CN113379247B - 企业安全隐患追踪模型的建模方法及系统 - Google Patents
企业安全隐患追踪模型的建模方法及系统 Download PDFInfo
- Publication number
- CN113379247B CN113379247B CN202110650865.2A CN202110650865A CN113379247B CN 113379247 B CN113379247 B CN 113379247B CN 202110650865 A CN202110650865 A CN 202110650865A CN 113379247 B CN113379247 B CN 113379247B
- Authority
- CN
- China
- Prior art keywords
- post
- potential safety
- staff
- safety hazard
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004519 manufacturing process Methods 0.000 claims abstract description 73
- 230000003287 optical effect Effects 0.000 claims description 51
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000004080 punching Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种企业安全隐患追踪模型的建模方法及系统。该方法通过岗位之间的固定关联性和岗位区域中生产设备的安全隐患等级获取每个岗位的隐患程度;根据隐患程度确认该岗位存在安全隐患时,基于岗位之间的实际关联性得到影响该岗位的安全隐患岗位;获取安全隐患岗位上对应员工的在岗状态和熟练程度,根据由隐患程度、在岗状态和熟练程度建立的企业安全隐患追踪模型预测隐患根源。根据每个岗位的隐患程度和企业安全隐患追踪模型来排查该岗位上对应员工的工作状态,根据工作状态得到具体隐患原因,从而根据隐患原因解决生产安全隐患的根源问题,以提高安全管理水平,降低生产安全隐患。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种企业安全隐患追踪模型的建模方法及系统。
背景技术
安全管理对企业来说是重中之重,现有技术中基于数据分析的大数据技术已经引起越来越多行业的高度关注。目前大数据在安全科学领域的应用过程中还存在管理标准不一、安全监管部门信息未进行有限的关联性分析等问题,且现有技术均利用大数据技术实现风险预测,却忽略了带来风险的根源问题,因此急需实现数据分析赋能安全管理,实现从风险预测到风险溯源的提升,解决产生安全隐患的根源问题,提升安全管理水平。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种企业安全隐患追踪模型的建模方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种企业安全隐患追踪模型的建模方法,该方法包括以下具体步骤:
获取每一个岗位区域对应生产设备的安全隐患;基于企业的生产工序确定各岗位之间的固定关联性,利用所述固定关联性、所述安全隐患和生产环境参数确认每一个所述岗位的隐患程度;
根据所述隐患程度确认该所述岗位存在安全隐患时,根据员工在岗位区域的停留时间得到所述岗位之间的实时关联性,结合所述实时关联性和所述固定关联性得到实际关联性,根据每一个所述岗位的所述实际关联性确认安全隐患岗位,以构成安全隐患岗位集合;
获取所述安全隐患岗位集合内每一个所述安全隐患岗位对应的所述员工的在岗状态和熟练程度;
根据由所述隐患程度、所述在岗状态和所述熟练程度建立的所述企业安全隐患追踪模型预测隐患根源。
进一步地,所述企业安全隐患追踪模型包括:
根据所述岗位上对应所述员工的所述在岗状态确认所述员工是否需要加强管理、根据所述熟练程度确认所述员工是否需要离岗培训。
进一步地,所述在岗状态的获取步骤,包括:
根据换班时间间隔内同一时刻同一所述岗位上多个所述员工的历史位置数据,获取该所述时刻对应的参考价值指标和标准岗位,进而得到所述换班时间间隔内每一个时刻对应的所述标准岗位和所述参考价值指标,以形成对应的标准岗位时序数据和参考价值指标数据;
将该同一所述岗位上所述员工的实时岗位时序数据与所述标准岗位时序数据进行对比,以得到岗位偏差序列,根据所述岗位偏差序列和对应的所述参考价值指标数据得到所述员工的在岗状态。
进一步地,所述熟练程度的获取步骤,包括:
获取所述员工的每一个人体关键点的光流时序信息;所述光流时序信息包括所述人体关键点在每一时刻的速度大小;
计算一个所述人体关键点的实时光流时序信息和对应时刻的标准光流时序信息的比值,进而得到所述员工多个所述人体关键点相对应的比值数据;
计算所述比值数据的方差,利用所述比值数据和所述方差得到该所述员工的所述熟练程度。
进一步地,所述根据换班时间间隔内同一时刻同一所述岗位上多个所述员工的历史位置数据,获取该所述时刻对应的参考价值指标的步骤,包括:
根据多个所述员工的历史位置数据统计多个所述员工对应的所述岗位区域;
根据每个所述岗位区域对应的员工数量得到该时刻对应的所述参考价值指标。
进一步地,所述获取每一个岗位区域对应生产设备的安全隐患的步骤,包括:
采集所述岗位区域中所述生产设备的实时图像;
根据所述实时图像与对应的标准图像得到差异图像,进而根据所述差异图像得到所述生产设备的安全隐患。
进一步地,所述差异图像包括所述生产设备的位置差异性和安全设施完整性。
进一步地,所述基于企业的生产工序确定各岗位之间的固定关联性,包括:
相邻所述岗位之间的所述固定关联性为1,不相邻所述岗位之间的所述固定关联性为0。
第二方面,本发明另一个实施例提供了一种企业安全隐患追踪模型的建模系统,该系统包括:
岗位隐患检测单元,用于获取每一个岗位区域对应生产设备的安全隐患;基于企业的生产工序确定各岗位之间的固定关联性,利用所述固定关联性、所述安全隐患和生产环境参数确认每一个所述岗位的隐患程度;
隐患岗位获取单元,用于根据所述隐患程度确认该所述岗位存在安全隐患时,根据员工在岗位区域的停留时间得到所述岗位之间的实时关联性,结合所述实时关联性和所述固定关联性得到实际关联性,根据每一个所述岗位的所述实际关联性确认安全隐患岗位,以构成安全隐患岗位集合;
员工状态检测单元,用于获取所述安全隐患岗位集合内每一个所述安全隐患岗位对应的所述员工的在岗状态和熟练程度;
隐患根源获取单元,用于根据由所述隐患程度、所述在岗状态和所述熟练程度建立的所述企业安全隐患追踪模型预测隐患根源。
进一步地,一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项方法的步骤。
本发明实施例至少存在以下有益效果:根据每个岗位的隐患程度利用企业安全隐患追踪模型来排查该岗位上对应员工的工作状态,根据工作状态得到影响该企业生产安全的具体隐患原因,从而根据隐患原因解决生产安全隐患的根源问题,提高安全管理水平,降低生产安全隐患。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种企业安全隐患追踪模型的建模方法的流程图;
图2为本发明一个实施例所提供的一种企业安全隐患追踪模型的建模方法的步骤流程图;
图3为本发明实施例所提供的关于DNN网络的结构示例图;
图4为本发明另一个实施例所提供的一种企业安全隐患追踪模型的建模系统的结构框图;
图5为本发明实施例所提供的一种电子设备的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种企业安全隐患追踪模型的建模方法及系统,其具体实施方式、结构、特征及其作用,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种企业安全隐患追踪模型的建模方法及系统的具体方案。
本发明实施例所针对的具体场景为:基于生产流水线的危化产品的生产场景。
参照附图1和附图2,本发明实施例提供了一种企业安全隐患追踪模型的建模方法,该方法包括以下具体步骤:
步骤S001,获取每一个岗位区域对应生产设备的安全隐患;基于企业的生产工序确定各岗位之间的固定关联性,利用固定关联性、安全隐患和生产环境参数确认每一个岗位的隐患程度。
具体的,根据企业的生产活动能够得到该企业的生产工序,由于该生产工序中的每一个工序都有固定的生产设备和操作技能来实现,因此本发明实施例中将每一个工序设定一个ROI区域,且根据生产工序的先后顺序为每一个ROI区域进行编号,即第一工序对应的编号为1。
需要说明的是,本发明实施例中将非生产工序对应的ROI区域设定的对应编号为0。
考虑到每一个工序对应一个岗位,因此,本发明实施例中每一个ROI区域也即是一个岗位区域,相对应的每一个岗位区域的编号也即是ROI区域对应的编号,同时每一个岗位区域都配备了一个智能终端设备,该终端设备具有拍照和数据传输的功能,用于根据采集的员工数据来确认员工的身份信息。
作为一个示例,该智能终端设备为智能手机。
需要说明的是,企业生产中为了保证生产效率通常实行白班夜班两班倒的换班制度。在每次换班时,上岗的员工需要通过各个岗位区域中的智能终端设备实现身份认证和打卡上班,进而根据打卡位置确定员工的岗位信息。
进一步地,本发明实施例在员工换班时,获取每一个岗位区域中对应生产设备的安全隐患和生产环境参数。具体为:利用各个岗位区域配备的智能终端设备采集生产设备的实时图像,将实时图像与数据库中存储的对应标准图像作差以得到差异图像,该差异图像体现了生产设备的位置差异性和安全设施完整性,进而能够得到生产设备的安全隐患,同时利用传感器获取该生产环境参数,并将差异图像和生产设备参数送入DNN网络,通过DNN网络得到每次换班时各个岗位的安全隐患等级。
需要说明的是,本发明实施例中智能终端设备采集的实时图像主要包括岗位区域中生产设备的摆放位置、生产设备的安全设施;生产环境参数包括温度、湿度、压强等数据。
参照附图3,本发明实施例将差异图像经过编码器处理得到特征图,对特征图作flatten操作得到特征向量,进一步将生产环境参数和特征向量实现特征融合,最终利用全连接层(FC层)得到对应岗位的安全隐患等级。该DNN网络的训练集为日常生产活动中得到的差异图像和生产环境参数;标签数据为行业内专业人员根据经验给出的五个安全隐患等级:安全为第一等级、较小隐患为第二等级、中等隐患为第三等级、较大隐患为第四等级、危险为第五等级;损失函数采用交叉熵损失函数,不断迭代完成DNN网络的训练。
需要说明的是,考虑到各岗位之间的差异性,且为了获得准确的安全隐患等级,每个岗位均对应一个特定的DNN网络,该特定的DNN网络用于评估特定岗位的安全隐患等级。
进一步地,基于企业的生产活动,对应的生产工序会使得各个岗位之间存在固定关联性,且该固定关联性不会随着员工的换班发生变化。考虑到每个岗位之间的相互影响,本发明实施例利用各个岗位之间的固定关联性、岗位的安全隐患等级得到每次换班时每一个岗位的隐患程度,则隐患程度的计算方法如下:
Di=0.2(gi,i-1di-1+di+gi,i+1di+1)
其中,Di为第i个岗位的隐患程度;gi,i-1为第i个岗位和第i-1个岗位之间的固定关联性;di-1为第i-1个岗位的安全隐患等级;di为第i个岗位的安全隐患等级;gi,i+1为第i个岗位和第i+1个岗位之间的固定关联性;di+1为第i+1个岗位的安全隐患等级。
本发明实施例中将相邻岗位之间的固定关联性设为1,不相邻岗位之间的固定关联性设为0。
在其他实施例中,实施者可以根据实际情况和生产经验,自行设定各个岗位之间的固定关联性。
步骤S002,根据隐患程度确认该岗位存在安全隐患时,根据员工在岗位区域的停留时间得到岗位之间的实时关联性,结合实时关联性和固定关联性得到实际关联性,根据每一个岗位的实际关联性,确认安全隐患岗位,以构成安全隐患岗位集合。
具体的,本发明实施例设定隐患程度阈值,将隐患程度与隐患程度阈值进行比较,当隐患程度大于隐患程度阈值时,该岗位的安全隐患不容忽视,需要进一步追溯隐患源头。
需要说明的是,本发明实施例中隐患程度阈值为经验阈值,且隐患程度阈值的取值为0.5,在其他实施例中,实施者可以根据实际情况进行设定。
进一步地,本发明实施例将每个岗位的隐患程度都与隐患程度阈值对比,当隐患程度大于隐患程度阈值时,根据岗位上的员工在其他岗位上的停留时间获取岗位之间的实时关联性。本发明实施例以第i个岗位为例,统计第i个岗位上的员工在每个岗位区域的停留时间,得到n+1维的区域停留时间序列Gi=[βi0,βi1,βi2,……βin],其中βin表示第i个岗位上的员工在第n个岗位区域的停留时间。对区域停留时间序列作归一化操作,即可得到第i个岗位和其他岗位之间的实时关联性其中,T为员工的换班时间间隔,也即是员工的工作时间。
本发明实施例结合实时关联性和固定关联性得到岗位之间的实际关联性,进而根据每一个岗位的实际关联性确认安全隐患岗位,以构成安全隐患岗位集合,其中,实际关联性的计算公式为:
其中,Pij为第i个岗位和第j个岗位之间的实际关联性;βij为第i个岗位上的员工在第j个岗位区域上的停留时间;为第i个岗位和第j个岗位之间的实时关联性;gij为第i个岗位和第j个岗位之间的固定关联性。
进一步地,本发明实施例设定关联性阈值,选择实际关联性大于关联性阈值时所对应的岗位,该岗位属于安全隐患岗位,进而根据每一个岗位的实际关联性得到的多个安全隐患岗位以形成安全隐患岗位集合,该安全隐患岗位集合内每个岗位上的员工均与生产安全的隐患存在联系。
需要说明的是,本发明实施例中关联性阈值的取值为0.5,在其他实施例中,实施者可根据自身要求设定。
步骤S003,获取安全隐患岗位集合内每一个安全隐患岗位对应的员工的在岗状态和熟练程度。
具体的,本发明实施例根据生产环境中监控相机所采集的RGB图像输入关键点检测网络,获取每一个岗位上员工的人体关键点,进而得到该员工在作业期间的位置信息和人体关键点的光流信息。
本发明实施例中采用编码器-解码器结构的关键点检测网络,将采集的RGB图像输入编码器进行多次下采样得到特征图,特征图通过解码器进行相同次数的上采样得到一张与输入图像等大的关键点热力图,该关键点热力图中包括所有的人体关键点。其中,本发明实施例中的人体关键点为14个关键点,分别为:头部、脖子中心点、左右肩膀、左右手肘、左右髋关节、左右膝关节、左右脚。
需要说明的是,关键点检测网络可以采用OpenPose网络。
在得到每一个岗位上员工的人体关键点信息之后,利用稀疏光流法对时序上的多帧RGB图像进行分析,以得到每一时刻该员工的各个人体关键点的光流信息,该光流信息为人体关键点的运动信息,能够反映人体关键点在某一时刻的速度大小和速度方向。
需要说明的是,稀疏光流法有很多,如KL、KLT等,实施者可根据需要进行选择。
进一步地,从关键点热力图中获得左右脚的关键点,利用热度叠加的方法获得每一个员工的位置数据。热度叠加的方法如下:以时序上一秒一帧的方式进行关键点热力图的叠加,叠加操作基于遗忘算法,其具体方法为:
X=αx+(1-α)x′
其中,X为叠加后的关键点热力图;x为当前帧的关键点热力图;x′为历史帧叠加后的关键点热力图;α为权重,也即重视程度;1-α为遗忘系数。
优选的,在本发明实施例中α的取值为0.05。
叠加后的关键点热力图代表的是员工的位置数据,即该员工在不同时刻对应的岗位。将不同时刻对应的岗位用该岗位区域所对应的编号代替,当不在任意一个岗位区域时,将该员工所处的区域记为编号0。
从员工打卡开始作业直到换班时结束,每秒采集一次数据,进而获得所有员工在作业期间中不同时刻对应的人体关键点的光流信息以及每个员工的位置数据,结合人脸识别技术能够确定每一个员工在作业期间对应的光流信息数据和位置数据。
需要说明的是,位置数据为1维时序数据,表示不同时刻员工所在的岗位区域信息;光流信息数据为14维度的时序数据,表示一个员工在不同时刻时14个人体关键点的速度大小。
进一步地,利用关键点检测网络得到预设时间段内采集的历史光流信息数据和历史位置数据,且根据岗位的不同将历史光流信息数据和历史位置数据存入对应的岗位数据库中,即每一个岗位对应一个岗位数据库,进而针对每个岗位数据库来判断该岗位上员工的熟练程度和在岗状态。
需要说明的是,本发明实施例中预设时间为是指至少有一个月的时间。
具体的,本发明实施例基于每一个岗位数据库,根据换班时间间隔T内同一时刻同一岗位上多个员工的历史位置数据,获取该时刻对应的参考价值指标和标准岗位,进而得到换班时间间隔内每一个时刻对应的标准岗位和所述参考价值指标,以形成对应的标准岗位时序数据和参考价值指标数据。
将同一岗位上员工的实时岗位时序数据与标准岗位时序数据进行对比,以得到岗位偏差序列,根据岗位偏差序列和对应的参考价值指标数据得到员工的在岗状态。
作为一个示例,本发明实施例以岗位i为例,则岗位i上对应员工的在岗状态的获取方法为:
1)由于每一个员工作业时的工作状态不同,会出现相同岗位上的员工在同一时刻所处的岗位不同,该岗位信息可以反映该员工的在岗、离岗、脱岗等信息,从而反映该员工作业时的在岗状态。因此,本发明实施例记岗位i的岗位数据库中共包含m条历史位置数据,也即m个员工在作业时,不同时刻所在的岗位区域信息。将m条历史位置数据根据时间进行排列,统计每一时刻所对应的岗位区域,且每一时刻都会得到一个n+1维度的岗位数据,记时刻t得到的岗位数据为At=[α0,α1,α2,……αn]t,其中,n为生产工序所对应的岗位区域的数量;αn为位于岗位区域n的员工数量。
2)对时刻t得到的岗位数据At进行归一化处理,归一化的方法是将岗位数据中每一个维度的数据除以m,进一步判断该时刻对应岗位数据At的参考价值指标,参考价值指标可以利用当前时刻t的信息熵来反映,时刻t对应的参考价值指标ρt的计算方法如下:
其中,表示时刻t的信息熵;参考价值指标ρt越大表示时刻t的信息熵越小,进而反映的岗位信息越准确,获得的员工岗位信息越可靠;参考价值指标ρt的取值范围为[0,1]。
3)同时利用argmax函数获得岗位数据At中最大值所对应的岗位区域编号,该岗位区域编号对应的岗位即为时刻t对应的标准岗位。
4)同样利用步骤1)至步骤3)对换班间隔时间内每个时刻的岗位数据进行处理,得到每一个时刻所对应的标准岗位以及对应的参考价值指标,进而得到换班的时间间隔T内岗位i上的员工所对应的标准岗位时序数据和参考价值指标数据。
5)将岗位i上实时采集的该员工的实时岗位时序数据与标准岗位时序数据进行相同时刻的岗位信息的异或操作,以得到该员工的岗位偏差序列。
需要说明的是,异或操作是一种相同为0,不同为1的操作。
6)岗位偏差序列能够反映该员工作业时出现的离岗、串岗、脱岗状态,进而本发明实施例利用岗位偏差序列和参考价值指标数据获取该员工的在岗状态,则在岗状态的计算方法为:
其中,Zi为第i个岗位上的员工的在岗状态;ΔWi t为第i个岗位对应岗位偏差序列中时刻t的岗位偏差。
该岗位偏差为0或1;在岗状态Zi的数值越大表示该岗位状态越差,该岗位上的员工出现离岗、串岗的可能性较大。
进一步地,本发明实施例根据每个岗位数据库内存储的历史光流信息数据,得到每个岗位对应的标准光流时序数据,本发明实施例以岗位i为例,获取对应标准光流时序数据的方法为:
1)根据标准岗位时序数据中对应每个时刻的参考价值指标ρt进行筛选。由于参考价值指标越大的时刻所采集到的岗位信息越准确,且员工的光流信息主要用来判断员工作业时的熟练程度和在岗状态,而岗位信息的准确性可直接决定员工光流信息的取舍,因此,本发明实施例将参考价值指标ρt<参考价值阈值ρ′时所对应时刻的历史光流信息数据进行删除。
需要说明的是,参考价值阈值ρ′为经验阈值,本发明实施例中ρ′=0.3,在其他实施例中可根据企业生产安全性的要求进行更改。
2)同时,也将标准岗位时序数据中岗位区域编号为0的时刻所对应的历史光流信息数据进行删除,编号为0的岗位区域表示该员工未在工作岗位,也即该时刻为休息时间,此时采集的光流信息同样没有参考价值。
3)经过两次删除后,计算剩下的每一个时刻中m条历史光流信息数据的均值得到岗位i的标准光流时序数据。
需要说明的是,标准光流时序数据中每一时刻包含14个数值,该数值为14个人体关键点的光流信息的均值。
本发明实施例将岗位i上对应员工的实时光流时序数据和对应时刻的标准光流时序数据进行对比,以获得该岗位上对应员工的熟练程度。
具体的,本发明实施例中岗位i上员工的熟练程度的获取方法:
1)进一步将该员工的实时光流时序数据进行与标准光流时序数据相同的数据删除方法,去除没有参考价值的光流时序数据,将删除后的实时光流时序数据与标准光流时序数据在时序上一一对应,且每一时刻均为14维度的数据,也即14个人体关键点的光流信息。
2)计算一个人体关键点的实时光流时序信息和对应时刻的标准光流时序信息的比值,进而得到员工多个人体关键点相对应的比值数据;计算比值数据的方差,利用比值数据和方差得到该员工的熟练程度。
作为一个示例,本发明实施例中以时刻t为例来获取该时刻对应的比值数据和方差:记时刻t该员工对应的实时光流时序数据中每一个人体关键点的光流信息为标准光流时序数据中相同人体关键点的标准光流信息为/>计算光流信息/>和标准光流信息/>的比值,能够得到该员工的14个人体关键点的比值所对应的比值数据/>且每个人体关键点的光流信息表示该员工的各个人体关键点的速度大小,能够反映该员工的作业速度。速度越大熟练度越高,且各个人体关键点所对应速度大小的方差表示该员工的工作模式,该工作模式能够反映该员工作业时操作的准确性,方差越小熟练度越高,因此,员工的熟练程度的计算方法为:
其中,Yi为岗位i上员工的熟练程度,且Yi越大表示该员工对当前岗位的工作越熟练;为时刻t对应的岗位i上的员工的14个人体关键点的速度的方差;/>为比值数据/>中的第j个比值,j∈[0,13]。
步骤S004,根据由隐患程度、在岗状态和熟练程度建立的企业安全隐患追踪模型预测隐患根源。
具体的,本发明实施例根据隐患程度、在岗状态和熟练程度建立企业安全隐患追踪模型,当岗位存在安全隐患时,利用该企业安全隐患追踪模型得到隐患根源,进而根据隐患根源采取对应的安全管理决策。其中,该企业安全隐患追踪模型包括根据岗位上对应员工的在岗状态确认员工是否需要加强管理、根据熟练程度确认员工是否需要离岗培训。
进一步地,本发明实施例中安全管理决策包括设定在岗状态阈值和熟练程度阈值,当员工的在岗状态超过在岗状态阈值时,说明该员工经常出现串岗、离岗等行为,该行为会增大企业生产的安全隐患,相对应的加强对该员工的管理;当熟练程度小于熟练程度阈值时,表明该员工的操作技能不熟练,容易引起安全隐患,应对该员工及时进行离岗培训。
综上所述,本发明实施例提供了一种企业安全隐患追踪模型的建模方法,该方法通过岗位之间的固定关联性和岗位区域中生产设备的安全隐患等级获取每一个岗位的隐患程度;根据隐患程度确认该岗位存在安全隐患时,基于岗位之间的实际关联性得到影响该岗位的安全隐患岗位;获取安全隐患岗位上对应员工在作业期间的在岗状态和熟练程度,进而通过企业安全隐患追踪模型确认该员工是否需要加强管理或者离岗培训。根据每个岗位的隐患程度利用企业安全隐患追踪模型来排查该岗位上对应员工的工作状态,根据工作状态得到影响该企业生产安全的具体隐患原因,从而根据隐患原因解决生产安全隐患的根源问题,以提高安全管理水平,降低生产安全隐患。
基于与上述方法相同的发明构思,本发明实施例提供了一种企业安全隐患追踪模型的建模系统。
参照附图4,本发明实施例提供了一种企业安全隐患追踪模型的建模系统,该系统包括:岗位隐患检测单元10、隐患岗位获取单元20、员工状态检测单元30以及隐患根源获取单元40。
岗位隐患检测单元10用于获取每一个岗位区域对应生产设备的安全隐患;基于企业的生产工序确定各岗位之间的固定关联性,利用固定关联性、安全隐患和生产环境参数确认每一个岗位的隐患程。
隐患岗位获取单元20用于根据隐患程度确认该岗位存在安全隐患时,根据员工在岗位区域的停留时间得到岗位之间的实时关联性,结合实时关联性和固定关联性得到实际关联性,根据每一个岗位的实际关联性确认安全隐患岗位,以构成安全隐患岗位集合。
员工状态检测单元30用于获取安全隐患岗位集合内每一个安全隐患岗位对应的员工的在岗状态和熟练程度。
隐患根源获取单元40用于根据由隐患程度、在岗状态和熟练程度建立的企业安全隐患追踪模型预测隐患根源。
进一步地,请参阅附图5,其示出了本发明实施例提供的一种电子设备的示意图。该实施例中的该电子设备包括:处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种企业安全隐患追踪模型的建模方法实施例中的步骤,例如图2所示的步骤。或者,处理器执行计算机程序时实现上述一种企业安全隐患追踪模型的建模系统实施例中各单元的功能。
示例性的,计算机程序可以被分割成一个或多个单元,其中一个或者多个单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。其中一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备中的执行过程。
该电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种电子设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,示意图仅仅是该电子设备的示例,并不构成对该电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如该电子设备还可以包括输入输出设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,该处理器是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种企业安全隐患追踪模型的建模方法,其特征在于,该方法包括:
获取每一个岗位区域对应生产设备的安全隐患;基于企业的生产工序确定各岗位之间的固定关联性,利用所述固定关联性、所述安全隐患和生产环境参数确认每一个所述岗位的隐患程度;
根据所述隐患程度确认该所述岗位存在安全隐患时,根据员工在岗位区域的停留时间得到所述岗位之间的实时关联性,结合所述实时关联性和所述固定关联性得到实际关联性,根据每一个所述岗位的所述实际关联性确认安全隐患岗位,以构成安全隐患岗位集合;
获取所述安全隐患岗位集合内每一个所述安全隐患岗位对应的所述员工的在岗状态和熟练程度;
根据由所述隐患程度、所述在岗状态和所述熟练程度建立的所述企业安全隐患追踪模型预测隐患根源;
其中,所述获取每一个岗位区域对应生产设备的安全隐患的步骤,包括:采集所述岗位区域中所述生产设备的实时图像;根据所述实时图像与对应的标准图像得到差异图像,进而根据所述差异图像得到所述生产设备的安全隐患;
所述基于企业的生产工序确定各岗位之间的固定关联性,包括:相邻所述岗位之间的所述固定关联性为1,不相邻所述岗位之间的所述固定关联性为0;
所述在岗状态的获取步骤,包括:根据换班时间间隔内同一时刻同一所述岗位上多个所述员工的历史位置数据,获取该所述时刻对应的参考价值指标和标准岗位,进而得到所述换班时间间隔内每一个时刻对应的所述标准岗位和所述参考价值指标,以形成对应的标准岗位时序数据和参考价值指标数据;将该同一所述岗位上所述员工的实时岗位时序数据与所述标准岗位时序数据进行对比,以得到岗位偏差序列,根据所述岗位偏差序列和对应的所述参考价值指标数据得到所述员工的在岗状态;
所述熟练程度的获取步骤,包括:获取所述员工的每一个人体关键点的光流时序信息;所述光流时序信息包括所述人体关键点在每一时刻的速度大小;计算一个所述人体关键点的实时光流时序信息和对应时刻的标准光流时序信息的比值,进而得到所述员工多个所述人体关键点相对应的比值数据;计算所述比值数据的方差,利用所述比值数据和所述方差得到该所述员工的所述熟练程度。
2.如权利要求1所述的方法,其特征在于,所述企业安全隐患追踪模型包括:
根据所述岗位上对应所述员工的所述在岗状态确认所述员工是否需要加强管理、根据所述熟练程度确认所述员工是否需要离岗培训。
3.如权利要求1所述的方法,其特征在于,所述根据换班时间间隔内同一时刻同一所述岗位上多个所述员工的历史位置数据,获取该所述时刻对应的参考价值指标的步骤,包括:
根据多个所述员工的历史位置数据统计多个所述员工对应的所述岗位区域;
根据每个所述岗位区域对应的员工数量得到该时刻对应的所述参考价值指标。
4.如权利要求1所述的方法,其特征在于,所述差异图像包括所述生产设备的位置差异性和安全设施完整性。
5.一种企业安全隐患追踪模型的建模系统,其特征在于,该系统包括:
岗位隐患检测单元,用于获取每一个岗位区域对应生产设备的安全隐患;基于企业的生产工序确定各岗位之间的固定关联性,利用所述固定关联性、所述安全隐患和生产环境参数确认每一个所述岗位的隐患程度;
隐患岗位获取单元,用于根据所述隐患程度确认该所述岗位存在安全隐患时,根据员工在岗位区域的停留时间得到所述岗位之间的实时关联性,结合所述实时关联性和所述固定关联性得到实际关联性,根据每一个所述岗位的所述实际关联性确认安全隐患岗位,以构成安全隐患岗位集合;
员工状态检测单元,用于获取所述安全隐患岗位集合内每一个所述安全隐患岗位对应的所述员工的在岗状态和熟练程度;
隐患根源获取单元,用于根据由所述隐患程度、所述在岗状态和所述熟练程度建立的所述企业安全隐患追踪模型预测隐患根源;
其中,所述获取每一个岗位区域对应生产设备的安全隐患的步骤,包括:采集所述岗位区域中所述生产设备的实时图像;根据所述实时图像与对应的标准图像得到差异图像,进而根据所述差异图像得到所述生产设备的安全隐患;
所述基于企业的生产工序确定各岗位之间的固定关联性,包括:相邻所述岗位之间的所述固定关联性为1,不相邻所述岗位之间的所述固定关联性为0;
所述在岗状态的获取步骤,包括:根据换班时间间隔内同一时刻同一所述岗位上多个所述员工的历史位置数据,获取该所述时刻对应的参考价值指标和标准岗位,进而得到所述换班时间间隔内每一个时刻对应的所述标准岗位和所述参考价值指标,以形成对应的标准岗位时序数据和参考价值指标数据;将该同一所述岗位上所述员工的实时岗位时序数据与所述标准岗位时序数据进行对比,以得到岗位偏差序列,根据所述岗位偏差序列和对应的所述参考价值指标数据得到所述员工的在岗状态;
所述熟练程度的获取步骤,包括:获取所述员工的每一个人体关键点的光流时序信息;
所述光流时序信息包括所述人体关键点在每一时刻的速度大小;计算一个所述人体关键点的实时光流时序信息和对应时刻的标准光流时序信息的比值,进而得到所述员工多个所述人体关键点相对应的比值数据;计算所述比值数据的方差,利用所述比值数据和所述方差得到该所述员工的所述熟练程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650865.2A CN113379247B (zh) | 2021-06-10 | 2021-06-10 | 企业安全隐患追踪模型的建模方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650865.2A CN113379247B (zh) | 2021-06-10 | 2021-06-10 | 企业安全隐患追踪模型的建模方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379247A CN113379247A (zh) | 2021-09-10 |
CN113379247B true CN113379247B (zh) | 2024-03-29 |
Family
ID=77573855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110650865.2A Active CN113379247B (zh) | 2021-06-10 | 2021-06-10 | 企业安全隐患追踪模型的建模方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379247B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782675B (zh) * | 2022-03-31 | 2022-11-25 | 江苏预立新能源科技有限公司 | 一种安全技术服务领域项目动态定价方法和系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016171213A1 (ja) * | 2015-04-22 | 2016-10-27 | 栄司 田中 | 生産管理装置 |
CN108280579A (zh) * | 2018-01-24 | 2018-07-13 | 杭州凯达电力建设有限公司 | 一种电力企业安全生产管理系统及方法 |
CN110516941A (zh) * | 2019-08-16 | 2019-11-29 | 北京慧辰资道资讯股份有限公司 | 一种基于大数据分析企业生产隐患方法及装置 |
WO2019232894A1 (zh) * | 2018-06-05 | 2019-12-12 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
KR20200006230A (ko) * | 2018-07-10 | 2020-01-20 | 슈어소프트테크주식회사 | 스마트 단말 및 스마트 단말에서의 작업 공정 이상 부분 판별 방법 및 머신러닝 알고리즘을 이용한 작업 공정 자동 기록 서버 및 머신러닝 알고리즘을 이용한 작업 공정 자동 기록 방법, 그리고, 스마트 단말 및 작업 공정 자동 기록 서버간 통신 시스템 |
JP2020013388A (ja) * | 2018-07-19 | 2020-01-23 | 株式会社日立産機システム | 工程管理装置及び方法 |
CN111126839A (zh) * | 2019-12-23 | 2020-05-08 | 广州雅皓检测科技有限公司 | 一种基于区块链技术的企业用职业健康自律管理平台系统 |
CN111653023A (zh) * | 2020-05-22 | 2020-09-11 | 深圳欧依云科技有限公司 | 一种智能工厂监管方法 |
KR102163970B1 (ko) * | 2020-02-28 | 2020-10-12 | (주)투비시스템 | 스마트팩토리의 공정관리시스템 |
KR102247583B1 (ko) * | 2020-03-06 | 2021-05-04 | 한국수자원공사 | 사업장 안전지수 평가 시스템 및 평가 방법 |
CN112750222A (zh) * | 2020-12-29 | 2021-05-04 | 杭州拓深科技有限公司 | 一种基于智能算法的消防值班室人员在岗识别方法 |
CN112862345A (zh) * | 2021-03-01 | 2021-05-28 | 深圳市城市公共安全技术研究院有限公司 | 隐患质检方法、装置、电子设备及存储介质 |
-
2021
- 2021-06-10 CN CN202110650865.2A patent/CN113379247B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016171213A1 (ja) * | 2015-04-22 | 2016-10-27 | 栄司 田中 | 生産管理装置 |
CN108280579A (zh) * | 2018-01-24 | 2018-07-13 | 杭州凯达电力建设有限公司 | 一种电力企业安全生产管理系统及方法 |
WO2019232894A1 (zh) * | 2018-06-05 | 2019-12-12 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
KR20200006230A (ko) * | 2018-07-10 | 2020-01-20 | 슈어소프트테크주식회사 | 스마트 단말 및 스마트 단말에서의 작업 공정 이상 부분 판별 방법 및 머신러닝 알고리즘을 이용한 작업 공정 자동 기록 서버 및 머신러닝 알고리즘을 이용한 작업 공정 자동 기록 방법, 그리고, 스마트 단말 및 작업 공정 자동 기록 서버간 통신 시스템 |
JP2020013388A (ja) * | 2018-07-19 | 2020-01-23 | 株式会社日立産機システム | 工程管理装置及び方法 |
CN110516941A (zh) * | 2019-08-16 | 2019-11-29 | 北京慧辰资道资讯股份有限公司 | 一种基于大数据分析企业生产隐患方法及装置 |
CN111126839A (zh) * | 2019-12-23 | 2020-05-08 | 广州雅皓检测科技有限公司 | 一种基于区块链技术的企业用职业健康自律管理平台系统 |
KR102163970B1 (ko) * | 2020-02-28 | 2020-10-12 | (주)투비시스템 | 스마트팩토리의 공정관리시스템 |
KR102247583B1 (ko) * | 2020-03-06 | 2021-05-04 | 한국수자원공사 | 사업장 안전지수 평가 시스템 및 평가 방법 |
CN111653023A (zh) * | 2020-05-22 | 2020-09-11 | 深圳欧依云科技有限公司 | 一种智能工厂监管方法 |
CN112750222A (zh) * | 2020-12-29 | 2021-05-04 | 杭州拓深科技有限公司 | 一种基于智能算法的消防值班室人员在岗识别方法 |
CN112862345A (zh) * | 2021-03-01 | 2021-05-28 | 深圳市城市公共安全技术研究院有限公司 | 隐患质检方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
企业隐患排查岗位清单编制程序的探讨;王飞;;安全(第11期);43-46 * |
煤矿岗位标准作业流程在精益化与风险预控管理体系中的应用;高登云 等;煤矿安全;第48卷(第S1期);122-127 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379247A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fang et al. | Computer vision for behaviour-based safety in construction: A review and future directions | |
US11775902B2 (en) | System and method to predict, prevent, and mitigate workplace injuries | |
CN114283469B (zh) | 一种基于改进YOLOv4-tiny的轻量型目标检测方法及系统 | |
CN105512624A (zh) | 一种人脸图像的笑脸识别方法及其装置 | |
CN112560745B (zh) | 一种电力作业现场人员甄别方法及相关装置 | |
CN113642896B (zh) | 基于人工智能的健身房安全风险预警方法及系统 | |
CN111709287A (zh) | 基于深度学习的断奶仔猪目标跟踪方法 | |
CN117172414A (zh) | 一种基于bim技术的建筑幕墙施工管理系统 | |
CN113112151B (zh) | 基于多维感知和企业数据量化的智慧风控评估方法与系统 | |
CN113379247B (zh) | 企业安全隐患追踪模型的建模方法及系统 | |
CN114187561A (zh) | 异常行为的识别方法、装置、终端设备及存储介质 | |
CN116862845A (zh) | 一种增光膜质量评估系统 | |
Reyes et al. | Safety gear compliance detection using data augmentation-assisted transfer learning in construction work environment | |
Khavalko et al. | Classification and Recognition of Medical Images Based on the SGTM Neuroparadigm. | |
CN113283800A (zh) | 基于企业安全隐患追踪模型的隐患溯源方法、装置及设备 | |
CN114170588A (zh) | 基于眼部特征的铁路调度员不良状态识别方法 | |
CN112274119B (zh) | 一种基于神经网络的脉搏波模型预测方法 | |
CN116959099B (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
CN118097198B (zh) | 一种基于人工智能的自动着装合规性管控系统及方法 | |
Su et al. | Research on the Corrosion Phenomenon of Iron Parts in the Internal Micro-environment of Relay | |
Zhai | Identification of Abnormal Human Behavior in Intelligent Video Surveillance System | |
Mokuwe et al. | Assembly line quality assurance through hand tracking and object detection | |
Wang et al. | Design and Research of Intelligent Welcome Platform Based on Deep Learning | |
Aleksyuk et al. | Application of the Yolov 8 Neural Network for Detection of Personal Protection Equipment in Hazardous Enterprises | |
CN117037058A (zh) | 一种基于边缘计算的分布式智慧港口安检方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240304 Address after: 100124 3003, floor 26, building 3, No. 82, Middle East Fourth Ring Road, Chaoyang District, Beijing Applicant after: Ruishi Fangda talent Technology Group Co.,Ltd. Country or region after: China Address before: 100028 2905, 25 / F, building 1, yard a 6, Shuguang Sili, Chaoyang District, Beijing Applicant before: XIN'ANLIZHONG (BEIJING) TECHNOLOGY Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |