CN111353451A - 电瓶车检测方法、装置、计算机设备及存储介质 - Google Patents

电瓶车检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111353451A
CN111353451A CN202010151103.3A CN202010151103A CN111353451A CN 111353451 A CN111353451 A CN 111353451A CN 202010151103 A CN202010151103 A CN 202010151103A CN 111353451 A CN111353451 A CN 111353451A
Authority
CN
China
Prior art keywords
result
elevator
training
battery car
faster
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.)
Pending
Application number
CN202010151103.3A
Other languages
English (en)
Inventor
徐本安
吴悦
杨锐斌
王志敏
熊俊杰
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.)
Shenzhen Sunwin Intelligent Co Ltd
Original Assignee
Shenzhen Sunwin Intelligent 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 Shenzhen Sunwin Intelligent Co Ltd filed Critical Shenzhen Sunwin Intelligent Co Ltd
Priority to CN202010151103.3A priority Critical patent/CN111353451A/zh
Publication of CN111353451A publication Critical patent/CN111353451A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B1/00—Control systems of elevators in general
    • B66B1/02—Control systems without regulation, i.e. without retroactive action
    • B66B1/06—Control systems without regulation, i.e. without retroactive action electric
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B13/00—Doors, gates, or other apparatus controlling access to, or exit from, cages or lift well landings
    • B66B13/02—Door or gate operation
    • B66B13/14—Control systems or devices
    • B66B13/143—Control systems or devices electrical
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B3/00—Applications of devices for indicating or signalling operating conditions of elevators
    • B66B3/002—Indicators
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及电瓶车检测方法、装置、计算机设备及存储介质，该包括获取来自电梯内摄像头所拍摄的图像，以得到初始图像；将初始图像输入至识别模型内进行图像识别，以得到识别结果；判断识别结果中是否出现电瓶车进入电梯的结果；若识别结果中出现电瓶车进入电梯的结果，则对识别结果进行分析，以得到分析结果；根据分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警；若识别结果中未出现电瓶车进入电梯的结果，则执行获取来自电梯内摄像头所拍摄的图像，以得到初始图像。本发明实现实时检测是否有电瓶车进入电梯内，且当出现电瓶车进入电梯，及时对电梯进行管控，以提高社区公共安全。

Description

电瓶车检测方法、装置、计算机设备及存储介质
技术领域
本发明涉及物品检测方法，更具体地说是指电瓶车检测方法、装置、计算机设备及存储介质。
背景技术
当前，新建小区和老旧改造小区均装备有电梯，业主经常骑乘电瓶车进入电梯，降低了电梯的利用效率，增加了物业管理难度，且电动车上楼有时会占用楼层消防通道等公共区域，也是增加了小区的消防隐患。在当前小区安防监控中，大多数电梯均装备有摄像头设备，由于摄像头记录的视频数据量很大，通常是出了相关事件之后，再通过人工查找对应的视频数据的方式来回溯，效率很低，运算速度慢，且无法及时响应现场实时计算要求等问题。
因此，有必要设计一种新的方法，实现实时检测是否有电瓶车进入电梯内，且当出现电瓶车进入电梯，及时对电梯进行管控，以提高社区公共安全。
发明内容
本发明的目的在于克服现有技术的缺陷，提供电瓶车检测方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：电瓶车检测方法，包括：
获取来自电梯内摄像头所拍摄的图像，以得到初始图像；
将所述初始图像输入至识别模型内进行图像识别，以得到识别结果；
判断所述识别结果中是否出现电瓶车进入电梯的结果；
若所述识别结果中出现电瓶车进入电梯的结果，则对所述识别结果进行分析，以得到分析结果；
根据所述分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警；
若所述识别结果中未出现电瓶车进入电梯的结果，则执行所述获取来自电梯内摄像头所拍摄的图像，以得到初始图像；
其中，所述识别模型是通过若干个带有识别标签的图像集合作为样本集训练Faster R-CNN模型所得的。
其进一步技术方案为：所述识别模型是通过若干个带有识别标签的图像集合作为样本集训练Faster R-CNN模型所得的，包括：
获取若干个带有识别标签的图像集合，以得到样本集，对样本集进行划分，以得到训练集和测试集；
构建Faster R-CNN模型以及损失函数；
利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果；
根据损失函数计算训练结果与对应的标签的损失值；
判断所述损失值是否维持不变；
若所述损失值未维持不变，则调整所述Faster R-CNN模型对应的参数，并执行所述利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果；
若所述损失值维持不变，则将所述测试集输入至Faster R-CNN模型进行测试，以得到测试结果；
判断所述测试结果是否符合要求；
若所述测试结果符合要求，则将所述Faster R-CNN模型作为识别模型并进行存储；
若所述测试结果不符合要求，则执行所述调整所述Faster R-CNN模型对应的参数。
其进一步技术方案为：所述构建Faster R-CNN模型以及损失函数，包括：
构建Faster R-CNN模型用于将输入的图像尺寸进行归一化的第一层网络；
构建Faster R-CNN模型的卷积层和池化层，以用于产生特征映射图；
构建用于在特征映射图上提取电瓶车候选区域和区域得分的候选区域生成网络；
构建Faster R-CNN模型的输出层；
整合第一层网络、卷积层、池化层、候选区域生成网络以及输出层，以得到FasterR-CNN模型；
构建损失函数。
其进一步技术方案为：所述损失函数为：
Figure BDA0002402474190000031
Figure BDA0002402474190000032
其中，i为训练集，pi为候选区域是电瓶车的概率，ti＝(tx,ty,tiw,th)表示候选区域的边框坐标值，λ为平衡权重，λ＝1，Lcls为分类损失函数，Lreg为回归损失函数，且
Figure BDA0002402474190000033
Figure BDA0002402474190000034
Figure BDA0002402474190000035
其进一步技术方案为：所述利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果，包括：
根据所述训练集以及利用ImageNet预训练的模型初始化候选区域生成网络的网络参数，且利用候选区域生成网络生成候选区域和区域得分；
使用候选区域训练Faster R-CNN模型，且采用ImageNet预训练的模型初始化Faster R-CNN模型的网络参数，以得到检测网络模型；
利用检测网络模型初始化一个新的候选区域生成网络，共享卷积层的参数，微调候选区域生成网络独有部分的参数；
微调Faster R-CNN模型的全连接层的参数，以得到Faster R-CNN模型的各个参数；
整合所述候选区域和区域得分，以得到训练结果。
其进一步技术方案为：所述分析结果包括电瓶车的车型、车身颜色、车牌以及位置中至少一种。
其进一步技术方案为：所述根据所述分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警，包括：
根据所述分析结果发送预警语音、显示提示以及延时关门的控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警。
本发明还提供了电瓶车检测装置，包括：
图像获取单元，用于获取来自电梯内摄像头所拍摄的图像，以得到初始图像；
识别单元，用于将所述初始图像输入至识别模型内进行图像识别，以得到识别结果；
判断单元，用于判断所述识别结果中是否出现电瓶车进入电梯的结果；若所述识别结果中未出现电瓶车进入电梯的结果，则执行所述获取来自电梯内摄像头所拍摄的图像，以得到初始图像；
分析单元，用于若所述识别结果中出现电瓶车进入电梯的结果，则对所述识别结果进行分析，以得到分析结果；
预警单元，用于根据所述分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警。
本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是：本发明通过获取电梯内摄像头拍摄的图像，并利用基于Faster R-CNN模型训练形成的识别模型进行电瓶车识别，以得到类别以及候选区域，根据类别判定是否存在电瓶车进入电梯内，一旦出现电瓶车进入电梯内，则利用候选区域提取对应的特征，并发送控制信号，以进行语音提示、显示提示以及电梯的控制，实现实时检测是否有电瓶车进入电梯内，且当出现电瓶车进入电梯，及时对电梯进行管控，以提高社区公共安全。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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。
图1为本发明实施例提供的电瓶车检测方法的应用场景示意图；
图2为本发明实施例提供的电瓶车检测方法的流程示意图；
图3为本发明实施例提供的电瓶车检测方法的子流程示意图；
图4为本发明实施例提供的电瓶车检测方法的子流程示意图；
图5为本发明实施例提供的电瓶车检测方法的子流程示意图；
图6为本发明实施例提供的电瓶车检测装置的示意性框图；
图7为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的电瓶车检测方法的应用场景示意图。图2为本发明实施例提供的电瓶车检测方法的示意性流程图。该电瓶车检测方法应用于服务器中，该服务器与电梯以及电梯内的摄像头进行数据交互，从电梯内的摄像头获取实时图像，利用获取到图像进行电瓶车识别和检测，并在检测到有电瓶车的情况下，进行电瓶车类型等信息的分析，且发送控制信号至电梯控制器，以进行预警等对应的控制。
图2是本发明实施例提供的电瓶车检测方法的流程示意图。如图2所示，该方法包括以下步骤S110至S150。
S110、获取来自电梯内摄像头所拍摄的图像，以得到初始图像。
在本实施例中，初始图像是指从电梯内的摄像头拍摄所得的实时的图像。
本实施例中的电瓶车检测方法针对的是电梯内的场景检测和识别，当然，于其他实施例中，还可以用于其他区域的电瓶车检测，只需要配备有摄像头以及相对应的预警设备即可，操作简单，且实用性强。
S120、将所述初始图像输入至识别模型内进行图像识别，以得到识别结果。
在本实施例中，识别结果包括候选区域以及候选区域是否是电瓶车的类别。
其中，所述识别模型是通过若干个带有识别标签的图像集合作为样本集训练Faster R-CNN模型所得的。Ross B.Girshick在2016年提出了新的Faster R-CNN，在结构上，Faster R-CNN已经将特征抽取、区域提取、边框回归以及分类问题都整合在了一个网络中，使得综合性能有较大提高，在检测速度方面尤为明显，Faster R-CNN模型其实可以包括卷积层、RPN(候选区域生成网络，Region Proposal Networks)、候选区域池化层以及输出层，采用Faster R-CNN模型进行电瓶车的识别，可以提高整个检测速度，且整体的检测准确率高。
在一实施例中，请参阅图3，上述的步骤S120可包括步骤S121～S129。
S121、获取若干个带有识别标签的图像集合，以得到样本集，对样本集进行划分，以得到训练集和测试集。
在本实施例中，识别标签包括区域坐标的标签以及类别的标签。
在本实施例中，样本集是指1万张以上电瓶车、人推电瓶车、人骑电瓶车的图像集合，且这些图像集合具备有类别的识别标签等，将这些图像集合按照一定比例划分，形成训练集和测试集，其中，训练集用于训练Faster R-CNN模型，而测试集用于测试Faster R-CNN模型的效果。
S122、构建Faster R-CNN模型以及损失函数。
在本实施例中，Faster R-CNN模型是一个初步的网络模型，损失函数是一个用于计算训练结果与标注的标签之间的差距，也就是训练集经过模型识别后，存在的损失值。
在一实施例中，请参阅图4，上述的步骤S122可包括步骤S1221～S1226。
S1221、构建Faster R-CNN模型用于将输入的图像尺寸进行归一化的第一层网络。
在本实施例中，对于任意大小且输入至Faster R-CNN模型进行识别的图片，均采用第一层网络进行尺寸归一化，以得到224×224的图像，以便于统一输入图片的大小，提高整个识别检测的效率。
S1222、构建Faster R-CNN模型的卷积层和池化层，以用于产生特征映射图。
Faster R-CNN模型包含13个卷积层、5个最大池化层和2个全连接层，其中，13个卷积层包括卷积层+激励层，通过Faster R-CNN模型中的卷积层和池化层产生特征映射图。
S1223、构建用于在特征映射图上提取电瓶车候选区域和区域得分的候选区域生成网络。
在所有特征映射图上通过候选区域生成网络提取电瓶车候选区域和区域得分，对区域得分进行非极大值抑制操作，将得分最高的区域作为最终的电瓶车候选区域。
具体地，RPN(候选区域生成网络，Region Proposal Network)用来生成高质量的电瓶车候选区域框，它是一个全卷积神经网络，通过RPN提取电瓶车候选区域，与电瓶车检测网络共享卷积特征。本实施例采用3种不同大小的边框Anchor，具体的大小为128×128、256×256、512×512，用3种长宽比进行缩放滑动窗口，该窗口的长宽比为1：1、1：2、2：1，因此共用9种类型的Anchor对电瓶车的候选区域进行预测。将每个滑动窗口映射成一个低维特征向量，将这些特征作为两个全连接层的输入，全连接层包括分类层和边界回归层，分类层给出电瓶车候选区域中的物体是电瓶车和非电瓶车的概率，边界回归层给出电瓶车候选区域的坐标，也就是该候选区域的边框坐标。由于提取的电瓶车候选区域有很多交叉重叠，因此根据非极大值抑制原则选取前300个候选区域框作为最终的电瓶车候选区域。
任意一个电瓶车候选区域经过电瓶车候选区域的池化层映射到特征映射图的相应位置上，并对该电瓶车候选区域下采样一个固定大小的特征图，然后对每个输入的特征图通过全连接层提取一个固定维度的特征向量。
S1224、构建Faster R-CNN模型的输出层。
具体地，将池化层输出的特征向量输入到两个同级的输出层：一个是SoftMax分类层，判断目标是否为电瓶车；另一个是边界回归层，主要对电瓶车候选区域边框位置和大小进行微调，以生成候选区域，也就是说整个Faster R-CNN模型输出的结果包括类别以及候选区域。
S1225、整合第一层网络、卷积层、池化层、候选区域生成网络以及输出层，以得到Faster R-CNN模型。
整合上述的所有层与网络，便可得到Faster R-CNN模型。
S1226、构建损失函数。
在本实施例中，所述损失函数为：
Figure BDA0002402474190000081
其中，i为训练集，pi为候选区域是电瓶车的概率，ti＝(tx,ty,tiw,th)表示候选区域的边框坐标值，λ为平衡权重，λ＝1，Lcls为分类损失函数，Lreg为回归损失函数，且
Figure BDA0002402474190000082
Figure BDA0002402474190000083
Figure BDA0002402474190000084
Figure BDA0002402474190000085
表示识别标签中的类别的标签，
Figure BDA0002402474190000086
表示识别标签中的区域坐标的标签。
S123、利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果。
在本实施例中，训练结果包括类别以及候选区域。模型训练模块采用交替训练的方式，使得RPN和Faster R-CNN共享卷积层参数。
在一实施例中，请参阅图5，上述的步骤S123可包括步骤S1231～S1235。
S1231、根据所述训练集以及利用ImageNet预训练的模型初始化候选区域生成网络的网络参数，且利用候选区域生成网络生成候选区域和区域得分。
利用ImageNet预训练的模型初始化网络参数，通过端到端微调生成候选区域；
ImageNet就像一个网络一样，拥有多个节点Node。每一个Node相当于一个项目或者子类别，一个Node含有至少500个对应物体的可供训练的图片/图像。它实际上就是一个巨大的可供图像/视觉训练的图片库。
利用ImageNet结合训练集预训练出一个初始模型，利用该初始模型进行候选区域生成网络的网络参数的初始化。
S1232、使用候选区域训练Faster R-CNN模型，且采用ImageNet预训练的模型初始化Faster R-CNN模型的网络参数，以得到检测网络模型。
在本实施例中，检测网络模型是指网络参数经过初始化后的Faster R-CNN模型。
使用候选区域生成网络生成候选区域训练Faster R-CNN模型，同样采用ImageNet预训练的初始模型初始化Faster R-CNN模型的网络参数。
S1233、利用检测网络模型初始化一个新的候选区域生成网络，共享卷积层的参数，微调候选区域生成网络独有部分的参数。
利用第二步中得到的检测网络模型初始化一个新的候选区域生成网络。同时共享卷积层的参数，微调候选区域生成网络独有部分的参数。
S1234、微调Faster R-CNN模型的全连接层的参数，以得到Faster R-CNN模型的各个参数。
保持共享的卷积层参数不变，利用新的候选区域生成网络的结果对全连接层进行微调，构成一个统一的网络，以此可得到Faster R-CNN模型的各个参数。
S1235、整合所述候选区域和区域得分，以得到训练结果。
在本实施例中，区域得分是指候选区域是电瓶车的概率，根据候选区域是电瓶车的概率超过某一阈值则表明训练结果中的类别是电瓶车类别，当候选区域是电瓶车的概率不超过某一阈值则表明训练结果中的类别不是电瓶车类别。
在训练的过程中，如果一个候选区域和任意一个电瓶车的真实包围框的边框重叠度IoU大于0.7，该候选区域被标记为正样本，也就是该候选区域的区域得分大于0.7，训练结果中的类别为电瓶车类别；如果一个候选区域和某一个电瓶车真实包围框的IoU值小于0.3，该候选区域被标记为负样本，也就是该候选区域的区域得分小于0.3，训练结果中的类别为非电瓶车类别。
利用正样本和负样本训练整个Faster R-CNN模型，可以使得整个Faster R-CNN模型能够更加快速和准确地识别出是否有电瓶车。
S124、根据损失函数计算训练结果与对应的标签的损失值。
在本实施例中，损失值是指训练结果与对应的标签的差距，包括训练结果中的类别与对应的类别标签的差距，以及训练结果中的候选区域与对应的区域标签的差距，具体的，候选区域包括区域的边框坐标。
S125、判断所述损失值是否维持不变；
在本实施例中，当损失值维持不变，即当前的Faster R-CNN模型已经收敛，即损失值基本不变且非常小，也表明当前的Faster R-CNN模型是可以作为候选的识别模型，一般是开始训练时损失值比较大，越往后训，损失值越小，倘若该损失值未维持不变，表明当前的Faster R-CNN模型不可以用作候选的识别模型，也就是评估出来的类别并不准确，会导致电瓶车的判断也不准确。
S126、若所述损失值未维持不变，则调整所述Faster R-CNN模型对应的参数，并执行所述步骤S123。
本实施例中，调整Faster R-CNN模型的参数是指调整Faster R-CNN模型中各个层的权重值。通过不断地训练，便可以得到满足要求的Faster R-CNN模型。
S127、若所述损失值维持不变，则将所述测试集输入至Faster R-CNN模型进行测试，以得到测试结果。
在本实施例中，其中，测试集是用于测试训练后的Faster R-CNN模型的分类效果的数据，测试结果是指包括利用测试集对训练后的Faster R-CNN模型进行测试，以得到的训练后的Faster R-CNN模型输出结果。
S128、判断所述测试结果是否符合要求；
S129、若所述测试结果符合要求，则将所述Faster R-CNN模型作为识别模型并进行存储；
若所述测试结果不符合要求，则执行所述步骤S126。
当测试结果的精度和召回率这两个指标评估符合条件，则表明拟合程度符合要求，便可认为测试结果是符合要求的；否则，则认为该测试结果不符合要求。Faster R-CNN模型收敛时停止训练。Faster R-CNN模型训练好后对Faster R-CNN模型进行测试，如果测试结果不好，需要调整训练策略重新进行Faster R-CNN模型。当然，在训练的过程中，会进行训练和测试，训练时测试是为了实时查看训练情况；而训练Faster R-CNN模型完成后的测试，用精度和召回率这两个指标评估整个Faster R-CNN模型的执行准确程度。
S130、判断所述识别结果中是否出现电瓶车进入电梯的结果。
在本实施例中，当识别结果是电瓶车类别，则表明识别结果是出现电瓶车进入电梯的结果；当识别结果是非电瓶车类别，则表明识别结果不是出现电瓶车进入电梯的结果。
S140、若所述识别结果中出现电瓶车进入电梯的结果，则对所述识别结果进行分析，以得到分析结果。
在本实施例中，分析结果是指识别结果中分析预设的电瓶车目标，获取所述预设电瓶车的属性特征。
具体地，所述分析结果包括电瓶车的车型、车身颜色、车牌以及位置中至少一种。具体地，可以采用图像分析等技术进行分析，以得到上述的特征。
S150、根据所述分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警。
在本实施例中，根据所述分析结果发送预警语音、显示提示以及延时关门的控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警。
具体地，设置语音单元以及显示单元，语音单元用于对所述当前状态信息进行语音提示，包括电瓶车进入电梯内的语音提示；显示单元用以对当前状态多媒体信息进行显示，包括对电瓶车进入电梯内的文字提示。
具体地，上述的电梯控制器用于对电梯进行控制，并将所述电梯的当前状态信息反馈至所述语音单元以及显示单元，该电梯控制器通过通信单元与服务器进行数据通信，
该通信单元包括第一通信总线、第二通信总线和第三通信总线；电梯控制器通过第一通信总线与服务器进行通信，服务器还通过第二通信总线与语音单元和显示单元进行通信，电梯控制器通过第三通信总线与语音单元和显示单元进行通信。
具体地，第一通信总线、第二通信总线和第三通信总线分别包括SCL(串行通信链路，Serial Communication Link)、RS232、RS485、SPI(串行外设接口，Serial PeripheralInterface)和CAN总线中的一种。
电梯控制器包括梯门控制模块，所述梯门控制模块包括预警模组和延时模组，所述预警模组用于在电梯开门后报警提示，具体地，用于在电梯有电瓶车闯入时预警语音和显示提示，直到电梯门关闭，所述延时模组用于在电梯有预设状况时延时关闭电梯门，具体地，在电梯有电瓶车闯入时，电梯门将保持常开状态，且无法进行关门按钮操作。
若所述识别结果中未出现电瓶车进入电梯的结果，则执行所述步骤S110。
在其中一个实施例中，语音单元和显示单元独立设置，语音单元为语音播放器，显示单元为具有语音播放功能的LED显示屏；或者，语音单元集成设置在显示单元中，显示单元为具有语音播放功能的LED显示屏。
上述的服务器是指靠近数据源头的网络边缘侧装置，可融合网络、计算、存储、应用核心能力等的开放平台，就近提供服务并满足安全与隐私保护等方面的关键需求。将电瓶车检测模型运行在边缘计算装置上，就近处理前端摄像设备上就近处理采集到的数据，而不需要将大量数据上传到远端的核心管理平台，能够避免以往长距离往返延时、网络拥塞、服务质量下降、架构庞大等问题，能够提供更快的响应速度，更好保证安全和隐私。电瓶车检测方法能够根据边缘计算装置的AI(人工智能，Artificial Intelligence)芯片算力和物理存储大小，支持不同属性的电瓶车搜索。所使用的AI芯片或模组，包括但不限于海思、瑞芯微、中星微、Intel、寒武纪、比特大陆等国内外AI芯片或模组提供商，边缘计算装置，为前端智能摄像头。
上述的方法采用识别模型省城摄像头所拍摄的图像所对应的候选区域，根据候选区域进行对电梯控制，能及时、高效、智能反馈电梯场景的信息，相应与电梯主控系统对接，提升社区公共安全，加强社区物业管理，防患电梯及楼层消防通道安全事故，未来随着内置检测模型以及边缘计算的技术积累，将更加有利于推行智慧社区的建设和落地。
上述的电瓶车检测方法，通过获取电梯内摄像头拍摄的图像，并利用基于FasterR-CNN模型训练形成的识别模型进行电瓶车识别，以得到类别以及候选区域，根据类别判定是否存在电瓶车进入电梯内，一旦出现电瓶车进入电梯内，则利用候选区域提取对应的特征，并发送控制信号，以进行语音提示、显示提示以及电梯的控制，实现实时检测是否有电瓶车进入电梯内，且当出现电瓶车进入电梯，及时对电梯进行管控，以提高社区公共安全。
图6是本发明实施例提供的一种电瓶车检测装置300的示意性框图。如图6所示，对应于以上电瓶车检测方法，本发明还提供一种电瓶车检测装置300。该电瓶车检测装置300包括用于执行上述电瓶车检测方法的单元，该装置可以被配置于服务器中。具体地，请参阅图6，该电瓶车检测装置300包括图像获取单元301、识别单元302、判断单元303、分析单元304以及预警单元305。
图像获取单元301，用于获取来自电梯内摄像头所拍摄的图像，以得到初始图像；识别单元302，用于将所述初始图像输入至识别模型内进行图像识别，以得到识别结果；判断单元303，用于判断所述识别结果中是否出现电瓶车进入电梯的结果；若所述识别结果中未出现电瓶车进入电梯的结果，则执行所述获取来自电梯内摄像头所拍摄的图像，以得到初始图像；分析单元304，用于若所述识别结果中出现电瓶车进入电梯的结果，则对所述识别结果进行分析，以得到分析结果；预警单元305，用于根据所述分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警。
在一实施例中，上述的装置还包括模型构建单元，模型构建单元，用于通过若干个带有识别标签的图像集合作为样本集训练Faster R-CNN模型，以得到识别模型。
在一实施例中，所述模型构建单元包括样本集处理子单元、构建子单元、训练子单元、损失值计算子单元、损失值判断子单元、调整子单元、测试子单元、测试结果判断子单元以及存储子单元。样本集处理子单元，用于获取若干个带有识别标签的图像集合，以得到样本集，对样本集进行划分，以得到训练集和测试集；构建子单元，用于构建Faster R-CNN模型以及损失函数；训练子单元，用于利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果；损失值计算子单元，用于根据损失函数计算训练结果与对应的标签的损失值；损失值判断子单元，用于判断所述损失值是否维持不变；调整子单元，用于若所述损失值未维持不变，则调整所述Faster R-CNN模型对应的参数，并执行所述利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果；测试子单元，用于若所述损失值维持不变，则将所述测试集输入至Faster R-CNN模型进行测试，以得到测试结果；测试结果判断子单元，用于判断所述测试结果是否符合要求；若所述测试结果不符合要求，则执行所述调整所述Faster R-CNN模型对应的参数；存储子单元，用于若所述测试结果符合要求，则将所述Faster R-CNN模型作为识别模型并进行存储。
在一实施例中，所述构建子单元包括第一构建模块、第二构建模块、第三构建模块、第四构建模块、整合模块以及函数构建模块。
第一构建模块，用于构建Faster R-CNN模型用于将输入的图像尺寸进行归一化的第一层网络；第二构建模块，用于构建Faster R-CNN模型的卷积层和池化层，以用于产生特征映射图；第三构建模块，用于构建用于在特征映射图上提取电瓶车候选区域和区域得分的候选区域生成网络；第四构建模块，用于构建Faster R-CNN模型的输出层；整合模块，用于整合第一层网络、卷积层、池化层、候选区域生成网络以及输出层，以得到Faster R-CNN模型；函数构建模块，用于构建损失函数。
在一实施例中，所述训练子单元包括第一训练模块、第二训练模块、第三训练模块、第四训练模块以及结果整合模块。
第一训练模块，用于根据所述训练集以及利用ImageNet预训练的模型初始化候选区域生成网络的网络参数，且利用候选区域生成网络生成候选区域和区域得分；第二训练模块，用于使用候选区域训练Faster R-CNN模型，且采用ImageNet预训练的模型初始化Faster R-CNN模型的网络参数，以得到检测网络模型；第三训练模块，用于利用检测网络模型初始化一个新的候选区域生成网络，共享卷积层的参数，微调候选区域生成网络独有部分的参数；第四训练模块，用于微调Faster R-CNN模型的全连接层的参数，以得到FasterR-CNN模型的各个参数；结果整合模块，用于整合所述候选区域和区域得分，以得到训练结果。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述电瓶车检测装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述电瓶车检测装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图7，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种电瓶车检测方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种电瓶车检测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
获取来自电梯内摄像头所拍摄的图像，以得到初始图像；将所述初始图像输入至识别模型内进行图像识别，以得到识别结果；判断所述识别结果中是否出现电瓶车进入电梯的结果；若所述识别结果中出现电瓶车进入电梯的结果，则对所述识别结果进行分析，以得到分析结果；根据所述分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警；若所述识别结果中未出现电瓶车进入电梯的结果，则执行所述获取来自电梯内摄像头所拍摄的图像，以得到初始图像。
其中，所述识别模型是通过若干个带有识别标签的图像集合作为样本集训练Faster R-CNN模型所得的。
所述分析结果包括电瓶车的车型、车身颜色、车牌以及位置中至少一种。
在一实施例中，处理器502在实现所述识别模型是通过若干个带有识别标签的图像集合作为样本集训练Faster R-CNN模型所得的步骤时，具体实现如下步骤：
获取若干个带有识别标签的图像集合，以得到样本集，对样本集进行划分，以得到训练集和测试集；构建Faster R-CNN模型以及损失函数；利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果；根据损失函数计算训练结果与对应的标签的损失值；判断所述损失值是否维持不变；若所述损失值未维持不变，则调整所述Faster R-CNN模型对应的参数，并执行所述利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果；若所述损失值维持不变，则将所述测试集输入至Faster R-CNN模型进行测试，以得到测试结果；判断所述测试结果是否符合要求；若所述测试结果符合要求，则将所述Faster R-CNN模型作为识别模型并进行存储；若所述测试结果不符合要求，则执行所述调整所述Faster R-CNN模型对应的参数。
在一实施例中，处理器502在实现所述构建Faster R-CNN模型以及损失函数步骤时，具体实现如下步骤：
构建Faster R-CNN模型用于将输入的图像尺寸进行归一化的第一层网络；构建Faster R-CNN模型的卷积层和池化层，以用于产生特征映射图；构建用于在特征映射图上提取电瓶车候选区域和区域得分的候选区域生成网络；构建Faster R-CNN模型的输出层；整合第一层网络、卷积层、池化层、候选区域生成网络以及输出层，以得到Faster R-CNN模型；构建损失函数。
其中，所述损失函数为：
Figure BDA0002402474190000161
其中，i为训练集，pi为候选区域是电瓶车的概率，ti＝(tx,ty,tiw,th)表示候选区域的边框坐标值，λ为平衡权重，λ＝1，Lcls为分类损失函数，Lreg为回归损失函数，且
Figure BDA0002402474190000162
Figure BDA0002402474190000163
在一实施例中，处理器502在实现所述利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果步骤时，具体实现如下步骤：
根据所述训练集以及利用ImageNet预训练的模型初始化候选区域生成网络的网络参数，且利用候选区域生成网络生成候选区域和区域得分；使用候选区域训练Faster R-CNN模型，且采用ImageNet预训练的模型初始化Faster R-CNN模型的网络参数，以得到检测网络模型；利用检测网络模型初始化一个新的候选区域生成网络，共享卷积层的参数，微调候选区域生成网络独有部分的参数；微调Faster R-CNN模型的全连接层的参数，以得到Faster R-CNN模型的各个参数；整合所述候选区域和区域得分，以得到训练结果。
在一实施例中，处理器502在实现所述根据所述分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警步骤时，具体实现如下步骤：
根据所述分析结果发送预警语音、显示提示以及延时关门的控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
获取来自电梯内摄像头所拍摄的图像，以得到初始图像；将所述初始图像输入至识别模型内进行图像识别，以得到识别结果；判断所述识别结果中是否出现电瓶车进入电梯的结果；若所述识别结果中出现电瓶车进入电梯的结果，则对所述识别结果进行分析，以得到分析结果；根据所述分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警；若所述识别结果中未出现电瓶车进入电梯的结果，则执行所述获取来自电梯内摄像头所拍摄的图像，以得到初始图像。
其中，所述识别模型是通过若干个带有识别标签的图像集合作为样本集训练Faster R-CNN模型所得的。
所述分析结果包括电瓶车的车型、车身颜色、车牌以及位置中至少一种。
在一实施例中，所述处理器在执行所述计算机程序而实现所述识别模型是通过若干个带有识别标签的图像集合作为样本集训练Faster R-CNN模型所得的步骤时，具体实现如下步骤：
获取若干个带有识别标签的图像集合，以得到样本集，对样本集进行划分，以得到训练集和测试集；
构建Faster R-CNN模型以及损失函数；利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果；根据损失函数计算训练结果与对应的标签的损失值；判断所述损失值是否维持不变；若所述损失值未维持不变，则调整所述Faster R-CNN模型对应的参数，并执行所述利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果；若所述损失值维持不变，则将所述测试集输入至Faster R-CNN模型进行测试，以得到测试结果；判断所述测试结果是否符合要求；若所述测试结果符合要求，则将所述Faster R-CNN模型作为识别模型并进行存储；若所述测试结果不符合要求，则执行所述调整所述Faster R-CNN模型对应的参数。
在一实施例中，所述处理器在执行所述计算机程序而实现所述构建Faster R-CNN模型以及损失函数步骤时，具体实现如下步骤：
构建Faster R-CNN模型用于将输入的图像尺寸进行归一化的第一层网络；构建Faster R-CNN模型的卷积层和池化层，以用于产生特征映射图；构建用于在特征映射图上提取电瓶车候选区域和区域得分的候选区域生成网络；构建Faster R-CNN模型的输出层；整合第一层网络、卷积层、池化层、候选区域生成网络以及输出层，以得到Faster R-CNN模型；构建损失函数。
其中，所述损失函数为：
Figure BDA0002402474190000181
其中，i为训练集，pi为候选区域是电瓶车的概率，ti＝(tx,ty,tiw,th)表示候选区域的边框坐标值，λ为平衡权重，λ＝1，Lcls为分类损失函数，Lreg为回归损失函数，且
Figure BDA0002402474190000182
Figure BDA0002402474190000183
在一实施例中，所述处理器在执行所述计算机程序而实现所述利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果步骤时，具体实现如下步骤：
根据所述训练集以及利用ImageNet预训练的模型初始化候选区域生成网络的网络参数，且利用候选区域生成网络生成候选区域和区域得分；使用候选区域训练Faster R-CNN模型，且采用ImageNet预训练的模型初始化Faster R-CNN模型的网络参数，以得到检测网络模型；利用检测网络模型初始化一个新的候选区域生成网络，共享卷积层的参数，微调候选区域生成网络独有部分的参数；微调Faster R-CNN模型的全连接层的参数，以得到Faster R-CNN模型的各个参数；整合所述候选区域和区域得分，以得到训练结果。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警步骤时，具体实现如下步骤：
根据所述分析结果发送预警语音、显示提示以及延时关门的控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.电瓶车检测方法，其特征在于，包括：
获取来自电梯内摄像头所拍摄的图像，以得到初始图像；
将所述初始图像输入至识别模型内进行图像识别，以得到识别结果；
判断所述识别结果中是否出现电瓶车进入电梯的结果；
若所述识别结果中出现电瓶车进入电梯的结果，则对所述识别结果进行分析，以得到分析结果；
根据所述分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警；
若所述识别结果中未出现电瓶车进入电梯的结果，则执行所述获取来自电梯内摄像头所拍摄的图像，以得到初始图像；
其中，所述识别模型是通过若干个带有识别标签的图像集合作为样本集训练FasterR-CNN模型所得的。
2.根据权利要求1所述的电瓶车检测方法，其特征在于，所述识别模型是通过若干个带有识别标签的图像集合作为样本集训练Faster R-CNN模型所得的，包括：
获取若干个带有识别标签的图像集合，以得到样本集，对样本集进行划分，以得到训练集和测试集；
构建Faster R-CNN模型以及损失函数；
利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果；
根据损失函数计算训练结果与对应的标签的损失值；
判断所述损失值是否维持不变；
若所述损失值未维持不变，则调整所述Faster R-CNN模型对应的参数，并执行所述利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果；
若所述损失值维持不变，则将所述测试集输入至Faster R-CNN模型进行测试，以得到测试结果；
判断所述测试结果是否符合要求；
若所述测试结果符合要求，则将所述Faster R-CNN模型作为识别模型并进行存储；
若所述测试结果不符合要求，则执行所述调整所述Faster R-CNN模型对应的参数。
3.根据权利要求2所述的电瓶车检测方法，其特征在于，所述构建Faster R-CNN模型以及损失函数，包括：
构建Faster R-CNN模型用于将输入的图像尺寸进行归一化的第一层网络；
构建Faster R-CNN模型的卷积层和池化层，以用于产生特征映射图；
构建用于在特征映射图上提取电瓶车候选区域和区域得分的候选区域生成网络；
构建Faster R-CNN模型的输出层；
整合第一层网络、卷积层、池化层、候选区域生成网络以及输出层，以得到Faster R-CNN模型；
构建损失函数。
4.根据权利要求3所述的电瓶车检测方法，其特征在于，所述损失函数为：
Figure FDA0002402474180000021
其中，i为训练集，pi为候选区域是电瓶车的概率，ti＝(tx，ty，tiw，th)表示候选区域的边框坐标值，λ为平衡权重，λ＝1，Lcls为分类损失函数，Lreg为回归损失函数，且
Figure FDA0002402474180000022
Figure FDA0002402474180000023
Figure FDA0002402474180000024
5.根据权利要求2所述的电瓶车检测方法，其特征在于，所述利用所述训练集对FasterR-CNN模型采用交替训练方式进行训练，以得到训练结果，包括：
根据所述训练集以及利用ImageNet预训练的模型初始化候选区域生成网络的网络参数，且利用候选区域生成网络生成候选区域和区域得分；
使用候选区域训练FasterR-CNN模型，且采用ImageNet预训练的模型初始化Faster R-CNN模型的网络参数，以得到检测网络模型；
利用检测网络模型初始化一个新的候选区域生成网络，共享卷积层的参数，微调候选区域生成网络独有部分的参数；
微调Faster R-CNN模型的全连接层的参数，以得到Faster R-CNN模型的各个参数；
整合所述候选区域和区域得分，以得到训练结果。
6.根据权利要求1所述的电瓶车检测方法，其特征在于，所述分析结果包括电瓶车的车型、车身颜色、车牌以及位置中至少一种。
7.根据权利要求1所述的电瓶车检测方法，其特征在于，所述根据所述分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警，包括：
根据所述分析结果发送预警语音、显示提示以及延时关门的控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警。
8.电瓶车检测装置，其特征在于，包括：
图像获取单元，用于获取来自电梯内摄像头所拍摄的图像，以得到初始图像；
识别单元，用于将所述初始图像输入至识别模型内进行图像识别，以得到识别结果；
判断单元，用于判断所述识别结果中是否出现电瓶车进入电梯的结果；若所述识别结果中未出现电瓶车进入电梯的结果，则执行所述获取来自电梯内摄像头所拍摄的图像，以得到初始图像；
分析单元，用于若所述识别结果中出现电瓶车进入电梯的结果，则对所述识别结果进行分析，以得到分析结果；
预警单元，用于根据所述分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至7中任一项所述的方法。
CN202010151103.3A 2020-03-06 2020-03-06 电瓶车检测方法、装置、计算机设备及存储介质 Pending CN111353451A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010151103.3A CN111353451A (zh) 2020-03-06 2020-03-06 电瓶车检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010151103.3A CN111353451A (zh) 2020-03-06 2020-03-06 电瓶车检测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN111353451A true CN111353451A (zh) 2020-06-30

Family

ID=71194309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010151103.3A Pending CN111353451A (zh) 2020-03-06 2020-03-06 电瓶车检测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111353451A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112347873A (zh) * 2020-10-26 2021-02-09 浙江新再灵科技股份有限公司 梯控方法
CN112551298A (zh) * 2020-12-01 2021-03-26 慧泉智能科技（苏州）有限公司 一种升降梯轿厢内电瓶车进入预警方法
CN112607542A (zh) * 2020-12-10 2021-04-06 中科曙光国际信息产业有限公司 电梯控制方法、装置、计算机设备和存储介质
CN113239746A (zh) * 2021-04-26 2021-08-10 深圳市安思疆科技有限公司 电动车检测方法、装置、终端设备及计算机可读存储介质
CN113581957A (zh) * 2021-07-22 2021-11-02 北京兴华和晟科技有限公司 一种电梯运行管理方法、装置及电子设备
CN113869290A (zh) * 2021-12-01 2021-12-31 中化学交通建设集团有限公司 一种基于人工智能技术的消防通道占用识别方法和装置
CN114104878A (zh) * 2021-10-09 2022-03-01 浙江大华技术股份有限公司 电梯控制方法、装置、计算机设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504233A (zh) * 2016-10-18 2017-03-15 国网山东省电力公司电力科学研究院 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统
CN110222659A (zh) * 2019-06-12 2019-09-10 江苏鼎航电子科技有限公司 电动车识别方法、装置和系统
CN110399816A (zh) * 2019-07-15 2019-11-01 广西大学 一种基于Faster R-CNN的高速列车车底异物检测方法
CN110436294A (zh) * 2019-08-08 2019-11-12 杭州吉时语科技有限公司 一种电瓶车入电梯检测方法
CN110759189A (zh) * 2019-10-30 2020-02-07 河南宙为电子技术有限公司 电梯管理方法、装置及系统
CN110837785A (zh) * 2019-10-28 2020-02-25 北京影谱科技股份有限公司 一种人脸图像检测方法及装置、计算设备、及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504233A (zh) * 2016-10-18 2017-03-15 国网山东省电力公司电力科学研究院 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统
CN110222659A (zh) * 2019-06-12 2019-09-10 江苏鼎航电子科技有限公司 电动车识别方法、装置和系统
CN110399816A (zh) * 2019-07-15 2019-11-01 广西大学 一种基于Faster R-CNN的高速列车车底异物检测方法
CN110436294A (zh) * 2019-08-08 2019-11-12 杭州吉时语科技有限公司 一种电瓶车入电梯检测方法
CN110837785A (zh) * 2019-10-28 2020-02-25 北京影谱科技股份有限公司 一种人脸图像检测方法及装置、计算设备、及存储介质
CN110759189A (zh) * 2019-10-30 2020-02-07 河南宙为电子技术有限公司 电梯管理方法、装置及系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112347873A (zh) * 2020-10-26 2021-02-09 浙江新再灵科技股份有限公司 梯控方法
CN112347873B (zh) * 2020-10-26 2022-10-14 浙江新再灵科技股份有限公司 梯控方法
CN112551298A (zh) * 2020-12-01 2021-03-26 慧泉智能科技（苏州）有限公司 一种升降梯轿厢内电瓶车进入预警方法
CN112607542A (zh) * 2020-12-10 2021-04-06 中科曙光国际信息产业有限公司 电梯控制方法、装置、计算机设备和存储介质
CN113239746A (zh) * 2021-04-26 2021-08-10 深圳市安思疆科技有限公司 电动车检测方法、装置、终端设备及计算机可读存储介质
CN113239746B (zh) * 2021-04-26 2024-05-17 深圳市安思疆科技有限公司 电动车检测方法、装置、终端设备及计算机可读存储介质
CN113581957A (zh) * 2021-07-22 2021-11-02 北京兴华和晟科技有限公司 一种电梯运行管理方法、装置及电子设备
CN114104878A (zh) * 2021-10-09 2022-03-01 浙江大华技术股份有限公司 电梯控制方法、装置、计算机设备和存储介质
CN113869290A (zh) * 2021-12-01 2021-12-31 中化学交通建设集团有限公司 一种基于人工智能技术的消防通道占用识别方法和装置

Similar Documents

Publication Publication Date Title
CN111353451A (zh) 电瓶车检测方法、装置、计算机设备及存储介质
CN108388888B (zh) 一种车辆识别方法、装置和存储介质
CN109934176B (zh) 行人识别系统、识别方法及计算机可读存储介质
US20180307916A1 (en) System and method for image analysis
EP2473974A2 (en) Foreground object tracking
CN108596087B (zh) 一种基于双网络结果的驾驶疲劳程度检测回归模型
CN111860274A (zh) 基于头部朝向与上半身骨架特征的交警指挥手势识别方法
CN112287827A (zh) 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统
CN109508659A (zh) 一种用于人行横道的人脸识别系统及方法
CN112766038B (zh) 一种根据图像识别的车辆跟踪方法
CN111199238A (zh) 一种基于双流卷积神经网络的行为识别方法及设备
CN111428666A (zh) 基于快速人脸检测的智能家庭陪伴机器人系统及方法
CN111767831A (zh) 用于处理图像的方法、装置、设备及存储介质
CN101320477B (zh) 一种人体跟踪方法及其设备
US20120189161A1 (en) Visual attention apparatus and control method based on mind awareness and display apparatus using the visual attention apparatus
CN113269111B (zh) 一种基于视频监控的电梯异常行为检测方法及系统
CN110879990A (zh) 一种预计机场安检旅客排队等候时长的方法及其应用
WO2021138893A1 (zh) 车牌识别方法、装置、电子设备及存储介质
WO2023231211A1 (zh) 语音识别方法、装置、电子设备、存储介质及产品
CN115984723A (zh) 道路破损检测方法、系统、装置、存储介质及计算机设备
KR20230166840A (ko) 인공지능을 이용한 객체 이동 경로 확인 방법
Handrich et al. Simultaneous prediction of valence/arousal and emotion categories in real-time
CN115311723A (zh) 活体检测方法、装置及计算机可读存储介质
CN115841735A (zh) 基于人、道路、环境动态耦合的安全驾驶辅助系统
CN115393802A (zh) 一种基于小样本学习的铁路场景不常见入侵目标识别方法

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