CN113743326B - 安全带佩戴状态监测系统、方法、装置和计算机设备 - Google Patents
安全带佩戴状态监测系统、方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113743326B CN113743326B CN202111045766.8A CN202111045766A CN113743326B CN 113743326 B CN113743326 B CN 113743326B CN 202111045766 A CN202111045766 A CN 202111045766A CN 113743326 B CN113743326 B CN 113743326B
- Authority
- CN
- China
- Prior art keywords
- safety belt
- monitoring
- wearing state
- video data
- state monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012806 monitoring device Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000004806 packaging method and process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
Abstract
本申请涉及一种安全带佩戴状态监测系统、方法、装置、计算机设备和存储介质,系统包括:安全带卡扣监测设备及摄像设备通过路由设备与边缘计算设备通信连接;安全带卡扣监测设备,监测安全带卡扣与安全带卡板之间的连接状态,并生成安全带连接状态信息并通过路由设备发送至边缘计算设备;摄像设备,从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;将视频数据通过路由设备发送至边缘计算设备;边缘计算设备,接收路由设备发送的安全带连接状态信息及视频数据;通过预先构建的神经网络对安全带连接状态信息及视频数据进行处理,得到安全带佩戴状态监测结果。本公开提高了安全带佩戴状态监测效率,以及监测的实时程度与准确程度。
Description
技术领域
本申请涉及安全监测技术领域,特别是涉及一种安全带佩戴状态监测系统、方法、装置、计算机设备和存储介质。
背景技术
全世界最危险的职业列表中,高空作业始终位居前列;高空坠落几乎没有生还的可能,即使侥幸生还,也有可能因重伤导致终身残疾,因此高空作业必须佩戴安全带。在电力系统作业中,高空作业场景十分常见,而安全带是作业人员的生命带,如何检测安全带作业过程中保持有效工作状态,保障高空作业人员生命安全,是电力系统以及各行各业面临的实际及重要的问题。
传统技术中,通常都是由现场的巡查人员在人工作业前检查工作人员是否佩戴安全带,但是在作业中无法对安全带的佩戴状态进行有效监测,还存在很大安全隐患。因此,目前基于人工、远程视频的安全带穿戴状态监测方式,还存在不可靠、效率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种安全带佩戴状态监测系统、方法、装置、计算机设备和存储介质。
一种安全带佩戴状态监测系统,所述系统包括:安全带卡扣监测设备、摄像设备、边缘计算设备及路由设备;所述安全带卡扣监测设备及摄像设备通过所述路由设备与所述边缘计算设备通信连接;
所述安全带卡扣监测设备,用于监测安全带卡扣与安全带卡板之间的连接状态,并生成安全带连接状态信息;将所述安全带连接状态信息通过所述路由设备发送至所述边缘计算设备;
所述摄像设备,用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;将所述视频数据通过所述路由设备发送至所述边缘计算设备;
所述边缘计算设备,用于接收所述路由设备发送的所述安全带连接状态信息及所述视频数据;通过预先构建的神经网络对所述安全带连接状态信息及所述视频数据进行处理,得到安全带佩戴状态监测结果。
在其中一个实施例中,所述边缘计算设备,还用于根据所述安全带连接状态信息及所述视频数据,确定出安全带佩戴状态监测分值;将所述安全带佩戴状态监测分值与预设安全带佩戴状态监测阈值进行比较,若所述安全带佩戴状态监测分值低于所述预设安全带佩戴状态监测阈值,则确定所述安全带佩戴状态监测结果为不安全状态。
在其中一个实施例中,所述系统还包括终端设备;所述终端设备与所述边缘计算设备通过所述路由设备通信连接;
所述终端设备用于获取所述边缘计算设备发送的所述安全带佩戴状态监测结果;若所述安全带佩戴状态监测结果为不安全状态,则根据所述安全带佩戴状态监测结果生成预警信息,以对相应安全带佩戴人员进行提示。
在其中一个实施例中,所述边缘计算设备包括预先训练的神经网络模块;所述神经网络模块至少包括输入层、隐藏层与输出层;所述输入层用于接收所述安全带连接状态信息及所述视频数据;所述隐藏层用于基于所述安全带连接状态信息及所述视频数据进行加权处理,得到分类结果;所述输出层用于输出所述分类结果,所述分类结果与所述安全带佩戴状态监测分值相对应。
在其中一个实施例中,所述隐藏层中至少包括第一加权算法单元及第二加权算法单元;所述第一加权算法单元中所述安全带连接状态信息对应的权重小于所述视频数据对应的权重;所述第二加权算法单元中所述安全带连接状态信息对应的权重大于所述视频数据对应的权重。
在其中一个实施例中,所述系统还包括安全带佩戴状态监测局域网络,用于通过所述路由设备连接所述安全带卡扣监测设备、摄像设备及边缘计算设备组成局域网络。
一种安全带佩戴状态监测方法,所述方法包括:
通过路由设备分别获取所述安全带卡扣监测设备发送的安全带连接状态信息,及所述摄像设备发送的视频数据;所述安全带卡扣监测设备用于监测安全带卡扣与安全带卡板之间的连接状态,并生成所述安全带连接状态信息;所述摄像设备用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;
通过预先构建的神经网络对所述安全带连接状态信息及所述视频数据进行处理,得到安全带佩戴状态监测结果。
一种安全带佩戴状态监测装置,所述装置包括:
数据获取模块,用于通过路由设备分别获取所述安全带卡扣监测设备发送的安全带连接状态信息,及所述摄像设备发送的视频数据;所述安全带卡扣监测设备用于监测安全带卡扣与安全带卡板之间的连接状态,并生成所述安全带连接状态信息;所述摄像设备用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;
结果生成模块,用于通过预先构建的神经网络对所述安全带连接状态信息及所述视频数据进行处理,得到安全带佩戴状态监测结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
通过路由设备分别获取所述安全带卡扣监测设备发送的安全带连接状态信息,及所述摄像设备发送的视频数据;所述安全带卡扣监测设备用于监测安全带卡扣与安全带卡板之间的连接状态,并生成所述安全带连接状态信息;所述摄像设备用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;
通过预先构建的神经网络对所述安全带连接状态信息及所述视频数据进行处理,得到安全带佩戴状态监测结果。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
通过路由设备分别获取所述安全带卡扣监测设备发送的安全带连接状态信息,及所述摄像设备发送的视频数据;所述安全带卡扣监测设备用于监测安全带卡扣与安全带卡板之间的连接状态,并生成所述安全带连接状态信息;所述摄像设备用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;
通过预先构建的神经网络对所述安全带连接状态信息及所述视频数据进行处理,得到安全带佩戴状态监测结果。
上述安全带佩戴状态监测系统、方法、装置、计算机设备和存储介质,系统包括:安全带卡扣监测设备、摄像设备、边缘计算设备及路由设备;安全带卡扣监测设备及摄像设备通过路由设备与边缘计算设备通信连接;安全带卡扣监测设备,用于监测安全带卡扣与安全带卡板之间的连接状态,并生成安全带连接状态信息;将安全带连接状态信息通过路由设备发送至边缘计算设备;摄像设备,用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;将视频数据通过路由设备发送至边缘计算设备;边缘计算设备,用于接收路由设备发送的安全带连接状态信息及视频数据;通过预先构建的神经网络对安全带连接状态信息及视频数据进行处理,得到安全带佩戴状态监测结果。本公开通过安全带卡扣监测设备、摄像设备获取安全带佩戴状态的相关信息,通过路由设备传输至边缘计算设备得到安全带佩戴状态监测结果,实现了对安全带佩戴状态的实时、准确监测,提高了安全带佩戴状态监测效率,以及监测的实时程度与准确程度。
附图说明
图1为一个实施例中安全带佩戴状态监测系统的结构环境图;
图2为一个实施例中神经网络模块的结构示意图;
图3a为一个实施例中子模块的结构示意图;
图3b为一个实施例中数据读取模块的执行逻辑示意图;
图3c为一个实施例中配置解析模块的执行逻辑示意图;
图3d为一个实施例中资源模块的执行逻辑示意图;
图3e为一个实施例中任务生成模块的执行逻辑示意图;
图4a为一个实施例中安全带卡扣监测设备的结构示意图;
图4b为一个实施例中计算单元的算法逻辑示意图;
图5为一个实施例中安全带佩戴状态监测方法的流程示意图;
图6为一个实施例中安全带佩戴状态监测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的安全带佩戴状态监测系统,其结构如图1所示;系统包括:安全带卡扣监测设备11、摄像设备12、边缘计算设备13及路由设备14;安全带卡扣监测设备11及摄像设备12通过路由设备14与边缘计算设备13通信连接;安全带卡扣监测设备11,用于监测安全带卡扣与安全带卡板之间的连接状态,并生成安全带连接状态信息;将安全带连接状态信息通过路由设备14发送至边缘计算设备13;摄像设备12,用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;将视频数据通过路由设备14发送至边缘计算设备13;边缘计算设备13,用于接收路由设备14发送的安全带连接状态信息及视频数据;通过预先构建的神经网络对安全带连接状态信息及视频数据进行处理,得到安全带佩戴状态监测结果。
其中,安全带卡扣监测设备为采用物联网传感技术的安全带卡扣监控设备,能够实时监控安全带卡扣和安全带卡板之间的连接这状态;例如一种可使用的安全带卡扣监测设备其原理是通过周期性的微电流监测安全带卡扣和安全带卡板之间的导通性,根据导通性的变化特征可以确定出卡扣和卡板之间是否卡紧、松动、断开等状态;安全带卡扣监测设备可以通过wifi、蓝牙、射频、GPRS、4G、5G等多种网络制式与路由设备通信。
其中,摄像设备可以设置一台或多台;多台可以分别设置于地面或者高空作业现场的可安装位置,以能拍摄到作业人员佩戴安全带的状态为设置依据;摄像设备可以以多个角度进行安装,或者具备角度转换的功能,以实现对作业人员移动的追踪,实时获取作业人员佩戴安全带的视频或图像数据。
其中,路由设备可以是一种路由器,能够分别与安全带卡扣监测设备、摄像设备、边缘计算设备通信连接并传输数据;路由设备可以建立设备之间的局域网,或者将多种设备连接到互联网,以实现更多数据传输功能。路由设备在进行数据传输时会依据相应协议对数据进行加密传输,以保障数据的安全。
其中,边缘计算设备是通过人工智能技术,对收集到的安全带连接状态信息及视频数据进行处理并得到相应结果的设备;边缘计算设备中包括预先训练好的神经网络模型,能够在局域网及互联网的网络环境下工作;边缘计算设备还可以离线工作,即在不接入任何网络的情况下对获取到的数据进行分析计算得到相应的计算结果。
其中,安全带连接状态信息包括已连接、未连接、连接松动等多种状态;安全带连接状态信息中还可以包含有连接次数、连接时长、断开连接时间、断开连接时长等;安全带卡扣监测设备可以与作业人员信息相互绑定,将作业人员信息作为连接状态的一部分,对该作业人员佩戴安全带的状态进行记录。例如统计作业人员每日高空作业时安全带正确佩戴时长、安全带穿脱次数等。
其中,安全带佩戴状态监测结果可以表征与作业人员是否佩戴安全带的多种状态;安全带佩戴状态监测结果可以与作业人员信息绑定,也可以与具体的安全带装置相互绑定。
上述安全带佩戴状态监测系统,包括:安全带卡扣监测设备、摄像设备、边缘计算设备及路由设备;安全带卡扣监测设备及摄像设备通过路由设备与边缘计算设备通信连接;安全带卡扣监测设备,用于监测安全带卡扣与安全带卡板之间的连接状态,并生成安全带连接状态信息;将安全带连接状态信息通过路由设备发送至边缘计算设备;摄像设备,用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;将视频数据通过路由设备发送至边缘计算设备;边缘计算设备,用于接收路由设备发送的安全带连接状态信息及视频数据;通过预先构建的神经网络对安全带连接状态信息及视频数据进行处理,得到安全带佩戴状态监测结果。本公开通过安全带卡扣监测设备、摄像设备获取安全带佩戴状态的相关信息,通过路由设备传输至边缘计算设备得到安全带佩戴状态监测结果,实现了对安全带佩戴状态的实时、准确监测,提高了安全带佩戴状态监测效率,以及监测的实时程度与准确程度。
在一个实施例中,边缘计算设备,还用于根据安全带连接状态信息及视频数据,确定出安全带佩戴状态监测分值;将安全带佩戴状态监测分值与预设安全带佩戴状态监测阈值进行比较,若安全带佩戴状态监测分值低于预设安全带佩戴状态监测阈值,则确定安全带佩戴状态监测结果为不安全状态。
其中,安全带佩戴状态监测分值是边缘计算设备根据安全带连接状态信息及视频数据计算出的能够判断安全带佩戴是否符合标准要求的分数;安全带佩戴状态监测分值可以划分为多个等级,例如0-60为未佩戴,61-79为未按标准佩戴,80-100为已按标准佩戴等。
其中,预设安全带佩戴状态监测阈值是根据安全带装置类型,现场作业场景等设置的用于判断安全带佩戴状态监测分值是否达标的依据。若安全带佩戴状态监测分值大于或等于预设安全带佩戴状态监测阈值,则判断作业人员佩戴安全带符合作业标准,反之若安全带佩戴状态监测分值小于预设安全带佩戴状态监测阈值,则判断作业人员佩戴安全带不符合作业标准。预设安全带佩戴状态监测阈值可以实时进行调整,例如根据作业环境、作业人员工作年限、作业人员体型等做出适应性调整。
本实施例通过边缘计算设备,能够根据获取到的数据实时计算安全带佩戴状态监测分值并得到安全带佩戴状态监测结果,提高了安全带佩戴状态监测效率,以及监测结果的实时性和准确性。
在一个实施例中,系统还包括终端设备;终端设备与边缘计算设备通过路由设备通信连接。
其中,终端设备可以是可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,还可以是各种警报设施,例如喇叭、警示灯、门禁闸门等。终端设备可以根据安全带佩戴状态监测结果的不同做出不同反映,进一步可以根据安全带佩戴状态监测结果中的安全带佩戴状态监测分值的大小或等级做出不同反映。例如终端设备为作业现场的门禁闸门,若作业人员的安全带佩戴状态监测分值为75,小于该作业人员对应的预设安全带佩戴状态监测阈值80,则门禁闸门不在该作业人员请求进入时打开,并且提醒该作业人员调整安全带佩戴状态,直到符合预设安全带佩戴状态监测阈值。
本实施例通过终端设备,能够灵活的根据安全带佩戴状态监测结果即时进行响应,确保作业人员安全带佩戴的正确性,提高了安全带佩戴状态监测的效率。
在一个实施例中,边缘计算设备包括预先训练的神经网络模块;神经网络模块至少包括输入层、隐藏层与输出层;输入层用于接收安全带连接状态信息及视频数据;隐藏层用于基于安全带连接状态信息及视频数据进行加权处理,得到分类结果;输出层用于输出分类结果,分类结果与安全带佩戴状态监测分值相对应。
进一步地,隐藏层中至少包括第一加权算法单元及第二加权算法单元;第一加权算法单元中安全带连接状态信息对应的权重小于视频数据对应的权重;第二加权算法单元中安全带连接状态信息对应的权重大于视频数据对应的权重。
其中,边缘计算是指在靠近物或数据源头的一侧,采用网络、计算、存储、应用核心能力为一体的开放平台,就近提供最近端服务。其应用程序在边缘侧发起,产生更快的网络服务响应,满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间,或处于物理实体的顶端。可以访问边缘计算的历史数据边缘计算设备采用机器视觉技术,主要用计算机来模拟人的视觉功能,从客观事物的图像中提取信息,进行处理并加以理解,最终用于实际检测、测量和控制;边缘计算设备还采用深度学习技术,能够学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。
其中,边缘计算设备通过边缘计算对安全带连接状态信息及视频数据进行人工智能分析,不需要连接外网即可实现计算。如图2所示为一种边缘计算设备中神经网络模块的结构示意图;神经网络模块中至少包括输入层、隐藏层和输出层;输入层用于收集安全带连接状态信息和视频数据,视频数据根据拍摄角度、安装位置的不同又可以分为多种,神经网络模块通过对多种角度的视频数据分别进行分析,判断出作业人员所佩戴安全带与人体之间的关系,经过视觉算法计算出安全带佩戴的实时情况。隐藏层根据收集到的安全带连接状态信息及视频数据进行加权分析,可以采用至少两种加权算法,不同加权算法之间的侧重点不一样,例如加权算法1主要侧重把视频数据作为主要判断依据,可以通过设置视频数据的比重大于60%的方式实现;加权算法2主要侧重把安全带连接状态信息作为判依据,可以通过安全带连接状态信息比重大于60%的方式实现。输出层根据收集接收到的隐藏层数据,最后给出安全人员安全带是否安全的综合判断,判断方式可以是给出具体分值、概率、等级等多种方式实现。
其中,边缘计算设备中还包括机器视觉算法模块,为了减少设计的重复性,可以把算法的公用模块提取出来得到多个相对独立的子模块,从而方便不同算法的使用。
例如图3a所示,根据不同的功能和特点,得到如下子模块:数据读取模块,配置解析模块,资源管理模块,任务生成模块、结果生成模块、数据库模块和精调(refine)模块等。同时,为了提高算法配置的灵活性,可以采用管道(pipeline)设计模式,将算法开发和算法配置两个过程分离开来,实现对端到端(end-to-end)算法设计的支持,以及对级联式(cascade)算法设计的支持。数据库模块和精调(refine)模块还能够利用新收集的数据,不断优化和改进算法。
数据读取模块(如图3b所示)用于对输入算法模块的各种数据进行包装,将其封装成统一的数据结构,便于后续算法使用。这种设计可以使算法模块和外部输入数据分离开来,提高框架的稳定性和灵活性。
配置解析模块(如图3c所示)从配置文件中解析出算法名称及其参数,算法的结果及其结构,并生成任务(Task)和结果信息(ResultInfo)两个类,用于后续的任务生成模块和结果生成模块。本模块应该与后续的任务生成模块,资源管理模块,结果生成模块和配置文件格式协调设计。
资源模块(如图3d所示)根据配置文件的内容为算法分配资源,如果资源满足算法要求则继续执行算法,否则终止进程。
任务生成模块(如图3e所示)依据配置解析模块和资源管理模块获得的信息,组织生成具体任务(Task)。每一个任务由不同的算法子模块组合而成(也可由单独一个算法组成),对某一个场景进行处理。
本实施例通过预先训练好的神经网络模块能够实现在无网络或者局域网中进行安全带佩戴状态监测,结合边缘计算技术能够提高安全带佩戴状态监测的响应速度,进一步提高安全带佩戴状态监测效率。
在一个实施例中,系统还包括安全带佩戴状态监测局域网络,用于通过路由设备连接安全带卡扣监测设备、摄像设备及边缘计算设备组成局域网络。
本实施例通过路由设备连接安全带卡扣监测设备、摄像设备及边缘计算设备组成局域网络,使得安全带佩戴状态监测系统可以不受场地、网络等因素限制,即可以应用于任何需要进行安全带佩戴监测的场地。同时局域网络能够使得安全带佩戴状态监测系统在数据传输时不泄露,保障了数据传输的安全。
在一个实施例中,如图4a所示,安全带卡扣监测设备至少包括数据传输单元、计算单元、传感器单元以及卡扣结构单元;其中,卡扣结构单元用来和安全带卡板进行物理连接,使得传感器单元能够对卡紧状态进行识别;传感器单元用来检测安全带卡扣与安全带卡板之间连接的物理变化,并相应产生开关量模拟数据,并把数据传输给计算单元;计算单元通过数据收集、算法分析、结果数据打包、数据发送等步骤,把最终确定出的结果数据传输到数据传输单元;数据发送时采用的是呼吸时间发送数据。在数据收集部分设置呼吸时间,采用轮询方法,按照一定的频率从传感器单元中收集数据,例如可以针对默认设计为500ms的呼吸时间进行设置调整;或者采用定时发送方法。结果数据打包是指将算法分析的数据结合设备编号,版本号,边缘计算设备要求的其他数据内容,一起打包成数据包文件。收集数据的频次和发送数据的频次可以同步,也可以异步,依据实际情况可以调整;数据传输单元负责连接路由设备,通过路由设备把从计算单元获取的数据传输到边缘计算设备。
如图4b所示,为计算单元中预先设置的监测安全带卡扣与安全带卡板之间的连接状态的算法逻辑示意图;该算法逻辑至少包括信号去噪,信号加权分析,信号结果输出三个部分。
其中,信号去噪,是把从传感器单元中获得开关量模拟数据,去除明显异常波动产生的信号,只保留有效数据;去噪的规则是依据根据电信号的时间间隔、频次进行分析;例如正常施工情况下的卡扣开合与出现危险情况下的卡扣开合两种情况下,返回的信号波动频率、间隔不同,根据这个原理来进行去噪分析,获得有效信号。信号加权分析,是把获取的有效信号,采用连续信号加权法,把数据进行加权确认,一般采用收集连续30次有效信号,认为本次收集的信号有效,标识为有效信号数据,反之,标识为无效信号数据。信号输出,是把加权分析后的数据,通过规定的接口输出到下一个计算部分。
在一个实施例中,如图5所示,提供了一种安全带佩戴状态监测方法,包括以下步骤:
步骤501,通过路由设备分别获取安全带卡扣监测设备发送的安全带连接状态信息,及摄像设备发送的视频数据;安全带卡扣监测设备用于监测安全带卡扣与安全带卡板之间的连接状态,并生成安全带连接状态信息;摄像设备用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据。
步骤502,通过预先构建的神经网络对安全带连接状态信息及视频数据进行处理,得到安全带佩戴状态监测结果。
上述安全带佩戴状态监测方法中,通过安全带卡扣监测设备、摄像设备获取安全带佩戴状态的相关信息,通过路由设备传输至边缘计算设备得到安全带佩戴状态监测结果,实现了对安全带佩戴状态的实时、准确监测,提高了安全带佩戴状态监测效率,以及监测的实时程度与准确程度。
应该理解的是,虽然图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种安全带佩戴状态监测装置,包括:数据获取模块601和结果生成模块602,其中:
数据获取模块601,用于通过路由设备分别获取安全带卡扣监测设备发送的安全带连接状态信息,及摄像设备发送的视频数据;安全带卡扣监测设备用于监测安全带卡扣与安全带卡板之间的连接状态,并生成安全带连接状态信息;摄像设备用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;
结果生成模块602,用于通过预先构建的神经网络对安全带连接状态信息及视频数据进行处理,得到安全带佩戴状态监测结果。
关于安全带佩戴状态监测装置的具体限定可以参见上文中对于安全带佩戴状态监测方法的限定,在此不再赘述。上述安全带佩戴状态监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,或者边缘计算服务器;其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储安全带佩戴状态监测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种安全带佩戴状态监测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
通过路由设备分别获取安全带卡扣监测设备发送的安全带连接状态信息,及摄像设备发送的视频数据;安全带卡扣监测设备用于监测安全带卡扣与安全带卡板之间的连接状态,并生成安全带连接状态信息;摄像设备用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;
通过预先构建的神经网络对安全带连接状态信息及视频数据进行处理,得到安全带佩戴状态监测结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
通过路由设备分别获取安全带卡扣监测设备发送的安全带连接状态信息,及摄像设备发送的视频数据;安全带卡扣监测设备用于监测安全带卡扣与安全带卡板之间的连接状态,并生成安全带连接状态信息;摄像设备用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;
通过预先构建的神经网络对安全带连接状态信息及视频数据进行处理,得到安全带佩戴状态监测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种安全带佩戴状态监测系统,其特征在于,所述系统包括:安全带卡扣监测设备、摄像设备、边缘计算设备及路由设备;所述安全带卡扣监测设备及摄像设备通过所述路由设备与所述边缘计算设备通信连接;所述安全带卡扣监测设备至少包括数据传输单元、计算单元、传感器单元以及卡扣结构单元;
所述安全带卡扣监测设备,用于监测安全带卡扣与安全带卡板之间的连接状态,并生成安全带连接状态信息;将所述安全带连接状态信息通过所述路由设备发送至所述边缘计算设备;
所述摄像设备,用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;将所述视频数据通过所述路由设备发送至所述边缘计算设备;
所述边缘计算设备,用于接收所述路由设备发送的所述安全带连接状态信息及所述视频数据;通过预先构建的神经网络对所述安全带连接状态信息及所述视频数据进行加权处理,得到安全带佩戴状态监测分值,根据所述安全带佩戴状态监测分值,确定安全带佩戴状态监测结果;
所述边缘计算设备,还用于根据所述安全带连接状态信息及所述视频数据,确定出安全带佩戴状态监测分值;将所述安全带佩戴状态监测分值与预设安全带佩戴状态监测阈值进行比较,若所述安全带佩戴状态监测分值低于所述预设安全带佩戴状态监测阈值,则确定所述安全带佩戴状态监测结果为不安全状态。
2.根据权利要求1所述的系统,其特征在于,所述系统还包括终端设备;所述终端设备与所述边缘计算设备通过所述路由设备通信连接;
所述终端设备用于获取所述边缘计算设备发送的所述安全带佩戴状态监测结果;若所述安全带佩戴状态监测结果为不安全状态,则根据所述安全带佩戴状态监测结果生成预警信息,以对相应安全带佩戴人员进行提示。
3.根据权利要求1所述的系统,其特征在于,所述边缘计算设备包括预先训练的神经网络模块;所述神经网络模块至少包括输入层、隐藏层与输出层;所述输入层用于接收所述安全带连接状态信息及所述视频数据;所述隐藏层用于基于所述安全带连接状态信息及所述视频数据进行加权处理,得到分类结果;所述输出层用于输出所述分类结果,所述分类结果与所述安全带佩戴状态监测分值相对应。
4.根据权利要求3所述的系统,其特征在于,所述隐藏层中至少包括第一加权算法单元及第二加权算法单元;所述第一加权算法单元中所述安全带连接状态信息对应的权重小于所述视频数据对应的权重;所述第二加权算法单元中所述安全带连接状态信息对应的权重大于所述视频数据对应的权重。
5.根据权利要求1所述的系统,其特征在于,所述摄像设备为一台或者多台,所述路由设备为路由器。
6.根据权利要求1至3任意一项所述的系统,其特征在于,所述系统还包括安全带佩戴状态监测局域网络,用于通过所述路由设备连接所述安全带卡扣监测设备、摄像设备及边缘计算设备组成局域网络。
7.一种安全带佩戴状态监测方法,其特征在于,所述方法包括:
通过路由设备分别获取安全带卡扣监测设备发送的安全带连接状态信息,及摄像设备发送的视频数据;所述安全带卡扣监测设备用于监测安全带卡扣与安全带卡板之间的连接状态,并生成所述安全带连接状态信息;所述安全带卡扣监测设备至少包括数据传输单元、计算单元、传感器单元以及卡扣结构单元;所述摄像设备用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;
通过预先构建的神经网络对所述安全带连接状态信息及所述视频数据进行加权处理,得到安全带佩戴状态监测分值,根据所述安全带佩戴状态监测分值,确定安全带佩戴状态监测结果;
所述通过预先构建的神经网络对所述安全带连接状态信息及所述视频数据进行加权处理,得到安全带佩戴状态监测分值,根据所述安全带佩戴状态监测分值,确定安全带佩戴状态监测结果,包括:
根据所述安全带连接状态信息及所述视频数据,确定出安全带佩戴状态监测分值;将所述安全带佩戴状态监测分值与预设安全带佩戴状态监测阈值进行比较,若所述安全带佩戴状态监测分值低于所述预设安全带佩戴状态监测阈值,则确定所述安全带佩戴状态监测结果为不安全状态。
8.一种安全带佩戴状态监测装置,其特征在于,所述装置包括:
数据获取模块,用于通过路由设备分别获取安全带卡扣监测设备发送的安全带连接状态信息,及摄像设备发送的视频数据;所述安全带卡扣监测设备用于监测安全带卡扣与安全带卡板之间的连接状态,并生成所述安全带连接状态信息;所述安全带卡扣监测设备至少包括数据传输单元、计算单元、传感器单元以及卡扣结构单元;所述摄像设备用于从至少两个角度,采集画面中包含有安全带佩戴人员的视频数据;
结果生成模块,用于通过预先构建的神经网络对所述安全带连接状态信息及所述视频数据进行加权处理,得到安全带佩戴状态监测分值,根据所述安全带佩戴状态监测分值,确定安全带佩戴状态监测结果;
结果生成模块,还用于根据所述安全带连接状态信息及所述视频数据,确定出安全带佩戴状态监测分值;将所述安全带佩戴状态监测分值与预设安全带佩戴状态监测阈值进行比较,若所述安全带佩戴状态监测分值低于所述预设安全带佩戴状态监测阈值,则确定所述安全带佩戴状态监测结果为不安全状态。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求7所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求7所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045766.8A CN113743326B (zh) | 2021-09-07 | 2021-09-07 | 安全带佩戴状态监测系统、方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045766.8A CN113743326B (zh) | 2021-09-07 | 2021-09-07 | 安全带佩戴状态监测系统、方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743326A CN113743326A (zh) | 2021-12-03 |
CN113743326B true CN113743326B (zh) | 2024-01-19 |
Family
ID=78736809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111045766.8A Active CN113743326B (zh) | 2021-09-07 | 2021-09-07 | 安全带佩戴状态监测系统、方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743326B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649594A (zh) * | 2024-01-30 | 2024-03-05 | 深圳市震有智联科技有限公司 | 一种基于边缘计算的边缘融合一体机及其识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013075297A1 (zh) * | 2011-11-23 | 2013-05-30 | 湖南深拓智能设备股份有限公司 | 基于云计算的远程实时监控系统 |
CN106295601A (zh) * | 2016-08-18 | 2017-01-04 | 合肥工业大学 | 一种改进的安全带检测方法 |
JP2017162438A (ja) * | 2016-03-11 | 2017-09-14 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 危険予測方法 |
CN111469802A (zh) * | 2019-01-22 | 2020-07-31 | 通用汽车环球科技运作有限责任公司 | 座椅安全带状态确定系统和方法 |
CN112365692A (zh) * | 2020-11-08 | 2021-02-12 | 华能通辽风力发电有限公司 | 风电场运维人员未戴安全帽检测系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111901573A (zh) * | 2020-08-17 | 2020-11-06 | 泽达易盛(天津)科技股份有限公司 | 一种基于边缘计算的细颗粒度实时监管系统 |
-
2021
- 2021-09-07 CN CN202111045766.8A patent/CN113743326B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013075297A1 (zh) * | 2011-11-23 | 2013-05-30 | 湖南深拓智能设备股份有限公司 | 基于云计算的远程实时监控系统 |
JP2017162438A (ja) * | 2016-03-11 | 2017-09-14 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 危険予測方法 |
CN106295601A (zh) * | 2016-08-18 | 2017-01-04 | 合肥工业大学 | 一种改进的安全带检测方法 |
CN111469802A (zh) * | 2019-01-22 | 2020-07-31 | 通用汽车环球科技运作有限责任公司 | 座椅安全带状态确定系统和方法 |
CN112365692A (zh) * | 2020-11-08 | 2021-02-12 | 华能通辽风力发电有限公司 | 风电场运维人员未戴安全帽检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
变电站现场佩戴安全帽智能监控预警系统研究;朱明增;;中国新技术新产品(24);全文 * |
基于卷积神经网络的矿工安全帽佩戴识别研究;毕林;谢伟;崔君;;黄金科学技术(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113743326A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111115400B (zh) | 检测电梯井道中的电梯维护行为的系统和方法 | |
EP3279700A1 (en) | Security inspection centralized management system | |
CN108319926A (zh) | 一种工地现场的安全帽佩戴检测系统及检测方法 | |
CN100412993C (zh) | 基于状态监测的核电厂智能维护系统 | |
CN111401161A (zh) | 基于智能视频分析算法实现行为识别的智慧建筑管控系统 | |
KR102356666B1 (ko) | 다중로그 데이터 기반의 공공안전 위험상황 감지, 예측, 대응 방법 및 장치 | |
CN208548969U (zh) | 一种安全帽佩戴智能监控系统 | |
CN116224925B (zh) | 一种智能加工管理系统 | |
CN109495723A (zh) | 一种基于雾计算的家用智能监控系统 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN113743326B (zh) | 安全带佩戴状态监测系统、方法、装置和计算机设备 | |
CN114218992A (zh) | 异常对象的检测方法及相关装置 | |
CN115001934A (zh) | 一种工控安全风险分析系统及方法 | |
CN111782484A (zh) | 一种异常检测方法及装置 | |
CN115378711A (zh) | 一种工控网络的入侵检测方法和系统 | |
CN115145788A (zh) | 一种针对智能运维系统的检测数据生成方法和装置 | |
KR20220077404A (ko) | 근로자 안전을 위한 다단계 작업현장 안전 관제 방법 및 시스템 | |
Varghese et al. | Video anomaly detection in confined areas | |
CN116246416A (zh) | 一种用于安防的智能分析预警平台及方法 | |
CN113420739B (zh) | 基于神经网络的智能应急监控方法、系统和可读存储介质 | |
CN110321770B (zh) | 管线监控方法、装置、设备和存储介质 | |
CN115394025A (zh) | 监控方法、装置、电子设备及存储介质 | |
CN117376535B (zh) | 智慧校园安防管控方法及系统 | |
CN115423126B (zh) | 一种基于大数据的消防维保管理系统 | |
KR102617063B1 (ko) | 환경기초시설 작업자를 위한 인공지능 기반의 작업자 안전관리 시스템 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |