CN113128321B - 一种地铁门异物检测方法 - Google Patents

一种地铁门异物检测方法 Download PDF

Info

Publication number
CN113128321B
CN113128321B CN202010046810.6A CN202010046810A CN113128321B CN 113128321 B CN113128321 B CN 113128321B CN 202010046810 A CN202010046810 A CN 202010046810A CN 113128321 B CN113128321 B CN 113128321B
Authority
CN
China
Prior art keywords
door
subway
foreign matter
image
train
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
Application number
CN202010046810.6A
Other languages
English (en)
Other versions
CN113128321A (zh
Inventor
邓道举
钟亚林
李京乐
杨莉
赵雷杰
许小康
杨嘉炀
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.)
Ningbo Weco Optoelectronics Co ltd
Original Assignee
Ningbo Weco Optoelectronics 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 Ningbo Weco Optoelectronics Co ltd filed Critical Ningbo Weco Optoelectronics Co ltd
Priority to CN202010046810.6A priority Critical patent/CN113128321B/zh
Publication of CN113128321A publication Critical patent/CN113128321A/zh
Application granted granted Critical
Publication of CN113128321B publication Critical patent/CN113128321B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • 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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种地铁门异物检测方法，包括以下步骤：S1、建立深度学习模型；S2、在列车门关闭状态，拍摄地铁站台各列车门与屏蔽门之间无异物时的参考图像；S3、地铁运行时，在列车门关闭状态，拍摄地铁站台各列车门与屏蔽门之间的实时图像；S4、各列车门的实时图像与相应的参考图像进行相似度比对，得到相似值；S5、判断相似值是否大于等于设定阈值，若是，则判断为无异物，转S8，若否，进入下一步；S6、采用深度学习模型进行判断，得到判断结果并显示；S7、根据判断结果进行相应处理；S8、结束。本申请通过相似度计算与深度学习模型相结合，实现了对地铁异物的实时检测，提高了异物检测效率与准确度。

Description

一种地铁门异物检测方法
技术领域
本发明涉及地铁技术领域，尤其是涉及一种地铁门异物检测方法。
背景技术
目前，地铁已成为人们出行的重要交通工具，地铁的安全关系着成千上万人的生命安全与无数个家庭的幸福，对于地铁障碍物的检测是地铁安全运行的一个重中之重。
目前，对地铁障碍物的检测有多种方法，包括红外光幕法、激光探测法。红外光幕法由红外发射器、红外接收器、和主机组成，由于发射器发射的信号为红外光，光斑随着探测距离的增加逐渐增大，故不适于远距离检测。激光控制法与红外光幕法类似，针对曲线站台，设备数量增加后，误报率也相应增加，设备安装在列车与站台门之间，检测区域受限，虽然没有侵入列车限界，但超出站台的设备限界、对行车安全也存在较大隐患。
同时，由于地铁车门与站台门之间空隙具有距离远、光线暗等特点，而列车发车频率高、驾驶员各项操作时间有限，使得目前的人工检测存在较大的误检。
因此，设计一种准确率高的地铁障碍物的检测方法，是目前亟待解决的问题。
发明内容
本发明的目的是提供一种地铁门异物检测方法，通过深度学习建立地铁门与屏蔽门学习模型，实时采集地铁列车门与屏蔽门之间的图像，将实时图像与相应的参考图像进行相似度比对，当相似度大于等于设定阈值时，判断为无异物，当相似度小于设定阈值时，进入学习模型进行判断，提高异物判断的准确度。
本发明的上述发明目的通过以下技术方案得以实现：
一种地铁门异物检测方法，包括以下步骤：
S1、建立深度学习模型；
S2、在列车门关闭状态，拍摄地铁站台各列车门与屏蔽门之间无异物时的图像，作为各列车门的参考图像；
S3、地铁运行时，在列车门关闭状态，拍摄地铁站台各列车门与屏蔽门之间的图像，作为各列车门的实时图像；
S4、各列车门的实时图像与相应的参考图像进行相似度比对，得到相似值；
S5、判断相似值是否大于等于设定阈值，若是，则判断为无异物，转S8， 若否，进入下一步；
S6、采用深度学习模型进行判断，得到判断结果并显示；
S7、根据判断结果进行相应处理；
S8、结束。
本发明进一步设置为：步骤S1中，建立深度学习模型，包括以下步骤：
A1、拍摄地铁列车门与屏蔽门之间的图像数据，解析出列车门图像；
A2、对列车门图像进行预处理，得到清洗后图像；
A3、将清洗后图像进行分类，分别为无异物的正样本与有异物的负样本；
A4、将正样本与负样本再分别划分为训练集、验证集与测试集；
A5、将训练集、验证集与测试集输入神经网络，进行训练，达到设定迭代次数后，得到深度学习模型并保存。
本发明进一步设置为：步骤A1中，采用摄像头获取视频图像数据，解析出列车门图像。
本发明进一步设置为：步骤S3中，地铁运行时，检测到列车进站后下次出发前，在列车门与屏蔽门关闭状态，拍摄地铁站台各列车门与屏蔽门之间的图像，作为各列车门的实时图像。
本发明进一步设置为：步骤S4中，利用感知哈希算法计算实时图像与相应的参考图像的相似值。
本发明进一步设置为：步骤S4中，在用当前帧实时图像与参考图像做相似度计算时，是分别计算实时图像与所有参考图像的相似值，并选择相似度最高的相似值与设定阈值进行比较。
本发明进一步设置为：步骤S4中，步骤S6中，包括以下步骤：
A1、将相似值低于设定阈值的图像数据输入深度学习模型，进行学习；
A2、学习结果判断是否有异物，若是，转A6，若否，进入下一步；
A3、判断参考图像数量是否小于设定数量N，若否，进入下一步，若是，转A5；
A4、删除N个参考图像中最先保存的一张图像数据；
A5、将所述图像数据作为参考图像，转A7；
A6、报警；
A7、结束。
本发明进一步设置为：步骤S6中，采用深度学习模型进行判断，若判断为有异物，则根据异物大小进行危险等级区分，异物越小，危险等级越低。
本发明进一步设置为：将异物的大小分为三个范围，属于第一范围的为最低危险等级，属于第二范围的为中等危险等级，属于第三范围的为最高危险等级。
本发明进一步设置为：步骤S7中，在检测到异物属于最低危险等级时，提醒清理；如果此次未清理，则将所述实时图像归于参考图像。
本发明进一步设置为：步骤S7中，在检测到异物属于高危险等级时，提醒清理；如果此次未清理，则下次检测到所述异物时，再次进行清理提醒。
与现有技术相比，本发明的有益技术效果为：
1.本申请通过学习建立地铁门异物检测模型，为异物检测提供依据；
2.进一步地，本申请将实时图像与相应的参考图像进行相似度比对，将相似度高的直接判断为无异物，减少了异物判断的数量，提高了判断的效率；
3.进一步地，本申请将实时图像与相应的参考图像相似度低的，输入学习模型中进行判断，提高了判断的准确性与效率。
附图说明
图1是本发明的一个具体实施例的地铁门异物检测流程示意图；
图2是本发明的一个具体实施例的深度学习检测流程示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本发明的一种地铁门异物检测方法，包括以下步骤：
S1、建立深度学习模型；
S2、在列车门关闭状态，拍摄地铁站台各列车门与屏蔽门之间无异物时的图像，作为各列车门的参考图像；
S3、地铁运行时，在列车门关闭状态，拍摄地铁站台各列车门与屏蔽门之间的图像，作为各列车门的实时图像；
S4、各列车门的实时图像与相应的参考图像进行相似度比对，得到相似值；
S5、判断相似值是否大于等于设定阈值，若是，则判断为无异物，转S8， 若否，进入下一步；
S6、采用深度学习模型进行判断，得到判断结果并显示；
S7、根据判断结果进行相应处理；
S8、结束。
在本发明的一个具体实施例中，步骤S1中，建立深度学习模型，包括以下步骤：
A1、拍摄地铁列车门与屏蔽门之间的图像数据，解析出列车门图像；
A2、对列车门图像进行预处理，得到清洗后图像；
A3、将清洗后图像进行分类，分别为无异物的正样本与有异物的负样本；
A4、将正样本与负样本再分别划分为训练集、验证集与测试集；
A5、将训练集、验证集与测试集输入神经网络，进行训练，达到设定迭代次数后，得到深度学习模型并保存。
具体地，步骤A1中，利用USB摄像头获取视频图像数据，并用OpenCV解析成图像，获得大量地铁列车门与屏蔽门之间的图像数据。
步骤A2中，对得到的图像进行清洗，剔除重复数据。由于列车门与屏蔽门之间的图像数据中大多重复且单一，而且目标区域是斜坡与缝隙以及门的中间部分区域，采样难度大，对步骤A1中得到的数据，采用图像处理算法做多种变换操作，进行图像数据增强与扩充，使得图像数据具有丰富性与多样性。
步骤A3中，列车门与屏蔽门之间的异物检测问题本质上是二分类问题。处理后的图像数据总体分为两类：无异物与有异物。无异物作为正样本，有异物作为负样本。
步骤A4中，将图像数据划分为训练集、验证集与测试集，并转换成神经网络要求的图像数据集格式，包括LMDB格式。
步骤A5中，将训练集、验证集与测试集输入神经网络，进行训练，达到设定迭代次数后，得到深度学习模型并保存，作为后续异物检测的依据。
步骤S2中，保存的参考图像个数介于1到N之间，当大于N时，删除第一次保存的参考图像。N的大小根据不同场景设置，在环境光稳定的场景下，N设置较小，如全高门；在环境光变化大的场景N设置较大，如半高门。
步骤S2-S4属于相似度计算过程，利用感知哈希算法，计算实时图像与相应的参考图像的相似值。
首先，在得到列车门关闭信号时，每个站台上每个摄像头均拍摄一张无异物图像数据并保存，将其目标区域作为参考图像。
其次，在以后每一次列车门关上时，摄像头实时拍摄，将拍摄的图像中的目标区域与参考图像进行相似度比对，得到相似值。
第三，将计算得到的相似值与设定阈值进行比较判断：若相似值大于设定阈值，说明当前图像数据与参考图像相似度很高，则判断当前图像为没有异物；若相似值小于设定阈值，需要进一步利用深度学习模型判断是否有异物。
步骤S3中，地铁运行时，检测到列车进站后下次出发前，在列车门与屏蔽门关闭状态，拍摄地铁站台各列车门与屏蔽门之间的图像，作为各列车门的实时图像。
步骤S4中，利用感知哈希算法计算实时图像与相应的参考图像的相似值。
步骤S5中，在用当前帧实时图像与参考图像做相似度计算时，是分别计算实时图像与所有参考图像的相似值，并选择相似度最高的相似值与设定阈值进行比较。
设定阈值为0.9。
步骤S6中，包括以下步骤：
A1、将相似值低于设定阈值的图像数据输入深度学习模型，进行学习；
A2、学习结果判断是否有异物，若是，转A6，若否，进入下一步；
A3、判断参考图像数量是否小于设定数量N，若否，进入下一步，若是，转A5；
A4、删除N个参考图像中最先保存的一张图像数据；
A5、将所述图像数据作为参考图像，转A7；
A6、报警；
A7、结束。
经过不断的更新参考图像集合，提高判断的准确性。
步骤S6中，采用深度学习模型进行判断，若判断为有异物，则根据异物大小进行危险等级区分，异物越小，危险等级越低。
在本申请的一个具体实施例中，将异物的大小分为三个范围，属于第一范围的为最低危险等级，属于第二范围的为中等危险等级，属于第三范围的为最高危险等级。
步骤S7中，在检测到异物属于最低危险等级时，即当前检测到微小异物的情况，提醒司机清理；如果此次未清理，则将所述实时图像归于参考图像。
在检测到异物属于高危险等级时，即当前检测到较大异物的情况，提醒清理；如果此次司机未清理，则下次检测到所述异物时，再次进行清理提醒。
同时，在深度学习模型判断到有异物时，检测系统会返回对应的某个或某几个门的目标区域图像，在显示器上显示，供司机查看。
本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (9)

1.一种地铁门异物检测方法，其特征在于：包括以下步骤：
S1、建立深度学习模型，将无异物的正样本与有异物的负样本，分别划分为训练集、验证集与测试集，输入神经网络进行训练，得到深度学习模型并保存；
S2、在列车门关闭状态，拍摄地铁站台各列车门与屏蔽门之间无异物时的图像，将其目标区域作为各列车门的参考图像；
S3、地铁运行时，在列车门关闭状态，拍摄地铁站台各列车门与屏蔽门之间的图像，将其目标区域作为各列车门的实时图像；
S4、将各列车门的实时图像与相应的参考图像进行相似度比对，利用感知哈希算法，计算实时图像与参考图像的相似值；
S5、判断相似值是否大于等于设定阈值，若是，则判断为无异物，转S8，若否，进入下一步；
S6、采用深度学习模型进行判断，得到判断结果并显示；
S7、根据判断结果进行相应处理；
S8、结束；
其中，步骤S6中，包括以下步骤：
A1、将相似值低于设定阈值的图像数据输入深度学习模型，进行推断；
A2、推断结果判断是否有异物，若是，转A6，若否，进入下一步；
A3、判断参考图像数量是否小于设定数量N，若否，进入下一步，若是，转A5；
A4、删除N个参考图像中最先保存的一张图像数据；
A5、将所述图像数据作为参考图像，转A7；
A6、报警；
A7、结束。
2.根据权利要求1所述地铁门异物检测方法，其特征在于：步骤S1中，建立深度学习模型，包括以下步骤：
A1、拍摄地铁列车门与屏蔽门之间的图像数据，解析出列车门图像；
A2、对列车门图像进行预处理，得到清洗后图像；
A3、将清洗后图像进行分类，分别为无异物的正样本与有异物的负样本；
A4、将正样本与负样本再分别划分为训练集、验证集与测试集；
A5、将训练集、验证集与测试集输入神经网络，进行训练，
达到设定迭代次数后，得到深度学习模型并保存。
3.根据权利要求2所述地铁门异物检测方法，其特征在于：步骤A1中，采用摄像头获取视频图像数据，解析出列车门图像。
4.根据权利要求1所述地铁门异物检测方法，其特征在于：步骤S4中，利用感知哈希算法计算实时图像与相应的参考图像的相似值。
5.根据权利要求1所述地铁门异物检测方法，其特征在于：步骤S3中，地铁运行时，检测到列车进站后下次出发前，在列车门与屏蔽门关闭状态，拍摄地铁站台各列车门与屏蔽门之间的图像，作为各列车门的实时图像。
6.根据权利要求1所述地铁门异物检测方法，其特征在于：步骤S5中，在用当前帧实时图像与参考图像做相似度计算时，是分别计算实时图像与所有参考图像的相似值，并选择相似度最高的相似值与设定阈值进行比较。
7.根据权利要求1所述地铁门异物检测方法，其特征在于：步骤S6中，采用深度学习模型进行判断，若判断为有异物，则根据异物大小进行危险等级区分，异物越小，危险等级越低。
8.根据权利要求7所述地铁门异物检测方法，其特征在于：将异物的大小分为三个范围，属于第一范围的为最低危险等级，属于第二范围的为中等危险等级，属于第三范围的为最高危险等级。
9.根据权利要求7所述地铁门异物检测方法，其特征在于：步骤S7中，在检测到异物属于最低危险等级时，提醒清理；如果此次未清理，则将所述实时图像归于参考图像；在检测到异物属于高危险等级时，提醒清理；如果此次未清理，则下次检测到所述异物时，再次进行清理提醒。
CN202010046810.6A 2020-01-16 2020-01-16 一种地铁门异物检测方法 Active CN113128321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010046810.6A CN113128321B (zh) 2020-01-16 2020-01-16 一种地铁门异物检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010046810.6A CN113128321B (zh) 2020-01-16 2020-01-16 一种地铁门异物检测方法

Publications (2)

Publication Number Publication Date
CN113128321A CN113128321A (zh) 2021-07-16
CN113128321B true CN113128321B (zh) 2023-06-16

Family

ID=76771686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010046810.6A Active CN113128321B (zh) 2020-01-16 2020-01-16 一种地铁门异物检测方法

Country Status (1)

Country Link
CN (1) CN113128321B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117475202B (zh) * 2023-10-18 2024-08-13 中国矿业大学 一种轨道交通风险监测方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009279970A (ja) * 2008-05-19 2009-12-03 Mitsubishi Electric Corp 車両用戸挟み検知システムおよび戸挟み検知方法
CN103091724A (zh) * 2013-01-31 2013-05-08 华南理工大学 直线地铁站台屏蔽门与列车间异物自动检测方法及其装置
CN103512762A (zh) * 2012-06-29 2014-01-15 北京华兴致远科技发展有限公司 图像处理方法、装置及列车故障检测系统
JP2014084064A (ja) * 2012-10-26 2014-05-12 Mitsubishi Heavy Industries Transportation Equipment Engineering & Service Co Ltd プラットホームドア監視装置及びプラットホームドア監視方法
CN104049281A (zh) * 2014-07-02 2014-09-17 广州市地下铁道总公司 曲线地铁站台屏蔽门与列车间异物自动检测装置及方法
CN204065431U (zh) * 2014-08-20 2014-12-31 华南理工大学 用于地铁站台屏蔽门与列车之间缝隙异物检测的灯带装置
CN106251347A (zh) * 2016-07-27 2016-12-21 广东工业大学 地铁异物检测方法、装置、设备及地铁屏蔽门系统
CN109447090A (zh) * 2018-10-17 2019-03-08 宁波中车时代传感技术有限公司 一种屏蔽门障碍物检测方法及检测系统
CN109878552A (zh) * 2019-03-26 2019-06-14 广州地铁集团有限公司 基于机器视觉的轨道交通站台门与列车间异物监测装置
CN109886935A (zh) * 2019-01-28 2019-06-14 南京威翔科技有限公司 一种基于深度学习的道面异物检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5483702B2 (ja) * 2010-02-09 2014-05-07 東芝エレベータ株式会社 エレベータ滞留物検出装置
EP3151164A3 (en) * 2016-12-26 2017-04-12 Argosai Teknoloji Anonim Sirketi A method for foreign object debris detection
CN108304807A (zh) * 2018-02-02 2018-07-20 北京华纵科技有限公司 一种基于fpga平台和深度学习的轨道异物检测方法及系统
CN108490447B (zh) * 2018-03-21 2020-10-16 交控科技股份有限公司 站台门与列车的防夹系统和方法
CN108454635A (zh) * 2018-03-31 2018-08-28 广州明森科技股份有限公司 一种地铁站台的屏蔽门与列车门之间的异物检测系统
CN109472214A (zh) * 2018-10-17 2019-03-15 福州大学 一种基于深度学习航拍异物图像实时检测方法
CN109655932A (zh) * 2019-01-25 2019-04-19 宁波中车时代传感技术有限公司 一种基于图像识别的站台门异物检测与报警的方法及系统
CN109884727B (zh) * 2019-03-15 2022-03-04 Oppo广东移动通信有限公司 异物检测方法、异物检测装置和电子设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009279970A (ja) * 2008-05-19 2009-12-03 Mitsubishi Electric Corp 車両用戸挟み検知システムおよび戸挟み検知方法
CN103512762A (zh) * 2012-06-29 2014-01-15 北京华兴致远科技发展有限公司 图像处理方法、装置及列车故障检测系统
JP2014084064A (ja) * 2012-10-26 2014-05-12 Mitsubishi Heavy Industries Transportation Equipment Engineering & Service Co Ltd プラットホームドア監視装置及びプラットホームドア監視方法
CN103091724A (zh) * 2013-01-31 2013-05-08 华南理工大学 直线地铁站台屏蔽门与列车间异物自动检测方法及其装置
CN104049281A (zh) * 2014-07-02 2014-09-17 广州市地下铁道总公司 曲线地铁站台屏蔽门与列车间异物自动检测装置及方法
CN204065431U (zh) * 2014-08-20 2014-12-31 华南理工大学 用于地铁站台屏蔽门与列车之间缝隙异物检测的灯带装置
CN106251347A (zh) * 2016-07-27 2016-12-21 广东工业大学 地铁异物检测方法、装置、设备及地铁屏蔽门系统
CN109447090A (zh) * 2018-10-17 2019-03-08 宁波中车时代传感技术有限公司 一种屏蔽门障碍物检测方法及检测系统
CN109886935A (zh) * 2019-01-28 2019-06-14 南京威翔科技有限公司 一种基于深度学习的道面异物检测方法
CN109878552A (zh) * 2019-03-26 2019-06-14 广州地铁集团有限公司 基于机器视觉的轨道交通站台门与列车间异物监测装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Video Anomaly Detection with Sparse Coding Inspired Deep Neural Networks;Weixin Luo等;IEEE Transactions on Pattern Analysis and Machine Intelligence;1070 - 1084 *
地铁曲线站台空隙异物自动检测预警系统研究;谭飞刚;翟聪;;铁路计算机应用(06);65-67 *
基于K-means算法的地铁站台异物检测;雷焕宇;刘伟铭;;计算机与现代化(06);46-50 *

Also Published As

Publication number Publication date
CN113128321A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN106778595B (zh) 基于高斯混合模型的人群中异常行为的检测方法
CN106056079B (zh) 一种图像采集设备及人脸五官的遮挡检测方法
CN102982313B (zh) 烟雾检测的方法
CN112699801B (zh) 基于视频图像的火灾识别方法及系统
CN107911663A (zh) 一种基于计算机视觉检测的电梯乘客危险行为智能识别预警系统
CN110781723B (zh) 一种群体异常行为识别方法
Nguyen et al. Multistage real-time fire detection using convolutional neural networks and long short-term memory networks
CN111062273A (zh) 一种遗留物品追溯检测与报警方法
CN112744174B (zh) 车辆碰撞监测方法、装置、设备及计算机可读存储介质
CN110490043A (zh) 一种基于区域划分和特征提取的森林烟火检测方法
KR102185225B1 (ko) 딥러닝 및 데이터 결합을 이용한 싱크홀 탐지방법 및 이를 이용한 싱크홀 탐지시스템
CN110674680B (zh) 活体识别的方法、装置、存储介质
CN113469050A (zh) 基于图像细分类的火焰检测方法
CN113657305B (zh) 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法
CN110503021A (zh) 基于时间压缩轨迹特征识别的火灾烟雾检测方法
CN113128321B (zh) 一种地铁门异物检测方法
CN115691034A (zh) 一种智能家居异常情况告警方法、系统及存储介质
CN112396023A (zh) 基于机器学习的火灾检测方法
CN114373162B (zh) 用于变电站视频监控的危险区域人员入侵检测方法及系统
CN115937830A (zh) 一种面向特种车辆的驾驶员疲劳检测方法
CN111832450B (zh) 基于图像识别的持刀检测方法
CN113609937A (zh) 一种城市轨道交通的应急处理方法、系统及存储介质
Narwal et al. Real time system for unattended Baggag e detection
CN114758326A (zh) 一种交通岗位工作行为状态实时检测系统
CN116416565A (zh) 一种特定区域行人尾随及翻越检测方法和系统

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 315800 No.1, building 1, 88 daqihulin Road, Beilun District, Ningbo City, Zhejiang Province

Patentee after: NINGBO WECO OPTOELECTRONICS CO.,LTD.

Address before: 315800 No.1, building 1, No.51 Longtanshan Road, Daqi, Beilun District, Ningbo City, Zhejiang Province

Patentee before: NINGBO WECO OPTOELECTRONICS CO.,LTD.