[发明专利]一种高色域显示屏质量智能检测系统及方法

权利要求书

1.一种高色域显示屏质量智能检测方法，其特征在于：该方法包括以下步骤：

S1、获取电梯仓内高色域显示屏位置区域，构建电梯仓三维模型，标记高色域显示屏位置区域；

S2、实时监控电梯内乘客承载量，分析电梯内乘客对于高色域显示屏的挤压状态；

S3、获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长，根据历史大数据，构建预测模型；

S4、基于预测模型，对高色域显示屏的使用寿命进行预测，基于预测结果的差值智能检测高色域显示屏的质量情况，并实时传输到管理员端口；

所述构建预测模型包括：

获取电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长，作为分类节点，构建决策树；

构建决策树分类指标，所述分类指标包括高色域显示屏完好、高色域显示屏损坏；

构建信息熵公式：

其中，E(t)代表分类节点t的信息熵，p(i丨t)代表分类节点t为分类i的概率，c代表分类指标；

所述信息熵表达信息的不确定度；

设置分类节点电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长为父节点，分别记为a₁、a₂、a₃；

所述电梯内乘客与高色域显示屏的接触方式包括肘接触式、臂接触式、背接触式，分别记为父节点a₁的子节点a₁₁、a₁₂、a₁₃；

所述被挤压次数包括小于M次，大于M次，其中M为挤压次数设置值，分别记为父节点a₂的子节点a₂₁、a₂₂；

所述被挤压时长包括小于N小时，大于N小时，其中N为挤压时长设置值，分别记为父节点a₃的子节点a₃₁、a₃₂；

获取历史大数据，构建L件测试样本，所述L件测试样本中完好概率为P₁；

构建先验熵：

E(完好)＝-P₁ log₂ P₁-(1-P₁)log₂(1-P₁)

其中，E(完好)代表先验熵，所述先验熵指在没有接收到任一条件时的高色域显示屏完好的熵；

构建后验熵：

E(完好丨子节点)＝-P_d log₂ P_d-(1-P_d)log₂(1-P_d)

其中，E(完好丨子节点)代表后验熵，所述后验熵指任一子节点对于高色域显示屏完好的信息影响；P_d代表任一子节点d下的高色域显示屏完好的概率；

构建条件熵：

其中，E(完好丨父节点)代表条件熵，所述条件熵指任一父节点对于高色域显示屏完好的信息影响；r代表父节点下拥有的子节点数量；u代表父节点下拥有的子节点；m_u代表父节点下拥有的子节点u所占的概率；代表父节点下拥有的子节点u的后验熵；

构建信息增益：

I(完好丨父节点)＝E(完好)-E(完好丨父节点)

其中，I(完好丨父节点)代表父节点的信息增益；

获取所有父节点的信息增益，按照从大到小的顺序进行排序，生成决策树，同时获取信息增益率F：

基于信息增益率F生成权重比例：

其中，w_x代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长中任一种的权重比例；F_x代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长中任一种的信息增益率，与w_x相对应；F₁、F₂、F₃分别代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长的信息增益率；

构建预测模型：

其中，v₀代表高色域显示屏完好的预测概率；c₁、c₂、c₃分别代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长的归一化数据；w₁、w₂、w₃分别代表电梯内乘客与高色域显示屏的接触方式、被挤压次数、被挤压时长的权重比例；代表误差调节数据。