CN114408689A - 控制电梯运行的方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请实施例公开一种控制电梯运行的方法、装置、电子设备和存储介质；包括：响应第一目标楼层的电梯召唤指令，获取电梯的轿厢到达第一目标楼层前的第一轿厢内景照片；将第一轿厢内景照片输入至预训练的判别模型中，判别模型为基于卷积神经网络和监督学习获得的模型；通过判别模型输出轿厢到达第一目标楼层时是否开门的第一判断结果；根据第一判断结果控制电梯的运行。电梯的控制器可以利用判别模型，根据电梯内的第一轿厢内景照片决定电梯是否在触发电梯召唤指令的乘客所在的楼层停留，而非单一的根据电梯内的承载重量决定。因此，本申请实施例提供的控制电梯运行的方法与现有技术相比，提升了电梯的运行效率。

Description

控制电梯运行的方法、装置、电子设备和存储介质

技术领域

本申请涉及计算机领域，具体涉及一种控制电梯运行的方法、装置、电子设备和存储介质。

背景技术

现有技术中，电梯外部的乘客可以在其所在楼层按下电梯按钮，触发搭乘召唤指令。电梯是否响应搭乘召唤指令，通常是根据电梯是否满载来实现的：若电梯为非满载状态，则电梯会响应搭乘召唤指令，在乘客所在楼层停留以搭乘按下电梯按钮的乘客；若电梯为满载状态，则电梯会忽略搭乘召唤指令，略过乘客所在楼层，直到电梯内有乘客离开使电梯恢复未满载状态。

然而，现有技术中常常会出现电梯虽然未满载，但已经无法再搭乘乘客的情况。在这种情况下，电梯依然会响应电梯外部的乘客触发的搭乘召唤指令，在对应楼层停留，且又无法进人，降低了电梯的运行效率。

发明内容

本申请实施例提供一种控制电梯运行的方法、装置、电子设备和存储介质，可以改善现有技术中电梯运行效率低的问题。

本申请实施例提供一种控制电梯运行的方法，所述方法包括：响应第一目标楼层的电梯召唤指令，获取电梯的轿厢到达所述第一目标楼层前的第一轿厢内景照片；将所述第一轿厢内景照片输入至预训练的判别模型中，所述判别模型为基于卷积神经网络和监督学习获得的模型；通过所述判别模型输出所述轿厢到达所述第一目标楼层时是否开门的第一判断结果；根据所述第一判断结果控制所述电梯的运行。

本申请实施例还提供一种控制电梯运行的装置，所述装置包括：

第一指令响应单元，用于响应第一目标楼层的电梯召唤指令，获取电梯的轿厢到达所述第一目标楼层前的第一轿厢内景照片；

第一照片输入单元，用于将所述第一轿厢内景照片输入至预训练的判别模型中，所述判别模型为基于卷积神经网络和监督学习获得的模型；

第一结果输出单元，用于通过所述判别模型输出所述轿厢到达所述第一目标楼层时是否开门的第一判断结果；

控制电梯运行的单元，用于根据所述第一判断结果控制所述电梯的运行。

在一些实施例中，所述装置还包括：

第二照片获取单元，用于响应第二目标楼层的电梯召唤指令，获取所述电梯的轿厢到达所述第二目标楼层前的第二轿厢内景照片；

第二结果输出单元，用于将所述第二轿厢内景照片输入至判别模型，通过所述判别模型输出所述电梯的轿厢到达所述第二目标楼层是否开门的第二判断结果；

用户进入判断单元，用于检测所述轿厢到达所述第二目标楼层时是否有用户进入所述轿厢内，得到第二检测结果；

参数修正单元，用于根据所述第二检测结果和所述第二判断结果对所述判别模型的参数进行修正；

模型训练单元，用于基于参数修正后的所述判别模型进行下一轮的训练，直到满足预设的收敛条件，得到预训练的判别模型。

在一些实施例中，所述参数修正单元，包括：

照片标记子单元，用于根据所述第二检测结果对所述第二轿厢内景照片进行标记；

训练样本子单元，用于将标记后的所述第二轿厢内景照片作为模型训练样本；

参数修正子单元，用于根据所述模型训练样本和所述第二判断结果对所述判别模型的参数进行修正。

在一些实施例中，所述装置还包括：

净重阈值第一判断单元，用于确定所述轿厢当前的净重未达到预设的净重阈值；

所述装置还包括：

净重阈值第二判断单元，用于当所述轿厢当前的净重达到预设的净重阈值时，控制所述轿厢到达所述第一目标楼层时不开门。

在一些实施例中，参数修正单元，具体用于当所述第二判断结果为所述电梯的轿厢到达所述第二目标楼层时不开门，且所述第二检测结果为所述轿厢到达所述第二目标楼层时有用户进入所述轿厢内时，或者当所述第二判断结果为所述电梯的轿厢到达所述第二目标楼层时开门，且所述检测结果为所述轿厢到达所述第二目标楼层时没有用户进入所述轿厢内时，对所述判别模型的参数进行修正。

在一些实施例中，用户进入判断单元，包括：

净重判断子单元，用于当所述轿厢到达所述第二目标楼层时，检测所述轿厢的净重是否增加；

第一结果子单元，用于当所述轿厢的净重增加时，确定所述轿厢到达所述第二目标楼层时有用户进入所述轿厢内；

第二结果子单元，用于当所述轿厢的净重未增加时，确定所述轿厢到达所述第二目标楼层时没有用户进入所述轿厢内。

在一些实施例中，所述装置还包括：

第一检测结果单元，用于检测所述轿厢到达所述第一目标楼层时是否有用户进入所述轿厢内，得到第一检测结果；

模型更新单元，用于根据所述第一判断结果和所述第一检测结果对所述预训练的判别模型的参数进行修改，得到更新后的预训练的判别模型。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例所提供的任一种控制电梯运行的方法中的步骤。

本申请实施例提供的控制电梯运行的方法中，电梯的控制器可以接收由电梯外部的位于第一目标楼层的乘客触发的电梯召唤指令，并获取电梯的轿厢到达所述第一目标楼层前的第一轿厢内景照片。控制器可以将第一轿厢内景照片输入至预训练的判别模型中，从而获取判别模型输出的第一判断结果；该第一判断结果用于表征电梯的轿厢到达第一目标楼层时，该轿厢是否开门。控制器可以根据该第一判断结果控制电梯在达到第一目标楼层时是否开门的动作。

在本申请中，电梯的控制器可以利用判别模型，根据电梯内的第一轿厢内景照片决定电梯是否在触发电梯召唤指令的乘客所在的楼层停留，而非单一的根据电梯内的承载重量决定。若第一轿厢内景照片显示电梯内的承载密度较高，即使电梯处于未满载状态，控制器依然可以判定电梯在当前状态下无法继续进入新的乘客。因此，本申请实施例提供的控制电梯运行的方法与现有技术相比，提升了电梯的运行效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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1a是本申请实施例提供的控制电梯运行的方法的场景示意图；

图1b是本申请一实施例提供的控制电梯运行的方法的流程示意图；

图1c示出了一种具体实施方式中的承载情况照片的场景示意图；

图1d示出了另一种具体实施方式中的承载情况照片的场景示意图；

图2是本申请另一实施例提供的控制电梯运行的方法的流程示意图；

图3是本申请一实施例提供的控制电梯运行的装置的一种结构示意图；

图4是本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供一种控制电梯运行的方法、装置、电子设备和存储介质。

其中，该控制电梯运行的装置具体可以集成在电子设备中，该电子设备可以为电梯对应的控制器、服务器等设备。其中，控制器可以为单片机、嵌入式微控制器等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。

在一些实施例中，该控制电梯运行的装置还可以集成在多个电子设备中，比如，控制电梯运行的装置可以集成在多个服务器中，由多个服务器来实现本申请的控制电梯运行的方法。

在一些实施例中，服务器也可以以终端的形式来实现。

例如，参考图1a，上述的电子设备可以执行如下方法：响应第一目标楼层的电梯召唤指令，获取电梯的轿厢到达所述第一目标楼层前的第一轿厢内景照片；将所述第一轿厢内景照片输入至预训练的判别模型中，所述判别模型为基于卷积神经网络和监督学习获得的模型；通过所述判别模型输出所述轿厢到达所述第一目标楼层时是否开门的第一判断结果；根据所述第一判断结果控制所述电梯的运行。

以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。

在本实施例中，提供了一种控制电梯运行的方法，如图1b所示，该控制电梯运行的方法应用在目标电梯对应的控制器，该方法的具体流程可以如下步骤110至步骤140：

110、响应第一目标楼层的电梯召唤指令，获取电梯的轿厢到达所述第一目标楼层前的第一轿厢内景照片。

电梯召唤指令可以由位于第一目标楼层、且期望搭乘电梯前往其他楼层的乘客通过点按表征“上行”或“下行”的按钮触发。

上述的电梯为控制器根据多部电梯的当前运行情况而确定出的最有可能响应电梯召唤指令的电梯。其中，当前运行情况包括每部电梯当前所在的楼层、当前的运行方向、当前的承载重量等。

第一轿厢内景照片为反映电梯内的承载密度的照片。详情请参见图1c和图1d，图1c示出了电梯里人员较多的情况，图1d示出了电梯里虽然人员较少但承载有体积较大的纸箱的情况，无论是图1c还是图1d，均可以视为电梯内的承载密度较大的情况。

控制器在接收到电梯召唤指令之后，可以控制位于电梯内的摄像头拍摄第一轿厢内景照片。

可选地，在一种具体实施方式中，第一轿厢内景照片可以通过如下方式获取：

当所述电梯所处的位置与所述第一目标楼层的竖直距离小于预设距离值时，获取目标电梯内的第一轿厢内景照片。

预设距离值为预先设置的一个距离值，可选地，该距离值可以是相邻两个楼层上下之间的距离，即楼层的层高，例如第i楼层与第i+1楼层之间的距离。第一轿厢内景照片可以由摄像头在电梯位于第一目标楼层的上一个楼层或下一个楼层的时候拍摄，例如，不妨设第一目标楼层是第j楼层，则摄像头可以在电梯位于第j-1楼层，且运行方向为朝上的情况下拍摄第一轿厢内景照片；摄像头也可以在电梯位于第j+1楼层，且运行方向为朝下的情况下拍摄第一轿厢内景照片。摄像头拍摄第一轿厢内景照片之后，可以立即将拍摄到的第一轿厢内景照片传输给控制器。

在上述的实施方式中，第一轿厢内景照片可以由电梯内的摄像头在电梯即将到达第一目标楼层时拍摄，摄像头在完成拍摄后，便将拍摄到的第一轿厢内景照片传输给控制器。由于第一轿厢内景照片是在电梯即将到达第一目标楼层时拍摄的，因此，此时第一轿厢内景照片所反映出的承载密度便是在搭乘电梯外部的乘客前、不再发生变化的承载密度，控制器依据该第一轿厢内景照片所反映出的承载密度能够更准确地判断当前的电梯能否再承载电梯外部的乘客，由于在前往第一目标楼层的过程中仅进行过一次第一轿厢内景照片的拍摄、传输和分析，有效节省了控制器的运算资源。

可选地，在另一种具体实施方式中，第一轿厢内景照片还可以通过如下方式获取：

若所述电梯在到达所述第一目标楼层前有停留，获取在停留后的继续运行的所述电梯内的承载照片，并将所述承载照片作为新的第一轿厢内景照片。

在上述的实施方式中，电梯内的摄像头可以在控制器接收电梯召唤指令后立即拍摄第一轿厢内景照片。然而，在摄像头拍摄第一轿厢内景照片后至电梯到达第一目标楼层前的这段时间内，电梯可以响应于位于电梯内的乘客触发的楼层停留指令，在与楼层停留指令对应的楼层停留，以供电梯内的乘客走出；电梯也可以响应于电梯外部的位于其他楼层的乘客触发的电梯召唤指令，并在与电梯召唤指令对应的楼层停留，以供电梯外部的乘客进入电梯。因此，为了避免电梯内的乘客变动而影响第一轿厢内景照片的准确性，可以在电梯每次停留后、并再次继续运行时，重新拍摄电梯内的承载照片，并且将拍摄到的承载照片作为新的第一轿厢内景照片替换到原先的第一轿厢内景照片。

通过每次电梯停留便更新第一轿厢内景照片的方式也可以保障第一轿厢内景照片所反映的承载密度的准确性，并且对于第一轿厢内景照片可以在更早的时间点进行分析，从而加快了判断电梯在第一目标楼层能否进人的判定速度。

120、将所述第一轿厢内景照片输入至预训练的判别模型中，所述判别模型为基于卷积神经网络和监督学习获得的模型。

判别模型可以为卷积神经网络(Convolutional Neural Networks，简称CNN)模型。该卷积神经网络可以包括第一数量个卷积层、第二数量个池化层、第三数量个激活函数以及第四数量个全连接层。第一数量、第二数量、第三数量以及第四数量的具体数量值均不应该理解为是对本申请的限制。

130、通过所述判别模型输出所述轿厢到达所述第一目标楼层时是否开门的第一判断结果。

第一轿厢内景照片具体可以是由256*256个像素点组成的照片，该照片可以被分为R、G、B三个通道。第一轿厢内景照片在经过第一个卷积层处理后，可以得到第一处理结果，该第一处理结果描绘了某些低级特征在第一轿厢内景照片中的位置。第一处理结果经第二个卷积层处理后，可以得到第二处理结果，该第二处理结果相较第一处理结果而言，描绘了相对较高级特征的激活映射……因此，每经过一个卷积层处理，便可以得到相对于该卷积层的输入更高级、更复杂的特征的激活映射。

池化层用于突出输入数据中的某一特征与其他特征之间的相对关系，其中，输入数据为该池化层的输入数据。池化层能够进行的池化操作包括最大池化(max-pooling)、平均池化(average pooling)和L2-norm池化。

激活函数用于给CNN的神经元引入非线性特征，使得神经网络可以任意逼近任何非线性函数，较好地减少CNN的过拟合情况。其中，出现过拟合的表现是某模型在训练集能达到较高的准确度，例如100％或99％的准确度；而在测试数据却只有较为一般的准确度，例如50％的准确度。激活函数可以为Sigmoid函数、Tanh函数以及ReLU函数。

全连接层在处理输入内容后能够输出一个N维向量，N为该模型的分类数量。例如，对于判别模型，其分类数量便为2：输出结果为轿厢到达所述第一目标楼层时开门的概率以及输出结果为轿厢到达所述第一目标楼层时不开门的概率。

可选地，在一种具体实施方式中，判别模型还可以是分类模型；分类模型包括支持向量机(Support Vector Machine，简称SVM)或决策树(Decision Tree)等。通过SVM或决策树对第一轿厢内景照片进行分析，以确定电梯召唤指令的响应结果是令所述电梯在所述第一目标楼层停留的结果，还是令所述电梯略过所述第一目标楼层的结果。

具体的，该分类模型可以是决策树，决策树是一种常用的分类方法，采用的有监督学习的方式进行训练，其训练数据为样本数据以及样本数据对应的分类标签。在本申请实施例中，一个样本数据为第一轿厢内景照片，分类标签为电梯内是否能够再进入乘客。例如，其中一个样本数据如图1d示出的那样，有少量人，但有体积较大的箱子，分类标签可以为“否”。由此，经由大量的训练数据训练决策树，在决策树的输出和分类标签之间的差异满足预设条件时，可认为决策树训练完毕，训练后的决策树具有基于第一轿厢内景照片对电梯的承载性能进行分类，确定出电梯内是否能够再进入乘客的能力，从而，可以基于预先训练的决策树的输出结果，判断电梯是否在第一目标楼层停留。

需要说明的是，分类模型的输入特征还可以包括电梯距第一目标楼层的距离、电梯的运行方向与第一目标楼层所在的方向是否一致等等，具体可根据实际的需要进行设置。

可选地，在一种具体实施方式中，在步骤130之前，本申请实施例还可以包括如下步骤：确定所述轿厢当前的净重未达到预设的净重阈值。

若所述轿厢当前的净重达到预设的净重阈值，则可以控制轿厢到达所述第一目标楼层时不开门。

在步骤130之前，可以先判断轿厢当前的净重是否达到净重阈值。若轿厢当前的净重达到净重阈值，则可以不再继续执行步骤130，由控制器直接判定轿厢到达所述第一目标楼层时不开门。若轿厢当前的净重未达到净重阈值，则可以再执行步骤130，进行进一步的判断。

140、根据所述第一判断结果控制所述电梯的运行。

若第一判断结果为所述轿厢到达所述第一目标楼层时开门，则可以控制电梯在第一目标楼层时开门；若第一判断结果为所述轿厢到达所述第一目标楼层时不开门，则可以控制电梯在第一目标楼层时不开门。

电梯的控制器可以利用判别模型，根据电梯内的第一轿厢内景照片决定电梯是否在触发电梯召唤指令的乘客所在的楼层停留，而非单一的根据电梯内的承载重量决定。若第一轿厢内景照片显示电梯内的承载密度较高，即使电梯处于未满载状态，控制器依然可以判定电梯在当前状态下无法继续进入新的乘客。因此，本申请实施例提供的控制电梯运行的方法与现有技术相比，提升了电梯的运行效率。

可选地，在一种具体实施方式中，本申请实施例还包括如下步骤150至步骤160：

150、检测所述轿厢到达所述第一目标楼层时是否有用户进入所述轿厢内，得到第一检测结果。

虽然控制器判定电梯可以继续搭乘乘客，但第一目标楼层处的乘客实际上是否真如控制器判定的那样进入电梯却不一定。因此，可以在电梯关门后，通过判断电梯关门后与电梯开门前相比，承载重量是否增加来确定第一目标楼层处的乘客是否进入电梯。

若电梯的承载重量增加，则表示控制器判定电梯可以继续搭乘乘客的判定结果准确，从而可以得到判定结果准确的第一检测结果；若电梯的承载重量未增加，则表示控制器判定电梯可以继续搭乘乘客的判定结果不准确，从而可以得到判定结果不准确的第一检测结果。

160、根据所述第一判断结果和所述第一检测结果对所述预训练的判别模型的参数进行修改，得到更新后的预训练的判别模型。

所述第一判断结果和所述第一检测结果可以作为新的训练样本，该新的训练样本可以用于对当前的预训练的判别模型进行进一步优化；也可以被记录在训练数据集中，作为其他的模型的训练样本。通过上述方式获取训练样本，可以极大地丰富训练样本的来源，还可以对当前的预训练的判别模型进行反馈调节。

可选地，在一种具体实施方式中，在步骤110之前，本申请实施例还可以通过如下步骤A1至步骤A5实现对判别模型的训练过程：

A1、响应第二目标楼层的电梯召唤指令，获取所述电梯的轿厢到达所述第二目标楼层前的第二轿厢内景照片。

A2、将所述第二轿厢内景照片输入至判别模型，通过所述判别模型输出所述电梯的轿厢到达所述第二目标楼层是否开门的第二判断结果。

A3、检测所述轿厢到达所述第二目标楼层时是否有用户进入所述轿厢内，得到第二检测结果。

可选地，在一种具体实施方式中，步骤A3具体可以包括如下步骤A31至步骤A33：

A31、当所述轿厢到达所述第二目标楼层时，检测所述轿厢的净重是否增加，若增加，则执行步骤A32；若未增加，则执行步骤A33。

A32、确定所述轿厢到达所述第二目标楼层时有用户进入所述轿厢内。

即第二检测结果为：轿厢到达所述第二目标楼层时、有用户进入所述轿厢内。

A33、确定所述轿厢到达所述第二目标楼层时没有用户进入所述轿厢内。

即第二检测结果为：轿厢到达所述第二目标楼层时、没有用户进入所述轿厢内。

A4、根据所述第二检测结果和所述第二判断结果对所述判别模型的参数进行修正。

可选地，对判别模型的参数进行修正，具体可以包括如下步骤：当所述第二判断结果为所述电梯的轿厢到达所述第二目标楼层时不开门，且所述第二检测结果为所述轿厢到达所述第二目标楼层时有用户进入所述轿厢内时，或者当所述第二判断结果为所述电梯的轿厢到达所述第二目标楼层时开门，且所述检测结果为所述轿厢到达所述第二目标楼层时没有用户进入所述轿厢内时，对所述判别模型的参数进行修正。

可以理解，在训练阶段，为了验证是否需要对判别模型的参数进行修正，即使第二判断结果为所述电梯的轿厢到达所述第二目标楼层时不开门，也可以在电梯的轿厢实际到达第二目标楼层时开门，以验证是否真的无法再进入用户。

可选地，在一种具体实施方式中，步骤A4具体可以包括如下步骤A41至步骤A43：

A41、根据所述第二检测结果对所述第二轿厢内景照片进行标记。

A42、将标记后的所述第二轿厢内景照片作为模型训练样本。

A43、根据所述模型训练样本和所述第二判断结果对所述判别模型的参数进行修正。

第二检测结果为反映第二轿厢内景照片对应的轿厢实际能否进人的结果，将其作为对应的第二轿厢内景照片的标记后，可以得到准确、真实的模型训练样本，从而可以实现对判别模型的训练过程，提高判别模型的精度。

A5、基于参数修正后的所述判别模型进行下一轮的训练，直到满足预设的收敛条件，得到预训练的判别模型。

可选地，在另一种具体实施方式中，对判别模型的训练过程还可以通过如下步骤进行：将轿厢内景训练照片作为自变量，乘客是否进入电梯的搭乘结果作为因变量，输入进尚未完成训练的判别模型，对所述尚未完成训练的判别模型进行训练，直到满足预设的收敛条件，以便得到完成训练的判别模型。

在上述的实施方式中，可以以轿厢内景训练照片作为输入量，以乘客进入电梯的搭乘结果、或乘客未进入电梯的搭乘结果作为输出量对判别模型进行训练，通过多个训练样本的多次训练，从而得到完成训练的判别模型。

本申请实施例提供的控制电梯运行的方法中，电梯的控制器可以接收由电梯外部的位于第一目标楼层的乘客触发的电梯召唤指令，并获取电梯的轿厢到达所述第一目标楼层前的第一轿厢内景照片。控制器可以将第一轿厢内景照片输入至预训练的判别模型中，从而获取判别模型输出的第一判断结果；该第一判断结果用于表征电梯的轿厢到达第一目标楼层时，该轿厢是否开门。控制器可以根据该第一判断结果控制电梯在达到第一目标楼层时是否开门的动作。

在本申请中，电梯的控制器可以利用判别模型，根据电梯内的第一轿厢内景照片决定电梯是否在触发电梯召唤指令的乘客所在的楼层停留，而非单一的根据电梯内的承载重量决定。若第一轿厢内景照片显示电梯内的承载密度较高，即使电梯处于未满载状态，控制器依然可以判定电梯在当前状态下无法继续进入新的乘客。因此，本申请实施例提供的控制电梯运行的方法与现有技术相比，提升了电梯的运行效率。控制电梯运行的根据上述实施例所描述的方法，以下将作进一步详细说明。

在本实施例中，将以乘客在第j楼层触发电梯召唤指令为例，对本申请实施例的方法进行详细说明，其中j为正整数。

如图2所示，一种控制电梯运行的方法具体流程如下：

201、控制器接收乘客在第j楼层触发的电梯召唤指令。

202、控制器确定目标电梯处于未满载状态，其中，目标电梯为与电梯召唤指令对应的电梯。

203、当目标电梯所处的位置与第j楼层的竖直距离小于楼层层高时，控制器控制目标电梯内的摄像机拍摄轿厢内景照片。

可选地，竖直距离是否小于楼层层高可以根据目标电梯当前所处的楼层以及目标电梯的运行方向进行判断。例如，若目标电梯当前处于第j+1楼层，且目标电梯的运行方向为向下，则表示目标电梯即将以下行的方式到达第j楼层，确定目标电梯所处的位置与第j楼层的竖直距离小于楼层层高。若目标电梯当前处于第j-1楼层，且目标电梯的运行方向为向上，则表示目标电梯即将以上行的方式到达第j楼层，确定目标电梯所处的位置与第j楼层的竖直距离小于楼层层高。

204、控制器接收目标电梯内的摄像机拍摄的轿厢内景照片。

205、控制器将轿厢内景照片输入至训练完成的判别模型。

206、控制器获取判别模型的输出结果，其中，输出结果为令所述目标电梯在所述第j楼层停留的响应命令，或为令所述目标电梯略过所述第j楼层的忽略命令。

207、若输出结果为令所述目标电梯在所述第j楼层停留的响应命令，控制器控制所述目标电梯在第j楼层停留。

208、若输出结果为令所述目标电梯略过所述第j楼层的忽略命令，控制器控制所述目标电梯略过第j楼层。

由上可知，目标电梯的控制器可以根据目标电梯内的轿厢内景照片决定目标电梯是否在触发电梯召唤指令的乘客所在的楼层停留，而非单一的根据目标电梯内的承载重量决定。若轿厢内景照片显示目标电梯内的承载密度较高，即使目标电梯处于未满载状态，控制器依然可以判定目标电梯在当前状态下无法继续进入新的乘客。

本申请实施例提供的控制电梯运行的方法提升了电梯的运行效率。

为了更好地实施以上方法，本申请实施例还提供一种控制电梯运行的装置，该控制电梯运行的装置具体可以集成在电子设备中，该电子设备可以为控制器。其中，控制器可以为单片机、嵌入式微控制器等设备。

比如，在本实施例中，将以控制电梯运行的装置具体集成在终端为例，对本申请实施例的方法进行详细说明。

例如，如图3所示，该控制电梯运行的装置可以包括：

第一指令响应单元301，用于响应第一目标楼层的电梯召唤指令，获取电梯的轿厢到达所述第一目标楼层前的第一轿厢内景照片；

第一照片输入单元302，用于将所述第一轿厢内景照片输入至预训练的判别模型中，所述判别模型为基于卷积神经网络和监督学习获得的模型；

第一结果输出单元303，用于通过所述判别模型输出所述轿厢到达所述第一目标楼层时是否开门的第一判断结果；

电梯运行控制单元304，用于根据所述第一判断结果控制所述电梯的运行。

在一些实施例中，所述装置还包括：

第二照片获取单元，用于响应第二目标楼层的电梯召唤指令，获取所述电梯的轿厢到达所述第二目标楼层前的第二轿厢内景照片；

第二结果输出单元，用于将所述第二轿厢内景照片输入至判别模型，通过所述判别模型输出所述电梯的轿厢到达所述第二目标楼层是否开门的第二判断结果；

用户进入判断单元，用于检测所述轿厢到达所述第二目标楼层时是否有用户进入所述轿厢内，得到第二检测结果；

参数修正单元，用于根据所述第二检测结果和所述第二判断结果对所述判别模型的参数进行修正；

模型训练单元，用于基于参数修正后的所述判别模型进行下一轮的训练，直到满足预设的收敛条件，得到预训练的判别模型。

在一些实施例中，所述参数修正单元，包括：

照片标记子单元，用于根据所述第二检测结果对所述第二轿厢内景照片进行标记；

训练样本子单元，用于将标记后的所述第二轿厢内景照片作为模型训练样本；

参数修正子单元，用于根据所述模型训练样本和所述第二判断结果对所述判别模型的参数进行修正。

在一些实施例中，所述装置还包括：

净重阈值第一判断单元，用于确定所述轿厢当前的净重未达到预设的净重阈值；

所述装置还包括：

净重阈值第二判断单元，用于当所述轿厢当前的净重达到预设的净重阈值时，控制所述轿厢到达所述第一目标楼层时不开门。

在一些实施例中，参数修正单元，具体用于当所述第二判断结果为所述电梯的轿厢到达所述第二目标楼层时不开门，且所述第二检测结果为所述轿厢到达所述第二目标楼层时有用户进入所述轿厢内时，或者当所述第二判断结果为所述电梯的轿厢到达所述第二目标楼层时开门，且所述检测结果为所述轿厢到达所述第二目标楼层时没有用户进入所述轿厢内时，对所述判别模型的参数进行修正。

在一些实施例中，用户进入判断单元，包括：

净重判断子单元，用于当所述轿厢到达所述第二目标楼层时，检测所述轿厢的净重是否增加；

第一结果子单元，用于当所述轿厢的净重增加时，确定所述轿厢到达所述第二目标楼层时有用户进入所述轿厢内；

第二结果子单元，用于当所述轿厢的净重未增加时，确定所述轿厢到达所述第二目标楼层时没有用户进入所述轿厢内。

在一些实施例中，所述装置还包括：

第一检测结果单元，用于检测所述轿厢到达所述第一目标楼层时是否有用户进入所述轿厢内，得到第一检测结果；

模型更新单元，用于根据所述第一判断结果和所述第一检测结果对所述预训练的判别模型的参数进行修改，得到更新后的预训练的判别模型。

具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。

由上可知，电梯的控制器可以利用判别模型，根据电梯内的第一轿厢内景照片决定电梯是否在触发电梯召唤指令的乘客所在的楼层停留，而非单一的根据电梯内的承载重量决定。若第一轿厢内景照片显示电梯内的承载密度较高，即使电梯处于未满载状态，控制器依然可以判定电梯在当前状态下无法继续进入新的乘客。

本申请实施例提供的控制电梯运行的方法提升了电梯的运行效率。

本申请实施例还提供一种电子设备，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑，等等；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，等等。

在一些实施例中，该控制电梯运行的装置还可以集成在多个电子设备中，比如，控制电梯运行的装置可以集成在多个服务器中，由多个服务器来实现本申请的控制电梯运行的方法。

在本实施例中，将以本实施例的电子设备是电子设备为例进行详细描述，比如，如图4所示，其示出了本申请实施例所涉及的电子设备的结构示意图，具体来讲：

该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403、输入模块404以及通信模块405等部件。本领域技术人员可以理解，图4中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。在一些实施例中，处理器401可包括一个或多个处理核心；在一些实施例中，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。

存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。

电子设备还包括给各个部件供电的电源403，在一些实施例中，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该电子设备还可包括输入模块404，该输入模块404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

该电子设备还可包括通信模块405，在一些实施例中通信模块405可以包括无线模块，电子设备可以通过该通信模块405的无线模块进行短距离无线传输，从而为用户提供了无线的宽带互联网访问。比如，该通信模块405可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。

尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：

响应第一目标楼层的电梯召唤指令，获取电梯的轿厢到达所述第一目标楼层前的第一轿厢内景照片；将所述第一轿厢内景照片输入至预训练的判别模型中，所述判别模型为基于卷积神经网络和监督学习获得的模型；通过所述判别模型输出所述轿厢到达所述第一目标楼层时是否开门的第一判断结果；根据所述第一判断结果控制所述电梯的运行。以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种控制电梯运行的方法中的步骤。例如，该指令可以执行如下步骤：

响应第一目标楼层的电梯召唤指令，获取电梯的轿厢到达所述第一目标楼层前的第一轿厢内景照片；将所述第一轿厢内景照片输入至预训练的判别模型中，所述判别模型为基于卷积神经网络和监督学习获得的模型；通过所述判别模型输出所述轿厢到达所述第一目标楼层时是否开门的第一判断结果；根据所述第一判断结果控制所述电梯的运行。其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中提供的各种可选实现方式中提供的方法。

由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种控制电梯运行的方法中的步骤，因此，可以实现本申请实施例所提供的任一种控制电梯运行的方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本申请实施例所提供的一种控制电梯运行的方法、装置、电子设备和计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种控制电梯运行的方法，其特征在于，所述方法包括：

响应第一目标楼层的电梯召唤指令，获取电梯的轿厢到达所述第一目标楼层前的第一轿厢内景照片；

将所述第一轿厢内景照片输入至预训练的判别模型中，所述判别模型为基于卷积神经网络和监督学习获得的模型；

通过所述判别模型输出所述轿厢到达所述第一目标楼层时是否开门的第一判断结果；

根据所述第一判断结果控制所述电梯的运行。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

响应第二目标楼层的电梯召唤指令，获取所述电梯的轿厢到达所述第二目标楼层前的第二轿厢内景照片；

将所述第二轿厢内景照片输入至判别模型，通过所述判别模型输出所述电梯的轿厢到达所述第二目标楼层是否开门的第二判断结果；

检测所述轿厢到达所述第二目标楼层时是否有用户进入所述轿厢内，得到第二检测结果；

根据所述第二检测结果和所述第二判断结果对所述判别模型的参数进行修正；

基于参数修正后的所述判别模型进行下一轮的训练，直到满足预设的收敛条件，得到预训练的判别模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第二检测结果和所述第二判断结果对所述判别模型的参数进行修正，包括：

根据所述第二检测结果对所述第二轿厢内景照片进行标记；

将标记后的所述第二轿厢内景照片作为模型训练样本；

根据所述模型训练样本和所述第二判断结果对所述判别模型的参数进行修正。

4.根据权利要求1所述的方法，其特征在于，所述通过所述判别模型输出所述轿厢到达所述第一目标楼层时是否开门的第一判断结果之前，所述方法还包括：

确定所述轿厢当前的净重未达到预设的净重阈值；

所述方法还包括：

当所述轿厢当前的净重达到预设的净重阈值时，控制所述轿厢到达所述第一目标楼层时不开门。

5.根据权利要求2所述的方法，其特征在于，根据所述第二检测结果和所述第二判断结果对所述判别模型的参数进行修正，包括：

当所述第二判断结果为所述电梯的轿厢到达所述第二目标楼层时不开门，且所述第二检测结果为所述轿厢到达所述第二目标楼层时有用户进入所述轿厢内时，或者，

当所述第二判断结果为所述电梯的轿厢到达所述第二目标楼层时开门，且所述检测结果为所述轿厢到达所述第二目标楼层时没有用户进入所述轿厢内时，

对所述判别模型的参数进行修正。

6.根据权利要求2所述的方法，其特征在于，所述检测所述轿厢到达所述第二目标楼层时是否有用户进入所述轿厢内，包括：

当所述轿厢到达所述第二目标楼层时，检测所述轿厢的净重是否增加；

若所述轿厢的净重增加，则确定所述轿厢到达所述第二目标楼层时有用户进入所述轿厢内；

若所述轿厢的净重未增加，则确定所述轿厢到达所述第二目标楼层时没有用户进入所述轿厢内。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

检测所述轿厢到达所述第一目标楼层时是否有用户进入所述轿厢内，得到第一检测结果；

根据所述第一判断结果和所述第一检测结果对所述预训练的判别模型的参数进行修改，得到更新后的预训练的判别模型。

8.一种控制电梯运行的装置，其特征在于，所述装置包括：

第一指令响应单元，用于响应第一目标楼层的电梯召唤指令，获取电梯的轿厢到达所述第一目标楼层前的第一轿厢内景照片；

第一照片输入单元，用于将所述第一轿厢内景照片输入至预训练的判别模型中，所述判别模型为基于卷积神经网络和监督学习获得的模型；

第一结果输出单元，用于通过所述判别模型输出所述轿厢到达所述第一目标楼层时是否开门的第一判断结果；

控制电梯运行的单元，用于根据所述第一判断结果控制所述电梯的运行。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令；所述处理器从所述存储器中加载指令，以执行如权利要求1～7任一项所述的控制电梯运行的方法中的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1～7任一项所述的控制电梯运行的方法中的步骤。

Images