本数据集由广东省特检院珠海检测院采集并制作，专用于电梯开关门的智能识别。数据集中包含大量电梯门图片，以及与之配套的JSON标注文件。标注文件详细标明了每张图片中电梯门的精确位置（边界框）及当前的开关门状态。 本数据集的核心用途是训练高性能的深度学习目标检测模型。训练所得的模型能够自动、准确地识别图像或视频流中的电梯门及其开闭状态。将此模型集成到检验检测系统中，可为实现一些项目的自动化检测提供关键的技术支撑，有效提升检验效率和智能化水平。

1.采集规则： （1）采集方式：手持采集设备（手机），站立于电梯轿厢内，拍摄电梯运行时电梯门的视频 。（2）视频处理：用python脚本代码将视频分割成图像，保留开门和关门图像。（3）图像命名：同一个电梯启用同一个前缀比如电梯1则为L_1,最终保存为jpg图像用于标注。 2.标注规则： 标注人员在Labaleme软件平台上完成，标注信息存储为json文件，名称与对应的图象一致。 标注格式为：图像文件名、文件地址、标签以及检测位置等。 标签类别定义清晰，如“0”代表关门，“1”代表开门。 3.训练与输出规则： 训练参数（学习率、批量大小等）通过config文件配置，确保实验可复现。 模型推理输出包含每个检测目标的预测类别和置信度，该值直接反映模型判断的可信程度。

本数据集适用于安装有自动门的垂直升降电梯。本数据集主要用于训练和验证电梯门目标检测与状态分类模型，从而为开发自动化、智能化检验仪器或系统提供算法训练基础。本数据集旨在通过提供高质量的标注数据，支持训练出高精度的电梯门实时识别模型。该模型可被集成到基于机器视觉的自动化检验设备中，实现： 自动判别电梯门状态：实时、准确地判断电梯门处于“完全开启”、“完全关闭”或“中间状态”。 驱动自动化检验流程：与其他检验检测设备联动，在识别到门到达指定状态后，自动触发测试，从而替代人工观察与操控，实现特定项目的全自动化执行，提升检验的客观性、准确性与工作效率。

{"version": "5.9.1", "flags": {}, "shapes": [{"label": "0", "points": [[1676.51376146789, 1075.321100917431], [118.7155963302753, 5.596330275229379]], "group_id": null, "description": "", "shape_type": "rectangle", "flags": {}, "mask": null}], "imagePath": "L_1_0.jpg", "imageData":base编码, "imageHeight": 1080, "imageWidth": 1920} // version为标注文件版本号，shapes包含一个矩形标注框，label表示类别标签，points定义矩形对角坐标，shape_type为形状类型，imageData为文件数据编码，imagePath是图片路径，imageHeight和imageWidth是图片尺寸。 附件下载

数据集构成：数据集包含以下两部分，两者文件名一一对应： 1. 图像数据：电梯开关门状态的原始图像文件（.jpg格式）。 2. 标注数据：使用Labelme软件对图像进行手工标注生成的标注文件（.json格式）。 标注信息说明：每个JSON标注文件包含以下核心字段： version: 标注时使用的Labelme软件版本。 flags: 全局的标志或属性。 shapes: 一个数组，包含图像中所有标注形状（电梯门）的信息。每个形状对象又包含以下子字段： label: 电梯门的类别标签。 points: 标注形状的关键点坐标数组（矩形为左上、右下两点坐标）。 shape_type: 形状类型。 group_id: 用于分组多个形状为同一个实例。 description: 对该形状的文字描述 。 flags: 形状级别的标志。 mask: 用于多边形分割的掩码数据。 imagePath: 所标注图片的相对路径。 imageData: 图片的Base64编码字符串。 imageHeight: 图片的高度。 imageWidth: 图片的宽度。