基于深度学习的电瓶车上楼智能管控系统技术方案

本发明专利技术目的在于提供一种识别准确率高、识别准确从而能够在阻止电瓶车上楼的同时不影响居民正常使用的电瓶车上楼管控系统。本发明专利技术的电瓶车上楼智能管控系统包括：图像获取模块，设置在电梯内，用于对电梯内部进行实时图像获取从而获得电梯内图像；电瓶车检测模块，对图像获取模块获取的电梯内图像依次进行目标检测，从而检测出电梯内图像中是否存在电瓶车；以及判断控制模块，根据电瓶车检测模块的检测结果判定电梯内是否存在电瓶车，并在判定为存在时控制电梯保持开门状态从而防止电瓶车通过电梯上楼，其中，电瓶车检测模块包括一个由改进的Tiny-YOLOV3网络EyevatorNet构成的目标检测神经网络。的目标检测神经网络。的目标检测神经网络。

【技术实现步骤摘要】
基于深度学习的电瓶车上楼智能管控系统


[0001]本专利技术涉及一种基于深度学习的电瓶车上楼智能管控系统。

技术介绍

[0002]电瓶车使用方便、价格低，因此作为一种交通工具得到了大量的使用。
[0003]随着电瓶车使用增多，其需要时时充电的特性也逐渐带来居民小区管理方面的问题。例如，一些居民为了自己方便，私自通过电梯将电瓶车搬运上楼并在室内或者楼道等公共区域进行充电。由于电瓶车使用一段时间后，车里的连接路线容易老化短路，当发生短路且外部温度较高时，就很容易燃烧并引发火灾，从而酿成悲剧。
[0004]为了防止事故发生，许多小区的物业部门设置了禁止电瓶车上楼的规定；而为了切实有效地防止居民携带电瓶车上楼，实现电瓶车上楼管控，现有技术中出现了一些电瓶车上楼管控系统。例如，通过铺设地感线圈来检测电瓶车，或通过传统的图像识别方法(例如人工设计特征)来检测电瓶车，并在检测出电瓶车时阻止携车居民上楼。这些方法存在一些缺点，包括：检测不准确从而对电瓶车放行，达不到阻止的效果；错误识别率高，将人或自行车、婴儿车等误识别为电瓶车，阻止上电梯，影响居民正常使用；等等。

技术实现思路

[0005]为解决上述问题，提供一种识别准确率高、识别准确从而能够在阻止电瓶车上楼的同时不影响居民正常使用的电瓶车上楼管控系统，本专利技术采用了如下技术方案：
[0006]本专利技术提供了一种基于深度学习的电瓶车上楼智能管控系统，其特征在于，包括：图像获取模块，设置在电梯内，用于对电梯内部进行实时图像获取从而获得电梯内图像；电瓶车检测模块，对图像获取模块获取的电梯内图像依次进行目标检测，从而检测出电梯内图像中是否存在电瓶车；以及判断控制模块，根据电瓶车检测模块的检测结果判定电梯内是否存在电瓶车，并在判定为存在时控制电梯保持开门状态从而防止电瓶车通过电梯上楼，其中，电瓶车检测模块包括一个由改进的Tiny-YOLOV3网络EyevatorNet构成的目标检测神经网络。
[0007]本专利技术提供的基于深度学习的电瓶车上楼智能管控系统，还可以包括：语音模块，设置在电梯内，当判定电梯内存在电瓶车时，判断控制模块在控制电梯保持开门状态的同时还控制语音模块向电梯内播放语音提示。
[0008]本专利技术提供的基于深度学习的电瓶车上楼智能管控系统，还可以包括：状态监测模块，用于检测各个模块的工作状态并形成相应的工作状态信息；以及通信模块，用于向外发送工作状态信息。
[0009]本专利技术提供的基于深度学习的电瓶车上楼智能管控系统中，图像获取模块还可以包括设置在电梯内的广角数字摄像头。
[0010]本专利技术提供的基于深度学习的电瓶车上楼智能管控系统中，电瓶车上楼智能管控系统中除广角数字摄像头以外的部分还可以均集成在控制盒内从而形成对应的管控终端。
[0011]本专利技术提供的基于深度学习的电瓶车上楼智能管控系统中，还可以包括：电源模块，用于向电瓶车上楼智能管控系统中的各个模块供电。
[0012]本专利技术提供的基于深度学习的电瓶车上楼智能管控系统中，还可以包括：遥控模块，与开关单元相连接，用于与开关单元配合从而让管理人员通过开关单元对电瓶车上楼智能管控系统进行启动或关闭。
[0013]专利技术作用与效果
[0014]根据本专利技术提供的基于深度学习的电瓶车上楼智能管控系统，由于采用改进的Tiny-YOLOV3网络EyevatorNet构成的目标检测神经网络来对电梯内图像进行目标检测，因此其具有更强的提取图像信息的能力以及更高的识别精准度，不容易发生误判。设备经现场测试，系统运行稳定，管控效果极佳。本专利技术的目标检测基于AI图像识别技术，与传统的模式识别和埋设地感线圈等检测方法相比，更加可靠和稳定，能够有效解决电瓶车上楼充电问题带来的安全隐患。
附图说明
[0015]图1是本专利技术实施例的基于深度学习的电瓶车上楼智能管控系统的构成框图；
[0016]图2是本专利技术实施例的Tiny-YOLOV3网络EyevatorNet的结构示意图；
[0017]图3是本专利技术实施例的Tiny-YOLOV3网络EyevatorNet的检测结果示意图；
[0018]图4是本专利技术实施例的管控系统的工作流程图。
具体实施方式
[0019]以下，参照附图以及实施例对本专利技术的具体实施方式进行详细阐述。
[0020]<实施例>
[0021]图1是本专利技术实施例的基于深度学习的电瓶车上楼智能管控系统的构成框图。
[0022]如图1所示，实施例的基于深度学习的电瓶车上楼智能管控系统(以下简称管控系统)100可分为核心部分与外围部分，具体包括图像获取模块10、电瓶车检测模块20、判断控制模块30、语音模块40、状态监测模块50、通信模块60、电源模块70以及遥控模块80。
[0023]图像获取模块10设置在电梯内，本实施例中该图像获取模块10包括一个广角数字摄像头，其能够获取电梯轿厢内的实时图像(即电梯内图像)。获取的实时图像数据分为两路，一路数据传输至社区监控室(例如传至社区监控室的安防监控显示器进行显示)，另一路作为电瓶车检测模块20的输入。也就是说，本实施例的图像获取模块10中的摄像头同时作为安防监控摄像头使用。在其他实施例中，该摄像头也可以将社区监控系统中原有的电梯内摄像头进行线路改造得到，将其实时图像数据分出一路输入电瓶车检测模块20即可。
[0024]电瓶车检测模块20用于对图像获取模块10获取的电梯内图像进行目标检测，从而检测出电梯内图像中是否存在电瓶车。本实施例中，摄像头以视频形式获取电梯内的实时图像，其视频流中包含按时间顺序的多个实时图像帧，电瓶车检测模块20按照时间顺序依次获得这些实时图像帧并依次对这些实时图像帧进行目标检测。
[0025]本实施例中，电瓶车检测模块20包括一个目标检测神经网络，其具体为改进的Tiny-YOLOV3网络EyevatorNet。
[0026]图2是本专利技术实施例的Tiny-YOLOV3网络EyevatorNet的结构示意图。
[0027]如图2所示，本实施例所采用的Tiny-YOLOV3网络EyevatorNet基于现有的Tiny-YOLOV3神经网络模型改进得到，其具体由以下层结构构成：416*416*3的输入层Input、多个卷积层(Conv/Bn/Lk*n，n＝1或7)、多个最大池化层(Maxpooling)、26*26*256的特征层X1、13*13*256的特征层X2、上采样层UpSampling2D、26*26*128的特征层X2、融合层Concatenate[X1,X2]以及输出Y1、输出Y2。
[0028]本实施例的EyevatorNet经构建后采用涉及电瓶车的图像训练集训练得到，将实时图像帧统一变换为灰度图像进行输入后，即可得出该实时图像中是否包含电瓶车的检测结果；另外，该EyevatorNet的硬件形式采用Jetson-nano实现。
[0029]图3是本专利技术实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电瓶车上楼智能管控系统，其特征在于，包括：图像获取模块，设置在电梯内，用于对电梯内部进行实时图像获取从而获得电梯内图像；电瓶车检测模块，对所述图像获取模块获取的所述电梯内图像依次进行目标检测，从而检测出所述电梯内图像中是否存在电瓶车；以及判断控制模块，根据所述电瓶车检测模块的检测结果判定所述电梯内是否存在电瓶车，并在判定为存在时控制所述电梯保持开门状态从而防止所述电瓶车通过电梯上楼，其中，所述电瓶车检测模块包括一个由改进的Tiny-YOLOV3网络EyevatorNet构成的目标检测神经网络。2.根据权利要求1所述的基于深度学习的电瓶车上楼智能管控系统，其特征在于，还包括：语音模块，设置在所述电梯内，当判定所述电梯内存在电瓶车时，所述判断控制模块在控制所述电梯保持开门状态的同时还控制所述语音模块向所述电梯内播放语音提示。3.根据权利要求1所述的基于深度学习的电瓶车上楼智能管控...

【专利技术属性】
技术研发人员：王洋，张天资，林泽盛，
申请(专利权)人：无锡复创机器人有限公司，
类型：发明
国别省市：