CN117963669A - 一种电梯人工智能检验检测方法 - Google Patents

一种电梯人工智能检验检测方法 Download PDF

Info

Publication number
CN117963669A
CN117963669A CN202410363331.5A CN202410363331A CN117963669A CN 117963669 A CN117963669 A CN 117963669A CN 202410363331 A CN202410363331 A CN 202410363331A CN 117963669 A CN117963669 A CN 117963669A
Authority
CN
China
Prior art keywords
machine room
elevator
requirements
characteristic information
action
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
Application number
CN202410363331.5A
Other languages
English (en)
Inventor
石瑾
李贵霖
秦文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Special Equipment Inspection and Research Institute
Original Assignee
China Special Equipment Inspection and Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Special Equipment Inspection and Research Institute filed Critical China Special Equipment Inspection and Research Institute
Priority to CN202410363331.5A priority Critical patent/CN117963669A/zh
Publication of CN117963669A publication Critical patent/CN117963669A/zh
Priority to CN202410720791.9A priority patent/CN118479325A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • B66B5/0037—Performance analysers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Maintenance And Inspection Apparatuses For Elevators (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明公开了一种电梯人工智能检验检测方法，它是通过摄像头捕捉特定的动作过程，然后使用不同的算法从中提取不同的特征信息；使用机器学习或者深度学习，对上述提取的不同特征信息涉及到的动作过程进行识别和判定；所述的机器学习或者深度学习，为卷积神经网络(CNN)和循环神经网络(RNN)；最后输出判定结果。本发明通过对涉及电梯动态检验检测项目的动作过程进行特征信息提取，然后进行识别和判定，最后输出想要的判定信息。对于不同的动作过程，需要开发针对性的不同算法。不同的动作过程，由于算法不同，所提取的特征信息是不同的。

Description

一种电梯人工智能检验检测方法
技术领域
本发明涉及的是电梯检验检测相关的技术领域，具体涉及的是一种电梯人工智能检验检测方法。
背景技术
目前，电梯检验检测还是通过人员去检验，且某些检验检测项目对于检验检测人员来说，具有极大的危险性。随着很多省市要求检验检测过程全程录像，这就为本技术的发展提供了巨大的政策支持。对录像设备进行稍加改进，增加后续的人工智能处理模块、数据传输模块、数据判定和输出模块等等，就能实现电梯人工智能检验检测。电梯检验检测项目为固定项目，且电梯检验检测行业属于稍微复杂一点的重复性行业。通过训练一台设备，完全能够用人工智能取代现有检验检测人员。众所周知，视频是一帧一帧进行存储的，也就是由一连串的帧构成的。视频目标跟踪技术，要求在第一帧识别目标物体的位置和尺寸，而在后续的帧中对目标物体进行持续的定位和尺寸估算。视频目标跟踪技术分为单目标跟踪和多目标跟踪。实质上讲，视频目标跟踪技术就是对视频进行处理和逻辑运算，从而得到想要的数据的一个过程。
电梯检验检测项目涉及到对动作状态进行识别，这就涉及到了视频目标跟踪技术。同时值得注意的是，电梯检验检测项目中，其零部件的运动轨迹是确定的，而不是随机的不确定性的，这就大大降低了对动作过程识别的难度。
发明内容
本发明目的是提供一种电梯人工智能检验检测方法，它能有效地解决背景技术中所存在的问题。
为了解决背景技术中所存在的问题，它是通过以下步骤予以实现的：
一.通过摄像头捕捉特定的动作过程，然后使用不同的算法从中提取不同的特征信息；
二.使用机器学习或者深度学习，对上述提取的不同特征信息涉及到的动作过程进行识别和判定；所述的机器学习或者深度学习，为卷积神经网络(CNN)和循环神经网络(RNN)；
三.输出判定结果。
其具体捕捉哪些动作过程、提取哪些特征信息、哪些需要深度学习或者机器学习、如何判定以及输出判定结果步骤如下：
1.捕捉的动作过程以及如何判定：某个部件和识别其对应的电气安全装置动作后，运行中的电梯是否制停，如果制停，则认为该电气安全装置有效，如果不制停，则认为该电气安全装置无效。特殊的，电气安全装置动作后，只有当手动进行复位时，停止状态的电梯才能恢复运行。
提取的特征信息：电气安全装置，钢丝绳，电梯操作对象的手。
哪些需要深度学习或者机器学习：动作电气安全装置的过程，钢丝绳从运动状态转变为静止状态的过程。手动恢复电气安全装置的过程，钢丝绳从静止状态转变为运动状态的过程。
输出判定结果：该电气安全装置符合要求，或者不符合要求。
2.捕捉的动作过程以及如何判定：某个紧急停止开关或者附加急停开关动作后，运行中的电梯是否制停。如果电梯制停，则认为该紧急停止开关或者附加急停开关有效，如果不制停，则认为该紧急停止开关或者附加急停开关无效。
提取的特征信息：紧急停止开关，附加急停开关，钢丝绳。
哪些需要深度学习或者机器学习：动作紧急停止开关或者附加急停开关的过程，钢丝绳从运动状态转变为静止状态的过程。
输出判定结果：该紧急停止开关或者附加急停开关符合要求，或者不符合要求。
3.捕捉的动作过程以及如何判定：以机房通道门为例，机房通道门可以向机房外开启，但是不得向机房内开启。如果机房通道门向机房内开启，则认为不符合要求，否则认为符合要求。以下门要求类似：轿厢壁上的检修门、轿厢安全门、中间安全门、井道安全门、井道检修门、底坑通道门、活板门和检修门等。
提取的特征信息：机房通道门、机房内驱动主机。
哪些需要深度学习或者机器学习：机房通道门的开门过程。开门方向为远离机房内驱动主机方向，且不可以为靠近机房内驱动主机方向。
输出判定结果：该机房通道门符合要求，或者不符合要求。
4.捕捉的动作过程以及如何判定：以机房通道门门锁为例，门开启后不用钥匙能够将门关闭和锁住，门锁住后不用钥匙能从机房内将门打开。如符合上述要求，则认为机房通道门门锁符合要求，否则不符合要求。以下门的门锁要求类似：轿厢壁上的检修门、轿厢安全门、中间安全门、井道安全门、井道检修门、底坑通道门、活板门和检修门等。
提取的特征信息：机房通道门门锁，钥匙，机房通道门。
哪些需要深度学习或者机器学习：机房内不用钥匙开门过程，开门状态下不用钥匙关门过程。
输出判定结果：机房门门锁符合要求，或者不符合要求。
5.捕捉的动作过程以及如何判定：以机械锁定装置为例，当动作机械锁定装置使其位于非停放位置时，运行中的电梯是否制停，如果制停，则认为机械锁定装置有效，如果不制停，则认为机械锁定装置无效。以下装置要求类似：机械制停装置、平台进入（退出）工作位置的装置、可移动止停装置、进入底坑的非固定爬梯等。
提取的特征信息：机械锁定装置，钢丝绳
哪些需要深度学习或者机器学习：机械锁定装置由停放位置到非停放位置的动作过程。钢丝绳从运动状态转变为静止状态的过程。
输出判定结果：机械锁定装置符合要求，或者不符合要求。
6.捕捉的动作过程以及如何判定：缓冲器被压缩前、压缩时、轿厢(对重)离开缓冲器后的过程。如缓冲器无明显倾斜断裂、塑性变形、剥落、破损等现象，则认为缓冲器试验符合要求，否则认为不符合要求。
提取的特征信息：缓冲器，轿厢，对重
哪些需要深度学习或者机器学习：缓冲器试验的整个过程。试验前后缓冲器的形态变化过程。
输出判定结果：缓冲器试验符合要求，或者不符合要求。
7.捕捉的动作过程以及如何判定：意外移动试验过程。如报故障码正确，且钢丝绳移动距离在范围内，则认为意外移动试验符合要求，否则认为不符合要求。
提取的特征信息：故障码，钢丝绳移动距离。
哪些需要深度学习或者机器学习：钢丝绳从静态到动态再到静态总的移动距离。
输出判定结果：意外移动试验符合要求，或者不符合要求。
8.捕捉的动作过程以及如何判定：上行超速试验过程。如报故障码正确，且驱动主机达到一定速度后能自动触发限速器电气安全装置或者夹绳器动作，使得驱动主机制停，则认为上行超速试验符合要求，否则认为不符合要求。
提取的特征信息：驱动主机，限速器电气安全装置或者夹绳器。
哪些需要深度学习或者机器学习：驱动主机从静止到达到一定的速度后，自动触发限速器电气安全装置或者夹绳器动作，使得驱动主机停止运行这一过程。
输出判定结果：上行超速试验符合要求，或者不符合要求。
本发明通过对涉及电梯动态检验检测项目的动作过程进行特征信息提取，然后进行识别和判定，最后输出想要的判定信息。对于每个动作过程，需要开发针对性的不同算法。不同的动作过程，由于算法不同，所提取的特征信息是不同的。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面对本发明动作过程中的技术方案进行清楚、完整地描述。
本具体实施方式是采用以下步骤予以实现：
本具体实施方式是采用以下步骤予以实现：
一.通过摄像头捕捉特定的动作过程，然后使用不同的算法从中提取不同的特征信息；
二.使用机器学习或者深度学习，对上述提取的不同特征信息涉及到的动作过程进行识别和判定；所述的机器学习或者深度学习，为卷积神经网络(CNN)和循环神经网络(RNN)；
三.输出判定结果。
其具体捕捉哪些动作过程、提取哪些特征信息、哪些需要深度学习或者机器学习、如何判定以及输出判定结果步骤如下：
1.捕捉的动作过程以及如何判定：某个部件和识别其对应的电气安全装置动作后，运行中的电梯是否制停，如果制停，则认为该电气安全装置有效，如果不制停，则认为该电气安全装置无效。特殊的，电气安全装置动作后，只有当手动进行复位时，停止状态的电梯才能恢复运行。
提取的特征信息：电气安全装置，钢丝绳，电梯操作对象的手。
哪些需要深度学习或者机器学习：动作电气安全装置的过程，钢丝绳从运动状态转变为静止状态的过程。手动恢复电气安全装置的过程，钢丝绳从静止状态转变为运动状态的过程。
输出判定结果：该电气安全装置符合要求，或者不符合要求。
2.捕捉的动作过程以及如何判定：某个紧急停止开关或者附加急停开关动作后，运行中的电梯是否制停。如果电梯制停，则认为该紧急停止开关或者附加急停开关有效，如果不制停，则认为该紧急停止开关或者附加急停开关无效。
提取的特征信息：紧急停止开关，附加急停开关，钢丝绳。
哪些需要深度学习或者机器学习：动作紧急停止开关或者附加急停开关的过程，钢丝绳从运动状态转变为静止状态的过程。
输出判定结果：该紧急停止开关或者附加急停开关符合要求，或者不符合要求。
3.捕捉的动作过程以及如何判定：以机房通道门为例，机房通道门可以向机房外开启，但是不得向机房内开启。如果机房通道门向机房内开启，则认为不符合要求，否则认为符合要求。以下门要求类似：轿厢壁上的检修门、轿厢安全门、中间安全门、井道安全门、井道检修门、底坑通道门、活板门和检修门等。
提取的特征信息：机房通道门、机房内驱动主机。
哪些需要深度学习或者机器学习：机房通道门的开门过程。开门方向为远离机房内驱动主机方向，且不可以为靠近机房内驱动主机方向。
输出判定结果：该机房通道门符合要求，或者不符合要求。
4.捕捉的动作过程以及如何判定：以机房通道门门锁为例，门开启后不用钥匙能够将门关闭和锁住，门锁住后不用钥匙能从机房内将门打开。如符合上述要求，则认为机房通道门门锁符合要求，否则不符合要求。以下门的门锁要求类似：轿厢壁上的检修门、轿厢安全门、中间安全门、井道安全门、井道检修门、底坑通道门、活板门和检修门等。
提取的特征信息：机房通道门门锁，钥匙，机房通道门。
哪些需要深度学习或者机器学习：机房内不用钥匙开门过程，开门状态下不用钥匙关门过程。
输出判定结果：机房门门锁符合要求，或者不符合要求。
5.捕捉的动作过程以及如何判定：以机械锁定装置为例，当动作机械锁定装置使其位于非停放位置时，运行中的电梯是否制停，如果制停，则认为机械锁定装置有效，如果不制停，则认为机械锁定装置无效。以下装置要求类似：机械制停装置、平台进入（退出）工作位置的装置、可移动止停装置、进入底坑的非固定爬梯等。
提取的特征信息：机械锁定装置，钢丝绳
哪些需要深度学习或者机器学习：机械锁定装置由停放位置到非停放位置的动作过程。钢丝绳从运动状态转变为静止状态的过程。
输出判定结果：机械锁定装置符合要求，或者不符合要求。
6.捕捉的动作过程以及如何判定：缓冲器被压缩前、压缩时、轿厢(对重)离开缓冲器后的过程。如缓冲器无明显倾斜断裂、塑性变形、剥落、破损等现象，则认为缓冲器试验符合要求，否则认为不符合要求。
提取的特征信息：缓冲器，轿厢，对重
哪些需要深度学习或者机器学习：缓冲器试验的整个过程。试验前后缓冲器的形态变化过程。
输出判定结果：缓冲器试验符合要求，或者不符合要求。
7.捕捉的动作过程以及如何判定：意外移动试验过程。如报故障码正确，且钢丝绳移动距离在范围内，则认为意外移动试验符合要求，否则认为不符合要求。
提取的特征信息：故障码，钢丝绳移动距离。
哪些需要深度学习或者机器学习：钢丝绳从静态到动态再到静态总的移动距离。
输出判定结果：意外移动试验符合要求，或者不符合要求。
8.捕捉的动作过程以及如何判定：上行超速试验过程。如报故障码正确，且驱动主机达到一定速度后能自动触发限速器电气安全装置或者夹绳器动作，使得驱动主机制停，则认为上行超速试验符合要求，否则认为不符合要求。
提取的特征信息：驱动主机，限速器电气安全装置或者夹绳器。
哪些需要深度学习或者机器学习：驱动主机从静止到达到一定的速度后，自动触发限速器电气安全装置或者夹绳器动作，使得驱动主机停止运行这一过程。
输出判定结果：上行超速试验符合要求，或者不符合要求。
本发明通过对涉及电梯动态检验检测项目的动作过程进行特征信息提取，然后进行识别和判定，最后输出想要的判定信息。对于每个动作过程，需要开发针对性的不同算法。不同的动作过程，由于算法不同，所提取的特征信息是不同的。
后应说明的是：以上学习和判定过程仅用以说明本发明的技术方案，而非对其限制；尽管参照前述学习和判定过程对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述学习和判定过程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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各学习和判定过程技术方案的精神和范围。

Claims (2)

1.一种电梯人工智能检验检测方法，其特征在于它是通过以下步骤予以实现的：
一.通过摄像头捕捉特定的动作过程，然后使用不同的算法从中提取不同的特征信息；对于不同的动作过程，需要开发针对性的不同算法。不同的动作过程，由于算法不同，所提取的特征信息是不同的；
二.使用机器学习或者深度学习，对上述提取的不同特征信息涉及到的动作过程进行识别和判定；所述的机器学习或者深度学习，为卷积神经网络(CNN)和循环神经网络(RNN)；
三.输出判定结果；
本发明方法对电梯检验检测项目中，凡是涉及到动态检验检测项目均适用。
2.根据权利要求1所述的一种电梯人工智能检验检测方法，其特征在于具体捕捉哪些动作过程、提取哪些特征信息、哪些需要深度学习或者机器学习、如何判定以及输出判定结果步骤如下：
（1）捕捉的动作过程以及如何判定：某个部件和识别其对应的电气安全装置动作后，运行中的电梯是否制停，如果制停，则认为该电气安全装置有效，如果不制停，则认为该电气安全装置无效；特殊的，电气安全装置动作后，只有当手动进行复位时，停止状态的电梯才能恢复运行；
提取的特征信息：电气安全装置，钢丝绳，电梯操作对象的手；
哪些需要深度学习或者机器学习：动作电气安全装置的过程，钢丝绳从运动状态转变为静止状态的过程；手动恢复电气安全装置的过程，钢丝绳从静止状态转变为运动状态的过程；
输出判定结果：该电气安全装置符合要求，或者不符合要求；
（2）捕捉的动作过程以及如何判定：某个紧急停止开关或者附加急停开关动作后，运行中的电梯是否制停；如果电梯制停，则认为该紧急停止开关或者附加急停开关有效，如果不制停，则认为该紧急停止开关或者附加急停开关无效；
提取的特征信息：紧急停止开关，附加急停开关，钢丝绳；
哪些需要深度学习或者机器学习：动作紧急停止开关或者附加急停开关的过程，钢丝绳从运动状态转变为静止状态的过程；
输出判定结果：该紧急停止开关或者附加急停开关符合要求，或者不符合要求；
（3）捕捉的动作过程以及如何判定：以机房通道门为例，机房通道门可以向机房外开启，但是不得向机房内开启；如果机房通道门向机房内开启，则认为不符合要求，否则认为符合要求；以下门要求类似：轿厢壁上的检修门、轿厢安全门、中间安全门、井道安全门、井道检修门、底坑通道门、活板门和检修门等；
提取的特征信息：机房通道门、机房内驱动主机；
哪些需要深度学习或者机器学习：机房通道门的开门过程；开门方向为远离机房内驱动主机方向，且不可以为靠近机房内驱动主机方向；
输出判定结果：该机房通道门符合要求，或者不符合要求；
（4）捕捉的动作过程以及如何判定：以机房通道门门锁为例，门开启后不用钥匙能够将门关闭和锁住，门锁住后不用钥匙能从机房内将门打开；如符合上述要求，则认为机房通道门门锁符合要求，否则不符合要求；以下门的门锁要求类似：轿厢壁上的检修门、轿厢安全门、中间安全门、井道安全门、井道检修门、底坑通道门、活板门和检修门等；
提取的特征信息：机房通道门门锁，钥匙，机房通道门；
哪些需要深度学习或者机器学习：机房内不用钥匙开门过程，开门状态下不用钥匙关门过程；
输出判定结果：机房门门锁符合要求，或者不符合要求；
（5）捕捉的动作过程以及如何判定：以机械锁定装置为例，当动作机械锁定装置使其位于非停放位置时，运行中的电梯是否制停，如果制停，则认为机械锁定装置有效，如果不制停，则认为机械锁定装置无效；以下装置要求类似：机械制停装置、平台进入（退出）工作位置的装置、可移动止停装置、进入底坑的非固定爬梯等；
提取的特征信息：机械锁定装置，钢丝绳
哪些需要深度学习或者机器学习：机械锁定装置由停放位置到非停放位置的动作过程；钢丝绳从运动状态转变为静止状态的过程；
输出判定结果：机械锁定装置符合要求，或者不符合要求；
（6）捕捉的动作过程以及如何判定：缓冲器被压缩前、压缩时、轿厢(对重)离开缓冲器后的过程；如缓冲器无明显倾斜断裂、塑性变形、剥落、破损等现象，则认为缓冲器试验符合要求，否则认为不符合要求；
提取的特征信息：缓冲器，轿厢，对重
哪些需要深度学习或者机器学习：缓冲器试验的整个过程；试验前后缓冲器的形态变化过程；
输出判定结果：缓冲器试验符合要求，或者不符合要求；
（7）捕捉的动作过程以及如何判定：意外移动试验过程；如报故障码正确，且钢丝绳移动距离在范围内，则认为意外移动试验符合要求，否则认为不符合要求；
提取的特征信息：故障码，钢丝绳移动距离；
哪些需要深度学习或者机器学习：钢丝绳从静态到动态再到静态总的移动距离；
输出判定结果：意外移动试验符合要求，或者不符合要求；
（8）捕捉的动作过程以及如何判定：上行超速试验过程；如报故障码正确，且驱动主机达到一定速度后能自动触发限速器电气安全装置或者夹绳器动作，使得驱动主机制停，则认为上行超速试验符合要求，否则认为不符合要求；
提取的特征信息：驱动主机，限速器电气安全装置或者夹绳器；
哪些需要深度学习或者机器学习：驱动主机从静止到达到一定的速度后，自动触发限速器电气安全装置或者夹绳器动作，使得驱动主机停止运行这一过程；
输出判定结果：上行超速试验符合要求，或者不符合要求。
CN202410363331.5A 2024-03-28 2024-03-28 一种电梯人工智能检验检测方法 Pending CN117963669A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202410363331.5A CN117963669A (zh) 2024-03-28 2024-03-28 一种电梯人工智能检验检测方法
CN202410720791.9A CN118479325A (zh) 2024-03-28 2024-06-05 一种电梯人工智能检验检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410363331.5A CN117963669A (zh) 2024-03-28 2024-03-28 一种电梯人工智能检验检测方法

Publications (1)

Publication Number Publication Date
CN117963669A true CN117963669A (zh) 2024-05-03

Family

ID=90855713

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202410363331.5A Pending CN117963669A (zh) 2024-03-28 2024-03-28 一种电梯人工智能检验检测方法
CN202410720791.9A Pending CN118479325A (zh) 2024-03-28 2024-06-05 一种电梯人工智能检验检测方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202410720791.9A Pending CN118479325A (zh) 2024-03-28 2024-06-05 一种电梯人工智能检验检测方法

Country Status (1)

Country Link
CN (2) CN117963669A (zh)

Also Published As

Publication number Publication date
CN118479325A (zh) 2024-08-13

Similar Documents

Publication Publication Date Title
CN111428617A (zh) 一种基于视频图像的配网违规检修行为的识别方法和系统
CN114581843B (zh) 一种基于深度学习的扶梯乘客危险行为识别方法
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
CN112850436A (zh) 一种电梯智能光幕的行人趋势检测方法及系统
CN112347862A (zh) 一种基于机器视觉的电梯门故障实时检测方法
CN112560650A (zh) 一种电梯门标签提取及监控画面异常检测方法
CN112800975A (zh) 一种基于图像处理的安检通道内行为识别方法
CN108584588B (zh) 一种基于大规模流数据的电梯门故障检测方法
CN117963669A (zh) 一种电梯人工智能检验检测方法
CN112883792A (zh) 一种基于视觉深度分析的机器人主动安全防护方法及系统
CN113247720A (zh) 基于视频的智能梯控方法及系统
CN116189305A (zh) 一种基于神经网络模型嵌入的人员危险动作识别方法
CN114436087A (zh) 基于深度学习的电梯乘客扒门检测方法及系统
CN117611950A (zh) 一种样本采集方法、系统、设备及存储介质
Zhou et al. Trajectory analysis method based on video surveillance anomaly detection
CN114524339B (zh) 电梯轿厢安全运行检测方法、装置、设备及存储介质
JP2023125536A (ja) 判定装置、異常検知システム、判定方法及びプログラム
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
Liu et al. Research on elevator passenger fall detection based on machine vision
CN1662060A (zh) 人体影像辨认系统
Liu et al. Count passengers based on Haar-like feature in elevator application
CN117864897B (zh) 一种基于视觉识别的电梯轿顶人员防护方法及系统
He et al. A Deep Learning Method for Detecting Phone Call Behaviors of Bidding Evaluation Expert
CN113233273B (zh) 电梯故障监测方法、装置、存储介质、电子设备及电梯

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20240503

WD01 Invention patent application deemed withdrawn after publication