CN110580447A - 基于卷积神经网络及机器学习的航班保障节点识别系统 - Google Patents
基于卷积神经网络及机器学习的航班保障节点识别系统 Download PDFInfo
- Publication number
- CN110580447A CN110580447A CN201910722474.XA CN201910722474A CN110580447A CN 110580447 A CN110580447 A CN 110580447A CN 201910722474 A CN201910722474 A CN 201910722474A CN 110580447 A CN110580447 A CN 110580447A
- Authority
- CN
- China
- Prior art keywords
- departure
- arrival
- car
- flight
- node identification
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 16
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开的属于航班保障节点识别技术领域，具体为基于卷积神经网络及机器学习的航班保障节点识别系统，包括采集端、服务器端、PC端、识别处理端和移动部署端，所述采集端的输出端与服务器端之间建立数据传输连接，所述服务器端的输出接口与PC端之间建立数据传输连接，所述识别处理端的输入端和输出端分别与采集端、PC端，能够对航班保障节点进行实时监控作用，保证航班保障节点的正常运作；通过智能化的监控方式，能够减少人员的使用，保证监控力度，且通过信息化的数据传输方式，能够快速的进行数据传输控制作用，从而能够快速传达数据信息；能够实时查看航班保障节点的工作进程，从而方便发现问题和对资源的合理分配。
Description
技术领域
本发明涉及航班保障节点识别技术领域，具体为基于卷积神经网络及机器学习的航班保障节点识别系统。
背景技术
现有航班保障节点还是靠人来实现的，航空器到达与离开、客舱门打开与关闭、客梯车到达与离开、食品车到达与离开、保洁员到达与离开等等不下10个节点需要方方面面的人员。
现有航班保障节点运作由于涉及到的人员太多太杂，必然会带来混乱和不确定性，效率也较为低下。航班保障节点运作不能实现数据的高效收集存储，不利于流程优化。航班保障节点运作不能实时更新和查看进度，不利于及时发现问题和分配资源。
发明内容
本发明的目的在于提供基于卷积神经网络及机器学习的航班保障节点识别系统，以解决上述背景技术中提出的现有航班保障节点运作由于涉及到的人员太多太杂，必然会带来混乱和不确定性，效率也较为低下。航班保障节点运作不能实现数据的高效收集存储，不利于流程优化。航班保障节点运作不能实时更新和查看进度，不利于及时发现问题和分配资源的问题。
为实现上述目的，本发明提供如下技术方案：基于卷积神经网络及机器学习的航班保障节点识别系统，包括采集端、服务器端、PC端、识别处理端和移动部署端，所述采集端的输出端与服务器端之间建立数据传输连接，所述服务器端的输出接口与PC端之间建立数据传输连接，所述识别处理端的输入端和输出端分别与采集端、PC端，所述PC端的输出端与移动部署端电性连接；
所述采集端为视频采集端，所述视频采集端采集航空器到达与离开、客舱门打开与关闭、客梯车到达与离开、食品车到达与离开、保洁员到达与离开的视频流信息；
所述识别处理端包括目标检测模块、目标跟踪模块和航班保障节点识别模块，所述目标检测模块的输入端与采集端的输出端建立数据传输连接，所述目标检测模块的输出端通过数据线与目标跟踪模块的输入端连接，所述目标检测模块的输出端通过数据线与航班保障节点识别模块的输入端连接，所述航班保障节点识别模块的输出端与PC端建立数据传输连接；
所述采集端采集的视频流信息传输到目标检测模块，目标检测模块对采集的视频流信息进行分析处理，识别其中的航空器到达与离开、客舱门打开与关闭、客梯车到达与离开、食品车到达与离开、保洁员到达与离开具体信息；
所述目标跟踪模块检测视频流信息中识别不同帧中的同一目标，从而得到每个目标在视频中的运行轨迹，有了不同目标的运行轨迹后，来判断节点处于航空器到达与离开、客舱门打开与关闭、客梯车到达与离开、食品车到达与离开、保洁员到达与离开对应的状态。
优选的，所述采集端与服务器端采用无线连接或者有线连接的方式。
优选的，所述采集端与服务器端采用无线连接的方式。
优选的，所述采集端与服务器端之间的无线连接满足GPRS通讯协议、WIFI通讯协议或者zigbee通讯协议。
优选的，所述航空器到达与离开的检测结果判断依据为：该航空器在该检测节点的检测范围或者不在检测节点的检测范围。
优选的，所述客舱门打开与关闭的检测结果判断依据为：该客舱门处于开启状态或者关闭状态。
优选的，所述客梯车到达与离开、食品车到达与离开的识别方式相同，先判断客梯车或者食品车通过不同时刻车辆到舱门的距离判断客梯车或者食品车靠近舱门或者远离舱门，当客梯车或者食品车静止且到舱门距离小于与设定的阈值，即到达。
优选的，所述目标检测模块通过视频流信息识别客梯车或者食品车的方式为：客梯车或者食品车的外观不同。
与现有技术相比，本发明的有益效果是：
1)通过智能化的监控方式，能够对航班保障节点进行实时监控作用，保证航班保障节点的正常运作；
2)通过智能化的监控方式，能够减少人员的使用，保证监控力度，且通过信息化的数据传输方式，能够快速的进行数据传输控制作用，从而能够快速传达数据信息；
3)能够实时查看航班保障节点的工作进程，从而方便发现问题和对资源的合理分配。
附图说明
图1为本发明的系统原理框图；
图2为本发明识别处理端的系统原理框图；
图3为本发明识别流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，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，因此不能理解为对本发明的限制。
实施例：
请参阅图1-3，本发明提供技术方案：基于卷积神经网络及机器学习的航班保障节点识别系统，包括采集端、服务器端、PC端、识别处理端和移动部署端，采集端的输出端与服务器端之间建立数据传输连接，服务器端的输出接口与PC端之间建立数据传输连接，识别处理端的输入端和输出端分别与采集端、PC端，PC端的输出端与移动部署端电性连接；
通过采集端进行航班保障节点的视频流信息，采集端设置多个，能够分别对采集端航空器、客舱门、客梯车、食品车、保洁员进行分开监控，从而能够实时获取航空器、客舱门、客梯车、食品车、保洁员的状态；
采集端为视频采集端，视频采集端采集航空器到达与离开、客舱门打开与关闭、客梯车到达与离开、食品车到达与离开、保洁员到达与离开的视频流信息；
识别处理端包括目标检测模块、目标跟踪模块和航班保障节点识别模块，目标检测模块的输入端与采集端的输出端建立数据传输连接，目标检测模块的输出端通过数据线与目标跟踪模块的输入端连接，目标检测模块的输出端通过数据线与航班保障节点识别模块的输入端连接，航班保障节点识别模块的输出端与PC端建立数据传输连接；
目标检测模块采用tiny-yolo，其具有网络小、速度快、检测能力较强的优势(现有技术，此处不做赘述)；
采集端采集的视频流信息传输到目标检测模块，目标检测模块对采集的视频流信息进行分析处理，识别其中的航空器到达与离开、客舱门打开与关闭、客梯车到达与离开、食品车到达与离开、保洁员到达与离开具体信息；
用卷积神经网络检测视频流中的航班保障节点中涉及到的目标，该目标包括航空器、客舱门、客梯车、食品车、保洁员，并通过目标跟踪模块分析识别航空器、客舱门、客梯车、食品车、保洁员的动态情况；
目标跟踪模块检测视频流信息中识别不同帧中的同一目标，从而得到每个目标在视频中的运行轨迹，有了不同目标的运行轨迹后，来判断节点处于航空器到达与离开、客舱门打开与关闭、客梯车到达与离开、食品车到达与离开、保洁员到达与离开对应的状态，用传统机器学习方法k最近邻(knn)识别不同帧中的同一目标，原理是计算下一帧中所有检测到的目标到该目标的距离，最近的即可认为是相同个体，从而得到每个目标在视频中的运行轨迹。该方法简单便捷，对刚体的跟踪效果也很准确。
采集端与服务器端采用无线连接或者有线连接的方式。
采集端与服务器端采用无线连接的方式，采用无线连接的方式，排线少，故障率较低，可以远距离传输调控。
采集端与服务器端之间的无线连接满足GPRS通讯协议、WIFI通讯协议或者zigbee通讯协议。
如无线连接采用zigbee通讯协议：
ZigBee的底层技术基于IEEE802.15.4，即其物理层和媒体访问控制层直接使用了IEEE802.15.4的定义。
Zigbee使用了在它之前所研究过的面向家庭网络的通信协议HomeRFLite。
低功耗。在低耗电待机模式下，2节5号干电池可支持1个节点工作6～24个月，甚至更长。
低成本。通过大幅简化协议(不到蓝牙的1/10)，降低了对通信控制器的要求，按预测分析，以8051的8位微控制器测算，全功能的主节点需要32KB代码，子功能节点少至4KB代码，而且ZigBee免协议专利费。
低速率。ZigBee工作在20～250kbps的速率，分别提供250kbps(2.4GHz)、40kbps(915MHz)和20kbps(868MHz)的原始数据吞吐率，满足低速率传输数据的应用需求。
近距离。传输范围一般介于10～100m之间，在增加发射功率后，亦可增加到1～3km。这指的是相邻节点间的距离。如果通过路由和节点间通信的接力，传输距离将可以更远。
短时延。ZigBee的响应速度较快，一般从睡眠转入工作状态只需15ms，节点连接进入网络只需30ms，进一步节省了电能。相比较，蓝牙需要3～10s、WiFi需要3s。
航空器到达与离开的检测结果判断依据为：该航空器在该检测节点的检测范围或者不在检测节点的检测范围。
客舱门打开与关闭的检测结果判断依据为：该客舱门处于开启状态或者关闭状态。
客梯车到达与离开、食品车到达与离开的识别方式相同，先判断客梯车或者食品车通过不同时刻车辆到舱门的距离判断客梯车或者食品车靠近舱门或者远离舱门，当客梯车或者食品车静止且到舱门距离小于与设定的阈值，即到达。
目标检测模块通过视频流信息识别客梯车或者食品车的方式为：客梯车或者食品车的外观不同。
应用：
能够用在机场，对于机场的人工和设备进行合理的分配调控作用。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明；因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.基于卷积神经网络及机器学习的航班保障节点识别系统，包括采集端、服务器端、PC端、识别处理端和移动部署端，其特征在于：所述采集端的输出端与服务器端之间建立数据传输连接，所述服务器端的输出接口与PC端之间建立数据传输连接，所述识别处理端的输入端和输出端分别与采集端、PC端，所述PC端的输出端与移动部署端电性连接；
所述采集端为视频采集端，所述视频采集端采集航空器到达与离开、客舱门打开与关闭、客梯车到达与离开、食品车到达与离开、保洁员到达与离开的视频流信息；
所述识别处理端包括目标检测模块、目标跟踪模块和航班保障节点识别模块，所述目标检测模块的输入端与采集端的输出端建立数据传输连接，所述目标检测模块的输出端通过数据线与目标跟踪模块的输入端连接，所述目标检测模块的输出端通过数据线与航班保障节点识别模块的输入端连接，所述航班保障节点识别模块的输出端与PC端建立数据传输连接；
所述采集端采集的视频流信息传输到目标检测模块，目标检测模块对采集的视频流信息进行分析处理，识别其中的航空器到达与离开、客舱门打开与关闭、客梯车到达与离开、食品车到达与离开、保洁员到达与离开具体信息；
所述目标跟踪模块检测视频流信息中识别不同帧中的同一目标，从而得到每个目标在视频中的运行轨迹，有了不同目标的运行轨迹后，来判断节点处于航空器到达与离开、客舱门打开与关闭、客梯车到达与离开、食品车到达与离开、保洁员到达与离开对应的状态。
2.根据权利要求1所述的基于卷积神经网络及机器学习的航班保障节点识别系统，其特征在于：所述采集端与服务器端采用无线连接或者有线连接的方式。
3.根据权利要求2所述的基于卷积神经网络及机器学习的航班保障节点识别系统，其特征在于：所述采集端与服务器端采用无线连接的方式。
4.根据权利要求3所述的基于卷积神经网络及机器学习的航班保障节点识别系统，其特征在于：所述采集端与服务器端之间的无线连接满足GPRS通讯协议、WIFI通讯协议或者zigbee通讯协议。
5.根据权利要求1所述的基于卷积神经网络及机器学习的航班保障节点识别系统，其特征在于：所述航空器到达与离开的检测结果判断依据为：该航空器在该检测节点的检测范围或者不在检测节点的检测范围。
6.根据权利要求1所述的基于卷积神经网络及机器学习的航班保障节点识别系统，其特征在于：所述客舱门打开与关闭的检测结果判断依据为：该客舱门处于开启状态或者关闭状态。
7.根据权利要求1所述的基于卷积神经网络及机器学习的航班保障节点识别系统，其特征在于：所述客梯车到达与离开、食品车到达与离开的识别方式相同，先判断客梯车或者食品车通过不同时刻车辆到舱门的距离判断客梯车或者食品车靠近舱门或者远离舱门，当客梯车或者食品车静止且到舱门距离小于与设定的阈值，即到达。
8.根据权利要求7所述的基于卷积神经网络及机器学习的航班保障节点识别系统，其特征在于：所述目标检测模块通过视频流信息识别客梯车或者食品车的方式为：客梯车或者食品车的外观不同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910722474.XA CN110580447B (zh) | 2019-08-06 | 2019-08-06 | 基于卷积神经网络及机器学习的航班保障节点识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910722474.XA CN110580447B (zh) | 2019-08-06 | 2019-08-06 | 基于卷积神经网络及机器学习的航班保障节点识别系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110580447A true CN110580447A (zh) | 2019-12-17 |
| CN110580447B CN110580447B (zh) | 2024-04-26 |
Family
ID=68810602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910722474.XA Active CN110580447B (zh) | 2019-08-06 | 2019-08-06 | 基于卷积神经网络及机器学习的航班保障节点识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110580447B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709341A (zh) * | 2020-06-09 | 2020-09-25 | 杭州云视通互联网科技有限公司 | 客梯车作业状态的检测方法与系统 |
| CN111814687A (zh) * | 2020-07-10 | 2020-10-23 | 苏州数智源信息技术有限公司 | 一种航班保障节点智能识别系统 |
| CN112101253A (zh) * | 2020-09-18 | 2020-12-18 | 广东机场白云信息科技有限公司 | 一种基于视频动作识别的民用机场地面保障状态识别方法 |
| CN113487644A (zh) * | 2021-06-09 | 2021-10-08 | 苏州数智源信息技术有限公司 | 一种识别航班保障节点的二维目标检测方法 |
| CN113536915A (zh) * | 2021-06-09 | 2021-10-22 | 苏州数智源信息技术有限公司 | 基于可见光相机的多节点目标跟踪方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050197848A1 (en) * | 2004-03-08 | 2005-09-08 | Chou Y. H. | Airport customer support dispatch system and method for operation for the same |
| WO2013173994A1 (en) * | 2012-05-23 | 2013-11-28 | Nec Hong Kong Limited | Embedded system board, method, front device, backend server and system for video surveillance |
| CN109472400A (zh) * | 2018-10-30 | 2019-03-15 | 中国民用航空总局第二研究所 | 一种基于贝叶斯结构学习的航班保障Petri网构建方法及系统 |
| CN109871786A (zh) * | 2019-01-30 | 2019-06-11 | 浙江大学 | 一种航班地面保障作业规范流程检测系统 |
-
2019
- 2019-08-06 CN CN201910722474.XA patent/CN110580447B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050197848A1 (en) * | 2004-03-08 | 2005-09-08 | Chou Y. H. | Airport customer support dispatch system and method for operation for the same |
| WO2013173994A1 (en) * | 2012-05-23 | 2013-11-28 | Nec Hong Kong Limited | Embedded system board, method, front device, backend server and system for video surveillance |
| CN109472400A (zh) * | 2018-10-30 | 2019-03-15 | 中国民用航空总局第二研究所 | 一种基于贝叶斯结构学习的航班保障Petri网构建方法及系统 |
| CN109871786A (zh) * | 2019-01-30 | 2019-06-11 | 浙江大学 | 一种航班地面保障作业规范流程检测系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709341A (zh) * | 2020-06-09 | 2020-09-25 | 杭州云视通互联网科技有限公司 | 客梯车作业状态的检测方法与系统 |
| CN111709341B (zh) * | 2020-06-09 | 2023-04-28 | 杭州云视通互联网科技有限公司 | 客梯车作业状态的检测方法与系统 |
| CN111814687A (zh) * | 2020-07-10 | 2020-10-23 | 苏州数智源信息技术有限公司 | 一种航班保障节点智能识别系统 |
| CN112101253A (zh) * | 2020-09-18 | 2020-12-18 | 广东机场白云信息科技有限公司 | 一种基于视频动作识别的民用机场地面保障状态识别方法 |
| CN113487644A (zh) * | 2021-06-09 | 2021-10-08 | 苏州数智源信息技术有限公司 | 一种识别航班保障节点的二维目标检测方法 |
| CN113536915A (zh) * | 2021-06-09 | 2021-10-22 | 苏州数智源信息技术有限公司 | 基于可见光相机的多节点目标跟踪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110580447B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110580447A (zh) | 基于卷积神经网络及机器学习的航班保障节点识别系统 | |
| CN105160934B (zh) | 一种适用于大型停车场的智能停车系统 | |
| CN110127475B (zh) | 一种电梯乘梯人员分类与其乘梯规律分析的方法及系统 | |
| CN102721373B (zh) | 一种电气化铁路接触网覆冰在线监测系统 | |
| CN109525956B (zh) | 无线传感网中基于数据驱动的分簇的节能的数据收集方法 | |
| CN107972695A (zh) | 一种物联网轨道车辆车轴健康状态智能监测管理系统装置 | |
| CN106652459B (zh) | 一种智能型路侧交通空气污染监测系统 | |
| CN104301895A (zh) | 一种基于流量预测的双层触发入侵检测方法 | |
| WO2019214016A1 (zh) | 基于LoRa技术的多功能LED智能路灯系统 | |
| CN106529787A (zh) | 一种基于人脸检测技术的地铁能源管理系统 | |
| CN107657799A (zh) | 面向楼宇监测的无线传感器网络数据收集系统 | |
| CN108519465A (zh) | 一种基于大数据的空气污染智能监测系统 | |
| CN113361825A (zh) | 一种踩踏事故早期预警方法及系统 | |
| CN104361727A (zh) | 一种基于无线传感器网络的隧道环境监测方法 | |
| Collotta et al. | A novel road monitoring approach using wireless sensor networks | |
| CN103024070A (zh) | 一种矿井智能远程监控云系统 | |
| CN109600758B (zh) | 一种基于rss的人流量监测方法 | |
| CN102184637B (zh) | 基于传感器网络的交通状态获取方法、装置以及系统 | |
| CN102223408A (zh) | 基于无线传感器网络的能耗实时监测及节能管理系统 | |
| CN203027297U (zh) | 一种基于Wi-Fi无线传感网的矿井智能远程监控系统 | |
| US11536832B2 (en) | Batteryless sensor for detecting occupancy and activity | |
| CN204329251U (zh) | 一种医院单体空调联控节能管理系统 | |
| CN205563758U (zh) | 一种公交人数实时智能检测系统 | |
| CN209118471U (zh) | 山体滑坡监测预警系统 | |
| CN207108160U (zh) | 一种电梯数据采集系统 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant after: Shenzhen Huafu Technology Co.,Ltd. Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant before: SHENZHEN HUAFU INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |