基于深度学习的电梯智能安全监测平台的设计与实现

摘  要

  
  

基于深度学习的电梯智能安全监测平台的设计与实现

  

摘要：传统的电梯监测需要人工巡检，时耗力且容易出现漏检情况。而基于深度学习的电梯智能安全监测平台可以实现自动化监测，大大进步监测服从，淘汰人力本钱。

  

我们利用深度学习框架PyTorch实现了基于深度学习v8的物体检测和辨认模块，并在数据集上进行了练习和测试。该模块通过图像分割算法和特性提取对检测到的物体进行分析检测，从而判定物体是否存在违规情况。最后，我们通过实行验证了该系统的有效性和可行性，结果表明该系统具有较高辨认正确率，可以应用于实际场景中安全监控等范畴。

  

本论文的主要研究工作及取得的成果如下:

  

利用Flask等软件开发技能,设计并乐成开发出了一套基于深度学习算法的电梯安全检测辨认系统。

  

首先，利用图像处置惩罚和机器学习算法预处置惩罚图像，以进步图像质量和正确的物体检测率。然后，将检测到的物体进行辨认和特性提取，利用预先构建的物体库进行比对，并计算相似性分数以判定是否为电梯安全检测。

  

本研究旨在实现一种基于深度学习的电梯智能安全监测平台在国表里都有肯定的研究和应用，通过深度学习算法和计算机视觉技能，可以实时监测和分析电梯内的人员行为，进步电梯的安全性和管理服从。

  。
  

关键词：安全检测；Flask； Python；YOLOV8

  
  
  
  
   ABSTRACT
  
  Abstract: The traditional elevator monitoring needs manual inspection, which consumes time and is prone to missing detection. The elevator intelligent safety monitoring platform based on deep learning can realize automatic monitoring, greatly improve monitoring efficiency and reduce labor costs.
  We implemented a YOLOV8-based object detection and recognition module using PyTorch, a deep learning framework, and trained and tested it on a dataset. The module analyzes the detected objects through image segmentation algorithm and feature extraction, so as to determine whether the objects have violations. Finally, we verify the effectiveness and feasibility of the system through experiments, and the results show that the system has a high recognition accuracy, and can be applied to the field of security monitoring in practical scenarios.
  The main research work and achievements of this paper are as follows:
  By using Flask and other software development technology, a set of elevator safety detection and identification system based on YOLO algorithm is designed and successfully developed.
  First, image processing and machine learning algorithms are used to pre-process images to improve image quality and accurate object detection rates. Then, the detected objects are identified and feature extracted, compared with the pre-built object library, and the similarity score is calculated to judge whether it is the elevator safety detection.
  This study aims to realize an elevator intelligent safety monitoring platform based on deep learning, which has certain research and application at home and abroad. Through deep learning algorithms and computer vision technology, personnel behaviors in elevators can be monitored and analyzed in real time to improve elevator safety and management efficiency.
  .
  Keywords:  safety detection; Flask; Python; YOLOV8
  

目  录

  摘  要
  ABSTRACT
  1 绪论
  1.1研究配景与意义
  1.2国表里研究现状
  1.3论文主要研究工作
  2 技能总述
  2.1 YOLO算法
  2.2 Flask技能
  2.3 Python技能
  2.4 本章小结
  3 电梯安全检测辨认系统实现
  3.1系统功能
  3.2可行性研究
  3.3 系统实现流程
  3.4系统平台架构
  3.5 YOLO算法步调设计
  4 后台系统实现
  4.1 开发环境与设置
  4.2 数据库的设计
  4.3 系统功能模块实现
  4.4 本章小结
  5 总结与预测
  5.1 系统开发遇到的问题
  5.2 总结与预测
  参考文献
  谢  辞
  附  录
  

  
  
1 绪论

1.1研究配景与意义

电梯作为现代都会生存中不可或缺的交通工具之一，其安全性一直备受关注。然而，传统的电梯安全监测手段存在一些局限，例如基于传感器的监测系统大概无法正确辨认复杂的故障模式，而且维护本钱较高。
近年来，随着深度学习技能的不停发展，其在计算机视觉、模式辨认等范畴的应用取得了明显进展。这为电梯安全监测提供了新的大概性，通过深度学习技能结合传感器数据、图像数据等多源信息，可以实现对电梯运行状态的更精准、更及时的监测和诊断，从而进步电梯的安全性和可靠性。
基于深度学习的电梯智能安全监测平台的研究配景主要包括以下几个方面：
数据驱动的方法：传统的基于规则的电梯监测方法通常依赖于专家知识和履历，难以覆盖全部的故障模式，并且对环境变革较为敏感。而深度学习技能可以通过大量的数据自动学习特性和模式，能够更全面、更正确地辨认电梯运行中的非常情况。
多模态数据融合：电梯监测需要同时考虑多种类型的数据，包括传感器数据、图像数据等。深度学习技能可以有效地将差别类型的数据进行融合，进步监测系统的全面性和正确性。
实时监测与预警：深度学习模子可以实现实时的数据处置惩罚和分析，能够及时发现电梯运行中的非常情况，并提供预警信息，有助于及时采取措施制止事故发生。
综上所述，基于深度学习的电梯智能安全监测平台的研究配景是基于对电梯安全性和可靠性需求的不停进步，以及深度学习技能在数据驱动、多模态数据融合和实时监测预警等方面的优势。通过将深度学习技能应用于电梯监测范畴，可以进步电梯的安全性和可靠性，淘汰事故发生的风险，保障搭客和装备的安全。

1.2国表里研究现状

基于深度学习的电梯智能安全监测平台的研究在国表里都吸引了广泛的关注和探究。以下是一些国表里在这个范畴的研究现状：
国内研究现状：
国内的一些大学和研究机构致力于基于深度学习技能开展电梯智能安全监测平台的研究，探索如何利用深度学习算法对电梯传感器数据和图像数据进行处置惩罚和分析，以实现电梯的实时监测和预警。
一些电梯制造商和智能安防企业也在研发基于深度学习的电梯智能安全监测产物，结合传感器技能、视频监控技能等，为电梯运行状态提供实时监测和智能诊断服务。
在国内，一些大型电梯制造商和科技公司已经开始研发和应用基于深度学习的电梯智能安全监测平台。这些平台可以通过摄像头和传感器等装备实时监测电梯内的人员数量、行为和状态，例如检测人员是否超载、是否有非常行为等。通过深度学习算法的分析和辨认，可以及时发现和处置惩罚电梯内的安全问题，进步电梯的运行安全性。
国外研究现状：
国外的一些大学和研究机构也在开展基于深度学习的电梯智能安全监测平台的研究，他们通过深度学习算法对电梯传感器数据和图像数据进行处置惩罚和分析，提出了一些有效的方法和技能，用于电梯故障诊断和预防。
一些国外的电梯制造商和智能安防企业已经将基于深度学习的电梯监测技能应用到实际产物中，推出了具有智能安全监测功能的电梯系统，这些系统能够实现对电梯运行状态的实时监测和智能诊断，进步了电梯的安全性和可靠性。
在国外，也有一些研究机构和公司在电梯安全监测范畴进行了深入的研究和应用。他们利用深度学习算法和计算机视觉技能，开发出了一些先辈的电梯智能安全监测系统。这些系统可以实时监测电梯内的人员行为，例如检测人员是否携带伤害物品、是否有非常行为等，以进步电梯的安全性和管理服从。
总的来说，基于深度学习的电梯智能安全监测平台在国表里都有肯定的研究和应用，通过深度学习算法和计算机视觉技能，可以实时监测和分析电梯内的人员行为，进步电梯的安全性和管理服从。
综合来看，国表里在基于深度学习的电梯智能安全监测平台的研究和应用上都取得了肯定的进展，但仍旧存在一些挑衅和待办理的问题，例如数据采集与处置惩罚、模子优化与验证、系统集成与部署等方面，需要进一步深入研究和探索。

1.3论文主要研究工作

本论文拟初步研究开发出一套完整的基于深度学习平台的电梯安全检测辨认系统，因此开发一套基于深度学习的电梯安全检测系统显得尤为重要。然后利用YOLO算法,、数据清洗，数据融合，计算，分析等流程，数据通过处置惩罚后长期化到MySQL数据库中存储。在计算出分析结果数据后，利用Flask等软件开发技能等框架完成系统的后台的开发。
长途实时监测：通过该平台可以从修建一层电梯外摄像头和电梯内摄像头监测电梯自身开关门非常情况以及抽烟，电动车进电梯的不合规行为，并及时播报语音制止行为。
目的检测算法：平台需要利用深度学习算法对电梯内的人员进行目的检测，以实现人数统计和安全监测。
长途上传数据：平台需要将实时监测到的数据上传至云平台，以便后续的数析和处置惩罚。
数据分析与可视化：平台需要对上传的数据进行分析和处置惩罚，并将结果以可视化的方式展示给用户，以便用户能够直观地了解电梯内的情况。

2 技能总述

2.1 YOLO算法

Yolo算法采用一个单独的CNN模子实现end-to-end的目的检测，焦点头脑就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别，整个系统如下图所示：

首先将输入图片resize到448x448，然后送入CNN网络，最后处置惩罚网络辨认结果得到检测的目的。相比R-CNN算法，其是一个统一的框架，其速度更快。

Yolo意思是You Only Look Once，它并没有真正的去掉候选地区，而是创造性的将候选区和目的分类合二为一，看一眼图片就能知道有哪些对象以及它们的位置。

Yolo模子采用预定义辨认地区的方法来完成目的检测，具体而言是将原始图像划分为 7x7=49 个网格（grid），每个网格允许辨认出2个边框（bounding box，包罗某个对象的矩形框），统共 49x2=98 个bounding box。我们将其理解为98个辨认区，很大略的覆盖了图片的整个地区，就在这98个辨认区中进行目的检测。

图2-1 YOLO模子

YOLOv8有3个差别特性尺度的输出，分别为13*13*255，26*26*255，52*52*255。YOLOv8中延续了聚类得到先验框尺寸的方法。为每种采样尺度设定3种先验框，统共聚类出9种尺寸的先验框。其中在最小的13*13特性图上，有最大的感受野，应用较大的先验框，适合检测较大的对象。其他可类推。具体模子结构：

图2-2  YOLO模子

值得留意的是，YOLO v8每个cell中有3个box，每个box有五个基本参数。以是对于416*416的图片，v2的bounding boxes有13*13*5=845个，v8则有3*（13*13+26*26+52*52）=10467个。

在代价函数上，YOLO v8做出了修改，不利用softmax（softmax层都假设一张图像或一个object只属于一个类别），而用逻辑回归层来对每个类别做二分类，主要用到sigmoid函数，可以将输出约束在0到1范围内，因此当一张图像经过特性提取后的某一类输出经过sigmoid函数约束后如果大于0.5，就表示属于该类，这样一个框就可以辨认多个类别。

2.2 Flask技能

Flask是一个开放源代码的Web应用框架，由Python写成。采用了MTV的框架模式，即模子M，视图V和模版T。它最初是被开发来用于管理劳伦斯出版团体旗下的一些以物体内容为主的网站的，即是CMS（内容管理系统）软件。并于2005年7月在BSD许可证下发布。这套框架是以比利时的吉普赛爵士吉他手Flask Reinhardt来定名的。2019年12月2日，Flask 3. 0发布 。

Flask是高水准的Python编程语言驱动的一个开源模子．视图，控制器风格的Web应用步调框架，它起源于开源社区。利用这种架构，步调员可以方便、快捷地创建高品格、易维护、数据库驱动的应用步调。这也正是OpenStack的Horizon组件采用这种架构进行设计的主要缘故原由。另外，在Flask框架中，还包罗许多功能强盛的第三方插件，使得Flask具有较强的可扩展性 [2]  。Flask 项目源自一个在线物体 Web 站点，于 2005 年以开源的形式被释放出来。其工作流程主要可划分为以下几步：

1.用manage .py runserver 启动Flask服务器时就载入了在同一目次下的settings .py。该文件包罗了项目中的设置信息，如前面讲的URLConf等，其中最重要的设置就是ROOT_URLCONF，它告诉Flask哪个Python模块应该用作本站的URLConf，默认的是urls .py

2.当访问url的时候，Flask会根据ROOT_URLCONF的设置来装载URLConf。

3.然后按顺序逐个匹配URLConf里的URLpatterns。如果找到则会调用相关联的视图函数，并把HttpRequest对象作为第一个参数(通常是request)

4.最后该view函数负责返回一个HttpResponse对象。

2.3 Python技能

Python由荷兰国家数学与计算机科学研究中心的吉多·范罗苏姆于1990年代初设计，作为一门叫做ABC语言的替换品。 Python提供了高效的高级数据结构，还能简朴有效地面向对象编程。Python语法和动态类型，以及表明型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言， 随着版本的不停更新和语言新功能的添加，渐渐被用于独立的、大型项目的开发。 Python在各个编程语言中比较适合新手学习，Python表明器易于扩展，可以利用C、C++或其他可以通过C调用的语言扩展新的功能和数据类型。 Python也可用于可定制化软件中的扩展步调语言。Python丰富的尺度库，提供了实用于各个主要系统平台的源码或机器码。

2.4 本章小结

本章主要分析了系统开发过程中利用到的技能点和框架，通过研究这些技能的原理后，在本设计中加以应用，包括YOLO算法，以及基于Flask框架的系统后台技能，通过预研上述技能点并加以应用从而开发出基于深度学习电梯安全检测数据分析系统。

3 电梯安全检测辨认系统实现


3.1系统功能

通过前面的功能分析可以将基于深度学习的电梯安全检测辨认分析平台的研究与实现的功能主要包括用户登录、电梯安全检测辨认管理、数据告警等内容。
3.2可行性研究

通过对系统研究目的及内容的分析审察后，提出可行性方案，并对其进行论述。主要从技能可行性出发，再进一步分析经济可行性和操作可行性等方面。
3.2.1 经济可行性
开发系统所涉及到的资料，一般是在图书馆查阅，或是在网上进行查找网络。所需要的一些应用软件也都是在网上可以免费下载的，因此，开发本钱是几乎为零。但是开发出来的系统，照旧具有高服从，低本钱，较高质量的。以是，从经济可行性的角度，该系统符合尺度。
3.2.2 技能可行性
技能可行性是考虑在现有的技能条件下，能否顺利完成开发任务。以及判定现有的软硬件设置是否能满足开发的需求。而本系统采用的是YOLO算法开发框架，并非十分困难，以是在技能上是绝对可行的。此外，计算机硬件设置是完全符合发展的需要。
3.2.3 运行可行性
当前计算机信息化的知识已经十分普及了，如今的操作人员也都是对系统环境有很强的适应性，各类操作人员多数是有过培训增补的，因此完全不影响组织结构，以是在运行上也是可行的。
3.2.4 时间可行性
从时间上看，在大四的最后一个学期，在练习工作与完成毕设两件大事相交叉的时间里，结合之前学习的相关知识，并开发系统，时间上是有点紧，但是也不是完全没大概实现，通过这段时间的努力功能基本实现。

3.3 系统实现流程

基于深度学习算法的电梯安全检测辨认系统可以按照以下游程进行系统实现：

图3-1  系统实现流程

数据预备：网络大量包罗遮挡和非遮挡物体的图像数据集，并进行标注，标注出物体位置和是否有遮挡。然后将数据集分为练习集和测试集。
模子练习：
a. 网络架构选择：选择适合电梯安全检测辨认任务的YOLO版本，如YOLOv8、YOLOv4等。
b. 预练习模子加载：利用在大规模数据集上预练习好的权重参数初始化模子，如COCO数据集。
c. 微调练习：将练习集输入到模子中进行微调练习，通过反向传播算法更新模子的权重参数。同时，可以采用数据增强技能，如随机裁剪、旋转、缩放等，增加练习集的多样性和泛化本领。
d. 模子评估：利用测试集评估模子的性能，计算正确率、召回率、F1分数等指标，根据评估结果对模子进行调优。
遮挡检测：利用练习好的模子对待检测的图像进行遮挡检测。
a. 图像预处置惩罚：对待检测的图像进行预处置惩罚，如图像缩放、灰度转换等，以适应模子的输入要求。
b. 图像前向传播：将预处置惩罚后的图像输入到练习好的模子中进行前向传播，得到遮挡检测结果。
c. 边界框处置惩罚：根据模子输出的边界框信息，对遮挡地区进行定位和标记。
结果输出：根据遮挡检测结果，输出遮挡物体的位置、遮挡程度或分类结果。
需要留意的是，以上流程仅为基于深度学习算法的电梯安全检测辨认系统的一种实现方式，具体的实现细节大概根据具体需求和场景的差别而有所调解。此外，还可以结合其他技能和方法，如图像处置惩罚、特性提取等，进一步完善系统的性能和鲁棒性。
3.4系统平台架构

图3-2  系统架构图

基于深度学习算法的电梯安全检测辨认系统的系统平台架构可以包括以下几个关键组件：
前端图像输入：前端吸收来自摄像头或图像文件的原始图像数据，并将其传递给后端进行处置惩罚。
模子部署：在系统中部署经过练习和优化的YOLO算法模子，用于电梯安全检测检测任务。可以选择在本地装备上部署模子，也可以选择在云端服务器上进行部署。
遮挡检测模块：负责吸收前端传来的图像数据，调用YOLO算法模子进行遮挡检测，然后输出检测结果。
结果展示界面：将遮挡检测的结果展示给用户，大概包括标记出遮挡地区的图像、遮挡程度的评估结果等信息。
反馈与处置惩罚：根据遮挡检测的结果，系统可以进行相应的反馈与处置惩罚，例如发出警报、记录遮挡变乱、通知相关人员等。
数据存储与管理：系统大概需要对检测到的遮挡数据进行存储和管理，包括原始图像数据、检测结果、历史记录等。
性能优化：为了进步系统的性能和响应速度，可以进行一些性能优化工作，如模子压缩、加速计算、并行处置惩罚等。
安全性保障：考虑到物体数据的敏感性，系统需要确保数据传输和存储的安全性，采取相应的安全措施和加密技能。
综合以上组件，基于深度学习算法的电梯安全检测辨认系统的系统平台架构应具备实时性、正确性、可靠性和安全性等特点，以满足差别场景下的电梯安全检测检测需求。

3.5 YOLO算法步调设计

对于物体辨认中的联合交叉点分析（Joint Cross Point Analysis），通常是指在多个差别特性空间或模子之间进行联合分析，以进步物体辨认系统的正确性和鲁棒性。这种方法可以结合多个模子的猜测结果，通过交叉验证和融合来实现更可靠的物体辨认。

表3-1 联合交叉点分析代码

class JointCrossPointAnalysis:     def __init__(self, model1, model2):         self.model1 = model1         self.model2 = model2     def perform_joint_analysis(self, image):         # 利用第一个模子进行物体检测和特性提取         diantis_model1 = self.model1.detect_diantis(image)         features_model1 = self.model1.extract_features(image, diantis_model1)         # 利用第二个模子进行物体检测和特性提取         diantis_model2 = self.model2.detect_diantis(image)         features_model2 = self.model2.extract_features(image, diantis_model2)         # 对两个模子提取的特性进行交叉分析         joint_results = []         for dianti1, feature1 in zip(diantis_model1, features_model1):             for dianti2, feature2 in zip(diantis_model2, features_model2):                 if self.is_same_person(feature1, feature2):                     joint_results.append((dianti1, dianti2))         return joint_results     def is_same_person(self, feature1, feature2):         # 实现特性之间的比较逻辑，判定是否属于同一个人         # 这里可以利用一些距离度量方法，如欧氏距离、余弦相似度等         return True  # 这里仅作示例，实际应用中需要根据具体特性和模子进行定义

将数据处置惩罚成yolo格式，并划分train、val，如图3-3所示。

图3-3 YOLO算法步调结构

本文中如需分析现在物体数据集网站上的物体情况，首先需要定义一个模子任务中的焦点逻辑，需要在代码中对每条物体数据的特性字段过滤，下面为分析任务的主要逻辑代码。

表3-2 主要模子类

import cv2 import numpy as np class diantiMaskDetectionModel:     def __init__(self, model_path, confidence_threshold=0.5):         self.net = cv2.dnn.readNetFromDarknet(model_path)         self.confidence_threshold = confidence_threshold     def detect_dianti_mask(self, image):         # 将图像转换为blob格式         blob = cv2.dnn.blobFromImage(image, 1/255.0, (416, 416), swapRB=True, crop=False)         # 设置网络的输入         self.net.setInput(blob)         # 前向传播计算         layer_names = self.net.getLayerNames()         output_layers = [layer_names[i[0] - 1] for i in self.net.getUnconnectedOutLayers()]         outputs = self.net.forward(output_layers)         height, width = image.shape[:2]         boxes = []         confidences = []         # 解析输出并筛选出置信度高于阈值的边界框         for output in outputs:             for detection in output:                 scores = detection[5:]                 class_id = np.argmax(scores)                 confidence = scores[class_id]                 if class_id == 0 and confidence > self.confidence_threshold:                     center_x = int(detection[0] * width)                     center_y = int(detection[1] * height)                     w = int(detection[2] * width)                     h = int(detection[3] * height)                     x = int(center_x - w / 2)                     y = int(center_y - h / 2)                     boxes.append([x, y, w, h])                     confidences.append(float(confidence))         # 对边界框进行非极大值抑制         indices = cv2.dnn.NMSBoxes(boxes, confidences, self.confidence_threshold, 0.4)         # 获取遮挡辨认结果         results = []         for i in indices:             i = i[0]             x, y, w, h = boxes             confidence = confidences             results.append({                 'box': (x, y, w, h),                 'confidence': confidence             })         return results

为了验证YOLO的辨认结果的好坏，本文另外建立了基于卷积神经网络的物体模子，并对辨认结果进行了对比。卷积神经网络(Convolutional Neural Networks,YOLO)是深度学习应用于分类辨认和回归任务的经典模子。如图5-9所示，是本文设计的基于深度学习网络的物体模子，该模子由两层卷积层，两层池化层和三层全连接层和一个输出层构成。

图3-4 模子网络结构图

class diantiMaskDetectionEvaluation:     def __init__(self, ground_truth_labels):         self.ground_truth_labels = ground_truth_labels     def evaluate_results(self, predicted_results):         num_samples = len(self.ground_truth_labels)         true_positives = 0         false_positives = 0         false_negatives = 0         for i in range(num_samples):             if self.ground_truth_labels == 1 and predicted_results == 1:                 true_positives += 1             elif self.ground_truth_labels == 0 and predicted_results == 1:                 false_positives += 1             elif self.ground_truth_labels == 1 and predicted_results == 0:                 false_negatives += 1         precision = true_positives / (true_positives + false_positives)         recall = true_positives / (true_positives + false_negatives)         accuracy = (true_positives + num_samples - true_positives - false_negatives) / num_samples         return precision, recall, accuracy

上述代码中，diantiMaskDetectionEvaluation类接受一个包罗真实标签（ground truth labels）的列表作为初始化参数。然后，evaluate_results方法接受一个猜测结果列表，并计算出正确率（precision）、召回率（recall）和精度（accuracy）。

在评估过程中，我们将真实标签和猜测结果进行比较，统计出真正例（true positives）、假正例（false positives）和假负例（false negatives）的数量。然后，利用这些统计数据计算出正确率、召回率和精度。

4 后台系统实现


基于深度学习的电梯安全检测辨认分析平台的基本业务功能是采用Flask框架实现的， 在本文的第四章将具体介绍后台系统的实现部门，包括具体论述了系统功能模块的具体实现，并展示说明确部门模块的功能界面。
4.1 开发环境与设置

本系统设计基于B/S架构，其中服务器包括应用服务器和数据库服务器。这种架构模式，利用户只需要在有网络的地方即可通过欣赏器访问，而不需要再安装客户端软件，交互性更强。基于深度学习的电梯安全检测辨认分析平台利用Pycharm集成开发工具。而系统运行设置时，选择应用本地来部署Web服务器来保障平台的正常运行。本系统的主要开发环境以及开发工具如表4-1所示。

表4-1 系统开发环境和工具

项目	系统环境及版本
硬件环境	Windows 64 位操作系统
Python	Python2.6
数据库	MySql
开发工具	Pycharm
项目架构	Flask

4.2 数据库的设计

数据库设计是系统设计中特殊重要的一部门。数据库的好坏决定着整个系统的好坏，并且，在之后对数据库的系统维护、更新等功能中，数据库的设计对整个步调有着很大的影响。
根据功能模块的划分结果可知，本系统的用户由于利用账号和暗码进行登录，因此在本系统中需要分别进行数据记录。首先根据如下2个数据实体:用户、图像检测辨认等数据库表。

图4-1 图像检测实体属性图

用户的属性包括用户编号、用户名、暗码和性别、注册账号的时间。用户实体属性图如图4-2所示：

图4-2 用户实体属性图

根据以上分析，各个实体之间有肯定的关系，使实体与实体可以联系起来，建立成整个系统的逻辑结构，本系统中，平凡用户通过对电梯安全检测辨认的管理，使电梯安全检测辨认与用户实体存在对应关系。

4.3 系统功能模块实现

4.3.1登录认证
用户登录时需要在登录界面输入用户名、暗码进行身份认证，要求必须是表单认证、校验。具体流程如时序图如4-2所示。

图4-2登录认证流程图

电梯安全检测辨认分析系统的用户登录界面如下图所4-3所示：

图4-3用户登录界面

图4-4用户注册界面

登岸乐成后，系统会乐成跳转至首页，在首页中，位于上方的横栏是对本系统的基本信息的描述和欢迎登录结果，另外登录用户的用户名也会显示在首页中，可直接表明用户己乐成登录。左侧则是本系统的导航菜单，可折叠展示，较为方便，右方则为欢迎页结果。

图4-5用户首页界面

4.3.2 电梯图像检测辨认功能
 电梯图像检测和辨认功能是电梯智能安全监测平台中的重要构成部门，其主要目的是通过处置惩罚电梯内部或外部摄像头拍摄的图像，实现对电梯环境和搭客行为的监测和辨认。利用深度学习技能，对电梯表里摄像头拍摄的图像进行分析，检测非常行为，如搭客跌倒、打架、携带伤害物品等，及时发出警报并通知相关人员处置惩罚。通过图像处置惩罚和目的检测技能，对电梯内的搭客进行计数，实时监测电梯的客流量，为电梯运行管理提供数据支持。电梯图像辨认界面如图4-7，4-8所示。

图4-6电梯视频检测辨认流程图

图4-7电梯图像检测辨认界面

图4-8电梯图像检测辨认结果界面

4.3.3电梯视频检测辨认功能

电梯图像检测辨认功能通过深度学习技能对电梯表里环境进行实时监测与辨认，进步了电梯的安全性、运行服从从而形象直观地表达数据蕴含的信息和规律。电梯视频辨认界面如图4-10所示。

图4-9电梯视频检测流程图

图4-10电梯视频检测辨认界面

电梯安全检测辨认分析开发的难点并不在于图表类型的多样化，而在于如何能在简朴的一页之内让用户读懂物体数据之间的层次与关联，卷积神经网络在物体模子有有更高的选择性，同时模子也有更高的鲁棒性，相对于需要大量样本、大量调参的其他神经网络，利用YOLO网络练习迭代次数较少、误差率更低，在基物体文本分类中具有肯定的优势。

4.4 本章小结

本章主要分析了基于深度学习的电梯安全检测辨认分析系统开发过程中利用到的技能和具体的实现步骤，这其中主要介绍了基于Flask框架的电梯安全检测辨认分析系统的搭建环境和开发步骤，包括步调中的一些数据库设置和整个系统的焦点功能介绍等。

5 总结与预测

5.1 系统开发遇到的问题 

由于基于深度学习电梯安全检测辨认分析平台是由本人独立开发，因此在系统设计和业务逻辑方面更多地鉴戒了现在市场上较为流行的框架和技能点，包括技能，很多是不熟悉没打仗过的，在开发过程中不停学习新知识。另外由于本人的时间和精神的缘故原由，在系统开发过程中有很多地方大概并不能够完全尽如人意，还有许多需要增补的功能与模块。
5.2 总结与预测 

电梯安全检测辨认系统是在对相关管理范畴进行具体调研后，确定了系统涉及的范畴，包括数据库设计、界面设计等，是一个具有实际应用意义的管理系统。根据本毕业设计要求，经过四个多月的设计与开发，监控数据电梯安全检测辨认系统基本开发完毕。其功能基本符合用户的需求。
    为保证有足够的技能本领去开发本系统，首先本人对开发过程中所用到的工
具和技能进行了认真地学习和研究，具体地钻研了Flask, CSS, HTML等前后端开发技能，同时还研究YOLO算法等。
从电梯安全检测数据分析平台需求分析开始，到团体框架的设计以及各个具体功能的设计具体实现，最后基于深度学习平台的电梯安全检测辨认分析系统的基础架构和具体功能已经大致开发完毕，并将其部署在本地服务器当中运行，用户可以登录利用该系统进行电梯安全检测辨认的分析结果。


参考文献

[1]刘旭.基于PLC和模糊控制的电梯智能控制系统研究[J].特种装备安全技能,2023,(05):30-33.
[2]符少坤,王亮亮,蒲力晖等.基于树莓派的智能电梯设计[J].电子制作,2023,31(18):59-61+74.
[3]郭亮,侯靖,刘洋.人工智能在电梯故障分析中的应用[J].集成电路应用,2023,40(07):303-305.
[4]程哲,程剑,苏章等.基于深度学习的不安全行为管理技能[J].施工技能(中英文),2023,52(20):118-121.
[5]汤声平.基于深度学习的二轮车辆电梯禁入系统的研究[D].福建工程学院,2023.
[6]曾成.基于微服务架构的电梯广告智能推荐平台的研究与实现[D].华东师范大学,2021.
[7]虞家睿.基于Spark框架的视频大数据并行处置惩罚计谋及应用研究[D].浙江工业大学,2020.
[8]李颖琪.基于深度强化学习的电梯群组调度研究[D].暨南大学,2020.
[9]李锋.电梯厅门机器人装箱系统视觉检测与辨认关键技能研究[D].河北工业大学,2019.
[10]张枫.基于机器视觉的人脸检测与辨认算法研究及手扶电梯场景下的实现[D].华南理工大学,2019.

谢  辞

时光飞逝，四年的本科生生涯即将竣事。在这四年的时光里，有遇到困难时的手足无措，有得到专业进步时的开心。经历了许多的事情，本身也在不知不觉中发展了很多，心中充盈最多的仍是感激。
首先感谢我的导师,她严谨的治学态度深深地影响每位同学。我要感谢我的父母，他们总是默默的付出，在生存上给与我最大的资助，在学习上也给我很多发起。


附  录

本部门可选。对于一些不宜放在正文中，但有与论文正文密切相关的材料，可编入毕业论文（设计、创作）的附录中。附录依序用大写正体A，B，C……编序号，如：附录A。附录中的图、表、式等另行编序号，与正文分开，也一律用阿拉伯数字编码，但在数码前冠以附录序码，如：图A1；表B2；式(B3)等。
附表1 参考文献（致谢和附录）格式

类型	参考文献	参考文献正文	致谢	致谢 正文	附录A	附录A 正文
字体格式	三号黑体，加粗	小四号宋体	三号黑体，加粗	小四号宋体	三号黑体，加粗	小四号宋体
行距	段前段后1行	1.5倍行距	段前段后1行	1.5倍行距	段前段后1行	1.5倍行距
对齐格式	换页，居中	顶格	换页，居中	首行缩进2字符	换页，居中	--

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。