CN111703990B - 基于大数据与人脸识别的电梯智能停靠实现方法及系统 - Google Patents
基于大数据与人脸识别的电梯智能停靠实现方法及系统 Download PDFInfo
- Publication number
- CN111703990B CN111703990B CN202010626759.6A CN202010626759A CN111703990B CN 111703990 B CN111703990 B CN 111703990B CN 202010626759 A CN202010626759 A CN 202010626759A CN 111703990 B CN111703990 B CN 111703990B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- elevator
- optimal
- database
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/24—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration
- B66B1/28—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration electrical
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/34—Details, e.g. call counting devices, data transmission from car to control system, devices giving information to the control system
- B66B1/3415—Control system configuration and the data transmission or communication within the control system
- B66B1/3446—Data transmission or communication within the control system
- B66B1/3461—Data transmission or communication within the control system between the elevator control system and remote or mobile stations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B2201/00—Aspects of control systems of elevators
- B66B2201/40—Details of the change of control mode
- B66B2201/46—Switches or switchgear
- B66B2201/4607—Call registering systems
- B66B2201/4638—Wherein the call is registered without making physical contact with the elevator system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B2201/00—Aspects of control systems of elevators
- B66B2201/40—Details of the change of control mode
- B66B2201/46—Switches or switchgear
- B66B2201/4607—Call registering systems
- B66B2201/4676—Call registering systems for checking authorization of the passengers
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Elevator Control (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
本发明公开了一种基于大数据与人脸识别的电梯智能停靠实现方法及系统,属于电梯控制领域,本发明要解决的技术问题为如何能够缩短用户等待电梯的时间,提高电梯的使用效率和使用安全,技术方案为:该方法具体如下:S1、数据收集;S2、获取最优用户数据;S3、获取最优梯层结果方案;S4、创建及融合OPS系统;S5、数据匹配:通过摄像头捕获用户请求,OPS系统拦截用户请求,通过人工智能人脸识别算法获取用户图片,并从优选停靠数据库中进行匹配;S6、触发用户请求:触发OPS系统,得到用户最优停靠结果,并与电梯控制系统进行数据交换,实现电梯智能停靠功能,同时继续收集用户图像数据,继续向优选停靠数据库中输入分析数据完善优选停靠数据库的可靠性。
Description
技术领域
本发明涉及电梯控制领域,具体地说是一种基于大数据与人脸识别的电梯智能停靠实现方法及系统。
背景技术
互联网时代,科技的进步带动着社会的进步,计算机技术的不断发展与创新,也使互联网与传统产业结合研发出更具智能化的产品应用到人们的日常生活中。随着电梯技术的广泛应用,人们对智能化、舒适化、安全化的电梯需求度也在逐渐提高,不仅能给人们的生活带来更多的方便。
传统电梯通常电梯的控制方式为在对应位置设置对应楼层的控制按键,用户根据自己的目的楼层自主选择楼层按键,电梯控制系统根据控制按键所输出的触发信号,控制牵引系统驱动轿厢按用户所期望的路径行进至目的楼层或完成期望的动作,比如通过固设在轿厢内壁上的楼层选择按键选择期望前往的楼层,这样针对用户发起电梯乘坐请求,因等待不急离开的情况,浪费了电梯资源的利用率。
故如何能够缩短用户等待电梯的时间,进而提高电梯的使用效率和使用安全是目前亟待解决的问题。
发明内容
本发明的技术任务是提供一种基于大数据与人脸识别的电梯智能停靠实现方法及系统,来解决如何能够缩短用户等待电梯的时间,进而提高电梯的使用效率和使用安全的问题。
本发明的技术任务是按以下方式实现的,基于大数据与人脸识别的电梯智能停靠实现方法,该方法具体如下:
S1、数据收集:通过人脸识别方法捕获用户图片实例对用户数据进行检测收集;
S2、获取最优用户数据:将收集到用户数据进行预处理,得到最优用户数据;
S3、获取最优梯层结果方案:将步骤S2得到最优用户数据采用人脸识别方法中的监督式学习方法建立学习模型,并采用人工智能决策树将用户数据与梯层数据分析计算写入优选停靠数据库,再将优选停靠数据库中的标准数据导入学习模型中进行深度学习,通过不断的调整预测模型得到最优梯层结果方案;
S4、创建及融合OPS系统:将步骤S3得到最优梯层结果方案传递到OPS系统,OPS系统将指令传递到电梯控制系统,并将OPS系统与电梯控制系统相融合;
S5、数据匹配:通过摄像头捕获用户请求,OPS系统拦截用户请求,通过人工智能人脸识别算法获取用户图片,并从优选停靠数据库中进行匹配;
S6、触发用户请求:触发OPS系统,得到用户最优停靠结果,并与电梯控制系统进行数据交换,实现电梯智能停靠功能,同时继续收集用户图像数据,继续向优选停靠数据库中输入分析数据完善优选停靠数据库的可靠性。
作为优选,所述步骤S1中数据收集是通过设置在电梯内和电梯外的高清摄像头收集用户图像数据形成用户梯度优选停靠数据库;其中,用户图像数据包括用户数据信息及楼层停靠数据信息。
作为优选,所述步骤S2中的数据预处理是将大数据进行清洗、去脏、去重后保留有价值的数据,将用户图片数据及楼层梯度优选数据存入优选停靠数据库中,方便数据的分析处理。
作为优选,所述步骤S3中通过不断的调整预测模型得到最优梯层结果方案具体是指把摄像头触发采集到的用户数据及获得的结果与实际情况进行比对分析,根据结果调整机器学习模型继续进行机器学习,最终得到准确的鉴别结果,从而得到智能停靠的最优方案。
更优地,所述OPS系统包括,
信息获取模块,用于获取用户图像信息,采用逻辑处理分级别、分层次及相似度把用户图像特征处理存储到优选停靠数据库中;
楼层监控模块,用于楼层用户监控,通过电梯外摄像头获取用户信息,使电梯控制系统获取电梯停靠楼层,优化停靠楼层;
指令传送模块,用于与电梯控制系统进行智能交换,具体是指OPS系统计算出用户所需停靠楼层,再将指令传达到电梯控制系统,电梯控制系统根据OPS系统的指令重新规划电梯停靠楼层。
更优地,所述优选停靠数据库用户存储用户图像特征信息、用户图像加密字段信息及停靠楼层信息。
一种基于大数据与人脸识别的电梯智能停靠系统,该系统包括,
数据收集模块,用于通过人脸识别方法捕获用户图片实例对用户数据进行检测收集;数据收集模块是通过设置在电梯内和电梯外的高清摄像头收集用户图像数据形成用户梯度优选停靠数据库;其中,用户图像数据包括用户数据信息及楼层停靠数据信息;
最优用户数据获取模块,用于将收集到用户数据进行预处理,得到最优用户数据;其中,数据预处理是将大数据进行清洗、去脏、去重后保留有价值的数据,将用户图片数据及楼层梯度优选数据存入优选停靠数据库中,方便数据的分析处理;
最优梯层结果方案获取模块,用于将由最优用户数据获取模块得到最优用户数据采用人脸识别方法中的监督式学习方法建立学习模型,并采用人工智能决策树将用户数据与梯层数据分析计算写入优选停靠数据库,再将优选停靠数据库中的标准数据导入学习模型中进行深度学习,把摄像头触发采集到的用户数据及获得的结果与实际情况进行比对分析,根据结果调整机器学习模型继续进行机器学习,最终得到准确的鉴别结果,从而得到智能停靠的最优结果方案;
OPS系统创建及融合模块,用于将由最优梯层结果方案获取模块得到最优梯层结果方案传递到OPS系统,OPS系统将指令传递到电梯控制系统,并将OPS系统与电梯控制系统相融合;
数据匹配模块,用于通过摄像头捕获用户请求,OPS系统拦截用户请求,通过人工智能人脸识别算法获取用户图片,并从优选停靠数据库中进行匹配;
用户请求触发模块,用于触发OPS系统,得到用户最优停靠结果,并与电梯控制系统进行数据交换,实现电梯智能停靠功能,同时继续收集用户图像数据,继续向优选停靠数据库中输入分析数据完善优选停靠数据库的可靠性。
作为优选,所述OPS系统包括,
信息获取模块,用于获取用户图像信息,采用逻辑处理分级别、分层次及相似度把用户图像特征处理存储到优选停靠数据库中;
楼层监控模块,用于楼层用户监控,通过电梯外摄像头获取用户信息,使电梯控制系统获取电梯停靠楼层,优化停靠楼层;
指令传送模块,用于与电梯控制系统进行智能交换,具体是指OPS系统计算出用户所需停靠楼层,再将指令传达到电梯控制系统,电梯控制系统根据OPS系统的指令重新规划电梯停靠楼层。
一种电子设备,包括:存储器和至少一个处理器;
其中,所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上述的基于大数据与人脸识别的电梯智能停靠实现方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行时,实现如上述的基于大数据与人脸识别的电梯智能停靠实现方法。
本发明的基于大数据与人脸识别的电梯智能停靠实现方法及系统具有以下优点:
(一)为防止电梯停靠浪费用户时间和电梯资源,减少用户等待时间,本发明有针对性的采用基于人脸识别技术结合人工智能算法,与用户停靠优选停靠数据库相结合,然后与电梯运行数据相结合,通过人工智能的方法,计算出电梯停靠的最优时机,来优化电梯利用率,减少电梯资源浪费,减少用户等待时间,提高用户使用电梯的舒适型;
(二)本发明可以通过人脸识别梯度优选停靠数据库,捕获获取用户图像分析用户行为,同时结合电梯运行控制系统从而对用户行为出发最优停靠结果方案,针对不同情况,人工智能算法计算出用户行为导向(按键+人脸识别相结合),向电梯控制系统发出控制指令,做出最优停靠结果方案,对不同优选级别的用户采用不同梯度的处理方式(停靠优选方案),提高电梯的使用效率,减少用户等待电梯的时间,保障用户利益;
(三)当今社会是一个快节奏,高效率的社会,减少浪费用户时间,就是对用户利益的保证,焦急等待电梯,电梯停了确无人进入现象在无时不在发生,一分钟,乃至一秒钟,往往会给用户带来巨大的损失,随着人工智能和大数据技术的发展,互联网技术+传统机械相结合的产品,越来越受到用户青睐,本发明旨在节约用户时间,提高用户舒适度,让互联网带给人们带来更好的安全智能停靠的用户体验,保障用户的利益;
(四)本发明的OPS系统将指令传递到电梯控制系统,致使智能停靠完成生命周期,实现针对用户行为智能停靠,然后进行智能化的停靠处理,以来节省用户等待时间,提高用户体验的目标,致使保护用户权益及效益。
(五)本发明运用大数据在数据处理方面的普遍的方法,将人脸识别获取的用户原始数据进行初步的清洗、分析,生成用户停靠优选停靠数据库并标准化,然后与电梯运行数据相结合,通过人工智能决策树的方法,计算出用户请求楼层及最优到达结果,用户在等待电梯时,梯外高清摄像头捕获用户图像,采用人脸识别的“监督式学习”方式将获取用户信息与优选库对比导入模型进行机器学习,在学习过程中将预测结果与“训练数据”的实际结果进行比较,不断的调整预测模型,直到模型的预测结果达到一个预期的准确率;同时根据用户停靠级别结果,自动触发停靠请求,基于大数据与人脸识别实现电梯的智能停靠,提高电梯的使用效率和安全性的同时缩短用户等待电梯的时间。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于大数据与人脸识别的电梯智能停靠实现方法的框图示意图;
附图2为步骤S3中获取最优梯层结果方案的框图示意图。
具体实施方式
参照说明书附图和具体实施例对本发明的基于大数据与人脸识别的电梯智能停靠实现方法及系统作以下详细地说明。
实施例1:
如附图1所示,本发明的基于大数据与人脸识别的电梯智能停靠实现方法,该方法是通过摄像头(电梯内+电梯外)收集各种用户在乘坐电梯及等待电梯时的图像数据,电梯运行停靠数据,采用人工智能图像识别、机器学习方法,对采集生成的用户图像数据,及电梯停靠数据进行初步的加工清洗并将数据标准化,再入库保存,获得足够大的数据集合,利用最流行的人脸识别算法进行信息的处理,通过强化学习分析用户数据,形成梯度用户优选停靠数据库,结合电梯运行数据,采用人工智能人脸识别技术,获取电梯外等待的用户,结果优选停靠数据库进行用户行为契合预触发,触发之后按照停靠优选级别+电梯运行数据,智能分析处理后,进行结果停靠;具体如下:
S1、数据收集:通过人脸识别方法捕获用户图片实例对用户数据进行检测收集;数据收集是通过设置在电梯内和电梯外的高清摄像头收集用户图像数据形成用户梯度优选停靠数据库;其中,用户图像数据包括用户数据信息及楼层停靠数据信息。
S2、获取最优用户数据:将收集到用户数据进行预处理,得到最优用户数据;数据预处理是将大数据进行清洗、去脏、去重后保留有价值的数据,将用户图片数据及楼层梯度优选数据存入优选停靠数据库中,方便数据的分析处理。
S3、获取最优梯层结果方案:如附图2所示,将步骤S2得到最优用户数据采用人脸识别方法中的监督式学习方法建立学习模型,并采用人工智能决策树将用户数据与梯层数据分析计算写入优选停靠数据库,再将优选停靠数据库中的标准数据导入学习模型中进行深度学习,通过不断的调整预测模型得到最优梯层结果方案;具体是指把摄像头触发采集到的用户数据及获得的结果与实际情况进行比对分析,根据结果调整机器学习模型继续进行机器学习,最终得到准确的鉴别结果,从而得到智能停靠的最优方案。其中,建立学习模型是采用常规决策树方法建立一个模型,来分析比对用户相似度和楼层使用率的分析,如果得到的结果不是预期值,再去调整直到达成预期目标。
例如:设定用户相似度达到90%,楼层使用率到达80%等,有的时候拍的照片可能相似度不到30%,因为用户和梯层的关系可能是一对多的关系,有的楼层可能去过一两次,根据用户相似度,和楼层使用率,还需要对用户多个梯层关系进行比对鉴别,获取用户到达楼层最大概率值。
S4、创建及融合OPS系统:将步骤S3得到最优梯层结果方案传递到OPS系统,OPS系统将指令传递到电梯控制系统,并将OPS系统与电梯控制系统相融合;
S5、数据匹配:通过摄像头捕获用户请求,OPS系统拦截用户请求,通过人工智能人脸识别算法获取用户图片,并从优选停靠数据库中进行匹配;
S6、触发用户请求:触发OPS系统,得到用户最优停靠结果,并与电梯控制系统进行数据交换,实现电梯智能停靠功能,同时继续收集用户图像数据,继续向优选停靠数据库中输入分析数据完善优选停靠数据库的可靠性。
其中,OPS系统包括,
信息获取模块,用于获取用户图像信息,采用逻辑处理分级别、分层次及相似度把用户图像特征处理存储到优选停靠数据库中;优选停靠数据库用户存储用户图像特征信息、用户图像加密字段信息及停靠楼层信息。
楼层监控模块,用于楼层用户监控,通过电梯外摄像头获取用户信息,使电梯控制系统获取电梯停靠楼层,优化停靠楼层;
指令传送模块,用于与电梯控制系统进行智能交换,具体是指OPS系统计算出用户所需停靠楼层,再将指令传达到电梯控制系统,电梯控制系统根据OPS系统的指令重新规划电梯停靠楼层。
例如:电梯将要在8楼停靠,但是8楼梯外摄像头获取到8楼无人待梯,OPS系统传递给电梯控制系统指令8楼无需停靠,电梯便不在8楼停靠,减少其他楼层用户的等待时间,提高电梯的使用率。
实施例2:
本发明的基于大数据与人脸识别的电梯智能停靠系统,该系统包括,
数据收集模块,用于通过人脸识别方法捕获用户图片实例对用户数据进行检测收集;数据收集模块是通过设置在电梯内和电梯外的高清摄像头收集用户图像数据形成用户梯度优选停靠数据库;其中,用户图像数据包括用户数据信息及楼层停靠数据信息;
最优用户数据获取模块,用于将收集到用户数据进行预处理,得到最优用户数据;其中,数据预处理是将大数据进行清洗、去脏、去重后保留有价值的数据,将用户图片数据及楼层梯度优选数据存入优选停靠数据库中,方便数据的分析处理;
最优梯层结果方案获取模块,用于将由最优用户数据获取模块得到最优用户数据采用人脸识别方法中的监督式学习方法建立学习模型,并采用人工智能决策树将用户数据与梯层数据分析计算写入优选停靠数据库,再将优选停靠数据库中的标准数据导入学习模型中进行深度学习,把摄像头触发采集到的用户数据及获得的结果与实际情况进行比对分析,根据结果调整机器学习模型继续进行机器学习,最终得到准确的鉴别结果,从而得到智能停靠的最优结果方案;
OPS系统创建及融合模块,用于将由最优梯层结果方案获取模块得到最优梯层结果方案传递到OPS系统,OPS系统将指令传递到电梯控制系统,并将OPS系统与电梯控制系统相融合;
数据匹配模块,用于通过摄像头捕获用户请求,OPS系统拦截用户请求,通过人工智能人脸识别算法获取用户图片,并从优选停靠数据库中进行匹配;
用户请求触发模块,用于触发OPS系统,得到用户最优停靠结果,并与电梯控制系统进行数据交换,实现电梯智能停靠功能,同时继续收集用户图像数据,继续向优选停靠数据库中输入分析数据完善优选停靠数据库的可靠性。
其中,OPS系统包括,
信息获取模块,用于获取用户图像信息,采用逻辑处理分级别、分层次及相似度把用户图像特征处理存储到优选停靠数据库中;
楼层监控模块,用于楼层用户监控,通过电梯外摄像头获取用户信息,使电梯控制系统获取电梯停靠楼层,优化停靠楼层;
指令传送模块,用于与电梯控制系统进行智能交换,具体是指OPS系统计算出用户所需停靠楼层,再将指令传达到电梯控制系统,电梯控制系统根据OPS系统的指令重新规划电梯停靠楼层。
实施例3:
本发明实施例还提供了一种电子设备,包括:存储器和一个处理器;
其中,所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如实施例1中的基于大数据与人脸识别的电梯智能停靠实现方法。
实施例6:
本发明实施例还提供了一种计算机可读存储介质,其中存储有多条指令,指令由处理器加载,使处理器执行本发明任一实施例中的基于大数据与人脸识别的电梯智能停靠实现方法。具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-R基于大数据与人脸识别的电梯智能停靠实现方法及系统M、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.基于大数据与人脸识别的电梯智能停靠实现方法,其特征在于,该方法具体如下:
S1、数据收集:通过人脸识别方法捕获用户图片实例对用户数据进行检测收集;
S2、获取最优用户数据:将收集到用户数据进行预处理,得到最优用户数据;
S3、获取最优梯层结果方案:将步骤S2得到最优用户数据采用人脸识别方法中的监督式学习方法建立学习模型,并采用人工智能决策树将用户数据与梯层数据分析计算写入优选停靠数据库,再将优选停靠数据库中的标准数据导入学习模型中进行深度学习,通过不断的调整预测模型得到最优梯层结果方案;
S4、创建及融合OPS系统:将步骤S3得到最优梯层结果方案传递到OPS系统,OPS系统将指令传递到电梯控制系统,并将OPS系统与电梯控制系统相融合;
S5、数据匹配:通过摄像头捕获用户请求,OPS系统拦截用户请求,通过人工智能人脸识别算法获取用户图片,并从优选停靠数据库中进行匹配;
S6、触发用户请求:触发OPS系统,得到用户最优停靠结果,并与电梯控制系统进行数据交换,实现电梯智能停靠功能,同时继续收集用户图像数据,继续向优选停靠数据库中输入分析数据完善优选停靠数据库的可靠性;
其中,OPS系统包括,
信息获取模块,用于获取用户图像信息,采用逻辑处理分级别、分层次及相似度把用户图像特征处理存储到优选停靠数据库中;
楼层监控模块,用于楼层用户监控,通过电梯外摄像头获取用户信息,使电梯控制系统获取电梯停靠楼层,优化停靠楼层;
指令传送模块,用于与电梯控制系统进行智能交换,具体是指OPS系统计算出用户所需停靠楼层,再将指令传达到电梯控制系统,电梯控制系统根据OPS系统的指令重新规划电梯停靠楼层。
2.根据权利要求1所述的基于大数据与人脸识别的电梯智能停靠实现方法,其特征在于,所述步骤S1中数据收集是通过设置在电梯内和电梯外的高清摄像头收集用户图像数据形成用户梯度优选停靠数据库;其中,用户图像数据包括用户数据信息及楼层停靠数据信息。
3.根据权利要求1所述的基于大数据与人脸识别的电梯智能停靠实现方法,其特征在于,所述步骤S2中的数据预处理是将大数据进行清洗、去脏、去重后保留有价值的数据,将用户图片数据及楼层梯度优选数据存入优选停靠数据库中,方便数据的分析处理。
4.根据权利要求1所述的基于大数据与人脸识别的电梯智能停靠实现方法,其特征在于,所述步骤S3中通过不断的调整预测模型得到最优梯层结果方案具体是指把摄像头触发采集到的用户数据及获得的结果与实际情况进行比对分析,根据结果调整机器学习模型继续进行机器学习,最终得到准确的鉴别结果,从而得到智能停靠的最优方案。
5.根据权利要求1所述的基于大数据与人脸识别的电梯智能停靠实现方法,其特征在于,所述优选停靠数据库用于存储用户图像特征信息、用户图像加密字段信息及停靠楼层信息。
6.一种基于大数据与人脸识别的电梯智能停靠系统,其特征在于,该系统包括,
数据收集模块,用于通过人脸识别方法捕获用户图片实例对用户数据进行检测收集;数据收集模块是通过设置在电梯内和电梯外的高清摄像头收集用户图像数据形成用户梯度优选停靠数据库;其中,用户图像数据包括用户数据信息及楼层停靠数据信息;
最优用户数据获取模块,用于将收集到用户数据进行预处理,得到最优用户数据;其中,数据预处理是将大数据进行清洗、去脏、去重后保留有价值的数据,将用户图片数据及楼层梯度优选数据存入优选停靠数据库中,方便数据的分析处理;
最优梯层结果方案获取模块,用于将由最优用户数据获取模块得到最优用户数据采用人脸识别方法中的监督式学习方法建立学习模型,并采用人工智能决策树将用户数据与梯层数据分析计算写入优选停靠数据库,再将优选停靠数据库中的标准数据导入学习模型中进行深度学习,把摄像头触发采集到的用户数据及获得的结果与实际情况进行比对分析,根据结果调整机器学习模型继续进行机器学习,最终得到准确的鉴别结果,从而得到智能停靠的最优结果方案;
OPS系统创建及融合模块,用于将由最优梯层结果方案获取模块得到最优梯层结果方案传递到OPS系统,OPS系统将指令传递到电梯控制系统,并将OPS系统与电梯控制系统相融合;
数据匹配模块,用于通过摄像头捕获用户请求,OPS系统拦截用户请求,通过人工智能人脸识别算法获取用户图片,并从优选停靠数据库中进行匹配;
用户请求触发模块,用于触发OPS系统,得到用户最优停靠结果,并与电梯控制系统进行数据交换,实现电梯智能停靠功能,同时继续收集用户图像数据,继续向优选停靠数据库中输入分析数据完善优选停靠数据库的可靠性;
其中,OPS系统包括,
信息获取模块,用于获取用户图像信息,采用逻辑处理分级别、分层次及相似度把用户图像特征处理存储到优选停靠数据库中;
楼层监控模块,用于楼层用户监控,通过电梯外摄像头获取用户信息,使电梯控制系统获取电梯停靠楼层,优化停靠楼层;
指令传送模块,用于与电梯控制系统进行智能交换,具体是指OPS系统计算出用户所需停靠楼层,再将指令传达到电梯控制系统,电梯控制系统根据OPS系统的指令重新规划电梯停靠楼层。
7.一种电子设备,其特征在于,包括:存储器和至少一个处理器;
其中,所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至5任一项所述的基于大数据与人脸识别的电梯智能停靠实现方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行时,实现如权利要求1至5中所述的基于大数据与人脸识别的电梯智能停靠实现方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010626759.6A CN111703990B (zh) | 2020-07-02 | 2020-07-02 | 基于大数据与人脸识别的电梯智能停靠实现方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010626759.6A CN111703990B (zh) | 2020-07-02 | 2020-07-02 | 基于大数据与人脸识别的电梯智能停靠实现方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111703990A CN111703990A (zh) | 2020-09-25 |
CN111703990B true CN111703990B (zh) | 2021-12-03 |
Family
ID=72545669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010626759.6A Active CN111703990B (zh) | 2020-07-02 | 2020-07-02 | 基于大数据与人脸识别的电梯智能停靠实现方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111703990B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112456257B (zh) * | 2020-11-24 | 2021-09-10 | 海南大学 | 面向数据、信息权利可价值交换的智能运载装置调度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101200252A (zh) * | 2007-12-10 | 2008-06-18 | 中国科学院计算技术研究所 | 一种目标场所优化调度方法及系统 |
CN108217352A (zh) * | 2018-01-19 | 2018-06-29 | 深圳禾思众成科技有限公司 | 一种智能电梯调度系统 |
CN109359536A (zh) * | 2018-09-14 | 2019-02-19 | 华南理工大学 | 基于机器视觉的乘客行为监控方法 |
CN110654946A (zh) * | 2019-08-20 | 2020-01-07 | 重庆特斯联智慧科技股份有限公司 | 一种基于人工智能的社区电梯调度方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10118796B2 (en) * | 2017-03-03 | 2018-11-06 | Mitsubishi Electric Research Laboratories, Inc. | System and method for group elevator scheduling based on submodular optimization |
-
2020
- 2020-07-02 CN CN202010626759.6A patent/CN111703990B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101200252A (zh) * | 2007-12-10 | 2008-06-18 | 中国科学院计算技术研究所 | 一种目标场所优化调度方法及系统 |
CN108217352A (zh) * | 2018-01-19 | 2018-06-29 | 深圳禾思众成科技有限公司 | 一种智能电梯调度系统 |
CN109359536A (zh) * | 2018-09-14 | 2019-02-19 | 华南理工大学 | 基于机器视觉的乘客行为监控方法 |
CN110654946A (zh) * | 2019-08-20 | 2020-01-07 | 重庆特斯联智慧科技股份有限公司 | 一种基于人工智能的社区电梯调度方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111703990A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751022B (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
CN105051754A (zh) | 用于通过监控系统检测人的方法和装置 | |
WO2018176195A1 (zh) | 一种室内场景的分类方法及装置 | |
CN110751675B (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
WO2022141858A1 (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN111770317B (zh) | 用于智慧社区的视频监控方法、装置、设备及介质 | |
US20220189001A1 (en) | Rail feature identification system | |
CN111643014A (zh) | 智能清洁方法、装置、智能清洁设备和存储介质 | |
CN111950660A (zh) | 一种人工智能训练平台的告警预测方法及装置 | |
WO2021017286A1 (zh) | 人脸识别方法、装置、电子设备及计算机非易失性可读存储介质 | |
CN111703990B (zh) | 基于大数据与人脸识别的电梯智能停靠实现方法及系统 | |
CN112308492A (zh) | 基于深度学习与知识图谱融合的仓库管理方法及系统 | |
CN113591512A (zh) | 用于毛发识别的方法及装置、设备 | |
CN108289201A (zh) | 视频数据处理方法、装置和电子设备 | |
CN113409056B (zh) | 支付方法、装置、本地识别设备、人脸支付系统及设备 | |
WO2018185574A1 (en) | Apparatus and method for documents and/or personal identities recognition and validation | |
CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
KR20050087676A (ko) | 무인주차장 관리 시스템 및 방법 | |
CN116959099A (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
KR20230102273A (ko) | 학습 영상 처리 시스템, 이를 이용한 학습 영상 자동 샘플링 방법 및 레이블링 방법 | |
Roberts et al. | Vision-based construction activity analysis in long video sequences via hidden Markov models: Experiments on earthmoving operations | |
CN116098536A (zh) | 一种机器人控制方法及装置 | |
CN109033964A (zh) | 一种判断车辆到离港事件的方法、系统及设备 | |
CN114581978A (zh) | 人脸识别的方法和系统 | |
CN113592902A (zh) | 目标跟踪方法、装置、计算机设备和存储介质 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Saisai Inventor after: Guo Jing Inventor after: Zhang Fan Inventor after: Xu Hongwei Inventor before: Li Saisai Inventor before: Guo Jing |