CN113673398B - 一种旅客登机进入航空器的始终时间的自动识别方法 - Google Patents

一种旅客登机进入航空器的始终时间的自动识别方法 Download PDF

Info

Publication number
CN113673398B
CN113673398B CN202110918364.8A CN202110918364A CN113673398B CN 113673398 B CN113673398 B CN 113673398B CN 202110918364 A CN202110918364 A CN 202110918364A CN 113673398 B CN113673398 B CN 113673398B
Authority
CN
China
Prior art keywords
boarding
passenger
aircraft
passengers
track
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
CN202110918364.8A
Other languages
English (en)
Other versions
CN113673398A (zh
Inventor
曾小菊
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.)
Twist Fruit Technology Shenzhen Co ltd
Original Assignee
Twist Fruit Technology Shenzhen 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 Twist Fruit Technology Shenzhen Co ltd filed Critical Twist Fruit Technology Shenzhen Co ltd
Priority to CN202110918364.8A priority Critical patent/CN113673398B/zh
Publication of CN113673398A publication Critical patent/CN113673398A/zh
Application granted granted Critical
Publication of CN113673398B publication Critical patent/CN113673398B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种旅客登机进入航空器的始终时间的自动识别方法，通过视频分析和深度学习算法，监视旅客登机进入航空器的轨迹热力图，根据该热力图拟合获取旅客登机进入航空器的轨迹曲线，通过统计落在轨迹上的旅客数量获取旅客登机流量峰值曲线，通过分析流量峰值曲线特征，获取旅客登机进入航空器的始终时间节点，并将时间节点上报系统。

Description

一种旅客登机进入航空器的始终时间的自动识别方法
技术领域
本发明涉及一种自动识别方法，具体涉及一种旅客登机进入航空器的始终时间的自动识别方法。
背景技术
现国内机场在旅客登机时，大都有乘务员进行统计旅客登机进入航空器的始终时间节点，这种方式耗时长，依赖于工作人员的工作态度和细心程度，存在巨大安全隐患。
发明内容
本发明所要解决的技术问题是提供了一种旅客登机进入航空器的始终时间的自动识别方法；通过视频分析和深度学习算法，通过视频分析和深度学习算法，自动获取旅客登机进入航空器的始终时间，并上报时间节点，确保飞行器作业的规范性及安全性。
本发明旅客登机进入航空器的始终时间的自动识别方法是通过以下技术方案来实现的，根据登机旅客进入航空器轨迹热力图，拟合旅客登机进入航空器的轨迹曲线，通过统计处在轨迹上的旅客数量获取旅客登机流量峰值曲线，通过分析流量峰值曲线特征，获取旅客登机进入航空器的始终时间节点；
具体步骤如下：
一、识别停机坪区域上航空器、客梯车和摆渡车；
二、识别航空器的客舱门的开关状态；
三、监视客梯车区域旅客登机情况，并生成旅客登机热力图，根据热力图拟合旅客登机进入航空器的轨迹曲线；
四、统计处在轨迹上的旅客数量并绘制旅客登机流量峰值曲线图；
五、分析旅客登机流量峰值曲线图获取旅客登机进入航空器的始终时间节点。
作为优选的技术方案，识别停机坪区域上航空器、客梯车和摆渡车，具体识别方法如下：
标注和制作航空器、客梯车和摆渡车数据，并采用TensorFlow框架搭建RetinaNet模型主干网络选择resnet-50网络；然后清洗和增强数据，调整模型参数，完成模型训练，最后获得一个用于检测和识别航空器、客梯车和摆渡车的RetinaNet模型。
作为优选的技术方案，识别航空器的客舱门的开关状态，具体识别方法如下：
标注航空器的客舱门为打开状态的数据，并采用TensorFlow框架搭建级联分类器MTCNN；然后清洗和增强数据，调整模型参数，完成模型训练，最后获得一个用于检测航空器的客舱门为打开状态的MTCNN级联分类器。
作为优选的技术方案，监视客梯车区域旅客登机情况，并生成旅客登机热力图，根据热力图拟合旅客登机进入航空器的轨迹曲线，具体轨迹拟合方法如下：
使用混合高斯模型的背景/前景分割算法，提取并记录登机旅客位置，并记录旅客登机轨迹热力图，当登机旅客进入航空器的数量满足预设条件，则根据热力图的分布拟合获取旅客登机轨迹曲线。
作为优选的技术方案，分析旅客登机流量峰值曲线图获取旅客登机进入航空器的始终时间节点，具体方法如下：
当完成旅客登机轨迹曲线拟合后，根据记录的旅客登机位置信息，绘制旅客开始登机流量峰值曲线，该曲线各点值为10秒钟内的旅客登机数量，取曲线的第一个拐点作为旅客登机开始时间；当流量峰值曲线的值小于预设阈值且持续3分钟时间以上，则认为登机结束，取最后一个拐点作为旅客登机结束时间。
本发明的有益效果是：通过视频分析和深度学习算法，通过视频分析和深度学习算法，自动获取旅客登机进入航空器的始终时间，并上报时间节点，确保飞行器作业的规范性及安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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例，对于本领域普通技术人员来讲，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。
图1为本发明获取旅客登机进入航空器始终时间流程图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书（包括任何附加权利要求、摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
在本发明的描述中，需要理解的是，术语“一端”、“另一端”、“外侧”、“上”、“内侧”、“水平”、“同轴”、“中央”、“端部”、“长度”、“外端”等指示的方位或位置关系为基于附图所示的方位或位置关系，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，因此不能理解为对本发明的限制。
此外，在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本发明使用的例如“上”、“上方”、“下”、“下方”等表示空间相对位置的术语是出于便于说明的目的来描述如附图中所示的一个单元或特征相对于另一个单元或特征的关系。空间相对位置的术语可以旨在包括设备在使用或工作中除了图中所示方位以外的不同方位。例如，如果将图中的设备翻转，则被描述为位于其他单元或特征“下方”或“之下”的单元将位于其他单元或特征“上方”。因此，示例性术语“下方”可以囊括上方和下方这两种方位。设备可以以其他方式被定向（旋转90度或其他朝向），并相应地解释本文使用的与空间相关的描述语。
在本发明中，除非另有明确的规定和限定，术语“设置”、“套接”、“连接”、“贯穿”、“插接”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明的一种旅客登机进入航空器的始终时间的自动识别方法，根据登机旅客进入航空器轨迹热力图，拟合旅客登机进入航空器的轨迹曲线，通过统计处在轨迹上的旅客数量获取旅客登机流量峰值曲线，通过分析流量峰值曲线特征，获取旅客登机进入航空器的始终时间节点；
具体步骤如下：
一、识别停机坪区域上航空器、客梯车和摆渡车；
二、识别航空器的客舱门的开关状态；
三、监视客梯车区域旅客登机情况，并生成旅客登机热力图，根据热力图拟合旅客登机进入航空器的轨迹曲线；
四、统计处在轨迹上的旅客数量并绘制旅客登机流量峰值曲线图；
五、分析旅客登机流量峰值曲线图获取旅客登机进入航空器的始终时间节点。
本实施例中，识别停机坪区域上航空器、客梯车和摆渡车，具体识别方法如下：
标注和制作航空器、客梯车和摆渡车数据，并采用TensorFlow框架搭建RetinaNet模型主干网络选择resnet-50网络；然后清洗和增强数据，调整模型参数，完成模型训练，最后获得一个用于检测和识别航空器、客梯车和摆渡车的RetinaNet模型。
本实施例中，识别航空器的客舱门的开关状态，具体识别方法如下：
标注航空器的客舱门为打开状态的数据，并采用TensorFlow框架搭建级联分类器MTCNN；然后清洗和增强数据，调整模型参数，完成模型训练，最后获得一个用于检测航空器的客舱门为打开状态的MTCNN级联分类器；
设客机门高度为H1，客梯车宽为W2，高为H2，中心(Cx2,Cy2)；则旅客登机进入航空器的监视区域宽W=W2，高H=0.6*H2+H1，中心Cx=Cx2，中心Cy=Cy2-0.2*H2-0.5*H1。
本实施例中，监视客梯车区域旅客登机情况，并生成旅客登机热力图，根据热力图拟合旅客登机进入航空器的轨迹曲线，具体轨迹拟合方法如下：
使用混合高斯模型的背景/前景分割算法，提取并记录登机旅客位置，并记录旅客登机轨迹热力图，当登机旅客进入航空器的数量满足预设条件，则根据热力图的分布拟合获取旅客登机轨迹曲线。
工作过程如下：
（一）当航空器停稳后，检测和识别航空的位置以及检测和判断客梯车是否靠稳航空器；
（二）当客梯车靠稳航空器后，检测航空器客机门位置，根据客机门和客梯车位置、大小生成旅客登机进入航空器的监视区域，生成方法如下：设客机门高度为H1，客梯车宽为W2，高为H2，中心(Cx2,Cy2)；则旅客登机进入航空器的监视区域宽W=W2，高H=0.6*H2+H1，中心Cx=Cx2，中心Cy=Cy2-0.2*H2-0.5*H1。
（三）当第一辆摆渡车停稳后，使用混合高斯模型的背景/前景分割算法提取前景（即登机旅客），生成旅客登机进入航空器热力图；
（四）当热力图累计数量大于500或者监视时间大于3分钟，则对热力图进行四次多项式曲线拟合，获取旅客登机进入航空的路径轨迹曲线；
（五）根据旅客登机进入航空的路径轨迹曲线，统计生成在热力图生成期间旅客登机进入航空器的流量峰值曲线，其中峰点值为10秒钟内的旅客登机数量，通过寻找第一个峰值拐点确定旅客开始登机的时间节点，并上报该时间节点；
（六）继续监控旅客登机进入航空器的监视区域，流量峰值曲线的值小于预设阈值且持续3分钟时间以上，则认为登机结束，取最后一个拐点作为旅客登机结束时间，并上报时间节点。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (3)

1.一种旅客登机进入航空器的始终时间的自动识别方法，其特征在于，根据登机旅客进入航空器轨迹热力图，拟合旅客登机进入航空器的轨迹曲线，通过统计处在轨迹上的旅客数量获取旅客登机流量峰值曲线，通过分析流量峰值曲线特征，获取旅客登机进入航空器的始终时间节点；
具体步骤如下：
一、识别停机坪区域上航空器、客梯车和摆渡车；
二、识别航空器的客舱门的开关状态；
三、监视客梯车区域旅客登机情况，并生成旅客登机热力图，根据热力图拟合旅客登机进入航空器的轨迹曲线；
四、统计处在轨迹上的旅客数量并绘制旅客登机流量峰值曲线图；
五、分析旅客登机流量峰值曲线图获取旅客登机进入航空器的始终时间节点；
所述监视客梯车区域旅客登机情况，并生成旅客登机热力图，根据热力图拟合旅客登机进入航空器的轨迹曲线，具体轨迹拟合方法如下：
使用混合高斯模型的背景/前景分割算法，提取并记录登机旅客位置，并记录旅客登机轨迹热力图，当登机旅客进入航空器的数量满足预设条件，则根据热力图的分布拟合获取旅客登机轨迹曲线；
根据旅客登机进入航空的路径轨迹曲线，统计生成在热力图生成期间旅客登机进入航空器的流量峰值曲线，其中该曲线各点值为10秒钟内的旅客登机数量，通过寻找第一个峰值拐点确定旅客开始登机的时间节点，并上报该时间节点；继续监控旅客登机进入航空器的监视区域，流量峰值曲线的值小于预设阈值且持续3分钟时间以上，则认为登机结束，取最后一个拐点作为旅客登机结束时间，并上报时间节点。
2.根据权利要求1所述的旅客登机进入航空器的始终时间的自动识别方法，其特征在于：所述识别停机坪区域上航空器、客梯车和摆渡车，具体识别方法如下：
标注和制作航空器、客梯车和摆渡车数据，并采用TensorFlow框架搭建RetinaNet模型主干网络选择resnet-50网络；然后清洗和增强数据，调整模型参数，完成模型训练，最后获得一个用于检测和识别航空器、客梯车和摆渡车的RetinaNet模型。
3.根据权利要求1所述的旅客登机进入航空器的始终时间的自动识别方法，其特征在于：所述识别航空器的客舱门的开关状态，具体识别方法如下：
标注航空器的客舱门为打开状态的数据，并采用TensorFlow框架搭建级联分类器MTCNN；然后清洗和增强数据，调整模型参数，完成模型训练，最后获得一个用于检测航空器的客舱门为打开状态的MTCNN级联分类器。
CN202110918364.8A 2021-08-11 2021-08-11 一种旅客登机进入航空器的始终时间的自动识别方法 Active CN113673398B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110918364.8A CN113673398B (zh) 2021-08-11 2021-08-11 一种旅客登机进入航空器的始终时间的自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110918364.8A CN113673398B (zh) 2021-08-11 2021-08-11 一种旅客登机进入航空器的始终时间的自动识别方法

Publications (2)

Publication Number Publication Date
CN113673398A CN113673398A (zh) 2021-11-19
CN113673398B true CN113673398B (zh) 2024-04-09

Family

ID=78542238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110918364.8A Active CN113673398B (zh) 2021-08-11 2021-08-11 一种旅客登机进入航空器的始终时间的自动识别方法

Country Status (1)

Country Link
CN (1) CN113673398B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6850252B1 (en) * 1999-10-05 2005-02-01 Steven M. Hoffberg Intelligent electronic appliance system and method
JP2008181301A (ja) * 2007-01-24 2008-08-07 Mitsubishi Electric Corp 旅客搭乗誘導システム及びセンター処理装置
CN110610592A (zh) * 2019-09-25 2019-12-24 捻果科技(深圳)有限公司 一种视频分析和深度学习的机坪安全运行监控方法
CN112100230A (zh) * 2020-07-02 2020-12-18 深圳市时耕科技有限公司 一种客流统计分析的方法
CN112198538A (zh) * 2020-09-11 2021-01-08 中交第二公路勘察设计研究院有限公司 基于北斗的野外勘察人员安全监测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170173262A1 (en) * 2017-03-01 2017-06-22 François Paul VELTZ Medical systems, devices and methods

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6850252B1 (en) * 1999-10-05 2005-02-01 Steven M. Hoffberg Intelligent electronic appliance system and method
JP2008181301A (ja) * 2007-01-24 2008-08-07 Mitsubishi Electric Corp 旅客搭乗誘導システム及びセンター処理装置
CN110610592A (zh) * 2019-09-25 2019-12-24 捻果科技(深圳)有限公司 一种视频分析和深度学习的机坪安全运行监控方法
CN112100230A (zh) * 2020-07-02 2020-12-18 深圳市时耕科技有限公司 一种客流统计分析的方法
CN112198538A (zh) * 2020-09-11 2021-01-08 中交第二公路勘察设计研究院有限公司 基于北斗的野外勘察人员安全监测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Human Behavior-Based Target Tracking With an Omni-Directional Thermal Camera;Emrah Benli;《IEEE Xplore》;全文 *
基于区域人流特征的城市功能用地属性识别方法研究;王能钱;《CNKI中国知网》;全文 *
基于大数据的区域人流监控平台的设计与实现;董迦勒;《CNKI中国知网》;全文 *

Also Published As

Publication number Publication date
CN113673398A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
US10223597B2 (en) Method and system for calculating passenger crowdedness degree
CN110610592B (zh) 一种视频分析和深度学习的机坪安全运行监控方法
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
CN108647630A (zh) 一种基于视频识别的危险驾驶行为监督方法与装置
CN110379209B (zh) 一种航班作业流程节点规范监控报警方法
EP2535843A1 (en) Method and system for population flow statistics
CN112130168B (zh) 一种用于折返控制的列车位置状态检测方法及系统
CN111488803A (zh) 一种融合目标检测和目标跟踪的机场目标行为理解系统
DE102016224912B4 (de) Zugangskontrollsystem und Zugangskontrollverfahren
CN113673398B (zh) 一种旅客登机进入航空器的始终时间的自动识别方法
CN113705382B (zh) 一种用于旅客离机离开航空器的始终时间的自动识别方法
CN109255330A (zh) 一种基于视频监控的飞机货舱门开启关闭自动检测方法
CN111353451A (zh) 电瓶车检测方法、装置、计算机设备及存储介质
CN110083058A (zh) 基于时序qar参数的重着陆分类方法
CN107416630A (zh) 电梯非正常关闭的检测方法和系统
CN111776905B (zh) 一种结合重识别的电瓶车入梯告警方法及系统
CN112784684A (zh) 智能执勤分析评价方法及其系统
CN209373685U (zh) 一种基于人脸识别的非配合式门禁装置
CN111666879A (zh) 一种基于大数据框架的公交客流分析与规划系统和方法
CN116563986A (zh) 一种智能楼宇门禁系统和方法
CN110148061A (zh) 一种煤矿系统的自动控制方法
CN112966636A (zh) 一种用于民航机场飞行区客梯车靠接航空器的自动识别方法
CN110855392A (zh) 一种智能清客服务系统及方法
CN114524339A (zh) 电梯轿厢安全运行检测方法、装置、设备及存储介质
CN112001335A (zh) 一种地铁乘客不安全行为风险评估界面系统

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