CN110422715B - 一种直梯蹦跳检测方法及检测系统 - Google Patents

一种直梯蹦跳检测方法及检测系统 Download PDF

Info

Publication number
CN110422715B
CN110422715B CN201910711806.4A CN201910711806A CN110422715B CN 110422715 B CN110422715 B CN 110422715B CN 201910711806 A CN201910711806 A CN 201910711806A CN 110422715 B CN110422715 B CN 110422715B
Authority
CN
China
Prior art keywords
acceleration
ladder
vertical ladder
jump
acquiring
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
CN201910711806.4A
Other languages
English (en)
Other versions
CN110422715A (zh
Inventor
毕举
施行
王超
蔡巍伟
吴磊磊
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.)
Zhejiang Xinzailing Technology Co ltd
Original Assignee
Zhejiang Xinzailing Technology Co ltd
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 Zhejiang Xinzailing Technology Co ltd filed Critical Zhejiang Xinzailing Technology Co ltd
Priority to CN201910711806.4A priority Critical patent/CN110422715B/zh
Publication of CN110422715A publication Critical patent/CN110422715A/zh
Application granted granted Critical
Publication of CN110422715B publication Critical patent/CN110422715B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0012—Devices monitoring the users of the elevator system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明涉及一种直梯蹦跳检测方法及检测系统，该方法，包括：S1.获取直梯沿重力方向的合加速度，并基于合加速度获取直梯的合加速度平方和；S2.按照时间先后顺序统计相邻合加速度正负变化时过零点的过零点次数；S3.将合加速度平方和与第一阈值比较，以及将过零点次数与第二阈值比较，若合加速度平方和大于第一阈值且过零点次数小于第二阈值，发出蹦跳告警；S4.以预设时间间隔采集发出蹦跳告警时刻之前直梯内的视频图像；S5.基于深度学习对视频图像进行判断，确认直梯内是否存在乘客蹦跳，若存在则发出提示。通过获取直梯加速度并进行实时分析，进而更加快速的检测出乘客蹦跳，对减少漏报，及时预警有利，使用深度学习对视频再次判断提高了准确性。

Description

一种直梯蹦跳检测方法及检测系统
技术领域
本发明涉及电梯安全技术领域，尤其涉及一种直梯蹦跳检测方法及检测系统。
背景技术
直梯是人们生活中广为使用的垂直交通工具，其安全事关人民群众生命财产安全。大量的电梯事故分析统计已表明不当乘梯行为与电梯事故有着直接关系。
目前直梯在住宅小区，写字楼，酒店，商场等人流量密集的地方都有应用，直梯在给人们带来极大便捷的同时，也会因为一些不当使用造成人们生命财产的损失。例如若有人在电梯内蹦跳，若不及时播放提醒语音提示或劝阻，轻则导致电梯受损、触发电梯安全保护装置导致电梯急停，人员被困，重则导致电梯坠落，引发灾难性事故。
例如，公开号CN109052093A，名称为一种预警不当乘梯行为风险的方法及系统的中国专利公开了该方法或系统可预警不当乘梯行为的风险，管控不当乘梯行为的风险，防止不当乘梯行为可能导致的事故发生，提升文明安全使用电梯意识。其中判断不当乘梯行为(包括蹦跳)是根据相机拍摄的图像，直接对其图像处理，提取人体特征点、景深并与人体运动模型进行比较。但该方案直接对视频图像进行实时处理浪费了资源，同时目前直接通过图像处理的方法检测蹦跳等电梯行为的漏检会比较多，有时检测不出乘梯人员的蹦跳行为，或者准确率较低，有时检测出的蹦跳行为不是真实的蹦跳。
发明内容
本发明的目的在于提供一种直梯蹦跳检测方法及检测系统，解决直梯中乘客蹦跳行为检测不准确的问题。
为实现上述发明目的，本发明提供一种直梯蹦跳检测方法，包括：
S1.获取直梯沿重力方向的合加速度，并基于所述合加速度获取直梯的合加速度平方和；
S2.按照时间先后顺序统计相邻所述合加速度正负变化时过零点的过零点次数；
S3.将所述合加速度平方和与第一阈值比较，以及将所述过零点次数与第二阈值比较，若所述合加速度平方和大于所述第一阈值且所述过零点次数小于所述第二阈值，发出蹦跳告警。
S4.以预设时间间隔采集发出蹦跳告警时刻之前直梯内的视频图像；
S5.基于深度学习对所述视频图像进行判断，确认所述直梯内是否存在乘客蹦跳，若存在，则向所述直梯内的乘客发出提示。
根据本发明的一个方面，获取直梯沿重力方向的合加速度的步骤中，包括：
S11.采集直梯在三维坐标系中各个方向的加速度，根据该所述加速度获取直梯所受拉力方向的拉力加速度；
S12.根据所述拉力加速度获取直梯静止时的静止加速度；
S13.根据所述拉力加速度和所述静止加速度获取所述合加速度。
根据本发明的一个方面，步骤S11中，所述拉力加速度满足：
Figure GDA0002685786510000021
其中，a1表示拉力加速度，ax表示直梯在三维坐标系中沿X轴方向的加速度，ay表示直梯在三维坐标系中沿Y轴方向的加速度，az表示直梯在三维坐标系中沿Z轴方向的加速度。
根据本发明的一个方面，步骤S12中，包括：
S121.按照时间先后顺序将所述拉力加速度存入到第一队列中，直至所述第一队列存满；
S122.计算第一队列中所述拉力加速度的方差；
S123.若所述方差小于预设阈值，则计算所述第一队列中所有所述拉力加速度的均值，作为所述静止加速度。
根据本发明的一个方面，步骤S121中，若所述第一队列已满，则更新所述第一队列时，按照时间先后顺序丢弃最早的所述拉力加速度，补入当前时刻的所述拉力加速度。
根据本发明的一个方面，基于所述合加速度获取直梯的合加速度平方和的步骤中，包括：
S14.将所述合加速度存入第二队列，直至所述第二队列存满；
S15.遍历所述第二队列，计算其平方和，作为该队列中所述合加速度的合加速度平方和。
根据本发明的一个方面，步骤S5中，采用蹦跳视频分类网络模型对所述视频图像进行判断分类，若存在乘客蹦跳则向所述直梯内的乘客发出提示，否则，忽略所述蹦跳告警。
根据本发明的一个方面，所述蹦跳视频分类网络模型采用时域关系网络并基于深度学习离线生成。
为实现上述发明目的，本发明提供一种检测系统，包括：固定安装在直梯上的加速度采集单元和与所述加速度采集单元电连接的蹦跳检测单元；
所述加速度采集单元用于采集直梯在三维坐标系中各个方向的加速度；
所述蹦跳检测单元用于获取所述加速度并分析判断是否发出蹦跳告警。
根据本发明的一个方面，还包括：
视频采集单元，用于获取直梯内的视频图像；
蹦跳过滤单元，获取所述视频图像并基于深度学习对所述视频图像判断分类所述直梯内是否存在乘客蹦跳；
多媒体提示单元，用于向直梯内乘客发出提醒信息；
蹦跳视频分类网络获取单元，用于获取对所述视频图像进行判断分类的蹦跳视频分类网络模型。
根据本发明的一个方面，所述加速度采集单元固定安装于直梯轿厢内顶部位置。
根据本发明的一种方案，通过采用加速度采集单元获取的直梯加速度，然后通过对直梯加速度进行实时分析，进而能够准确的获知此时直梯的加速度异常，进而能够更加直接快速的检测出直梯内的乘客蹦跳行为，对减少漏报以及做出及时预警更加有利。同时，通过计算直梯加速或能量值的方式进行蹦跳检测，这样比直接使用视频图像处理方法减少cpu和内存资源，进而在提高检测效率的同时还有效节约了成本。
根据本发明的一种方案，通过获取直梯沿重力方向的合加速度，不仅有利于准确判断其在运行过程中加速度的正负变化，而且还可基于该合加速度获取其运行是的能量值，进一步通过判断加速度正负变化和能量值，实现了对直梯运行过程的双重判断，进一步提高了判断准确性。
根据本发明的一种方案，通过对直梯加速度的判断后发出蹦跳告警后，再通过深度学习对视频图像进一步检测是否存在乘客蹦跳，实现了对蹦跳告警的二次确认，有效降低了误报、漏报等情况的发生，从而提高蹦跳告警的准确性。
根据本发明的一种方案，对视频图像进行判断分类的蹦跳视频分类网络模型可通过基于深度学习的蹦跳视频分类网络获取单元获得，对保证二次检测的准确性有益。
根据本发明的一种方案，蹦跳告警发送给多媒体提示单元，多媒体提示单元根据收到的告警，可以直观的对在场乘客进行行为诱导，有效避免引发不良后果。
附图说明
图1示意性表示根据本发明的一种实施方式的直梯蹦跳检测方法的步骤框图；
图2示意性表示根据本发明的一种实施方式的直梯蹦跳检测方法的流程图；
图3示意性表示根据本发明的一种实施方式的时域关系网络网络框架图；
图4示意性表示根据本发明的一种实施方式的检测系统框图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
在针对本发明的实施方式进行描述时，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”所表达的方位或位置关系是基于相关附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
结合图1和图2所示，根据本发明的一种实施方式，本发明的一种直梯蹦跳检测方法，包括：
S1.获取直梯沿重力方向的合加速度，并基于合加速度获取直梯的合加速度平方和；
S2.按照时间先后顺序统计相邻合加速度正负变化时过零点的过零点次数；
S3.将合加速度平方和与第一阈值比较，以及将过零点次数与第二阈值比较，若合加速度平方和大于第一阈值且过零点次数小于所述第二阈值，发出蹦跳告警。
结合图1和图2所示，根据本发明的一种实施方式，在直梯内出现乘客蹦跳时，由于蹦跳时加速度的幅值较大，加速度变化的频率变小，也就是某一时刻及邻域内加速度异号的次数变小了，可根据这两个条件判断是否存在蹦跳。
在本实施方式中，步骤S1中，获取直梯沿重力方向的合加速度的步骤中，包括：
S11.采集直梯在三维坐标系中各个方向的加速度，根据该加速度获取直梯所受拉力方向的拉力加速度。在本实施方式中，步骤S11中，拉力加速度满足：
Figure GDA0002685786510000051
其中，a1表示拉力加速度，ax表示直梯在三维坐标系中沿X轴方向的加速度，ay表示直梯在三维坐标系中沿Y轴方向的加速度，az表示直梯在三维坐标系中沿Z轴方向的加速度。
S12.根据拉力加速度获取直梯静止时的静止加速度。在本实施方式中，步骤S12中，包括：
S121.按照时间先后顺序将拉力加速度存入到第一队列中，直至第一队列存满。在本实施方式中，若第一队列已满，则更新第一队列时，按照时间先后顺序丢弃最早的拉力加速度，补入当前时刻的拉力加速度。
S122.计算第一队列中拉力加速度的方差；
S123.若方差小于预设阈值，则计算第一队列中所有拉力加速度的均值，作为静止加速度。
S13.根据拉力加速度和静止加速度获取合加速度。在本实施方式中，合加速度满足：
a2＝a1-a0，
其中，a2表示合加速度，a1表示拉力加速度，a0表示静止加速度。
结合图1和图2所示，根据本发明的一种实施方式，在步骤S1中，基于合加速度获取直梯的合加速度平方和的步骤中，包括：
S14.将合加速度存入第二队列，直至第二队列存满；
S15.遍历第二队列，计算其平方和，作为该队列中合加速度的合加速度平方和。
根据本发明的一种实施方式，步骤S2中，按照时间先后顺序统计第二队列中相邻合加速度的异号个数(即加速度的正负变化)，即可获得合加速度的过零点的的过零点次数。
结合图1和图2所示，根据本发明的一种实施方式，本发明的一种直梯蹦跳检测方法还包括：
S4.以预设时间间隔采集发出蹦跳告警时刻之前直梯内的视频图像；在本实施方式中，预设时间间隔可以设置为5秒，当然还可以设置为其他数值，可根据需要进行设置。
S5.基于深度学习对视频图像进行判断，确认所述直梯内是否存在乘客蹦跳，若存在，则向所述直梯内的乘客发出提示。在本实施方式中，采用蹦跳视频分类网络模型对所述视频图像进行判断分类，若存在乘客蹦跳则向直梯内的乘客发出提示，否则，忽略所述蹦跳告警。
在本实施方式中，蹦跳视频分类网络模型采用时域关系网络(TRN)并基于深度学习离线生成。在本实施方式中，蹦跳视频分类网络模型通过以下步骤生成，包括：
S51.收集直梯内乘客视频并构建样本数据集。
S52.对样本数据集中的乘客蹦跳视频进行手动分类，并构建蹦跳视频样本集。
S53.基于蹦跳样本集和时域关系网络训练生成蹦跳视频分类网络模型。在本实施方式中，采用蹦跳样本集和时域关系网络训练生成蹦跳视频分类网络模型的过程中，由于视频中的帧数有时序关系，可用如下的复合函数定义视频中两帧的时序关系：
Figure GDA0002685786510000071
其中，输入为视频中被选取的有序的视频帧，记为V＝{f1,f2,f3,…,fn},fi代表视频中第i帧的表示，比如是某个标准卷积神经网络(CNN)的输出，函数h和g融合了不同有序帧的特征，这里使用了分别具有参数φ和θ的多层感知机(MLP)来实现，为了高效的计算，不需要添加所有的组合对，而是使用均匀采样获取第i和第j帧，然后对其排序，保证i<j。
同样，可以将2帧时序关系的复合函数扩展到更多帧的时序关系，如三帧的时序关系函数如下：
Figure GDA0002685786510000072
其中，第i,j,k帧通过均匀采样获取，并经过排序，保证i<j<k。
在本实施方式中，为了捕捉不同时间尺度上的时序关系，可以使用下面的复合函数来累计不同尺度上的帧关系：
MTN(V)＝T2(V)+T3(V)+…+TN(V)
其中，每个关系项Td捕获d个有序帧之间的时序关系，每个Td都有自己独立的函数h和g。对于每个Td的任何给定d帧样本，所有时序关系函数都是端到端的可区分的，因此它们都可以与用于提取每个视频帧特征的卷积神经网络(CNN)一起训练，整个网络框架如图3所示。
如图4所示，根据本发明的一种实施方式，本发明的一种用于直梯蹦跳检测方法的检测系统，包括：固定安装在直梯上的加速度采集单元和与加速度采集单元电连接的蹦跳检测单元。在本实施方式中，加速度采集单元用于采集直梯在三维坐标系中各个方向的加速度，在本实施方式中，加速度采集单元包括但不限于陀螺仪等，且其固定安装于直梯轿厢内顶部位置。在本实施方式中，蹦跳检测单元用于获取加速度并实时分析判断是否发出蹦跳告警。
如图4所示，根据本发明的一种实施方式，本发明的一种用于直梯蹦跳检测方法的检测系统，还包括：用于获取直梯内的视频图像的视频采集单元；获取视频图像并基于深度学习对视频图像进行判断分类，并确认直梯内是否存在乘客蹦跳的蹦跳过滤单元；用于向直梯内乘客发出提醒信息的多媒体提示单元；用于获取对视频图像进行判断分类的蹦跳视频分类网络模型的蹦跳视频分类网络获取单元。在本实施方式中，视频采集单元包括但不限于CCD摄像机、网络摄像机等，其可以安装于直梯门正前方，拍摄直梯内部的视频图像，同时可根据蹦跳检测单元发出的蹦跳告警时间点获取当前时刻前预设时间间隔(例如5秒)内的视频图像。在本实施方式中，蹦跳过滤单元接收视频采集单元传输的视频图像通过蹦跳视频分类网络模型进行分类，若仍被分类为蹦跳的，则将蹦跳告警发送至多媒体提示单元。在本实施方式中，多媒体提示单元包括但不限于液晶显示屏，扬声器等具有视音频展示能力的设备，它接收到蹦跳告警信号后，在显示屏上播放提醒劝导视频信息，在扬声器中播放劝导语音提醒信息等。在本实施方式中，蹦跳视频分类网络获取单元主要是离线获得蹦跳视频分类网络模型，通过收集直梯内乘客视频构建样本数据集，然后人工将这些样本分成两类，一类是蹦跳视频样本，另一类是非蹦跳视频样本，形成训练集、验证集和测试集，再用视频分类网络(如时域关系网络(TRN))，进行训练，从而获得蹦跳视频分类网络模型。
根据本发明，通过采用加速度采集单元获取的直梯加速度，然后通过对直梯加速度进行实时分析，进而能够准确的获知此时直梯的加速度异常，进而能够更加直接快速的检测出直梯内的乘客蹦跳行为，对减少漏报以及做出及时预警更加有利。同时，通过计算直梯加速或能量值的方式进行蹦跳检测，这样比直接使用视频图像处理方法减少cpu和内存资源，进而在提高检测效率的同时还有效节约了成本。
根据本发明，通过获取直梯沿重力方向的合加速度，不仅有利于准确判断其在运行过程中加速度的正负变化，而且还可基于该合加速度获取其运行是的能量值，进一步通过判断加速度正负变化和能量值，实现了对直梯运行过程的双重判断，进一步提高了判断准确性。
根据本发明，通过对直梯加速度的判断后发出蹦跳告警后，再通过深度学习对视频图像进一步检测是否存在乘客蹦跳，实现了对蹦跳告警的二次确认，有效降低了误报、漏报等情况的发生，从而提高蹦跳告警的准确性。
根据本发明，对视频图像进行判断分类的蹦跳视频分类网络模型可通过基于深度学习的蹦跳视频分类网络获取单元获得，对保证二次检测的准确性有益。
根据本发明，蹦跳告警发送给多媒体提示单元，多媒体提示单元根据收到的告警，可以直观的对在场乘客进行行为诱导，有效避免引发不良后果。
上述内容仅为本发明的具体方案的例子，对于其中未详尽描述的设备和结构，应当理解为采取本领域已有的通用设备及通用方法来予以实施。
以上所述仅为本发明的一个方案而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种直梯蹦跳检测方法，包括：
S1.获取直梯沿重力方向的合加速度，并基于所述合加速度获取直梯的合加速度平方和；
S2.按照时间先后顺序统计相邻所述合加速度正负变化时过零点的过零点次数；
S3.将所述合加速度平方和与第一阈值比较，以及将所述过零点次数与第二阈值比较，若所述合加速度平方和大于所述第一阈值且所述过零点次数小于所述第二阈值，发出蹦跳告警；
S4.以预设时间间隔采集发出蹦跳告警时刻之前直梯内的视频图像；
S5.基于深度学习对所述视频图像进行判断，确认所述直梯内是否存在乘客蹦跳，若存在，则向所述直梯内的乘客发出提示。
2.根据权利要求1所述的直梯蹦跳检测方法，其特征在于，获取直梯沿重力方向的合加速度的步骤中，包括：
S11.采集直梯在三维坐标系中各个方向的加速度，根据该所述加速度获取直梯所受拉力方向的拉力加速度；
S12.根据所述拉力加速度获取直梯静止时的静止加速度；
S13.根据所述拉力加速度和所述静止加速度获取所述合加速度。
3.根据权利要求2所述的直梯蹦跳检测方法，其特征在于，步骤S11中，所述拉力加速度满足：
Figure FDA0002685786500000011
其中，a1表示拉力加速度，ax表示直梯在三维坐标系中沿X轴方向的加速度，ay表示直梯在三维坐标系中沿Y轴方向的加速度，az表示直梯在三维坐标系中沿Z轴方向的加速度。
4.根据权利要求3所述的直梯蹦跳检测方法，其特征在于，步骤S12中，包括：
S121.按照时间先后顺序将所述拉力加速度存入到第一队列中，直至所述第一队列存满；
S122.计算第一队列中所述拉力加速度的方差；
S123.若所述方差小于预设阈值，则计算所述第一队列中所有所述拉力加速度的均值，作为所述静止加速度。
5.根据权利要求4所述的直梯蹦跳检测方法，其特征在于，步骤S121中，若所述第一队列已满，则更新所述第一队列时，按照时间先后顺序丢弃最早的所述拉力加速度，补入当前时刻的所述拉力加速度。
6.根据权利要求1或5所述的直梯蹦跳检测方法，其特征在于，基于所述合加速度获取直梯的合加速度平方和的步骤中，包括：
S14.将所述合加速度存入第二队列，直至所述第二队列存满；
S15.遍历所述第二队列，计算其平方和，作为该队列中所述合加速度的合加速度平方和。
7.根据权利要求1所述的直梯蹦跳检测方法，其特征在于，步骤S5中，采用蹦跳视频分类网络模型对所述视频图像进行判断分类，若存在乘客蹦跳则向所述直梯内的乘客发出提示，否则，忽略所述蹦跳告警。
8.根据权利要求7所述的直梯蹦跳检测方法，其特征在于，所述蹦跳视频分类网络模型采用时域关系网络并基于深度学习离线生成。
9.一种用于权利要求1-8任一项所述的直梯蹦跳检测方法的检测系统，其特征在于，包括：固定安装在直梯上的加速度采集单元和与所述加速度采集单元电连接的蹦跳检测单元；
所述加速度采集单元用于采集直梯在三维坐标系中各个方向的加速度；
所述蹦跳检测单元用于获取所述加速度并分析判断是否发出蹦跳告警。
10.根据权利要求9所述的检测系统，其特征在于，还包括：
视频采集单元，用于获取直梯内的视频图像；
蹦跳过滤单元，获取所述视频图像并基于深度学习对所述视频图像进行判断分类，并确认所述直梯内是否存在乘客蹦跳；
多媒体提示单元，用于向直梯内乘客发出提醒信息；
蹦跳视频分类网络获取单元，用于获取对所述视频图像进行判断分类的蹦跳视频分类网络模型。
11.根据权利要求9或10所述的检测系统，其特征在于，所述加速度采集单元固定安装于直梯轿厢内顶部位置。
CN201910711806.4A 2019-08-02 2019-08-02 一种直梯蹦跳检测方法及检测系统 Active CN110422715B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910711806.4A CN110422715B (zh) 2019-08-02 2019-08-02 一种直梯蹦跳检测方法及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910711806.4A CN110422715B (zh) 2019-08-02 2019-08-02 一种直梯蹦跳检测方法及检测系统

Publications (2)

Publication Number Publication Date
CN110422715A CN110422715A (zh) 2019-11-08
CN110422715B true CN110422715B (zh) 2021-01-15

Family

ID=68413982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910711806.4A Active CN110422715B (zh) 2019-08-02 2019-08-02 一种直梯蹦跳检测方法及检测系统

Country Status (1)

Country Link
CN (1) CN110422715B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111675061B (zh) * 2020-07-02 2021-12-07 西藏洲明电子科技有限公司 一种智能化系统集成管理系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS58207266A (ja) * 1982-05-28 1983-12-02 フジテック株式会社 エレベ−タのかご内異常検出装置
JPH10203742A (ja) * 1997-01-21 1998-08-04 Toshiba Corp 油圧エレベータ
US6173813B1 (en) * 1998-12-23 2001-01-16 Otis Elevator Company Electronic control for an elevator braking system
WO2010107407A1 (en) * 2009-03-16 2010-09-23 Otis Elevator Company Elevator over-acceleration and over-speed protection system
ES2896407T3 (es) * 2013-08-08 2022-02-24 Kone Corp Procedimiento para controlar un ascensor y un ascensor
US10669121B2 (en) * 2017-06-30 2020-06-02 Otis Elevator Company Elevator accelerometer sensor data usage
CN208561341U (zh) * 2018-05-16 2019-03-01 淮北工科检测检验有限公司 一种具有实时监测功能的电梯检测装置
CN109052087A (zh) * 2018-07-18 2018-12-21 揭阳市聆讯软件有限公司 电梯安全监控方法、装置、智能设备及存储介质
CN109052093A (zh) * 2018-09-29 2018-12-21 浙江云安达物联信息技术有限公司 一种预警不当乘梯行为风险的方法及系统
CN109761118A (zh) * 2019-01-15 2019-05-17 福建天眼视讯网络科技有限公司 基于机器视觉的智慧梯联网控制方法及系统
CN109626171B (zh) * 2019-02-27 2020-08-11 广州广日电梯工业有限公司 电梯轿厢的安全控制方法及电梯轿厢的安全控制装置

Also Published As

Publication number Publication date
CN110422715A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN112686090B (zh) 一种公交车内异常行为智能监控系统
CN105141885B (zh) 进行视频监控的方法及装置
JP6281492B2 (ja) 乗車人数計測装置、方法およびプログラム
CN106530831A (zh) 一种高威胁车辆监测预警系统及方法
CN103065121B (zh) 基于视频人脸分析的火车司机状态监控方法及装置
CN103049740B (zh) 基于视频图像的疲劳状态检测方法及装置
CN111486893A (zh) 一种桥梁结构健康监测与预警系统及预警方法
CN107673152A (zh) 厢式电梯内儿童单独乘坐的报警方法
CN110723621B (zh) 基于深度神经网络检测电梯轿厢内吸烟的装置和方法
CN101321272A (zh) 一种公共交通工具的安全监测系统及方法
CN112633057A (zh) 一种公交车内异常行为智能监控方法
CN109191829A (zh) 道路安全监控方法及系统、计算机可读存储介质
Rajesh et al. A deep learning based accident detection system
CN109146914B (zh) 一种高速公路基于视频分析的醉酒驾驶行为预警方法
JP6587268B1 (ja) プラットホーム危険度判別プログラム及びシステム
CN110790101A (zh) 基于大数据分析的电梯困人误报识别方法
CN108298393A (zh) 基于深度网络过滤电梯困人误报的方法
CN105913022A (zh) 一种基于视频分析的手持式打电话状态判别方法及系统
Ki et al. A traffic accident detection model using metadata registry
CN110422715B (zh) 一种直梯蹦跳检测方法及检测系统
CN110002303A (zh) 一种基于时域关系网络实时过滤电梯困人误报的系统及方法
CN110008804B (zh) 基于深度学习的电梯监控关键帧获取及检测方法
CN207636791U (zh) 一种大客流快速安检门
CN206961331U (zh) 一种高威胁车辆监测预警系统
CN109919066A (zh) 一种检测轨道交通车厢内乘客密度异常的方法和装置

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