CN112919278B - 乘客入梯按键失效故障识别方法 - Google Patents

Abstract

本发明涉及一种乘客入梯按键失效故障识别方法，包括：S1、采集电梯的门状态数据、有无人数据和运行静止数据和电梯视频数据；S2、依据上述门状态数据、有无人数据和运行静止数据获得电梯按键故障时段；S3、选取电梯按键故障时段对应的电梯视频数据，进行非电梯按键故障过滤，最终输出是否为电梯按键故障。本发明的乘客入梯按键失效故障识别方法能够有效识别处电梯按键失效故障，识别速度快、精度高。

Description

乘客入梯按键失效故障识别方法

技术领域

本发明属于电梯安全运行监测技术领域，涉及一种乘客入梯按键失效故障识别方法。

背景技术

随着城市的发展，电梯的保有量也逐年增高，在方便人们的同时，电梯的故障问题也越来越受到重视。乘客入梯按键失效故障是电梯故障的其中一种，是指乘客进入电梯之后，按下关门键或者指定楼层键，而电梯无响应的故障。电梯按键失效会直接影响电梯的使用，给乘客造成非常大的不便，同时存在安全隐患。因此及时的对电梯按键失效故障进行识别是十分重要的。

发明内容

本发明的目的在于解决上述问题，提供一种乘客入梯按键失效故障识别方法，用于及时对电梯按键故障进行识别。

为实现本发明的上述目的，本发明提供一种乘客入梯按键失效故障识别方法，包括：

S1、采集电梯的门状态数据、有无人数据和运行静止数据和电梯视频数据；

S2、依据上述门状态数据、有无人数据和运行静止数据获得电梯按键故障时段；

S3、选取电梯按键故障时段对应的电梯视频数据，进行非电梯按键故障过滤，最终输出是否为电梯按键故障。

根据本发明的一个方面，所述步骤S1中，电梯的门状态数据包括开门与关门两个状态，所述有无人数据包括有人和无人两个状态，所述运行静止数据包括运行和静止两个状态。

根据本发明的一个方面，所述电梯的门状态数据、有无人数据和电梯视频数据依据安装在电梯轿厢顶部的摄像头获得；

所述运行静止数据依据安装在电梯上的速度传感器获得。

根据本发明的一个方面，在步骤S2中，将门状态数据、有无人数据和运行静止数据输入初步识别模块进行识别，输出电梯门开且静止持续时间T0、门开无人乘梯且静止持续时间T1、门开有人乘梯且静止持续时间T2、门开乘客出梯后无人且静止持续时间T3以及门开有人乘梯且静止持续时间T2的开始时刻T。

根据本发明的一个方面，若T0、T1、T2、T3分别满足设定的第一阈值、第二阈值、第三阈值和第四阈值，则输出[T-30s，T+30s]作为电梯按键故障时段。

根据本发明的一个方面，所述第一阈值为：7min、所述第二阈值为：8s、所述第三阈值为：10s、所述第四阈值为：5min。

根据本发明的一个方面，所述步骤S3包括：

选择电梯按键故障时段所对应的电梯视频；

按照设定时间间隔获得图片序列；

使用建立好的人员属性识别模型进行电梯内无人、有人且无物业保洁人员、有人且有物业保洁人员三种识别；

若识别出电梯内有人且无物业保洁，则保留，输出电梯按键失效故障进行告警；

若识别出的其余状态则判定为误判进行过滤。

根据本发明的一个方面，所述人员属性识别模型的建立包括：

收集电梯内有人、无人、有物业保洁人员的样本；

使用深度学习卷积神经网络对样本进行训练；

若训练精度满足要求则输出为人员属性识别模型；

若精度不满足要求则进行模型结构或参数优化，重新训练，仍不能满足精度要求，则增大样本量进行训练，直至精度满足要求。

本发明的乘客入梯按键失效故障识别方法，通过获得电梯门状态、有无人状态、运行静止状态来来初步获得电梯按键故障时段，然后在对电梯按键故障时段对应的电梯视频进行处理，能够有效地实时识别出电梯是否出现电梯按键失效故障。并且，本发明的方法不需要对全部的电梯视频进行，通过初步识别获得电梯按键故障时段，只需要分析电梯按键故障时段对应的电梯视频即可，处理速度快，精度高。

本发明的乘客入梯按键失效故障识别方法，通过人员属性识别模型进一步对电梯按键故障时段的电梯视频进行分析，能够有效地非电梯按键失效故障情况进行过滤排除，提升电梯按键失效故障的设别准确度。

附图说明

图1示意性表示根据本发明乘客入梯按键失效故障识别方法流程图；

图2示意性表示根据本发明的电梯按键失效故障的逻辑图；

图3示意性表示人员属性识别模型训练过程。

具体实施方式

为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，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。

在针对本发明的实施方式进行描述时，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”所表达的方位或位置关系是基于相关附图所示的方位或位置关系，其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，因此上述术语不能理解为对本发明的限制。

下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。

如图1所示，本发明提供一种乘客入梯按键失效故障识别方法，包括：

S1、采集电梯的门状态数据、有无人数据和运行静止数据和电梯视频数据；S2、依据上述门状态数据、有无人数据和运行静止数据获得电梯按键故障时段；S3、选取电梯按键故障时段对应的电梯视频数据，进行非电梯按键故障过滤，最终输出是否为电梯按键故障。

本发明的乘客入梯按键失效故障识别方法，通过获得电梯门状态、有无人状态、运行静止状态来来初步获得电梯按键故障时段，然后在对电梯按键故障时段对应的电梯视频进行处理，能够有效地实时识别出电梯是否出现电梯按键失效故障。并且，本发明的方法不需要对全部的电梯视频进行，通过初步识别获得电梯按键故障时段，只需要分析电梯按键故障时段对应的电梯视频即可，处理速度快，精度高。

本发明的乘客入梯按键失效故障识别方法，步骤S1中的电梯的门状态数据包括开门与关门两个状态，所述有无人数据包括有人和无人两个状态，所述运行静止数据包括运行和静止两个状态。

根据本发明的一种实施方式，电梯的门状态数据、有无人数据和电梯视频数据依据安装在电梯轿厢顶部的摄像头获得，运行静止数据依据安装在电梯上的速度传感器获得。

参照附图2所示，电梯按键失效故障的表现为，电梯停某一楼层，开门静止，然后乘客进入电梯乘梯，但是乘客按关门键或某楼层键无响应。乘客尝试多次无果后，电梯门仍无法关闭，乘客意识到电梯故障走出电梯，电梯无人且静止继续持续一段时间。因此，电梯按键无效的流程为电梯无人静止、电梯有人静止、电梯无人静止。

因此，本发明的乘客入梯按键失效故障识别方法，在步骤S2中，将门状态数据、有无人数据和运行静止数据输入初步识别模块进行识别，输出电梯门开且静止持续时间T0、门开无人乘梯且静止持续时间T1、门开有人乘梯且静止持续时间T2、门开乘客出梯后无人且静止持续时间T3以及门开有人乘梯且静止持续时间T2的开始时刻T。

然后需要判断T0、T1、T2、T3是否满足设定阈值，进而判定电梯是否存在按键失效故障。具体地，若T0、T1、T2、T3分别满足设定的第一阈值、第二阈值、第三阈值和第四阈值，则输出[T-30s，T+30s]作为电梯按键故障时段。其中，第一阈值为：7min第二阈值为：8s第三阈值为：10s第四阈值为：5min。

在步骤2确定电梯按键故障时段之后，进入步骤S3：选择电梯按键故障时段所对应的电梯视频。然后按照设定时间间隔获得图片序列，时间间隔可以根据实际需要进行设定，例如设定为1s。接着使用建立好的人员属性识别模型进行电梯内无人、有人且无物业保洁人员、有人且有物业保洁人员三种识别，即对电梯内是否有人进行识别，对人是否为物业保洁进行识别。若识别出电梯内有人且无物业保洁，则保留，输出电梯按键失效故障进行告警；若识别出的其余状态则判定为误判进行过滤。

本发明的乘客入梯按键失效故障识别方法，通过人员属性识别模型进一步对电梯按键故障时段的电梯视频进行分析，能够有效地非电梯按键失效故障情况进行过滤排除，提升电梯按键失效故障的设别准确度。

根据本发明的一种实施方式，其中人员属性识别模型的建立包括：收集电梯内有人、无人、有物业保洁人员的样本，使用深度学习卷积神经网络对样本进行训练；若训练精度满足要求则输出为人员属性识别模型；若精度不满足要求则进行模型结构或参数优化，重新训练，仍不能满足精度要求，则增大样本量进行训练，直至精度满足要求。

如图3所示，本发明的人员属性识别模型的具体建立过程如下：

输入信息为192×234×1的像素矩阵，每层卷积层均进行卷积核为3×3，步长为1，填充方式为same的卷积计算，每层池化层均进行2×2，步长为2的最大池化计算，激活函数为Relu激活，每个卷积层后面均进行bach normalize归一化；

通过2×CONV32卷积层将192×234×1转化为192×234×32，再进行最大池化后，数据维度为96×117×32；

通过2×CONV64卷积层将96×117×32转化为96×117×64，再进行最大池化后，数据维度为48×58×64；

通过2×CONV128卷积层将48×58×64转化为48×58×128，再进行最大池化后，数据维度为24×29×128；

通过2×CONV256卷积层将24×29×128转化为24×29×256，再进行最大池化后，数据维度为12×14×256；

通过2×CONV512卷积层将12×14×256转化为12×14×512，再进行最大池化后，数据维度为6×7×512；

将维度为6×7×512的矩阵展开转化为长度为21504的一维向量，flatten处理；再通过dropout，dropout将在训练过程中每次更新参数时按一定概率随机断开输入神经元，本申请中选取概率为0.3；再通过全连接层转化为长度为3的一维向量；对该一维向量进行Softmax获取得到3种状态的概率，分别为：

状态0-电梯内无人；

状态1-有人且无物业保洁人员；

状态2-有人且有物业保洁人员；

选取概率最大的作为当前识别状态输出结果。

以上所述仅为本发明的一个实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.乘客入梯按键失效故障识别方法，包括：

S1、采集电梯的门状态数据、有无人数据和运行静止数据和电梯视频数据；

S2、依据上述门状态数据、有无人数据和运行静止数据获得电梯按键故障时段；

S3、选取电梯按键故障时段对应的电梯视频数据，进行非电梯按键故障过滤，最终输出是否为电梯按键故障。

2.根据权利要求1所述的乘客入梯按键失效故障识别方法，其特征在于，所述步骤S1中，电梯的门状态数据包括开门与关门两个状态，所述有无人数据包括有人和无人两个状态，所述运行静止数据包括运行和静止两个状态。

3.根据权利要求2所述的乘客入梯按键失效故障识别方法，其特征在于，所述电梯的门状态数据、有无人数据和电梯视频数据依据安装在电梯轿厢顶部的摄像头获得；

所述运行静止数据依据安装在电梯上的速度传感器获得。

4.根据权利要求1所述的乘客入梯按键失效故障识别方法，其特征在于，在步骤S2中，将门状态数据、有无人数据和运行静止数据输入初步识别模块进行识别，输出电梯门开且静止持续时间T0、门开无人乘梯且静止持续时间T1、门开有人乘梯且静止持续时间T2、门开乘客出梯后无人且静止持续时间T3以及门开有人乘梯且静止持续时间T2的开始时刻T。

5.根据权利要求4所述的乘客入梯按键失效故障识别方法，其特征在于，若T0、T1、T2、T3分别满足设定的第一阈值、第二阈值、第三阈值和第四阈值，则输出[T-30s，T+30s]作为电梯按键故障时段。

6.根据权利要求5所述的乘客入梯按键失效故障识别方法，其特征在于，所述第一阈值为：7min、所述第二阈值为：8s、所述第三阈值为：10s、所述第四阈值为：5min。

7.根据权利要求1所述的乘客入梯按键失效故障识别方法，其特征在于，所述步骤S3包括：

选择电梯按键故障时段所对应的电梯视频；

按照设定时间间隔获得图片序列；

使用建立好的人员属性识别模型进行电梯内无人、有人且无物业保洁人员、有人且有物业保洁人员三种识别；

若识别出电梯内有人且无物业保洁，则保留，输出电梯按键失效故障进行告警；

若识别出的其余状态则判定为误判进行过滤。

8.根据权利要求7所述的乘客入梯按键失效故障识别方法，其特征在于，所述人员属性识别模型的建立包括：

收集电梯内有人、无人、有物业保洁人员的样本；

使用深度学习卷积神经网络对样本进行训练；

若训练精度满足要求则输出为人员属性识别模型；

若精度不满足要求则进行模型结构或参数优化，重新训练，仍不能满足精度要求，则增大样本量进行训练，直至精度满足要求。

Images