CN117647664A - 设备运动状态检测、零漂校正参数预测方法、装置及系统 - Google Patents
设备运动状态检测、零漂校正参数预测方法、装置及系统 Download PDFInfo
- Publication number
- CN117647664A CN117647664A CN202311504479.8A CN202311504479A CN117647664A CN 117647664 A CN117647664 A CN 117647664A CN 202311504479 A CN202311504479 A CN 202311504479A CN 117647664 A CN117647664 A CN 117647664A
- Authority
- CN
- China
- Prior art keywords
- elevator
- data
- acceleration
- drift correction
- euler angle
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 401
- 238000012937 correction Methods 0.000 title claims abstract description 301
- 238000000034 method Methods 0.000 title claims abstract description 132
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 230000001133 acceleration Effects 0.000 claims abstract description 657
- 230000008569 process Effects 0.000 claims abstract description 63
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 100
- 238000010606 normalization Methods 0.000 claims description 85
- 230000004913 activation Effects 0.000 claims description 78
- 230000005484 gravity Effects 0.000 claims description 75
- 238000004458 analytical method Methods 0.000 claims description 37
- 238000009499 grossing Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 238000013075 data extraction Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 10
- 230000001960 triggered effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000013145 classification model Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000009191 jumping Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 206010071368 Psychological trauma Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V7/00—Measuring gravitational fields or waves; Gravimetric prospecting or detecting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V7/00—Measuring gravitational fields or waves; Gravimetric prospecting or detecting
- G01V7/02—Details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了一种设备运动状态检测、零漂校正参数预测方法、装置及系统。首先,获取电梯运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据。然后,基于实际加速度数据进行特征提取,得到加速度特征数据。接着,将加速度特征数据与当前欧拉角进行拼接,得到加速度欧拉角拼接数据。其次,根据加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。最后,根据预测零漂校正参数和实际加速度数据对电梯的运动状态进行检测,得到电梯的运动状态。通过将加速度特征数据与欧拉角进行拼接,可以提高预测零漂校正参数的精确度。通过预测零漂校正参数对实际加速度数据进行校正,可以提高电梯系统对电梯运动状态检测的精确性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种设备运动状态检测、零漂校正参数预测方法、装置及系统。
背景技术
重力加速度传感器数据的处理方法对于后续速度和距离的计算准确度是重要的。相关技术中,可以是将重力加速度传感器的三轴分别置于竖直方向,然后计算相应的三轴零漂校正数据。然而,上述方式获得的三轴零漂校正数据的精确度有待提升。
发明内容
本说明书实施方式旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本说明书实施方式提出一种设备运动状态检测、零漂校正参数预测方法、装置及系统。
本说明书实施方式提供一种设备运动状态检测方法,所述方法包括:
获取电梯运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据;
基于所述实际加速度数据进行特征提取,得到加速度特征数据;
将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;
根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数;
根据所述预测零漂校正参数和所述实际加速度数据对所述电梯的运动状态进行检测,得到所述电梯的运动状态。
在其中一个实施方式,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,所述目标零漂校正模型包括卷积批归一化激活模块;所述基于所述实际加速度数据进行特征提取,得到加速度特征数据,包括:
将所述实际加速度数据输入至所述卷积批归一化激活模块中依次进行卷积处理、批归一化和激活处理,得到所述加速度特征数据。
在其中一个实施方式,所述目标零漂校正模型还包括展开模块和全连接批归一化激活模块;所述根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数,包括:
将所述加速度欧拉角拼接数据输入至所述展开模块,得到加速度欧拉角展开数据;
将所述加速度欧拉角展开数据输入至全连接批归一化激活模块中依次进行全连接处理、批归一化和激活处理,得到所述预测零漂校正参数。
在其中一个实施方式,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,通过以下方式得到所述目标零漂校正模型:
搭建初始零漂校正模型;
获取重力加速度传感器的测量零漂校正参数;
将所述重力加速度传感器进行随机转动,得到对应的样本欧拉角;
基于随机转动后的重力加速度传感器进行数据采集,得到样本加速度数据;
以所述测量零漂校正参数为标签,基于所述样本欧拉角以及所述样本加速度数据对所述初始零漂校正模型进行训练,得到所述目标零漂校正模型。
在其中一个实施方式,所述根据所述预测零漂校正参数和所述实际加速度数据对所述电梯的运动状态进行检测,得到所述电梯的运动状态,包括:
利用所述预测零漂校正参数对所述实际加速度数据进行零漂校正,得到校正后加速度数据;
基于所述校正后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态。
在其中一个实施方式,所述基于所述校正后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态,包括:
对所述校正后加速度数据进行平滑处理,得到平滑后加速度数据;
基于所述平滑后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态。
在其中一个实施方式,在所述对所述校正后加速度数据进行平滑处理,得到平滑后加速度数据之前,所述方法还包括:
确定滑窗大小、用于对滑窗内元素进行排序的目标排序算法,以及用于计算滑窗内元素的均值的元素个数;
所述对所述校正后加速度数据进行平滑处理,得到平滑后加速度数据,包括:
根据所述滑窗大小、所述目标排序算法以及所述元素个数,对所述校正后加速度数据进行平滑处理,得到所述平滑后加速度数据。
在其中一个实施方式,所述根据所述滑窗大小、所述目标排序算法以及所述元素个数,对所述校正后加速度数据进行平滑处理,得到所述平滑后加速度数据,包括:
根据所述滑窗大小,利用所述校正后加速度数据对所述滑窗进行填充;
基于所述目标排序算法对填充后的滑窗内元素进行排序;
从排序后的滑窗内元素中获取用于计算所述均值的且数量为所述元素个数的目标元素;
基于所述目标元素确定所述平滑后加速度数据。
在其中一个实施方式,所述基于所述平滑后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态,包括:
基于所述平滑后加速度数据确定所述电梯在运动方向上的运动速度;
根据所述电梯在运动方向上的运动速度判断所述电梯是否超速和/所述电梯是否急停,得到所述电梯的运动状态。
在其中一个实施方式,所述基于所述平滑后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态,包括:
基于所述平滑后加速度数据确定所述电梯在运动方向上的运动加速度;
根据所述电梯在运动方向上的运动加速度判断所述电梯是否急停,得到所述电梯的运动状态。
在其中一个实施方式,所述基于所述平滑后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态,包括:
基于所述平滑后加速度数据确定所述电梯在与运动方向垂直的平面上的分量加速度;
根据所述分量加速度判断所述电梯是否抖动,得到所述电梯的运动状态。
在其中一个实施方式,所述方法还包括:
基于所述平滑后加速度数据确定所述电梯在运动方向上的运动加速度;
根据所述电梯在运动方向上的运动加速度进行积分运算,得到所述电梯在运动方向上的运动速度;
基于所述运动速度的绝对值进行积分运算,得到所述电梯的连续运行距离。
在其中一个实施方式,所述方法还包括:
获取针对所述电梯内部进行拍摄得到的电梯内部图像;
对所述电梯内部图像进行分割处理,得到位于所述电梯内部的目标对象;
若所述目标对象的类别满足预设提醒条件,触发所述目标对象对应的提醒信息的发送。
在其中一个实施方式,若所述目标对象的类别满足预设提醒条件,触发所述目标对象对应的提醒信息的发送,至少包括以下之一:
若检测到所述目标对象为火焰类别,触发所述火焰类别对应的报警信息的发送;
若检测到所述目标对象为违禁品类别,触发所述违禁品类别对应的报警信息的发送。
在其中一个实施方式,所述方法还包括:
获取针对所述电梯内部进行拍摄得到的电梯内部图像;
对所述电梯内部图像进行分割处理,得到位于所述电梯内部的目标对象;
若所述目标对象为人员,从所述电梯内部图像提取所述人员对应的目标人员图像;
基于所述目标人员图像进行分类处理,得到所述人员的异常行为数据;
触发所述异常行为数据对应的提醒语音的播放。
本说明书实施方式提供一种零漂校正参数预测方法,所述方法包括:
获取目标对象在运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据;
基于所述实际加速度数据进行特征提取,得到加速度特征数据;
将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;
根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。
在其中一个实施方式,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,所述目标零漂校正模型包括卷积批归一化激活模块;所述基于所述实际加速度数据进行特征提取,得到加速度特征数据,包括:
将所述实际加速度数据输入至所述卷积批归一化激活模块中依次进行卷积处理、批归一化和激活处理,得到所述加速度特征数据。
在其中一个实施方式,所述目标零漂校正模型还包括展开模块和全连接批归一化激活模块;所述根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数,包括:
将所述加速度欧拉角拼接数据输入至所述展开模块,得到加速度欧拉角展开数据;
将所述加速度欧拉角展开数据输入至全连接批归一化激活模块中依次进行全连接处理、批归一化和激活处理,得到所述预测零漂校正参数。
在其中一个实施方式,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,通过以下方式得到所述目标零漂校正模型:
搭建初始零漂校正模型;
获取重力加速度传感器的测量零漂校正参数;
将所述重力加速度传感器进行随机转动,得到对应的样本欧拉角;
基于随机转动后的重力加速度传感器进行数据采集,得到样本加速度数据;
以所述测量零漂校正参数为标签,基于所述样本欧拉角以及所述样本加速度数据对所述初始零漂校正模型进行训练,得到所述目标零漂校正模型。
本说明书实施方式提供一种异构芯片,所述异构芯片包括嵌入式神经网络处理器和中央处理器;
所述嵌入式神经网络处理器,用于获取电梯运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据,基于所述实际加速度数据进行特征提取,得到加速度特征数据;将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数;
所述中央处理器,用于根据所述预测零漂校正参数和所述实际加速度数据对所述电梯的运动状态进行检测,得到所述电梯的运动状态。
本说明书实施方式提供一种设备运动状态检测系统,所述检测系统包括异构芯片和重力加速度传感器;所述异构芯片包括嵌入式神经网络处理器和中央处理器;
所述重力加速度传感器,用于采集电梯运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据;
所述嵌入式神经网络处理器,用于基于所述实际加速度数据进行特征提取,得到加速度特征数据;将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数;
所述中央处理器,用于根据所述预测零漂校正参数和所述实际加速度数据对所述电梯的运动状态进行检测,得到所述电梯的运动状态。
在其中一个实施方式,所述检测系统还包括视频采集模块和视频分析模块;
所述视频采集模块,用于对所述电梯内部进行拍摄,得到电梯内部图像;
所述视频分析模块,用于对所述电梯内部图像进行分割处理,得到位于所述电梯内部的目标对象;若所述目标对象的类别满足预设提醒条件,触发所述目标对象对应的提醒信息的发送。
本说明书实施方式提供一种异构芯片,包括嵌入式神经网络处理器NPU、中央处理器CPU、存储器以及存储在所述存储器中且被配置为由所述中央处理器CPU和所述嵌入式神经网络处理器NPU执行的计算机程序,所述中央处理器CPU和所述嵌入式神经网络处理器NPU执行所述计算机程序时实现如上述任一项实施方式所述的方法。
本说明书实施方式提供一种设备运动状态检测装置,所述装置包括:
电梯运动数据获取模块,用于获取电梯运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据;
特征数据确定模块,用于基于所述实际加速度数据进行特征提取,得到加速度特征数据;
拼接数据确定模块,用于将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;
零漂校正参数确定模块,用于根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数;
电梯运动状态确定模块,用于根据所述预测零漂校正参数和所述实际加速度数据对所述电梯的运动状态进行检测,得到所述电梯的运动状态。
在其中一个实施方式,所述电梯运动状态确定模块,还用于利用所述预测零漂校正参数对所述实际加速度数据进行零漂校正,得到校正后加速度数据;基于所述校正后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态。
在其中一个实施方式,所述电梯运动状态确定模块,还用于对所述校正后加速度数据进行平滑处理,得到平滑后加速度数据;基于所述平滑后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态。
在其中一个实施方式,所述电梯运动状态确定模块,还用于基于所述平滑后加速度数据确定所述电梯在运动方向上的运动速度;根据所述电梯在运动方向上的运动速度判断所述电梯是否超速和/所述电梯是否急停,得到所述电梯的运动状态。
在其中一个实施方式,所述电梯运动状态确定模块,还用于基于所述平滑后加速度数据确定所述电梯在与运动方向垂直的平面上的分量加速度;根据所述分量加速度判断所述电梯是否抖动,得到所述电梯的运动状态。
本说明书实施方式提供一种零漂校正参数预测装置,所述装置包括:
运动数据获取模块,用于获取目标对象在运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据;
特征数据提取模块,用于基于所述实际加速度数据进行特征提取,得到加速度特征数据;
欧拉角拼接模块,用于将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;
校正参数预测模块,用于根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。
在其中一个实施方式,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,所述目标零漂校正模型包括卷积批归一化激活模块;所述特征数据提取模块,还用于将所述实际加速度数据输入至所述卷积批归一化激活模块中依次进行卷积处理、批归一化和激活处理,得到所述加速度特征数据。
在其中一个实施方式,所述目标零漂校正模型还包括展开模块和全连接批归一化激活模块;所述校正参数预测模块,还用于将所述加速度欧拉角拼接数据输入至所述展开模块,得到加速度欧拉角展开数据;将所述加速度欧拉角展开数据输入至全连接批归一化激活模块中依次进行全连接处理、批归一化和激活处理,得到所述预测零漂校正参数。
在其中一个实施方式,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,通过以下方式得到所述目标零漂校正模型:
搭建初始零漂校正模型;
获取重力加速度传感器的测量零漂校正参数;
将所述重力加速度传感器进行随机转动,得到对应的样本欧拉角;
基于随机转动后的重力加速度传感器进行数据采集,得到样本加速度数据;
以所述测量零漂校正参数为标签,基于所述样本欧拉角以及所述样本加速度数据对所述初始零漂校正模型进行训练,得到所述目标零漂校正模型。
本说明书实施方式提供一种电子设备,所述电子设备包括:存储器,以及与所述存储器通信连接的一个或多个处理器;所述存储器中存储有可被所述一个或多个处理器执行的指令,所述指令被所述一个或多个处理器执行,以使所述一个或多个处理器实现上述任一项实施方式所述的方法的步骤。
本说明书实施方式提供计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项实施方式所述的方法的步骤。
本说明书实施方式提供一种计算机程序产品,所述计算机程序产品中包括指令,所述指令被计算机设备的处理器执行时,使得所述计算机设备能够执行上述任一项实施方式所述的方法的步骤。
上述说明书实施方式中,首先,获取电梯运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据。然后,基于实际加速度数据进行特征提取,得到加速度特征数据。接着,将加速度特征数据与当前欧拉角进行拼接,得到加速度欧拉角拼接数据。其次,根据加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。最后,根据预测零漂校正参数和实际加速度数据对电梯的运动状态进行检测,得到电梯的运动状态。通过将加速度特征数据与当前欧拉角进行拼接,可以提高预测零漂校正参数的精确度。通过预测零漂校正参数对电梯的实际加速度数据进行校正,可以提高电梯系统对电梯运动状态检测的精确性。
附图说明
图1a为本说明书实施方式提供的电梯运动状态检测系统的示意图;
图1b为本说明书实施方式提供的视频分析模块的示意图;
图1c为本说明书实施方式提供的重力加速度传感器分析模块的示意图;
图1d为本说明书实施方式提供的设备运动状态检测方法的流程示意图;
图2为本说明书实施方式提供的零漂校正模型的结构示意图;
图3为本说明书实施方式提供的确定预测零漂校正参数的流程示意图;
图4为本说明书实施方式提供的得到目标零漂校正模型的流程示意图;
图5为本说明书实施方式提供的得到设备的运动状态的流程示意图;
图6为本说明书实施方式提供的得到设备的运动状态的流程示意图;
图7为本说明书实施方式提供的得到平滑后加速度数据的流程示意图;
图8为本说明书实施方式提供的确定平滑后加速度数据的流程示意图;
图9为本说明书实施方式提供的得到设备的运动状态的流程示意图;
图10为本说明书实施方式提供的得到设备的运动状态的流程示意图;
图11为本说明书实施方式提供的得到设备的运动状态的流程示意图;
图12为本说明书实施方式提供的得到设备的连续运行距离的流程示意图;
图13为本说明书实施方式提供的得到设备的计算高度数据的流程示意图;
图14为本说明书实施方式提供的得到当前所处高度的流程示意图;
图15为本说明书实施方式提供的触发目标对象对应的提醒信息的发送的流程示意图;
图16为本说明书实施方式提供的触发异常行为数据对应的提醒语音的播放的流程示意图;
图17为本说明书实施方式提供的电梯运动状态检测方法的流程示意图;
图18为本说明书实施方式提供的电梯运动状态检测方法的流程示意图;
图19为本说明书实施方式提供的设备运动状态检测装置的示意图;
图20为本说明书实施方式提供的零漂校正参数预测装置的示意图;
图21为本说明书实施方式提供的电子设备的内部结构图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
当前电梯重力加速度传感器作用是采集电梯运动的实时加速度,根据加速度一阶积分和二阶积分分别得到速度和运行距离。重力加速度传感器数据的处理方法对于后续速度和距离的计算准确度是重要的。
相关技术中,电梯重力加速度传感器零漂过程还是采用传统手动方法进行,即将重力加速度传感器的三轴分别置于竖直方向,然后计算相应的三轴零漂校正数据。然而,上述方式获得的三轴零漂校正数据的精确度有待提升。此外,重力加速度传感器数据预处理中采用的平滑算法,对于复杂场景中的重力加速度传感器数据的平滑效果有待提升。
基于此,本说明书实施方式提供一种设备运动状态检测方法。首先,获取电梯运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据。然后,基于实际加速度数据进行特征提取,得到加速度特征数据。接着,将加速度特征数据与当前欧拉角进行拼接,得到加速度欧拉角拼接数据。其次,根据加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。最后,根据预测零漂校正参数和实际加速度数据对电梯的运动状态进行检测,得到电梯的运动状态。通过将加速度特征数据与当前欧拉角进行拼接,可以提高预测零漂校正参数的精确度。通过预测零漂校正参数对电梯的实际加速度数据进行校正,可以提高电梯系统对电梯运动状态检测的精确性。
本说明书实施方式提供的方法可以应用于图1a的应用场景中,电梯运动状态检测系统由摄像头、重力加速度传感器(GSensor)、异构AI芯片、4G模块等组成。异构AI芯片、4G模块可以部署在边缘端检测设备。通过摄像头,对电梯内部进行拍摄得到的电梯内部视频画面。通过重力加速度传感器(GSensor),获取电梯运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据。电梯运行监控软件系统可以包括两个一级模块,分别是视频分析模块和重力加速度传感器分析模块。
请参阅图1b,电梯内部视频画面可以作为视频分析模块的输入数据。通过视频分析模块包含的图像预处理模块,对电梯内部视频画面中的每一帧电梯内部图像进行图像预处理,得到预处理图像。将预处理图像作为视频分析模块包含的实例分割模型的输入。通过实例分割模型,对预处理图像进行分割处理,可以得到位于电梯内部的目标对象。当目标对象为人员时,从预处理图像提取人员对应的目标人员图像。将目标人员图像作为视频分析模块包含的分类模型的输入。通过分类模型,对目标人员图像进行分类处理,可以得到包括人员跌倒、人员打架和人员跳跃中的至少一种异常行为数据。当识别到包括人员跌倒、人员打架和人员跳跃中的至少一种异常行为数据时,可以通过电梯轿厢内的扩音器发出提醒乘客的警告语音。当目标对象为电动自行车或者火焰时,可以通过4G模块将火焰类别对应的报警信息或者电动自行车对应的报警信息发送至电梯维护人员进行报警。当目标对象为显示面板时,从预处理图像提取显示面板对应的目标显示面板图像。将目标显示面板图像作为视频分析模块包含的OCR模型的输入。通过OCR模型,对目标显示面板图像进行文字识别处理,可以得到电梯楼层号。在电梯自初始楼层向用户指定楼层的运行过程后,确定电梯所经历楼层的楼层号集合。对楼层号集合中每个楼层号对应的楼层高度进行相加处理,得到电梯测量运行距离。通过确定用户指定楼层的楼层号,将一层至指定楼层的每个楼层号对应的楼层高度进行相加处理,得到电梯测量高度数据。
请参阅图1c,电梯运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据作为重力加速度传感器分析模块的输入数据。通过重力加速度传感器分析模块包含的自动零漂校正模块,对电梯运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据进行数据处理,得到预测零漂校正参数。用预测零漂校正参数对实际加速度数据进行校正处理,得到校正后加速度数据。通过重力加速度传感器分析模块包含的数据平滑模块,对校正后加速度数据进行平滑处理,得到平滑后加速度数据。通过重力加速度传感器分析模块包含的速度积分模块,对平滑后加速度数据进行积分处理,得到电梯在运动方向上的运动速度。通过重力加速度传感器分析模块包含的电梯运动异常检测模块,对运动速度、平滑后加速度数据进行异常检测,可以得到电梯是否发生抖动、急停、超速等异常状态。通过重力加速度传感器分析模块包含的电梯高度模块,对运动速度进行积分处理,可以得到电梯计算高度数据。通过重力加速度传感器分析模块包含的电梯连续运行距离模块,对运动速度进行积分处理,可以得到电梯计算连续运行距离。
基于电梯测量高度数据和计算高度数据进行卡尔曼滤波,整合得到电梯当前所处高度。基于电梯测量运行距离和计算连续运行距离进行卡尔曼滤波,整合得到电梯当前连续运行距离。
本说明书实施方式提供一种设备运动状态检测方法,请参阅图1d,该方法可以包括以下步骤:
S110、获取电梯运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据。
S120、基于实际加速度数据进行特征提取,得到加速度特征数据。
S130、将加速度特征数据与当前欧拉角进行拼接,得到加速度欧拉角拼接数据。
S140、根据加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。
S150、根据预测零漂校正参数和实际加速度数据对电梯的运动状态进行检测,得到电梯的运动状态。
其中,欧拉角可以是一种用于描述物体在三维空间中旋转姿态的方法,欧拉角表示方法有三个角度,分别是滚动角(Bank),俯仰角(Pitch)和偏航角(Yaw)。欧拉角提供了一种直观、易于理解和使用的方式来描述三维姿态。预测零漂校正参数可以是指用于校正电梯系统中的零速度漂移的参数。每个欧拉角可以对应多组实际加速度数据。在测量和传感器领域中,"零漂"是指传感器在无输入信号时产生的偏移或误差。零漂校正参数用于校正这种偏移,以使传感器在无输入信号时输出接近零值。电梯的运动状态可以包括静止状态、上升状态、下降状态、故障状态(比如突然停止、震动等)。
在一些情况下,在电梯运行中,由于各种因素的影响,例如传感器误差、机械松动等,电梯可能会出现零速度漂移的情况,即当电梯停下来时,速度传感器仍然会产生微小的速度读数。为了解决上述问题,可以使用零漂校正参数对电梯系统进行校正。
具体地,基于重力加速度传感器,获取电梯运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据。将实际加速度数据作为目标零漂校正模型的输入,通过目标零漂校正模型实现对实际加速度数据的特征提取,得到加速度特征数据。将欧拉角作为目标零漂校正模型的输入,通过目标零漂校正模型实现对加速度特征数据与当前欧拉角的拼接操作,得到加速度欧拉角拼接数据。基于目标零漂校正模型,根据加速度欧拉角拼接数据对该重力加速度读传感器进行零漂校正参数预测,得到预测零漂校正参数。通过对预测校正参数和实际加速度数据进行数据处理(比如校正处理、平滑处理),实现对电梯运动状态的检测,得到电梯的运动状态。
上述实施方式中,首先,获取电梯运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据。然后,基于实际加速度数据进行特征提取,得到加速度特征数据。接着,将加速度特征数据与当前欧拉角进行拼接,得到加速度欧拉角拼接数据。其次,根据加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。最后,根据预测零漂校正参数和实际加速度数据对电梯的运动状态进行检测,得到电梯的运动状态。通过将加速度特征数据与当前欧拉角进行拼接,可以提高预测零漂校正参数的精确度。通过预测零漂校正参数对电梯的实际加速度数据进行校正,可以提高电梯系统对电梯运动状态检测的精确性。
在一些实施方式中,预测零漂校正参数是通过目标零漂校正模型进行预测得到的,目标零漂校正模型包括卷积批归一化激活模块。基于实际加速度数据进行特征提取,得到加速度特征数据,可以包括:将实际加速度数据输入至卷积批归一化激活模块中依次进行卷积处理、批归一化和激活处理,得到加速度特征数据。
其中,卷积批归一化激活模块(CBR模块)由卷积层(Conv层)、批归一化操作层(BatchNormal层)和激活函数层(ReLU层)组成。
具体地,将实际加速度数据作为卷积批归一化激活模块(CBR模块)的输入,进行特征提取。在卷积批归一化激活模块中,卷积层用于对输入的实际加速度数据进行卷积处理,实现对实际加速度数据的特征提取。将输入的实际加速度数据与卷积核进行卷积操作,提取出局部特征。上述卷积操作可以捕捉输入的实际加速度数据中的空间结构和模式。卷积操作后,输出数据会通过批归一化操作层进行批归一化,实现对输出数据的规范化。它通过对卷积层的输出数据进行均值和方差的归一化,使得输出数据具有零均值和单位方差,从而增强了数据的稳定性和可训练性。最后,在批归一化之后,应用激活函数层对批归一化操作层的输出数据进行非线性映射,引入非线性特征,并将批归一化操作层的输出数据的特征映射到更高维的空间中,得到加速度特征数据。
示例性地,请参阅图2,通过重力加速度传感器获取2秒内的加速度数据。对两秒内的加速度数据进行下采样,得到数据形状为128*3的实际加速度数据。数据形状为128*3的实际加速度数据作为卷积批归一化激活模块(CBR模块)的输入Input_A,经过第一个CBR模块,获得数据形状为64*3的实际加速度数据,经过第二个CBR模块,获得数据形状为32*3的实际加速度数据,经过第三个CBR模块,获得数据形状为16*3的实际加速度数据,经过第四个CBR模块,获得数据形状为8*3的加速度特征数据。
上述实施方式中,将实际加速度数据输入至卷积批归一化激活模块中依次进行卷积处理、批归一化和激活处理,得到加速度特征数据,可以有效地提取特征、归一化数据、增强非线性表达以及减少过拟合,从而提高模型性能和泛化能力。
在一些实施方式中,请参阅图3,目标零漂校正模型还包括展开模块和全连接批归一化激活模块。根据加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数,可以包括以下步骤:
S310、将加速度欧拉角拼接数据输入至展开模块,得到加速度欧拉角展开数据。
S320、将加速度欧拉角展开数据输入至全连接批归一化激活模块中依次进行全连接处理、批归一化和激活处理,得到预测零漂校正参数。
其中,全连接批归一化激活模块(FBR模块)由全连接层、批归一化操作层(BatchNormal层)和激活函数层(ReLU层)组成。
具体地,将加速度欧拉角拼接数据作为展开模块的输入,通过展开模块对加速度欧拉角拼接数据进行展开,得到加速度欧拉角展开数据。将加速度欧拉角展开数据作为全连接批归一化激活模块的输入。在全连接批归一化激活模块中,通过全连接层,对加速度欧拉角展开数据与权重进行矩阵乘法,并加上偏置。全连接操作后,输出数据会通过批归一化操作层进行归一化操作,将输入数据均值调整为0,方差调整为1,从而使得输出具有更稳定的分布。最后,在批归一化之后,应用激活函数对批归一化操作层的输出数据进行非线性变换,以增加模型的表达能力,得到预测零漂校正参数。
示例性地,请继续参阅图2,数据形状为1*3的加速度欧拉角作为拼接层(Concatenate层)的输入Input_B。通过拼接层(Concatenate层),对加速度特征数据与欧拉角进行拼接处理,得到数据形状为9*3的加速度欧拉角拼接数据。通过展开模块(Flatten)对加速度欧拉角拼接数据进行展开,得到数据形状为27的加速度欧拉角展开数据。将数据形状为27的加速度欧拉角展开数据作为全连接批归一化激活模块(FBR模块)的输入,经过第一个FBR模块,获得数据形状为24的数据,经过第二个FBR模块,获得数据形状为12的数据。最后,经过Output可以输入数据形状为6的预测零漂校正参数。
上述实施方式中,将加速度欧拉角拼接数据输入至展开模块,得到加速度欧拉角展开数据,将加速度欧拉角展开数据输入至全连接批归一化激活模块中依次进行全连接处理、批归一化和激活处理,得到预测零漂校正参数。通过预测零漂校正参数对电梯的实际加速度数据进行校正,可以提高电梯系统对电梯运动状态检测的精确性。
在一些实施方式中,请参阅图4,预测零漂校正参数是通过目标零漂校正模型进行预测得到的,通过以下方式得到目标零漂校正模型:
S410、搭建初始零漂校正模型。
S420、获取重力加速度传感器的测量零漂校正参数。
具体地,基于实际应用场景、需求、数据形式,搭建初始零漂校正模型。将重力加速度传感器平放置在桌子上,X轴竖直向上,在这个姿态下获取数据M1。将重力加速度传感器平放置在桌子上,X轴竖直向下,在这个姿态下获取数据N1。将数据M1、数据N1带入公式A1X+B1=g,得到两个方程A1*M1+B1=g以及A1*N1+B1=-g。其中,g代表重力加速度,A1为重力加速度传感器X轴缩放参数,B1为重力加速度传感器X轴偏移参数。基于方程式A1*M1+B1=g以及A1*N1+B1=-g,可以通过消元或其他方法求得重力加速度传感器X轴的缩放参数A1和偏移参数B1的具体值。
将重力加速度传感器平放置在桌子上,Y轴竖直向上,在这个姿态下获取数据M2。将重力加速度传感器平放置在桌子上,Y轴竖直向下,在这个姿态下获取数据N2。将数据M2、数据N2带入公式A2X+B2=g,得到两个方程A2*M2+B2=g以及A2*N2+B2=-g。其中,A2为重力加速度传感器Y轴缩放参数,B2为重力加速度传感器Y轴偏移参数。基于方程式A2*M2+B2=g以及A2*N2+B2=-g,可以通过消元或其他方法求得重力加速度传感器Y轴的缩放参数A2和偏移参数B2的具体值。
将重力加速度传感器平放置在桌子上,Z轴竖直向上,在这个姿态下获取数据M3。将重力加速度传感器平放置在桌子上,Z轴竖直向下,在这个姿态下获取数据N3。将数据M3、数据N3带入公式A3X+B3=g,得到两个方程A3*M3+B3=g以及A3*N3+B3=-g。其中,A3为重力加速度传感器Z轴缩放参数,B3为重力加速度传感器Z轴偏移参数。基于方程式A3*M3+B3=g以及A3*N3+B3=-g,可以通过消元或其他方法求得重力加速度传感器Z轴的缩放参数A3和偏移参数B3的具体值。重力加速度传感器X轴的缩放参数A1和偏移参数B1的具体值、Y轴的缩放参数A2和偏移参数B2的具体值、Z轴的缩放参数A3和偏移参数B3的具体值可以构成重力加速度传感器的测量零漂校正参数。示例性地,请参阅图2,图2的模型结构可以是初始零漂校正模型。
需要说明的是,缩放参数可以决定传感器测量值与重力加速度之间的比例关系。偏移参数可以表示传感器测量值与重力加速度之间的偏移量。
S430、将重力加速度传感器进行随机转动,得到对应的样本欧拉角。
S440、基于随机转动后的重力加速度传感器进行数据采集,得到样本加速度数据。
S450、以测量零漂校正参数为标签,基于样本欧拉角以及样本加速度数据对初始零漂校正模型进行训练,得到目标零漂校正模型。
具体地,将重力加速度传感器随机转动一定角度,得到对应的样本欧拉角,同时基于随机转动后的样本欧拉角,对重力加速度传感器进行数据采集以及下采样处理,得到样本加速度数据。将该重力加速度传感器的测量零漂校正参数作为标签。样本欧拉角与样本欧拉角对应的样本加速度数据构成初始零漂校正模型的样本数据集。将样本欧拉角以及样本加速度数据作为初始零漂校正模型的输入,得到对应的样本零漂校正参数。基于样本零漂校正参数与测量零漂校正参数,可以确定初始零漂校正模型的损失数据。基于初始零漂校正模型的损失数据,对初始零漂校正模型进行参数更新,直至满足模型的停止训练条件,得到目标零漂校正模型。
示例性地,初始零漂校正模型的标签和训练样本集的确定过程可以包括:首先,按常规方法测量任一重力加速度传感器(GSensor)的三轴零漂参数即测量零漂校正参数记为(ax1,bx1,ay1,by1,az1,bz1)。然后,将该重力加速度传感器随机转动一定角度,得到对应的样本欧拉角θ1、ψ1、同时采集该样本欧拉角下2秒钟的三轴加速度数据。接着,将采集得到的2秒钟的三轴加速度数据进行降采样处理,降采样至64Hz,并将其在axis=1的维度上拼接在一起,得到数据形状为[128*3]的数据,该数据可以作为初始零漂校正模型中卷积批归一化激活模块的一条输入。将欧拉角θ1、ψ1、/>拼接在一起,得到数据形状为[1*3]的数据,该数据作为初始零漂校正模型中全连接批归一化激活模块的一条输入。重复上述操作,可以采集得到该重力加速度传感器在不同欧拉角下以及每个欧拉角对应的多组样本加速度数据。将上述得到的欧拉角与该欧拉角对应的加速度数据作为训练样本集,该重力传感器对应的测量零漂校正参数作为标签。
上述实施方式中,通过构建目标零漂校正模型,可以得到预测零漂校正参数。通过预测零漂校正参数对电梯的实际加速度数据进行校正,可以提高电梯系统对电梯运动状态检测的精确性。
在一些实施方式中,请参阅图5,根据预测零漂校正参数和实际加速度数据对电梯的运动状态进行检测,得到电梯的运动状态,可以包括以下步骤:
S510、利用预测零漂校正参数对实际加速度数据进行零漂校正,得到校正后加速度数据。
S520、基于校正后加速度数据对电梯的运动过程进行异常检测,得到电梯的运动状态。
具体地,对于每个实际加速度数据,根据预测零漂校正参数来消除零漂误差,对实际加速度数据进行零漂校正,得到校正后加速度数据。通过对校正后加速度数据进行数据处理(比如平滑处理),实现对电梯运动过程的异常检测,得到电梯的运动状态。
上述实施方式中,利用预测零漂校正参数对实际加速度数据进行零漂校正,得到校正后加速度数据,基于校正后加速度数据对电梯的运动过程进行异常检测,得到电梯的运动状态。电梯运动过程中的加速度数据可能受到传感器漂移和噪声等因素的影响,导致数据存在误差。通过利用预测零漂校正参数对实际加速度数据进行校正,可以减少由于传感器漂移引起的误差,提高数据的准确性。
在一些实施方式中,请参阅图6,基于校正后加速度数据对电梯的运动过程进行异常检测,得到电梯的运动状态,可以包括以下步骤:
S610、对校正后加速度数据进行平滑处理,得到平滑后加速度数据。
S620、基于平滑后加速度数据对电梯的运动过程进行异常检测,得到电梯的运动状态。
在一些情况下,加速度数据可能受到传感器噪声或其他环境干扰的影响,导致数据中包含杂乱的波动。平滑处理可以消除加速度数据中的突然变化和尖峰,使数据趋于平缓和连续。这有助于提高数据的稳定性,使其更易于分析和理解。
具体地,对校正后加速度数据进行平滑处理,得到平滑后加速度数据。通过对平滑后加速度数据进行数据处理(比如积分处理),实现对电梯运动过程的异常检测,得到电梯的运动状态。
上述实施方式中,对校正后加速度数据进行平滑处理,得到平滑后加速度数据,基于平滑后加速度数据对电梯的运动过程进行异常检测,得到电梯的运动状态。平滑后加速度数据可以更清晰地反映电梯的运动状态。基于平滑后加速度数据,可以进行更精确的电梯异常检测、故障诊断。
在一些实施方式中,请参阅图7,在对校正后加速度数据进行平滑处理,得到平滑后加速度数据之前,可以包括以下步骤:
S710、确定滑窗大小、用于对滑窗内元素进行排序的目标排序算法,以及用于计算滑窗内元素的均值的元素个数。
对校正后加速度数据进行平滑处理,得到平滑后加速度数据,包括:
S720、根据滑窗大小、目标排序算法以及元素个数,对校正后加速度数据进行平滑处理,得到平滑后加速度数据。
其中,滑窗可以是一个先进先出(FIFO)的队列。滑窗大小决定了在进行平滑处理时考虑的数据点数量。较大的滑窗可以平滑更长的时间跨度,从而对数据中的高频振荡和噪声有更好的去除效果。然而,较大的滑窗也会引入延迟,使得处理后的数据响应变慢。较小的滑窗可以更敏捷地反应数据的变化,但可能无法完全去除较低频的噪声。选择适当的滑窗大小需要根据具体应用场景和需求来平衡响应速度和平滑效果。滑窗大小可以结合实际情况进行设置,比如滑窗大小可以是10、可以是20、可以是30。元素个数可以小于等于滑窗大小。
具体地,根据具体情况、应用场景和数据特点,可以设置滑窗大小、用于对滑窗内元素进行排序的目标排序算法。通过权衡数据的精度,可以设置用于计算滑窗内元素的均值的元素个数。根据滑窗大小、目标排序算法以及元素个数,对校正后加速度数据进行平滑处理,得到平滑后加速度数据。
需要说明的是,目标排序算法可以是快速排序算法、堆排序算法和希尔排序算法等排序算法中的任一种。
上述实施方式中,确定滑窗大小、用于对滑窗内元素进行排序的目标排序算法,以及用于计算滑窗内元素的均值的元素个数,根据滑窗大小、目标排序算法以及元素个数,对校正后加速度数据进行平滑处理,得到平滑后加速度数据。通过平滑处理,可以去除噪声和突变,提高数据准确性,帮助分析数据的模式和趋势,并改善数据的可视化效果。通过获得平滑后加速度数据,有助于更好地理解和判断电梯的运行状态,进一步提升电梯的安全性和性能。
在一些实施方式中,请参阅图8,根据滑窗大小、目标排序算法以及元素个数,对校正后加速度数据进行平滑处理,得到平滑后加速度数据,可以包括以下步骤:
S810、根据滑窗大小,利用校正后加速度数据对滑窗进行填充。
S820、基于目标排序算法对填充后的滑窗内元素进行排序。
S830、从排序后的滑窗内元素中获取用于计算均值的且数量为元素个数的目标元素。
S840、基于目标元素确定平滑后加速度数据。
具体地,可以将校正后加速度数据复制一份,得到两分相同的校正后加速度数据并将其分别存入不同的内存中。根据滑窗大小,创建一个空的滑窗数组。根据滑窗大小,利用一份校正后加速度数据对滑窗进行填充。当校正后加速度数据将滑窗填满后,可以输出滑窗数组中的第一个校正后加速度数据作为第一个平滑后加速度数据。然后,可以继续利用剩余的校正后加速度数据对滑窗进行填充,当校正后加速度数据将滑窗填满后,可以根据目标排序算法,将另一份校正后加速度数据中填充进滑窗的校正后加速度数据进行排序。确定排列好的加速度数据的中间位置,并将其作为起始点。从起始位置开始,依次选择当前位置的加速度数据,并同时向左右两边移动,直到选择的加速度数据的数量达到用于计算均值的元素个数,将选择到的加速度数据记为用于计算均值的且数量为元素个数的目标元素。对目标元素进行均值操作,得到第二个平滑后加速度数据。接着,可以输出滑窗数组中的第一个校正后加速度数据,继续利用剩余的校正后加速度数据对滑窗进行填充,当校正后加速度数据将滑窗填满后,可以根据目标排序算法,将另一份校正后加速度数据中填充进滑窗的校正后加速度数据进行排序。确定排列好的加速度数据的中间位置,并将其作为起始点。从起始位置开始,依次选择当前位置的加速度数据,并同时向左右两边移动,直到选择的加速度数据的数量达到用于计算均值的元素个数,将选择到的加速度数据记为用于计算均值的且数量为元素个数的目标元素。对目标元素进行均值操作,得到第三个平滑后加速度数据。重复上述过程,直至遍历所有校正后加速度数据,可以得到平滑后加速度数据。
上述实施方式中,根据滑窗大小,利用校正后加速度数据对滑窗进行填充,基于目标排序算法对填充后的滑窗内元素进行排序,从排序后的滑窗内元素中获取用于计算均值的且数量为元素个数的目标元素。基于目标元素确定平滑后加速度数据。通过平滑处理,可以去除噪声和突变,提高数据准确性,帮助分析数据的模式和趋势,并改善数据的可视化效果。通过获得平滑后加速度数据,有助于更好地理解和判断电梯的运行状态,进一步提升电梯的安全性和性能。
在一些实施方式中,请参阅图9,基于平滑后加速度数据对电梯的运动过程进行异常检测,得到电梯的运动状态,可以包括以下步骤:
S910、基于平滑后加速度数据确定电梯在运动方向上的运动速度。
S920、根据电梯在运动方向上的运动速度判断电梯是否超速和/电梯是否急停,得到电梯的运动状态。
在一些情况下,如果电梯超速,相关应急措施可以立即启动,包括减速或紧急制动,以确保乘客的安全。电梯急停可能意味着电梯系统出现故障或异常情况,这需要进行及时的检修和维护,以避免进一步损坏和延误使用者的时间。
具体地,通过对平滑后加速度数据进行数据处理,得到电梯在运动方向上的运动速度。当电梯在运动方向上的运动速度超出了电梯设计或规定的安全范围(比如2.5m/s、3m/s),可以判断电梯超速。当电梯在运动方向上的运动速度未超出电梯设计或规定的安全范围,可以判断电梯未超速。当电梯在运动方向上的运动速度突然缩小甚至迅速变为零时,可以判断电梯发生急停。当电梯在运动方向上的运动速度根据电梯的设计和安全系统的响应时间进行移动时,可以判断电梯未发生急停。
示例性地,可以设置电梯设计或规定的安全范围内,电梯在运动方向上的运动速度为2.5m/s。当电梯在运动方向上的运动速度超过2.5m/s时,可以是判断电梯超速。
上述实施方式中,通过根据电梯运动速度判断是否超速和急停,可以提升电梯的安全性、可靠性和用户体验,同时也有利于及早发现潜在故障并进行维护,从而提高电梯的运行效率和服务质量。
在一些实施方式中,请参阅图10,基于平滑后加速度数据对电梯的运动过程进行异常检测,得到电梯的运动状态,可以包括以下步骤:
S1010、基于平滑后加速度数据确定电梯在运动方向上的运动加速度。
S1020、根据电梯在运动方向上的运动加速度判断电梯是否急停,得到电梯的运动状态。
具体地,通过对平滑后加速度数据进行数据处理,得到电梯在运动方向上的运动加速度。当电梯在运动方向上的运动加速度迅速减小,通常是减少到负值,可以判断电梯发生急停。当电梯在运动方向上的运动加速度根据电梯的设计和安全系统的响应时间进行移动时,可以判断电梯未发生急停。
在一些实施方式中,根据需求和使用场景,对MPU-6050进行初始化和配置。将得到的平滑后加速度数据作为MPU-6050的输入,MPU-6050可以输出电梯在该平滑后加速度数据时对应的欧拉角。根据平滑后加速度数据以及平滑后加速度数据对应的欧拉角,确定电梯在运动方向上的运动加速度。
上述实施方式中,通过监测电梯在运动方向上的运动加速度来判断电梯是否发生急停,可以提升电梯的安全性、乘客的舒适性,并有助于故障诊断和维护工作的进行。
在一些实施方式中,请参阅图11,基于平滑后加速度数据对电梯的运动过程进行异常检测,得到电梯的运动状态,可以包括以下步骤:
S1110、基于平滑后加速度数据确定电梯在与运动方向垂直的平面上的分量加速度。
S1120、根据分量加速度判断电梯是否抖动,得到电梯的运动状态。
在一些情况下,电梯需要定期进行维护和保养,包括润滑、紧固螺栓、电气系统检查等。如果维护不及时或不合格,可能导致电梯零部件磨损、松动或故障,从而引起抖动。
具体地,通过对平滑后加速度数据进行数据处理,得到电梯在与运动方向垂直的平面上的分量加速度。可以依据电梯运动方向、与电梯运动方向垂直的平面上垂直于电梯门的方向、与电梯运动方向垂直的平面上垂直于电梯两侧壁方向,设置三个方向上加速度的阈值。当电梯在运动方向上的运动加速度超过电梯在运动方向的加速度阈值时,可以认为电梯发生上下抖动。当电梯在运动方向上的运动加速度未超过电梯在运动方向的加速度阈值时,可以认为电梯未发生上下抖动。
当电梯在与电梯运动方向垂直的平面上垂直于电梯门的方向上的分量加速度超过电梯在与电梯运动方向垂直的平面上垂直于电梯门的方向的加速度阈值时,可以认为电梯发生前后抖动。当电梯在与电梯运动方向垂直的平面上垂直于电梯门的方向上的分量加速度未超过电梯在与电梯运动方向垂直的平面上垂直于电梯门的方向的加速度阈值时,可以认为电梯未发生前后抖动。
当电梯在与电梯运动方向垂直的平面上垂直于电梯两侧壁方向上的分量加速度超过电梯在与电梯运动方向垂直的平面上垂直于电梯两侧壁方向的加速度阈值时,可以认为电梯发生左右抖动。当电梯在与电梯运动方向垂直的平面上垂直于电梯两侧壁方向上的分量加速度未超过电梯在与电梯运动方向垂直的平面上垂直于电梯两侧壁方向的加速度阈值时,可以认为电梯未发生左右抖动。
需要说明的是,可以根据电梯在运动方向上的运动加速度,得到电梯在运动方向上的运动速度。当电梯在运动方向上的运动速度出现上下波动的情况,可以认为电梯发生上下抖动。
在一些实施方式中,根据需求和使用场景,对MPU-6050进行初始化和配置。将得到平滑后加速度数据作为MPU-6050的输入,MPU-6050可以输出电梯在该平滑后加速度数据时对应的欧拉角。根据平滑后加速度数据以及平滑后加速度数据对应的欧拉角,确定电梯在与运动方向垂直的平面上的分量加速度。
上述实施方式中,电梯抖动可能是由于故障或损坏引起的,这可能导致电梯在运行过程中出现意外情况。通过监测分量加速度,可以及时检测到电梯的抖动,并对其进行维修和调整,以确保乘客的安全。电梯抖动也可能是其他故障的早期迹象。通过监测分量加速度并进行分析,可以帮助检测到潜在的故障问题。
在一些实施方式中,请参阅图12,该方法还可以包括以下步骤:
S1210、基于平滑后加速度数据确定电梯在运动方向上的运动加速度。
S1220、根据电梯在运动方向上的运动加速度进行积分运算,得到电梯在运动方向上的运动速度。
S1230、基于运动速度的绝对值进行积分运算,得到电梯的连续运行距离。
在一些情况下,电梯在竖直方向速度分为向上的速度(大于零)和向下的速度(小于零),基于运动速度的绝对值进行积分运算,可以计算电梯的累积位移或行程。
具体地,通过对平滑后加速度数据进行数据处理,得到电梯在运动方向上的运动加速度。对电梯在运动方向上的运动加速度进行积分运算,得到电梯在运动方向上的瞬时速度记为运动速度。对运动速度的绝对值进行积分运算,得到电梯在时间轴上各个时刻的位移增量,并将这些增量进行累加,从而得到电梯整个行程的连续运行距离。
在一些实施方式中,通过对平滑后加速度数据进行数据处理,得到电梯在运动方向上的运动加速度的过程可以包括:根据需求和使用场景,对MPU-6050进行初始化和配置。将得到平滑后加速度数据作为MPU-6050的输入,MPU-6050可以输出电梯在该平滑后加速度数据时对应的欧拉角。根据平滑后加速度数据以及平滑后加速度数据对应的欧拉角,确定电梯在在运动方向上的运动加速度。
上述实施方式中,基于平滑后加速度数据确定电梯在运动方向上的运动速度,根据电梯在运动方向上的运动加速度进行积分运算,得到电梯在运动方向上的运动速度,基于运动速度的绝对值进行积分运算,得到电梯的连续运行距离。通过对电梯在运动方向上的运动加速度进行积分运算,可以获得电梯在不同时刻的位移或连续运行的距离。这样可以更好地反映电梯的实际运行情况,尤其是在涉及到需要持续监测和记录电梯运行状态的场景中。
在一些实施方式中,请参阅图13,该方法还可以包括以下步骤:
S1310、基于平滑后加速度数据确定电梯在运动方向上的运动加速度。
S1320、根据电梯在运动方向上的运动加速度进行积分运算,得到电梯在运动方向上的运动速度。
S1330、基于运动速度进行积分,得到电梯的计算高度数据。
具体地,通过对平滑后加速度数据进行数据处理,得到电梯在运动方向上的运动加速度。对电梯在运动方向上的运动加速度进行积分运算,得到电梯在运动方向上的瞬时速度记为运动速度。对电梯的运动速度进行积分,得到电梯的高度变化。对电梯存储在内存的当前电梯高度与电梯的高度变化进行相加操作,可以得到本次电梯的计算高度数据。将本次电梯的计算高度数据替换存储在内存中的当前电梯高度。
需要说明的是,当楼层标识包含地下楼层标识时,地下楼层距离地面的高度可以用负数进行表示。比如:-10米可以表示当前电梯位于地下且电梯所处位置为距离地面十米处。
上述实施方式中,基于平滑后加速度数据确定电梯在运动方向上的运动加速度,根据电梯在运动方向上的运动加速度进行积分运算,得到电梯在运动方向上的运动速度,基于运动速度进行积分,得到电梯的计算高度数据。可以为电梯的运行监测、安全性能评估、故障诊断和维护规划提供重要数据依据,有助于确保电梯的安全运行。
在一些实施方式中,请参阅图14,该方法还可以包括以下步骤:
S1410、在电梯自初始楼层向用户指定楼层的运行过程后,确定电梯所经历楼层的楼层标识集合。
S1420、基于每个楼层标识确定电梯从初始楼层运动至用户指定楼层的测量高度数据。
S1430、基于测量高度数据和计算高度数据进行卡尔曼滤波,整合得到当前所处高度。
其中,楼层标识集合包括至少一个楼层标识,每个楼层标识对应有楼层高度。楼层标识可以是电力所在楼层的楼层号。
在一些情况下,将测量高度数据确定为当前所处高度,会存在测量误差。将计算高度数据确定为当前所处高度,会存在重力加速度传感器零漂误差。
具体地,预先设置有楼层高度信息配置文件。将楼层高度信息配置文件读入内存。电梯到达指定楼层后,电梯停止运动,根据电梯显示面板上的数字,确定电梯当前所在楼层标识b。在电梯运动至用户指定楼层后,可以确定本次电梯到达指定楼层的楼层标识集合包括1、2、3、……、b-1。当b为地下楼层标识时(比如:b为-3),可以确定本次电梯到达指定楼层的楼层标识集合包括-1、-2、……、b。根据楼层标识集合中的楼层标识,从内存的楼层高度信息配置文件中读取每一个楼层标识对应的楼层高度。将楼层标识集合中的楼层标识对应的楼层高度进行相加处理,得到电梯距离地面的测量高度数据。基于测量高度数据和计算高度数据的方差,可以得到测量高度数据和计算高度数据的测量精度。根据测量高度数据和计算高度数据的测量精度,可以得到卡尔曼增益系数。最后,基于卡尔曼增益系数、测量高度数据和计算高度数据,对测量高度数据和计算高度数据进行整合得到当前所处高度。
需要说明的是,楼层高度信息配置文件中至少包括一个楼层标识与该楼层标识对应的楼层高度的关系。
在一些实施方式中,获取电梯显示面板上的数字的过程可以是:通过视频采集模块,对电梯内部进行拍摄,得到电梯内部图像。然后可以将电梯内部图像作为视频分析模块的输入。通过视频分析模块,可以对电梯内部图像进行图像预处理,得到经过处理的电梯内部图像,接着对经过处理的电梯内部图像进行分割处理,得到位于电梯内部的目标对象。或者也可以直接对电梯内部图像进行分割处理,得到位于电梯内部的目标对象。当目标对象为电梯的显示面板时,基于对经过处理的电梯内部图像进行分割处理,可以从经过处理的电梯内部图像提取显示面板对应的目标显示面板图像。或者,当目标对象为显示面板时,基于直接对电梯内部图像进行分割处理,可以从电梯内部图像提取显示面板对应的目标显示面板图像。将目标显示面板图像作为OCR模型的输入,通过OCR模型可以识别出电梯显示面板上所显示的楼层标识。
上述实施方式中,在电梯自初始楼层向用户指定楼层的运行过程后,确定电梯所经历楼层的楼层标识集合,基于每个楼层标识确定电梯从初始楼层运动至用户指定楼层的测量高度数据,基于测量高度数据和计算高度数据进行卡尔曼滤波,整合得到当前所处高度。可以提高当前所处高度的精确度。
在一些实施方式中,将楼层高度信息配置文件读入内存。在电梯在初始楼层时,根据电梯显示面板数字识别模块,识别出初始楼层标识a。通过电梯积分模块,计算得到电梯在运动方向上的瞬时速度记为运动速度。并将运动速度作为电梯连续运行距离模块电梯连续运行距离模块的输入。电梯到达指定楼层后,电梯停止运动,根据电梯显示面板数字识别模块,确定电梯当前所在楼层标识b。在电梯自初始楼层向用户指定楼层的运行过程后,可以确定本次电梯运行经过的楼层即楼层标识集合包括a、a+1、a+2、……、b-1。根据楼层标识集合中的楼层标识,从内存中读取每一个楼层标识对应的楼层高度。将楼层标识集合中的楼层标识对应的楼层高度进行相加处理,得到电梯从初始楼层运动至用户指定楼层的测量运行距离Hv。通过电梯连续运行距离模块,得到电梯整个行程的连续运行距离S。基于连续运行距离S和测量运行距离Hv,利用卡尔曼滤波进行整合得到电梯本次运行的距离的最终结果H。
在一些实施方式中,该方法还可以包括:若检测到当前停靠楼层为预设指定楼层,将当前所处高度重置为零。
其中,预设指定楼层可以是根据具体情况进行设置,比如预设指定楼层可以是一层。
具体地,通过设备运动状态检测系统确定当前停靠楼层。比较当前停靠楼层与预设指定楼层,当当前停靠楼层与预设指定楼层匹配时,将电梯高度归零信号传递给设备运动状态检测系统中的重力加速传感器分析模块,对重力加速传感器分析模块计算得到的电梯高度进行校正,重力加速传感器分析模块可以将当前电梯的所处高度重置为零。
上述实施方式中,若检测到当前停靠楼层为预设指定楼层,将当前所处高度重置为零,可以校正电梯高度,提高电梯操作的可靠性和稳定性。
在一些实施方式中,请参阅图15,该方法还可以包括以下步骤:
S1510、获取针对电梯内部进行拍摄得到的电梯内部图像。
S1520、对电梯内部图像进行分割处理,得到位于电梯内部的目标对象。
S1530、若目标对象的类别满足预设提醒条件,触发目标对象对应的提醒信息的发送。
其中,目标对象可以是结合实际情况进行设置的。示例性地,目标对象可以是对电梯有影响或者可以将电梯置于危险情况下的人或物,比如目标对象可以是电动自行车、在电梯内跳跃的人、在电梯内打架的人。预设提醒条件可以根据具体情况进行设置,比如预设提醒条件可以是火焰、可以是异常行为数据、可以是违禁品类别。
具体地,通过视频采集模块,对电梯内部进行拍摄,得到电梯内部图像。然后可以将电梯内部图像作为视频分析模块的输入。通过视频分析模块,可以对电梯内部图像进行图像预处理,得到经过处理的电梯内部图像,接着对经过处理的电梯内部图像进行分割处理,得到位于电梯内部的目标对象。或者也可以直接对电梯内部图像进行分割处理,得到位于电梯内部的目标对象。当目标对象的类别满足预设提醒条件时,可以根据目标对象的类别,触发目标对象对应的提醒信息,将目标对象对应的提醒信息发送至指定位置或者定人员。
示例性地,通过视频采集模块,获取针对电梯内部进行拍摄得到的电梯内部图像。然后,将电梯内部图像作为视频分析模块的输入。通过视频分析模块,可以对电梯内部图像进行图像预处理。图像预处理操作可以包括:将电梯内部图像等比例缩放至512x512像素大小,得到缩放电梯内部图像。将缩放电梯内部图像的R通道的像素值减去ImageNet数据集中图像R通道的均值,然后再除以ImageNet数据集中图像R通道的标准差,将缩放电梯内部图像的G通道的像素值减去ImageNet数据集中图像G通道的均值,然后再除以ImageNet数据集中图像G通道的标准差,将缩放电梯内部图像的B通道的像素值减去ImageNet数据集中图像B通道的均值,然后再除以ImageNet数据集中图像B通道的标准差,得到经过处理的针对电梯内部的电梯内部图像。
需要说明的是,视频采集模块可以是摄像头、可以是鱼眼相机、可以是照相机。实例分割模型可以是多通道模型、可以是单通道多标签模型、可以每基于一种目标对象对应有一个模型且实例分割模型可以是基于卷积神经网络、循环神经网络、生成对抗网络中的至少一种网络进行训练得到的。
上述实施方式中,获取针对电梯内部进行拍摄得到的电梯内部图像,对电梯内部图像进行分割处理,得到位于电梯内部的目标对象,若目标对象的类别满足预设提醒条件,触发目标对象对应的提醒信息的发送。通过对电梯内部图像进行分割处理,得到用于检测电梯异常情况的目标对象,并及时发送提醒信息。这有助于保护电梯内部设备的完整性和乘客的安全。可以实时监测电梯内部是否存在异常情况或潜在安全隐患。
在一些实施方式中,若目标对象的类别满足预设提醒条件,触发目标对象对应的提醒信息的发送,至少包括以下之一:
若检测到目标对象为火焰类别,触发火焰类别对应的报警信息的发送。
若检测到目标对象为违禁品类别,触发违禁品类别对应的报警信息的发送。
其中,违禁品类别可以结合实际情况进行设置,违禁品类别可以包括电动自行车、刀具、易燃易爆物品。
具体地,当通过对电梯内部图像进行分割处理,得到位于电梯内部的目标对象为火焰类别时,可以触发火焰类别对应的报警信息,并将火焰类别对应的报警信息发送至指定位置或者指定人员。当通过对电梯内部图像进行分割处理,得到位于电梯内部的目标对象为违禁品类别时,可以触发违禁品类别对应的报警信息,并将违禁品类别对应的报警信息发送至指定位置或者指定人员。
在一些实施方式中,当通过对电梯内部图像进行分割处理,得到位于电梯内部的目标对象为火焰类别或者为违禁品类别时,通过设备运动状态检测系统中的4G模块将火焰类别对应的报警信息或者违禁品类别对应的报警信息发送至电梯维护人员。通过设备运动状态检测系统中的4G模块将火焰类别对应的报警信息或者违禁品类别对应的报警信息发送至远程服务器。
在另一些实施方式中,当通过对电梯内部图像进行分割处理,得到位于电梯内部的目标对象为火焰类别或者为违禁品类别时,通过设备运动状态检测系统中的4G模块将火焰类别对应的报警信息或者违禁品类别对应的报警信息发送至远程服务器,然后远程服务器将火焰类别对应的报警信息或者违禁品类别对应的报警信息发送至电梯维护人员。
上述实施方式中,若检测到目标对象为火焰类别或者违禁品类别,分别触发火焰类别对应的报警信息的发送或者触发违禁品类别对应的报警信息的发送。可以确保电梯的安全和乘坐人员的安全。
在一些实施方式中,请参阅图16,该方法还可以包括以下步骤:
S1610、获取针对电梯内部进行拍摄得到的电梯内部图像。
S1620、对电梯内部图像进行分割处理,得到位于电梯内部的目标对象。
S1630、若目标对象为人员,从电梯内部图像提取人员对应的目标人员图像。
S1640、基于目标人员图像进行分类处理,得到人员的异常行为数据。
S1650、触发异常行为数据对应的提醒语音的播放。
其中,人员的异常行为数据可以结合实际情况进行设置,比如人员的异常行为数据可以包括人员在打架、跳跃。
具体地,通过视频采集模块,对电梯内部进行拍摄,得到电梯内部图像。然后可以将电梯内部图像作为视频分析模块的输入。通过视频分析模块,可以对电梯内部图像进行图像预处理,得到经过处理的电梯内部图像,接着对经过处理的电梯内部图像进行分割处理,得到位于电梯内部的目标对象。或者也可以直接对电梯内部图像进行分割处理,得到位于电梯内部的目标对象。当目标对象为人员时,基于对经过处理的电梯内部图像进行分割处理,可以从经过处理的电梯内部图像提取人员对应的目标人员图像。或者,当目标对象为人员时,基于直接对电梯内部图像进行分割处理,可以从电梯内部图像提取人员对应的目标人员图像。对目标人员图像进行分类处理,得到人员的异常行为数据。当检测到人员的异常行为数据时,触发异常行为数据对应的提醒语音的播放。
示例性地,通过视频采集模块,获取针对所述电梯内部进行拍摄得到的电梯内部图像。然后,将电梯内部图像作为视频分析模块的输入。通过视频分析模块,可以对电梯内部图像进行图像预处理,得到经过处理的电梯内部图像。将经过处理的电梯内部图像作为视频分析模块中实例分割模型的输入。通过实例分割模型对经过处理的电梯内部图像进行分割处理,可以得到位于电梯内部的目标对象。基于实例分割模型对经过处理电梯内部图像进行目标对象的识别,可以生成候选目标框,候选目标框将目标对象框选在内部。当目标对象为人员时,可以从经过处理的电梯内部图像中,基于候选目标框,提取人员对应的目标人员图像。将目标人员图像作为分类模型的输入。通过分类模型对经过目标人员图像进行分类处理,可以得到人员的异常行为数据。然后,可以由电梯轿厢内的扩音器发出提醒乘客的警告语音。
需要说明的是,分类模型可以是多通道模型、可以是单通道多标签模型、可以每基于一种目标对象对应有一个模型且分类模型可以是基于卷积神经网络、循环神经网络、生成对抗网络中的至少一种网络进行训练得到的。
上述实施方式中,获取针对电梯内部进行拍摄得到的电梯内部图像,对电梯内部图像进行分割处理,得到位于电梯内部的目标对象,若目标对象为人员,从电梯内部图像提取人员对应的目标人员图像,基于目标人员图像进行分类处理,得到人员的异常行为数据,触发异常行为数据对应的提醒语音的播放,可以确保电梯的安全和乘坐人员的安全。
在一些实施方式中,异常行为数据包括人员跌倒、人员打架和人员跳跃中的至少一种。
在一些情况下,若有人员在电梯内跌倒,可能会受伤或造成其他伤害。若有人员在电梯内打架,可能会造成身体伤害,并对其他乘坐者构成威胁,同时也可能对其他乘客造成恐慌和心理创伤。在电梯内跳跃是非常危险的行为。电梯的运行过程是经过精确计算和控制的,而额外的载荷和不稳定的动作可能导致电梯失去平衡,引发事故,例如电梯突然停止、坠落或发生故障。因此,检测包括人员跌倒、人员打架、人员跳跃的异常行为数据是必要的,可以确保电梯的安全和乘坐人员的安全。
本说明书实施方式提供一种零漂校正参数预测方法,该方法可以包括:获取目标对象在运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据。基于实际加速度数据进行特征提取,得到加速度特征数据。将加速度特征数据与当前欧拉角进行拼接,得到加速度欧拉角拼接数据。根据加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。
具体地,基于重力加速度传感器,获取目标对象在运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据。将实际加速度数据作为目标零漂校正模型的输入,通过目标零漂校正模型实现对实际加速度数据的特征提取,得到加速度特征数据。将欧拉角作为目标零漂校正模型的输入,通过目标零漂校正模型实现对加速度特征数据与当前欧拉角的拼接操作,得到加速度欧拉角拼接数据。基于目标零漂校正模型,根据加速度欧拉角拼接数据对该重力加速度读传感器进行零漂校正参数预测,得到预测零漂校正参数。
上述实施方式中,首先,获取目标对象在运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据。然后,基于实际加速度数据进行特征提取,得到加速度特征数据。接着,将加速度特征数据与当前欧拉角进行拼接,得到加速度欧拉角拼接数据。最后,根据加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。通过将加速度特征数据与当前欧拉角进行拼接,可以提高预测零漂校正参数的精确度。
在一些实施方式中,预测零漂校正参数是通过目标零漂校正模型进行预测得到的,目标零漂校正模型包括卷积批归一化激活模块;基于实际加速度数据进行特征提取,得到加速度特征数据,包括:将实际加速度数据输入至卷积批归一化激活模块中依次进行卷积处理、批归一化和激活处理,得到加速度特征数据。
在一些实施方式中,目标零漂校正模型还包括展开模块和全连接批归一化激活模块;根据加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数,包括:将加速度欧拉角拼接数据输入至展开模块,得到加速度欧拉角展开数据;将加速度欧拉角展开数据输入至全连接批归一化激活模块中依次进行全连接处理、批归一化和激活处理,得到预测零漂校正参数。
在一些实施方式中,预测零漂校正参数是通过目标零漂校正模型进行预测得到的,通过以下方式得到目标零漂校正模型:搭建初始零漂校正模型;获取重力加速度传感器的测量零漂校正参数;将重力加速度传感器进行随机转动,得到对应的样本欧拉角;基于随机转动后的重力加速度传感器进行数据采集,得到样本加速度数据;以测量零漂校正参数为标签,基于样本欧拉角以及样本加速度数据对初始零漂校正模型进行训练,得到目标零漂校正模型。
本说明书实施方式提供一种异构芯片,异构芯片包括嵌入式神经网络处理器和中央处理器。
嵌入式神经网络处理器,用于获取电梯运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据,基于实际加速度数据进行特征提取,得到加速度特征数据;将加速度特征数据与当前欧拉角进行拼接,得到加速度欧拉角拼接数据;根据加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。
中央处理器,用于根据预测零漂校正参数和实际加速度数据对电梯的运动状态进行检测,得到电梯的运动状态。
本说明书实施方式提供一种设备运动状态检测系统,检测系统包括异构芯片和重力加速度传感器;异构芯片包括嵌入式神经网络处理器和中央处理器。
重力加速度传感器,用于采集电梯运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据。
嵌入式神经网络处理器,用于基于实际加速度数据进行特征提取,得到加速度特征数据;将加速度特征数据与当前欧拉角进行拼接,得到加速度欧拉角拼接数据;根据加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。
中央处理器,用于根据预测零漂校正参数和实际加速度数据对电梯的运动状态进行检测,得到电梯的运动状态。
在一些实施方式中,检测系统还包括视频采集模块和视频分析模块。
视频采集模块,用于对电梯内部进行拍摄,得到电梯内部图像。
视频分析模块,用于对电梯内部图像进行分割处理,得到位于电梯内部的目标对象;若目标对象的类别满足预设提醒条件,触发目标对象对应的提醒信息的发送。
本说明书实施方式提供一种异构芯片,包括嵌入式神经网络处理器NPU、中央处理器CPU、存储器以及存储在存储器中且被配置为由中央处理器CPU和嵌入式神经网络处理器NPU执行的计算机程序,中央处理器CPU和嵌入式神经网络处理器NPU执行计算机程序时实现如上述任一项实施方式所述的方法。
其中,异构AI芯片包括多个嵌入式神经网络处理器(npu核)和多个中央处理器(cpu核)。其中npu核负责深度学习模型推理,cpu负责执行电梯运行监控系统程序指令。深度学习模型可以部署在系统Flash中,来处理摄像头采集的视频画面和GSensor采集的加速度数据。深度学习模型可以包括实力分割模型、分类模型、OCR模型、自动零漂校正模型。电梯运行监控系统程序对视频画面和加速度数据进行分析。
本说明书实施方式还提供一种电梯运动状态检测方法,预测零漂校正参数是通过目标零漂校正模型进行预测得到的,目标零漂校正模型包括卷积批归一化激活模块;目标零漂校正模型还包括展开模块和全连接批归一化激活模块。示例性地,请参阅图17,该电梯运动状态检测方法可以包括以下步骤:
S1702、获取电梯运动过程中的当前欧拉角以及在当前欧拉角下采集的实际加速度数据。
S1704、将实际加速度数据输入至卷积批归一化激活模块中依次进行卷积处理、批归一化和激活处理,得到加速度特征数据。
S1706、将加速度特征数据与当前欧拉角进行拼接,得到加速度欧拉角拼接数据。
S1708、将加速度欧拉角拼接数据输入至展开模块,得到加速度欧拉角展开数据。
S1710、将加速度欧拉角展开数据输入至全连接批归一化激活模块中依次进行全连接处理、批归一化和激活处理,得到预测零漂校正参数。
S1712、利用预测零漂校正参数对实际加速度数据进行零漂校正,得到校正后加速度数据。
S1714、确定滑窗大小、用于对滑窗内元素进行排序的目标排序算法,以及用于计算滑窗内元素的均值的元素个数。
S1716、根据滑窗大小,利用校正后加速度数据对滑窗进行填充。
S1718、基于目标排序算法对填充后的滑窗内元素进行排序。
S1720、从排序后的滑窗内元素中获取用于计算均值的且数量为元素个数的目标元素。
S1722、基于目标元素确定平滑后加速度数据。
S1724、基于平滑后加速度数据对电梯的运动过程进行异常检测,得到电梯的运动状态。
具体地,基于平滑后加速度数据确定电梯在运动方向上的运动速度;根据电梯在运动方向上的运动速度判断电梯是否超速和/电梯是否急停,得到电梯的运动状态。
基于平滑后加速度数据确定电梯在运动方向上的运动加速度;根据电梯在运动方向上的运动加速度判断电梯是否急停,得到电梯的运动状态。
基于平滑后加速度数据确定电梯在与运动方向垂直的平面上的分量加速度;根据分量加速度判断电梯是否抖动,得到电梯的运动状态。
基于平滑后加速度数据确定电梯在运动方向上的运动速度;根据电梯在运动方向上的运动加速度进行积分运算,得到电梯在运动方向上的运动速度;基于运动速度的绝对值进行积分运算,得到电梯的连续运行距离。
S1726、基于平滑后加速度数据确定电梯在运动方向上的运动速度。
S1728、根据电梯在运动方向上的运动加速度进行积分运算,得到电梯在运动方向上的运动速度。
S1730、基于运动速度进行积分,得到电梯的计算高度数据。
S1732、在电梯自初始楼层向用户指定楼层的运行过程后,确定电梯所经历楼层的楼层标识集合。
其中,楼层标识集合包括至少一个楼层标识;若检测到当前停靠楼层为预设指定楼层,将当前所处高度重置为零。
S1734、基于每个楼层标识确定电梯从初始楼层运动至用户指定楼层的测量高度数据。
S1736、基于测量高度数据和计算高度数据进行卡尔曼滤波,整合得到当前所处高度。
本说明书实施方式还提供一种电梯运动状态检测方法,示例性地,请参阅图18,该电梯运动状态检测方法可以包括以下步骤:
S1802、获取针对电梯内部进行拍摄得到的电梯内部图像。
S1804、对电梯内部图像进行分割处理,得到位于电梯内部的目标对象。
S1806、若检测到目标对象为火焰类别,触发火焰类别对应的报警信息的发送。
S1808、若检测到目标对象为违禁品类别,触发违禁品类别对应的报警信息的发送。
S1810、若目标对象为人员,从电梯内部图像提取人员对应的目标人员图像。
S1812、基于目标人员图像进行分类处理,得到人员的异常行为数据。
其中,异常行为数据包括人员跌倒、人员打架和人员跳跃中的至少一种。
S1814、触发异常行为数据对应的提醒语音的播放。
本说明书实施方式提供一种设备运动状态检测装置1900,请参阅图19,设备运动状态检测装置1900包括:电梯运动数据获取模块1910、特征数据确定模块1920、拼接数据确定模块1930、零漂校正参数确定模块1940、电梯运动状态确定模块1950。
电梯运动数据获取模块1910,用于获取电梯运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据;
特征数据确定模块1920,用于基于所述实际加速度数据进行特征提取,得到加速度特征数据;
拼接数据确定模块1930,用于将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;
零漂校正参数确定模块1940,用于根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数;
电梯运动状态确定模块1950,用于根据所述预测零漂校正参数和所述实际加速度数据对所述电梯的运动状态进行检测,得到所述电梯的运动状态。
在一些实施方式中,所述电梯运动状态确定模块,还用于利用所述预测零漂校正参数对所述实际加速度数据进行零漂校正,得到校正后加速度数据;基于所述校正后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态。
在一些实施方式中,所述电梯运动状态确定模块,还用于对所述校正后加速度数据进行平滑处理,得到平滑后加速度数据;基于所述平滑后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态。
在一些实施方式中,所述电梯运动状态确定模块,还用于基于所述平滑后加速度数据确定所述电梯在运动方向上的运动速度;根据所述电梯在运动方向上的运动速度判断所述电梯是否超速和/所述电梯是否急停,得到所述电梯的运动状态。
在一些实施方式中,所述电梯运动状态确定模块,还用于基于所述平滑后加速度数据确定所述电梯在与运动方向垂直的平面上的分量加速度;根据所述分量加速度判断所述电梯是否抖动,得到所述电梯的运动状态。
本说明书实施方式提供一种零漂校正参数预测装置2000,请参阅图20,零漂校正参数预测装置2000包括:运动数据获取模块2010、特征数据提取模块2020、特征数据提取模块2030、校正参数预测模块2040。
运动数据获取模块2010,用于获取目标对象在运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据;
特征数据提取模块2020,用于基于所述实际加速度数据进行特征提取,得到加速度特征数据;
欧拉角拼接模块2030,用于将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;
校正参数预测模块2040,用于根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。
在一些实施方式中,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,所述目标零漂校正模型包括卷积批归一化激活模块;所述特征数据提取模块,还用于将所述实际加速度数据输入至所述卷积批归一化激活模块中依次进行卷积处理、批归一化和激活处理,得到所述加速度特征数据。在一些实施方式中,所述目标零漂校正模型还包括展开模块和全连接批归一化激活模块;所述校正参数预测模块,还用于将所述加速度欧拉角拼接数据输入至所述展开模块,得到加速度欧拉角展开数据;将所述加速度欧拉角展开数据输入至全连接批归一化激活模块中依次进行全连接处理、批归一化和激活处理,得到所述预测零漂校正参数。
在一些实施方式中,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,通过以下方式得到所述目标零漂校正模型:
搭建初始零漂校正模型;
获取重力加速度传感器的测量零漂校正参数;
将所述重力加速度传感器进行随机转动,得到对应的样本欧拉角;
基于随机转动后的重力加速度传感器进行数据采集,得到样本加速度数据;
以所述测量零漂校正参数为标签,基于所述样本欧拉角以及所述样本加速度数据对所述初始零漂校正模型进行训练,得到所述目标零漂校正模型。
关于设备运动状态检测装置、零漂校正参数预测装置的具体描述,可以参见上文中对设备运动状态检测方法、零漂校正参数预测方法的描述,在此不再赘述。
本说明书实施方式提供一种电子设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述实施方式中的方法步骤。
本说明书实施方式提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项实施方式中的方法的步骤。
本说明书的一个实施方式提供一种计算机程序产品,计算机程序产品中包括指令,指令被计算机设备的处理器执行时,使得计算机设备能够执行上述任一项实施方式的方法的步骤。
在一些实施方式中,提供了一种电子设备,其内部结构图可以如图21所示。该电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种上述任一项实施方式中的方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图21中示出的结构,仅仅是与本说明书所公开方案相关的部分结构的框图,并不构成对本说明书所公开方案所应用于其上的电子设备的限定,具体地,电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
Claims (34)
1.一种设备运动状态检测方法,其特征在于,所述方法包括:
获取电梯运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据;
基于所述实际加速度数据进行特征提取,得到加速度特征数据;
将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;
根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数;
根据所述预测零漂校正参数和所述实际加速度数据对所述电梯的运动状态进行检测,得到所述电梯的运动状态。
2.根据权利要求1所述的方法,其特征在于,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,所述目标零漂校正模型包括卷积批归一化激活模块;所述基于所述实际加速度数据进行特征提取,得到加速度特征数据,包括:
将所述实际加速度数据输入至所述卷积批归一化激活模块中依次进行卷积处理、批归一化和激活处理,得到所述加速度特征数据。
3.根据权利要求2所述的方法,其特征在于,所述目标零漂校正模型还包括展开模块和全连接批归一化激活模块;所述根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数,包括:
将所述加速度欧拉角拼接数据输入至所述展开模块,得到加速度欧拉角展开数据;
将所述加速度欧拉角展开数据输入至全连接批归一化激活模块中依次进行全连接处理、批归一化和激活处理,得到所述预测零漂校正参数。
4.根据权利要求1所述的方法,其特征在于,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,通过以下方式得到所述目标零漂校正模型:
搭建初始零漂校正模型;
获取重力加速度传感器的测量零漂校正参数;
将所述重力加速度传感器进行随机转动,得到对应的样本欧拉角;
基于随机转动后的重力加速度传感器进行数据采集,得到样本加速度数据;
以所述测量零漂校正参数为标签,基于所述样本欧拉角以及所述样本加速度数据对所述初始零漂校正模型进行训练,得到所述目标零漂校正模型。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述根据所述预测零漂校正参数和所述实际加速度数据对所述电梯的运动状态进行检测,得到所述电梯的运动状态,包括:
利用所述预测零漂校正参数对所述实际加速度数据进行零漂校正,得到校正后加速度数据;
基于所述校正后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态。
6.根据权利要求5所述的方法,其特征在于,所述基于所述校正后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态,包括:
对所述校正后加速度数据进行平滑处理,得到平滑后加速度数据;
基于所述平滑后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态。
7.根据权利要求6所述的方法,其特征在于,在所述对所述校正后加速度数据进行平滑处理,得到平滑后加速度数据之前,所述方法还包括:
确定滑窗大小、用于对滑窗内元素进行排序的目标排序算法,以及用于计算滑窗内元素的均值的元素个数;
所述对所述校正后加速度数据进行平滑处理,得到平滑后加速度数据,包括:
根据所述滑窗大小、所述目标排序算法以及所述元素个数,对所述校正后加速度数据进行平滑处理,得到所述平滑后加速度数据。
8.根据权利要求7所述的方法,其特征在于,所述根据所述滑窗大小、所述目标排序算法以及所述元素个数,对所述校正后加速度数据进行平滑处理,得到所述平滑后加速度数据,包括:
根据所述滑窗大小,利用所述校正后加速度数据对所述滑窗进行填充;
基于所述目标排序算法对填充后的滑窗内元素进行排序;
从排序后的滑窗内元素中获取用于计算所述均值的且数量为所述元素个数的目标元素;
基于所述目标元素确定所述平滑后加速度数据。
9.根据权利要求6所述的方法,其特征在于,所述基于所述平滑后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态,包括:
基于所述平滑后加速度数据确定所述电梯在运动方向上的运动速度;
根据所述电梯在运动方向上的运动速度判断所述电梯是否超速和/所述电梯是否急停,得到所述电梯的运动状态。
10.根据权利要求6所述的方法,其特征在于,所述基于所述平滑后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态,包括:
基于所述平滑后加速度数据确定所述电梯在运动方向上的运动加速度;
根据所述电梯在运动方向上的运动加速度判断所述电梯是否急停,得到所述电梯的运动状态。
11.根据权利要求6所述的方法,其特征在于,所述基于所述平滑后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态,包括:
基于所述平滑后加速度数据确定所述电梯在与运动方向垂直的平面上的分量加速度;
根据所述分量加速度判断所述电梯是否抖动,得到所述电梯的运动状态。
12.根据权利要求6所述的方法,其特征在于,所述方法还包括:
基于所述平滑后加速度数据确定所述电梯在运动方向上的运动加速度;
根据所述电梯在运动方向上的运动加速度进行积分运算,得到所述电梯在运动方向上的运动速度;
基于所述运动速度的绝对值进行积分运算,得到所述电梯的连续运行距离。
13.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
获取针对所述电梯内部进行拍摄得到的电梯内部图像;
对所述电梯内部图像进行分割处理,得到位于所述电梯内部的目标对象;
若所述目标对象的类别满足预设提醒条件,触发所述目标对象对应的提醒信息的发送。
14.根据权利要求13所述的方法,其特征在于,若所述目标对象的类别满足预设提醒条件,触发所述目标对象对应的提醒信息的发送,至少包括以下之一:
若检测到所述目标对象为火焰类别,触发所述火焰类别对应的报警信息的发送;
若检测到所述目标对象为违禁品类别,触发所述违禁品类别对应的报警信息的发送。
15.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
获取针对所述电梯内部进行拍摄得到的电梯内部图像;
对所述电梯内部图像进行分割处理,得到位于所述电梯内部的目标对象;
若所述目标对象为人员,从所述电梯内部图像提取所述人员对应的目标人员图像;
基于所述目标人员图像进行分类处理,得到所述人员的异常行为数据;
触发所述异常行为数据对应的提醒语音的播放。
16.一种零漂校正参数预测方法,其特征在于,所述方法包括:
获取目标对象在运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据;
基于所述实际加速度数据进行特征提取,得到加速度特征数据;
将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;
根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。
17.根据权利要求16所述的方法,其特征在于,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,所述目标零漂校正模型包括卷积批归一化激活模块;所述基于所述实际加速度数据进行特征提取,得到加速度特征数据,包括:
将所述实际加速度数据输入至所述卷积批归一化激活模块中依次进行卷积处理、批归一化和激活处理,得到所述加速度特征数据。
18.根据权利要求17所述的方法,其特征在于,所述目标零漂校正模型还包括展开模块和全连接批归一化激活模块;所述根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数,包括:
将所述加速度欧拉角拼接数据输入至所述展开模块,得到加速度欧拉角展开数据;
将所述加速度欧拉角展开数据输入至全连接批归一化激活模块中依次进行全连接处理、批归一化和激活处理,得到所述预测零漂校正参数。
19.根据权利要求16所述的方法,其特征在于,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,通过以下方式得到所述目标零漂校正模型:
搭建初始零漂校正模型;
获取重力加速度传感器的测量零漂校正参数;
将所述重力加速度传感器进行随机转动,得到对应的样本欧拉角;
基于随机转动后的重力加速度传感器进行数据采集,得到样本加速度数据;
以所述测量零漂校正参数为标签,基于所述样本欧拉角以及所述样本加速度数据对所述初始零漂校正模型进行训练,得到所述目标零漂校正模型。
20.一种异构芯片,其特征在于,所述异构芯片包括嵌入式神经网络处理器和中央处理器;
所述嵌入式神经网络处理器,用于获取电梯运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据,基于所述实际加速度数据进行特征提取,得到加速度特征数据;将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数;
所述中央处理器,用于根据所述预测零漂校正参数和所述实际加速度数据对所述电梯的运动状态进行检测,得到所述电梯的运动状态。
21.一种设备运动状态检测系统,其特征在于,所述检测系统包括异构芯片和重力加速度传感器;所述异构芯片包括嵌入式神经网络处理器和中央处理器;
所述重力加速度传感器,用于采集电梯运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据;
所述嵌入式神经网络处理器,用于基于所述实际加速度数据进行特征提取,得到加速度特征数据;将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数;
所述中央处理器,用于根据所述预测零漂校正参数和所述实际加速度数据对所述电梯的运动状态进行检测,得到所述电梯的运动状态。
22.根据权利要求21所述的系统,其特征在于,所述检测系统还包括视频采集模块和视频分析模块;
所述视频采集模块,用于对所述电梯内部进行拍摄,得到电梯内部图像;
所述视频分析模块,用于对所述电梯内部图像进行分割处理,得到位于所述电梯内部的目标对象;若所述目标对象的类别满足预设提醒条件,触发所述目标对象对应的提醒信息的发送。
23.一种异构芯片,其特征在于,包括嵌入式神经网络处理器NPU、中央处理器CPU、存储器以及存储在所述存储器中且被配置为由所述中央处理器CPU和所述嵌入式神经网络处理器NPU执行的计算机程序,所述中央处理器CPU和所述嵌入式神经网络处理器NPU执行所述计算机程序时实现如权利要求1至19中任意一项所述的方法。
24.一种设备运动状态检测装置,其特征在于,所述装置包括:
电梯运动数据获取模块,用于获取电梯运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据;
特征数据确定模块,用于基于所述实际加速度数据进行特征提取,得到加速度特征数据;
拼接数据确定模块,用于将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;
零漂校正参数确定模块,用于根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数;
电梯运动状态确定模块,用于根据所述预测零漂校正参数和所述实际加速度数据对所述电梯的运动状态进行检测,得到所述电梯的运动状态。
25.根据权利要求24所述的装置,其特征在于,所述电梯运动状态确定模块,还用于利用所述预测零漂校正参数对所述实际加速度数据进行零漂校正,得到校正后加速度数据;基于所述校正后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态。
26.根据权利要求25所述的装置,其特征在于,所述电梯运动状态确定模块,还用于对所述校正后加速度数据进行平滑处理,得到平滑后加速度数据;基于所述平滑后加速度数据对所述电梯的运动过程进行异常检测,得到所述电梯的运动状态。
27.根据权利要求26所述的装置,其特征在于,所述电梯运动状态确定模块,还用于基于所述平滑后加速度数据确定所述电梯在运动方向上的运动速度;根据所述电梯在运动方向上的运动速度判断所述电梯是否超速和/所述电梯是否急停,得到所述电梯的运动状态。
28.根据权利要求26所述的装置,其特征在于,所述电梯运动状态确定模块,还用于基于所述平滑后加速度数据确定所述电梯在与运动方向垂直的平面上的分量加速度;根据所述分量加速度判断所述电梯是否抖动,得到所述电梯的运动状态。
29.一种零漂校正参数预测装置,其特征在于,所述装置包括:
运动数据获取模块,用于获取目标对象在运动过程中的当前欧拉角以及在所述当前欧拉角下采集的实际加速度数据;
特征数据提取模块,用于基于所述实际加速度数据进行特征提取,得到加速度特征数据;
欧拉角拼接模块,用于将所述加速度特征数据与所述当前欧拉角进行拼接,得到加速度欧拉角拼接数据;
校正参数预测模块,用于根据所述加速度欧拉角拼接数据进行零漂校正参数预测,得到预测零漂校正参数。
30.根据权利要求29所述的装置,其特征在于,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,所述目标零漂校正模型包括卷积批归一化激活模块;所述特征数据提取模块,还用于将所述实际加速度数据输入至所述卷积批归一化激活模块中依次进行卷积处理、批归一化和激活处理,得到所述加速度特征数据。
31.根据权利要求30所述的装置,其特征在于,所述目标零漂校正模型还包括展开模块和全连接批归一化激活模块;所述校正参数预测模块,还用于将所述加速度欧拉角拼接数据输入至所述展开模块,得到加速度欧拉角展开数据;将所述加速度欧拉角展开数据输入至全连接批归一化激活模块中依次进行全连接处理、批归一化和激活处理,得到所述预测零漂校正参数。
32.根据权利要求29所述的装置,其特征在于,所述预测零漂校正参数是通过目标零漂校正模型进行预测得到的,通过以下方式得到所述目标零漂校正模型:
搭建初始零漂校正模型;
获取重力加速度传感器的测量零漂校正参数;
将所述重力加速度传感器进行随机转动,得到对应的样本欧拉角;
基于随机转动后的重力加速度传感器进行数据采集,得到样本加速度数据;
以所述测量零漂校正参数为标签,基于所述样本欧拉角以及所述样本加速度数据对所述初始零漂校正模型进行训练,得到所述目标零漂校正模型。
33.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至23中任一项所述方法的步骤。
34.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至23中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311504479.8A CN117647664A (zh) | 2023-11-13 | 2023-11-13 | 设备运动状态检测、零漂校正参数预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311504479.8A CN117647664A (zh) | 2023-11-13 | 2023-11-13 | 设备运动状态检测、零漂校正参数预测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117647664A true CN117647664A (zh) | 2024-03-05 |
Family
ID=90044180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311504479.8A Pending CN117647664A (zh) | 2023-11-13 | 2023-11-13 | 设备运动状态检测、零漂校正参数预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117647664A (zh) |
-
2023
- 2023-11-13 CN CN202311504479.8A patent/CN117647664A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113724471B (zh) | 用于集成多传感器数据以预测坠落风险的系统 | |
CN101025825B (zh) | 异常行为探测装置 | |
JP4792069B2 (ja) | 画像認識装置 | |
JP5065861B2 (ja) | エスカレータ制御装置 | |
CN107004347A (zh) | 驾驶判定装置和检测装置 | |
JP4908654B1 (ja) | データレコーダ、運行管理装置 | |
JP5917327B2 (ja) | エスカレータ監視システム | |
CN110046641B (zh) | 使用深度学习进行部分辨识和损伤表征 | |
CN112623919B (zh) | 一种基于计算机视觉的自动扶梯智能监控管理系统 | |
KR102315371B1 (ko) | 스마트 cctv 관제 및 경보 시스템 | |
Xiao et al. | Real-time object detection for substation security early-warning with deep neural network based on YOLO-V5 | |
CN114913460A (zh) | 一种基于卷积神经网络的电动车入梯实时检测方法 | |
CN113269111B (zh) | 一种基于视频监控的电梯异常行为检测方法及系统 | |
CN117647664A (zh) | 设备运动状态检测、零漂校正参数预测方法、装置及系统 | |
CN113615166B (zh) | 事故检测装置及事故检测方法 | |
CN116665155B (zh) | 一种基于图像处理技术的地下无轨人车的下车预警安全管理系统 | |
KR102556447B1 (ko) | 패턴 분석을 통한 상황 판단 시스템 | |
CN112633262A (zh) | 通道监测方法、装置、电子设备及介质 | |
CN110407052B (zh) | 一种电梯内剧烈运动行为检测方法及系统 | |
CN112699746A (zh) | 一种对象检测方法、装置、设备及存储介质 | |
CN116698283A (zh) | 载荷重心偏移的智能监测系统及其方法 | |
CN107884363A (zh) | 一种基于机器视觉技术的激光矿井气体遥测方法 | |
CN111589025A (zh) | 一种抛投机器人开锁控制方法及系统 | |
Tzimas et al. | Evaluating Deep Neural Network-based Fire Detection for Natural Disaster Management | |
KR102518056B1 (ko) | 무인 충전 또는 무인 주유 시설의 안전 사고 모니터링 및 사고 원인 분석을 위한 방법 |
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 |