CN113911890A - 一种自动扶梯梯级缺失检测方法 - Google Patents
一种自动扶梯梯级缺失检测方法 Download PDFInfo
- Publication number
- CN113911890A CN113911890A CN202111281092.1A CN202111281092A CN113911890A CN 113911890 A CN113911890 A CN 113911890A CN 202111281092 A CN202111281092 A CN 202111281092A CN 113911890 A CN113911890 A CN 113911890A
- Authority
- CN
- China
- Prior art keywords
- escalator
- missing
- step loss
- machine room
- neural network
- 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.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B29/00—Safety devices of escalators or moving walkways
- B66B29/005—Applications of security monitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B25/00—Control of escalators or moving walkways
Landscapes
- Escalators And Moving Walkways (AREA)
Abstract
本发明公开了一种自动扶梯梯级缺失检测方法,采用网络摄像机和梯级缺失检测控制器进行自动扶梯梯级缺失检测,在梯级缺失检测控制器中导入梯级缺失模型图像,梯级缺失模型图像是基于神经网络和深度学习形成的模型图像。本发明的自动扶梯梯级缺失检测方法,采用网络摄像机和梯级缺失检测控制器进行自动扶梯梯级缺失检测,通过图像识别分析技术直接判定是否有梯级缺失,避免了传统梯级监测采用的计算速度通过脉冲间隔推导出的梯级缺失存在的盲区问题,可以实现零风险,确保自动扶梯的安全运行。
Description
技术领域
本发明涉及一种自动扶梯梯级缺失检测方法。
背景技术
随着经济迅猛发展,我国自动扶梯需求大增,自动扶梯系统安全性逐步提高,但是扶梯系统稳定性始终存在些隐患,尤其是针对自动扶梯梯级测速和梯级缺失检测存在不够稳定的特点,请参阅图1,现在传统的梯级缺失检测是采用接近开关检测梯级凸出部分,接近开关2'安装在梯级1'内部,接近开关2'正对梯级1'凸出部分,每个梯级1'走过后接近开关2'就感应到一个脉冲信号,该接近开关2'通过检测梯级1'上凸出的金属部分,发出脉冲给上机房3'的控制柜4'内的安全监控板,安全监控板根据脉冲数量计算梯级速度及对比脉冲间隔时间来判断是否存在梯级缺失情况,也就是安全监控板在规定时间内感知到脉冲信号或未感知脉冲信号来判断梯级是否缺失,检测系统的稳定性取决与接近开关的检测距离。由于大部分梯级1'采用铝合金,接近开关2'对铝材质检测距离较小仅5-10毫米,调整起来非常困难,调得过近容易撞梯级损坏接近开关,调得间距过大又经常感应不到经常误报梯级缺失故障,而且接近开关一般装在上下梯级之间,调整时候需要拆掉梯级,因此调整和维修起来相当困难,且系统不够稳定,经常会发生调整好后运行一段时间后就偶尔会报梯级缺失故障,因此成为自动扶梯最困难的部分,因此行业内一直在研究找到一个新技术来解决上述难题。
发明内容
本发明的目的是克服现有技术的缺陷,提供一种自动扶梯梯级缺失检测方法,采用网络摄像机和梯级缺失检测控制器进行自动扶梯梯级缺失检测,通过图像识别分析技术直接判定是否有梯级缺失,避免了传统梯级监测采用的计算速度通过脉冲间隔推导出的梯级缺失存在的盲区问题,可以实现零风险,确保自动扶梯的安全运行。
实现上述目的的技术方案是:一种自动扶梯梯级缺失检测方法,采用网络摄像机和梯级缺失检测控制器进行自动扶梯梯级缺失检测,包括以下步骤:
S1,在梯级缺失检测控制器中导入梯级缺失模型图像,所述梯级缺失模型图像是基于神经网络和深度学习形成的模型图像,具体形成流程为:
S11,图片数据采集步骤:通过安装在自动扶梯上、下机房处的网络摄像机,采集梯级运动图像以及梯级缺失图像;
S12,数据清洗和预处理步骤:对采集到的梯级运动图像以及梯级缺失图像中存在的污染进行清洗,再进行平移、旋转以及加噪声预处理;
S13,数据导入步骤:把经过预处理后的图像分别导入神经网络模块;
S14,神经网络训练步骤:通过神经网络模块对经过预处理的图像进行深度学习训练,训练至准确识别出梯级表面凹槽和黄色边框,判断梯级是否缺失;
S15,输出模型步骤:完成神经网络训练后,得到基于神经网络和深度学习形成的梯级缺失模型图像,将梯级缺失模型图像导入至所述梯级缺失检测控制器中;
S2,所述自动扶梯上、下机房的控制柜内分别设置有一个梯级缺失检测控制器,所述自动扶梯上、下机房处的网络摄像机实时拍摄梯级图像,并将拍摄到的梯级图像通过网络传输给相应的梯级缺失检测控制器;
S3,所述梯级缺失检测控制器将接收的梯级图像与梯级缺失模型图像进行对比后,判断出梯级是否缺失,如缺失,所述梯级缺失检测控制器通过继电器输出缺失信号给自动扶梯控制主板,自动扶梯控制主板立即进行停止输出,自动扶梯停止运行。
上述的一种自动扶梯梯级缺失检测方法,其中,所述网络摄像机安装在自动扶梯上、下机房处的梯级的侧面或梯级防护挡板下面。
上述的一种自动扶梯梯级缺失检测方法,其中,所述自动扶梯控制主板进行的停止输出包括变频器指令输出、变频器输出端接触器输出以及抱闸接触器输出。
本发明的自动扶梯梯级缺失检测方法,采用网络摄像机和梯级缺失检测控制器进行自动扶梯梯级缺失检测,通过图像识别分析技术直接判定是否有梯级缺失,避免了传统梯级监测采用的计算速度通过脉冲间隔推导出的梯级缺失存在的盲区问题,可以实现零风险,确保自动扶梯的安全运行。
附图说明
图1为传统的采用接近开关进行梯级缺失检测的工作原理图;
图2为本发明的自动扶梯梯级缺失检测方法的工作原理图;
图3为梯级缺失检测控制器中导入的梯级缺失模型图像的形成流程图;
图4为网络摄像机和梯级缺失检测控制器的安装示意图。
具体实施方式
为了使本技术领域的技术人员能更好地理解本发明的技术方案,下面结合附图对其具体实施方式进行详细地说明:
请参阅图2、图3和图4,本发明的最佳实施例,一种自动扶梯梯级缺失检测方法,采用网络摄像机5和梯级缺失检测控制器6进行自动扶梯梯级缺失检测,包括以下步骤:
S1,在梯级缺失检测控制器6中导入梯级缺失模型图像,梯级缺失模型图像是基于神经网络和深度学习形成的模型图像,具体形成流程为:
S11,图片数据采集步骤:梯级缺失模型图像是基于深度学习实现的,需要大量的标注数据作为样本,通过安装在自动扶梯上、下机房处的网络摄像机,采集大量梯级运动图像以及梯级缺失图像;网络摄像机通过RJ45网络接口实现网络传输,图像的分辨率是640*480;
S12,数据清洗和预处理步骤:对采集到的梯级运动图像以及梯级缺失图像中存在的污染进行清洗,比如舍弃大量重复图像、过爆、过暗等图像,再进行平移、旋转以及加噪声预处理;
S13,数据导入步骤:把经过预处理后的图像分别导入神经网络模块;
S14,神经网络训练步骤:通过神经网络模块对经过预处理的图像进行深度学习训练,训练至准确识别出梯级表面凹槽和黄色边框,判断梯级是否缺失;
S15,输出模型步骤:完成神经网络训练后,得到基于神经网络和深度学习形成的梯级缺失模型图像,将梯级缺失模型图像导入至所述梯级缺失检测控制器中;
S2,自动扶梯上、下机房的控制柜内分别设置有一个梯级缺失检测控制器6,梯级缺失检测控制器6具有继电器61和RJ45网络接口62。自动扶梯上、下机房处的网络摄像机实时拍摄梯级图像,并将拍摄到的梯级图像通过网络传输给相应的梯级缺失检测控制器;
S3,梯级缺失检测控制器6将接收的梯级图像与梯级缺失模型图像进行对比后,判断出梯级是否缺失,如缺失,梯级缺失检测控制器6通过继电器61输出缺失信号给自动扶梯控制主板7,自动扶梯控制主板7立即进行停止输出,自动扶梯停止运行。自动扶梯控制主板7外接变频器8,自动扶梯控制主板进行的停止输出包括变频器指令输出、变频器输出端接触器输出以及抱闸接触器输出。
再请参阅图4,本发明的自动扶梯梯级缺失检测方法,网络摄像机5安装在自动扶梯上、下机房处的梯级1的侧面或梯级防护挡板下面,在检修时,不需要拆卸梯级,检修起来更方便。图4中显示了上机房3的控制柜4内设置的梯级缺失检测控制器6,下机房内的梯级缺失检测控制器参照上机房内的设置。
本发明的自动扶梯梯级缺失检测方法,梯级缺失检测控制器6是ARM嵌入式系统,选用RK1808芯片,RK1808芯片具有支持2MP图像处理器,具有最大到1080P的视频输入,支持千兆以太网。RK1808是AI芯片,CPU采用双核CORTEX-A35架构,最高频率1.6GHz,VPU支持1080P常规视频格式的编码和解码,支持OpenCL/OpenVX,支持TensorFlow、Caffe模型,通过与RK3399配合使用,组合成1+1的NPU高性能的AI神经网络加速集群。
采用Opencv4.0进行图像导入、图像分割、模板匹配以及神经网络训练,其中关键点是模板匹配,由于梯级1一般有许多凹槽组成,材质基本都是不锈钢和铝合金,颜色均有灰度,考虑到梯级1还有一个显著特征是黄色边框,因此采用RGB颜色以方便抓住特征点,实现匹配。采用CVTM_SQDIFF平方差匹配,采用模板和图像间的乘法操作,CV.TM_CCORR相关性匹配,将模板对其平均值与图像平均值的相对值进行匹配,CV.TM_CCOEFF相关系数撇配。
网络摄像机5采用半球网络摄像机,带ICR功能30万像素的网络摄像机,OEM电源,具有ICR夜视功能,码流1Mbps。
本发明的自动扶梯梯级缺失检测方法,通过神经网络,深度学习后将模型图像导入梯级缺失检测控制器6,判断出来梯级缺失后继电器输出报警信号,切断安全回路,实现安全保护,由于网络摄像机检出不依赖运动和计算梯级运行时间计算梯级间隔是否过大来判断梯级缺失,不会出现梯级缺失复位后继续能开,导致梯级缺失盲区问题。在未开机前网络摄像机检测到梯级缺失后一直保持报警状态,此时系统设计成仅检修模式可以运行,检修模式仅由维修人员可以操作,避免由于盲区导致危险,实现真正意义的零风险检测。
本发明的自动扶梯梯级缺失检测方法,是一种全新的检测技术,与采用接近开关梯级缺失通过计算梯级速度和脉冲间隔确定梯级缺失显著不同,本发明通过图像识别和分析技术,通过抓拍的图片与梯级缺失的图片做对比,来直接识别出梯级缺失,是一种基于神经网络和深度学习的崭新技术,该技术是直接检出梯级缺失的好方法,避免了传统梯级监测采用的计算速度通过脉冲间隔推导出的梯级缺失存在的盲区问题,实现零风险,确保自动扶梯的安全运行。
本发明的自动扶梯梯级缺失检测方法,是一种直接检测梯级的新型技术,一种有别于现有采用接近开关检测的梯级测速和梯级缺失检测技术,一种有别于传统通过计算梯级速度计算和梯级检测脉冲间隔时间计算和逻辑分析后得出的梯级缺失技术。可以显著提高了系统可靠性、稳定性,解决了目前梯级缺失稳定性差、故障多、有盲区、调试困难等诸多难题。简而言之就是采用神经网络和深度学习等AI新技术,植入ARM嵌入式系统,对梯级图像进行识别,识别出梯级缺失输出报警信号,停止设备运行的新技术,是AI图像处理运用到自动扶梯梯级检测方面的新发明。
综上所述,本发明的自动扶梯梯级缺失检测方法,采用网络摄像机和梯级缺失检测控制器进行自动扶梯梯级缺失检测,通过图像识别分析技术直接判定是否有梯级缺失,避免了传统梯级监测采用的计算速度通过脉冲间隔推导出的梯级缺失存在的盲区问题,可以实现零风险,确保自动扶梯的安全运行。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (3)
1.一种自动扶梯梯级缺失检测方法,其特征在于,采用网络摄像机和梯级缺失检测控制器进行自动扶梯梯级缺失检测,包括以下步骤:
S1,在梯级缺失检测控制器中导入梯级缺失模型图像,所述梯级缺失模型图像是基于神经网络和深度学习形成的模型图像,具体形成流程为:
S11,图片数据采集步骤:通过安装在自动扶梯上、下机房处的网络摄像机,采集梯级运动图像以及梯级缺失图像;
S12,数据清洗和预处理步骤:对采集到的梯级运动图像以及梯级缺失图像中存在的污染进行清洗,再进行平移、旋转以及加噪声预处理;
S13,数据导入步骤:把经过预处理后的图像分别导入神经网络模块;
S14,神经网络训练步骤:通过神经网络模块对经过预处理的图像进行深度学习训练,训练至准确识别出梯级表面凹槽和黄色边框,判断梯级是否缺失;
S15,输出模型步骤:完成神经网络训练后,得到基于神经网络和深度学习形成的梯级缺失模型图像,将梯级缺失模型图像导入至所述梯级缺失检测控制器中;
S2,所述自动扶梯上、下机房的控制柜内分别设置有一个梯级缺失检测控制器,所述自动扶梯上、下机房处的网络摄像机实时拍摄梯级图像,并将拍摄到的梯级图像通过网络传输给相应的梯级缺失检测控制器;
S3,所述梯级缺失检测控制器将接收的梯级图像与梯级缺失模型图像进行对比后,判断出梯级是否缺失,如缺失,所述梯级缺失检测控制器通过继电器输出缺失信号给自动扶梯控制主板,自动扶梯控制主板立即进行停止输出,自动扶梯停止运行。
2.根据权利要求1所述的一种自动扶梯梯级缺失检测方法,其特征在于,所述网络摄像机安装在自动扶梯上、下机房处的梯级的侧面或梯级防护挡板下面。
3.根据权利要求1所述的一种自动扶梯梯级缺失检测方法,其特征在于,步骤S3中,所述自动扶梯控制主板进行的停止输出包括变频器指令输出、变频器输出端接触器输出以及抱闸接触器输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111281092.1A CN113911890A (zh) | 2021-11-02 | 2021-11-02 | 一种自动扶梯梯级缺失检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111281092.1A CN113911890A (zh) | 2021-11-02 | 2021-11-02 | 一种自动扶梯梯级缺失检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113911890A true CN113911890A (zh) | 2022-01-11 |
Family
ID=79243783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111281092.1A Pending CN113911890A (zh) | 2021-11-02 | 2021-11-02 | 一种自动扶梯梯级缺失检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113911890A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205257749U (zh) * | 2015-12-31 | 2016-05-25 | 苏州汇川技术有限公司 | 自动扶梯安全监控系统 |
CN107662872A (zh) * | 2016-07-29 | 2018-02-06 | 奥的斯电梯公司 | 乘客运输机的监测系统及其监测方法 |
CN107826919A (zh) * | 2017-10-20 | 2018-03-23 | 中国矿业大学 | 一种提升系统关键部件多状态健康监测装置及监测方法 |
CN109472769A (zh) * | 2018-09-26 | 2019-03-15 | 成都数之联科技有限公司 | 一种不良图像缺陷检测方法和系统 |
JP6816923B1 (ja) * | 2019-11-29 | 2021-01-20 | 東芝エレベータ株式会社 | 異常検出装置 |
-
2021
- 2021-11-02 CN CN202111281092.1A patent/CN113911890A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205257749U (zh) * | 2015-12-31 | 2016-05-25 | 苏州汇川技术有限公司 | 自动扶梯安全监控系统 |
CN107662872A (zh) * | 2016-07-29 | 2018-02-06 | 奥的斯电梯公司 | 乘客运输机的监测系统及其监测方法 |
CN107826919A (zh) * | 2017-10-20 | 2018-03-23 | 中国矿业大学 | 一种提升系统关键部件多状态健康监测装置及监测方法 |
CN109472769A (zh) * | 2018-09-26 | 2019-03-15 | 成都数之联科技有限公司 | 一种不良图像缺陷检测方法和系统 |
JP6816923B1 (ja) * | 2019-11-29 | 2021-01-20 | 東芝エレベータ株式会社 | 異常検出装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403443B (zh) | 一种基于机器视觉的多绳多层缠绕排绳状态在线检测方法及装置 | |
CN107679471B (zh) | 基于视频监控平台的室内人员空岗检测方法 | |
CN112669497A (zh) | 基于立体视觉技术的人行通道感知系统及方法 | |
CN111046583A (zh) | 基于DTW算法和ResNet网络的转辙机故障诊断方法 | |
CN109867186B (zh) | 一种基于智能视频分析技术的电梯困人检测方法及系统 | |
CN110519566B (zh) | 一种基于视频处理的皮带运动状态监测方法 | |
CN110348380A (zh) | 一种可视化接地刀闸状态视频识别系统及方法 | |
CN116142913A (zh) | 一种基于大数据的设备健康状态分析方法及系统 | |
CN108584588B (zh) | 一种基于大规模流数据的电梯门故障检测方法 | |
CN112560650A (zh) | 一种电梯门标签提取及监控画面异常检测方法 | |
CN115527158A (zh) | 一种基于视频监控的人员异常行为检测方法及装置 | |
CN116152202A (zh) | 基于图像识别技术和红外热成像技术的设备外观检测系统 | |
CN115100562A (zh) | 基于视频图像及深度学习的设备线路智能监测系统及方法 | |
CN114550044A (zh) | 基于目标检测网络的电梯轿厢异常事件监测预警系统 | |
CN113911890A (zh) | 一种自动扶梯梯级缺失检测方法 | |
KR20180081645A (ko) | 지하철 스크린도어에서 안전 이상을 실시간으로 검출하기 위한 임베디드 비전시스템 및 그 방법 | |
CN113376175A (zh) | 一种基于图像特征的涡流纺断纱检测方法 | |
CN206370904U (zh) | 一种远程在线监控机器人系统 | |
CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及系统 | |
CN203733261U (zh) | 防自杀通报系统 | |
CN116523893A (zh) | 一种基于机器视觉的飞钢检测系统及方法 | |
CN110598750A (zh) | 一种基于转辙机动作曲线相似度特征的工况识别方法 | |
CN111105395B (zh) | 一种用于输电运行监测的ai智能云台 | |
CN114511987A (zh) | 一种基于云计算的工业信息智能化监控系统 | |
CN114549406A (zh) | 热轧线的管理方法、装置及系统、计算设备和存储介质 |
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 |