摘要：随着电梯在日常生活中的普及，其安全运行问题日益受到公众关注。确保电梯运行的智能化与安全性，掌握电梯的动态运行状况，及时识别并处理潜在的安全隐患，对于维护电梯的正常运行状态及保障公众的生命财产安全至关重要。本文基于现有的电梯视频监控系统，探讨了通过图像识别技术实现电梯智能化运行的解决方案，并提出了相应的策略，旨在为相关领域的研究者和实践者提供参考。

关键词：卷积神经网络；图像识别技术；智能电梯；非机动车识别；火灾识别；

引言：

一、电梯智能化发展情况

近年来，物联网技术的蓬勃发展已逐渐渗透至多个领域，并在行业发展过程中发挥着至关重要的作用。在电梯行业，物联网技术的应用确保了电梯的安全运行。随着中国电梯保有量的持续增长，物联网技术推动的电梯安全监管智能化已成为行业发展的主要趋势。传统的监管模式，依赖于人工参与，将因物联网技术的融入而被彻底改变。电梯物联网技术的引入，使得电梯运行状态能够实时监控，故障能够被及时发现和处理，从而最大程度地保障乘客安全。通过构建电梯大数据中心，管理者能够对电梯运行状态进行实时远程监控，并及时应对各类事件及安全隐患。因此，电梯物联网技术未来将成为电梯制造企业的新兴发展方向，越来越多的制造商将物联网技术集成到电梯系统中，这亦是未来电梯行业发展的主要方向。

目前，国内外大量在用电梯仍处于智能化的初级阶段，尚未实现全面智能化。若要对现有电梯进行智能化改造，需增加电梯感知传感器、数据传输链路、后台数据感知分析系统等，但受到高投入和技术难度等多重因素的限制，这一目标难以完全实现。针对这一问题，本研究提出利用现有电梯监控系统，结合视频AI图像识别技术，实现一定程度的电梯智能管理功能，以满足现有电梯智能化管理的需求。

二、图像识别技术概述

1、卷积神经网络定义

卷积神经网络（CNN）是多层感知机（MLP）的一种变体。在20世纪60年代，Hubel等人通过对猫视觉皮层细胞的研究，提出了感受野的概念。旨在模拟视觉系统，实现即便在物体发生位移或轻微变形时，仍能完成识别任务。

当网络输入信号为图像时，其优势极为显著，图像可直接作为网络输入信号，省略了传统识别算法中复杂的数据重建和特征提取过程。在二维图像处理中，卷积神经网络能够自动识别提取形状、颜色及图像等拓扑结构在内的特征，并在处理缩放、位移及其他形式上展现出卓越的运算效率和鲁棒性。

卷积神经网络（CNN）的理论基础可追溯至20世纪60年代，但直至1980年代末期，得益于Yann LeCun等人的贡献，CNN才开始得到实际应用和普及。CNN的设计灵感源自生物视觉感知机制，特别是视网膜对视觉刺激的分层处理方式。早期研究者试图模仿生物视觉系统的特点，开发出能够执行类似任务的计算模型。

Yann LeCun于1989年利用反向传播算法训练了首个实际的CNN—LeNet-5，用于手写数字的识别。这一开创性研究展示了CNN在图像识别任务上的巨大潜力。然而，由于当时计算资源的限制和数据集规模较小，CNN的发展受到了限制。

21世纪初，特别是2012年AlexNet在ImageNet挑战赛上取得显著成绩之后，CNN开始迅速崛起。AlexNet的成功不仅证明了深度学习在图像识别领域的强大能力，也促进了GPU计算资源和大规模数据集在深度学习研究中的广泛应用。此后，一系列更深入和复杂的CNN结构被提出，例如VGG、GoogLeNet、ResNet等，这些网络在多个领域实现了前所未有的准确率，推动了计算机视觉和人工智能的快速发展。

近年来，CNN的应用已扩展至视频分析、自然语言处理、医学图像分析等多个领域。随着研究的深入，人们开始对CNN的内部工作机制有了更深入的理解，并引入了注意力机制、网络剪枝等技术，旨在提高网络的性能和效率。

尽管CNN在多个领域取得了巨大成功，但研究者们并未停止探索。随着新算法、新架构的不断涌现，例如Transformer在视觉领域的应用，以及对模型可解释性和效率的持续追求，CNN的发展仍在继续。未来，随着技术的进步和创新，CNN及其变体将继续在人工智能的各个领域中发挥核心作用。

2、深度学习在计算机图像识别技术的应用

在图像识别技术的发展历程中，1986年Rumelhart等人提出的反向传播算法为人工神经网络在机器学习领域的应用带来了革命性的变革。随后在2006年，Hinton提出的深度学习理论进一步推动了该领域的发展，其核心观点包括：

·多层人工神经网络具备非凡、卓越的特征学习能力，能够学习到更深层次的数据本质特征并且利于数据的可视化或分类；

·深度神经网络其在训练过程中所面临诸多挑战及难题，其可以通过逐层无监督训练的方式有效解决，深度学习的成功得益于：

·大规模数据集（如ImageNet）为深度学习提供了丰富的训练资源；

·计算机硬件的迅猛发展，尤其是GPU的普及，使得训练大规模网络成为现实。

深度学习在图像识别技术中的应用预示了其在计算机视觉领域的重大突破。这种基于人工神经网络的学习方法，尤其是卷积神经网络（CNN）的广泛应用，显著提升了图像识别的准确性和效率，促进了从基础字符识别到复杂场景理解等多方面技术的演进。

在早期阶段，图像识别主要依赖于手工设计的特征提取方法，尽管在特定任务上取得了一定成效，但在处理复杂图像时往往显得力不从心。随着深度学习技术的不断进步，特别是自2012年以来CNN的广泛应用，机器得以自动从大量标注数据中学习复杂的特征表示，这一变革彻底改变了图像识别的格局。

深度学习在图像识别领域的应用范围极为广泛。在面部识别技术中，深度学习技术的应用使得系统不仅能在复杂环境下准确识别个体，还能应对面部表情、光照变化等变量。在自动驾驶系统中，深度学习技术的应用使车辆能够实时识别道路标志、行人、其他车辆等，确保行车安全。此外，深度学习还在医学图像分析、无人机视觉系统、安全监控等多个领域发挥了关键作用。

除了卷积神经网络，深度学习的其他架构，如循环神经网络（RNN）和Transformer，也被应用于处理视频序列和实现图像与文本之间的互操作，例如视频字幕生成和视觉问答系统。这些应用的成功展示了深度学习技术在理解和生成复杂视觉内容方面的巨大潜力。

近年来，随着计算能力的提升和数据集的丰富，深度学习在图像识别领域的应用正经历着快速的发展，同时也面临着挑战，包括对大规模数据的依赖、模型的可解释性以及隐私保护等问题。展望未来，随着技术的持续创新和优化，深度学习将在图像识别乃至更广泛的视觉智能领域继续发挥核心作用，推动智能技术的进步和应用。

3、图像检测技术（Image Dection）

图像检测是指在分类图像的同时把物体用矩形框给圈起来。在2014至2016年间，先后涌现出R-CNN，Fast R-CNN，Faster R-CNN，YOLO，SSD等知名框架，其检测平均精度（mAP），也从R-CNN的53.3%，不断提高到Fast RCNN的68.4%，再到Faster R-CNN的75.9%。图像检测最新实验显示，Faster RCNN结合残差网其检测精度可以达到83.8%。深度学习检测速度也越来越快，从最初的RCNN模型，处理一张图片要用2秒多，到Faster RCNN的198毫秒/张，再到YOLO的155帧/秒，最后出来了精度和速度都较高的SSD，精度75.1%，速度23帧/秒。

图像识别技术的发展历程跨越了多个阶段，从最初的简单模式识别到现今基于深度学习的复杂模型，该领域已实现了根本性的技术突破。在众多深度学习模型中，卷积神经网络（CNN）因其在图像处理领域的卓越性能而备受瞩目。CNN通过模仿人类视觉系统的工作机制，能够自动从海量图像数据中提取复杂且具有实用价值的特征表示。

基于CNN，衍生出多种针对特定图像识别任务的模型架构，其中YOLO（You Only Look Once）系列模型尤为突出，具有里程碑式的意义。YOLO是一种快速且高效的物体检测算法，其创新之处在于将物体检测任务转化为单一的回归问题，这种算法是直接从图像像素中预测边界框和类别概率，其显著提升了物体检测的速度和准确性。

YOLO可将输入得图像划分为多个单元格，每个单元格负责预测其覆盖区域内物体的中心点。同时其预测多个边界框及其相应的置信度和类别概率。置信度反映了边界框内存在物体的可能性以及预测的准确性，而类别概率则指示了物体属于不同类别的概率。通过这种机制，YOLO能够在单次前向传播过程中预测出图像中所有物体的位置和类别，从而实现快速且高效的目标检测。

自YOLO首次提出以来，该算法经历了多次版本迭代，每个新版本都在性能、速度和准确性方面进行了优化。YOLOv3和YOLOv4是其中较为流行的版本，其通过更深层次的网络结构、引入多尺度预测、批量归一化等技术，进一步增强了检测的准确性和速度。特别是YOLOv4，通过采用更为高效的网络架构和优化策略，显著提升了在资源受限环境下的应用性能。

三、智能电梯图像识别技术的实现方法

1、硬件设备要求

（1）感知层设备

本研究采用电梯轿厢内现有的监控摄像机作为感知设备，要求摄像机具备200万像素以上以满足图像采集需求。监控相机需具备与电梯轿厢门联动的功能。

（2）传输层设备

传输层设备需满足标准视频码流传输需求，无需进行网络的特殊改造。

（3）数据分析层设备

数据分析层需增设后台算法服务器，其性能参数应根据接入电梯监控摄像头的数量进行具体配置。

2、实现步骤

算法流程（以非机动车禁入电梯为例）

（1）获取图像数据

通过安装于电梯内部的摄像头，实时获取电梯内部的图像数据。

（2）预处理图像数据

对获取的图像数据进行预处理，以提升后续分类的鲁棒性和准确性。预处理步骤包括去噪、图像增强等操作。去噪操作采用滤波器，以去除图像中的噪声。图像增强采用直方图均衡化方法，以增强图像的对比度和亮度。

（3）特征提取

对预处理后的图像数据进行特征提取，以提取与人和车辆相关的特征信息。采用深度学习方法进行特征提取。

采用基于深度学习的YOLO模型。通过训练大量的样本数据，网络能够学习到图像中与人和非机动车相关的目标特征。

（4）分类算法

使用训练好的分类器对提取的特征进行分类判别，将图像数据分为人和非机动车两类。

深度学习算法使用经典的ResNet卷积神经网络。通过在大规模数据集上进行训练，使网络具备良好的图像分类能力。

（5）输出分类结果

根据分类算法的判别结果，当检测到电梯内同时存在行人和两轮车时。输出到后台管理中心、同时联动摄像机发出声光报警，及联动电梯禁止电梯关门及上下行运行等

3、算法优点

本算法采用基于图像识别的电梯内人车分类算法逻辑，相比传统方法具有以下优点：

（1） 高准确性：采用图像识别技术，能够对电梯内的人和两轮车进行准确分类。

（2） 强鲁棒性：通过预处理和特征提取，提升了算法的鲁棒性，能够适应不同光照、角度等条件下的分类需求。

（3） 高效率：算法采用快速的分类算法，能够在实时场景下快速准确地判断电梯内是否有人或两轮车。

（4） 良好的可扩展性：算法的分类器可以根据需要进行训练和更新，适应不同场景和变化。

四、图像识别技术在智能电梯中的应用功能

1、人脸识别功能

人脸识别技术主要应用于身份验证。随着视频监控技术的迅速发展，其可以从监控视频图像中实时检测人脸，并与人脸数据库进行实时匹配，从而实现快速身份验证。同时还能够在远距离、非配合状态下快速识别个体身份，速确认人员身份并实现智能预警。

智能电梯引入人脸识别系统后，可以实现电梯的智能控制。授权用户可以通过人脸识别系统自动识别并授权电梯开门进入，而未授权用户则无法进入电梯并触发警报，从而实现安全门禁功能。

2、人员、车辆识别计数功能

通过视频监控系统的人车计数识别算法，可以实现在特定区域内对人员、非机动车、车辆等特定监控对象进行计数统计。将此功能应用于电梯监控，可以利用视频图像识别进入电梯的人员和非机动车车辆，进而统计电梯的运载效率。在特定的电梯运载场合，此功能可以帮助电梯管理者了解电梯客流情况，合理安排电梯运载能力调度，及时掌握电梯运行状态，确保电梯的正常和安全运行。

3、非机动车电梯禁入及人车分流功能

随着电动自行车数量的增加，自燃事件日益频繁，多地出台了禁止电动自行车进入电梯、楼道的规定，并采取了相应的技术手段。

智能电梯系统引入了基于视频监控的非机动车识别图像识别算法，能够识别进入电梯轿厢的电动自行车，并在识别后发出语音警告，同时采取电梯联动措施阻止电梯门关闭和电梯运行，直至电动自行车退出电梯轿厢后，电梯才可继续运行。此措施确保了电动自行车不能进入楼道，并保障了电梯的安全运行。

此外，算法还能实现电动自行车与人共乘电梯时的预警及电梯控制功能，确保在特定条件下实现人车分流的电梯运载安全。

3 电梯火灾识别预警功能

鉴于电梯空间的狭小及其特殊结构，火灾发生时极易导致严重的人员伤亡和财产损失。当前的监控与报警系统可能无法及时发现火情，从而加剧损失。

在智能电梯系统中集成视频图像识别技术，可实现对电梯内部状况的实时监控。该技术能够及时检测到火灾和烟雾情况，并触发报警系统，迅速启动应急预案，为电梯的安全运行提供额外的安全保障。

4 特殊事件识别预警功能

在智能电梯系统中，通过集成视频图像识别功能并结合特定算法，可以实现对多种特殊场景的识别与预警。例如，该系统能够识别人员跌倒、暴力冲突、电梯破坏等事件；通过将视频图像的AI识别结果与场景数据库进行比对，一旦发生上述事件，系统将立即发出报警信号，以便监控人员能够及时进行查看和处理。

五、图像识别技术的发展趋势与挑战

图像识别技术在近年来的大量投资下取得了显著进步，并广泛应用于多个领域，从人脸识别到大数据分析，其应用已深入我们生活的方方面面。从发展趋势来看，主要集中在三个领域：硬件支持、软件算法支持。

1、硬件支持

随着计算机硬件技术的迅猛发展，芯片的迭代更新速度不断加快，硬件产品体积不断缩小而性能日益强大，成本也相应降低，为图像识别技术的广泛应用提供了坚实的基础。以电梯监控摄像头为例，其像素的提升使得图像更加清晰，为图像识别技术奠定了坚实的基础。像素越高，分析的准确率就越高。同时，摄像头内部集成的芯片能够实现多种算法的集成，执行AI识别功能，包括目标识别、跟踪、分析、处理、预警等信息的处理和发布，而无需依赖于后端庞大的视频处理设备和算法服务器。随着算法服务器算力的增强，通过增加少量的算法服务器即可实现整个小区或社区电梯的智能化，这一目标变得切实可行。

2、软件算法支持

图像识别技术的发展主要依赖于算法和事件库的支持。目前，多种算法已经历了多代的发展和迭代，许多事件的算法已经拥有成熟可靠的案例。以智能电梯所涉及的图像识别功能为例，每项功能通常需要特定的算法来实现。如何将这些算法融合，通过单一算法同时实现上述功能，是未来研究的方向之一。此外，许多算法具备AI学习功能，能够自我学习和更新。随着后台数据库支持的不断增强和数据积累的增多，算法将变得更加智能，这也是未来研究的重要方向。

六、结语

在智能电梯领域，近年来各厂商开发的物联网电梯功能日益先进，单部电梯的功能以及整个区域电梯的联动控制等功能不断完善，这为公众提供了更好的服务。对于那些暂时无法更新的老旧电梯，如何以低成本实现智能化，是电梯制造商和相关管理部门共同面临的挑战，需要共同解决。

参考文献：

1、电梯行业研究报告2023年 顾嘉钧；

2、中国智能电梯行业发展现状及趋势分析 2023年3月 原创力文档

3、基于ResNet卷积神经网络的图像识别技术

4、基于卷积神经网络的智能图像识别研究 段萌 2017年 郑州大学

5、基于卷积神经网络的人脸识别

6、基于卷积神经网络的多目标图像检测研究 墨染 锦年 2023年7月 https：//blog.csdn.net/qq_44710568/article/details/105001472