CN115893134B - 一种基于气压传感器的电梯楼层自动识别方法 - Google Patents
一种基于气压传感器的电梯楼层自动识别方法 Download PDFInfo
- Publication number
- CN115893134B CN115893134B CN202211523897.7A CN202211523897A CN115893134B CN 115893134 B CN115893134 B CN 115893134B CN 202211523897 A CN202211523897 A CN 202211523897A CN 115893134 B CN115893134 B CN 115893134B
- Authority
- CN
- China
- Prior art keywords
- air pressure
- elevator
- floor
- pressure sensor
- data
- 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
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies
Landscapes
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了一种基于气压传感器的电梯楼层自动识别方法,步骤一、建立气压‑层高‑楼层映射关系并存储在处理模块中;步骤二、当电梯处于一楼时对气压传感器进行复位;步骤三、基于多条件判断的气压传感器矫正;步骤四、融合运行里程和气压的电梯楼层识别。本发明结构简单、设计合理,在电梯处于一楼且电梯门是处于打开的状态,对气压传感器的数据复位;在满足判断条件时,对将气压‑层高‑楼层映射关系中的气压进行矫正;采用方差最小的运行里程计算当前楼层,并更新楼层配置,实现了气压数据自动更新。
Description
技术领域
本发明属于电梯运行技术领域,具体涉及一种基于气压传感器的电梯楼层自动识别方法。
背景技术
电梯是人们日常出行的必须品,截止到2021年底,中国目前的电梯使用量已经达到了800多万部,平均每天电梯的运行次数达到上亿次。
目前计算电梯楼层的主要方案是:在电梯轿厢顶部加入气压传感器和光电传感器来计算电梯对应的楼层。其中光电传感器主要是在安装在电梯轿厢井道的隔磁板平层位置,通过与电梯井道内壁的隔磁板反光设备进行感应,从而根据反馈的信号来判断电梯的是否处于平层,一般这种安装只安装在电梯的基准层,如一楼。如果在其他的楼层都安装,那么施工成本、运维成本就会大幅提高。
气压传感器一般也是安装在电梯轿厢顶部,电梯顶部加入气压传感器来判断电梯所处的大气压强,然后根据大气压强来计算出对应的电梯楼层,在电梯中,气压传感器所获得的电梯所处的气压精度会有比较大的偏差,往往会出现相同高度的楼层,气压值不一样的情况。因此如果仅仅单靠气压值来计算电梯楼层,那么电梯往返几次运行,气压值就会出现紊乱的情况,会造成精度越来越多的丢失也就会造成楼层的不断错误判断。
因此现在市面上最多的做法就是通过光电传感器与隔磁板反光设备的物理反应判断电梯是否处于一楼,然后如果是一楼则进行气压传感器数据的复位,那么气压数据就会相对准确,从而楼层数据也会比较准确,但是这样的问题就是需要增加光电传感器的成本及隔磁板反光设备的成本,并且安装时间较长后期出现问题维护也比较麻烦。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于气压传感器的电梯楼层自动识别方法,其结构简单、设计合理,在电梯处于一楼且电梯门是处于打开的状态,对气压传感器的数据复位;在满足判断条件时,对将气压-层高-楼层映射关系中的气压进行矫正;采用方差最小的运行里程计算当前楼层,并更新楼层配置,实现了气压数据自动更新。
为解决上述技术问题,本发明采用的技术方案是:一种基于气压传感器的电梯楼层自动识别方法,其特征在于,包括以下步骤:
步骤一、建立气压-层高-楼层映射关系并存储在处理模块中;
步骤二、当电梯处于一楼时对气压传感器进行复位:
步骤201、获取监测时间段内的电梯监控视频,获取电梯监控视频中每个视频帧的电梯门区域的图像数据和电梯楼层显示屏的图像数据,分别采集每个视频帧对应时刻的电梯的运行里程数据和所处高度的气压数据;
步骤202、处理模块识别第一个视频帧的电梯楼层显示屏的图像数据,若电梯位于一楼,则进入步骤203;否则,识别下一个视频帧的电梯楼层显示屏的图像数据;
步骤203、建立基于神经网络的开关门判断分类器,输入第一个视频帧的电梯门区域的图像数据,输出电梯开门比例的分类结果,处理模块判断电梯是否处于打开状态,若是,则进入步骤204;否则,返回步骤202;
将气压-层高-楼层映射关系中一楼对应的气压数据赋值给气压传感器;
步骤三、基于多条件判断的气压传感器矫正:电梯正常运行过程中,若满足任何一个判断条件,则自动更新气压传感器的数据,判断条件具体包括:
条件一:电梯静止时长超过阈值时长;
条件二:若电梯失电后再次复电;
条件三:天气变化;
步骤四、融合运行里程和气压的电梯楼层识别:电梯正常运行时,处理模块用于分析电梯静止时气压传感器实时检测到的气压检测值,识别当前高度的楼层:
步骤401、处理模块中存储有气压-楼层映射关系,处理模块根据电梯静止时气压传感器实时检测到的气压检测值,对照气压-层高-楼层映射关系,匹配气压检测值对应的楼层,若未匹配到,计算机根据公式w-b计算置信度,其中w表示初始值,b表示失信度;
步骤402、若w-b<D,D表示置信度阈值,则认为识别故障,进入步骤303,启动楼层自动校准:
步骤403、基于运行里程进行楼层自动校准:调取调取包括识别故障发生在内的n+l次的电梯的运行里程数据,计算机根据公式计算方差并对/>按照从小到大的顺序排序,其中/>表示识别故障发生前n次电梯的运行里程数据方差,/>表示前n次电梯的运行里程数据的平均值,xi表示前n次中按时间倒序的第i次电梯的运行里程数据,并选取最小方差记为/>选取第二小方差记为若/>则将/>对应的第n+l次电梯的运行楼层更新为当前楼层,并在气压-层高-楼层映射关系中,将当前楼层对应的气压值更新为气压传感器实时检测到的气压检测值,n为不小于5的正整数,1≤i≤n,l为正整数0≤j≤l。
上述的一种基于气压传感器的电梯楼层自动识别方法,其特征在于:步骤三中,自动更新气压传感器的数据的方法为:处理模块根据公式计算电梯自当前状态再次运行停止后的楼层hnext,并在气压-层高-楼层映射关系中,将楼层hnext对应气压值更新为Pnext,ΔP表示电梯自当前状态再次运行停止后的气压差值,Ppre表示电梯当前状态下气压传感器实时检测到的气压检测值,Pnext表示电梯自当前状态再次运行停止后气压传感器实时检测到的气压检测值,hpre表示电梯当前状态下的楼层,f(ΔP)表示根据气压差值计算得到的楼层爬升层数,f(ΔP)表示自变量为ΔP、因变量为楼层爬升层数的函数,f(ΔP)与ΔP的映射关系是经过实验和实际数据预先做出来的。
上述的一种基于气压传感器的电梯楼层自动识别方法,其特征在于:步骤203包括以下步骤:
步骤2031:采集多幅电梯的开关门图像,将开关门图像划分为训练集和测试集,对训练集中开关门图像标记开门比例,开门程度作为开关门图像的标签;
步骤2032:建立基于神经网络模型的开关门判断分类器,将训练集输入神经网络模型,使用smooth-L1损失函数进行训练,得到开关门判断分类器;
步骤2033:利用测试集对开关门判断分类器进行验证,得到训练好的开关门判断分类器。
上述的一种基于气压传感器的电梯楼层自动识别方法,其特征在于:步骤201中,对每个视频帧的图像经过warp矩阵处理,得到电梯门区域的图像数据和电梯楼层显示屏的图像数据。
本发明与现有技术相比具有以下优点:
1、本发明的结构简单、设计合理,实现及使用操作方便。
2、本发明识别电梯处于一楼且电梯门是处于打开的状态,以此判断电梯位移一楼的基线上,这个时候使气压传感器的数据复位到一楼对应的气压数据,气压传感器在往复运行过程中的数据就不会出现累加误差,保证相对准确,从而楼层识别结果也会比较准确,可节约安装传感器的成本及维护成本。
3、本发明基于气压虽然会随天气或层高等原因不断变化,但短时间并不会骤变,因此在满足判断条件时,即将气压-层高-楼层映射关系中的当前楼层对应的气压值更新为实时监测值,避免电梯气压更新延迟,导致映射不匹配引起识别率降低。
4、本发明建立一种基于运行里程进行楼层自动校准的方法,在气压骤变导致气压传感器累计误差增大时,采用方差最小的运行里程计算当前楼层,将气压传感器实时检测到的气压检测值更新到气压-层高-楼层映射关系中当前楼层对应的气压值,实现了气压数据自动更新。
综上所述,本发明结构简单、设计合理,在电梯处于一楼且电梯门是处于打开的状态,对气压传感器的数据复位;在满足判断条件时,对将气压-层高-楼层映射关系中的气压进行矫正;采用方差最小的运行里程计算当前楼层,并更新楼层配置,实现了气压数据自动更新。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明方法中气压传感器复位和矫正的方法流程图。
图2为本发明识别楼层的方法流程图。
图3为本发明终端的电路原理框图。
附图标记说明:
1—处理器; 2—显示模块; 3—数据交换接口模块;
4—通信模块; 5—第一微处理器; 6—第二微处理器;
7—第三微处理器; 8—摄像头; 9—角速度传感器;
10—A/D转换模块; 11—霍尔传感器; 12—气压传感器;
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
如图1所示,本发明包括以下步骤:
步骤一、建立气压-层高-楼层映射关系并存储在处理模块中;实际使用时,根据楼层实际测量楼层对应的气压值和楼层的层高,多次量测取平均值,并存储在处理模块中。
步骤二、当电梯处于一楼时对气压传感器进行复位:
步骤201、获取监测时间段内的电梯监控视频,获取电梯监控视频中每个视频帧的电梯门区域的图像数据和电梯楼层显示屏的图像数据,分别采集每个视频帧对应时刻的电梯的运行里程数据和所处高度的气压数据。
实际使用时,摄像头8在时序数据内采集电梯监控视频,电梯监控视频中每个视频帧包括电梯门区域的图像数据和电梯楼层显示屏的图像数据,用于确保电梯门区域的图像数据和电梯楼层显示屏的图像数据是同一场景相同语义下的。霍尔传感器11在监测时间段内实时采集电梯的运行里程数据,气压传感器12在监测时间段内实时采集电梯所处高度的气压数据。
处理器1将监测时间段内每个视频帧对应的时间作为时间轴,将视频帧图像、运行里程数据、气压数据按照时间轴整理成时序数据。
采用warp矩阵对视频帧图像进行剪切,获得电梯门区域的图像数据和电梯楼层显示屏的图像数据,warp矩阵处理属于仿射变换,是二维坐标间的线性变换,变换后的图像仍然具有原图的性质,warp矩阵的特征向量决定了对图像进行平移、缩放、翻转、旋转或剪切的程度和方向。
步骤202、处理模块识别第一个视频帧的电梯楼层显示屏的图像数据,若电梯位于一楼,则进入步骤203;否则,识别下一个视频帧的电梯楼层显示屏的图像数据;实际使用时,电梯楼层显示屏会实时显示当前电梯所处楼层的数字,处理模块指的是处理器1,处理器1使用计算机视觉技术识别电梯楼层显示屏的图像数据中的数字是否为1,来判断当前电梯是否位于一楼。
步骤203、建立基于神经网络的开关门判断分类器,输入第一个视频帧的电梯门区域的图像数据,输出电梯开门比例的分类结果,处理模块判断电梯是否处于打开状态,若是,则进入步骤204;否则,返回步骤202。本实施例中,步骤103包括以下步骤:
步骤2031:采集多幅电梯的开关门图像,将开关门图像划分为训练集和测试集,对训练集中开关门图像标记开门比例,开门程度作为开关门图像的标签。电梯的开关门图像可以通过拍照进行采集。对开关门图像中,对电梯的四个角点进行标记,从而确定电梯门的位置,通过画框或画线的方式标记开门程度。如是画线,通过计算线的宽度/目标电梯宽度的比值,得到开门比例,开门比例作为开关门图像的标签。
步骤2032:建立基于神经网络模型的开关门判断分类器,将训练集输入神经网络模型,使用smooth-L1损失函数进行训练,得到开关门判断分类器。
对神经网络模型的选取不作具体要求,可以使用在图片分类任务上预训练好的卷积神经网络,例如vgg模型、resnet-34模型、resnet-50或resnet-56模型。本实施例中,经网络模型选用vgg模型,定义神经网络模型的目标函数,将训练集作为神经网络模型的输入,使用smooth-L1损失函数进行训练,求解神经网络模型的最优参数,从而完成神经网络模型的训练,得到开关门判断分类器。
需要说明的是,smooth-L1损失函数的优点是梯度变化相对更小,训练时不容易跑飞,缺点是其对离群点、异常值不敏感。因此在实际使用时,可采用smooth-L1损失函数与KL散度损失函数、交叉熵损失函数或分类损失函数共同对神经网络模型进行训练,权重各占一半。
步骤2033:利用测试集对开关门判断分类器进行验证,得到训练好的开关门判断分类器。
将第一个视频帧的电梯门区域的图像数据输入到开关门判断分类器,开关门判断分类器自动进行候选区域生成、特征提取、候选区域分类以及位置精修,然后输出电梯开门比例的分类结果,降低了基于Faster R-CNN网络的漏检率,使用效果好。
步骤204、将气压-层高-楼层映射关系中一楼对应的气压数据赋值给气压传感器;
步骤二中先后识别电梯处于一楼且电梯门是处于打开的状态,以此判断电梯位移一楼的基线上,在不同的环境下,气压值有可能是不一样的,但是每个楼层的相对气压值是一定的,这个时候使气压传感器的数据复位,即气压传感器的数据复位到一楼对应的气压数据,那么气压传感器在往复运行过程中的数据就不会出现累加误差,保证相对准确,从而楼层识别结果也会比较准确,可节约安装传感器的成本及维护成本。
需要说明的是,步骤202也可以是判断电梯是否位于顶楼或某一特定楼层。对应的,当电梯回到一楼、顶楼或某一特定楼层,对气压传感器当前的气压数据进行复位,复位到一楼、顶楼或某一特定楼层对应的真实的气压数据。一楼、顶楼或某一特定楼层对应的真实的气压数据被提前存储在处理器1中。
步骤三、基于多条件判断的气压传感器矫正:电梯正常运行过程中,若满足任何一个判断条件,则自动更新气压传感器的数据,判断条件具体包括:
条件一:电梯静止时长超过阈值时长;通过角速度传感器识别电梯运动状态,运动状态分为:运动或静止。第二微处理器6内置时钟模块,时钟模块对静止状态进行计时。
条件二:若电梯失电后再次复电;
条件三:天气变化;天气变化可通过设置在室外的传感器检测,传感器包括但不限于雨雪检测传感器1。或者根据时间和位置信息从天气气候数据库模块调取气候信息和最近一天的天气预报数据。
实际使用时,气压虽然会随天气或层高等原因不断变化,但短时间并不会骤变,因此在满足判断条件时,即将气压-层高-楼层映射关系中的当前楼层hnext对应的气压值更新为实时监测值Pnext,避免电梯气压更新延迟,导致映射不匹配引起识别率降低。判断条件为条件一或条件二或条件三。
自动更新气压传感器的数据的方法为:步骤二中,自动更新气压传感器的数据的方法为:处理模块根据公式计算电梯自当前状态再次运行停止后的楼层hnext,并在气压-层高-楼层映射关系中,将楼层hnext对应气压值更新为Pnext,ΔP表示电梯自当前状态再次运行停止后的气压差值,Ppre表示电梯当前状态下气压传感器实时检测到的气压检测值,Pnext表示电梯自当前状态再次运行停止后气压传感器实时检测到的气压检测值,hpre表示电梯当前状态下的楼层,f(ΔP)表示根据气压差值计算得到的楼层爬升层数,f(ΔP)表示自变量为ΔP、因变量为楼层爬升层数的函数,f(ΔP)与ΔP的映射关系是经过实验和实际数据预先做出来的。
步骤四、融合运行里程和气压的电梯楼层识别:电梯正常运行时,处理模块用于分析电梯静止时气压传感器实时检测到的气压检测值,识别当前高度的楼层:
步骤401、处理模块中存储有气压-楼层映射关系,处理模块根据电梯静止时气压传感器实时检测到的气压检测值,对照气压-层高-楼层映射关系,匹配气压检测值对应的楼层,若未匹配到,计算机根据公式w-b计算置信度,其中w表示初始值,b表示失信度;
步骤402、若w-b<D,D表示置信度阈值,则认为识别故障,进入步骤303,启动气压自动校准。
本实施例中,电梯运行过程中,根据气压检测值,在气压-层高-楼层映射关系中寻找与该气压检测值最接近的楼层,需要说明的是,气压-层高-楼层映射关系中的气压为气压区间。如果气压检测值没有落入任何一个楼层对应的气压区间,则认为没有匹配成功,此时对初始值减去失信度,本实施例中,初始值为100,失信度为20,置信度阈值为50。也就是说,本实施例中,三次匹配失败则认为出现了识别故障,即启动基于运行里程进行楼层自动校准模式。实际使用时,通过更改置信度阈值和失信度,即可调整启动基于运行里程进行楼层自动校准模式的门槛条件,使用灵活。
步骤403、基于运行里程进行楼层自动校准的具体方法为:调取包括识别故障发生在内的n+l次的电梯的运行里程数据,计算机根据公式计算方差/>并对/>按照从小到大的顺序排序,其中/>表示识别故障发生前n次电梯的运行里程数据方差,/>表示前n次电梯的运行里程数据的平均值,xi表示前n次中按时间倒序的第i次电梯的运行里程数据,并选取最小方差记为/>选取第二小方差记为/>若/>则将/>对应的第n+l次电梯的运行楼层更新为当前楼层,并在气压-层高-楼层映射关系中,将当前楼层对应的气压值更新为气压传感器实时检测到的气压检测值,n为不小于5的正整数,1≤i≤n,l为正整数0≤j≤l,λ表示判断系数,2≤λ。
本实施例中,在气压骤变导致气压传感器累计误差增大时,启动校准策略,校准策略采用运行里程进行计算,n和l的取值均为5,λ=10。记录包括本次运行在内的最近10次的运行里程,分别计算包括本次运行在内的最近5次的运行里程方差、...计算包括本次运行在内的最近10次的运行里程方差,挑选出运行里程方差里面的最小方差和第二小方差对最小方差/>和第二小方差/>进行比较,若满足/>,则认为/>对应的楼层可信,若/>那么对应的楼层就是包括本次运行在内的最近8次的运行里程里的第8次运行里程所到达的楼层,将该楼层更新为当前楼层,将气压传感器实时检测到的气压检测值更新到气压-层高-楼层映射关系中当前楼层对应的气压值,实现了气压数据自动更新。
以上所述,仅是本发明的实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (4)
1.一种基于气压传感器的电梯楼层自动识别方法,其特征在于,包括以下步骤:
步骤一、建立气压-层高-楼层映射关系并存储在处理模块中;
步骤二、当电梯处于一楼时对气压传感器进行复位:
步骤201、获取监测时间段内的电梯监控视频,获取电梯监控视频中每个视频帧的电梯门区域的图像数据和电梯楼层显示屏的图像数据,分别采集每个视频帧对应时刻的电梯的运行里程数据和所处高度的气压数据;
步骤202、处理模块识别第一个视频帧的电梯楼层显示屏的图像数据,若电梯位于一楼,则进入步骤203;否则,识别下一个视频帧的电梯楼层显示屏的图像数据;
步骤203、建立基于神经网络的开关门判断分类器,输入第一个视频帧的电梯门区域的图像数据,输出电梯开门比例的分类结果,处理模块判断电梯是否处于打开状态,若是,则进入步骤204;否则,返回步骤202;
将气压-层高-楼层映射关系中一楼对应的气压数据赋值给气压传感器;
步骤三、基于多条件判断的气压传感器矫正:电梯正常运行过程中,若满足任何一个判断条件,则自动更新气压传感器的数据,判断条件具体包括:
条件一:电梯静止时长超过阈值时长;
条件二:若电梯失电后再次复电;
条件三:天气变化;
步骤四、融合运行里程和气压的电梯楼层识别:电梯正常运行时,处理模块用于分析电梯静止时气压传感器实时检测到的气压检测值,识别当前高度的楼层:
步骤401、处理模块中存储有气压-楼层映射关系,处理模块根据电梯静止时气压传感器实时检测到的气压检测值,对照气压-层高-楼层映射关系,匹配气压检测值对应的楼层,若未匹配到,计算机根据公式w-b计算置信度,其中w表示初始值,b表示失信度;
步骤402、若w-b<D,D表示置信度阈值,则认为识别故障,进入步骤303,启动楼层自动校准:
步骤403、基于运行里程进行楼层自动校准:调取调取包括识别故障发生在内的n+l次的电梯的运行里程数据,计算机根据公式计算方差/>并对/>按照从小到大的顺序排序,其中/>表示识别故障发生前n次电梯的运行里程数据方差,/>表示前n次电梯的运行里程数据的平均值,xi表示前n次中按时间倒序的第i次电梯的运行里程数据,并选取最小方差记为/>选取第二小方差记为若/>则将/>对应的第n+l次电梯的运行楼层更新为当前楼层,并在气压-层高-楼层映射关系中,将当前楼层对应的气压值更新为气压传感器实时检测到的气压检测值,n为不小于5的正整数,1≤i≤n,l为正整数0≤j≤l,λ表示判断系数。
2.按照权利要求1所述的一种基于气压传感器的电梯楼层自动识别方法,其特征在于:步骤三中,自动更新气压传感器的数据的方法为:处理模块根据公式计算电梯自当前状态再次运行停止后的楼层hnext,并在气压-层高-楼层映射关系中,将楼层hnext对应气压值更新为Pnext,ΔP表示电梯自当前状态再次运行停止后的气压差值,Ppre表示电梯当前状态下气压传感器实时检测到的气压检测值,Pnext表示电梯自当前状态再次运行停止后气压传感器实时检测到的气压检测值,hpre表示电梯当前状态下的楼层,f(ΔP)表示根据气压差值计算得到的楼层爬升层数,f(ΔP)表示自变量为ΔP、因变量为楼层爬升层数的函数,f(ΔP)与ΔP的映射关系是经过实验和实际数据预先做出来的。
3.按照权利要求1所述的一种基于气压传感器的电梯楼层自动识别方法,其特征在于:步骤203包括以下步骤:
步骤2031:采集多幅电梯的开关门图像,将开关门图像划分为训练集和测试集,对训练集中开关门图像标记开门比例,开门程度作为开关门图像的标签;
步骤2032:建立基于神经网络模型的开关门判断分类器,将训练集输入神经网络模型,使用smooth-L1损失函数进行训练,得到开关门判断分类器;
步骤2033:利用测试集对开关门判断分类器进行验证,得到训练好的开关门判断分类器。
4.按照权利要求1所述的一种基于气压传感器的电梯楼层自动识别方法,其特征在于:步骤201中,对每个视频帧的图像经过warp矩阵处理,得到电梯门区域的图像数据和电梯楼层显示屏的图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211523897.7A CN115893134B (zh) | 2022-12-01 | 2022-12-01 | 一种基于气压传感器的电梯楼层自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211523897.7A CN115893134B (zh) | 2022-12-01 | 2022-12-01 | 一种基于气压传感器的电梯楼层自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115893134A CN115893134A (zh) | 2023-04-04 |
CN115893134B true CN115893134B (zh) | 2023-08-15 |
Family
ID=86482251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211523897.7A Active CN115893134B (zh) | 2022-12-01 | 2022-12-01 | 一种基于气压传感器的电梯楼层自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115893134B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107651516A (zh) * | 2017-09-27 | 2018-02-02 | 宁夏电通物联网科技股份有限公司 | 基于三轴气压霍尔的电梯楼层检测装置及检测系统及方法 |
CN108483172A (zh) * | 2018-02-28 | 2018-09-04 | 武汉大学 | 一种智能化电梯轿厢安全监测与评估系统 |
CN110040593A (zh) * | 2019-04-24 | 2019-07-23 | 安徽中科福瑞科技有限公司 | 一种基于气压测判技术的电梯运行状态检测方法 |
CN110143498A (zh) * | 2019-03-27 | 2019-08-20 | 浙江新再灵科技股份有限公司 | 一种电梯乘梯行程的目标匹配方法及系统 |
CN110697526A (zh) * | 2019-09-04 | 2020-01-17 | 深圳优地科技有限公司 | 一种电梯楼层检测方法及设备 |
-
2022
- 2022-12-01 CN CN202211523897.7A patent/CN115893134B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107651516A (zh) * | 2017-09-27 | 2018-02-02 | 宁夏电通物联网科技股份有限公司 | 基于三轴气压霍尔的电梯楼层检测装置及检测系统及方法 |
CN108483172A (zh) * | 2018-02-28 | 2018-09-04 | 武汉大学 | 一种智能化电梯轿厢安全监测与评估系统 |
CN110143498A (zh) * | 2019-03-27 | 2019-08-20 | 浙江新再灵科技股份有限公司 | 一种电梯乘梯行程的目标匹配方法及系统 |
CN110040593A (zh) * | 2019-04-24 | 2019-07-23 | 安徽中科福瑞科技有限公司 | 一种基于气压测判技术的电梯运行状态检测方法 |
CN110697526A (zh) * | 2019-09-04 | 2020-01-17 | 深圳优地科技有限公司 | 一种电梯楼层检测方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115893134A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476827B (zh) | 目标跟踪方法、系统、电子装置及存储介质 | |
US8213679B2 (en) | Method for moving targets tracking and number counting | |
CN109886994B (zh) | 视频跟踪中自适应遮挡检测系统及方法 | |
CN102163280B (zh) | 一种基于置信度和多帧判决的目标识别跟踪转换方法 | |
CN111807183A (zh) | 基于深度学习的电梯门状态智能检测方法 | |
US20180174000A1 (en) | Defect image classification device and defect image classification method | |
CN112232279B (zh) | 一种人员间距检测方法和装置 | |
JP7272024B2 (ja) | 物体追跡装置、監視システムおよび物体追跡方法 | |
CN106940790B (zh) | 一种人流拥塞预测方法及系统 | |
CN113447923A (zh) | 目标检测方法、装置、系统、电子设备及存储介质 | |
JP6878361B2 (ja) | 断熱性能診断装置 | |
CN110717408A (zh) | 一种基于tof相机的人流计数方法 | |
CN115893134B (zh) | 一种基于气压传感器的电梯楼层自动识别方法 | |
CN116071682A (zh) | 一种基于神经网络的电梯开关门检测方法及系统 | |
CN113589306A (zh) | 定位方法、装置、电子设备及存储介质 | |
CN111259736A (zh) | 一种基于深度学习的复杂环境下行人实时检测方法 | |
CN111582332B (zh) | 一种高速铁路接触网吊弦部件的图片识别方法 | |
CN113421295A (zh) | 一种基于物联网的无人机测绘信息采集方法及云采集平台 | |
CN110751226A (zh) | 人群计数模型的训练方法、装置和存储介质 | |
JP4061221B2 (ja) | 移動目標検出装置、追尾システム及び移動目標識別方法 | |
CN112767438B (zh) | 结合时空运动的多目标跟踪方法 | |
US20230334837A1 (en) | Object detection device, learned model generation method, and recording medium | |
CN113610890A (zh) | 一种基于多路摄像头的实时人员轨迹二维平面显示方法 | |
CN114255430A (zh) | 一种公交单目客流统计方法及系统 | |
CN112287854A (zh) | 基于深度神经网络的建筑室内人员检测方法及系统 |
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 |