CN114565578A - 一种高色域显示屏质量智能检测系统及方法 - Google Patents
一种高色域显示屏质量智能检测系统及方法 Download PDFInfo
- Publication number
- CN114565578A CN114565578A CN202210194451.8A CN202210194451A CN114565578A CN 114565578 A CN114565578 A CN 114565578A CN 202210194451 A CN202210194451 A CN 202210194451A CN 114565578 A CN114565578 A CN 114565578A
- Authority
- CN
- China
- Prior art keywords
- display screen
- gamut display
- color
- elevator
- submodule
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了一种高色域显示屏质量智能检测系统及方法,属于显示屏质量检测技术领域。本系统包括三维建模模块、电梯监测模块、预测模型构建模块、高色域显示屏质量智能检测模块;所述三维建模模块的输出端与所述电梯监测模块的输入端相连接;所述电梯监测模块的输出端与所述预测模型构建模块的输入端相连接;所述预测模型构建模块的输出端与所述高色域显示屏质量智能检测模块的输入端相连接。同时提供一种高色域显示屏质量智能检测方法,能够实现对电梯仓内的高色域显示屏的质量进行智能检测,分析电梯人员进出对于其的影响程度,并精准预测其达到损坏的概率情况,保持每天更新预测概率,实时帮助管理人员把控质量。
Description
技术领域
本发明涉及显示屏质量检测技术领域,具体为一种高色域显示屏质量智能检测系统及方法。
背景技术
色域就是指电脑屏幕显示器所能显示的色彩范围区域,色域大小主要影响屏幕色彩鲜艳度,常见的色域标准有三种,那就是sRGB、Adobe RGB、NTSC;目前市场上屏幕常见的色域有45%NTSC、72%NTSC以及100%sRGB,高色域显示屏,一般指72%NTSC、100%sRGB色域屏幕,而45%NTSC一般为普色域屏幕。
在目前的生活中,电梯广告已逐渐与人们生活融为一体,电梯作为人们在生活和工作中出入楼层必不可少的工具之一,在电梯里铺设广告能够达到意想不到的效果,随着环保概念的推广,电梯内纸质张贴广告的形式也已经被当前的现代化科技手段所代替,然而在电梯内铺设的高色域显示屏出现损坏的概率远大于其他地方,例如电脑、手机等,这是因为电梯的具体地理环境所致,电梯内每天出入人数众多,对于显示屏通常会出现背靠、挤压等多种损伤,如何系统的控制这种损伤,并及时更新故障概率成为了一个尚未解决的难题。
发明内容
本发明的目的在于提供一种高色域显示屏质量智能检测系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
一种高色域显示屏质量智能检测方法,该方法包括以下步骤:
S1、获取电梯仓内高色域显示屏位置区域,构建电梯仓三维模型,标记高色域显示屏位置区域;
S2、实时监控电梯内乘客承载量,分析电梯内乘客对于高色域显示屏的挤压状态;
S3、获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,根据历史大数据,构建预测模型;
S4、基于预测模型,对高色域显示屏的使用寿命进行预测,基于预测结果的差值智能检测高色域显示屏的质量情况,并实时传输到管理员端口。
根据上述技术方案,所述高色域显示屏指72%NTSC、100%sRGB色域屏幕;
所述构建电梯仓三维模型包括内部设置若干个传感器,对电梯仓实现测绘,获取电梯仓内高色域显示屏位置区域,并对其进行标记。
根据上述技术方案,所述乘客承载量包括:
获取电梯额定容纳乘客数量作为标准乘客承载量,在乘客承载量达到标准乘客承载量时,判断为高色域显示屏与乘客发生接触并处于挤压状态。
根据上述技术方案,所述预测模型包括:
获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,作为分类节点,构建决策树;
构建决策树分类指标,所述分类指标包括高色域显示屏完好、高色域显示屏损坏;
构建信息熵公式:
其中,E(t)代表分类节点t的信息熵,p(i|t)代表分类节点t为分类i的概率,c代表分类指标;
所述信息熵表达信息的不确定度;
设置分类节点电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长为父节点,分别记为a1、a2、a3;
所述电梯内乘客与高色域显示屏的接触方式包括肘接触式、臂接触式、背接触式,分别记为父节点a1的子节点a11、a12、a13;
所述被挤压次数包括小于M次,大于M次,其中M为挤压次数设置值,分别记为父节点a2的子节点a21、a22;
所述被挤压时长包括小于N小时,大于N小时,其中N为挤压时长设置值,分别记为父节点a3的子节点a31、a32;
获取历史大数据,构建L件测试样本,所述L件测试样本中完好概率为P1;
构建先验熵:
E(完好)=-P1log2P1-(1-P1)log2(1-P1)
其中,E(完好)代表先验熵,所述先验熵指在没有接收到任一条件时的高色域显示屏完好的熵;
构建后验熵:
E(完好|子节点)=-Pdlog2Pd-(1-Pd)log2(1-Pd)
其中,E(完好|子节点)代表后验熵,所述后验熵指任一子节点对于高色域显示屏完好的信息影响;Pd代表任一子节点d下的高色域显示屏完好的概率;
构建条件熵:
其中,E(完好|父节点)代表条件熵,所述条件熵指任一父节点对于高色域显示屏完好的信息影响;r代表父节点下拥有的子节点数量;u代表父节点下拥有的子节点;mu代表父节点下拥有的子节点u所占的概率;(完好|子节点)代表父节点下拥有的子节点u的后验熵;
构建信息增益:
I(完好|父节点)=E(完好)-E(完好|父节点)
其中,I(完好|父节点)代表父节点的信息增益;
获取所有父节点的信息增益,按照从大到小的顺序进行排序,生成决策树,同时获取信息增益率F:
基于信息增益率F生成权重比例:
其中,wx代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长中任一种的权重比例;Fx代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长中任一种的信息增益率,与wx相对应;F1、F2、F3分别代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长的信息增益率;
利用信息增益率的方式去判断权重比例能够大幅提高模型精度,信息的影响成为模型最主观的因素之一。
构建预测模型:
其中,v0代表高色域显示屏完好的预测概率数据;c1、c2、c3分别代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长的归一化数据;w1、w2、w3分别代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长的权重比例;代表误差调节数据。
根据上述技术方案,所述智能检测包括:
构建预测概率维修阈值,记为v1;所述高色域显示屏完好的预测概率数据到达v1时,发出预警信息,进入检修阶段;
构建时间周期T,获取时间T内每一天的高色域显示屏完好的预测概率数据,计算相邻两天的概率差值,求取平均数作为每天平均增长概率;
基于每天平均增长概率计算高色域显示屏完好的预测概率数据到达v1的时间,输出至管理员端口,并保持每天更新。
一种高色域显示屏质量智能检测系统,该系统包括三维建模模块、电梯监测模块、预测模型构建模块、高色域显示屏质量智能检测模块;
所述三维建模模块用于根据若干个传感器的数据,对电梯仓实现测绘,获取电梯仓内高色域显示屏位置区域,并对其进行标记;所述电梯监测模块用于实时监控电梯内乘客承载量,分析电梯内乘客对于高色域显示屏的挤压状态;所述预测模型构建模块用于获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,根据历史大数据,构建预测模型;所述高色域显示屏质量智能检测模块用于基于预测模型,对高色域显示屏的使用寿命进行预测,基于预测结果的差值智能检测高色域显示屏的质量情况,并实时传输到管理员端口;
所述三维建模模块的输出端与所述电梯监测模块的输入端相连接;所述电梯监测模块的输出端与所述预测模型构建模块的输入端相连接;所述预测模型构建模块的输出端与所述高色域显示屏质量智能检测模块的输入端相连接。
根据上述技术方案,所述三维建模模块包括传感器数据接收子模块、测绘标记子模块;
所述传感器数据接收子模块用于接收电梯仓内设置的若干个传感器的数据;所述测绘标记子模块用于对电梯仓实现测绘,获取电梯仓内高色域显示屏位置区域,并对其进行标记;
所述传感器数据接收子模块的输出端与所述测绘标记子模块的输入端相连接;所述测绘标记子模块的输出端与所述电梯监测模块的输入端相连接。
根据上述技术方案,所述电梯监测模块包括乘客承载量监测子模块、接触状态分析子模块;
所述乘客承载量监测子模块用于实时监控电梯内乘客承载量,获取电梯额定容纳乘客数量作为标准乘客承载量,在乘客承载量达到标准乘客承载量时,判断为高色域显示屏与乘客发生接触并处于挤压状态;所述接触状态分析子模块用于分析电梯内乘客对于高色域显示屏的挤压状态;
所述乘客承载量监测子模块的输出端与所述接触状态分析子模块的输入端相连接;所述接触状态分析子模块的输出端与所述预测模型构建模块的输入端相连接。
根据上述技术方案,所述预测模型构建模块包括历史大数据子模块、预测模型构建子模块;
所述历史大数据子模块用于获取历史大数据,从中获取测试数据作为测试样本;所述预测模型构建子模块用于获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,根据历史大数据,构建预测模型;
所述历史大数据子模块的输出端与所述预测模型构建子模块的输入端相连接;所述预测模型构建子模块的输出端与所述高色域显示屏质量智能检测模块的输入端相连接。
根据上述技术方案,所述高色域显示屏质量智能检测模块包括质量智能检测子模块、输出子模块;
所述质量智能检测子模块用于基于预测模型,对高色域显示屏的使用寿命进行预测,基于预测结果的差值智能检测高色域显示屏的质量情况;所述输出子模块用于将计算得到的预测完好概率输出至管理员端口,并保持实时更新;
所述质量智能检测子模块的输出端与所述输出子模块的输入端相连接。
与现有技术相比,本发明所达到的有益效果是:
本发明利用三维建模模块根据若干个传感器的数据,对电梯仓实现测绘,获取电梯仓内高色域显示屏位置区域,并对其进行标记;利用电梯监测模块实时监控电梯内乘客承载量,分析电梯内乘客对于高色域显示屏的挤压状态;利用预测模型构建模块获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,根据历史大数据,构建预测模型;利用高色域显示屏质量智能检测模块用于基于预测模型,对高色域显示屏的使用寿命进行预测,基于预测结果的差值智能检测高色域显示屏的质量情况,并实时传输到管理员端口;本发明能够实现对电梯仓内的高色域显示屏的质量进行智能检测,分析电梯人员进出对于其的影响程度,并精准预测其达到损坏的概率情况,保持每天更新预测概率,实时帮助管理人员把控质量。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种高色域显示屏质量智能检测系统及方法的流程示意图;
图2是本发明一种高色域显示屏质量智能检测系统及方法的实施例电梯仓示意图;
图3是本发明一种高色域显示屏质量智能检测系统及方法的实施例电梯仓内部示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图3,本发明提供技术方案:
一种高色域显示屏质量智能检测方法,该方法包括以下步骤:
S1、获取电梯仓内高色域显示屏位置区域,构建电梯仓三维模型,标记高色域显示屏位置区域;
S2、实时监控电梯内乘客承载量,分析电梯内乘客对于高色域显示屏的挤压状态;
S3、获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,根据历史大数据,构建预测模型;
S4、基于预测模型,对高色域显示屏的使用寿命进行预测,基于预测结果的差值智能检测高色域显示屏的质量情况,并实时传输到管理员端口。
所述高色域显示屏指72%NTSC、100%sRGB色域屏幕;
所述构建电梯仓三维模型包括内部设置若干个传感器,对电梯仓实现测绘,获取电梯仓内高色域显示屏位置区域,并对其进行标记。
所述乘客承载量包括:
获取电梯额定容纳乘客数量作为标准乘客承载量,在乘客承载量达到标准乘客承载量时,判断为高色域显示屏与乘客发生接触并处于挤压状态。
所述预测模型包括:
获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,作为分类节点,构建决策树;
构建决策树分类指标,所述分类指标包括高色域显示屏完好、高色域显示屏损坏;
构建信息熵公式:
其中,E(t)代表分类节点t的信息熵,p(i|t)代表分类节点t为分类i的概率,c代表分类指标;
所述信息熵表达信息的不确定度;
设置分类节点电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长为父节点,分别记为a1、a2、a3;
所述电梯内乘客与高色域显示屏的接触方式包括肘接触式、臂接触式、背接触式,分别记为父节点a1的子节点a11、a12、a13;
所述被挤压次数包括小于M次,大于M次,其中M为挤压次数设置值,分别记为父节点a2的子节点a21、a22;
所述被挤压时长包括小于N小时,大于N小时,其中N为挤压时长设置值,分别记为父节点a3的子节点a31、a32;
获取历史大数据,构建L件测试样本,所述L件测试样本中完好概率为P1;
构建先验熵:
E(完好)=-P1log2P1-(1-P1)log2(1-P1)
其中,E(完好)代表先验熵,所述先验熵指在没有接收到任一条件时的高色域显示屏完好的熵;
构建后验熵:
E(完好|子节点)=-Pdlog2Pd-(1-Pd)log2(1-Pd)
其中,E(完好|子节点)代表后验熵,所述后验熵指任一子节点对于高色域显示屏完好的信息影响;Pd代表任一子节点d下的高色域显示屏完好的概率;
构建条件熵:
其中,E(完好|父节点)代表条件熵,所述条件熵指任一父节点对于高色域显示屏完好的信息影响;r代表父节点下拥有的子节点数量;u代表父节点下拥有的子节点;mu代表父节点下拥有的子节点u所占的概率;(完好|子节点)代表父节点下拥有的子节点u的后验熵;
构建信息增益:
I(完好|父节点)=E(完好)-E(完好|父节点)
其中,I(完好|父节点)代表父节点的信息增益;
获取所有父节点的信息增益,按照从大到小的顺序进行排序,生成决策树,同时获取信息增益率F:
基于信息增益率F生成权重比例:
其中,wx代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长中任一种的权重比例;Fx代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长中任一种的信息增益率,与wx相对应;F1、F2、F3分别代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长的信息增益率;
构建预测模型:
其中,v0代表高色域显示屏完好的预测概率数据;c1、c2、c3分别代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长的归一化数据;w1、w2、w3分别代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长的权重比例;代表误差调节数据。
所述智能检测包括:
构建预测概率维修阈值,记为v1;所述高色域显示屏完好的预测概率数据到达v1时,发出预警信息,进入检修阶段;
构建时间周期T,获取时间T内每一天的高色域显示屏完好的预测概率数据,计算相邻两天的概率差值,求取平均数作为每天平均增长概率;
基于每天平均增长概率计算高色域显示屏完好的预测概率数据到达v1的时间,输出至管理员端口,并保持每天更新。
一种高色域显示屏质量智能检测系统,该系统包括三维建模模块、电梯监测模块、预测模型构建模块、高色域显示屏质量智能检测模块;
所述三维建模模块用于根据若干个传感器的数据,对电梯仓实现测绘,获取电梯仓内高色域显示屏位置区域,并对其进行标记;所述电梯监测模块用于实时监控电梯内乘客承载量,分析电梯内乘客对于高色域显示屏的挤压状态;所述预测模型构建模块用于获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,根据历史大数据,构建预测模型;所述高色域显示屏质量智能检测模块用于基于预测模型,对高色域显示屏的使用寿命进行预测,基于预测结果的差值智能检测高色域显示屏的质量情况,并实时传输到管理员端口;
所述三维建模模块的输出端与所述电梯监测模块的输入端相连接;所述电梯监测模块的输出端与所述预测模型构建模块的输入端相连接;所述预测模型构建模块的输出端与所述高色域显示屏质量智能检测模块的输入端相连接。
所述三维建模模块包括传感器数据接收子模块、测绘标记子模块;
所述传感器数据接收子模块用于接收电梯仓内设置的若干个传感器的数据;所述测绘标记子模块用于对电梯仓实现测绘,获取电梯仓内高色域显示屏位置区域,并对其进行标记;
所述传感器数据接收子模块的输出端与所述测绘标记子模块的输入端相连接;所述测绘标记子模块的输出端与所述电梯监测模块的输入端相连接。
所述电梯监测模块包括乘客承载量监测子模块、接触状态分析子模块;
所述乘客承载量监测子模块用于实时监控电梯内乘客承载量,获取电梯额定容纳乘客数量作为标准乘客承载量,在乘客承载量达到标准乘客承载量时,判断为高色域显示屏与乘客发生接触并处于挤压状态;所述接触状态分析子模块用于分析电梯内乘客对于高色域显示屏的挤压状态;
所述乘客承载量监测子模块的输出端与所述接触状态分析子模块的输入端相连接;所述接触状态分析子模块的输出端与所述预测模型构建模块的输入端相连接。
所述预测模型构建模块包括历史大数据子模块、预测模型构建子模块;
所述历史大数据子模块用于获取历史大数据,从中获取测试数据作为测试样本;所述预测模型构建子模块用于获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,根据历史大数据,构建预测模型;
所述历史大数据子模块的输出端与所述预测模型构建子模块的输入端相连接;所述预测模型构建子模块的输出端与所述高色域显示屏质量智能检测模块的输入端相连接。
所述高色域显示屏质量智能检测模块包括质量智能检测子模块、输出子模块;
所述质量智能检测子模块用于基于预测模型,对高色域显示屏的使用寿命进行预测,基于预测结果的差值智能检测高色域显示屏的质量情况;所述输出子模块用于将计算得到的预测完好概率输出至管理员端口,并保持实时更新;
所述质量智能检测子模块的输出端与所述输出子模块的输入端相连接。
在本实施例中,
如图2-图3所示,获取电梯仓内高色域显示屏位置区域,构建电梯仓三维模型,标记高色域显示屏位置区域;
获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,作为分类节点,构建决策树;
构建决策树分类指标,所述分类指标包括高色域显示屏完好、高色域显示屏损坏;
构建信息熵公式:
其中,E(t)代表分类节点t的信息熵,p(i|t)代表分类节点t为分类i的概率,c代表分类指标;
所述信息熵表达信息的不确定度;
例如:
获取有3个集合:
集合1:6块高色域显示屏均损坏;
集合2:5块高色域显示屏被损坏,1块高色域显示屏完好;
集合3:3块高色域显示屏被损坏,3块高色域显示屏完好。
按照纯度指标来说,集合1>集合2>集合3,因为集合1的分歧最小,集合3的分歧最大,信息熵表示了信息的不确定度,信息熵越大,纯度越低,不确定性越大,它所包含的信息量也就越大,当集合中的所有样本均匀混合时,信息熵最大,纯度最低。
在上述中,集合3的信息熵为:
集合2的信息熵为:
其中1大于0.65,就说明集合3的信息熵大,纯度低,不确定性大,它所包含的信息量也就越大。
设置分类节点电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长为父节点,分别记为a1、a2、a3;
所述电梯内乘客与高色域显示屏的接触方式包括肘接触式、臂接触式、背接触式,分别记为父节点a1的子节点a11、a12、a13;
所述被挤压次数包括小于M次,大于M次,其中M为挤压次数设置值,分别记为父节点a2的子节点a21、a22;
所述被挤压时长包括小于N小时,大于N小时,其中N为挤压时长设置值,分别记为父节点a3的子节点a31、a32;
在本实施例中,设置M=300、N=200,获取如下数据:
数据组1:肘接触式、被挤压次数200次、被挤压时长120小时、完好;
数据组2:肘接触式、被挤压次数400次、被挤压时长220小时、完好;
数据组3:臂接触式、被挤压次数420次、被挤压时长240小时、损坏;
数据组4:背接触式、被挤压次数100次、被挤压时长260小时、完好;
数据组5:肘接触式、被挤压次数150次、被挤压时长280小时、完好;
数据组6:背接触式、被挤压次数400次、被挤压时长120小时、损坏;
数据组7:肘接触式、被挤压次数320次、被挤压时长160小时、损坏;
数据组8:背接触式、被挤压次数360次、被挤压时长120小时、损坏;
数据组9:臂接触式、被挤压次数420次、被挤压时长220小时、损坏;
数据组10:肘接触式、被挤压次数80次、被挤压时长240小时、损坏;
构建先验熵:
其中,E(完好)代表先验熵,所述先验熵指在没有接收到任一条件时的高色域显示屏完好的熵;
构建后验熵:
E(完好|臂接触式)=0
其中,E(完好|子节点)代表后验熵,所述后验熵指任一子节点对于高色域显示屏完好的信息影响;Pd代表任一子节点d下的高色域显示屏完好的概率;
构建条件熵:
其中,E(完好|父节点)代表条件熵,所述条件熵指任一父节点对于高色域显示屏完好的信息影响;r代表父节点下拥有的子节点数量;u代表父节点下拥有的子节点;mu代表父节点下拥有的子节点u所占的概率;(完好|子节点)代表父节点下拥有的子节点u的后验熵;
构建信息增益:
I(完好|父节点)=E(完好)-E(完好|父节点)=0.9668-0.7609=0.2059
其中,I(完好|父节点)代表父节点的信息增益;
获取所有父节点的信息增益,按照从大到小的顺序进行排序,生成决策树,同时获取信息增益率F:
按照上述方法分别获取所有父节点的信息增益率F;
基于信息增益率F生成权重比例:
其中,wx代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长中任一种的权重比例;Fx代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长中任一种的信息增益率,与wx相对应;F1、F2、F3分别代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长的信息增益率;
构建预测模型:
其中,v0代表高色域显示屏完好的预测概率数据;c1、c2、c3分别代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长的归一化数据;w1、w2、w3分别代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长的权重比例;代表误差调节数据。
所述智能检测包括:
构建预测概率维修阈值,记为v1;所述高色域显示屏完好的预测概率数据到达v1时,发出预警信息,进入检修阶段;
构建时间周期T,获取时间T内每一天的高色域显示屏完好的预测概率数据,计算相邻两天的概率差值,求取平均数作为每天平均增长概率;
基于每天平均增长概率计算高色域显示屏完好的预测概率数据到达v1的时间,输出至管理员端口,并保持每天更新。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种高色域显示屏质量智能检测方法,其特征在于:该方法包括以下步骤:
S1、获取电梯仓内高色域显示屏位置区域,构建电梯仓三维模型,标记高色域显示屏位置区域;
S2、实时监控电梯内乘客承载量,分析电梯内乘客对于高色域显示屏的挤压状态;
S3、获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,根据历史大数据,构建预测模型;
S4、基于预测模型,对高色域显示屏的使用寿命进行预测,基于预测结果的差值智能检测高色域显示屏的质量情况,并实时传输到管理员端口。
2.根据权利要求1所述的一种高色域显示屏质量智能检测方法,其特征在于:所述高色域显示屏指72%NTSC、100%sRGB色域屏幕;
所述构建电梯仓三维模型包括电梯仓内部设置若干个传感器,对电梯仓实现测绘,获取电梯仓内高色域显示屏位置区域,并对其进行标记。
3.根据权利要求1所述的一种高色域显示屏质量智能检测方法,其特征在于:所述实时监控电梯内乘客承载量包括:
获取电梯额定容纳乘客数量作为标准乘客承载量,在乘客承载量达到标准乘客承载量时,判断为高色域显示屏与乘客发生接触并处于挤压状态。
4.根据权利要求3所述的一种高色域显示屏质量智能检测方法,其特征在于:所述构建预测模型包括:
获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,作为分类节点,构建决策树;
构建决策树分类指标,所述分类指标包括高色域显示屏完好、高色域显示屏损坏;
构建信息熵公式:
其中,E(t)代表分类节点t的信息熵,p(i|t)代表分类节点t为分类i的概率,c代表分类指标;
所述信息熵表达信息的不确定度;
设置分类节点电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长为父节点,分别记为a1、a2、a3;
所述电梯内乘客与高色域显示屏的接触方式包括肘接触式、臂接触式、背接触式,分别记为父节点a1的子节点a11、a12、a13;
所述被挤压次数包括小于M次,大于M次,其中M为挤压次数设置值,分别记为父节点a2的子节点a21、a22;
所述被挤压时长包括小于N小时,大于N小时,其中N为挤压时长设置值,分别记为父节点a3的子节点a31、a32;
获取历史大数据,构建L件测试样本,所述L件测试样本中完好概率为P1;
构建先验熵:
E(完好)=-P1log2P1-(1-P1)log2(1-P1)
其中,E(完好)代表先验熵,所述先验熵指在没有接收到任一条件时的高色域显示屏完好的熵;
构建后验熵:
E(完好|子节点)=-Pdlog2Pd-(1-Pd)log2(1-Pd)
其中,E(完好|子节点)代表后验熵,所述后验熵指任一子节点对于高色域显示屏完好的信息影响;Pd代表任一子节点d下的高色域显示屏完好的概率;
构建条件熵:
其中,E(完好|父节点)代表条件熵,所述条件熵指任一父节点对于高色域显示屏完好的信息影响;r代表父节点下拥有的子节点数量;u代表父节点下拥有的子节点;mu代表父节点下拥有的子节点u所占的概率;
构建信息增益:
I(完好|父节点)=E(完好)-E(完好|父节点)
其中,I(完好|父节点)代表父节点的信息增益;
获取所有父节点的信息增益,按照从大到小的顺序进行排序,生成决策树,同时获取信息增益率F:
基于信息增益率F生成权重比例:
其中,wx代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长中任一种的权重比例;Fx代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长中任一种的信息增益率,与wx相对应;F1、F2、F3分别代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长的信息增益率;
构建预测模型:
5.根据权利要求4所述的一种高色域显示屏质量智能检测方法,其特征在于:所述智能检测包括:
构建预测概率维修阈值,记为v1;所述高色域显示屏完好的预测概率数据到达v1时,发出预警信息,进入检修阶段;
构建时间周期T,获取时间T内每一天的高色域显示屏完好的预测概率数据,计算相邻两天的概率差值,求取平均数作为每天平均增长概率;
基于每天平均增长概率计算高色域显示屏完好的预测概率数据到达v1的时间,输出至管理员端口,并保持每天更新。
6.一种高色域显示屏质量智能检测系统,其特征在于:该系统包括三维建模模块、电梯监测模块、预测模型构建模块、高色域显示屏质量智能检测模块;
所述三维建模模块用于根据若干个传感器的数据,对电梯仓实现测绘,获取电梯仓内高色域显示屏位置区域,并对其进行标记;所述电梯监测模块用于实时监控电梯内乘客承载量,分析电梯内乘客对于高色域显示屏的挤压状态;所述预测模型构建模块用于获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,根据历史大数据,构建预测模型;所述高色域显示屏质量智能检测模块用于基于预测模型,对高色域显示屏的使用寿命进行预测,基于预测结果的差值智能检测高色域显示屏的质量情况,并实时传输到管理员端口;
所述三维建模模块的输出端与所述电梯监测模块的输入端相连接;所述电梯监测模块的输出端与所述预测模型构建模块的输入端相连接;所述预测模型构建模块的输出端与所述高色域显示屏质量智能检测模块的输入端相连接。
7.根据权利要求6所述的一种高色域显示屏质量智能检测系统,其特征在于:所述三维建模模块包括传感器数据接收子模块、测绘标记子模块;
所述传感器数据接收子模块用于接收电梯仓内设置的若干个传感器的数据;所述测绘标记子模块用于对电梯仓实现测绘,获取电梯仓内高色域显示屏位置区域,并对其进行标记;
所述传感器数据接收子模块的输出端与所述测绘标记子模块的输入端相连接;所述测绘标记子模块的输出端与所述电梯监测模块的输入端相连接。
8.根据权利要求6所述的一种高色域显示屏质量智能检测系统,其特征在于:所述电梯监测模块包括乘客承载量监测子模块、接触状态分析子模块;
所述乘客承载量监测子模块用于实时监控电梯内乘客承载量,获取电梯额定容纳乘客数量作为标准乘客承载量,在乘客承载量达到标准乘客承载量时,判断为高色域显示屏与乘客发生接触并处于挤压状态;所述接触状态分析子模块用于分析电梯内乘客对于高色域显示屏的挤压状态;
所述乘客承载量监测子模块的输出端与所述接触状态分析子模块的输入端相连接;所述接触状态分析子模块的输出端与所述预测模型构建模块的输入端相连接。
9.根据权利要求6所述的一种高色域显示屏质量智能检测系统,其特征在于:所述预测模型构建模块包括历史大数据子模块、预测模型构建子模块;
所述历史大数据子模块用于获取历史大数据,从中获取测试数据作为测试样本;所述预测模型构建子模块用于获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长,根据历史大数据,构建预测模型;
所述历史大数据子模块的输出端与所述预测模型构建子模块的输入端相连接;所述预测模型构建子模块的输出端与所述高色域显示屏质量智能检测模块的输入端相连接。
10.根据权利要求6所述的一种高色域显示屏质量智能检测系统,其特征在于:所述高色域显示屏质量智能检测模块包括质量智能检测子模块、输出子模块;
所述质量智能检测子模块用于基于预测模型,对高色域显示屏的使用寿命进行预测,基于预测结果的差值智能检测高色域显示屏的质量情况;所述输出子模块用于将计算得到的预测完好概率输出至管理员端口,并保持实时更新;
所述质量智能检测子模块的输出端与所述输出子模块的输入端相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210194451.8A CN114565578B (zh) | 2022-03-01 | 2022-03-01 | 一种高色域显示屏质量智能检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210194451.8A CN114565578B (zh) | 2022-03-01 | 2022-03-01 | 一种高色域显示屏质量智能检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114565578A true CN114565578A (zh) | 2022-05-31 |
CN114565578B CN114565578B (zh) | 2023-01-17 |
Family
ID=81715465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210194451.8A Active CN114565578B (zh) | 2022-03-01 | 2022-03-01 | 一种高色域显示屏质量智能检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565578B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830757A (zh) * | 2022-12-02 | 2023-03-21 | 江苏锦花电子股份有限公司 | 一种基于大数据的显示设备性能监测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220734A (zh) * | 2017-06-26 | 2017-09-29 | 江南大学 | 基于决策树的数控车床车削过程能耗预测系统 |
CN110654948A (zh) * | 2018-06-29 | 2020-01-07 | 哈尔滨工业大学 | 一种无维保情况下的电梯安全剩余使用寿命确定方法 |
US20200349875A1 (en) * | 2018-07-02 | 2020-11-05 | Beijing Baidu Netcom Science Technology Co., Ltd. | Display screen quality detection method, apparatus, electronic device and storage medium |
CN112330095A (zh) * | 2020-10-09 | 2021-02-05 | 中车青岛四方机车车辆股份有限公司 | 一种基于决策树算法的质量管理方法 |
CN113286270A (zh) * | 2021-05-11 | 2021-08-20 | 泉州市德尔互联科技有限公司 | 一种基于物联网技术的电梯预防性维保监管系统与方法 |
-
2022
- 2022-03-01 CN CN202210194451.8A patent/CN114565578B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220734A (zh) * | 2017-06-26 | 2017-09-29 | 江南大学 | 基于决策树的数控车床车削过程能耗预测系统 |
CN110654948A (zh) * | 2018-06-29 | 2020-01-07 | 哈尔滨工业大学 | 一种无维保情况下的电梯安全剩余使用寿命确定方法 |
US20200349875A1 (en) * | 2018-07-02 | 2020-11-05 | Beijing Baidu Netcom Science Technology Co., Ltd. | Display screen quality detection method, apparatus, electronic device and storage medium |
CN112330095A (zh) * | 2020-10-09 | 2021-02-05 | 中车青岛四方机车车辆股份有限公司 | 一种基于决策树算法的质量管理方法 |
CN113286270A (zh) * | 2021-05-11 | 2021-08-20 | 泉州市德尔互联科技有限公司 | 一种基于物联网技术的电梯预防性维保监管系统与方法 |
Non-Patent Citations (1)
Title |
---|
姚梦等: "核心商区LED显示屏视觉质量评价理论模型研究", 《照明工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830757A (zh) * | 2022-12-02 | 2023-03-21 | 江苏锦花电子股份有限公司 | 一种基于大数据的显示设备性能监测系统及方法 |
CN115830757B (zh) * | 2022-12-02 | 2023-11-17 | 江苏锦花电子股份有限公司 | 一种基于大数据的显示设备性能监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114565578B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN111405585B (zh) | 一种基于卷积神经网络的邻区关系预测方法 | |
CN114565578B (zh) | 一种高色域显示屏质量智能检测系统及方法 | |
CN106407075B (zh) | 一种用于大数据平台的管理方法及系统 | |
CN107515842B (zh) | 一种城市人口密度动态预测方法及系统 | |
CN105974869A (zh) | 一种应用于建筑环境自适应节能管理系统的节能监控中心 | |
CN108460516A (zh) | 一种气象预警预报业务智能管理系统及方法 | |
CN106991491A (zh) | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 | |
KR102196334B1 (ko) | IoT 네트워크 기반의 통합 수질 측정 시스템 및 그 방법 | |
CN106817708A (zh) | 一种巡检簇构建方法及装置 | |
CN110139315B (zh) | 一种基于自我学习的无线网络故障检测方法 | |
CN115796668A (zh) | 一种控制电缆的信号质量管理系统 | |
CN111626497A (zh) | 人流量预测方法、装置、设备和存储介质 | |
CN114936808A (zh) | 一种面向变电站故障检测的云边协同任务管理系统及方法 | |
CN111966034A (zh) | 一种智能水务系统 | |
CN117995027A (zh) | 一种飞行计划备降场推荐方法、系统、设备及介质 | |
CN113727092A (zh) | 基于决策树的视频监控质量巡检方法及装置 | |
CN116243405B (zh) | 一种雷暴预报探空参数快速诊断与显示系统的实现方法 | |
CN113379005A (zh) | 一种电网电力设备能源智能管理系统及方法 | |
CN113273555A (zh) | 一种人工智能虫情预测系统及预测方法 | |
Yaman et al. | New approach for intelligent street lights using computer vision and wireless sensor networks | |
CN115933750A (zh) | 基于数据处理的电力巡检方法及电力巡检系统 | |
CN114999154A (zh) | 一种基于图卷积网络的道路服务水平预测方法 | |
CN108429771A (zh) | 基于突变理论的软件定义网络安全状态评估方法及装置 | |
CN114118518A (zh) | 一种智慧校园环境大数据综合协同管理系统 |
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 |