CN114021969B - 一种涉农企业安全生产风险指数分析系统 - Google Patents
一种涉农企业安全生产风险指数分析系统 Download PDFInfo
- Publication number
- CN114021969B CN114021969B CN202111300188.8A CN202111300188A CN114021969B CN 114021969 B CN114021969 B CN 114021969B CN 202111300188 A CN202111300188 A CN 202111300188A CN 114021969 B CN114021969 B CN 114021969B
- Authority
- CN
- China
- Prior art keywords
- image
- data
- production
- module
- detected
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 134
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000010191 image analysis Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 26
- 238000003745 diagnosis Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 17
- 238000012502 risk assessment Methods 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 6
- 230000006378 damage Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 208000034656 Contusions Diseases 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 208000034526 bruise Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种涉农企业安全生产风险指数分析系统,包括:图像获取模块,用于获取各个生产环节的待检测图像;处理模块,用于对所述待检测图像进行图像解析,得到解析数据,对所述解析数据进行数据预处理,得到目标数据并传输至服务器;服务器,用于根据所述目标数据计算出各个生产环节的风险指数并进行显示。对安全生产流程进行全面的监控,准确计算出各个生产环节的风险指数,根据各个生产环节的风险指数进行针对性的风险预控,减少生产事故的发生,消除安全隐患。
Description
技术领域
本发明涉及安全生产技术领域,特别涉及一种涉农企业安全生产风险指数分析系统。
背景技术
目前,企业在生产过程中很注重安全管理,以减少生产事故的发生。现有技术中对安全生产流程缺乏全面的监控,没有准确计算出各个生产环节的风险指数,不能根据各个生产环节的风险指数进行针对性的风险预控,存在一定的安全隐患。
发明内容
本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此,本发明的目的在于提出一种涉农企业安全生产风险指数分析系统,对安全生产流程进行全面的监控,准确计算出各个生产环节的风险指数,根据各个生产环节的风险指数进行针对性的风险预控,减少生产事故的发生,消除安全隐患。
为达到上述目的,本发明实施例提出了一种涉农企业安全生产风险指数分析系统,包括:
图像获取模块,用于获取各个生产环节的待检测图像;
处理模块,用于对所述待检测图像进行图像解析,得到解析数据,对所述解析数据进行数据预处理,得到目标数据并传输至服务器;
服务器,用于根据所述目标数据计算出各个生产环节的风险指数并进行显示。
根据本发明的一些实施例,所述处理模块包括:
第一获取模块,用于获取所述待检测图像的第一优先级信息,并建立待检测图像的第一排队队列;
第二获取模块,用于获取空闲的处理节点及空闲的处理节点的计算信息,根据所述计算信息建立处理节点的第二排队队列;
分配模块,用于根据所述第一排队队列及所述第二排队队列基于预设规则对处理待检测图像的处理节点进行资源分配;
解析模块,用于基于处理节点对分配的待检测图像进行图像解析,得到解析数据;
数据预处理模块,用于对所述解析数据进行数据预处理,得到目标数据并传输至服务器。
根据本发明的一些实施例,所述数据预处理包括数据清洗。
根据本发明的一些实施例,所述服务器还用于:
设置各个生产环节在生产流程中的权重系数;
根据各个生产环节的风险指数及权重系数,计算出生产流程的生产风险指数并进行显示。
根据本发明的一些实施例,还包括:
确定模块,用于根据生产流程的生产风险指数确定风险等级,根据所述风险等级确定对应的风险预控。
根据本发明的一些实施例,所述服务器还用于基于风险矩阵评估法、LEC评价法及MES评价法中的至少一种方法进行风险评估,得到风险评估结果,根据所述风险评估结果确定风险等级。
根据本发明的一些实施例,还包括存储模块,用于将所述解析数据进行归类存档。
根据本发明的一些实施例,所述服务器还用于将生产流程的生产风险指数传输至用户终端。
根据本发明的一些实施例,所述处理模块还包括:
灰度化处理模块,用于对所述待检测图像进行灰度化处理,得到待检测图像的灰度梯度分布;
图像分割模块,用于根据所述灰度梯度分布对所述待检测图像进行图像分割,得到若干个子待检测图像;
第一确定模块,用于对所述子待检测图像进行网格化处理,得到若干个网格,分别获取每个网格中包括的像素点的密度,将每个网格中包括的像素点的密度及网格数量输入预先训练好的神经网络模型中,确定子待检测图像对应的目标名称并进行标记;
第二确定模块,用于根据所述目标名称查询预设数据库,得到目标图像,将所述目标图像与子待检测图像进行匹配,根据匹配结果确定子待检测图像上的目标轮廓,在子待检测图像上截取轮廓图像;
第三确定模块,用于获取所述轮廓图像的图像分辨率,根据所述图像分辨率对所述轮廓图像进行图像分解,确定多阶子图像;
降噪模块,用于分别获取每一阶子图像的纹理特征,根据所述纹理特征确定对应的子图像的降噪系数,根据所述降噪系数确定对应的子图像的降噪权重,根据所述降噪权重对对应的子图像进行降噪处理,得到降噪后的轮廓图像;
第三获取模块,用于获取降噪后的轮廓图像中轮廓的边缘像素点,并生成边缘像素点集合;
第四获取模块,用于获取降噪后的轮廓图像中像素点的灰度值,并判断是否大于预设灰度值,将灰度值大于预设灰度值的像素点作为目标像素点,并生成目标像素点集合;
计算模块,用于:
确定所述边缘像素点集合与所述目标像素点集合中的相同像素点的第一数量;
获取边缘像素点集合中除去相同像素点后的像素点的第二数量;
将所述第二数量与所述目标像素点集合中包括的像素点的数量进行相加,得到第三数量;
计算所述第一数量与所述第三数量的比值;
增强模块,用于:
在确定所述比值小于预设比值时,对所述轮廓图像进行高斯模糊处理,获取高斯模糊处理后轮廓图像中每个像素点的灰度值;
计算高斯模糊处理前后轮廓图像中每个像素点的灰度差值,根据灰度差值确定对应像素点的增强系数,根据所述增强系数对相应的像素点进行增强处理。
根据本发明的一些实施例,还包括:
第五获取模块,用于获取生产设备在预设时间段内各个组成部件的运行数据;
第四确定模块,用于将所述运行数据输入预先训练好的回归模型中,得到组成部件的预测工况参数,将所述预测工况参数与标准工况参数进行比较,根据比较结果确定各个组成部件的健康参数;
诊断模块,用于:根据所述组成部件的健康参数及构造信息建立生产设备的模拟模型,将生产设备的动作参数输入模拟模型中,输出模拟数据;获取生产设备在基于动作参数运行后的真实数据;将模拟数据和真实数据分别基于预设的分割规则,分割为若干个子模拟数据及若干个子真实数据;分别获取若干个子模拟数据的第一属性信息;分别获取若干个子真实数据的第二属性信息;根据所述第一属性信息及所述第二属性信息进行匹配,得到若干组匹配数据,每一组匹配数据中包括一个子模拟数据和一个子真实数据;根据若干组匹配数据对生产设备进行异常诊断,确定诊断结果并发送至服务器;
所述服务器,用于根据所述目标数据及所述诊断结果计算出各个生产环节的风险指数并进行显示。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是根据本发明第一个实施例的一种涉农企业安全生产风险指数分析系统的框图;
图2是根据本发明一个实施例的处理模块的框图;
图3是根据本发明第二个实施例的一种涉农企业安全生产风险指数分析系统的框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提出了一种涉农企业安全生产风险指数分析系统,包括:
图像获取模块,用于获取各个生产环节的待检测图像;
处理模块,用于对所述待检测图像进行图像解析,得到解析数据,对所述解析数据进行数据预处理,得到目标数据并传输至服务器;
服务器,用于根据所述目标数据计算出各个生产环节的风险指数并进行显示。
上述技术方案的工作原理:图像获取模块,用于获取各个生产环节的待检测图像;处理模块,用于对所述待检测图像进行图像解析,得到解析数据,对所述解析数据进行数据预处理,得到目标数据并传输至服务器;服务器,用于根据所述目标数据计算出各个生产环节的风险指数并进行显示。
上述技术方案的有益效果:对安全生产流程进行全面的监控,准确计算出各个生产环节的风险指数,根据各个生产环节的风险指数进行针对性的风险预控,减少生产事故的发生,消除安全隐患。
如图2所示,根据本发明的一些实施例,所述处理模块包括:
第一获取模块,用于获取所述待检测图像的第一优先级信息,并建立待检测图像的第一排队队列;
第二获取模块,用于获取空闲的处理节点及空闲的处理节点的计算信息,根据所述计算信息建立处理节点的第二排队队列;
分配模块,用于根据所述第一排队队列及所述第二排队队列基于预设规则对处理待检测图像的处理节点进行资源分配;
解析模块,用于基于处理节点对分配的待检测图像进行图像解析,得到解析数据;
数据预处理模块,用于对所述解析数据进行数据预处理,得到目标数据并传输至服务器。
上述技术方案的工作原理:所述处理模块包括第一获取模块,用于获取所述待检测图像的第一优先级信息,并建立待检测图像的第一排队队列;第二获取模块,用于获取空闲的处理节点及空闲的处理节点的计算信息,根据所述计算信息建立处理节点的第二排队队列;计算信息包括计算能力和计算费用。分配模块,用于根据所述第一排队队列及所述第二排队队列基于预设规则对处理待检测图像的处理节点进行资源分配;预设规则包括:在确定第一排队队列与所述第二排队队列的长度相等时,将第一排队队列与所述第二排队队列进行对应匹配,即一个处理节点对应一个待检测图像;在确定第一排队队列的长度小于第二排队队列的长度时,将第一排队队列中待检测图像分配至第二排队队列的前端的处理节点,每个处理节点对应一个待检测图像;在确定第一排队队列的长度大于第二排队队列的长度时,基于第一排队队列的长度及第二排队队列的长度,确定每一个处理节点至少需要分配的待检测图像的数量,并按照第二排队队列的顺序分配。处理节点可以为边缘计算节点。解析模块,用于基于处理节点对分配的待检测图像进行图像解析,得到解析数据;数据预处理模块,用于对所述解析数据进行数据预处理,得到目标数据并传输至服务器。
上述技术方案的有益效果:对处理节点的分配更加合理,实现对处理节点的计算资源的有效调度以实现计算收益的最大化,进而提高计算速率,根据图像获取模块获取的待检测图像,在边缘侧基于处理节点实现快速响应,满足智能化监控的的需求,同时基于图像识别技术,准确确定目标数据,提高了服务器根据目标数据计算出各个生产环节的风险指数的准确性,
根据本发明的一些实施例,所述数据预处理包括数据清洗。
有益效果:便于消除冗余数据,减少计算量,提高计算速率。
根据本发明的一些实施例,所述服务器还用于:
设置各个生产环节在生产流程中的权重系数;
根据各个生产环节的风险指数及权重系数,计算出生产流程的生产风险指数并进行显示。
上述技术方案的工作原理:设置各个生产环节在生产流程中的权重系数;根据各个生产环节的风险指数及权重系数,计算出生产流程的生产风险指数并进行显示。
上述技术方案的有益效果:由局部到整体,准确计算出整个生产流程的生产风险指数,便于从整体评估生产流程的生产风险,便于采取对应的措施。
在一实施例中,计算生产流程的生产风险指数:
其中,T为生产流程的生产风险指数;Si为第i个生产环节的风险指数;λi为第i个生产环节的权重系数;N为生产流程包括的生产环节的数量。
有益效果:便于准确计算出生产流程的生产风险指数。
根据本发明的一些实施例,还包括:
确定模块,用于根据生产流程的生产风险指数确定风险等级,根据所述风险等级确定对应的风险预控。
上述技术方案的工作原理:确定模块,用于根据生产流程的生产风险指数确定风险等级,根据所述风险等级确定对应的风险预控。
上述技术方案的有益效果:基于不同风险等级确定不同的风险预控,提高风险管控的有效性。
根据本发明的一些实施例,所述服务器还用于基于风险矩阵评估法、LEC评价法及MES评价法中的至少一种方法进行风险评估,得到风险评估结果,根据所述风险评估结果确定风险等级。
风险矩阵评估法,是由风险可能造成事故的后果(损失)和风险导致事故发生的可能性(概率)来综合评判。
使用下表的风险矩阵法判定安全隐患等级,其中可能造成风险水平“低”的为四级(Ⅳ级)风险,可能造成风险水平“中”的为三级(Ⅲ级)风险,可能造成风险水平“高”的为二级(Ⅱ级)风险,可能造成风险水平“很高”的为一级(Ⅰ级)风险。
注:1)“事故后果等级”的定性判定方法见表1;
2)“事故发生的可能性”指每年发生这类事故的次数,其中范围“0.01~0.1”的表示“≥0.01,<0.1”,其他类似。
3)根据引起事故后果发生可能性,由每年发生这类事故的次数来表示,数值越大说明发生事故的可能性也越大。
事故后果等级定性判定方法如下:
表1事故后果等级表
LEC评价法对具有潜在危险性作业环境中的危险源进行半定量的安全评价方法,用于评价操作人员在具有潜在危险性环境中作业时的危险性、危害性。
LEC评价法是用与系统风险有关的三种因素指标值的乘积(D)来评价操作人员伤亡风险大小,这三种因素分别是:发生事故或危险事件的可能性(L)、人体暴露于危险环境的频率(E)、一旦发生事故可能产生的后果(C),即:D=L×E×C。
根据以往经验和估计,分别对这三个方面划分不同的等级,并赋值。具体如下:
表2LEC法中L的取值
分数值 | 事故发生的可能性 |
10 | 完全可以预料 |
6 | 相当可能 |
3 | 可能,但不经常 |
1 | 可能性小,完全意外 |
0.5 | 很不可能,可以设想 |
0.2 | 极不可能 |
0.1 | 实际不可能 |
表3LEC法中E的取值
分数值 | 暴露于危险环境的频繁程度 |
10 | 连续暴露 |
6 | 每天工作时间内暴露 |
3 | 每周一次或偶然暴露 |
2 | 每月一次暴露 |
1 | 每年几次暴露 |
0.5 | 非常罕见暴露 |
表4LEC法中C的取值
表5LEC法中D的取值
D值 | 危险程度 |
>320 | 极其危险,不能继续作业 |
160-320 | 高度危险,要立即整改 |
70-160 | 显著危险,需要整改 |
20-70 | 一般危险,需要注意 |
<20 | 稍有危险,可以接受 |
MES评价法:事故发生的可能性L:人身伤害事故和职业相关病症发生的可能性主要取决于对于特定危害的控制措施的状态M和人体暴露于危害(危险状态)的频繁程度E1;单纯财产损失事故和环境污染事故发生的可能性主要取决于对于特定危害的控制措施的状态M和危害(危险状态)出现的频次E2。
控制措施的状态M:对于特定危害引起特定事故(这里“特定事故”一词既包含“类型”的含义,如碰伤、灼伤、轧入、高处坠落、触电、火灾、爆炸等;也包含“程度”的含义,如死亡、永久性部分丧失劳动能力、暂时性全部丧失劳动能力、仅需急救、轻微设备损失等)而言,无控制措施时发生的可能性较大,有减轻后果的应急措施时发生的可能性较小,有预防措施时发生的可能性最小。控制措施的状态M的赋值见表6。
表6控制措施的状态M
人体暴露或危险状态出现的频繁程度E:人体暴露于危险状态的频繁程度越大,发生伤害事故的可能性越大;危险状态出现的频次越高,发生财产损失的可能性越大。人体暴露的频繁程度或危险状态出现的频次E的赋值见表7。
表7人体暴露的频繁程度或危险状态出现的频次E
事故的可能后果S:表8表示按伤害、职业相关病症、财产损失、环境影响等方面不同事故后果的分档赋值。
表8事故的可能后果S
根据可能性和后果确定风险程度R=L·S=MES。
将控制措施的状态M、暴露的频繁程度E(E1或E2)、一旦发生事故会造成的损失后果S分别分为若干等级,并赋予一定的相应分值。风险程度R为三者的乘积。将R亦分为若干等级。针对特定的作业条件,恰当选取M、E、S的值,根据相乘后的积确定风险程度R的级别。风险程度的分级见表9。
表9风险程度的分级
对排查出来的风险点进行分级,先确定风险类别(泄漏、火灾、爆炸、中毒、坍塌、坠落等危险因素和高温、粉尘、有毒物质等有害因素),再按照危险程度及可能造成后果的严重性,根据安全生产风险评估的结果将安全生产风险等级划分为四级,一级风险最高,四级风险最低。划分标准见表10。
表10风险分级表
根据本发明的一些实施例,还包括存储模块,用于将所述解析数据进行归类存档。
上述技术方案的工作原理及有益效果:a)生产经营单位应明确规定安全生产风险评估结果的记录内容及保存年限。b)安全生产风险评估的结果应适时传达给相关部门及人员,生产经营单位安全生产管理机构汇总风险辨识和评估情况,并进行核实下发给各班组。c)生产经营单位在建立、实施及执行其有关安全管理体系时,应确保已将这些安全生产风险与其控制措施纳入考量。
根据本发明的一些实施例,所述服务器还用于将生产流程的生产风险指数传输至用户终端。
在一实施例中,实现分级预控,a)一级风险必须由生产经营单位企业级或集团级直接领导管控,对预控措施按立项要求制定管控方案和具体实施计划,明确相应的责任、时间和具体措施,保证相应的资源投入,综合运用工程技术和管理等措施,将预控措施纳入相应的安全操作规程,全面整改降低风险级别。不能立即整改的,必须制定相应的日常监测技术手段。b)二级风险可由生产经营单位企业级直接领导管控,也可由风险源所在部门(车间或以上级)管控,企业级提供支持。制定管控计划,明确相应的责任、时间和具体措施,保证相应的资源投入,优先运用工程技术措施,同采取管理措施,视需要将预控措施纳入相应的安全操作规程,降低风险级别。不能立即整改的,必须制定相应的日常监测技术手段。c)三级风险主要由车间级管控,提出管控要求,明确相应的责任、时间和具体措施,保证相应的资源投入,视需要运用工程技术措施,主要采取管理措施,对相关人员进行培训,对措施的落实情况进行监督检查,对人员的管控能力进行考核。d)四级风险由班组或岗位管控,明确具体措施并落实,相关人员应了解风险源和管控情况。
根据本发明的一些实施例,所述处理模块还包括:
灰度化处理模块,用于对所述待检测图像进行灰度化处理,得到待检测图像的灰度梯度分布;
图像分割模块,用于根据所述灰度梯度分布对所述待检测图像进行图像分割,得到若干个子待检测图像;
第一确定模块,用于对所述子待检测图像进行网格化处理,得到若干个网格,分别获取每个网格中包括的像素点的密度,将每个网格中包括的像素点的密度及网格数量输入预先训练好的神经网络模型中,确定子待检测图像对应的目标名称并进行标记;
第二确定模块,用于根据所述目标名称查询预设数据库,得到目标图像,将所述目标图像与子待检测图像进行匹配,根据匹配结果确定子待检测图像上的目标轮廓,在子待检测图像上截取轮廓图像;
第三确定模块,用于获取所述轮廓图像的图像分辨率,根据所述图像分辨率对所述轮廓图像进行图像分解,确定多阶子图像;
降噪模块,用于分别获取每一阶子图像的纹理特征,根据所述纹理特征确定对应的子图像的降噪系数,根据所述降噪系数确定对应的子图像的降噪权重,根据所述降噪权重对对应的子图像进行降噪处理,得到降噪后的轮廓图像;
第三获取模块,用于获取降噪后的轮廓图像中轮廓的边缘像素点,并生成边缘像素点集合;
第四获取模块,用于获取降噪后的轮廓图像中像素点的灰度值,并判断是否大于预设灰度值,将灰度值大于预设灰度值的像素点作为目标像素点,并生成目标像素点集合;
计算模块,用于:
确定所述边缘像素点集合与所述目标像素点集合中的相同像素点的第一数量;
获取边缘像素点集合中除去相同像素点后的像素点的第二数量;
将所述第二数量与所述目标像素点集合中包括的像素点的数量进行相加,得到第三数量;
计算所述第一数量与所述第三数量的比值;
增强模块,用于:
在确定所述比值小于预设比值时,对所述轮廓图像进行高斯模糊处理,获取高斯模糊处理后轮廓图像中每个像素点的灰度值;
计算高斯模糊处理前后轮廓图像中每个像素点的灰度差值,根据灰度差值确定对应像素点的增强系数,根据所述增强系数对相应的像素点进行增强处理。
上述技术方案的工作原理:灰度化处理模块,用于对所述待检测图像进行灰度化处理,得到待检测图像的灰度梯度分布;图像分割模块,用于根据所述灰度梯度分布对所述待检测图像进行图像分割,得到若干个子待检测图像;第一确定模块,用于对所述子待检测图像进行网格化处理,得到若干个网格,分别获取每个网格中包括的像素点的密度,将每个网格中包括的像素点的密度及网格数量输入预先训练好的神经网络模型中,确定子待检测图像对应的目标名称并进行标记;第二确定模块,用于根据所述目标名称查询预设数据库,得到目标图像,将所述目标图像与子待检测图像进行匹配,根据匹配结果确定子待检测图像上的目标轮廓,在子待检测图像上截取轮廓图像;预设数据库为包括目标名称与对应图像的数据库。第三确定模块,用于获取所述轮廓图像的图像分辨率,根据所述图像分辨率对所述轮廓图像进行图像分解,确定多阶子图像;降噪模块,用于分别获取每一阶子图像的纹理特征,根据所述纹理特征确定对应的子图像的降噪系数,根据所述降噪系数确定对应的子图像的降噪权重,根据所述降噪权重对对应的子图像进行降噪处理,得到降噪后的轮廓图像;根据所述降噪系数及建立的高斯函数确定对应的子图像的降噪权重。第三获取模块,用于获取降噪后的轮廓图像中轮廓的边缘像素点,并生成边缘像素点集合;第四获取模块,用于获取降噪后的轮廓图像中像素点的灰度值,并判断是否大于预设灰度值,将灰度值大于预设灰度值的像素点作为目标像素点,并生成目标像素点集合;计算模块,用于:确定所述边缘像素点集合与所述目标像素点集合中的相同像素点的第一数量;获取边缘像素点集合中除去相同像素点后的像素点的第二数量;将所述第二数量与所述目标像素点集合中包括的像素点的数量进行相加,得到第三数量;计算所述第一数量与所述第三数量的比值;增强模块,用于:在确定所述比值小于预设比值时,对所述轮廓图像进行高斯模糊处理,获取高斯模糊处理后轮廓图像中每个像素点的灰度值;计算高斯模糊处理前后轮廓图像中每个像素点的灰度差值,根据灰度差值确定对应像素点的增强系数,根据所述增强系数对相应的像素点进行增强处理。
上述技术方案的有益效果:基于灰度梯度分布实现准确的图像分割,进而识别中待检测图像包括的目标名称,准确子待检测图像上截取轮廓图像。对根据所述图像分辨率对所述轮廓图像进行图像分解,确定多阶子图像根据自身的纹理特征,确定对应的降噪权重,使得降噪更具有针对性,提高了降噪的效果,准确计算出轮廓图像中第一数量与所述第三数量的比值,即清晰度,在确定清晰度小于预设清晰度时,进行图像增强处理,根据图像增强处理后的图像便于提高图像解析速率及解析正确性,保证获取的解析数据的准确性。
如图3所示,根据本发明的一些实施例,还包括:
第五获取模块,用于获取生产设备在预设时间段内各个组成部件的运行数据;
第四确定模块,用于将所述运行数据输入预先训练好的回归模型中,得到组成部件的预测工况参数,将所述预测工况参数与标准工况参数进行比较,根据比较结果确定各个组成部件的健康参数;
诊断模块,用于:根据所述组成部件的健康参数及构造信息建立生产设备的模拟模型,将生产设备的动作参数输入模拟模型中,输出模拟数据;获取生产设备在基于动作参数运行后的真实数据;将模拟数据和真实数据分别基于预设的分割规则,分割为若干个子模拟数据及若干个子真实数据;分别获取若干个子模拟数据的第一属性信息;分别获取若干个子真实数据的第二属性信息;根据所述第一属性信息及所述第二属性信息进行匹配,得到若干组匹配数据,每一组匹配数据中包括一个子模拟数据和一个子真实数据;根据若干组匹配数据对生产设备进行异常诊断,确定诊断结果并发送至服务器;
所述服务器,用于根据所述目标数据及所述诊断结果计算出各个生产环节的风险指数并进行显示。
上述技术方案的工作原理:第五获取模块,用于获取生产设备在预设时间段内各个组成部件的运行数据;第四确定模块,用于将所述运行数据输入预先训练好的回归模型中,得到组成部件的预测工况参数,将所述预测工况参数与标准工况参数进行比较,根据比较结果确定各个组成部件的健康参数;诊断模块,用于:根据所述组成部件的健康参数及构造信息建立生产设备的模拟模型,将生产设备的动作参数输入模拟模型中,输出模拟数据;获取生产设备在基于动作参数运行后的真实数据;将模拟数据和真实数据分别基于预设的分割规则,分割为若干个子模拟数据及若干个子真实数据;分别获取若干个子模拟数据的第一属性信息;分别获取若干个子真实数据的第二属性信息;根据所述第一属性信息及所述第二属性信息进行匹配,得到若干组匹配数据,每一组匹配数据中包括一个子模拟数据和一个子真实数据;根据若干组匹配数据对生产设备进行异常诊断,确定诊断结果并发送至服务器;所述服务器,用于根据所述目标数据及所述诊断结果计算出各个生产环节的风险指数并进行显示。回归模型为基于回归算法将运行数据及运行工况建立了关联关系,生成的数据模型。
上述技术方案的有益效果:准确计算出各个组成部件的健康参数,有利于根据所述组成部件的健康参数及构造信息建立生产设备的模拟模型,保证建立的模拟模型的准确性。基于若干组匹配数据对生产设备进行异常诊断,确定诊断结果,实现对生产设备的准确诊断。服务器,用于根据所述目标数据及所述诊断结果计算出各个生产环节的风险指数,基于目标数据(外部)及生产设备(内部)的诊断结果,提高了计算出的风险指数的准确性,便于确定准确的风险等级并采集相应的风险预控。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种涉农企业安全生产风险指数分析系统,其特征在于,包括:
图像获取模块,用于获取各个生产环节的待检测图像;
处理模块,用于对所述待检测图像进行图像解析,得到解析数据,对所述解析数据进行数据预处理,得到目标数据并传输至服务器;
服务器,用于根据所述目标数据计算出各个生产环节的风险指数并进行显示;
所述处理模块还包括:
灰度化处理模块,用于对所述待检测图像进行灰度化处理,得到待检测图像的灰度梯度分布;
图像分割模块,用于根据所述灰度梯度分布对所述待检测图像进行图像分割,得到若干个子待检测图像;
第一确定模块,用于对所述子待检测图像进行网格化处理,得到若干个网格,分别获取每个网格中包括的像素点的密度,将每个网格中包括的像素点的密度及网格数量输入预先训练好的神经网络模型中,确定子待检测图像对应的目标名称并进行标记;
第二确定模块,用于根据所述目标名称查询预设数据库,得到目标图像,将所述目标图像与子待检测图像进行匹配,根据匹配结果确定子待检测图像上的目标轮廓,在子待检测图像上截取轮廓图像;
第三确定模块,用于获取所述轮廓图像的图像分辨率,根据所述图像分辨率对所述轮廓图像进行图像分解,确定多阶子图像;
降噪模块,用于分别获取每一阶子图像的纹理特征,根据所述纹理特征确定对应的子图像的降噪系数,根据所述降噪系数确定对应的子图像的降噪权重,根据所述降噪权重对对应的子图像进行降噪处理,得到降噪后的轮廓图像;
第三获取模块,用于获取降噪后的轮廓图像中轮廓的边缘像素点,并生成边缘像素点集合;
第四获取模块,用于获取降噪后的轮廓图像中像素点的灰度值,并判断是否大于预设灰度值,将灰度值大于预设灰度值的像素点作为目标像素点,并生成目标像素点集合;
计算模块,用于:
确定所述边缘像素点集合与所述目标像素点集合中的相同像素点的第一数量;
获取边缘像素点集合中除去相同像素点后的像素点的第二数量;
将所述第二数量与所述目标像素点集合中包括的像素点的数量进行相加,得到第三数量;
计算所述第一数量与所述第三数量的比值;
增强模块,用于:
在确定所述比值小于预设比值时,对所述轮廓图像进行高斯模糊处理,获取高斯模糊处理后轮廓图像中每个像素点的灰度值;
计算高斯模糊处理前后轮廓图像中每个像素点的灰度差值,根据灰度差值确定对应像素点的增强系数,根据所述增强系数对相应的像素点进行增强处理;还包括:
第五获取模块,用于获取生产设备在预设时间段内各个组成部件的运行数据;
第四确定模块,用于将所述运行数据输入预先训练好的回归模型中,得到组成部件的预测工况参数,将所述预测工况参数与标准工况参数进行比较,根据比较结果确定各个组成部件的健康参数;
诊断模块,用于:根据所述组成部件的健康参数及构造信息建立生产设备的模拟模型,将生产设备的动作参数输入模拟模型中,输出模拟数据;获取生产设备在基于动作参数运行后的真实数据;将模拟数据和真实数据分别基于预设的分割规则,分割为若干个子模拟数据及若干个子真实数据;分别获取若干个子模拟数据的第一属性信息;分别获取若干个子真实数据的第二属性信息;根据所述第一属性信息及所述第二属性信息进行匹配,得到若干组匹配数据,每一组匹配数据中包括一个子模拟数据和一个子真实数据;根据若干组匹配数据对生产设备进行异常诊断,确定诊断结果并发送至服务器;
所述服务器,用于根据所述目标数据及所述诊断结果计算出各个生产环节的风险指数并进行显示。
2.如权利要求1所述的涉农企业安全生产风险指数分析系统,其特征在于,所述处理模块包括:
第一获取模块,用于获取所述待检测图像的第一优先级信息,并建立待检测图像的第一排队队列;
第二获取模块,用于获取空闲的处理节点及空闲的处理节点的计算信息,根据所述计算信息建立处理节点的第二排队队列;
分配模块,用于根据所述第一排队队列及所述第二排队队列基于预设规则对处理待检测图像的处理节点进行资源分配;
解析模块,用于基于处理节点对分配的待检测图像进行图像解析,得到解析数据;
数据预处理模块,用于对所述解析数据进行数据预处理,得到目标数据并传输至服务器。
3.如权利要求1所述的涉农企业安全生产风险指数分析系统,其特征在于,所述数据预处理包括数据清洗。
4.如权利要求1所述的涉农企业安全生产风险指数分析系统,其特征在于,所述服务器还用于:
设置各个生产环节在生产流程中的权重系数;
根据各个生产环节的风险指数及权重系数,计算出生产流程的生产风险指数并进行显示。
5.如权利要求4所述的涉农企业安全生产风险指数分析系统,其特征在于,还包括:
确定模块,用于根据生产流程的生产风险指数确定风险等级,根据所述风险等级确定对应的风险预控。
6.如权利要求1所述的涉农企业安全生产风险指数分析系统,其特征在于,所述服务器还用于基于风险矩阵评估法、LEC评价法及MES评价法中的至少一种方法进行风险评估,得到风险评估结果,根据所述风险评估结果确定风险等级。
7.如权利要求1所述的涉农企业安全生产风险指数分析系统,其特征在于,还包括存储模块,用于将所述解析数据进行归类存档。
8.如权利要求4所述的涉农企业安全生产风险指数分析系统,其特征在于,所述服务器还用于将生产流程的生产风险指数传输至用户终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111300188.8A CN114021969B (zh) | 2021-11-04 | 2021-11-04 | 一种涉农企业安全生产风险指数分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111300188.8A CN114021969B (zh) | 2021-11-04 | 2021-11-04 | 一种涉农企业安全生产风险指数分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114021969A CN114021969A (zh) | 2022-02-08 |
CN114021969B true CN114021969B (zh) | 2022-06-07 |
Family
ID=80061115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111300188.8A Active CN114021969B (zh) | 2021-11-04 | 2021-11-04 | 一种涉农企业安全生产风险指数分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021969B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114755920B (zh) * | 2022-04-07 | 2024-05-14 | 青岛沃柏斯智能实验科技有限公司 | 一种用于生物安全实验室环境安全监测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626461A (zh) * | 2019-09-18 | 2020-09-04 | 东莞灵虎智能科技有限公司 | 一种安全风险预测方法 |
CN112437280A (zh) * | 2020-11-23 | 2021-03-02 | 单昂 | 一种基于大数据分析的智慧监控安防数据处理管理系统 |
CN112464762A (zh) * | 2020-11-16 | 2021-03-09 | 中国科学院合肥物质科学研究院 | 基于图像处理的农产品筛选系统及其方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443806B (zh) * | 2019-04-30 | 2022-05-03 | 浙江大学 | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 |
CN110288268B (zh) * | 2019-07-03 | 2020-06-02 | 交通运输部科学研究院 | 一种施工安全风险与隐患一体化监测系统以及监测方法 |
CN110874271B (zh) * | 2019-11-20 | 2022-03-11 | 山东省国土测绘院 | 一种海量建筑图斑特征快速计算方法及系统 |
CN111401685B (zh) * | 2020-02-13 | 2021-02-12 | 中国安全生产科学研究院 | 有限空间作业安全风险监控方法 |
CN111931706B (zh) * | 2020-09-16 | 2021-01-05 | 清华大学 | 施工现场的人机碰撞预警方法及系统 |
CN113033393B (zh) * | 2021-03-24 | 2022-09-30 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 基于机器视觉的火电站人员操作安全监控系统及方法 |
-
2021
- 2021-11-04 CN CN202111300188.8A patent/CN114021969B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626461A (zh) * | 2019-09-18 | 2020-09-04 | 东莞灵虎智能科技有限公司 | 一种安全风险预测方法 |
CN112464762A (zh) * | 2020-11-16 | 2021-03-09 | 中国科学院合肥物质科学研究院 | 基于图像处理的农产品筛选系统及其方法 |
CN112437280A (zh) * | 2020-11-23 | 2021-03-02 | 单昂 | 一种基于大数据分析的智慧监控安防数据处理管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114021969A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Raviv et al. | AHP-based analysis of the risk potential of safety incidents: Case study of cranes in the construction industry | |
Khanzode et al. | Occupational injury and accident research: A comprehensive review | |
Basahel et al. | Using fuzzy AHP and fuzzy TOPSIS approaches for assessing safety conditions at worksites in construction industry | |
CA2612198A1 (en) | Method and system for determining effectiveness of a compliance program | |
CN112783100A (zh) | 存储器、化工企业安全生产风险预警方法、设备和装置 | |
CN112749893B (zh) | 一种基于云计算的数据挖掘服务平台 | |
CN114021969B (zh) | 一种涉农企业安全生产风险指数分析系统 | |
CN111639864A (zh) | 一种用于港口作业人员岗位安全胜任力定量评估方法 | |
CN116596305A (zh) | 用于食品安全管理的风险分级方法 | |
CN109214625A (zh) | 一种油罐失效评估方法及装置 | |
CN114819680A (zh) | 企业健康度评价模型构建方法及系统、存储介质 | |
CN116596306A (zh) | 基于风险分级的食品安全监督抽查方法及系统 | |
CN112330474A (zh) | 核保风控监控方法、装置、设备及存储介质 | |
CN113421168B (zh) | 一种机械基础零部件智能加工系统 | |
CN110782163A (zh) | 企业数据处理方法和装置 | |
Zheng et al. | A hybrid approach for evaluating faulty behavior risk of high‐risk operations using ANP and evidence theory | |
CN114358514A (zh) | 消防安全风险量化方法、装置及存储介质 | |
CN113626964A (zh) | 一种电网企业安全投资动态预测优化方法及系统 | |
CN113657788A (zh) | 一种企业安全生产标准化智能监管系统及方法 | |
CN117436694A (zh) | 一种基于施工现场的人员安全评测方法及系统 | |
CN116777244A (zh) | 一种营区安全防范系统效能评估方法 | |
CN116859842A (zh) | 一种化工生产线安全评估系统 | |
CN116644929A (zh) | 一种基于物联感知的配电网设备运维工单智能管理方法 | |
Soltanzadeh et al. | Construction accident data mining: A retrospective study using structural equation modeling based on 10-year data | |
CN115860455A (zh) | 一种变电站资产监控风险评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |