【技术实现步骤摘要】
电梯门位置和开关状态的检测方法、装置、介质和终端
[0001]本专利技术涉及机器人领域，尤其涉及一种电梯门位置和开关状态的检 测方法、装置、介质和终端。
技术介绍
[0002]传统技术一般采用霍尔传感器判断电梯门状态，因此需要在电梯门 上加装设备或者传感器，这种方式容易受到电磁干扰，安装复杂，一旦 位置偏移，容易导致电梯门状态判断错误，从而导致电梯门故障的误报， 漏报，同时传感器自身的故障率也会影响电梯门状态判断。随着人工智 能技术的发展，基于深度学习的计算机视觉技术可以用来进行电梯门状 态的分析判断。一般来说，可以直接采用SSD、YOLO等目标检测技术对 电梯门的状态进行识别，但是需要先对先验框的尺寸、长宽比以及数量 等进行合理设定，不仅参数多、设定麻烦，而且为了达到较高的召回率 需要设定大量的先验框，计算量大且内存占用高。
技术实现思路
[0003]本专利技术提供了一种电梯门位置和开关状态的检测方法、装置、介质 和终端，解决了现有目标检测技术需要先设定先验框导致步骤复杂、参 数多且计算量大的技术问题。
【技术保护点】
【技术特征摘要】
1.一种电梯门位置和开关状态的检测方法，其特征在于，包括以下步骤：基于一阶全卷积目标检测算法训练电梯门检测网络模型；采集电梯门实时图像，并基于训练完成的所述电梯门检测网络模型识别所述电梯门实时图像中电梯门的位置和开关状态。2.根据权利要求1所述电梯门位置和开关状态的检测方法，其特征在于，所述基于一阶全卷积目标检测算法训练电梯门检测网络模型具体包括以下步骤：通过移动机器人的摄像头随机多角度地采集各个电梯厅的电梯门图像，并对所述电梯门图像中电梯门位置和电梯门的开关状态进行标记，建立训练集；基于一阶全卷积目标检测算法构建电梯门检测网络模型，所述电梯门检测网络模型包括依次连接的骨干网络、特征金字塔网络和全卷积检测头模块，所述全卷积检测头模块包括分类分支、中心度分支和方框回归分支；对所述电梯门检测网络模型的网络参数进行初始化，生成初始权重和初始偏置；将所述训练集的所有图像输入初始化后的电梯门检测网络模型，通过所述骨干网络提取输入图像的特征图，通过所述特征金字塔网络对所述特征图进行多尺度特征融合，生成不同尺度特征图；通过所述方框回归分支生成所述不同尺度特征图上每个特征点回归电梯门方框的尺寸预测值，通过所述中心度分支生成每个特征点距离电梯门方框中心位置的远近度预测值，通过所述分类分支生成每个特征点的电梯门开关状态预测值，然后根据预设损失函数计算损失值；降低所述损失值并进行反向传播，通过反复循环前向传播和反向传播对所述电梯门检测网络模型的权重和偏置进行更新，直至达到预设迭代停止条件，生成训练完成的电梯门检测网络模型。3.根据权利要求2所述电梯门位置和开关状态的检测方法，其特征在于，所述预设损失函数为：Loss＝LossBbox+LossCls+LossCenter，其中，LossBbox＝GIOULoss(Bbox
pred
，Bbox
gt
)，union＝areaA+areaB
‑
area
in
，area
in
＝(inl+inr)*(int+ind)，area
out
＝(outl+outr)*(outt+outd)，inl＝min(al，bl)，inr＝min(ar，br)，int＝min(at，bt)，ind＝min(ad，bd)，outl＝max(al，bl)，outr＝max(ar，br)，outt＝max(at，bt)，outd＝max(ad，bd)，LossCls＝Cls
gt
*log(Cls
pred
)+(1
‑
Cls
gt
)*log(1
‑
Cls
pred
)，LossCenter＝Ct
gt
*log(Ct
pred
)+(1
‑
Ct
gt
)*log(1
‑
Ct
pred
)，Bbox
pred
表示每个特征点回归电梯门方框的尺寸预测值，Bbox
gt
表示每个特征点回归电梯门方框的训练目标值，Ct
pred
表示每个特征点距离电梯门方框中心位置的远近度预测值，
Ct
gt
表示每个特征点距离电梯门方框中心位置的的远近度训练目标值，Cls
pred
表示每个特征点的电梯门开关状态预测值，Cls
gt
表示每个特征点的电梯门开关状态训练目标值；al表示方...
【专利技术属性】
技术研发人员：秦豪，赵明，
申请(专利权)人：上海有个机器人有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。