CN114436087A - 基于深度学习的电梯乘客扒门检测方法及系统 - Google Patents
基于深度学习的电梯乘客扒门检测方法及系统 Download PDFInfo
- Publication number
- CN114436087A CN114436087A CN202210136200.4A CN202210136200A CN114436087A CN 114436087 A CN114436087 A CN 114436087A CN 202210136200 A CN202210136200 A CN 202210136200A CN 114436087 A CN114436087 A CN 114436087A
- Authority
- CN
- China
- Prior art keywords
- elevator
- door
- data
- opening detection
- operation process
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0012—Devices monitoring the users of the elevator system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0018—Devices monitoring the operating condition of the elevator system
- B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/02—Applications of checking, fault-correcting, or safety devices in elevators responsive to abnormal operating conditions
Landscapes
- Maintenance And Inspection Apparatuses For Elevators (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明涉及电梯安全检测技术领域的一种基于深度学习的电梯乘客扒门检测方法及系统。该方法包括:采集电梯运行过程数据并进行数据处理;采用深度学习模型对所述电梯运行过程数据进行扒门检测;采用深度神经网络模型对所述电梯运行过程数据和扒门检测结果进行电梯异常的实时分析,获得电梯异常分析结果;根据所述电梯异常分析结果,推送电梯故障情况。通过本发明的方法,对电梯乘客的扒门行为进行准确地检测,同时能够及时发现由扒门行为引发的电梯故障或异常,并使该故障或异常能及时得到解决。
Description
技术领域
本发明涉及电梯安全检测技术领域,尤其涉及一种基于深度学习的电梯乘客扒门检测方法及系统。
背景技术
随着现代工业技术的迅速发展,电梯已经逐渐成为人们出行必不可少的工具。近些年电梯故障频发,正在不断威胁人们的出行安全。电梯突发故障的原因主要有:缺乏长期维护、零部件老化未及时更换、人为原因与天气原因等。其中,由于乘客的不文明行为如:打闹、扒门、蹦跳等原因导致电梯故障占很大一部分。因此,规范电梯乘客行为,适时提醒乘客安全乘梯可以有效避免不必要的故障发生。
现有技术虽然能够在一定程度上对乘客扒门行为检测,但是需要安装过多的硬件设备或者需要设计复杂的匹配规则。例如,中国专利CN108002161B公开了一种电梯内乘客扒门行为检测方法。该方法包括获取电梯内景图像和电梯内景图像中的身体部位,基于部位关系,根据身体部位确定电梯轿厢内每个乘客的肢体,最后根据肢体之间的角度确定乘客是否在扒门。上述方法虽然在一定程度上实现对电梯乘客的扒门动作的检测,但是对电梯内设备的安装角度有一定要求,同时单纯从肢体角度来判断乘客行为,识别准确率也有待商榷。
发明内容
为解决上述现有技术存在的缺陷,本发明的目的在于提供一种基于深度学习的电梯乘客扒门检测方法及系统,对电梯乘客的扒门行为进行准确地检测,同时能够及时发现由扒门行为引发的电梯故障或异常,并使该故障或异常能及时得到解决。
为实现上述发明目的,本发明的技术方案是:
本发明提供一种基于深度学习的电梯乘客扒门检测方法,包括:
采集电梯运行过程数据并进行数据处理;
采用深度学习模型对所述电梯运行过程数据进行扒门检测;
采用深度神经网络模型对所述电梯运行过程数据和扒门检测结果进行电梯异常的实时分析,获得电梯异常分析结果;
根据所述电梯异常分析结果,推送电梯故障情况。
根据本发明的一个方面,所述电梯运行过程数据包括电梯运行期间的加速度数据和电梯轿厢内监控视频数据。
根据本发明的一个方面,所述电梯运行期间的加速度数据处理的过程包括:
对存在干扰加速度噪声数据或加速度缺失值进行删除处理;
对采样率低的加速度数据采用移动平均的方式进行插值处理,取出加速度数据缺失之前的滚动时间段内的值,并计算其平均值或中位数来填补缺失,实现缺失值的填充。
根据本发明的一个方面,所述电梯运行期间的电梯轿厢内监控视频数据处理的过程包括:
对存在连续动作变化的监控视频提取图像帧,并根据图像帧的变化程度确定提取图像帧的数量;
对提取后的每帧图像进行尺度修剪,获得图像Xi,i表示图像帧的序号;
对尺度修剪后的图像Xi由下式进行归一化处理,获得归一值,为:
根据本发明的一个方面,所述根据图像帧的变化程度确定提取图像帧的数量的过程包括:
计算监控视频内图像帧的平均帧差distance;
提取监控视频内图像帧的平均帧差distance大于平均值的N倍的图像帧,如果提取出该图像帧,则监控视频的图像帧变化平缓,并选择中间帧;
排除亮度过于黑暗的图像帧后,即为最终提取的图像帧。
根据本发明的一个方面,所述采用深度学习模型对所述电梯运行过程数据进行扒门检测的过程包括:
在所述电梯运行期间的电梯轿厢内监控视频数据中,依次提取存在连续动作变化的图像帧;
利用帧间差分计算获得连续帧间差分值,并根据连续帧间差分值筛选出监控视频内的连续动作变化内容;
根据不同的动作将监控视频分段;
将分段后的监控视频按顺序输入训练好的深度动作识别模型,输出整条监控视频包含不同动作状态的不同动作时序。
根据本发明的一个方面,所述动作状态包括:a、正常进梯;b、正常出梯;c、扒门出梯;d、扒门未出梯;以及e、正常乘梯。
根据本发明的一个方面,所述电梯异常实时分析以及根据所述电梯异常分析结果,推送电梯故障情况的过程包括:
将扒门检测输出的不同动作时序输入训练好的深度神经网络模型进行分析,当输出出现扒门未出梯或长时间处于乘梯状态的结果时,发出困人报警信号;
当出现扒门出梯或扒门未出梯状态的结果时,再将对应的电梯运行期间的加速度数据输入训练好的深度神经网络模型进行分析,根据正常加速度和异常加速度的变化曲线判断乘客扒门是否引起电梯急停、震动或非平层停梯的其他故障,并发出维保信号。
本发明还提供了一种利用基于深度学习的电梯乘客扒门检测方法实现的基于深度学习的电梯乘客扒门检测系统,包括:包括:数据采集模块、数据处理模块、扒门检测模块、异常分析模块和故障推送模块,
所述数据采集模块用于采集电梯运行过程数据;
所述数据处理模块用于对采集的电梯运行过程数据进行处理;
所述扒门检测模块用于采用深度学习模型对所述电梯运行过程数据进行扒门检测;
所述异常分析模块用于采用深度神经网络模型对所述电梯运行过程数据和扒门检测结果进行电梯异常的实时分析;
所述故障推送模块用于根据电梯异常分析结果,推送电梯故障情况。
根据本发明的另一个方面,所述电梯运行过程数据包括电梯运行期间的加速度数据和电梯轿厢内监控视频数据。
有益效果:
根据本发明的方案,本发明的基于深度学习的电梯乘客扒门检测方法,只需要使用电梯运行过程中的加速度数据与电梯轿厢内监控视频数据,通过对监控视频数据进行时序上的分析,判断是否存在扒门行为,再根据电梯加速度的变化曲线判断是否影响电梯正常运行,最后根据监控视频人体检测判断是否发生困人事件决定是否紧急呼救。通过本发明的方法,不仅对电梯乘客的扒门行为进行准确地检测,还能够及时发现由扒门行为引发的电梯故障或异常,并使该故障或异常能及时得到解决。
附图说明
图1示意性表示本发明的一种实施方式的基于深度学习的电梯乘客扒门检测方法的流程图;
图2示意性表示本发明的一种实施方式的基于深度学习的电梯乘客扒门检测方法的异常运行检测模型结构;
图3示意性表示本发明的一种实施方式的电梯运行正常加速度和异常加速度变化曲线对比图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式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方式,对于本领域普通技术人员而言,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。
下面结合附图和具体实施方式对本发明作详细地描述,实施方式不能在此一一赘述,但本发明的实施方式并不因此限定于以下实施方式。
如图1所示,本实施方式的基于深度学习的电梯乘客扒门检测方法包括:首先,采集电梯运行过程数据并进行数据处理。其次,采用深度学习模型对电梯运行过程数据进行扒门检测。然后,采用深度神经网络模型对电梯运行过程数据和扒门检测结果进行电梯异常情况的实时分析,获得电梯异常分析结果。最后,根据电梯异常分析结果,推送电梯故障情况。
上述电梯运行过程数据包括电梯运行期间的加速度数据和电梯轿厢内监控视频数据。其中,对电梯运行期间的加速度数据进行处理的方式包括但不局限于对噪声与缺失值进行删除、填充等操作。具体过程包括:先对存在干扰加速度噪声数据或加速度缺失值进行删除处理,再对采样率低的加速度数据采用移动平均的方式进行插值处理,取出加速度数据缺失之前的滚动时间段内的值,并计算其平均值或中位数来填补缺失,实现缺失值的填充。
对电梯运行期间的电梯轿厢内监控视频数据处理的方式包括但不局限于视频的图像帧提取、尺度修剪和归一化处理等。具体过程包括:对存在连续动作变化的监控视频提取图像帧,并根据图像帧的变化程度确定提取图像帧的数量;对提取后的每帧图像进行尺度修剪,获得图像Xi,i表示图像帧的序号;对尺度修剪后的图像Xi由下式进行归一化处理,获得归一值,为:
根据本发明的一种实施方式,根据图像帧的变化程度确定提取图像帧的数量的过程包括:计算监控视频内图像帧的平均帧差distance;提取监控视频内图像帧的平均帧差distance大于平均值的N倍的图像帧,如果提取出该图像帧,则监控视频的图像帧变化平缓,并选择中间帧;排除亮度过于黑暗的图像帧后,即为最终提取的图像帧。
采用深度学习模型对所述电梯运行过程数据进行扒门检测的过程包括:在所述电梯运行期间的电梯轿厢内监控视频数据中,依次提取存在连续动作变化的图像帧;利用帧间差分计算获得连续帧间差分值,并根据连续帧间差分值筛选出监控视频内的连续动作变化内容;根据不同的动作将监控视频分段;将分段后的监控视频按顺序输入训练好的深度动作识别模型TSM,输出整条监控视频包含不同动作状态的不同动作时序。其中,动作状态包括:a、正常进梯;b、正常出梯;c、扒门出梯;d、扒门未出梯;以及e、正常乘梯。这里,深度学习模型采用深度动作识别模型TSM。
电梯异常实时分析以及根据所述电梯异常分析结果,推送电梯故障情况的过程包括:将扒门检测输出的不同动作时序输入训练好的深度神经网络模型进行分析,当输出出现扒门未出梯或长时间处于乘梯状态的结果时,此时对应的动作时序为[a,...,d,...,e]或[a,e,...,e],发出困人报警信号,可以通过短信推送的方式将信号推送给相关救援人员,及时解决电梯困人故障。当出现扒门出梯或扒门未出梯状态的结果时,再将对应的电梯运行期间的加速度数据输入训练好的深度神经网络模型进行分析,根据正常加速度和异常加速度的变化曲线判断乘客扒门是否引起电梯急停、震动或非平层停梯的其他故障,并发出维保信号。无异常时,可通过语音提醒的方式提醒乘客正常乘梯,文明乘梯。
深度动作识别模型TSM和深度神经网络模型均需要训练使用。前者需要学习a、正常进梯;b、正常出梯;c、扒门出梯;d、扒门未出梯;和e、正常乘梯五种状态的视频数据。后者需要学习电梯运行的正常加速度曲线和异常加速度曲线,如图3所示,通常异常加速度峰峰值超过300大概率会发生急停、震动或非平层停梯故障,其中非平层停梯故障判断还需要结合监控视频数据的分析和识别电梯开门动作时是否停靠在两层之间进行判断。
上述深度神经网络模型的具体结构如图2所示,第一层LSTM为循环神经网络,适合处理时间序列数据,可提取加速度序列的前后关系。其余连续3*3的conv+conv+maxplooling结构是用于提升了网络的深度,在一定程度上提升神经网络的效果(因为几个小滤波器(3*3)卷积层的组合比一个大滤波器(5*5或7*7)卷积层好,同时还加深了网络深度)。Conv为卷积神经网络,Fc为全连接神经网络,具体的“conv1:3*3 32”为第一层卷积网络,卷积核大小为3*3,32为滤波器数量,“MaxPool:2,2”为大小为2步长为2的最大值池化,“Fc:2”为隐藏层神经元个数为2的全连接神经网络,其他层结构以此类推,‘softmax’为激活函数。
在本实施方式中,利用上述电梯乘客扒门检测方法实现的基于深度学习的电梯乘客扒门检测系统主要包括:数据采集模块、数据处理模块、扒门检测模块、异常分析模块和故障推送模块。通过上述五大模块对扒门行为进行检测,并对由扒门行为引发的电梯异常进行实时分析,并及时发出电梯故障信号,使该故障能及时得到解决,提高电梯运行的安全性,为乘客提供更好的乘梯体验。
首先,通过数据采集模块和数据处理模块对电梯运行过程数据进行采集并处理,通过数据处理可以获得质量更优的数据,保证模型的学习和检测效果。其次,扒门检测模块采用深度学习模型对电梯运行过程数据是否存在扒门动作进行检测;然后,异常分析模块采用深度神经网络模型对电梯运行期间的电梯轿厢内监控视频与运行加速度数据进行电梯异常的实时分析,其中,电梯异常包括是否困人与电梯运行是否异常;最后根据电梯异常分析结果,决定如何对故障内容进行推送。首先,如果发生电梯困人故障,则输出困人故障信号;其次,如果发生电梯异常运行故障,则输出电梯维保信号;最后,若未发生上述故障则输出语音提醒信号,提醒乘客安全乘梯,防止扒门。
其中,采集的数据包括电梯加速度数据与电梯运行期间的监控视频数据(由于扒门事件多发于电梯运行过程中,即从电梯内扒门,所以只需要采集电梯在运行时的监控数据进行分析即可)。
以上所述仅为本发明的一个实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的电梯乘客扒门检测方法,包括:
采集电梯运行过程数据并进行数据处理;
采用深度学习模型对所述电梯运行过程数据进行扒门检测;
采用深度神经网络模型对所述电梯运行过程数据和扒门检测结果进行电梯异常的实时分析,获得电梯异常分析结果;
根据所述电梯异常分析结果,推送电梯故障情况。
2.根据权利要求1所述的方法,其特征在于,所述电梯运行过程数据包括电梯运行期间的加速度数据和电梯轿厢内监控视频数据。
3.根据权利要求2所述的方法,其特征在于,所述电梯运行期间的加速度数据处理的过程包括:
对存在干扰加速度噪声数据或加速度缺失值进行删除处理;
对采样率低的加速度数据采用移动平均的方式进行插值处理,取出加速度数据缺失之前的滚动时间段内的值,并计算其平均值或中位数来填补缺失,实现缺失值的填充。
5.根据权利要求4所述的方法,其特征在于,所述根据图像帧的变化程度确定提取图像帧的数量的过程包括:
计算监控视频内图像帧的平均帧差distance;
提取监控视频内图像帧的平均帧差distance大于平均值的N倍的图像帧,如果提取出该图像帧,则监控视频的图像帧变化平缓,并选择中间帧;
排除亮度过于黑暗的图像帧后,即为最终提取的图像帧。
6.根据权利要求4所述的方法,其特征在于,所述采用深度学习模型对所述电梯运行过程数据进行扒门检测的过程包括:
在所述电梯运行期间的电梯轿厢内监控视频数据中,依次提取存在连续动作变化的图像帧;
利用帧间差分计算获得连续帧间差分值,并根据连续帧间差分值筛选出监控视频内的连续动作变化内容;
根据不同的动作将监控视频分段;
将分段后的监控视频按顺序输入训练好的深度动作识别模型,输出整条监控视频包含不同动作状态的不同动作时序。
7.根据权利要求6所述的方法,其特征在于,所述动作状态包括:a、正常进梯;b、正常出梯;c、扒门出梯;d、扒门未出梯;以及e、正常乘梯。
8.根据权利要求7所述的方法,其特征在于,所述电梯异常实时分析以及根据所述电梯异常分析结果,推送电梯故障情况的过程包括:
将扒门检测输出的不同动作时序输入训练好的深度神经网络模型进行分析,当输出出现扒门未出梯或长时间处于乘梯状态的结果时,发出困人报警信号;
当出现扒门出梯或扒门未出梯状态的结果时,再将对应的电梯运行期间的加速度数据输入训练好的深度神经网络模型进行分析,根据正常加速度和异常加速度的变化曲线判断乘客扒门是否引起电梯急停、震动或非平层停梯的其他故障,并发出维保信号。
9.一种利用权利要求1至8任一项所述的基于深度学习的电梯乘客扒门检测方法实现的基于深度学习的电梯乘客扒门检测系统,其特征在于,包括:数据采集模块、数据处理模块、扒门检测模块、异常分析模块和故障推送模块,
所述数据采集模块用于采集电梯运行过程数据;
所述数据处理模块用于对采集的电梯运行过程数据进行处理;
所述扒门检测模块用于采用深度学习模型对所述电梯运行过程数据进行扒门检测;
所述异常分析模块用于采用深度神经网络模型对所述电梯运行过程数据和扒门检测结果进行电梯异常的实时分析;
所述故障推送模块用于根据电梯异常分析结果,推送电梯故障情况。
10.根据权利要求9所述的系统,其特征在于,所述电梯运行过程数据包括电梯运行期间的加速度数据和电梯轿厢内监控视频数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210136200.4A CN114436087B (zh) | 2022-02-15 | 2022-02-15 | 基于深度学习的电梯乘客扒门检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210136200.4A CN114436087B (zh) | 2022-02-15 | 2022-02-15 | 基于深度学习的电梯乘客扒门检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114436087A true CN114436087A (zh) | 2022-05-06 |
CN114436087B CN114436087B (zh) | 2023-09-19 |
Family
ID=81372734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210136200.4A Active CN114436087B (zh) | 2022-02-15 | 2022-02-15 | 基于深度学习的电梯乘客扒门检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114436087B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115352977A (zh) * | 2022-09-30 | 2022-11-18 | 希格迈电梯科技(南通)有限公司 | 一种高层电梯运行异常报警方法 |
CN116177337A (zh) * | 2022-12-07 | 2023-05-30 | 河南省特种设备安全检测研究院 | 一种多点分布式乘客异常行为电梯监测系统及方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003321168A (ja) * | 2002-05-07 | 2003-11-11 | Hitachi Building Systems Co Ltd | エレベーターの遠隔監視装置 |
JP2011184145A (ja) * | 2010-03-09 | 2011-09-22 | Mitsubishi Electric Building Techno Service Co Ltd | エレベータシステム |
CN108002161A (zh) * | 2017-11-20 | 2018-05-08 | 江苏省特种设备安全监督检验研究院 | 一种电梯轿厢内乘客扒门行为的检测方法 |
CN109761118A (zh) * | 2019-01-15 | 2019-05-17 | 福建天眼视讯网络科技有限公司 | 基于机器视觉的智慧梯联网控制方法及系统 |
CN109867186A (zh) * | 2019-03-18 | 2019-06-11 | 浙江新再灵科技股份有限公司 | 一种基于智能视频分析技术的电梯困人检测方法及系统 |
CN110002314A (zh) * | 2018-08-09 | 2019-07-12 | 浙江新再灵科技股份有限公司 | 一种基于深度学习的电梯乘客被困人数检测系统 |
JP2019189416A (ja) * | 2018-04-26 | 2019-10-31 | 株式会社日立ビルシステム | エレベーターの運行監視システム |
CN110675342A (zh) * | 2019-09-18 | 2020-01-10 | 努比亚技术有限公司 | 视频帧优化方法、移动终端及计算机可读存储介质 |
JP6810914B2 (ja) * | 2019-12-20 | 2021-01-13 | フジテック株式会社 | エレベータの遠隔監視システム |
CN112541529A (zh) * | 2020-12-04 | 2021-03-23 | 北京科技大学 | 表情与姿态融合的双模态教学评价方法、设备及存储介质 |
CN113651200A (zh) * | 2021-08-27 | 2021-11-16 | 上海仪电溯源科技有限公司 | 一种电梯远程监控系统 |
-
2022
- 2022-02-15 CN CN202210136200.4A patent/CN114436087B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003321168A (ja) * | 2002-05-07 | 2003-11-11 | Hitachi Building Systems Co Ltd | エレベーターの遠隔監視装置 |
JP2011184145A (ja) * | 2010-03-09 | 2011-09-22 | Mitsubishi Electric Building Techno Service Co Ltd | エレベータシステム |
CN108002161A (zh) * | 2017-11-20 | 2018-05-08 | 江苏省特种设备安全监督检验研究院 | 一种电梯轿厢内乘客扒门行为的检测方法 |
JP2019189416A (ja) * | 2018-04-26 | 2019-10-31 | 株式会社日立ビルシステム | エレベーターの運行監視システム |
CN110002314A (zh) * | 2018-08-09 | 2019-07-12 | 浙江新再灵科技股份有限公司 | 一种基于深度学习的电梯乘客被困人数检测系统 |
CN109761118A (zh) * | 2019-01-15 | 2019-05-17 | 福建天眼视讯网络科技有限公司 | 基于机器视觉的智慧梯联网控制方法及系统 |
CN109867186A (zh) * | 2019-03-18 | 2019-06-11 | 浙江新再灵科技股份有限公司 | 一种基于智能视频分析技术的电梯困人检测方法及系统 |
CN110675342A (zh) * | 2019-09-18 | 2020-01-10 | 努比亚技术有限公司 | 视频帧优化方法、移动终端及计算机可读存储介质 |
JP6810914B2 (ja) * | 2019-12-20 | 2021-01-13 | フジテック株式会社 | エレベータの遠隔監視システム |
CN112541529A (zh) * | 2020-12-04 | 2021-03-23 | 北京科技大学 | 表情与姿态融合的双模态教学评价方法、设备及存储介质 |
CN113651200A (zh) * | 2021-08-27 | 2021-11-16 | 上海仪电溯源科技有限公司 | 一种电梯远程监控系统 |
Non-Patent Citations (4)
Title |
---|
冯扬;罗森林;王丽萍;潘丽敏;: "一种新的自适应镜头边界检测算法", 北京理工大学学报, no. 01, pages 104 - 108 * |
李屹;张慧慧;: "基于神经网络技术的电梯动态智能检测系统", 北京工业大学学报, no. 04, pages 14 - 18 * |
臧坤;章国宝;: "智能电梯视频监测系统的设计与实现", 工业控制计算机, no. 04, pages 25 - 26 * |
魏振媚;刘向勇;: "物联网技术在电梯中的应用", 机电工程技术, no. 03, pages 102 - 104 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115352977A (zh) * | 2022-09-30 | 2022-11-18 | 希格迈电梯科技(南通)有限公司 | 一种高层电梯运行异常报警方法 |
CN116177337A (zh) * | 2022-12-07 | 2023-05-30 | 河南省特种设备安全检测研究院 | 一种多点分布式乘客异常行为电梯监测系统及方法 |
CN116177337B (zh) * | 2022-12-07 | 2023-12-29 | 河南省特种设备安全检测研究院 | 一种多点分布式乘客异常行为电梯监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114436087B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114436087B (zh) | 基于深度学习的电梯乘客扒门检测方法及系统 | |
US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
CN112381066B (zh) | 乘梯异常行为识别方法、监测系统、计算机设备和存储介质 | |
CN115169505B (zh) | 特种设备运动部件机械故障预警方法及其预警系统 | |
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 | |
CN109919066B (zh) | 一种检测轨道交通车厢内乘客密度异常的方法和装置 | |
CN111170103B (zh) | 设备故障识别方法 | |
CN111222429B (zh) | 设备故障识别系统 | |
CN110790101A (zh) | 基于大数据分析的电梯困人误报识别方法 | |
CN112347873A (zh) | 梯控方法 | |
CN111186741B (zh) | 电梯门系统健康维护方法及装置 | |
CN112960503B (zh) | 一种电梯轿门运行轨迹建模方法 | |
CN115520741A (zh) | 基于神经网络的电梯运行监控预警方法、系统及存储介质 | |
CN114229639B (zh) | 一种电梯门故障判断方法、云平台和系统 | |
CN112357707A (zh) | 一种电梯检测方法、装置、机器人及存储介质 | |
CN110065867A (zh) | 基于音视频的电梯舒适度评价的方法和系统 | |
CN117585553A (zh) | 电梯异常检测方法、装置、计算机设备及存储介质 | |
CN110472563B (zh) | 基于小波包分解和神经网络的直梯振动过大故障诊断方法 | |
CN114873425B (zh) | 一种基于振动特征增强的扶梯驱动链故障诊断方法 | |
CN113128322A (zh) | 一种电梯地坎检测方法 | |
CN117916185A (zh) | 一种基于多源信息融合的电梯安全故障诊断方法 | |
CN114314243A (zh) | 基于视频识别技术的升降机超载报警系统及超载报警方法 | |
CN112723077A (zh) | 一种基于光流的电梯开关门检测方法 | |
CN112850408A (zh) | 一种基于多模型融合的电梯急停困人故障检测方法 | |
CN113247730B (zh) | 基于多维特征的电梯乘客尖叫检测方法及系统 |
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 |