基于机器视觉的电动车电梯入口识别与阻止系统研究

基于机器视觉的电动车电梯入口识别与阻止系统研究

卢昭汐、贺雪礼、孙旭晖

郑州科技学院

摘要：

在电梯安全管理领域，电动车违法入内之举已日渐猖獗。本研究目标为开发一种依赖机器视觉技术的电动车电梯入口识别与拦截系统。借力尖端图像处理手段与深度学习算法，该系统具备精确辨识电动车之能力，并采取有效手段予以制止。该系统在增强电梯安全及降低潜在风险方面成果显著。本文探讨了系统架构、运行原理以及其在现实世界中的应用潜力。

关键词：机器视觉，电动车识别，电梯安全，图像处理，深度学习

引言：

随着电动车数量的增加，其非法进入电梯的情况越来越频繁，给电梯安全管理带来了严峻挑战。传统的安全管理措施已难以应对这一新兴问题。因此，采用先进的技术手段，如机器视觉，对电梯入口进行智能监控和管理，成为解决该问题的关键。本文围绕基于机器视觉的电动车电梯入口识别与阻止系统进行深入研究，探讨其设计、实现及效果。

一、系统设计与实现

（一）系统总体架构

本研究提出的电动车电梯入口识别与阻止系统，乃是基于多层次架构设计而成，目标在于追求高效与精确。架构之核心，可分为三大部分：数据搜集部件、图像处理与辨识部件以及制约机制控制部件。数据采集模块承担着对电梯入口区域执行实时监控的任务，利用先进的高清摄像头捕捉图像信息。图像处理与识别单元构成了系统的核心部分，采用尖端视觉机器与深度智慧算法，对搜集到的画面进行探究，以便确认电动车之存在。一旦确认电动车阻止机制的控制模块将会被激活，采用物理屏障或警报设备，以防止电动车进入电梯，请立即通知相关部门人员进行处理。系统之内，设有用户界面，以便观测系统运行状况，对各项参数进行适度调整，同时提供相关报告及警示记录。

（二）机器视觉模块设计

电动车电梯入口识别与阻止系统的核心在于机器视觉模块的设计。图像采集与图像识别，构成了此模块的两大核心。在图像采集环节，选用高分辨率、低光敏感度的摄像头来进行捕捉，务必使图像在各种光线环境下均保持优良品质。监控设备的部署与视角选择均经过细心筹划，为确保电梯入口的视野清晰，每个区域均得以覆盖，减少盲区。在图像识别领域，深度学习技术得到了广泛应用，培养一具卷积神经网络（CNN）之身，使其洞悉电动车之特质。此模型经过众多真实环境中的电动汽车图像的悉心培养，力求提升辨识的精准性与坚韧性。机器视觉部分，内含实时运算方法，以达成迅速反应之目标。一旦系统检测到电动车企图进入电梯，便会立即激活预先设定的防护措施，确保电梯安全。此模块的核心在于确保高识别率和低误报率，从而使系统既有效又可靠[1]。

二、图像处理与识别技术

（一）图像采集与预处理

在此系统中，图像捕获与初步处理的优化显得尤为关键，为确保在接下来的深度学习识别环节中取得最佳成果。尖端摄像设备在常规光照环境下，便能捕捉到明亮的画面，在较低光照条件下，该设备仍能保持图像清晰度和细节，确保有效工作。因此，摄像设备性能的提升对于获取优良图像具有重要意义。收集到的影像即时送达中央处理器进行初步处理，这是一步至关重要的进程，目的在于提升图像之精美，为确保识别算法之精确性，需为其提供明确无误的输入。在预处理阶段，首要任务便是对噪声进行削减，这一步骤能够消除摄像头感光元件与环境干扰带来的图像噪点，从而使图像变得更加明朗。

该系统已运用了高度智能的自适应策略，这些算法具备根据环境光线条件及其他相关因素，对图像处理参数如曝光度和色彩平衡进行动态调整的能力。这暗示着无论光照程度如何，计算机程序善于捕捉最适合识别的图像。例如，在阳光直射或逆光环境中，自适应算法会相应调整相机的参数，设法降低过度曝光或提升背光区域的可见程度。此种敏捷与变通对于实务操作具有深远影响，此外确保在各种实际情境下皆可获取优良图像。对图像采集与预处理环节的细致筹划与精确优化，保障图像品质达到较高水准，为深度学习模型输入提供了优质素材，此为提升辨识速度与精确度之关键。凭借此类技术手段，图像的处理变得迅速且高效，在确保电动车辨识精确的前提下，延迟时间大幅缩短，为确保电梯安全，技术力量提供了稳固的支撑。

（二）深度学习算法在识别中的应用

深度学习算法的应用是本系统的核心技术之一，特别是在图像识别方面的应用。系统采用了卷积神经网络（CNN）模型，这种模型在图像识别领域表现出色，能够有效识别和区分电动车与其他物体。CNN模型通过多层次的网络结构提取图像特征，从基本的形状和边缘到复杂的纹理和模式，逐步深入，实现对电动车特征的精准捕捉。为了训练这一模型，收集了大量包含电动车的图像数据，包括不同型号、尺寸和颜色的电动车，以及在各种环境和光照条件下的电动车图像。通过这些数据，模型学习到如何区分电动车与人群、宠物、购物车等其他物体。训练完成的CNN模型具有高度的灵活性和适应性，能够在实际环境中快速准确地识别电动车。在系统运行过程中，一旦摄像头捕获到图像，CNN模型即刻分析并判断是否存在电动车，其高效的处理速度和准确率极大地提升了电梯入口的安全管理水平

[2]。

三、阻止机制与安全保障

（一）自动阻止机制设计

自动阻止机制的设计是基于机器视觉的电动车电梯入口识别与阻止系统的关键组成部分，旨在实现快速而有效的安全干预。该机制包括两个主要部分：物理阻挡装置和电子警报系统。物理阻挡装置设计为一套自动门或栅栏，与电梯门同步工作，当系统检测到非法电动车试图进入电梯时，自动门迅速关闭或栅栏升起，阻止电动车的进入。为了避免对人员造成伤害，该阻挡装置设计有必要的安全保护措施，如感应避障、紧急停止按钮等。电子警报系统则是通过声光警报，向周围的人员和安全管理人员发出警告。当电动车被识别并触发阻止机制时，系统会发出明显的声音和光信号，提醒人们注意安全，同时通过网络将警报信息实时传输至管理中心，确保迅速的人工干预。这种设计不仅有效地阻止了电动车的非法进入，同时也保证了非违规用户的安全和电梯的正常使用。

（二）安全性能评估与测试

为确保各项事务顺利推进，保持稳固与高效，对各项安全性能进行了全面的评估与检测。此过程可分为数个阶段，首当其冲者为模拟环境下之测验，通过再现各类应用情境，涵盖电动汽车的速率、方位及尺寸的多样性，检验识别技术的精确度与反应速度。在多个电梯入口实地测试后，系统得以成功部署，在现实环境中捕获性能指标，审视日常运作中，系统之效能得以显现。在这些试验中，我们重点关注系统的错误报警率和遗漏报警率，旨在确保正常使用者不受影响的同时，又能切实防止电动车通行。除此之外，对安全性能的评估还涵盖了系统稳定性和耐用性的检验。长时间的运行测试是为了核实系统在持续运作过程中的稳定性，避免系统故障或性能衰退的现象。耐用性测试为系统组件提供坚实保障，尤其是物理阻隔设备在长期运用过程中的稳定性和抗磨损性能。经此全面检测，系统安全性能得以充分确认，保证了其于实践之中之高效且可靠。最终经检验，这些评估与测试表明系统在不同环境下均能保持稳定运行，务必遏制电动车非法入侵，同时保障乘客和使用者的安全[3]。

结束语：

通过本研究，成功开发出一套基于机器视觉的电动车电梯入口识别与阻止系统。该系统不仅能准确识别电动车，还能自动执行阻止操作，显著提升了电梯的安全性。未来，此系统有望在更多电梯安全管理领域得到广泛应用，为解决类似安全问题提供了有效的技术支持和实践参考。

参考文献

[1]王卫东,季启明,王东华.基于人像识别的电梯智能群控技术研究[J].机械制造,2023,61(12):1-3+10.

[2]周永强,王万军,杨浩等.基于图像识别与信息融合的电梯智能阻车系统研究[J].机电工程技术,2023,52(09):141-144.

[3]张枫.基于机器视觉的人脸检测与识别算法研究及手扶电梯场景下的实现[D].华南理工大学,2019.

本文为河南省教育厅2021年大学生创新创业训练计划项目“基于机器视觉的预防电动车进电梯的检测装置”（编号：S202112746044）、郑州科技学院2021年大学生创新创业训练计划项目“基于机器视觉的预防电动车进电梯的检测装置”（编号：DC202144）阶段性成果