帧；
背景获取步骤：基于在所述监测区域处于正常状态下感测的数据帧获取背景模型；
前景检测步骤：将实时感测的数据帧与所述背景模型进行差分处理以获得前景对象；
前景特征提取步骤，从所述前景对象提取相应的前景对象标示特征；以及
状态判断步骤：至少基于所述前景对象标示特征判断所述前景对象是否属于异常群体，并在判断为“是”的情况下确定所述前景对象属于异常群体。
在一些实施例中，基于上述方法并基于在所述乘客运输装置的监测区域处于正常状态下感测的数据帧和/或骨骼图模型和/或明暗图模型和/或人体自学模型来定义乘客体型体貌。乘客着装颜色可直接通过能够采集色彩信息的成像装置采集。
在一些实施例中，所述方法还包括提取的前景对象标示特征包括前景对象中人体的颜色和/或尺寸和/或速度；基于所述前景对象中的人体的颜色和/或尺寸和/或速度来判断所述前景对象是否属于异常群体。
在一些实施例中，所述方法还包括在前景对象中人体的颜色和/或尺寸和/或速度落入所述异常人体模型中时，判断所述前景对象属于异常群体。
在一些实施例中，所述方法还包括异常物体模型生成子步骤：用于基于在所述乘客运输装置的监测区域处于正常状态下感测的数据帧和/或物体自学模型来定义异常物体模型。
在一些实施例中，所述方法还包括提取的前景对象标示特征还包括前景对象中物体的尺寸和/或形状；
在一些实施例中，所述方法还包括基于所述前景对象中的物体的尺寸和/或形状来判断所述前景对象是否属于异常群体。
在一些实施例中，所述方法还包括在前景对象中物体的尺寸和/或形状落入所述异常物体模型中时，判断所述前景对象属于异常群体。
在一些实施例中，所述方法还包括在所述前景对象属于异常群体时，还从所述前景对象中提取异常群体周围相应的前景对象标示特征；还至少基于异常群体周围相应的前景对象标示特征判断所述前景对象处于异常状态，并在判断为“是”的情况下确定所述前景对象处于异常状态。
在一些实施例中，所述方法还包括宠物模型生成子步骤，基于在所述乘客运输装置的监测区域处于正常状态下感测的数据帧和/或宠物自学模型来定义宠物模型。
在一些实施例中，提取的前景对象标示特征包括前景对象中宠物的形状和/或尺寸和/或颜色；以及基于所述前景对象中的宠物的形状和/或尺寸和/或颜色来判断所述前景对象是否属于异常群体。
在一些实施例中，所述方法还包括在前景对象中宠物的尺寸和/或形状落入所述宠物模型中时，判断所述前景对象属于异常群体。
在一些实施例中，所述方法还包括轨迹生成步骤：根据分别在多幅连续的所述数据帧所对应的前景对象中提取的前景对象标示特征生成关于前景对象标示特征的变化轨迹。
在一些实施例中，所述方法还包括基于所述前景对象标示特征的变化轨迹预判前景对象是否即将属于异常群体，并在判断为“是”的情况下确定所述前景对象即将属于异常群体。
在一些实施例中，所述方法还包括在至少连续两幅的所述数据帧的判断结果均为所述前景对象属于异常群体时，确定所述前景对象属于异常群体。
在一些实施例中，所述方法还包括每隔预定时段后感测获取在预定时段内的数据帧供所述处理装置进行数据处理。
在一些实施例中，所述方法还包括警报步骤：在确定所述前景对象属于异常群体的情况下触发警报单元工作。
在一些实施例中，乘客运输机的梯级与梳齿板的啮合状态检测方法包括：
通过深度感测传感器对所述乘客运输机的至少梯级与梳齿板的啮合部位进行感测以获取深度图；
基于在所述乘客运输机处于空载且所述啮合状态处于正常状态下感测的深度图获取背景模型；
将实时感测的深度图与所述背景模型进行差分处理以获得前景对象；以及
至少基于所述前景对象进行数据处理以判断所述啮合状态是否处于正常状态。
在一些实施例中，该方法还包括对所述梯级与梳齿板的啮合部位的感测包括对梯级的啮合齿的感测，所述判断啮合状态步骤中，在所述啮合齿的至少一个破损时被判断为非正常状态。
在一些实施例中，检测异物卷入，例如扶手入口异物卷入的方法包括：
通过成像传感器和/或深度感测传感器对所述乘客运输机的至少部分扶手入口区域进行感测以获取数据帧；以及
对所述数据帧进行分析处理以监测运行的所述乘客运输机的扶手入口是否处于正常状态或非正常状态；
其中，所述正常状态是指没有异物即将进入或至少部分已处于所述扶手入口的危险区域, 所述非正常状态是指异物即将进入或至少部分已处于所述扶手入口的危险区域。
在一些实施例中，所述方法还包括：
基于在所述乘客运输机的扶手入口处于正常状态下感测的数据帧获取背景模型；
将实时感测的数据帧与所述背景模型进行比对处理以获得前景对象；
从所述前景对象提取相应的位置特征；以及
至少基于所述位置特征判断所述前景对象是否处于所述扶手入口的危险区域，并在判断为“是”的情况下确定所述扶手入口处于非正常状态。
此外，在一些实施例中，检测梯级踏板缺失的方法包括
对所述乘客运输机的被监测对象进行感测以获取数据帧；
基于在所述被监测对象处于正常状态或非正常状态下感测的数据帧预先地获取背景模型；
将实时感测的数据帧与所述背景模型进行差分处理以获得前景对象；以及
至少基于所述前景对象进行数据处理以判断所述被监测对象是否处于正常状态。
在一些实施例中，该方法还包括根据被监测对象从所述前景对象提取相应的前景特征；
其中，所述判断步骤中，基于所述前景特征判断所述被监测对象是否处于正常状态。
在一些实施例中，该方法还包括所述被监测对象包括所述乘客运输机的着路板，所述判断步骤中，在所述着陆板移位或缺失时被判断为非正常状态。
在一些实施例中，该方法还包括所述提取前景特征的步骤中，提取的前景特征包括前景对象的形状、尺寸和位置；所述判断步骤中，基于所述前景对象的形状、尺寸和位置判断所述着陆板是否移位或缺失。
在一些实施例中，所述方法还包括所述被监测对象包括在维护检修工况下的所述乘客运输机的使用的安全栅栏，所述判断步骤中，在所述安全栅栏缺失和/或置放位置不当时被判断为非正常状态。
在一些实施例中，乘客异常行为包括但不限于：携带宠物，携带推车，携带轮椅，携带超标物件以及携带任何异常物以及，攀爬，逆行，未扶扶手，玩手机，乘客处于异常位置以及任何危险行为。
在一些实施例中，采集异常行为可通过以下方法实现，所述方法还包括
数据帧获取步骤：对所述乘客运输装置的监测区域进行感测以获取数据帧；
背景获取步骤：基于在所述监测区域处于正常状态下感测的数据帧获取背景模型；
前景检测步骤：将实时感测的数据帧与所述背景模型进行差分处理以获得前景对象；
前景特征提取步骤，从所述前景对象提取相应的前景对象状态特征；以及
状态判断步骤：至少基于所述前景对象状态特征判断所述前景对象是否处于异常状态，并在判断为“是”的情况下确定所述前景对象处于异常状态。
在一些实施例中，所述方法还包括场景模型生成子步骤：用于基于在所述乘客运输装置的监测区域处于正常状态下感测的数据帧和/或场景自学模型来定义危险区域。
在一些实施例中，所述方法还包括提取的前景对象状态特征包括前景对象的速度和/或加速度和/或目标密集度，基于所述前景对象在所述危险区域的速度和/或加速度和/或目标密集度来判断所述前景对象是否处于异常状态。
在一些实施例中，所述方法还包括在提取的前景对象状态特征中的前景对象的速度超出速度设定阈值时，判断所述前景对象处于异常状态；和/或
在提取的前景对象状态特征中的前景对象的加速度超出加速度设定阈值时，判断所述前景对象处于异常状态；和/或
在提取的前景对象状态特征中的前景对象的目标密集度超出目标密集度设定阈值时，判断所述前景对象处于异常状态。
在一些实施例中，所述方法还包括人体异常动作模型生成子步骤：用于基于在所述乘客运输装置的监测区域处于正常状态下感测的数据帧和/或骨骼图模型和/或明暗图模型和/或人体自学模型来定义人体异常动作模型。
在一些实施例中，所述方法还包括提取的前景对象状态特征包括前景对象中人体的动作；
基于所述前景对象中的人体的动作来判断所述前景对象是否处于异常状态。
在一些实施例中，所述方法还包括在前景对象中人体的动作落入所述人体异常动作模型时，判断所述前景对象处于异常状态。
在一些实施例中，所述方法还包括还包括场景模型生成子步骤：基于在所述乘客运输装置的监测区域处于正常状态下感测的数据帧和/或场景自学模型来定义危险区域。
在一些实施例中，所述方法还包括
提取的前景对象状态特征包括前景对象中人体的位置及动作，
基于所述前景对象中的人体的位置及人体的动作来判断所述前景对象是否处于异常状态。
在一些实施例中，所述方法还包括在前景对象中人体的位置处于所述危险区域且前景对象中人体的动作落入所述人体异常动作模型时，判断所述前景对象处于异常状态。
在一些实施例中，所述方法还包括轨迹生成步骤：根据分别在多幅连续的所述数据帧所对应的前景对象中提取的前景对象状态特征生成关于前景对象状态特征的变化轨迹。
在一些实施例中，所述方法还包括基于所述前景对象状态特征的变化轨迹预判前景对象是否即将处于异常状态，并在判断为“是”的情况下确定所述前景对象即将处于异常状态。
在一些实施例中，所述方法还包括提取的前景对象状态特征包括前景对象的速度和/或加速度和/或目标密集度；
基于所述前景对象在所述危险区域的速度和/或加速度和/或目标密集度的变化轨迹来判断所述前景对象是否即将处于异常状态。
在一些实施例中，所述方法还包括在所述前景对象的速度变化轨迹在预设时段内超出速度轨迹设定阈值时，判断所述前景对象即将处于异常状态；和/或
在所述前景对象的加速度变化轨迹在预设时段内超出加速度轨迹设定阈值时，判断所述前景对象即将处于异常状态；和/或
在所述前景对象的目标密集度变化轨迹在预设时段内超出密集度轨迹设定阈值时，判断所述前景对象即将处于异常状态。
在一些实施例中，所述方法还包括
所述前景特征提取模块提取的前景对象状态特征包括前景对象中人体的动作；
基于所述前景对象中人体的动作的变化轨迹来判断所述前景对象是否即将处于异常状态。
在一些实施例中，所述方法还包括在所述前景对象中人体的动作变化轨迹在预设时段内超出动作轨迹设定阈值时，判断所述前景对象即将处于异常状态。
在一些实施例中，所述方法还包括：
所述前景特征提取模块提取的前景对象状态特征还包括前景对象中人体的位置；
基于所述前景对象中人体的位置及人体的动作的变化轨迹来判断所述前景对象是否即将处于异常状态。
在一些实施例中，所述方法还包括在所述前景对象中人体的位置变化轨迹在预设时段内逼近危险区域时，且在所述前景对象中人体的动作变化轨迹在预设时段内超出动作轨迹设定阈值时，判断所述前景对象即将处于异常状态。
在一些实施例中，所述方法还包括在至少连续两幅的所述数据帧的判断结果均为所述前景对象处于异常状态时，确定所述前景对象处于异常状态。
在一些实施例中，所述方法还包括每隔预定时段后感测获取在预定时段内的数据帧供所述处理装置进行数据处理。
在一些实施例中，所述方法还包括还包括警报步骤：在确定所述前景对象处于异常状态的情况下触发所述警报单元工作。
在一个实施例中，借助于成像传感器和/或深度感测传感器和图像处理模块102获取自动扶梯运行速度的步骤包括：
通过成像传感器和/或深度感测传感器对所述乘客运输机的至少一部分感测以获取序列帧；
基于光流法计算所述序列帧中任何两帧之间的相应特征点(例如梯级踏板或乘客)在帧坐标下的移位；
通过使用成像传感器或深度感测传感器下的刻度将所述特征点在帧坐标中的移位转换为在空间全局坐标下的移位；
确定所述序列帧中任何两帧之间的时间量；以及
基于所述特征点在空间全局坐标下的移位和对应的时间量计算获得任何两帧对应时间点的速度信息，并进一步组合获得所述序列帧的速度信息。
在一个实施例中，借助于成像传感器和/或深度感测传感器和图像处理模块102获取自动扶梯制动距离包括：
在所述获取序列帧的步骤中，所述成像传感器和/或深度感测传感器在制动工况触发的同时开始获取所述序列帧；
其中，所述速度检测方法还包括步骤：
基于所述速度信息计算得到从制动工况触发至梯级、乘客或其他任何可探测的点减速为0的时间段对应的序列帧的速度变化信息，以及
至少基于所述速度信息计算得到从制动工况触发至所述梯级减速为0的时间段对应的制动距离信息。
在一个实施例中，借助于成像传感器和/或深度感测传感器和图像处理模块102获取异物卷入的方法，例如扶手入口处异物卷入的方法，包括：
通过成像传感器和/或深度感测传感器对所述乘客运输机的至少部分扶手入口区域进行感测以获取数据帧；以及
对所述数据帧进行分析处理以监测运行的所述乘客运输机的扶手入口是否处于正常状态或非正常状态；
其中，所述正常状态是指没有异物即将进入或至少部分已处于所述扶手入口的危险区域, 所述非正常状态是指异物即将进入或至少部分已处于所述扶手入口的危险区域。
在一个实施例中，借助于成像传感器和/或深度感测传感器和图像处理模块102获取乘客处于异常位置的方法包括：
图像获取步骤：对所述乘客运输装置的监测区域进行感测以获取数据帧；
背景获取步骤：基于在所述监测区域处于正常状态下感测的数据帧获取背景模型；
前景检测步骤：将实时感测的数据帧与所述背景模型进行差分处理以获得前景对象；
前景特征提取步骤，从所述前景对象提取相应的前景对象状态特征；以及
提取的前景对象状态特征包括前景对象中人体的位置及动作，
基于所述前景对象中的人体的位置及人体的动作来判断所述前景对象是否处于异常状态。
应当理解，上述获取各种数据的方法仅为示例性地，本领域技术人员还掌握或可构思出更多通过借助于成像传感器和/或深度感测传感器101和图像处理模块102来获取多种类型数据的方法，而各种方法在此无法完全枚举。
由于成像传感器和/或深度感测传感器和图像处理模块的配合，可时时采集大量的多种类型数据以备分析研究，其大大地优于传统传感器或单一用途的2D成像传感器。然而，在一些实施例中，本发明的数据采集模块100还包括任何其他传感器，以便获得更多的数据。各种数据可时时反馈至统计分析单元300，以及时提供应急措施并且统计分析单元300可基于任何已知技术手段或新的技术手段对大数据进行统计和分析，出具部件健康报告，提出改善建议，对设备进行远程诊断或派遣工人至现场进行维护，保养以及更换。正如下文将详述的，统计分析单元300还可基于统计分析来预测故障。例如，在一些实施例中，统计分析单元300可通过对大数据的统计分析发现特定数据与特定部件故障之间的关系，例如部件运行时间与部件故障的关系，部件停机时间与部件故障的关系，制动距离变化和制动装置故障之间的关系，部件工作温度曲线或冷启动次数与部件故障之间的关系，扶手皮带张紧度与扶手皮带故障的关系，乘客负载数量或乘客负载曲线与乘客负载相关部件故障的关系，乘客异常行为与故障部件关系等等。基于这些关系，统计分析单元300的故障预测可为基于例如通过最小二乘法来由大数据计算出参数的物理模型和/或经验模型的贝叶斯推理。其中，经验模型包括部件老化模型，所述部件老化模型为威布尔分布、雷利模型(Rayleigh model)、学习型经验分布模型、高周疲劳模型(HCF)、低周疲劳模型(LCF)和/或小概率事件统计模型，例如极值统计模型。统计分析单元300还可包括学习模块，所述学习模块通过预测故障与实际故障的比较以对所述物理模型和/或经验模型的参数进行修正。可例如基于贝叶斯估计来利用实际维护数据来不断更新模型，可通过在预测故障与实际故障出现差别时修正物理模型和/或经验模型来使其更加完善。
在一些实施例中，数据采集模块100能够采集乘客运送装置的制动距离数据；统计分析单元300统计并分析所述制动距离数据，并定期出具健康报告；并且统计分析单元300基于制动距离数据的变化以及物理模型和/或经验模型来预测乘客运送装置的制动装置的故障。
在一些实施例中，数据采集模块100还能够采集承载人数，例如，数据采集模块100包括：设置在所述乘客运送装置入口端和出口端顶部处成像传感器和/或深度感测传感器，以用于时时采集所述乘客运送装置的入口端区域和出口端区域的图像数据和/或深度图数据；图像处理模块，用于对所述图像数据和/或深度图数据进行处理，以获取并记录图像数据和/或深度图数据中的目标的形状和颜色，并判断目标是否为人，并在识别到人时记录；以及计数器，在所述乘客运送装置上无人时将所述计数器置零；并且，在入口端识别到未记录的人时使上客计数器增加1并记录时间信息，在出口端识别到已记录的人时使下客计数器增加1并记录时间信息，并且在任何时刻上客计数器和下客计数器之差则为该时间的乘客数量。统计分析单元300能够统计并分析乘客运送装置各时段承载人数曲线，并基于此确定重要部件负载曲线。在一些实施例中，统计分析单元300进一步与乘客运送装置控制系统联接，控制系统基于所述承载人数曲线来调节所述乘客运送装置的运行方向和运行速度。
现在将参考图2-8来详细描述根据本发明的一些实施例的用于乘客运送装置的大数据分析处理方法及其应用。具体而言，方法包括
S1.采集数据；
S2.统计和分析；以及
S3.提供基于状态的服务。
更具体地，参考图3，其中S1采集数据的步骤还包括S11其中利用成像传感器和/或深度感测传感器来时时采集所述乘客运送装置的至少一个区域图像数据和/或深度图数据，以及S12利用图像处理模块对所述图像数据和/或深度图数据进行处理，以至少获取所述乘客运送装置的多种类型数据，包括设备运行数据、负载数据、异常行为数据以及意外事件数据。可选地，采集数据的步骤还包括S13使用处成像传感器和/或深度感测传感器外的其他传感器来获取所述乘客运送装置的数据的步骤。例如，在一些实施例中，乘客运送装置可包括多个其他现有的传感器，这些传感器包括但不限于，速度传感器、温度传感器，压力传感器，位移传感器以及光电传感器等，这些传感器同样可采集多种类型的数据并将数据提供给数据库，作为大数据的一部分。举例而言，速度传感器可为基于扶梯主轴转速的速度传感器，其采集的数据可与由成像传感器和/或深度感测传感器的数据结合并比较，并基于统计分析方法对两种传感器得到的数据进行处理，以获得更准确可靠的数据。在一些实施例中，基于位移的传感器可用于感测异物卷入等情况。在一些实施例中，由其他传感器获得的这些数据可作为成像传感器和/或深度感测传感器所采集数据的补充或对成像传感器和/或深度感测传感器所采集的数据进行校准，验证，使得数据更为准确，可靠，更全面。
继续参考图4，其中S2统计和分析步骤首先包括S21将采集的所述多种类型数据储存于数据库，以及S22利用统计分析单元根据统计分析方法对所述多种数据进行归类和统计，并且S24产生分析报告，分析报告可包括健康报告，日常运行记录，日常故障记录以及不当行为记录等。可选地，步骤S2还包括：S25利用所述统计分析单元基于统计分析来定期或不定期提供所述乘客运送装置的健康报告；并且基于统计和分析来预测故障。预测故障的步骤还包括统计分析单元基于由大数据计算出参数的物理模型和/或经验模型的贝叶斯推理，例如通过最小二乘法。其中，经验模型包括部件老化模型，所述部件老化模型为威布尔分布、雷利模型(Rayleigh model)、学习型经验分布模型、高周疲劳模型(HCF)、低周疲劳模型(LCF)和/或小概率事件统计模型，例如极值统计模型。可选地，在一些实施例中，步骤S2中还包括步骤S23基于预测故障与实际故障的比较来对由大数据计算出参数(例如通过最小二乘法)的所述物理模型和/或经验模型的参数进行修正的步骤，从而使得预测模型可逐步更完善，预测更准确。例如，在预测制动装置故障的实施例中，制动装置故障时间可为制动距离的函数，可通过对于实际制动距离与制动装置故障的关系来对该函数的参数进行修正。可选地，步骤S2还包括识别异常行为以及意外事件。
继续参考图5，对于步骤S3提供基于状态的服务而言，可包括步骤S31向客户发出预测故障信息或者派遣技术人员至现场进行检查、维护或更换；步骤S32基于统计分析来向客户提出改善建议。在一些实施例中，可基于乘客异常行为来建议客户将强现场管理，包括建议设置围栏，建议加强保安等。在一些实施例中，可基于人流高低峰曲线建议客户设置自动扶梯的运行状态或在自动传送系统经常过载的情况下建议客户增加自动扶梯以分流。在一些实施例中，可基于对数据的统计和分析来得出事故原因，并建议客户做出相应的改善，例如事故由于部件长时间在高温下工作则可建议客户增加散热装置等。步骤S33在识别到异常行为以及识别到意外事件时候采取应急措施，例如发出警报，报警或呼叫救护车；以及步骤S34远程监控服务或远程检修诊断服务等。相比于现有技术，在利用本发明的实施例的方法中，技术人员在故障真实发生前已接受到预测故障警告并可赴现场进行维护而非在故障后反应性地进行修理；此外，在现场或周围的技术人员在紧急状况发生时第一时间被派遣至现场。
参考图6，其为用于乘客运送装置的大数据分析处理方法的应用的一个实施例，该应用主要为基于采集的大量数据来监控并预测乘客运送装置的制动装置故障情况。在该实施例中，步骤S101中利用所述数据采集模块采集制动距离数据；在步骤S201中利用所述统计分析单元统计并分析制动距离数据，并定期出具报告；在步骤202中分析制动距离变化趋势，并在在步骤S203中，对比制动距离数据的变化趋势，统计分析单元基于物理模型和/或经验模型来预测乘客运送装置的制动装置是否即将发生故障，例如，在一个实施例中，可根据以往所采集的多个自动扶梯装置的制动距离变化以及制动装置故障的关系来设定制动距离的预警值，并且在制动距离不断增大并超过预警值时则可预测制动装置将在一定时间内发生故障，可立即或尽早派遣工作人员至现场对制动装置进行适合的维护或保养。其中制动距离的预警值可根据对于来自各个自动扶梯的以往数据的统计分析来得到，统计分析方法可采用本领域已知的各种常规方法。如果制动距离并未发生变化，则重复上述S202步骤，如果是则进入步骤S301包括将预测故障数据发送给技术人员和/或运营商；以及步骤S302派遣技术人员只现场进行检查、维护或更换部件。
参考图7，其为用于乘客运送装置的大数据分析处理方法的应用的另一个实施例。该方法包括在步骤S111中利用数据采集模块的成像传感器和/或深度感测传感器采集乘客异常行为数据，在步骤S211记录异常行为数据；在步骤S212中利用所述统计分析单元统计并分析乘客异常行为数据，并在步骤S213中定期出具报告；以及当步骤S214报告提示乘客携带不适当物件次数较多时，则执行步骤S311建议客户改善建筑出入口管理；当步骤S215报告提示乘客不扶扶手次数较多时，执行步骤S312建议客户设置警告设施；当步骤S216报告提示儿童攀爬次数较多时，则执行步骤S313建议客户设置防攀爬装置；当步骤217报告其他情况时，则执行步骤S314提供其他适当的建议或采取应对措施。
参考图8，其为用于乘客运送装置的大数据分析处理方法的应用的又一个实施例。在该方法中包括：步骤S121，利用数据采集模块采集承载人数，采集承载人数的一种实施例在上文中已详述；并且在步骤S221中对承载人数数据进行统计和分析；在步骤S222中定期出具报告；并在步骤S223中得出人流高低峰曲线，并确定高峰时段，并执行步骤S321，对高峰时段乘客传送装置的入口进行引导或限流措施，例如可通过各种手段，例如广播、手机信息等通知乘客避让或选择其他路径；此外，可选地，在步骤S224中利用统计分析单元统计并分析乘客运送装置各时段的承载人数，并基于此确定重要部件负载曲线；以及在步骤S322中基于重要部件负载曲线预测重要部件寿命或者建议或发出警示以避免重要部件长时间过载；和/或发出预测故障数据给技术人员和/或运营商或派遣技术人员至现场进行检查、维护或更换工作。其中，基于重要部件的负载曲线预测重要部件的寿命可例如包括：采集来自多个自动扶梯的关于重要部件的负载数据，如每日承载总人数；设定乘客超载数值，并采集来自多个自动扶梯的部件超载运行时间；采集来自多个自动扶梯的关于该重要部件的故障信息；统计并分析该重要部件例如平均在负载多少乘客时该部件将发生故障，或超载运行时间超过多少时发生故障，并建立模型，例如模型可为运载总人数与超载时间的函数；以及根据统计分析结果来预测该部件在各种负载曲线下的故障。此外，可选地，步骤S225包括判断节假日，则在节假日执行步骤S323采取措施引导并分散人群。此外，可选地，可基于现场探测到的入口端和出口端的人数或基于承载人数曲线来控制乘客运送装置的运行方向和运行速度，例如在乘客人流较少时可将自动扶梯设置成双向感应运行，并关闭其他自动扶梯，在乘客数量较多时，可在可控范围内增加自动扶梯的速度等。
应当理解，采用了有限的实施例来详述的根据本发明的用于乘客运送装置的大数据分析处理系统和方法，但本领域技术人员可基于所采集的大量的多种数据以及统计分析手段来实现本发明的系统和方法的更多的应用，这些应用在不会脱离本发明的范围。
应当理解，尽管上述应用中仅采用了多种类型数据中的一类数据中的一项数据来做统计分析，但在其他实施例中，分析还可基于一类数据中的多项数据进行或基于多类数据中的多项进行。大量数据的采集使得各种统计分析具有坚实的基础，从而可获得更佳的分析结论和更广泛的应用。
本发明的用于乘客运送装置的大数据分析处理系统和方法的优势包括但不限于：改善的服务，更好的安全性以及降低成本，更具体地包括但不限于：1.提供预先故障提醒；2.预先部件维护；3.与客户分享数据以分析故障或事故的根源；4.快速反应服务；5.数据分享给研究部门以改善产品设计。
应当理解的是，所有以上的优选实施例都是示例性而非限制性的，本领域技术人员在本发明的构思下对以上描述的具体实施例做出的各种改型或变形都应在本发明的法律保护范围内。

Claims (39)

1.一种用于乘客运送装置的大数据分析处理系统，所述大数据分析处理系统包括：
数据采集模块，所述数据采集模块包括：
传感器组件，用于采集图像数据和/或深度图数据，以及
图像处理模块，用于对所述图像数据和/或深度图数据进行处理，以获取所述乘客运送装置的多种类型数据，包括设备运行数据、负载数据、异常行为数据以及意外事件数据中的一者或多者；
数据库，所述数据库收集并储存所述多种类型数据；以及
统计分析单元，所述统计分析单元根据统计分析方法对所述多种类型数据进行归类和统计，并产生分析报告;
其中，所述数据采集模块能够采集所述乘客运送装置的制动距离数据；
所述统计分析单元统计并分析所述制动距离数据，并定期出具健康报告；并且
所述统计分析单元基于制动距离数据的变化以及物理模型和/或经验模型来预测乘客运送装置的制动装置的故障。
2.根据权利要求1所述的大数据分析处理系统，其特征在于，所述传感器组件包括成像传感器和/或深度感测传感器，以用于时时采集所述乘客运送装置至少一个区域的图像数据和/或深度图数据。
3.根据权利要求1所述的大数据分析处理系统，其特征在于，所述数据采集模块包括设置在所述乘客运送装置的入口端和/或出口端顶部处的成像传感器和/或深度感测传感器。
4.根据权利要求1所述的大数据分析处理系统，其特征在于，所述数据采集模块包括设置在所述乘客运送装置入口端和/或出口端顶部处的集成成像传感器和深度感测传感器的RGB-D传感器。
5.根据权利要求1所述的大数据分析处理系统，其特征在于，所述设备运行数据包括：运行速度、制动距离、扶手皮带张紧度、部件温度、运行时间以及停机时间中的一者或多者。
6.根据权利要求1所述的大数据分析处理系统，其特征在于，所述负载数据包括：
负载乘客数据包括以下中的一者或多者：乘客数量，乘客体型体貌，乘客着装颜色；以及
负载物件数据包括以下中的一者或多者：物件形状，物件尺寸以及物件种类。
7.根据权利要求1所述的大数据分析处理系统，其特征在于，所述意外事件数据包括：事故数据以及部件故障数据。
8.根据权利要求1所述的大数据分析处理系统，其特征在于，所述异常行为数据包括以下中的一者或多者：携带宠物，携带推车，携带轮椅，携带超标物件以及携带任何异常物品，和攀爬，逆行，未扶扶手，玩手机，乘客处于异常位置以及任何危险行为。
9.根据权利要求1所述的大数据分析处理系统，其特征在于，所述数据库分布在各个乘客运送装置处或集中布置，并且所述数据库可通过网络访问。
10.根据权利要求1所述的大数据分析处理系统，其特征在于，所述数据采集单元还包括能够获取所述乘客运送装置数据的其他传感器。
11.根据权利要求1-10中任一项所述的大数据分析处理系统，其特征在于，所述统计分析单元基于统计分析来定期或不定期提供所述乘客运送装置的健康报告。
12.根据权利要求11所述的大数据分析处理系统，其特征在于，所述统计分析单元基于统计分析来预测故障。
13.根据权利要求12所述的大数据分析处理系统，其特征在于，所述统计分析单元的故障预测为基于通过最小二乘法由大数据计算出参数的物理模型和/或经验模型的贝叶斯推理。
14.根据权利要求13所述的大数据分析处理系统，其特征在于，所述经验模型包括部件老化模型，所述部件老化模型为威布尔分布、雷利模型、学习型经验分布模型、高周疲劳模型、低周疲劳模型和/或小概率事件统计模型，所述小概率事件统计模型包括极值统计模型。
15.根据权利要求13所述的大数据分析处理系统，其特征在于，所述统计分析单元包括学习模块，所述学习模块基于实际维护数据对所述物理模型和/或经验模型的参数进行修正。
16.根据权利要求1所述的大数据分析处理系统，其特征在于，所述数据采集模块还能够采集承载人数，其中，
所述数据采集模块包括：
设置在所述乘客运送装置入口端和出口端顶部处成像传感器和/或深度感测传感器，以用于时时采集所述乘客运送装置的入口端区域和出口端区域的图像数据和/或深度图数据；
图像处理模块，用于对所述图像数据和/或深度图数据进行处理，以获取并记录图像数据和/或深度图数据中的目标的形状和颜色，判断目标是否为人，并对识别到的人进行记录；以及
记录所识别的人的一个或更多计数器。
17.根据权利要求16所述的大数据分析处理系统，其特征在于，所述统计分析单元能够统计并分析乘客运送装置各时段承载人数曲线，并基于此确定重要部件负载曲线。
18.根据权利要求17所述的大数据分析处理系统，其特征在于，所述统计分析单元进一步与乘客运送装置控制系统联接，所述控制系统基于时时负载情况和/或所述承载人数曲线来调节所述乘客运送装置的运行方向和运行速度。
19.一种用于乘客运送装置的大数据分析处理方法，所述大数据分析处理方法包括：
利用传感器组件采集图像数据和/或深度图数据，并且
利用图像处理模块对所述图像数据和/或深度图数据进行处理，以获取所述乘客运送装置的多种类型数据，包括设备运行数据、负载数据、异常行为数据以及意外事件数据中的一者或多者；
将采集的所述多种类型数据储存于数据库，并利用统计分析单元根据统计分析方法对所述多种类型数据进行归类和统计，并产生分析报告；以及
基于所述分析报告来提供基于状态的服务;
其中，所述大数据分析处理方法还包括：
利用所述数据采集模块采集制动距离数据；
利用所述统计分析单元统计并分析制动距离数据，并定期出具报告；
并利用统计分析单元基于制动距离数据的变化以及物理模型和/或经验模型来预测乘客运送装置的制动装置的故障，以及
发出预测故障数据给技术人员和/或运营商或派遣技术人员至现场进行检查、维护或更换。
20.根据权利要求19所述的大数据分析处理方法，其特征在于，所述方法还包括利用成像传感器和/或深度感测传感器来时时采集所述乘客运送装置的至少一个区域图像数据和/或深度图数据。
21.根据权利要求19所述的大数据分析处理方法，其特征在于，所述方法还包括将成像传感器和/或深度感测传感器设置在所述乘客运送装置的入口端和/或出口端顶部。
22.根据权利要求19所述的大数据分析处理方法，其特征在于，所述方法还包括将集成成像传感器和深度感测传感器的RGB-D传感器设置在所述乘客运送装置的入口端和/或出口端顶部。
23.根据权利要求19所述的大数据分析处理方法，其特征在于，所述设备运行数据包括：运行速度、制动距离、扶手皮带张紧度、部件温度、运行时间以及停机时间中的一者或多者。
24.根据权利要求19所述的大数据分析处理方法，其特征在于，所述负载数据包括：
负载乘客数据包括以下中的一者或多者：乘客数量，乘客体型体貌，乘客着装颜色；以及
负载物件数据包括以下中的一者或多者：物件形状，物件尺寸以及物件种类。
25.根据权利要求19所述的大数据分析处理方法，其特征在于，所述意外事件数据包括：事故数据以及部件故障数据。
26.根据权利要求19所述的大数据分析处理方法，其特征在于，所述异常行为数据包括以下中的一者或多者：携带宠物，携带推车，携带轮椅，携带超标物件以及携带任何异常物品，和攀爬，逆行，未扶扶手，玩手机以及任何危险行为。
27.根据权利要求19所述的大数据分析处理方法，其特征在于，所述方法还包括将所述数据库分散布置在各个乘客运送装置处或集中布置，并且使能通过网联网访问所述数据库。
28.根据权利要求19所述的大数据分析处理方法，其特征在于，所述方法还包括使用其他传感器来获取所述乘客运送装置的数据的步骤。
29.根据权利要求19-28中任一项所述的大数据分析处理方法，其特征在于，所述方法还包括：
利用所述统计分析单元基于统计分析来定期或不定期提供所述乘客运送装置的健康报告；以及
基于统计分析来预测故障。
30.根据权利要求29所述的大数据分析处理方法，其特征在于，所述方法还包括利用所述统计分析单元基于通过最小二乘法由大数据计算出参数的物理模型和/或经验模型的贝叶斯推理进行故障预测。
31.根据权利要求29所述的大数据分析处理方法，其特征在于，所述经验模型包括部件老化模型，所述部件老化模型为威布尔分布、雷利模型、学习型经验分布模型、高周疲劳模型、低周疲劳模型和/或小概率事件统计模型，所述小概率事件统计模型包括极值统计模型。
32.根据权利要求30所述的大数据分析处理方法，其特征在于，所述方法还包括：基于实际维护数据来对所述通过最小二乘法由大数据计算出参数的物理模型和/或经验模型的参数进行修正的步骤。
33.根据权利要求19所述的大数据分析处理方法，其特征在于，所述方法还包括基于统计分析来向客户提出改善建议或向客户出具故障分析报告。
34.根据权利要求33所述的大数据分析处理方法，其特征在于，所述方法还包括：
利用数据采集模块的成像传感器和/或深度感测传感器采集乘客异常行为数据，
利用所述统计分析单元统计并分析乘客异常行为数据，并定期出具报告，以及
当报告提示乘客携带不适当物件次数较多时，建议客户改善建筑出入口管理；或者
当报告提示乘客不扶扶手次数较多时，建议客户设置警告设施；或者
当报告提示儿童攀爬次数较多时，建议客户设置防攀爬装置。
35.根据权利要求19所述的大数据分析处理方法，其特征在于，所述方法还包括使统计分析单元与所述乘客运送装置的安全系统联接，以便在识别到异常行为时发出警告信息，或者
在识别意外事件数据时自动报警和/或呼叫救护车。
36.根据权利要求19所述的大数据分析处理方法，其特征在于，所述方法还包括，利用数据采集模块采集承载人数，所述采集承载人数的步骤包括：
利用设置在所述乘客运送装置入口端和出口端顶部处成像传感器和/或深度感测传感器，来时时获取所述乘客运送装置的入口端区域和出口端区域的图像数据和/或深度图数据；
利用图像处理模块来统计并记录图像数据和/或深度图数据中的目标的形状和颜色，并与预置模型对比以判断目标是否为人，并对识别到的人进行记录；以及
利用一个或多个计数器来时时统计所述乘客运送装置的承载人数。
37.根据权利要求36所述的大数据分析处理方法，其特征在于，所述方法还包括：
利用统计分析单元统计并分析乘客运送装置各时段的承载人数曲线，确定高低峰时段；以及
建议客户在高峰时段在所述乘客运送装置入口端采取引导或限流措施。
38.根据权利要求36所述的大数据分析处理方法，其特征在于，所述方法还包括：
利用统计分析单元统计并分析乘客运送装置各时段的承载人数，并基于承载人数曲线确定重要部件负载曲线；
基于重要部件负载曲线预测重要部件寿命；以及
建议或发出警示以避免重要部件长时间过载；和/或
发出预测故障数据给技术人员和/或运营商或派遣技术人员至现场进行检查、维护或更换工作。
39.根据权利要求36所述的大数据分析处理方法，其特征在于，利用乘客运送装置的控制系统以基于时时负载情况和/或承载人数曲线来调节所述乘客运送装置的运行方向和运行速度。
CN201610610348.1A 2016-07-29 2016-07-29 用于乘客运送装置的大数据分析处理系统和方法 Active CN107662869B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201610610348.1A CN107662869B (zh) 2016-07-29 2016-07-29 用于乘客运送装置的大数据分析处理系统和方法
US15/663,414 US20180032598A1 (en) 2016-07-29 2017-07-28 Big data analyzing and processing system and method for passenger conveyor
EP17184139.8A EP3276550A1 (en) 2016-07-29 2017-07-31 Big data analyzing and processing system and method for passenger conveyor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610610348.1A CN107662869B (zh) 2016-07-29 2016-07-29 用于乘客运送装置的大数据分析处理系统和方法

Publications (2)

Publication Number Publication Date
CN107662869A CN107662869A (zh) 2018-02-06
CN107662869B true CN107662869B (zh) 2021-06-29

Family

ID=59522927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610610348.1A Active CN107662869B (zh) 2016-07-29 2016-07-29 用于乘客运送装置的大数据分析处理系统和方法

Country Status (3)

Country Link
US (1) US20180032598A1 (zh)
EP (1) EP3276550A1 (zh)
CN (1) CN107662869B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107664705A (zh) * 2016-07-29 2018-02-06 奥的斯电梯公司 乘客运输机的速度检测系统及其速度检测方法
WO2018050725A1 (en) * 2016-09-19 2018-03-22 Thomson Licensing A method and a device for reconstructing a point cloud representative of a scene using light-field data
US20180118522A1 (en) * 2016-10-28 2018-05-03 Otis Elevator Company Sensor on escalator landing plate
CN108932497A (zh) * 2018-07-03 2018-12-04 张廷敏 乘客人群大数据识别机构
EP3598259B1 (en) * 2018-07-19 2021-09-01 Panasonic Intellectual Property Management Co., Ltd. Information processing method and information processing system
US10351392B1 (en) 2018-10-23 2019-07-16 Otis Elevator Company Escalator and moving walkway system with safety sensor
CN109795942A (zh) * 2019-01-17 2019-05-24 杭州海康睿和物联网技术有限公司 扶梯控制系统、扶梯监控装置及其智能监控方法
CN110240051A (zh) * 2019-06-14 2019-09-17 辽宁工程技术大学 一种自动扶梯安全检测组合式多功能装置
CN110264704B (zh) * 2019-06-27 2021-09-28 山东交通学院 一种基于自动人行道的人车过街装置及其控制方法
CN110264703A (zh) * 2019-06-27 2019-09-20 山东交通学院 一种基于自动人行道的行人过街装置及其控制方法
JP7254005B2 (ja) * 2019-09-11 2023-04-07 株式会社日立製作所 故障確率評価装置、及び、故障確率評価方法
EP3808692A1 (en) * 2019-10-15 2021-04-21 thyssenkrupp Elevator Innovation Center, S.A. A method to predict faults in a passenger moving system
CN111532351B (zh) * 2020-05-12 2021-04-13 三一重机有限公司 自适应张紧控制系统和张紧方法
US10988348B1 (en) * 2020-05-26 2021-04-27 Otis Elevator Company Escalator steps with strain sensors
CN112381066B (zh) * 2020-12-10 2023-04-18 杭州西奥电梯有限公司 乘梯异常行为识别方法、监测系统、计算机设备和存储介质
CN113257417A (zh) * 2021-01-20 2021-08-13 南京航空航天大学 一种公交车智能辅助防疫系统及方法
CN112926722B (zh) * 2021-01-27 2022-11-01 上海兰宝传感科技股份有限公司 一种扶梯出入口区域人员计数方法
WO2022176011A1 (ja) * 2021-02-16 2022-08-25 三菱電機ビルテクノサービス株式会社 乗客コンベアの複数のクシ歯と複数のクリートとの位置関係の状態を点検する点検装置
CN113148819A (zh) * 2021-03-18 2021-07-23 杭州西奥电梯有限公司 自动扶梯
CN112990038A (zh) * 2021-03-24 2021-06-18 杭州海康威视数字技术股份有限公司 扶梯安全提醒方法、装置及计算机存储介质
CN113460843A (zh) * 2021-07-05 2021-10-01 江苏普瑞尔特控制工程有限公司 自动扶梯智能预警系统
CN115620525B (zh) * 2022-12-16 2023-03-10 中国民用航空总局第二研究所 基于时变动态贝叶斯网络的短时交通客运需求预测方法
CN115797874A (zh) * 2023-02-07 2023-03-14 常州海图信息科技股份有限公司 基于ai的人员乘坐皮带监管方法、系统、设备及介质
CN117081259A (zh) * 2023-09-27 2023-11-17 惠州市博赛技工学校 一种电气自动化控制柜

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7002462B2 (en) * 2001-02-20 2006-02-21 Gannett Fleming System and method for remote monitoring and maintenance management of vertical transportation equipment
JP4288238B2 (ja) * 2002-10-16 2009-07-01 三菱電機株式会社 乗客コンベヤの制御装置
US7769568B2 (en) * 2004-07-09 2010-08-03 The United States Of America As Represented By The Secretary Of The Army Employing a dynamic lifecycle condition index (CI) to accommodate for changes in the expected service life of an item based on observance of the item and select extrinsic factors
US7894934B2 (en) * 2006-12-05 2011-02-22 Veyance Technologies, Inc. Remote conveyor belt monitoring system and method
JP2011195290A (ja) * 2010-03-19 2011-10-06 Toshiba Elevator Co Ltd エスカレータ監視装置
WO2014121329A1 (en) * 2013-02-06 2014-08-14 University Of Technology, Sydney Computer-implemented crowd influencing system
CN203299872U (zh) * 2013-06-07 2013-11-20 哈尔滨学院 公共场所人员流量统计装置
WO2015121751A2 (en) * 2014-02-16 2015-08-20 Ghadamossoltani Amir Hussein Intelligent escalator emergency stop system (ie2s2)
CN104361502A (zh) * 2014-04-24 2015-02-18 科技谷（厦门）信息技术有限公司 乘客行为数据分析方法

Also Published As

Publication number Publication date
EP3276550A1 (en) 2018-01-31
US20180032598A1 (en) 2018-02-01
CN107662869A (zh) 2018-02-06

Similar Documents

Publication Publication Date Title
CN107662869B (zh) 用于乘客运送装置的大数据分析处理系统和方法
EP3115326B1 (en) Elevator system capable of monitoring children use and control method thereof
JP4753320B2 (ja) エスカレータ監視システム
CN107662867B (zh) 乘客运输机的梯级滚轮监测和维修操作人员监测
JP5917327B2 (ja) エスカレータ監視システム
EP3409629B2 (en) Image analytics for elevator maintenance
CN112785798B (zh) 面向电力变电站工程建设项目施工人员的行为分析方法
US11760605B2 (en) Elevator door monitoring system, elevator system and elevator door monitoring method
CN108529380B (zh) 电梯安全预测方法及系统
CN110027960B (zh) 一种基于热成像技术的智能梯控报警系统及报警方法
EP3279132B1 (en) System of monitoring handrail for a passenger conveyer device, a passenger conveyer device and monitoring method thereof
CN107662868B (zh) 乘客运输装置的监测系统、乘客运输装置及其监测方法
CN110188644A (zh) 一种基于视觉分析的扶梯乘客危险行为监控系统及方法
CN101607668A (zh) 嵌入式计算机视觉自动扶梯人流监察警报装置
CN107679471A (zh) 基于视频监控平台的室内人员空岗检测方法
CN112623919B (zh) 一种基于计算机视觉的自动扶梯智能监控管理系统
CN107632565A (zh) 电力建设工地智能化管理系统及方法
CN110562818B (zh) 一种以时间维度评估电梯运行质量的监测系统及其监测方法
KR20220085125A (ko) 이동식 무인탐지장치를 이용한 인공지능 기반 안전관리 시스템
JP4286074B2 (ja) 空間情報配信装置
KR102226183B1 (ko) Cctv를 이용한 건물내 재실자 밀도 모니터링 시스템 및 방법
CN111517204A (zh) 一种自动扶梯安全监控方法、装置、设备及可读存储介质
KR101219407B1 (ko) 영상처리기술을 이용한 에스컬레이터 모니터링 시스템
CN111523386B (zh) 一种基于机器视觉的高速铁路站台门监测防护方法及系统
CN116147697B (zh) 一种氢氧化铝无人值守监测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant