CN112573316B - 一种基于计算机视觉的电梯困人检测方法 - Google Patents
一种基于计算机视觉的电梯困人检测方法 Download PDFInfo
- Publication number
- CN112573316B CN112573316B CN202011421436.XA CN202011421436A CN112573316B CN 112573316 B CN112573316 B CN 112573316B CN 202011421436 A CN202011421436 A CN 202011421436A CN 112573316 B CN112573316 B CN 112573316B
- Authority
- CN
- China
- Prior art keywords
- elevator
- neural network
- layer
- time data
- convolutional neural
- 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
- 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
- B66B13/00—Doors, gates, or other apparatus controlling access to, or exit from, cages or lift well landings
-
- 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
Landscapes
- Indicating And Signalling Devices For Elevators (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
本发明公开了一种基于计算机视觉的电梯困人检测方法,包括以下步骤:S1:利用电梯轿厢的摄像头,采集电梯场景视频;S2:判断电梯轿厢的电梯门关闭时长是否超过设定阈值,若是则进入步骤S3,否则返回步骤S1;S3:针对电梯场景视频,搭建卷积神经网络模型;S4:利用卷积神经网络模型识别电梯场景视频中的人数,并将电梯轿厢的人数结果反馈至监控中心。本发明的电梯困人检测方法可及时发现梯困情况,提升电梯安全性和乘客满意度,为乘梯安全提供保证。相对于传统方法,搭建两种模型对分别对电梯轿厢的开关门和梯内人数进行有效识别,能够提供更为准确的电梯信息,对维修人员和监控中心具有更好的参考作用。
Description
技术领域
本发明属于电梯监控技术领域,具体涉及一种基于计算机视觉的电梯困人检测方法。
背景技术
随着社会的发展,人们的工作和生活的节奏在不断加快,作为人们日常生活必须使用的工具-电梯,也在逐步的高速发展。电梯的主要组成部分由以下组成:曳引系统、导向系统、轿厢、门系统、重量平衡系统、电力拖动系统、电气控制系统和安全保护系统。
在平常使用的电梯中,电梯内部都会有呼救报警按钮,如果有乘客被困在电梯内部,可以按动呼叫按钮进行报警,物业及时通过后台监控系统,查看当前电梯内的实时情况,判断是否是正常的呼叫,该呼叫方法存在误报的情况,在我们日常乘坐电梯的过程中,会有小孩或者大人不小心按了呼叫报警按钮,该情况下会加大物业的工作量,同时物业也不会全天24小时都守在监控边,有可能会有其他事情短暂远离监控室。所以以计算机视觉为基础,进行电梯困人检测很有意义。
发明内容
本发明的目的是为了解决目前市场上电梯呼叫报警的不确定因素,呼叫按钮存在被破坏以及呼叫报警响应不及时的问题,提出了一种基于计算机视觉的电梯困人检测方法。
本发明的技术方案是:一种基于计算机视觉的电梯困人检测方法包括以下步骤:
S1:利用电梯轿厢的摄像头,采集电梯场景视频;
S2:判断电梯轿厢的电梯门是否关闭且关闭时长是否超过设定阈值,若是则进入步骤S3,否则返回步骤S1;
S3:针对电梯场景视频,搭建卷积神经网络模型;
S4:利用卷积神经网络模型识别电梯场景视频中的人数,并将电梯轿厢的人数结果反馈至监控中心,完成电梯困人检测。
本发明的有益效果是:本发明的电梯困人检测方法可及时发现梯困情况,降低安全事故的发生率,提升电梯安全性和乘客满意度,为乘梯安全提供保证。相对于传统方法,搭建两种模型对分别对电梯轿厢的开关门和梯内人数进行有效识别,能够提供更为准确的电梯信息,对维修人员和监控中心具有更好的参考作用。同时,基于计算机视觉技术进行电梯困人检测,避免了人工监控的繁重工作量和疲劳问题。
进一步地,步骤S2包括以下子步骤:
S21:读取电梯门左右关闭的时间数据;
S22:针对电梯门左右关闭的时间数据,建立多层感知器神经网络模型,并进行训练;
S23:利用训练好的多层感知器神经网络模型,对电梯门左右关闭的时间数据进行故障识别,得到电梯门关闭时长;
S24:判断电梯轿厢的电梯门关闭时长是否超过设定阈值,若是则进入步骤S3,否则返回步骤S1。
上述进一步方案的有益效果是:在本发明中,利用多层感知器神经网络模型对时间数据进行故障识别,其泛化性能好,可以降低故障识别的误差率,给监控中心更多参考。
进一步地,步骤S22包括以下子步骤:
S221:将电梯门左右关闭的时间数据输入至多层感知器神经网络的输入层,并输出至双隐层;
S222:利用多层感知器神经网络双隐层的激活函数,对电梯门左右关闭的时间数据进行激活处理,并输出至输出层;
S223:对多层感知器神经网络输出层的电梯门左右关闭的时间数据进行加速收敛,完成多层感知器神经网络模型的搭建及训练。
上述进一步方案的有益效果是:在本发明中,构建的多层感知器神经网络模型具有多输入多输出的结构特点,还具有双隐层结构,神经元个数远大于单隐层神经网络,可提高电梯识别的准确率。
进一步地,步骤S221中,电梯门左右关闭的时间数据输入至多层感知器神经网络的输入层,其输入方向依次为门区信号、下次级端站和上次级端站。
上述进一步方案的有益效果是:在本发明中,输入层的门区信号、下次级端站和上次级端站可输出电梯轿厢的驱动故障和时长故障等。
进一步地,步骤S222中,对电梯门左右关闭的时间数据进行激活处理,其正向传播公式为:
所述步骤S223中,多层感知器神经网络输出层的激活函数为Softmax函数;对电梯门左右关闭的时间数据进行加速收敛的公式为:
Y(t+1)=Y(t)+ΔY(t)·β-ΔY(t)·α
其中,Y(t+1)表示多层感知器神经网络在下一训练时刻的输出值,Y(t)表示多层感知器神经网络在t时刻的输出值,ΔY(t)表示多层感知器神经网络在t时刻的权值,β表示多层感知神经网络的学习速率,α表示动量系数。
上述进一步方案的有益效果是:在本发明中,使用Softmax函数作为输出层的激活函数,可以输出更多的信息。
进一步地,步骤S23中,对电梯门左右关闭的时间数据进行故障识别的方法为:将每一个多层感知器神经网络模型输出层的输出值和电梯故障码进行一一对应,得到电梯门关闭时长。
进一步地,步骤S3包括以下子步骤:
S31:采用随机梯度下降法,对卷积神经网络进行预训练;
S32:针对电梯场景视频,对预训练后卷积神经网络的参数进行调整,完成卷积神经网络模型的搭建。
上述进一步方案的有益效果是:在本发明中,搭建卷积神经网络模型的过程,对参数进行调整,可以提高模型的优化效率,提高训练效率和检测识别的准确率。
进一步地,步骤S31中,进行预训练的卷积神经网络包括5个卷积层和2个全连接层,每一层利用整流线性单元作为非线性激活函数,且第5层卷积层和第1层全连接层之间存在一个差值层。
进一步地,步骤S32包括以下子步骤:
S321:将电梯场景视频中每一对视频序列作为卷积神经网络的输入,利用卷积层进行协同卷积,得到特征映射;
S322:根据特征映射,利用卷积神经网络的差值层计算特征差异;
S323:将特征差异依次输入至全连接层和Softmax层,得到特征向量;
S324:根据特征向量调整卷积神经网络的参数,完成卷积神经网络模型的搭建。
上述进一步方案的有益效果是:在本发明中,构建卷积神经网络模型以视频序列提取特征,能保持空间信息,建立精确的模型。
进一步地,步骤S4包括以下子步骤:
S41:利用抽帧检测的方法,获取电梯场景视频中的图像,得到预处理图像;
S42:利用标注工具,标注预处理图像中的人员检测圈;
S43:利用卷积神经网络模型处理人员检测圈中的图像,得到电梯轿厢的人数结果并反馈至监控中心,完成电梯困人检测。
附图说明
图1为电梯困人检测方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示,本发明提供了一种基于计算机视觉的电梯困人检测方法,包括以下步骤:
S1:利用电梯轿厢的摄像头,采集电梯场景视频;
S2:判断电梯轿厢的电梯门是否关闭且关闭时长是否超过设定阈值,若是则进入步骤S3,否则返回步骤S1;
S3:针对电梯场景视频,搭建卷积神经网络模型;
S4:利用卷积神经网络模型识别电梯场景视频中的人数,并将电梯轿厢的人数结果反馈至监控中心,完成电梯困人检测。
在本发明实施例中,如图1所示,步骤S2包括以下子步骤:
S21:读取电梯门左右关闭的时间数据;
S22:针对电梯门左右关闭的时间数据,建立多层感知器神经网络模型,并进行训练;
S23:利用训练好的多层感知器神经网络模型,对电梯门左右关闭的时间数据进行故障识别,得到电梯门关闭时长;
S24:判断电梯轿厢的电梯门关闭时长是否超过设定阈值,若是则进入步骤S3,否则返回步骤S1。
在本发明中,利用多层感知器神经网络模型对时间数据进行故障识别,其泛化性能好,可以降低故障识别的误差率,给监控中心更多参考。
在本发明实施例中,如图1所示,步骤S22包括以下子步骤:
S221:将电梯门左右关闭的时间数据输入至多层感知器神经网络的输入层,并输出至双隐层;
S222:利用多层感知器神经网络双隐层的激活函数,对电梯门左右关闭的时间数据进行激活处理,并输出至输出层;
S223:对多层感知器神经网络输出层的电梯门左右关闭的时间数据进行加速收敛,完成多层感知器神经网络模型的搭建及训练。
在本发明中,构建的多层感知器神经网络模型具有多输入多输出的结构特点,还具有双隐层结构,神经元个数远大于单隐层神经网络,可提高电梯识别的准确率。
在本发明实施例中,如图1所示,步骤S221中,电梯门左右关闭的时间数据输入至多层感知器神经网络的输入层,其输入方向依次为门区信号、下次级端站和上次级端站。
在本发明中,输入层的门区信号、下次级端站和上次级端站可输出电梯轿厢的驱动故障和时长故障等。
在本发明实施例中,如图1所示,步骤S222中,对电梯门左右关闭的时间数据进行激活处理,其正向传播公式为:
所述步骤S223中,多层感知器神经网络输出层的激活函数为Softmax函数;对电梯门左右关闭的时间数据进行加速收敛的公式为:
Y(t+1)=Y(t)+ΔY(t)·β-ΔY(t)·α
其中,Y(t+1)表示多层感知器神经网络在下一训练时刻的输出值,Y(t)表示多层感知器神经网络在t时刻的输出值,ΔY(t)表示多层感知器神经网络在t时刻的权值,β表示多层感知神经网络的学习速率,α表示动量系数。
在本发明中,使用Softmax函数作为输出层的激活函数,可以输出更多的信息。
在本发明实施例中,如图1所示,步骤S23中,对电梯门左右关闭的时间数据进行故障识别的方法为:将每一个多层感知器神经网络模型输出层的输出值和电梯故障码进行一一对应,得到电梯门关闭时长。
进一步地,步骤S3包括以下子步骤:
S31:采用随机梯度下降法,对卷积神经网络进行预训练;
S32:针对电梯场景视频,对预训练后卷积神经网络的参数进行调整,完成卷积神经网络模型的搭建。
在本发明中,搭建卷积神经网络模型的过程,对参数进行调整,可以提高模型的优化效率,提高训练效率和检测识别的准确率。
在本发明实施例中,如图1所示,步骤S31中,进行预训练的卷积神经网络包括5个卷积层和2个全连接层,每一层利用整流线性单元作为非线性激活函数,且第5层卷积层和第1层全连接层之间存在一个差值层。
在本发明实施例中,如图1所示,步骤S32包括以下子步骤:
S321:将电梯场景视频中每一对视频序列作为卷积神经网络的输入,利用卷积层进行协同卷积,得到特征映射;
S322:根据特征映射,利用卷积神经网络的差值层计算特征差异;
S323:将特征差异依次输入至全连接层和Softmax层,得到特征向量;
S324:根据特征向量调整卷积神经网络的参数,完成卷积神经网络模型的搭建。
在本发明中,构建卷积神经网络模型以视频序列提取特征,能保持空间信息,建立精确的模型。
在本发明实施例中,如图1所示,步骤S4包括以下子步骤:
S41:利用抽帧检测的方法,获取电梯场景视频中的图像,得到预处理图像;
S42:利用标注工具,标注预处理图像中的人员检测圈;
S43:利用卷积神经网络模型处理人员检测圈中的图像,得到电梯轿厢的人数结果并反馈至监控中心,完成电梯困人检测。
本发明的工作原理及过程为:首先利用电梯轿厢的摄像头,采集电梯场景视频;再判断电梯轿厢的电梯门关闭时长是否超过设定阈值,若是则针对电梯场景视频,搭建卷积神经网络模型,利用卷积神经网络模型识别电梯场景视频中的人数,并将电梯轿厢的人数结果反馈至监控中心,完成电梯困人检测,否则继续采集电梯场景视频。在整个判断过程中,电梯开关门检测和轿厢内的人数检测是同步进行的。
本发明的有益效果为:本发明的电梯困人检测方法可及时发现梯困情况,降低安全事故的发生率,提升电梯安全性和乘客满意度,为乘梯安全提供保证。相对于传统方法,搭建两种模型对分别对电梯轿厢的开关门和梯内人数进行有效识别,能够提供更为准确的电梯信息,对维修人员和监控中心具有更好的参考作用。同时,基于计算机视觉技术进行电梯困人检测,避免了人工监控的繁重工作量和疲劳问题。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.一种基于计算机视觉的电梯困人检测方法,其特征在于,包括以下步骤:
S1:利用电梯轿厢的摄像头,采集电梯场景视频;
S2:判断电梯轿厢的电梯门是否关闭且关闭时长是否超过设定阈值,若是则进入步骤S3,否则返回步骤S1;
S3:针对电梯场景视频,搭建卷积神经网络模型;
S4:利用卷积神经网络模型识别电梯场景视频中的人数,并将电梯轿厢的人数结果反馈至监控中心,完成电梯困人检测;
所述步骤S2包括以下子步骤:
S21:读取电梯门左右关闭的时间数据;
S22:针对电梯门左右关闭的时间数据,建立多层感知器神经网络模型,并进行训练;
S23:利用训练好的多层感知器神经网络模型,对电梯门左右关闭的时间数据进行故障识别,得到电梯门关闭时长;
S24:判断电梯轿厢的电梯门关闭时长是否超过设定阈值,若是则进入步骤S3,否则返回步骤S1;
所述步骤S22包括以下子步骤:
S221:将电梯门左右关闭的时间数据输入至多层感知器神经网络的输入层,并输出至双隐层;
S222:利用多层感知器神经网络双隐层的激活函数,对电梯门左右关闭的时间数据进行激活处理,并输出至输出层;
S223:对多层感知器神经网络输出层的电梯门左右关闭的时间数据进行加速收敛,完成多层感知器神经网络模型的搭建及训练;
所述步骤S221中,电梯门左右关闭的时间数据输入至多层感知器神经网络的输入层,其输入方向依次为门区信号、下次级端站和上次级端站;
所述步骤S222中,对电梯门左右关闭的时间数据进行激活处理,其正向传播公式为:
所述步骤S223中,多层感知器神经网络输出层的激活函数为Softmax函数;对电梯门左右关闭的时间数据进行加速收敛的公式为:
Y(t+1)=Y(t)+ΔY(t)·β-ΔY(t)·α
其中,Y(t+1)表示多层感知器神经网络在下一训练时刻的输出值,Y(t)表示多层感知器神经网络在t时刻的输出值,ΔY(t)表示多层感知器神经网络在t时刻的权值,β表示多层感知神经网络的学习速率,α表示动量系数;
所述步骤S23中,对电梯门左右关闭的时间数据进行故障识别的方法为:将每一个多层感知器神经网络模型输出层的输出值和电梯故障码进行一一对应,得到电梯门关闭时长。
2.根据权利要求1所述的基于计算机视觉的电梯困人检测方法,其特征在于,所述步骤S3包括以下子步骤:
S31:采用随机梯度下降法,对卷积神经网络进行预训练;
S32:针对电梯场景视频,对预训练后卷积神经网络的参数进行调整,完成卷积神经网络模型的搭建。
3.根据权利要求2所述的基于计算机视觉的电梯困人检测方法,其特征在于,所述步骤S31中,进行预训练的卷积神经网络包括5个卷积层和2个全连接层,每一层利用整流线性单元作为非线性激活函数,且第5层卷积层和第1层全连接层之间存在一个差值层。
4.根据权利要求2所述的基于计算机视觉的电梯困人检测方法,其特征在于,所述步骤S32包括以下子步骤:
S321:将电梯场景视频中每一对视频序列作为卷积神经网络的输入,利用卷积层进行协同卷积,得到特征映射;
S322:根据特征映射,利用卷积神经网络的差值层计算特征差异;
S323:将特征差异依次输入至全连接层和Softmax层,得到特征向量;
S324:根据特征向量调整卷积神经网络的参数,完成卷积神经网络模型的搭建。
5.根据权利要求1所述的基于计算机视觉的电梯困人检测方法,其特征在于,所述步骤S4包括以下子步骤:
S41:利用抽帧检测的方法,获取电梯场景视频中的图像,得到预处理图像;
S42:利用标注工具,标注预处理图像中的人员检测圈;
S43:利用卷积神经网络模型处理人员检测圈中的图像,得到电梯轿厢的人数结果并反馈至监控中心,完成电梯困人检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011421436.XA CN112573316B (zh) | 2020-12-08 | 2020-12-08 | 一种基于计算机视觉的电梯困人检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011421436.XA CN112573316B (zh) | 2020-12-08 | 2020-12-08 | 一种基于计算机视觉的电梯困人检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112573316A CN112573316A (zh) | 2021-03-30 |
CN112573316B true CN112573316B (zh) | 2022-08-02 |
Family
ID=75128026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011421436.XA Active CN112573316B (zh) | 2020-12-08 | 2020-12-08 | 一种基于计算机视觉的电梯困人检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112573316B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158888A (zh) * | 2021-04-19 | 2021-07-23 | 广州咔隆安防科技有限公司 | 一种电梯异常视频识别方法 |
CN115724312A (zh) * | 2022-05-31 | 2023-03-03 | 海纳云物联科技有限公司 | 一种电梯轿厢困人检测方法及装置 |
CN116362386B (zh) * | 2023-03-15 | 2023-11-17 | 北京科技大学 | 基于地震情景下城市电梯内受困人数预测方法及系统 |
CN117671604B (zh) * | 2024-02-01 | 2024-04-26 | 通用电梯股份有限公司 | 一种电梯轿厢内人数统计方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105775946B (zh) * | 2016-05-25 | 2018-03-27 | 日立楼宇技术(广州)有限公司 | 一种电梯控制系统及方法 |
CN106241533B (zh) * | 2016-06-28 | 2018-10-30 | 西安特种设备检验检测院 | 基于机器视觉的电梯乘员综合安全智能监控方法 |
CN106586738B (zh) * | 2017-01-24 | 2019-05-28 | 沈阳建筑大学 | 一种基于视觉检测的多轿厢电梯调度方法 |
CN106672770A (zh) * | 2017-03-07 | 2017-05-17 | 冯晓梅 | 电梯安全门 |
JP6730216B2 (ja) * | 2017-03-23 | 2020-07-29 | 株式会社日立製作所 | エレベータ管理システム、及び、エレベータの管理方法 |
CN107609597B (zh) * | 2017-09-26 | 2020-10-13 | 嘉世达电梯有限公司 | 一种电梯轿厢人数检测系统及其检测方法 |
CN107886168B (zh) * | 2017-11-07 | 2018-11-09 | 歌拉瑞电梯股份有限公司 | 一种使用多层感知器神经网络进行电梯故障识别的方法 |
CN108298393A (zh) * | 2017-12-20 | 2018-07-20 | 浙江新再灵科技股份有限公司 | 基于深度网络过滤电梯困人误报的方法 |
CN108178037A (zh) * | 2017-12-30 | 2018-06-19 | 武汉大学 | 一种基于卷积神经网络的电梯故障识别方法 |
CN108147246B (zh) * | 2018-01-29 | 2020-01-10 | 南京博纳睿通软件科技有限公司 | 电梯安全监控方法、装置、系统和介质 |
CN110002303A (zh) * | 2018-08-09 | 2019-07-12 | 浙江新再灵科技股份有限公司 | 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 |
CN109867186B (zh) * | 2019-03-18 | 2020-11-10 | 浙江新再灵科技股份有限公司 | 一种基于智能视频分析技术的电梯困人检测方法及系统 |
CN110040592B (zh) * | 2019-04-15 | 2020-11-20 | 福建省星云大数据应用服务有限公司 | 基于双路监控视频分析的电梯轿厢载客数检测方法及系统 |
CN110790101A (zh) * | 2019-10-12 | 2020-02-14 | 虏克电梯有限公司 | 基于大数据分析的电梯困人误报识别方法 |
CN111807183A (zh) * | 2020-07-20 | 2020-10-23 | 北京电通慧梯物联网科技有限公司 | 基于深度学习的电梯门状态智能检测方法 |
-
2020
- 2020-12-08 CN CN202011421436.XA patent/CN112573316B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112573316A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112573316B (zh) | 一种基于计算机视觉的电梯困人检测方法 | |
CN109359536B (zh) | 基于机器视觉的乘客行为监控方法 | |
CN112330713B (zh) | 基于唇语识别的重度听障患者言语理解度的改进方法 | |
CN110717389B (zh) | 基于生成对抗和长短期记忆网络的驾驶员疲劳检测方法 | |
CN112287816A (zh) | 一种基于深度学习的危险工作区事故自动检测报警方法 | |
CN101105097A (zh) | 站台屏蔽门智能控制方法 | |
CN111046583A (zh) | 基于DTW算法和ResNet网络的转辙机故障诊断方法 | |
CN113158983A (zh) | 一种基于红外视频序列图像的机场场面活动行为识别方法 | |
CN101980314B (zh) | 公交专座智能提示装置与方法 | |
CN111860390A (zh) | 一种电梯候梯人数检测统计方法、装置、设备及介质 | |
CN111680613A (zh) | 一种实时检测手扶电梯乘客摔倒行为的方法 | |
Alshbatat et al. | Automated vision-based surveillance system to detect drowning incidents in swimming pools | |
CN110002314A (zh) | 一种基于深度学习的电梯乘客被困人数检测系统 | |
CN107784290A (zh) | 一种停车位占用图像智能识别的方法 | |
CN107416630A (zh) | 电梯非正常关闭的检测方法和系统 | |
CN111950458A (zh) | 一种游泳馆监控系统、方法及智能机器人 | |
CN110633689B (zh) | 基于半监督注意力网络的人脸识别模型 | |
CN112357707A (zh) | 一种电梯检测方法、装置、机器人及存储介质 | |
CN115937830A (zh) | 一种面向特种车辆的驾驶员疲劳检测方法 | |
CN113989933B (zh) | 一种在线行为识别模型训练、检测方法及系统 | |
CN113688761A (zh) | 一种基于图像序列的行人行为类别检测方法 | |
Amit et al. | Recognition of real-time hand gestures using mediapipe holistic model and LSTM with MLP architecture | |
CN109583397A (zh) | 一种电梯检验考试人工智能评判系统的实现方法 | |
CN113095201A (zh) | 基于人脸不同区域间自注意力和不确定性加权多任务学习的au程度估计模型建立方法 | |
CN116443682A (zh) | 一种智能电梯控制系统 |
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 |