[发明专利]一种基于计算机视觉的电梯非平层开门故障识别装置及方法

权利要求书

1.一种基于计算机视觉的电梯非平层开门故障识别装置，其特征在于，包括视频采集模块、加速度监测模块、模型训练模块以及检测识别模块；其中，

所述视频采集模块，包括摄像装置，用于采集电梯地坎槽图像；所述视频采集模块与检测识别模块电性连接；所述摄像装置的镜头设置于电梯轿门和厅门夹缝，垂直并正对于地坎槽，以同时拍摄厅门地坎槽和轿门地坎槽；

所述加速度监测模块，包括加速度传感器以及微处理器；所述加速度监测模块用于对电梯运行加速度进行监控，以预判电梯是否进入减速停梯状态，加速度监测模块与检测识别模块电性连接；

所述模型训练模块，包括地坎槽目标检测模型训练单元和非平层开门分类模型训练单元；所述地坎槽目标检测模型训练单元用于预先训练地坎槽检测模型，供检测识别模块加载使用；所述非平层开门分类模型训练单元用于预先训练非平层开门分类模型，以供检测识别模块加载使用；

所述检测识别模块，用于在根据所述加速度监测模块确定所述电梯进入减速停梯状态时，对电梯地坎槽图像做自适应处理并加载由所述模型训练模块训练好的模型进行预测以及识别，以判断电梯是否发生非平层开门故障。

2.根据权利要求1所述的一种基于计算机视觉的电梯非平层开门故障识别装置，其特征在于，

所述加速度监测模块的微处理器具体用于，利用方差、极差以及极差对应的索引距离占加速度序列长度的占比对完成滤波平滑处理后的加速度曲线进行加速度检测以判断电梯是否停梯；

其中，所述方差是用来度量加速度序列的波动程度，表达的是加速度的平稳性，用σ²表示，如公式(1)所示：

其中，acc_i表示加速度序列的第i个加速度取值，表示该加速度序列的加速度均值，n代表该加速度序列长度，即该加速度序列是由n个加速度取值组成的序列；

所述极差是用来衡量数值变动的最大范围，是测定数值变动的指标，是最大值与最小值之间的差距，用R表示，如公式(2)所示：

R＝acc_max-acc_min (2)

其中，acc_max表示该加速度序列中的最大值，acc_min表示该加速度序列的最小值；

所述极差对应的索引距离占加速度序列长度的占比刻画的是加速度的骤变程度，描述的是最大值和最小值所在序列位置的间距占整个运行加速度序列的比例，用r表示，如公式(3)所示：

其中，表示该加速度序列中最大加速度所在的序列位置，则表示最小加速度所在的序列位置，序列位置表示为第几个点；n则为整个加速度序列的长度；

其中，当方差满足大于1000、极差满足大于500和/或极差对应的索引距离占加速度序列长度的占比小于10％，则认为电梯即将停梯；否则微处理器判断为加速度正常，电梯处于正常运行。

3.根据权利要求1所述的一种基于计算机视觉的电梯非平层开门故障识别装置，其特征在于，所述加速度监测模块的加速度传感器具有多个采集时间间隔；通过遍历所述加速度传感器的采集时间间隔，计算每个采集时间间隔下微处理器判断的准确度，并计算准确度与加速度传感器在单位时间内采集的信息量的比值；当所述比值达到最大值时，将当前对应的采集时间间隔设置为默认的采集时间间隔。

4.根据权利要求1所述的一种基于计算机视觉的电梯非平层开门故障识别装置，其特征在于，所述模型训练模块中的地坎槽检测模型训练单元，其训练方法包括如下步骤：

步骤41：制作地坎槽检测训练集，使用LabelImg对含有地坎槽的轿厢图片进行标注，具体为框出地坎槽图像并标注类别；

步骤42：搭建目标检测模型结构，采用迁移学习方法使用在ILSVRC数据集上训练过的模型作为网络backbone的初始权重并随机化除所述初始权重外的其他参数，在步骤41建立的地坎槽检测训练集上进行训练，损失函数包括类别分类损失函数loss_cls和地坎槽边界框位置回归损失函数loss_bbox；

步骤43：设置停止策略，当达到指定的迭代次数，或者模型在验证集的预测精度达到设定值时停止训练。