一种基于深度学习的电梯开关门状态识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的电梯开关门状态识别方法、装置、电子设备及计算机存储介质。其中，所述方法包括：获取电梯内第一视频数据，当所述第一视频数据中电梯门区域的像素变化情况大于第一阈值时，将所述第一视频数据传输至深度学习识别模型，所述深度学习识别模型输出第一电梯门状态。本发明专利技术的方案采用计算机视觉技术来监测电梯开关门状态，有效降低了成本，而且深度学习识别模型的训练数据包括足够多的场景，具有更强的泛化性，识别准确性高。高。

【技术实现步骤摘要】
一种基于深度学习的电梯开关门状态识别方法及装置


[0001]本专利技术涉及图像识别
，特别涉及一种基于深度学习的电梯开关门状态识别方法、装置、电子设备及计算机存储介质。

技术介绍

[0002]随着计算机工业水平的不断提高，计算机视觉系统和人工智能也逐渐走向实用化，得益于互联网兴起带来的海量数据，以及机器学习方法的广泛应用，计算机视觉发展迅速，并且正广泛应用于计算机相关的多个领域，越来越贴近生活，与我们息息相关。计算机视觉以图像为输入，实现对环境的正确表达，研究图像的特征组织，进行目标检测或场景的识别，进而对事件给予科学的解释。深度学习技术是当今技术的发展方向，大量的数据集加上复杂的卷积神经网络能够实现强大的表达能力，使模型具有较高的准确率和鲁棒性。然而，传统的计算机视觉算法过程分离，遇到复杂的背景准确率不高，而深度学习算法能够解决这一问题，并且能够实现端到端的映射，目前，计算机视觉与深度学习结合已经取得了显著进展。
[0003]基于计算机视觉进行电梯开关门状态监测有利于成本的节约，目前电梯开关门状态识别方法主要使用传统的光流算法、基于深度学习目标检测等算法，存在运动模糊导致的不准确、以及耗时长的问题。

技术实现思路

[0004]本专利技术的主要目的是提出一种基于深度学习的电梯开关门状态识别方法、装置、电子设备及计算机存储介质，旨在解决上述
技术介绍
中提到的部分或全部技术问题。
[0005]为实现上述目的，本专利技术的第一方面提供了一种基于深度学习的电梯开关门状态识别方法，所述方法包括：
[0006]获取电梯内第一视频数据，当所述第一视频数据中电梯门区域的像素变化情况大于第一阈值时，将所述第一视频数据传输至深度学习识别模型，所述深度学习识别模型输出第一电梯门状态。
[0007]优选地，计算所述第一视频数据中电梯门区域的像素变化情况，包括：
[0008]计算电梯门区域的相邻帧的所有像素变化情况，统计发生变化的像素的数量，基于所述像素的数量计算得出所述像素变化情况，包括：
[0009]将统计得出的发生变化的像素的数量作为所述像素变化情况；或，
[0010]将统计得出的发生变化的像素的数量进行转换处理后的数值作为所述像素变化情况。
[0011]优选地，对所述第一视频数据进行乘员识别计数，基于计数结果确定所述第一阈值的取值，其中，所述第一阈值的取值与所述计数结果成正相关关系。
[0012]优选地，所述第一电梯门状态包括全开门、半开门、关门。
[0013]优选地，在将所述第一视频数据传输至深度学习识别模型之前，还包括训练步骤，
包括：
[0014]采集电梯内的第二视频数据，提取其中包含电梯开关门状态的若干视频帧，对所述视频帧进行人工标注，将所述视频帧和对应的标注送入所述深度学习识别模型，以得到经过训练的所述深度学习识别模型。
[0015]优选地，所述深度学习识别模型包括：
[0016]卷积层模块，用于对输入的视频数据进行多次的卷积、池化处理，提取具有判别性的深度特征；
[0017]三分支卷积层模块，用于通过不同的分支来分别学习所述卷积层模块末尾层输出的特征，其中，该三分支卷积层模块的卷积层权重在训练过程中随机初始；
[0018]分类器层模块，用于对三分支卷积层模块输出的特征进行分类
[0019]优选地，在所述深度学习识别模型输出第一电梯门状态为半开门或关门之后，还包括：
[0020]基于所述第一视频数据对电梯门区域子图像进行连通域分析，若存在面积大于第二阈值的连通域，则调取第三视频数据，将所述第三视频数据输入所述深度学习识别模型，所述深度学习识别模型输出第二电梯门状态，若所述第二电梯门状态与所述第一电梯门状态相同，则将所述第一电梯门状态作为最终的电梯门状态进行输出；否则，进一步基于所述第三视频数据对电梯门区域子图像进行连通域分析，若不存在面积大于第二阈值的连通域，则将所述第二电梯门状态作为最终的电梯门状态进行输出。
[0021]本专利技术的第二方面提供了一种基于深度学习的电梯开关门状态识别装置，所述装置包括获取模块、传输模块、深度学习识别模块、输出模块；其中，
[0022]所述获取模块，用于获取电梯内第一视频数据；
[0023]所述传输模块，用于当所述第一视频数据中电梯门区域的像素变化情况大于第一阈值时，将所述第一视频数据传输至深度学习识别模块，
[0024]所述深度学习识别模型，用于对所述第一视频数据进行识别，输出第一电梯门状态。
[0025]本专利技术的第三方面提供了一种电子设备，所述设备包括：
[0026]存储有可执行程序代码的存储器；
[0027]与所述存储器耦合的处理器；
[0028]所述处理器调用所述存储器中存储的所述可执行程序代码，执行如前所述的方法。
[0029]本专利技术的第四方面提供了一种计算机存储介质，所述存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如前所述的方法。
[0030]本专利技术技术方案的有益效果为：
[0031]1)基于计算机视觉技术来监测电梯开关门状态，可以减少传感器的部署，有效节约成本；
[0032]2)利用经过训练得到的深度学习识别模型来对电梯门状态进行快速识别，只要训练数据包括足够多的场景，深度学习识别模型就具有更强的泛化性，识别准确性也很高。
附图说明
[0033]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0034]图1为本专利技术实施例一提供的一种基于深度学习的电梯开关门状态识别方法的流程示意图；
[0035]图2为本专利技术实施例二提供的一种基于深度学习的电梯开关门状态识别装置的结构示意图；
[0036]图3是本专利技术实施例三公开一种电子设备的结构示意图。
[0037]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0038]为了使本专利技术的目的和优点更加清楚明白，下面结合实施例对本专利技术作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本专利技术，并不用于限定本专利技术。
[0039]下面参照附图来描述本专利技术的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本专利技术的技术原理，并非在限制本专利技术的保护范围。
[0040]需要说明的是，在本专利技术的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0041]此外，还需要说明的是，在本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电梯开关门状态识别方法，其特征在于：所述方法包括：获取电梯内第一视频数据，当所述第一视频数据中电梯门区域的像素变化情况大于第一阈值时，将所述第一视频数据传输至深度学习识别模型，所述深度学习识别模型输出第一电梯门状态。2.根据权利要求1所述的方法，其特征在于：计算所述第一视频数据中电梯门区域的像素变化情况，包括：计算电梯门区域的相邻帧的所有像素变化情况，统计发生变化的像素的数量，基于所述像素的数量计算得出所述像素变化情况，包括：将统计得出的发生变化的像素的数量作为所述像素变化情况；或，将统计得出的发生变化的像素的数量进行转换处理后的数值作为所述像素变化情况。3.根据权利要求2所述的方法，其特征在于：对所述第一视频数据进行乘员识别计数，基于计数结果确定所述第一阈值的取值，其中，所述第一阈值的取值与所述计数结果成正相关关系。4.根据权利要求1
‑
3任一项所述的方法，其特征在于：所述第一电梯门状态包括全开门、半开门、关门。5.根据权利要求1所述的方法，其特征在于：在将所述第一视频数据传输至深度学习识别模型之前，还包括训练步骤，包括：采集电梯内的第二视频数据，提取其中包含电梯开关门状态的若干视频帧，对所述视频帧进行人工标注，将所述视频帧和对应的标注送入所述深度学习识别模型，以得到经过训练的所述深度学习识别模型。6.根据权利要求5所述的方法，其特征在于：所述深度学习识别模型包括：卷积层模块，用于对输入的视频数据进行多次的卷积、池化处理，提取具有判别性的深度特征；三分支卷积层模块，用于通过不同的分支来分别学习所述卷积层模块末尾层输出的特征，其中，该三分支卷积...

【专利技术属性】
技术研发人员：丁武，林琳，李林，
申请(专利权)人：辽宁华盾安全技术有限责任公司，
类型：发明
国别省市：