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 PDFInfo
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000013136 deep learning model Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
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。
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)
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)
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)
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 |
-
2020
- 2020-01-16 CN CN202010046810.6A patent/CN113128321B/zh active Active
Patent Citations (10)
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)
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. |