[發(fā)明專利]一種基于深度學習與飛行時間的電梯門空間異物檢測方法

在審

• 申請?zhí)枺?/td>: 202210369878.7
• 申請日: 2022-04-08
• 公開（公告）號: CN114863155A
• 公開（公告）日: 2022-08-05
• 發(fā)明（設計）人: 胡鶴軒;趙宇晨;胡強;張曄;袁子揚;許天霖;岳海洋
• 申請（專利權(quán)）人: 河海大學
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06K9/62;G06T7/136;G06N3/04;G06N3/08
• 代理公司: 南京經(jīng)緯專利商標代理有限公司 32200
• 代理人: 樓然

本發(fā)明公開了一種基于深度學習與飛行時間的電梯門空間異物檢測方法，包括：創(chuàng)建電梯門空間異物圖像數(shù)據(jù)集并進行數(shù)據(jù)增強；搭建基于SMU激活函數(shù)與新型注意力卷積CoT的改進YOLOv5s目標檢測模型，并用數(shù)據(jù)集對模型訓練；利用飛行時間技術(shù)相機產(chǎn)生電梯門空間深度圖像，用K?means聚類閾值分割法將電梯門空間的深度圖像進行閾值分割；在分割后的圖像上利用條形分割定位檢測算法進行異物的檢測；最后將改進YOLOv5目標檢測模型在普通相機上檢測結(jié)果與條形分割定位檢測算法在飛行時間技術(shù)相機上檢測結(jié)果進行綜合判斷。本發(fā)明可對電梯門空間異物進行高精度檢測，從而有效保障電梯的安全運行。

技術(shù)領(lǐng)域

本發(fā)明屬于人工智能與電梯技術(shù)領(lǐng)域，具體涉及一種基于深度學習與飛行時間的電梯門空間異物檢測方法。

背景技術(shù)

電梯作為高層樓宇的樓層之間的運輸工具，在現(xiàn)代化人與物的樓層垂直運輸中有著必不可少的作用。廣泛的電梯使用給人們生活帶來了極大的方便，同時人們對電梯的性能如安全性、穩(wěn)定性、智能性有了更高的要求。據(jù)統(tǒng)計，近八成以上的電梯故障往往與電梯門系統(tǒng)有著密切的聯(lián)系，而電梯門系統(tǒng)主要故障之一是電梯門的夾人夾物。因此，電梯門空間異物檢測對整個電梯的安全穩(wěn)定運行有著重要的意義。

現(xiàn)有技術(shù)的電梯門空間異物的檢測方法主要有兩類，分別為接觸式安全觸板和紅外光幕檢測。中國專利(CN201920894934.2)“電梯門接觸式保護裝置及電梯門系統(tǒng)”，其接觸式安全觸板的主要原理是電梯門夾到剛性物體的反方向的力觸動微動開關(guān)，微動開關(guān)返回重新開門的信號給電梯控制系統(tǒng)。收到信號后，電梯門便會重新打開。中國專利(CN201620970810.4)“一種電梯智能紅外光幕”，介紹了基于光電保護裝置的紅外光幕，通過安裝在門兩側(cè)的紅外線束收發(fā)裝置，在門空間中形成一面密集的紅外檢測光線束網(wǎng)，從而檢測門空間的異物入侵。

上述現(xiàn)有技術(shù)的不足主要是：接觸式安全觸板對于柔性的物體檢出率較低，因此對于較為柔軟的幼兒手指等柔性物體難以檢測出，易造成較大的安全隱患。而紅外光幕是通過紅外線束來檢測是否有物體，在兩束紅外線束之間的間隙中的物體難以檢測出來。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺陷，提供一種基于深度學習與飛行時間的電梯門空間異物檢測方法，在自建電梯門空間異物的圖像數(shù)據(jù)集中采用亮度數(shù)據(jù)增強，搭建基于SMU激活函數(shù)與新型注意力卷積CoT的改進的YOLOv5s目標檢測模型，在改進的YOLOv5s目標檢測模型到異物的基礎(chǔ)上，利用飛行時間技術(shù)深度圖像對電梯門空間異物進行二次檢測。本方法可高精度檢測電梯門空間異物，有效保障電梯的安全運行。

為解決上述技術(shù)問題，本發(fā)明采用以下技術(shù)方案。

一種基于深度學習與飛行時間的電梯門空間異物檢測方法，包括以下步驟：

步驟1、收集創(chuàng)建電梯門空間異物圖像數(shù)據(jù)集，并進行亮度數(shù)據(jù)增強；其數(shù)據(jù)增強對于RGB圖像的亮度調(diào)節(jié)公式為：

g(i,j)＝af(i,j)+b

其中f(i,j)和g(i,j)分別為調(diào)節(jié)前后的圖片，a為對比度，b為飽和度。

步驟2、搭建基于SMU激活函數(shù)與新型注意力卷積CoT的改進YOLOv5s目標檢測模型，并利用步驟一所獲取的數(shù)據(jù)集對改進的YOLOv5s目標檢測模型進行訓練；

具體的，將YOLOv5s內(nèi)基礎(chǔ)CBL模塊中的所有激活函數(shù)改進為SMU激活函數(shù)，并且在YOLOv5s目標檢測模型的主干特征提取網(wǎng)絡Backbone中加入基于空間注意力卷積CoT結(jié)構(gòu)，將C3模塊的Res unit X中的3×3卷積結(jié)構(gòu)改進為CoT結(jié)構(gòu)，由此得到改進的YOLOv5s目標檢測模型；