CN112819782A - 一种自学习的轿厢视觉分析方法 - Google Patents
一种自学习的轿厢视觉分析方法 Download PDFInfo
- Publication number
- CN112819782A CN112819782A CN202110129704.9A CN202110129704A CN112819782A CN 112819782 A CN112819782 A CN 112819782A CN 202110129704 A CN202110129704 A CN 202110129704A CN 112819782 A CN112819782 A CN 112819782A
- Authority
- CN
- China
- Prior art keywords
- car
- value
- image
- average
- self
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- B66B1/3476—Load weighing or car passenger counting devices
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种自学习的轿厢视觉分析方法,包括以下步骤:S1:设置轿厢满载时的阈值FAB;S2:当轿厢处于空载且照度合适时,获取轿厢的当前图像并标记为原始图像;S3:当轿厢处于空载时,获取轿厢的当前图像并标记为基准图像;S4:当轿厢处于载重时,获取轿厢的当前图像作为比对图像;S5:将基准图像和比对图像以同样的方式分割成n个区域,并得到每个区域的加权平均值ki;S6:获得平均加权相似度并将平均加权相似度与阈值FAB作比较;当大于或等于FAB时,视觉输入系统向中央控制系统发送已满载信号;当小于FAB时,视觉输入系统向中央控制系统发送未满载信号。所述自学习的轿厢视觉分析方法,能精准地判断出轿厢是否满载。
Description
技术领域
本发明涉及轿厢载重及照度监测技术领域,特别是一种自学习的轿厢视觉分析方法。
背景技术
现有电梯结构中,原有通用的按照重量来判断轿厢是否满载的功能,已经越来越显示其局限性,更多的新技术着眼于使用视觉技术,在轿厢的空间层次判断轿厢是否满载。
使用视觉技术进行图像比对,现在主流做法是,标示一定的图像轮廓,并计算其面积,与轿厢的总面积进行对比来判断;或者使用像素点对比,把像素点前后不相同的数量与总的像素点数量进行对比来判断,
使用标示轮廓或像素点对比并计算面积的方法,由于乘客在轿厢内分布的随意性,只计算已占用面积与总面积的对比,并无考虑不同区域对于满载的贡献程度是不同的,存在一定程度的不合理及误判断。对于标示轮廓法而言,由于使用的是二元法计算,例如把图像转成灰度图并设定灰度阈值后,对于大于阈值的点赋值为255,反之赋值为0;而对于像素点法直接判断前后图像像素点是否相同,由于都存在定性分析,则可能由于照度引起的整体色差而引起误判断,显示了其局限性。另外目前电梯照度的检测,多为专业人员使用专业设备,在场地内实际测量,但由于测量方法的特性,无法对照度实时监控并及时调整,从而影响乘梯舒适性。
不论是轮廓计算面积,还是像素点计算数量的方法,总体而言都是算两者的面积比,而这种总体面积对比的方法,并没有考虑不同区域对满载程度的贡献值是不同的,因此得出的结论往往会有失合理性,只是单纯以总面积来估算轿厢是否满载,并不合理,从而会导致使用时不能准确判断出轿厢是否满载。
发明内容
针对上述缺陷,本发明的目的在于提出一种自学习的轿厢视觉分析方法,能精准地判断出轿厢是否满载。
为达此目的,本发明采用以下技术方案:一种自学习的轿厢视觉分析方法,包括以下步骤:
S1:设置轿厢满载时的阈值FAB;
S2:当轿厢处于空载且照度合适时,获取轿厢的当前图像并标记为原始图像;
S3:当轿厢处于空载时,视觉输入系统获取轿厢的当前图像并标记为基准图像;
S4:当轿厢处于载重时,视觉输入系统获取轿厢的当前图像作为比对图像;
S5:通过所述视觉输入系统将所述基准图像和比对图像以同样的方式分割成n个区域,并通过自学习系统得到每个区域的加权平均值ki,所述基准图像分割成多个单位图像Ai,所述比对图像分割成多个单位图像Bi,其中1≤i≤n,所述单位图像Ai与所述单位图像Bi一一对应;
S6:所述视觉输入系统依次将所有单位图像Ai与单位图像Bi结合对应区域的加权平均值ki进行对应区域的加权相似度计算,获得平均加权相似度并将所述平均加权相似度与阈值FAB作比较;当所述平均加权相似度大于或等于所述阈值FAB时,所述视觉输入系统向中央控制系统发送已满载信号;当所述平均加权相似度小于所述阈值FAB时,所述视觉输入系统向中央控制系统发送未满载信号;
S7:当所述中央控制系统接收到所述已满载信号时,不响应层站呼梯信号;当所述中央控制系统接收到所述未满载信号时,响应层站呼梯信号。
例如,在步骤S6中,首先通过所述视觉输入系统将第i个区域对应的单位图像Ai与单位图像Bi进行余弦相似度计算,得到第i个区域的相似度Fi;
然后所述视觉输入系统确定所述相似度Fi对应的区域的加权平均值ki;
值得说明的是,所述余弦相似度计算具体为:
可选地,在所述余弦相似度计算中,所述L-P范数中P的取值为2,所述相似度Fi为:
具体地,还包括步骤S8,所述步骤S8为:
自学习系统通过梯度下降法进行训练得到对应的加权平均值ki。
优选的,在所述步骤S8中,首先通过实验人员穿不同颜色衣服或者携带不同样品塞满轿厢,所述视觉输入系统拍照得到不同的满载时的相片,并将满载时的照片分割成n个区域;
然后所述自学习系统通过梯度下降法对满载时的相片的每个区域进行训练得到对应区域的加权平均值ki。
例如,所述梯度下降法具体为:
首先确定执行第j次梯度下降法后第i个区域对应损失函数E(kij);
然后通过修正方程得到第i个区域对应的新的加权平均值
最后将加权平均值kij替换成新的加权平均值kij′。
值得说明的是,所述损失函数E(kij)通过差平方公式确定,具体为:其中为执行第j次梯度下降法后通过步骤S6得到的所有区域的平均加权相似度,Fij为执行第j次梯度下降法后通过步骤S6得到的第i个区域的相似度。
可选地,还包括步骤S9,所述步骤S9为:
首先获取轿厢合适照度下空载时的原始图像,设置轿厢的亮度限制区间;
然后所述视觉输入系统对所述步骤S3中的基准图像通过亮度转换法转换成平均亮度值;
最后判断所述平均亮度值是否落于所述亮度限制区间,当所述平均亮度值超出所述亮度限制区间时,所述视觉输入系统通过所述中央处理系统通知维保单位维修。
具体地,还包括步骤S10,所述步骤S10为:
首先获取轿厢合适照度下空载时的原始图像,设置轿厢的灰度限制区间;
然后所述视觉输入系统对所述步骤S3中的基准图像通过灰度转换法转换成平均灰度值;
所述亮度转换法具体为:通过Gray=R*0.299+G*0.587+B*0.114得到所述基准图像的每个像素点的灰度Gray,并通过所有像素点的灰度Gray得到平均灰度值,其中R为像素点的红色值,G为像素点的绿色值,B为像素点的蓝色值;
最后判断所述平均灰度值是否落于所述灰度限制区间,当所述平均灰度值超出所述灰度限制区间时,所述视觉输入系统通过所述中央处理系统通知维保单位维修。
本发明的有益效果:所述自学习的轿厢视觉分析方法通过把获取的轿厢内的比对图像划分为若干个区域,通过计算机算法,与轿厢空载时记录的基准图像的对应区域进行相似度计算,而计算得到的相似度与加权平均值ki综合计算可得到加权相似度,然后再计算出平均加权相似度通过比较平均加权相似度与阈值FAB判断此时的轿厢是否满载。由于在计算时对每个区域按占用比例的大小赋予不同的加权平均值,避免了由于不同区域对满载程度的贡献值的不同带来的结论不合理性,从而能准确判断出轿厢是否满载,提高了精确度。
划分区域后,在满载时,位于轿厢边缘的区域被占用的比例一般比中心的区域被占用的比例低,同样是边缘区域,轿厢最里面的区域被占用的比例也一般比最靠近轿门处被占用的比例高,因此从大到小依次对中间的区域、轿厢最里面的区域和最靠近轿门处依次赋予不同加权平均值ki,所述加权平均值ki通过自学习系统不断优化接近所需值。
与使用标示轮廓或像素点对比计算面积的方法相比,考虑了不同区域的加权平均值,对于是否满载的判断更合理,降低误判断的风险。所述自学习的轿厢视觉分析方法由于利用每个区域内的空载和载重之间的相似度来判断是否满载,因此照度变化引起的色差不会影响到判断的结果,从而提高了判断的准确性。
附图说明
图1是本发明的一个实施例的方法流程图;
图2是本发明的一个实施例中自学习的方法流程图。
具体实施方式
下面详细描述本发明的实施方式,实施方式的示例在附图中示出,其中,相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的实施方式的不同结构。为了简化本发明的实施方式的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明的实施方式可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本发明的实施方式提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
如图1和2所示,一种自学习的轿厢视觉分析方法,包括以下步骤:
S1:设置轿厢满载时的阈值FAB;
S2:当轿厢处于空载且照度合适时,获取轿厢的当前图像并标记为原始图像;
S3:当轿厢处于空载时,视觉输入系统获取轿厢的当前图像并标记为基准图像;
S4:当轿厢处于载重时,视觉输入系统获取轿厢的当前图像作为比对图像;
S5:通过所述视觉输入系统将所述基准图像和比对图像以同样的方式分割成n个区域,并通过自学习系统得到每个区域的加权平均值ki,所述基准图像分割成多个单位图像Ai,所述比对图像分割成多个单位图像Bi,其中1≤i≤n,所述单位图像Ai与所述单位图像Bi一一对应;
S6:所述视觉输入系统依次将所有单位图像Ai与单位图像Bi结合对应区域的加权平均值ki进行对应区域的加权相似度计算,获得平均加权相似度并将所述平均加权相似度与阈值FAB作比较;当所述平均加权相似度大于或等于所述阈值FAB时,所述视觉输入系统向中央控制系统发送已满载信号;当所述平均加权相似度小于所述阈值FAB时,所述视觉输入系统向中央控制系统发送未满载信号;
S7:当所述中央控制系统接收到所述已满载信号时,不响应层站呼梯信号;当所述中央控制系统接收到所述未满载信号时,响应层站呼梯信号。
所述自学习的轿厢视觉分析方法通过把获取的轿厢内的比对图像划分为若干个区域,通过计算机算法,与轿厢空载时记录的基准图像的对应区域进行相似度计算,而计算得到的相似度与加权平均值ki综合计算可得到加权相似度,然后再计算出平均加权相似度通过比较平均加权相似度与阈值FAB判断此时的轿厢是否满载。由于在计算时对每个区域按占用比例的大小赋予不同的加权平均值,避免了由于不同区域对满载程度的贡献值的不同带来的结论不合理性,从而能准确判断出轿厢是否满载,提高了精确度。
划分区域后,在满载时,位于轿厢边缘的区域被占用的比例一般比中心的区域被占用的比例低,同样是边缘区域,轿厢最里面的区域被占用的比例也一般比最靠近轿门处被占用的比例高,因此从大到小依次对中间的区域、轿厢最里面的区域和最靠近轿门处依次赋予不同加权平均值ki,所述加权平均值ki通过自学习系统不断优化接近所需值。
与使用标示轮廓或像素点对比并计算面积的方法相比,所述自学习的轿厢视觉分析方法由于考虑了不同区域对于满载的贡献程度,并考虑了由于照度等因素引起的色差等影响判断结果的因素,从而提高了是否满载判断的准确性,降低因照度等因素影响图片质量时,误判断的可能性。其中,以轿厢关门一段时间后,电梯一直处于静止状态为标准作为轿厢处于空载的情况;以响应呼梯关门后作为轿厢处于载重的情况。
一些实施例中,在步骤S6中,首先通过所述视觉输入系统将第i个区域对应的单位图像Ai与单位图像Bi进行余弦相似度计算,得到第i个区域的相似度Fi;
然后所述视觉输入系统确定所述相似度Fi对应的区域的加权平均值ki;
当视觉输入系统获得了当前轿厢内的比对图像,把空载时的基准图像和比对图像按设定方式分隔为n份,得到对应的图像A1、A2、...An及B1、B2、...Bn,使用对应的计算机算法,把对应的图像Ai与Bi进行比较,得到对应的相似度Fi,根据计算机自学习确定的各个区域的加权平均值ki,计算对于该区域的加权相似度ki*Fi,然后将所有区域的加权相似度求合再平均即可得到,基准图像和比对图像的平均加权相似度
例如,所述余弦相似度计算具体为:
图片由一系列像素点组成,每一个像素点有其RGB信息,即每一个点有(XR,XG,XB)三个数据。把图片上每一个点的R值(红色值),根据像素点的位置排列,可得到一个M*N的矩阵,同理,把每一个点的G值(绿色值)和B值(蓝色值)根据像素点的位置排列,可得到另外2个M*N的矩阵,此3个M*N的矩阵组成的M*N*3的矩阵组,即为图像的数字模型。
通过L-P范数方法,把像素元素转换为空间向量,由向量间夹角θ的余弦值cosθ判断图像的相似度。当前后相片因照度变化等原因引起色差时,定性分析只能判断两张图片是不同的,但通过上述方法的计算,只有当相似度超过一定阈值时,才判断空间被占用,由此避免误判断。
值得说明的是,在所述余弦相似度计算中,所述L-P范数中P的取值为2,所述相似度Fi为:
P的取值范围很大,由0到无穷大,根据P的取值不同,得出的对比结果也有可能不同。采用P=2来表征M*N*3的图像矩阵组,此时每一个点的RGB值,可以理解为空间中一个点,(XR,XG,XB)即为该点在空间坐标中的X值、Y值与Z值。由此,图像的像素点即表征为空间中的一个由原点到(XR,XG,XB)的向量,该向量有2个表征值,一个是角度,一个是距离,而L-2范数即为该点到圆心点的距离。把概念由像素点扩展到图像整体,即可得到一个M*N大小的向量组,对比前后图像向量组内,向量间的角度的余弦值,即可计算出前后图像的相似度。
使用L-2范数,即可求出图像Ai和图像Bi的向量长度,之后由图像Ai和图像Bi的点积与向量长度可以得出基准图像和比对图像的余弦相似性。得出的余弦相似性,数值越小表示越相似,数值越大表示越不相似,0≤cosθ≤1。
可选地,还包括步骤S8,所述步骤S8为:
自学习系统通过梯度下降法进行训练得到对应的加权平均值ki。
使用自学习系统确定加权平均值ki,先建立神经网络模型,通过多次满载实验训练神经网络,能得到对应的加权平均值ki。
具体地,在所述步骤S8中,首先通过实验人员穿不同颜色衣服或者携带不同样品塞满轿厢,所述视觉输入系统拍照得到不同的满载时的相片,并将满载时的照片分割成n个区域;
然后所述自学习系统通过梯度下降法对满载时的相片的每个区域进行训练得到对应区域的加权平均值ki。
按照上述方法进行自学习分析,得到最佳的k1,k2,...kn值,即可作为轿厢容积计算的依据。
一些实施例中,所述梯度下降法具体为:
首先确定执行第j次梯度下降法后第i个区域对应损失函数E(kij);
然后通过修正方程得到第i个区域对应的新的加权平均值
最后将加权平均值kij替换成新的加权平均值kij′。
加权平均值k1、k2……ki为需要自学习的参数,学习的方法使用梯度下降算法,此算法是求解无约束优化问题最简单和最古老的方法之一,现代机器学习中用来递归性地逼近最小偏差模型。E(ki)为需要优化的误差。通过多次进行上述算法,得到一组实际值与FAB的差异最小的系数,即min E(ki)。
计算E(ki)对ki的每个分量的导数来得到每个分量的梯度方向:
值得说明的是,还包括步骤S9,所述步骤S9为:
首先获取轿厢合适照度下空载时的原始图像,设置轿厢的亮度限制区间;
然后所述视觉输入系统对所述步骤S3中的基准图像通过亮度转换法转换成平均亮度值;
最后判断所述平均亮度值是否落于所述亮度限制区间,当所述平均亮度值超出所述亮度限制区间时,所述视觉输入系统通过所述中央处理系统通知维保单位维修。
在实验时调整照度,到达最大及最小值,计算此时图像的亮度值,即可得到亮度限制区间。以一定时间内轿厢处于停止状态来判断轿厢是否空载,当轿厢空载时,视觉系统可获取当前轿厢图像,通过上述公式进行转换成平均亮度值,判断当前图像的值是否在限制区域内,如果超出范围,可以通过物联网通知维保单位维修。取得的当前轿厢图像,为下一次获取轿厢图像前相似度计算的原图像。
可选地,还包括步骤S10,所述步骤S10为:
首先获取轿厢合适照度下空载时的原始图像,设置轿厢的灰度限制区间;
然后所述视觉输入系统对所述步骤S3中的基准图像通过灰度转换法转换成平均灰度值;
所述亮度转换法具体为:通过Gray=R*0.299+G*0.587+B*0.114得到所述基准图像的每个像素点的灰度Gray,并通过所有像素点的灰度Gray得到平均灰度值,其中R为像素点的红色值,G为像素点的绿色值,B为像素点的蓝色值;
最后判断所述平均灰度值是否落于所述灰度限制区间,当所述平均灰度值超出所述灰度限制区间时,所述视觉输入系统通过所述中央处理系统通知维保单位维修。
在实验时调整照度,到达最大及最小值,计算此时图像的灰度值,即可得到灰度限制区间。以一定时间内轿厢处于停止状态来判断轿厢是否空载,当轿厢空载时,视觉系统可获取当前轿厢图像,通过上述公式进行转换成平均灰度值,判断当前图像的值是否在限制区域内,如果超出范围,可以通过物联网通知维保单位维修。取得的当前轿厢图像,为下一次获取轿厢图像前相似度计算的原图像。
在本说明书的描述中,参考术语“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施方式,可以理解的是,上述实施方式是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施实施进行变化、修改、替换和变型。
Claims (10)
1.一种自学习的轿厢视觉分析方法,其特征在于:包括以下步骤:
S1:设置轿厢满载时的阈值FAB;
S2:当轿厢处于空载且照度合适时,获取轿厢的当前图像并标记为原始图像;
S3:当轿厢处于空载时,视觉输入系统获取轿厢的当前图像并标记为基准图像;
S4:当轿厢处于载重时,视觉输入系统获取轿厢的当前图像作为比对图像;
S5:通过所述视觉输入系统将所述基准图像和比对图像以同样的方式分割成n个区域,并通过自学习系统得到每个区域的加权平均值ki,所述基准图像分割成多个单位图像Ai,所述比对图像分割成多个单位图像Bi,其中1≤i≤n,所述单位图像Ai与所述单位图像Bi一一对应;
S6:所述视觉输入系统依次将所有单位图像Ai与单位图像Bi结合对应区域的加权平均值ki进行对应区域的加权相似度计算,获得平均加权相似度并将所述平均加权相似度与阈值FAB作比较;当所述平均加权相似度大于或等于所述阈值FAB时,所述视觉输入系统向中央控制系统发送已满载信号;当所述平均加权相似度小于所述阈值FAB时,所述视觉输入系统向中央控制系统发送未满载信号;
S7:当所述中央控制系统接收到所述已满载信号时,不响应层站呼梯信号;当所述中央控制系统接收到所述未满载信号时,响应层站呼梯信号。
5.根据权利要求4所述的一种自学习的轿厢视觉分析方法,其特征在于:还包括步骤S8,所述步骤S8为:
自学习系统通过梯度下降法进行训练得到对应的加权平均值ki。
6.根据权利要求5所述的一种自学习的轿厢视觉分析方法,其特征在于:在所述步骤S8中,首先通过实验人员穿不同颜色衣服或者携带不同样品塞满轿厢,所述视觉输入系统拍照得到不同的满载时的相片,并将满载时的照片分割成n个区域;
然后所述自学习系统通过梯度下降法对满载时的相片的每个区域进行训练得到对应区域的加权平均值ki。
10.根据权利要求8所述的一种自学习的轿厢视觉分析方法,其特征在于:还包括步骤S10,所述步骤S10为:
首先获取轿厢合适照度下空载时的原始图像,设置轿厢的灰度限制区间;
然后所述视觉输入系统对所述步骤S3中的基准图像通过灰度转换法转换成平均灰度值;
所述亮度转换法具体为:通过Gray=R*0.299+G*0.587+B*0.114得到所述基准图像的每个像素点的灰度Gray,并通过所有像素点的灰度Gray得到平均灰度值,其中R为像素点的红色值,G为像素点的绿色值,B为像素点的蓝色值;
最后判断所述平均灰度值是否落于所述灰度限制区间,当所述平均灰度值超出所述灰度限制区间时,所述视觉输入系统通过所述中央处理系统通知维保单位维修。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129704.9A CN112819782B (zh) | 2021-01-29 | 2021-01-29 | 一种自学习的轿厢视觉分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129704.9A CN112819782B (zh) | 2021-01-29 | 2021-01-29 | 一种自学习的轿厢视觉分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819782A true CN112819782A (zh) | 2021-05-18 |
CN112819782B CN112819782B (zh) | 2023-03-24 |
Family
ID=75860384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110129704.9A Active CN112819782B (zh) | 2021-01-29 | 2021-01-29 | 一种自学习的轿厢视觉分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819782B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4924416A (en) * | 1987-10-02 | 1990-05-08 | Mitsubishi Denki Kabushiki Kaisha | Apparatus for detecting relative crowding in a hall |
CN101853504A (zh) * | 2010-05-07 | 2010-10-06 | 厦门大学 | 基于视觉特性与结构相似度的图像质量评测方法 |
CN102129576A (zh) * | 2011-02-28 | 2011-07-20 | 西安电子科技大学 | 全天空极光图像占空比参数的提取方法 |
CN105173945A (zh) * | 2015-10-09 | 2015-12-23 | 日立电梯(中国)有限公司 | 电梯轿厢载人空间检测方法 |
CN105427529A (zh) * | 2015-12-04 | 2016-03-23 | 北京奇虎科技有限公司 | 一种车内环境监控的方法及终端 |
JP2018142037A (ja) * | 2017-02-24 | 2018-09-13 | セコム株式会社 | 画像監視装置 |
CN108975112A (zh) * | 2017-06-01 | 2018-12-11 | 奥的斯电梯公司 | 用于电梯维护的图像分析 |
CN109626149A (zh) * | 2018-10-25 | 2019-04-16 | 平安科技(深圳)有限公司 | 侯梯时间预估方法、装置、设备及存储介质 |
CN110197185A (zh) * | 2019-05-23 | 2019-09-03 | 北京云星宇交通科技股份有限公司 | 一种基于尺度不变特征变换算法监测桥下空间的方法和系统 |
US20200042010A1 (en) * | 2018-07-31 | 2020-02-06 | Casio Computer Co., Ltd. | Autonomous mobile apparatus, autonomous movement method, and non-transitory recording medium |
US20200250497A1 (en) * | 2017-11-01 | 2020-08-06 | Tencent Technology (Shenzhen) Company Limited | Image classification method, server, and computer-readable storage medium |
-
2021
- 2021-01-29 CN CN202110129704.9A patent/CN112819782B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4924416A (en) * | 1987-10-02 | 1990-05-08 | Mitsubishi Denki Kabushiki Kaisha | Apparatus for detecting relative crowding in a hall |
CN101853504A (zh) * | 2010-05-07 | 2010-10-06 | 厦门大学 | 基于视觉特性与结构相似度的图像质量评测方法 |
CN102129576A (zh) * | 2011-02-28 | 2011-07-20 | 西安电子科技大学 | 全天空极光图像占空比参数的提取方法 |
CN105173945A (zh) * | 2015-10-09 | 2015-12-23 | 日立电梯(中国)有限公司 | 电梯轿厢载人空间检测方法 |
CN105427529A (zh) * | 2015-12-04 | 2016-03-23 | 北京奇虎科技有限公司 | 一种车内环境监控的方法及终端 |
JP2018142037A (ja) * | 2017-02-24 | 2018-09-13 | セコム株式会社 | 画像監視装置 |
CN108975112A (zh) * | 2017-06-01 | 2018-12-11 | 奥的斯电梯公司 | 用于电梯维护的图像分析 |
US20200250497A1 (en) * | 2017-11-01 | 2020-08-06 | Tencent Technology (Shenzhen) Company Limited | Image classification method, server, and computer-readable storage medium |
US20200042010A1 (en) * | 2018-07-31 | 2020-02-06 | Casio Computer Co., Ltd. | Autonomous mobile apparatus, autonomous movement method, and non-transitory recording medium |
CN109626149A (zh) * | 2018-10-25 | 2019-04-16 | 平安科技(深圳)有限公司 | 侯梯时间预估方法、装置、设备及存储介质 |
CN110197185A (zh) * | 2019-05-23 | 2019-09-03 | 北京云星宇交通科技股份有限公司 | 一种基于尺度不变特征变换算法监测桥下空间的方法和系统 |
Non-Patent Citations (1)
Title |
---|
严崇源 等: "基于视觉的电梯辅助调度系统设计", 《自动化与仪器仪表》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112819782B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7697765B2 (en) | Learning method and device for pattern recognition | |
CN110555465B (zh) | 一种基于cnn与多特征融合的天气图像识别方法 | |
CN104680524B (zh) | 一种叶类蔬菜病害诊断方法 | |
US7925083B2 (en) | Method for digital image class detection | |
CN106503716A (zh) | 一种基于颜色和轮廓特征提取的安全帽识别方法和系统 | |
CN109816625A (zh) | 一种视频质量评分实现方法 | |
US6571228B1 (en) | Hybrid neural networks for color identification | |
CN115294116B (zh) | 基于人工智能的纺织材料染色质量评估方法、装置及系统 | |
CN105828065A (zh) | 一种视频画面过曝检测方法及装置 | |
CN110569780A (zh) | 一种基于深度迁移学习的高精度人脸识别方法 | |
CN107135384A (zh) | 白平衡调节方法、装置、图像处理终端及存储介质 | |
CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN110537362B (zh) | 颜色处理程序、颜色处理方法、色彩感觉检查系统、输出系统、色觉校正图像处理系统及色觉模拟图像处理系统 | |
CN112819782B (zh) | 一种自学习的轿厢视觉分析方法 | |
CN116597029B (zh) | 一种针对色盲的图像重着色方法 | |
JP3648728B2 (ja) | 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム | |
GB2604706A (en) | System and method for diagnosing small bowel cleanliness | |
JPH06318244A (ja) | 画像処理装置およびこの装置を用いた牛枝肉格付システム | |
CN106780471B (zh) | 基于马尔科夫随机场的变电站设备红外图像变化检测方法 | |
US11159698B2 (en) | Image processing apparatus and non-transitory computer readable medium | |
CN112801216B (zh) | 波长补偿方法、装置、计算机设备和存储介质 | |
CN102162796B (zh) | 一种陷印图像质量和陷印方法效果的检测方法及系统 | |
Swargiary et al. | Classification of basmati rice grains using image processing techniques | |
CN110047421B (zh) | 一种显示面板的分类方法 | |
Buzzelli et al. | Learning Color Constancy: 30 Years Later |
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 |