本发明属于电梯技术领域，提供了一种智能电梯控制系统，包括核心控制器、姿态识别模块、语音识别模块、加速度运行状态模块、树莓派、移动端和PC端、开发板、人体红外检测模块、温湿度检测模块和oled显示屏；本发明通过基于智能技术的电梯控制系统，实现电梯的智能化控制和管理，提高电梯的安全性和服务质量，通过实时监控电梯状态，在第一时间将电梯各种参数通过报警系统传递给专业人员，对电梯运作参数进行基本判断，及时进行维修，大幅度减少安全问题，人体姿态识别技术可以监测到这些异常情况，并自动发出报警信号，通知相关人员及时采取应急措施，可以有效提高电梯的安全性能和使用效率。
1.一种智能电梯控制系统，其特征在于，包括核心控制器、姿态识别模块、语音识别模块、加速度运行状态模块、树莓派、移动端和PC端、开发板、人体红外检测模块、温湿度检测模块和oled显示屏，并通过以下步骤：S1、选取STM32F103C8T6作为核心控制器，用于接收数据信息发出指令；
S2、设计帧差法、MobileNetV2神经网络模型，通过对比选取最优，导入OpenMV模块来实现姿态识别功能；
S3、通过传感器获取的大量数据计算电梯运行状态并设置阈值进行报警；
S4、训练LD3320语音识别模块来进行语音识别并设置专用的唤醒词；
S5、设计上位机展示所有参数和信息并进行反馈报警；
其中所述MobileNetV2神经网络模型包括以下步骤：S201、数据集准备，将数据集分成训练集、验证集和测试集，其中训练集和验证集用于训练和调整模型，测试集用于评估模型性能，训练集占总数据集的80%左右，验证集和测试集各占10%；
S202、加载预训练MobileNetV2模型，使用在大规模图像数据集上预训练的MobileNetV2模型作为基础模型，通过迁移学习，使用这个预训练模型作为特征提取器，然后在其基础上进行微调；
S203、冻结模型，利用预训练模型的特征提取能力，冻结模型的前几层，只训练模型的最后几层，前几层通常包含通用的图像特征，后几层则包含更高层次的语义信息，保留预训练模型的前几层，同时调整模型的后几层；
S204、添加自定义输出层，在模型的最后一层之后添加一个自定义输出层，用于预测图像的类别；
S205、训练模型，使用训练集进行模型训练，并使用验证集进行模型调整，在训练期间，采用数据增强技术扩增数据集；
S206、评估模型，使用测试集对训练好的模型进行评估；
S207、部署模型，在完成模型训练和评估后，对新的图像进行分类预测；
所述迁移学习利用已经训练好的模型进行微调，减少模型训练所需要的时间和计算资源，包括以下步骤：S20201、选择MobileNetV2作为预训练模型；
S20202、去除预训练模型的最后一层分类器，并将其替换为新的分类器；
S20203、冻结预训练模型的所有参数，只训练新的分类器；
S20204、采用适当的优化算法和损失函数进行训练，直到达到满意的性能；其中所述LD3320语音识别模块包括信号接收模块、信息处理与交互模块，所述信号接收模块将单片机控制模块所规定的信息报文格式传输到单片机处理模块，所述信息处理与交互模块控制整个开发板的稳定运行，使用中断协调串口传输与DMA的关系将接收到的语音信息报文进行解码运算，从大量的数据报文中筛选出用户需要的信息，并训练一个二元分类器判断输入音频是否包含特定的唤醒词，设 表示音频样本的特征向量, 表示音频是否包含唤醒词， 其中 表示不包含唤醒词， 表示包含唤醒词；
对于二元分类问题，使用逻辑回归模型进行预测，假设逻辑回归模型为：；
其中， 为模型参数向量， 为模型输出结果， 是一个行向量， 表示向量的转置操作；因此， 表示将 向量和 向量做内积点乘的结果，即将 向量的每个元素和 向量的对应元素相乘，然后将乘积相加得到一个标量值，这个模型中， 的结果被传递到 sigmoid 函数中，用于计算样本属于正例的概率，学习模型参数，使得模型输出尽可能接近唤醒词 ，因此，使用最小化交叉熵损失函数的方法来训练模型，即：；
在逻辑回归中， 表示代价函数，用于评估模型预测结果与真实标签之间的差距，表示样本的数量，表示第i个样本，的取值范围是1到m， 表示模型的参数向量，其中 是一个列向量， 表示逻辑回归模型对第i个样本的预测结果，其中 是一个行向量，表示第i 个样本的特征向量， 表示第i个样本的真实标签，取值是0 或1，的含义是，对于所有的样本，计算模型预测结果与真实标签之间的差距，然后求平均值，其中，当样本属于正例时，代价函数的值取决于模型对正例的预测概率；当样本属于负例时，代价函数的值取决于模型对负例的预测概率； 的值越小，说明模型的预测结果与真实标签之间的差距越小，模型的性能越好。
2.如权利要求1所述一种智能电梯控制系统，其特征在于：采用电机模拟电梯上下行，继电器模拟电梯开关进行检验可行性。
3.如权利要求1所述一种智能电梯控制系统，其特征在于：所述帧差法采用三帧帧间差分法，从一段视频图像中提取目标轮廓，先将得到的差分图像进行二值化处理，然后对图像进行去噪、膨胀腐蚀、边缘检测和重心计算处理；
所述去噪采用中值滤波技术，去除某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升或下降的二维数据序列，二维中值滤波输出为：；
其中， ， 分别为处理后图像和原始图像，在中值滤波技术中， 代表一个二维滑动模板；
所述膨胀腐蚀可扩大和收缩物体大小，平滑对象的外部，令 代表输入图像，代表结构元素， 和 分别是函数 和 的定义域，灰度腐蚀的定义为：；
灰度开运算是结构元素B对灰度图像先进行腐蚀操作然后进行膨胀操作，即：；
灰度闭运算是结构元素B对灰度图像先进行膨胀操作然后进行腐蚀操作，即：；
先对图像做一次腐蚀，紧随其后的是做一次膨胀，图像就获得一个外部轮廓对象；
所述边缘检测采用 Canny 边缘检测算法，Canny 算子是找到一个最优边缘检测，最优边缘检测包括尽量多地标识出图像中的实际边缘，漏检真实边缘的概率和误检非边缘的概率都尽量小，检测到的边缘点的位置距离实际边缘点的位置最近，或者是由于噪声影响引起检测出的边缘偏离物体的真实边缘的程度最小，算子检测的边缘点与实际边缘点一一对应；
所述重心计算是在提取视频中的人物的外部轮廓后，利用外部轮廓的每个像素点的坐标值计算该外部的重心，提取连续几帧图像后得到重心值，根据重心值变化位移，以及时间公式得到加速度值。
4.如权利要求3所述一种智能电梯控制系统，其特征在于：所述加速度值与人体位于电梯内的各种姿态存在关系。
5.如权利要求1所述一种智能电梯控制系统，其特征在于：所述阈值通过传感器对电梯运行状态参数进行实时监测并获取数据，对收集到的数据进行预处理，将原始的多个自变量 视为时间序列，并对其进行离散小波变换DWT，通过以下公式计算出其小波系数和尺度系数：
其中， ， 分别表示第j层的尺度系数和小波系数， ， 分别是小波基函数中的低通和高通滤波器系数， 是一个偏移量， 是分解的层数，选择高频小波系数，突出多个自变量中的共性特征；
本特征向量， 表示类别标签，支持向量机SVM的目标是找到一个超平面，将不同类别的样本分开，并使得最近的样本点到超平面的距离最大化，则超平面可以表示为：；
其中 表示两向量内积，假设最近的正例点和负例点到超平面的距离分别为，则约束条件表示为：；
目标函数表示为最小化，SVM 表示为以下优化问题即：；
6.如权利要求1所述一种智能电梯控制系统，其特征在于：所述S3还包括应急报警模块，其内置的六轴陀螺仪将在电梯运行期间不间断的进行安全识别与检测，检测到电梯出现异常运行轨迹时将自动向电梯远程端发送警报，外部人员识别模块加装在电梯上下控制端，通过人体红外检测模块动态监测用户等待情况，发现异常情况自动结束外界乘梯请求。
7.如权利要求1所述一种智能电梯控制系统，其特征在于：所述开发板采用Arduino UNO Rev3，用于接收加速度运行状态模块、人体红外检测模块和温湿度检测模块的相关数据信息，并将其传输至树莓派中，所述树莓派通过MQTT通信方式将数据信息网络传输至移动端和PC端，同时将数据信息动态显示在oled显示屏上。
一种智能电梯控制系统
技术领域
[0001] 本发明属于电梯技术领域，具体地说是一种智能电梯控制系统。
背景技术
[0002] 智能化是指在计算机网络、大数据、物联网和人工智能等技术的支持下，事物具有满足人类各种需求的能力，随着现代通信技术、计算机网络技术和现场总线控制技术的飞速发展，数字化、网络化和信息化已逐步融入人们的生活。在生活水平和居住条件不断提升和改善的基础上，人们对生活质量提出了更高要求，智能电梯控制系统应运而生，并且其需求日益增长。智能化的内容也不断融入新概念，电梯作为便捷工具广泛应用于人们生活当中。
[0003] 在公开号为CN108910632B的中国专利中，提到了一种智能安全电梯系统，包括后台子系统、智能电梯和若干电梯按键面板；智能电梯包括电梯本体和电梯控制器，电梯本体包括轿厢，轿厢的中部竖直安装有立柱，立柱的内部设置有安装腔；安装腔内从上到下依次设置有2组动力组件，动力组件包括步进电机、安装板、底板、转台和支撑杆，底板和安装板均固定于安装腔的内壁上；转台转动连接于底板上，步进电机竖直朝下地安装于安装板上，且输出轴与转台同轴连接；支撑杆的一端固定于转台的侧壁上，另一端伸出立柱；支撑杆位于立柱外的杆体上安装有活动隔板；立柱的侧壁上还安装有固定隔板；轿厢的底部安装有电动转台。
[0004] 然而，上述专利是利用身份识别和智能控制，将电梯的轿厢进行区域划分，让不同的业主用户进入各自分配的区域，实现相对隔离，和传统的电梯一样无法做到对电梯内人体姿态进行识别并根据情况进行报警处理，同时由于电梯本身具有复杂的结构，同时作为机电一体化的产品，在使用的过程中往往受到许多偶然因素的影响，导致意外事故时有发生，传统电梯缺乏有效监控厢体内运动行为的功能，传统电梯中，需要通过按压楼层按钮或者开关门按钮等来控制电梯运行，但这种方式存在着一些问题，如按错按钮、忘记按按钮、不方便面对复杂楼层结构等，此外，随着病毒容易在空间中的传播，公共场所中的交叉感染问题变得越来越突出。
发明内容
[0005] 为了解决上述技术问题，本发明提供一种智能电梯控制系统，以解决现有技术中缺乏有效监控箱体内运动行为的功能、无法快捷智能控制电梯运行和减少公共场所交叉感染的问题。
[0006] 一种智能电梯控制系统，包括核心控制器、姿态识别模块、语音识别模块、加速度运行状态模块、树莓派、移动端和PC端、开发板、人体红外检测模块、温湿度检测模块和oled显示屏，并通过以下步骤：
[0007] S1、选取STM32F103C8T6作为核心控制器，用于接收数据信息发出指令；
[0008] S2、设计帧差法、MobileNetV2神经网络模型，通过对比选取最优，导入OpenMV模块来实现姿态识别功能；
[0009] S3、通过传感器获取的大量数据计算电梯运行状态并设置阈值进行报警；
[0010] S4、训练LD3320语音识别模块来进行语音识别并设置专用的唤醒词；
[0011] S5、设计上位机展示所有参数和信息并进行反馈报警。
[0012] 优选的，采用电机模拟电梯上下行，继电器模拟电梯开关进行检验可行性。
[0013] 优选的，所述帧差法采用三帧帧间差分法，从一段视频图像中提取目标轮廓，先将得到的差分图像进行二值化处理，然后对图像进行去噪、膨胀腐蚀、边缘检测和重心计算处理；
[0014] 所述去噪采用中值滤波技术，去除某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升或下降的二维数据序列，二维中值滤波输出为：
[0015] ；
[0016] 其中， ， 分别为处理后图像和原始图像，在中值滤波技术中，代表一个二维滑动模板；
[0017] 所述膨胀腐蚀可扩大和收缩物体大小，平滑对象的外部，令 代表输入图像， 代表结构元素， 和 分别是函数 和 的定义域，灰度腐蚀的定义为：
[0018] ；
[0019] 灰度膨胀的定义为：
[0020] ；
[0021] 灰度开运算是结构元素B对灰度图像先进行腐蚀操作然后进行膨胀操作，即：
[0022] ；
[0023] 灰度闭运算是结构元素B对灰度图像先进行膨胀操作然后进行腐蚀操作，即：
[0024] ；
[0025] 先对图像做一次腐蚀，紧随其后的是做一次膨胀，图像就获得一个外部轮廓对象；
[0026] 所述边缘检测采用 Canny 边缘检测算法，Canny 算子是找到一个最优边缘检测，最优边缘检测包括尽量多地标识出图像中的实际边缘，漏检真实边缘的概率和误检非边缘的概率都尽量小，检测到的边缘点的位置距离实际边缘点的位置最近，或者是由于噪声影响引起检测出的边缘偏离物体的真实边缘的程度最小，算子检测的边缘点与实际边缘点一一对应；
[0027] 所述重心计算是在提取视频中的人物的外部轮廓后，利用外部轮廓的每个像素点的坐标值计算该外部的重心，提取连续几帧图像后得到重心值，根据重心值变化位移，以及时间公式得到加速度值。
[0028] 优选的，所述加速度值与人体位于电梯内的各种姿态存在关系。
[0029] 优选的，所述MobileNetV2神经网络模型包括以下步骤：
[0030] S201、数据集准备，将数据集分成训练集、验证集和测试集，其中训练集和验证集用于训练和调整模型，测试集用于评估模型性能，训练集占总数据集的80%左右，验证集和测试集各占10%；
[0031] S202、加载预训练MobileNetV2模型，使用在大规模图像数据集上预训练的MobileNetV2模型作为基础模型，通过迁移学习，使用这个预训练模型作为特征提取器，然后在其基础上进行微调；
[0032] S203、冻结模型，利用预训练模型的特征提取能力，冻结模型的前几层，只训练模型的最后几层，前几层通常包含通用的图像特征，后几层则包含更高层次的语义信息，保留预训练模型的前几层，同时调整模型的后几层；
[0033] S204、添加自定义输出层，在模型的最后一层之后添加一个自定义输出层，用于预测图像的类别；
[0034] S205、训练模型，使用训练集进行模型训练，并使用验证集进行模型调整，在训练期间，采用数据增强技术扩增数据集；
[0035] S206、评估模型，使用测试集对训练好的模型进行评估；
[0036] S207、部署模型，在完成模型训练和评估后，对新的图像进行分类预测；
[0037] 所述迁移学习利用已经训练好的模型进行微调，减少模型训练所需要的时间和计算资源，包括以下步骤：
[0038] S20201、选择MobileNetV2作为预训练模型；
[0039] S20202、去除预训练模型的最后一层分类器，并将其替换为新的分类器；
[0040] S20203、冻结预训练模型的所有参数，只训练新的分类器；
[0041] S20204、采用适当的优化算法和损失函数进行训练，直到达到满意的性能。
[0042] 优选的，所述LD3320语音识别模块包括信号接收模块、信息处理与交互模块，所述信号接收模块将单片机控制模块所规定的信息报文格式传输到单片机处理模块，所述信息处理与交互模块控制整个开发板的稳定运行，使用中断协调串口传输与DMA的关系将接收到的语音信息报文进行解码运算，从大量的数据报文中筛选出用户需要的信息，并训练一个二元分类器判断输入音频是否包含特定的唤醒词，设 表示音频样本的特征向量, 表示音频是否包含唤醒词， 其中 表示不包含唤醒词， 表示包含唤醒词；
[0043] 设 为训练集，其中 为训练样本数，学习一个分类函数，将输入音频分为两类，即：
[0044] ；
[0045] 对于二元分类问题，使用逻辑回归模型进行预测，假设逻辑回归模型为：
[0046] ；
[0047] 其中， 为模型参数向量， 为模型输出结果， 是一个行向量， 表示向量的转置操作；因此， 表示将 向量和 向量做内积点乘的结果，即将 向量的每个元素和 向量的对应元素相乘，然后将乘积相加得到一个标量值，这个模型中， 的结果被传递到 sigmoid 函数中，用于计算样本属于正例的概率，学习模型参数，使得模型输出 尽可能接近唤醒词 ，因此，使用最小化交叉熵损失函数的方法来训练模型，即：
[0048] ；
[0049] 在逻辑回归中， 表示代价函数，用于评估模型预测结果与真实标签之间的差距， 表示样本的数量，表示第i个样本，的取值范围是1到m， 表示模型的参数向量，其中 是一个列向量， 表示逻辑回归模型对第i个样本的预测结果，其中是一个行向量，表示第i 个样本的特征向量， 表示第i个样本的真实标签，取值是0 或1，的含义是，对于所有的样本，计算模型预测结果与真实标签之间的差距，然后求平均值，其中，当样本属于正例时，代价函数的值取决于模型对正例的预测概率；当样本属于负例时，代价函数的值取决于模型对负例的预测概率； 的值越小，说明模型的预测结果与真实标签之间的差距越小，模型的性能越好。
[0050] 优选的，所述阈值通过传感器对电梯运行状态参数进行实时监测并获取数据，对收集到的数据进行预处理，将原始的多个自变量 视为时间序列，并对其进行离散小波变换DWT，
[0051] 通过以下公式计算出其小波系数和尺度系数：
[0052] ；
[0053] ；
[0054] 其中， ， 分别表示第j层的尺度系数和小波系数， ， 分别是小波基函数中的低通和高通滤波器系数， 是一个偏移量， 是分解的层数，选择高频小波系数，突出多个自变量中的共性特征；
[0055] 对于一个训练数据集， ，其中 表示样本特征向量， 表示类别标签，支持向量机SVM的目标是找到一个超平面，将不同类别的样本分开，并使得最近的样本点到超平面的距离最大化，则超平面可以表示为：
[0056] ；
[0057] 其中 表示两向量内积，假设最近的正例点和负例点到超平面的距离分别为，则约束条件表示为：
[0058] ；
[0059] ；
[0060] 目标函数表示为最小化，SVM 表示为以下优化问题即：
[0061] ；
[0062] ；
[0063] 对该优化问题使用大猩猩优化算法求解。
[0064] 优选的，所述S3还包括内置的六轴陀螺仪，将在电梯运行期间不间断的进行安全识别与检测，检测到电梯出现异常运行轨迹时将自动向电梯远程端发送警报，外部人员识别模块加装在电梯上下控制端，通过人体红外检测模块动态监测用户等待情况，发现异常情况自动结束外界乘梯请求。
[0065] 优选的，所述开发板采用Arduino UNO Rev3，用于接收加速度运行状态模块、人体红外检测模块和温湿度检测模块的相关数据信息，并将其传输至树莓派中，所述树莓派通过MQTT通信方式将数据信息网络传输至移动端和PC端，同时将数据信息动态显示在oled显示屏上。
[0066] 与现有技术相比，本发明具有如下有益效果：
[0067] 本发明通过基于智能技术的电梯控制系统，采用了深度学习、计算机视觉多种技术，实现语音识别与控制功能、自动杀菌功能、姿态识别功能和运行检测与报警功能，实现电梯的智能化控制和管理，提高电梯的安全性和服务质量。
附图说明
[0068] 图1为本发明的整体框架示意图；
[0069] 图2为本发明的详细框架示意图；
[0070] 图3分别为本发明的三帧差法、膨胀腐蚀处理、边缘检测所得目标图像处理示意图；
[0071] 图4为本发明的各种姿态和加速度之间关系示意图；
[0072] 图5为本发明的物联网界面展示图。
具体实施方式
[0073] 下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
[0074] 如附图1至附图5所示：
[0075] 实施例一：本发明提供一种智能电梯控制系统，包括核心控制器、姿态识别模块、语音识别模块、加速度运行状态模块、树莓派、移动端和PC端、开发板、人体红外检测模块、温湿度检测模块和oled显示屏，并通过以下步骤：
[0076] S1、选取STM32F103C8T6作为核心控制器，用于接收数据信息发出指令；
[0077] S2、设计帧差法、MobileNetV2神经网络模型，通过对比选取最优，导入OpenMV模块来实现姿态识别功能；
[0078] S3、通过传感器获取的大量数据计算电梯运行状态并设置阈值进行报警；
[0079] S4、训练LD3320语音识别模块来进行语音识别并设置专用的唤醒词；
[0080] S5、设计上位机展示所有参数和信息并进行反馈报警。
[0081] 具体的，采用电机模拟电梯上下行，继电器模拟电梯开关进行检验可行性；通过电机正转模拟电梯上行，电机反转模拟电梯下行，将电梯门的电路连接到电磁继电器的中心引脚和常开引脚上，当继电器被触发时，中心引脚就会连接到常闭引脚，从而打开电梯门，当需要关闭电梯门时，停止触发继电器，中心引脚就会回到原位，从而断开电梯门的电路，完成电梯门的关闭。
[0082] 具体的，帧差法采用三帧帧间差分法，从一段视频图像中提取目标轮廓，先将得到的差分图像进行二值化处理，然后对图像进行去噪、膨胀腐蚀、边缘检测和重心计算处理；当监控场景中出现异常物体运动时，帧与帧之间会出现较为明显的差别，两帧相减，得到两帧图像亮度差的绝对值，而采用三帧帧间差分法能够更好的提取出目标轮廓，设定一个阈值，并将在此像素值以上的是白色的，所有其他像素为黑；
[0083] 去噪采用中值滤波技术，去除某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降) 的二维数据序列，二维中值滤波输出为：
[0084] ；
[0085] 其中， ， 分别为处理后图像和原始图像，在中值滤波技术中，代表一个二维滑动模板；
[0086] 所述膨胀腐蚀可扩大和收缩物体大小，平滑对象的外部，令 代表输入图像， 代表结构元素， 和 分别是函数 和 的定义域，灰度腐蚀的定义为：
[0087] ；
[0088] 灰度膨胀的定义为：
[0089] ；
[0090] 灰度开运算是结构元素B对灰度图像先进行腐蚀操作然后进行膨胀操作，即：
[0091] ；
[0092] 灰度闭运算是结构元素B对灰度图像先进行膨胀操作然后进行腐蚀操作，即：
[0093] ；
[0094] 先对图像做一次腐蚀，紧随其后的是做一次膨胀，图像就获得一个外部轮廓对象；
[0095] 所述边缘检测采用 Canny 边缘检测算法，Canny 算子是找到一个最优边缘检测，最优边缘检测包括尽量多地标识出图像中的实际边缘，漏检真实边缘的概率和误检非边缘的概率都尽量小，检测到的边缘点的位置距离实际边缘点的位置最近，或者是由于噪声影响引起检测出的边缘偏离物体的真实边缘的程度最小，算子检测的边缘点与实际边缘点一一对应；
[0096] 重心计算是在提取视频中的人物的外部轮廓后，利用外部轮廓的每个像素点的坐标值计算该外部的重心；
[0097] 求重心：
[0098] ；
[0099] 设定轮廓线为 ，设在 上的点为 ，由于轮廓内部的灰度值一样，可以看作等密度的，在 上取一点 然后沿着 取另外一点 ，两点连线与轮廓所围成的面积为 (根据所包围的像素点的个数)， 为整个轮廓的面积(整个轮廓所包围的像素个数)，根据上述式子求得 ，得到线段 ，同时再取一点(异于和 )，同样方法再求线段 ＇ ＇，求得线段所在直线 和 表达式：
[0100] ；
[0101] 两条线的交点就是所求重心 ；
[0102] 提取连续几帧图像后得到重心值，根据重心值变化位移，以及时间公式得到加速度值：
[0103] ；
[0104] 为加速度，在 时间内的重心变化值为 ，在 时间内的重心变化值为 ，/ 2，表示两个时间段内重心变化值的平均值，因此，通过计算重心变化值的平均值和两个时间段的时间长度，来估计加速度的大小。
[0105] 具体的，加速度值与各种姿态存在关系：
[0106] ；
[0107] ；
[0108] ；
[0109] 代表弯腰或者蹲下时检测为正常的次数， 表弯腰或者蹲下时检测为跌倒的次数， 代表正常行走检测为正常的次数， 代表正常行走检测为跌倒的情况，代表是跌倒时检测的次数， 代表跌倒发生时未被检测出来的次数，其中， 表示弯腰或蹲下时被检测为正常的概率； 表示正常行走时被检测为正常的概率； 表示跌倒时被检测为跌倒的概率。
[0110] 具体的，MobileNetV2神经网络模型包括以下步骤：
[0111] S201、数据集准备，将数据集分成训练集、验证集和测试集，其中训练集和验证集用于训练和调整模型，测试集用于评估模型性能，训练集占总数据集的80%左右，验证集和测试集各占20%；
[0112] S202、加载预训练MobileNetV2模型，使用在大规模图像数据集上预训练的MobileNetV2模型作为基础模型，通过迁移学习，使用这个预训练模型作为特征提取器，然后在其基础上进行微调；
[0113] S203、冻结模型，利用预训练模型的特征提取能力，冻结模型的前几层，只训练模型的最后几层，前几层通常包含通用的图像特征，后几层则包含更高层次的语义信息，保留预训练模型的前几层，同时调整模型的后几层；
[0114] S204、添加自定义输出层，在模型的最后一层之后添加一个自定义输出层，用于预测图像的类别；
[0115] S205、训练模型，使用训练集进行模型训练，并使用验证集进行模型调整，在训练期间，采用数据增强技术扩增数据集；
[0116] S206、评估模型，使用测试集对训练好的模型进行评估；
[0117] S207、部署模型，在完成模型训练和评估后，对新的图像进行分类预测；
[0118] 迁移学习利用已经训练好的模型进行微调，减少模型训练所需要的时间和计算资源，包括以下步骤：
[0119] S20201、选择MobileNetV2作为预训练模型；
[0120] S20202、去除预训练模型的最后一层分类器，并将其替换为新的分类器；
[0121] S20203、冻结预训练模型的所有参数，只训练新的分类器；
[0122] S20204、采用适当的优化算法和损失函数进行训练，直到达到满意的性能；
[0123] MobileNetV2的数学推导如下：
[0124] 假设输入图片的大小为H × W × C，其中H表示高度，W表示宽度，C表示通道数，例如RGB图像的通道数为3，模型输入图片经过一系列卷积、归一化和激活函数等操作后，输出为一个大小为h × w × c的特征图，其中，h表示特征图的高度，w表示特征图的宽度，c表示特征图的通道数，即特征数量；
[0125] MobileNetV2主要使用深度可分离卷积，其包括两个部分：深度卷积和逐点卷积；深度卷积表示对每个通道进行卷积操作，从而得到C个大小为H × W的特征图，其中每个特征图的像素值为：
[0126] ；
[0127] 其中， 表示卷积核的权重， 表示输入特征图的第k个通道在位置的像素值；逐点卷积表示对每个像素点进行卷积操作，从而得到C＇个大小为h × w的特征图，其中每个特征图的像素值为：
[0128] ；
[0129] 其中， 表示卷积核的权重， 表示经过深度卷积得到的特征图的第k个通道在位置 的像素值；
[0130] 由上可知，通过继电器和电机实现模拟仿真电梯功能，并通过帧差法机器视觉和MobileNetV2神经网络模型准确检测电梯内目标运动状态，提高了电梯的稳定性和安全性，同时将模型导入OpenMV模型，实现神经网络的高效计算和低功耗运行，适合于一些需要长时间运行的应用场景，OpenMV模型具备快速迭代的能力，通过微调模型参数、数据增强等方式优化模型性能，并在短时间内进行测试和验证，同时使用OLED屏，动态显示电梯控制系统中识别到的楼层信息。
[0131] 实施例二：本实施例与上一个实施例基本相同，区别在于，LD3320语音识别模块包括信号接收模块、信息处理与交互模块，信号接收模块将单片机控制模块所规定的信息报文格式传输到单片机处理模块，信息处理与交互模块控制整个开发板的稳定运行，使用中断协调串口传输与DMA的关系将接收到的语音信息报文进行解码运算，从大量的数据报文中筛选出用户需要的信息，并训练一个二元分类器判断输入音频是否包含特定的唤醒词，设 表示音频样本的特征向量, 表示音频是否包含唤醒词， 其中 表示不包含唤醒词， 表示包含唤醒词；
[0132] 设 为训练集，其中 为训练样本数，学习一个分类函数，将输入音频分为两类，即：
[0133] ；
[0134] 对于二元分类问题，使用逻辑回归模型进行预测，假设逻辑回归模型为：
[0135] ；
[0136] 其中， 为模型参数向量， 为模型输出结果， 是一个行向量， 表示向量的转置操作；因此， 表示将 向量和 向量做内积点乘的结果，即将 向量的每个元素和 向量的对应元素相乘，然后将乘积相加得到一个标量值，这个模型中， 的结果被传递到 sigmoid 函数中，用于计算样本属于正例的概率，学习模型参数，使得模型输出 尽可能接近唤醒词 ，因此，使用最小化交叉熵损失函数的方法来训练模型，即：
[0137] ；
[0138] 在逻辑回归中， 表示代价函数，用于评估模型预测结果与真实标签之间的差距， 表示样本的数量，表示第i个样本，的取值范围是1到m， 表示模型的参数向量，其中 是一个列向量， 表示逻辑回归模型对第i个样本的预测结果，其中是一个行向量，表示第i 个样本的特征向量， 表示第i个样本的真实标签，取值是0 或1，的含义是，对于所有的样本，计算模型预测结果与真实标签之间的差距，然后求平均值，其中，当样本属于正例时，代价函数的值取决于模型对正例的预测概率；当样本属于负例时，代价函数的值取决于模型对负例的预测概率； 的值越小，说明模型的预测结果与真实标签之间的差距越小，模型的性能越好，并用于预测新的音频样本是否包含唤醒词；将模型输出结果 与事先设置的阈值进行比较，根据阈值判断输入音频是否包含唤醒词，并及时触发相应的操作；将音频样本进行预处理，以提高后续训练的准确性，将预处理后的音频样本转换成特征向量，用于训练分类器，使用机器学习算法训练分类器，训练过程中，将唤醒词标记为正例，其余部分标记为负例，根据需要进行超参数调整和交叉验证等操作，以提高分类器性能，使用测试集对训练好的分类器进行测试和评估，将训练好的唤醒词模型部署到LD3320语音识别模块中，并进行实时运行测试。
[0139] 具体的，阈值通过传感器对电梯运行状态参数进行实时监测并获取数据，对收集到的数据进行预处理，将原始的多个自变量 视为时间序列，并对其进行离散小波变换DWT，使用Python等编程语言编写程序，从电梯参数传感器获取实时数据，并将其处理和可视化，编写相应的控制逻辑和用户界面，将树莓派连接到电梯系统中，并进行实时测试和优化，将编写好的电梯参数上位机应用程序部署到树莓派中，并设置为开机自启动，确保程序稳定运行，并及时处理和显示电梯参数数据。
[0140] 通过以下公式计算出其小波系数和尺度系数：
[0141] ；
[0142] ；
[0143] 其中， ， 分别表示第j层的尺度系数和小波系数， ， 分别是小波基函数中的低通和高通滤波器系数， 是一个偏移量， 是分解的层数，选择高频小波系数，突出多个自变量中的共性特征；
[0144] 对于一个训练数据集， ，其中 表示样本特征向量， 表示类别标签，支持向量机SVM的目标是找到一个超平面，将不同类别的样本分开，并使得最近的样本点到超平面的距离最大化，则超平面可以表示为：
[0145] ；
[0146] 其中 表示两向量内积，假设最近的正例点和负例点到超平面的距离分别为，则约束条件表示为：
[0147] ；
[0148] ；
[0149] 目标函数表示为最小化，SVM 表示为以下优化问题即：
[0150] ；
[0151] ；
[0152] 对该优化问题使用大猩猩优化算法求解。
[0153] 具体的，S3还包括内置的六轴陀螺仪将在电梯运行期间不间断的进行安全识别与检测，检测到电梯出现异常运行轨迹时将自动向电梯远程端发送警报，外部人员识别模块加装在电梯上下控制端，通过人体红外检测模块动态监测用户等待情况，发现异常情况自动结束外界乘梯请求；模块中的ADXL355加速度传感器获取每一时刻下电梯轿厢垂直方向上的垂直加速度值 和移动轿门水平方向上的水平加速度值 ，并按照时间序列值存储 和 ；基于 获取电梯轿厢在每一时刻下垂直方向上的垂直运行速度 ，并通过 和 计算出电梯轿厢在每一时刻下垂直方向上的垂直位移距离 ，并按照时间序列值存储 和 ；基于 获取移动轿门在每一时刻下水平方向上的水平运行速度，并按照时间序列值存储 ；基于 、 、 、 和 与运行状态参考值判断每一时刻下的电梯轿厢的运行状态，基于参数值与各运行状态参考值进行比对；并基于比对结果判断每一时刻下电梯轿厢的运行状态，判断电梯轿厢的运行状态是否触发报警处理，若触发报警处理则通过电梯轿厢的报警装置输出报警信息，同时将这些信息实时的传给电梯维护人员，不定期的进行修理。
[0154] 由上可知，通过语音控制实现电梯的上下行、开关门等操作，提高了用户的使用便捷性和舒适度，训练唤醒词采用多种方式收集语音数据，包括不同人群、不同环境和不同口音的语音数据，以覆盖更广泛的应用场景，将唤醒词检测任务与其他语音任务联合训练，以提高整个语音识别系统的性能和用户体验，系统还可以实时监测电梯的运行状态和故障信息，并及时通过上位机显示各项信息，提高了电梯的安全性和可靠性。
[0155] 实施例三：本实施例与上一个实施例基本相同，区别在于，开发板采用Arduino UNO Rev3，用于接收加速度运行状态模块、人体红外检测模块和温湿度检测模块的相关数据信息，并将其传输至树莓派中，所述树莓派通过MQTT通信方式将数据信息网络传输至移动端和PC端，同时将数据信息动态显示在oled显示屏上；当目标离开电梯时，HC‑SR501人体红外识别模块传感器将信号传给处理器，通过DHT11传感器提供的温湿度信息控制喷口喷洒消毒液进行消毒。
[0156] 同时，采用MQTT通信方式使移动端和PC端与服务器进行数据网络传输，通过移动端和PC端订阅温湿度、加速度主题信息，然后Esp8266将电梯系统检测出的数据发布到温湿度主题，并通过MQTT通信协议传输到物联服务器，最后物联服务器将会在任意需要数据的时刻给移动端和PC端发送温湿度主题信息。
[0157] 由上可知，可利用紫外线杀菌技术，自动对电梯内部进行杀菌处理，提高了电梯的卫生安全性，大大减小了交叉感染的风险，并通过高效的MQTT通信方式，使用户接收温湿度信息。
[0158] 工作原理：通过基于智能技术的电梯控制系统，采用了深度学习、计算机视觉多种技术，实现语音识别与控制功能、自动杀菌功能、姿态识别功能和运行检测与报警功能，实现电梯的智能化控制和管理，提高电梯的安全性和服务质量，通过实时监控电梯状态，可在第一时间将电梯各种参数通过报警系统传递给专业人员，对电梯运作参数进行基本判断，及时进行维修，大幅度减少安全问题，人体姿态识别技术可以监测到这些异常情况，并自动发出报警信号，通知相关人员及时采取应急措施，可以有效提高电梯的安全性能和使用效率。
[0159] 本发明的实施例是为了示例和描述起见而给出的，尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
