CN114283492A - 基于员工行为的工作饱和度分析方法、装置、设备及介质 - Google Patents
基于员工行为的工作饱和度分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114283492A CN114283492A CN202111262310.7A CN202111262310A CN114283492A CN 114283492 A CN114283492 A CN 114283492A CN 202111262310 A CN202111262310 A CN 202111262310A CN 114283492 A CN114283492 A CN 114283492A
- Authority
- CN
- China
- Prior art keywords
- employee
- station
- behavior
- saturation
- work
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 230000006399 behavior Effects 0.000 claims abstract description 128
- 238000012544 monitoring process Methods 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000009432 framing Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Abstract
本发明涉及人工智能技术，揭露了一种基于员工行为的工作饱和度分析方法，包括：利用工位检测模型框选监控视频中的工位，得到无标记框；识别无标记框中工位的位置特征，并利用位置特征查询员工‑工位信息库，得到工位对应的有标记框；根据有标记框，提取监控视频中所述工位的对应的视频片段，得到有标签工位视频片段；对有标签工位视频片段进行图片截取，得到工位图片序列；利用饱和度识别模型从所述工位图片序列中识别出员工工作行为集合并判断所述员工行为集合中属于有效工作类别的占比，得到所述工位对应的员工工作饱和度。本发明还提出一种基于员工行为的工作饱和度分析装置、电子设备以及存储介质。本发明可以提高工作饱和度分析的精确度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于员工行为的工作饱和度分析方法、装置、电子设备及计算机可读存储介质。
背景技术
工作饱和度对于公司来说具有重要的作用，它是定岗定编的基础，也是员工培训开发的直接依据，更是员工工作效率和考核的标准，公司通过对饱和度进行分析能有效得知当前在岗位编制、人员选拔、工作分配等方面的问题。
目前为评估各单位的饱和度，通常管理者根据考勤记录、需求完成情况、系统操作日志等方面信息，再经过主观判断进行评估，由于管理者不能同时兼顾多个员工的工作情况，因此得到的结果具有明显的片面性，既不公平，也不准确。
发明内容
本发明提供一种基于员工行为的工作饱和度分析方法、装置及计算机可读存储介质，其主要目的在于解决进行工作饱和度分析时的精确度较低的问题。
为实现上述目的，本发明提供的一种基于员工行为的工作饱和度分析方法，包括：
获取预设工作场所中安装的视频监控设备捕获到的监控视频，利用预构建的工位检测模型识别并框选所述监控视频中的工位，得到无标记框；
识别所述无标记框中工位的位置特征，并利用所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的有标记框；
根据所述有标记框，从所述监控视频中提取所述工位的对应的视频片段，得到有标签工位视频片段；
根据预设频率，对所述有标签工位视频片段进行图片截取，得到工位图片序列；
利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片中的员工工作行为，得到员工行为集合，并判断所述员工行为集合中属于预设的有效工作类别的占比，根据所述占比得到所述工位对应的员工的工作饱和度。
可选的，所述利用预构建的工位检测模型识别并框选所述监控视频中的工位，得到无标记框，包括：
利用预构建的回归算法，识别所述监控视频中的各个图像特征，得到特征序列集合；
识别所述特征序列集合，得到所述特征序列集合中各个特征序列对应的目标物识别结果；
利用所述工位检测模型中的第一softmax层中，采用无标记框从所述目标物识别结果中框选所述监控视频中工位，得到无标记框。
可选的，所述利用所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的有标记框，包括：
根据所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的员工身份数据，并提取所述员工身份数据中的预设类型的数据字段进行键-值组合，得到键值对；
利用所述键值对标记所述无标记框，得到所述工位对应的有标记框。
可选的，所述利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片中的员工工作行为，得到员工行为集合，包括：
利用训练完成的饱和度识别模型中预设的卷积核集合对所述工位图片序列进行卷积，得到卷积矩阵集合；
利用训练完成的饱和度识别模型的池化层对所述卷积矩阵集合进行最大池化操作，得到池化矩阵集合；
利用训练完成的饱和度识别模型的flatten层对所述池化矩阵集合进行扁平化操作，得到特征序列集合；
利用训练完成的饱和度识别模型的特征识别网络对所述特征序列集合进行识别，得到员工行为集合。
可选的，所述判断所述员工行为集合中属于预设的有效工作类别的占比，根据所述占比得到所述工位对应的员工的工作饱和度，包括：
将所述员工行为集合导入预构建的第二softmax网络中，对所述员工行为集合中的各个员工行为进行评估，得到评估分数；
根据所述评估分数将各个员工行为分类为有效工作类别及无效工作类别；
计算有效工作类别的员工行为的数量，与所述员工行为集合中全部员工行为的数量的占比，得到所述工位对应的员工的工作饱和度。
可选的，所述利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片中的员工工作行为，得到员工行为集合之前，所述方法还包括：
步骤A、获取预构建的训练图像集；
步骤B、利用预构建的初始饱和度识别模型中的识别网络对所述训练图像集进行用户行为识别，得到行为识别结果集合；
步骤C、利用所述初始饱和度识别模型的第二softmax网络中对所述行为识别结果集合进行行为类别判断，得到判断结果集合；
步骤D、利用预构建的识别-判断损失函数，将所述判断结果集合与所述训练图像集对应的真实标签进行对比，得到损失值；
步骤E、当所述损失值是大于预设的标准阈值时，调整所述饱和度识别模型中的模型参数，并执行上述步骤B进行迭代训练；
步骤F、当所述损失值是小于或等于预设的标准阈值，结束所述迭代训练，得到训练完成的饱和度识别模型。
可选的，所述根据预设频率，对所述有标签工位视频片段进行图片截取，得到工位图片序列之后，所述方法还包括：
将所述工位图片序列中的工位图片进行包括灰度化处理、高斯滤波模糊处理、腐蚀处理及膨胀处理的数据增强处理，得到数据增强处理之后的工位图片序列。
为了解决上述问题，本发明还提供一种基于员工行为的工作饱和度分析装置，所述装置包括：
图像标记模块，用于获取预设工作场所中安装的视频监控设备捕获到的监控视频，利用预构建的工位检测模型识别并框选所述监控视频中的工位，得到无标记框，及识别所述无标记框中工位的位置特征，并利用所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的有标记框；
图像截取模块，用于根据所述有标记框，从所述监控视频中提取所述工位的对应的视频片段，得到有标签工位视频片段，及根据预设频率，对所述有标签工位视频片段进行图片截取，得到工位图片序列；
图像识别模块，用于利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片中的员工工作行为，得到员工行为集合，并判断所述员工行为集合中属于预设的有效工作类别的占比，根据所述占比得到所述工位对应的员工的工作饱和度。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于员工行为的工作饱和度分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于员工行为的工作饱和度分析方法。
本发明实施例自动提取监控视频中的工位，并将工位的信息进行标注，得到有标记框，本发明实施例根据有标记框可以自动提取工位对应的视频，使得兼顾各个工位信息，能够增加判断整体工作饱和度的准确性；此外，通过饱和度识别模型的智能模型，对各个有标记框中图像的用户行为进行识别、分类，进一步增加饱和度识别的速度及准确性。因此本发明提出的基于员工行为的工作饱和度分析方法、装置、电子设备及计算机可读存储介质，可以解决进行工作饱和度分析时的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于员工行为的工作饱和度分析方法的流程示意图；
图2为本发明一实施例提供的基于员工行为的工作饱和度分析方法中一个步骤的详细流程示意图；
图3为本发明一实施例提供的识别员工行为集合的详细流程示意图；
图4为本发明一实施例提供的基于员工行为的工作饱和度分析装置的功能模块图；
图5为本发明一实施例提供的实现所述基于员工行为的工作饱和度分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于员工行为的工作饱和度分析方法。所述基于员工行为的工作饱和度分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于员工行为的工作饱和度分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于员工行为的工作饱和度分析方法的流程示意图。在本实施例中，所述基于员工行为的工作饱和度分析方法包括：
S1、获取预设工作场所中安装的视频监控设备捕获到的监控视频，利用预构建的工位检测模型识别并框选所述监控视频中的工位，得到无标记框。
本发明实施例可以利用一个转接服务，从各个监控设备的内存中直接获取监控视频，并将所述监控视频导入一个工位检测模型的回归算法中进行工位识别，比从日志文件中提取视频更为快速。
本发明实施例中，所述工位检测模型是一种卷积神经网络，包括回归算法及softmax层。
其中，所述回归算法为是监督型算法的一种，旨在寻找到达所有样本点的距离和最小的一根线，以用于在预测和分类。详细地，本发明实施例利用所述回归算法识别出监控视频中的各个特征，并对所述特征进行组合，判断出所述监控视频中的目标物，例如从所述监控视频识别出【笔、人、电脑、桌椅、花草、工位、过道……】等目标物。
进一步地，所述softmax层为数据输出层，可根据预设规则，自定义输出结果的输出方式。
详细的，如图2所示，本发明实施例中，所述利用预构建的工位检测模型自动框选监控视频中的工位，得到无标记框，包括：
S11、利用预构建的回归算法，识别所述监控视频中的各个图像特征，得到特征序列集合；
S12、识别所述特征序列集合，得到所述特征序列集合中各个特征序列对应的目标物识别结果；
S13、利用所述工位检测模型中的第一softmax层中，采用无标记框从所述目标物识别结果中框选所述监控视频中工位，得到无标记框。
详细地，本发明实施例通过所述第一softmax层，从所述【笔、人、电脑、桌椅、花草、工位、过道……】等目标物中挑选出【工位】，并采用无标记框，框选出工位对应的识别框。
S2、识别所述无标记框中工位的位置特征，并利用所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的有标记框。
详细的，本发明实施例中，所述利用所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的有标记框，包括：
根据所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的员工身份数据，并提取所述员工身份数据中的预设类型的数据字段进行键-值组合，得到键值对；
利用所述键值对标记所述无标记框，得到所述工位对应的有标记框。
本发明实施例通过无标记框中工位的位置特征如【技术部，第三排，第一个】，可以查询员工-工位信息库，可以得知所述工位上的员工身份数据，并对所述员工身份数据中的预设类型的数据字段进行键-值组合，得到键值对【员工姓名：入职时间，业务类型，……】。
进一步地，本发明将所述键值对标记在所述无标记框上，得到所述有标记框。
S3、根据所述有标记框，提取所述监控视频中所述工位的视频，得到有标签工位视频。
本发明实施例根据所述有标记框的窗口将所述监控视频中的工位位置上的视频进行截取，得到有标签工位视频，有利于减少用户行为识别范围，增加识别效率。
进一步地，本发明实施例通过所述有标签工位视频的标签信息，能将相同部门或业务类型的工位的视频进行分类，方便后续的工作分配、岗位编制等工作。
S4、根据预设频率，对所述有标签工位视频进行图片截取，得到工位图片序列。
本发明实施例采取间隔五分钟的频率，对所述有标签工位视频进行图片截取，得到所述工位对应的工位图片序列。
进一步地，本发明实施例，为了降低工位图片序列中的数据量，需要对所述工位图片序列进行清理，其中，具体清理过程如下。
本发明其他实施例中，所述S4之后，所述方法还可以包括：
将所述工位图片序列中的工位图片进行包括灰度化处理、高斯滤波模糊处理、腐蚀处理及膨胀处理的数据增强处理，得到数据增强处理之后的工位图片序列。
其中，所述灰度化处理是将彩色图像转化成为灰度图像的过程；所述高斯滤波模糊处理是通过预设规则，将图形的像素值归为“0”或“1”的过程，起到图像平滑作用；所述腐蚀处理可以将粘连在一起的不同目标物分离，并可以将小的颗粒噪声去除；所述图像膨胀处理可以将目标点融合到背景中，向外部扩展，将断裂开的目标物进行合并，便于对目标物整体的提取。
具体的，本发明实施例中利用python中的cvtColor函数对图像进行灰度化处理，使用python中的GaussianBlur函数对图像进行高斯滤波模糊处理，在此不再赘述。
此外，本发明实施例中，所述腐蚀处理包括：
步骤i、扫描所述工位图片，找到其中一个像素值为1的像素点；
步骤ii、将预先设定好形状和元素的结构元素移到像素值为1的像素点位置；
步骤iii、判断所述结构元素所覆盖的像素点是否全部为1，如果是则选中的像素点值为1，否则为0，选择下一像素值为1的像素点，返回步骤ii，直至所有像素点处理完成。
进一步地，本发明实施例中，所述膨胀处理包括：
步骤iv、扫描腐蚀图像，找到一个像素值为0的像素点；
步骤v、将预先设定好形状和元素的结构元素移到像素值为0的像素点位置；
步骤vi、判断所述结构元素所覆盖的像素点中是否有像素值为1的像素点，如果是则选中的像素点值为1，否则为0，选择下一像素值为0的像素点，返回上述步骤v，直至所有像素点处理完成。
本发明实施例通过上述的图片处理过程减少了所述工位图片序列中的无用特征，突出有用特征，有利于后续图像的识别过程。
S5、利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片中的员工工作行为，得到员工行为集合，并判断所述员工行为集合中属于预设的有效工作类别的占比，根据所述占比得到所述工位对应的员工的工作饱和度。
本发明实施例中，所述所述饱和度识别模型为一种卷积神经网络的分类模型，经过训练后判断图像中人物是否认真工作。本发明其中一个实施例中，所述饱和度识别模型包括：能识别人物行为的特征识别网络及进行行为分类的二分类网络两个部分。
详细的，如图3所示，本发明实施例中，所述利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片上的员工工作行为，得到员工行为集合，包括：
S51、利用训练完成的饱和度识别模型中预设的卷积核集合对所述工位图片序列进行卷积，得到卷积矩阵集合；
S52、利用训练完成的饱和度识别模型的池化层对所述卷积矩阵集合进行最大池化操作，得到池化矩阵集合；
S53、利用训练完成的饱和度识别模型的flatten层对所述池化矩阵集合进行扁平化操作，得到特征序列集合；
S54、利用训练完成的饱和度识别模型的特征识别网络对所述特征序列集合进行识别，得到员工行为集合。
当所述工位图片序列中各个工位图片的大小为256*256时，本发明实施例利用3×3大小的N个卷积核进行步长为1的滑动卷积操作后，得到包含N个254*254的卷积矩阵集合，在利用预设的池化层对所述初卷积矩阵集合进行最大池化操作，得到包含N个池化特征矩阵的池化矩阵集合，最后利用一个flatten层对所述池化矩阵集合进行扁平化处理，得到包含N个特征序列的特征序列集合。
其中，所述池化层、flatten层均为卷积神经网络中的结构，均用于对数据进行降维处理，减少后续识别判断过程的计算量。
进步一地，本发明实施例利用所述特征识别网络对所述特征序列集合进行识别，判断出所述工位上员工是否在工位、员工的头部状态、手部状态、电脑显示内容等的员工行为。
进一步地，本发明实施例中，所述判断所述员工行为集合中属于预设的有效工作类别的占比，得到所述工位对应的员工的工作饱和度，包括：
将所述员工行为集合导入预构建的第二softmax网络中，对所述员工行为集合中的各个员工行为进行评估，得到评估分数；
根据所述评估分数将各个员工行为分类为有效工作类别及无效工作类别；
计算有效工作类别的员工行为的数量，与所述员工行为集合中全部员工行为的数量的占比，得到所述工位对应的员工的工作饱和度。
详细地，本发明实施例将所述员工行为集合导入预构建的第二softmax网络中，对每一张工位图片中人物的各种行为特征进行行为拼凑，得到完整员工行为，并对所述完整员工行为进行分数评估，并对所述分数评估进行归一化操作将分数限制在(0，10)分。根据预设的评判标准，本发明实施例可以将[0，6)分定义为无效工作，将[6，10]分定义为有效工作。当一个工位的工位图片序列全部判断完成，则产生【无效工作、无效工作、有效工作、无效工作……】的识别结果，通过分析有效工作在所述识别结果中的占比，可以得到所述工位对应的员工的工作饱和度。其中，所述第二softmax网络为一种二分类网络。
进一步地，本发明其中一个实施例中，所述利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片上的员工工作行为，得到员工行为集合之前，所述方法还包括：
步骤A、获取预构建的饱和度识别模型的训练图像集。
其中，所述训练图像集包含样本图像以及各个样本图像对应的人为标注的图像中人物是否有效工作的真实标签。
步骤B、利用所述饱和度识别模型的识别网络中对所述训练图像集进行用户行为识别，得到行为识别结果集合；
步骤C、利用所述饱和度识别模型的第二softmax网络中对所述行为识别结果集合进行行为类别判断，得到判断结果集合；
步骤D、利用预构建的识别-判断损失函数，将所述判断结果集合与所述训练图像集对应的真实标签进行对比，得到损失值。
所述损失函数常用来评价模型的预测值和真实值不一样的程度，可以表示模型的训练效果。其中，损失值越小，训练完成程度越高，损失值越大，训练完成程度越低。
本发明实施例中，所述识别-判断损失函数为：
Loss＝Loss识别+Loss二分类
式中，Loss识别为特征识别网络的损失，Loss二分类为二分类网络的损失。
步骤E、当所述损失值是大于预设的标准阈值时，调整所述饱和度识别模型中的模型参数，并执行上述步骤B进行迭代训练。
其中，本发明实施例利用所述二分类网络中的激活函数，即可根据识别-判断损失函数的损失值自动调整饱和度识别模型中的模型参数。
步骤F、当所述损失值是小于或等于预设的标准阈值，结束所述迭代训练，得到训练完成的饱和度识别模型。
当所述损失值达到预设的标准阈值0.05时，可以判定训练过程完成，得到训练好的所述饱和度识别模型。本发明实施例通过上述步骤A至步骤F，能够得到训练好的饱和度识别模型，用于进行工位饱和度的评估。
本发明实施例自动提取监控视频中的工位，并将工位的信息进行标注，得到有标记框，根据有标记框可以自动提取工位对应的视频，使得兼顾各个工位信息，能够增加判断整体工作饱和度的准确性；此外，通过饱和度识别模型的智能模型，对各个有标记框中图像的用户行为进行识别、分类，进一步增加饱和度识别的速度及准确性。
如图4所示，是本发明一实施例提供的基于员工行为的工作饱和度分析装置的功能模块图。
本发明所述基于员工行为的工作饱和度分析装置100可以安装于电子设备中。根据实现的功能，所述基于员工行为的工作饱和度分析装置100可以包括图像标记模块101、图像截取模块102及图像识别模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像标记模块101，用于获取预设工作场所中安装的视频监控设备捕获到的监控视频，利用预构建的工位检测模型识别并框选所述监控视频中的工位，得到无标记框，及识别所述无标记框中工位的位置特征，并利用所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的有标记框；
所述图像截取模块102，用于根据所述有标记框，从所述监控视频中提取所述工位的对应的视频片段，得到有标签工位视频片段，及根据预设频率，对所述有标签工位视频片段进行图片截取，得到工位图片序列；
所述图像识别模块103，用于利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片中的员工工作行为，得到员工行为集合，并判断所述员工行为集合中属于预设的有效工作类别的占比，根据所述占比得到所述工位对应的员工的工作饱和度。
详细地，本发明实施例中所述基于员工行为的工作饱和度分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于员工行为的工作饱和度分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于员工行为的工作饱和度分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于员工行为的工作饱和度分析程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于员工行为的工作饱和度分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于员工行为的工作饱和度分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于员工行为的工作饱和度分析程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取预设工作场所中安装的视频监控设备捕获到的监控视频，利用预构建的工位检测模型识别并框选所述监控视频中的工位，得到无标记框；
识别所述无标记框中工位的位置特征，并利用所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的有标记框；
根据所述有标记框，从所述监控视频中提取所述工位的对应的视频片段，得到有标签工位视频片段；
根据预设频率，对所述有标签工位视频片段进行图片截取，得到工位图片序列；
利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片中的员工工作行为，得到员工行为集合，并判断所述员工行为集合中属于预设的有效工作类别的占比，根据所述占比得到所述工位对应的员工的工作饱和度。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取预设工作场所中安装的视频监控设备捕获到的监控视频，利用预构建的工位检测模型识别并框选所述监控视频中的工位，得到无标记框；
识别所述无标记框中工位的位置特征，并利用所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的有标记框；
根据所述有标记框，从所述监控视频中提取所述工位的对应的视频片段，得到有标签工位视频片段；
根据预设频率，对所述有标签工位视频片段进行图片截取，得到工位图片序列；
利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片中的员工工作行为，得到员工行为集合，并判断所述员工行为集合中属于预设的有效工作类别的占比，根据所述占比得到所述工位对应的员工的工作饱和度。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于员工行为的工作饱和度分析方法，其特征在于，所述方法包括：
获取预设工作场所中安装的视频监控设备捕获到的监控视频，利用预构建的工位检测模型识别并框选所述监控视频中的工位，得到无标记框；
识别所述无标记框中工位的位置特征，并利用所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的有标记框；
根据所述有标记框，从所述监控视频中提取所述工位的对应的视频片段，得到有标签工位视频片段；
根据预设频率，对所述有标签工位视频片段进行图片截取，得到工位图片序列；
利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片中的员工工作行为，得到员工行为集合，并判断所述员工行为集合中属于预设的有效工作类别的占比，根据所述占比得到所述工位对应的员工的工作饱和度。
2.如权利要求1所述的基于员工行为的工作饱和度分析方法，其特征在于，所述利用预构建的工位检测模型识别并框选所述监控视频中的工位，得到无标记框，包括：
利用预构建的回归算法，识别所述监控视频中的各个图像特征，得到特征序列集合；
识别所述特征序列集合，得到所述特征序列集合中各个特征序列对应的目标物识别结果；
利用所述工位检测模型中的第一softmax层中，采用无标记框从所述目标物识别结果中框选所述监控视频中工位，得到无标记框。
3.如权利要求1所述的基于员工行为的工作饱和度分析方法，其特征在于，所述利用所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的有标记框，包括：
根据所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的员工身份数据，并提取所述员工身份数据中的预设类型的数据字段进行键-值组合，得到键值对；
利用所述键值对标记所述无标记框，得到所述工位对应的有标记框。
4.如权利要求1所述的基于员工行为的工作饱和度分析方法，其特征在于，所述利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片中的员工工作行为，得到员工行为集合，包括：
利用训练完成的饱和度识别模型中预设的卷积核集合对所述工位图片序列进行卷积，得到卷积矩阵集合；
利用训练完成的饱和度识别模型的池化层对所述卷积矩阵集合进行最大池化操作，得到池化矩阵集合；
利用训练完成的饱和度识别模型的flatten层对所述池化矩阵集合进行扁平化操作，得到特征序列集合；
利用训练完成的饱和度识别模型的特征识别网络对所述特征序列集合进行识别，得到员工行为集合。
5.如权利要求1所述的基于员工行为的工作饱和度分析方法，其特征在于，所述判断所述员工行为集合中属于预设的有效工作类别的占比，根据所述占比得到所述工位对应的员工的工作饱和度，包括：
将所述员工行为集合导入预构建的第二softmax网络中，对所述员工行为集合中的各个员工行为进行评估，得到评估分数；
根据所述评估分数将各个员工行为分类为有效工作类别及无效工作类别；
计算有效工作类别的员工行为的数量，与所述员工行为集合中全部员工行为的数量的占比，得到所述工位对应的员工的工作饱和度。
6.如权利要求1所述的基于员工行为的工作饱和度分析方法，其特征在于，所述利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片中的员工工作行为，得到员工行为集合之前，所述方法还包括：
步骤A、获取预构建的训练图像集；
步骤B、利用预构建的初始饱和度识别模型中的识别网络对所述训练图像集进行用户行为识别，得到行为识别结果集合；
步骤C、利用所述初始饱和度识别模型的第二softmax网络中对所述行为识别结果集合进行行为类别判断，得到判断结果集合；
步骤D、利用预构建的识别-判断损失函数，将所述判断结果集合与所述训练图像集对应的真实标签进行对比，得到损失值；
步骤E、当所述损失值是大于预设的标准阈值时，调整所述饱和度识别模型中的模型参数，并执行上述步骤B进行迭代训练；
步骤F、当所述损失值是小于或等于预设的标准阈值，结束所述迭代训练，得到训练完成的饱和度识别模型。
7.如权利要求1所述的基于员工行为的工作饱和度分析方法，其特征在于，所述根据预设频率，对所述有标签工位视频片段进行图片截取，得到工位图片序列之后，所述方法还包括：
将所述工位图片序列中的工位图片进行包括灰度化处理、高斯滤波模糊处理、腐蚀处理及膨胀处理的数据增强处理，得到数据增强处理之后的工位图片序列。
8.一种基于员工行为的工作饱和度分析装置，其特征在于，所述装置包括：
图像标记模块，用于获取预设工作场所中安装的视频监控设备捕获到的监控视频，利用预构建的工位检测模型识别并框选所述监控视频中的工位，得到无标记框，及识别所述无标记框中工位的位置特征，并利用所述位置特征查询预构建的员工-工位信息库，得到所述工位对应的有标记框；
图像截取模块，用于根据所述有标记框，从所述监控视频中提取所述工位的对应的视频片段，得到有标签工位视频片段，及根据预设频率，对所述有标签工位视频片段进行图片截取，得到工位图片序列；
图像识别模块，用于利用训练完成的饱和度识别模型，识别所述工位图片序列中各个工位图片中的员工工作行为，得到员工行为集合，并判断所述员工行为集合中属于预设的有效工作类别的占比，根据所述占比得到所述工位对应的员工的工作饱和度。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于员工行为的工作饱和度分析方法。
10.一种计算机可读存储介质，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如权利要求1至7中任意一项所述的基于员工行为的工作饱和度分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111262310.7A CN114283492B (zh) | 2021-10-28 | 2021-10-28 | 基于员工行为的工作饱和度分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111262310.7A CN114283492B (zh) | 2021-10-28 | 2021-10-28 | 基于员工行为的工作饱和度分析方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114283492A true CN114283492A (zh) | 2022-04-05 |
| CN114283492B CN114283492B (zh) | 2024-04-26 |
Family
ID=80868725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111262310.7A Active CN114283492B (zh) | 2021-10-28 | 2021-10-28 | 基于员工行为的工作饱和度分析方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114283492B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及系统 |
| CN110555576A (zh) * | 2018-05-31 | 2019-12-10 | 百度在线网络技术（北京）有限公司 | 工作饱和度分析方法和装置 |
| CN110765848A (zh) * | 2019-09-08 | 2020-02-07 | 天津大学 | 基于人工智能图像处理算法的化工厂人员安全保障系统及预警方法 |
| CN110826538A (zh) * | 2019-12-06 | 2020-02-21 | 合肥科大智能机器人技术有限公司 | 一种用于电力营业厅的异常离岗识别系统 |
| CN110866515A (zh) * | 2019-11-22 | 2020-03-06 | 三一重工股份有限公司 | 厂房内对象行为识别方法、装置以及电子设备 |
| CN111191576A (zh) * | 2019-12-27 | 2020-05-22 | 长安大学 | 人员行为目标检测模型构建方法、智能分析方法及系统 |
| CN111291699A (zh) * | 2020-02-19 | 2020-06-16 | 山东大学 | 基于监控视频时序动作定位和异常检测的变电站人员行为识别方法 |
| CN111339927A (zh) * | 2020-02-25 | 2020-06-26 | 国网江苏省电力有限公司扬州供电分公司 | 一种电力营业厅人员工作状态智能识别系统 |
| CN111339926A (zh) * | 2020-02-25 | 2020-06-26 | 国网江苏省电力有限公司扬州供电分公司 | 一种电力营业厅人员行为规范智能识别系统 |
| CN111353452A (zh) * | 2020-03-06 | 2020-06-30 | 国网湖南省电力有限公司 | 一种基于rgb图像的行为识别方法、装置、介质及设备 |
| CN111401169A (zh) * | 2020-03-06 | 2020-07-10 | 国网湖南省电力有限公司 | 基于监控视频信息的供电营业厅服务人员行为识别方法 |
| CN111539358A (zh) * | 2020-04-28 | 2020-08-14 | 上海眼控科技股份有限公司 | 工作状态确定方法、装置、计算机设备和存储介质 |
| CN111582129A (zh) * | 2020-04-30 | 2020-08-25 | 中铁工程装备集团有限公司 | 一种盾构机司机工作状态实时监测报警方法及装置 |
| CN112528952A (zh) * | 2020-12-25 | 2021-03-19 | 合肥诚记信息科技有限公司 | 一种电力营业厅人员的工作状态智能识别系统 |
| CN113222464A (zh) * | 2021-05-31 | 2021-08-06 | 华诺智能(深圳)有限公司 | 一种车间人员行为分析管控系统与管控方法 |
| CN113312957A (zh) * | 2021-03-11 | 2021-08-27 | 上海东普信息科技有限公司 | 基于视频图像的脱岗识别方法、装置、设备及存储介质 |
-
2021
- 2021-10-28 CN CN202111262310.7A patent/CN114283492B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110555576A (zh) * | 2018-05-31 | 2019-12-10 | 百度在线网络技术（北京）有限公司 | 工作饱和度分析方法和装置 |
| CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及系统 |
| CN110765848A (zh) * | 2019-09-08 | 2020-02-07 | 天津大学 | 基于人工智能图像处理算法的化工厂人员安全保障系统及预警方法 |
| CN110866515A (zh) * | 2019-11-22 | 2020-03-06 | 三一重工股份有限公司 | 厂房内对象行为识别方法、装置以及电子设备 |
| CN110826538A (zh) * | 2019-12-06 | 2020-02-21 | 合肥科大智能机器人技术有限公司 | 一种用于电力营业厅的异常离岗识别系统 |
| CN111191576A (zh) * | 2019-12-27 | 2020-05-22 | 长安大学 | 人员行为目标检测模型构建方法、智能分析方法及系统 |
| CN111291699A (zh) * | 2020-02-19 | 2020-06-16 | 山东大学 | 基于监控视频时序动作定位和异常检测的变电站人员行为识别方法 |
| CN111339926A (zh) * | 2020-02-25 | 2020-06-26 | 国网江苏省电力有限公司扬州供电分公司 | 一种电力营业厅人员行为规范智能识别系统 |
| CN111339927A (zh) * | 2020-02-25 | 2020-06-26 | 国网江苏省电力有限公司扬州供电分公司 | 一种电力营业厅人员工作状态智能识别系统 |
| CN111353452A (zh) * | 2020-03-06 | 2020-06-30 | 国网湖南省电力有限公司 | 一种基于rgb图像的行为识别方法、装置、介质及设备 |
| CN111401169A (zh) * | 2020-03-06 | 2020-07-10 | 国网湖南省电力有限公司 | 基于监控视频信息的供电营业厅服务人员行为识别方法 |
| CN111539358A (zh) * | 2020-04-28 | 2020-08-14 | 上海眼控科技股份有限公司 | 工作状态确定方法、装置、计算机设备和存储介质 |
| CN111582129A (zh) * | 2020-04-30 | 2020-08-25 | 中铁工程装备集团有限公司 | 一种盾构机司机工作状态实时监测报警方法及装置 |
| CN112528952A (zh) * | 2020-12-25 | 2021-03-19 | 合肥诚记信息科技有限公司 | 一种电力营业厅人员的工作状态智能识别系统 |
| CN113312957A (zh) * | 2021-03-11 | 2021-08-27 | 上海东普信息科技有限公司 | 基于视频图像的脱岗识别方法、装置、设备及存储介质 |
| CN113222464A (zh) * | 2021-05-31 | 2021-08-06 | 华诺智能(深圳)有限公司 | 一种车间人员行为分析管控系统与管控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114283492B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| CN112581227A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| WO2021043089A1 (zh) | 一种客流量统计方法、装置、设备及计算机可读存储介质 | |
| CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
| CN113626607B (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
| CN111881901A (zh) | 截图内容检测方法、设备及计算机可读存储介质 | |
| CN113903068A (zh) | 基于人脸特征的陌生人监控方法、装置、设备及存储介质 | |
| CN114550076A (zh) | 区域异常行为监控方法、装置、设备及存储介质 | |
| CN114049568A (zh) | 基于图像比对的标的物形变检测方法、装置、设备及介质 | |
| CN114756669A (zh) | 问题意图的智能分析方法、装置、电子设备及存储介质 | |
| CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
| CN112528903B (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
| CN109801394B (zh) | 一种工作人员考勤方法及装置、电子设备和可读存储介质 | |
| CN114283492B (zh) | 基于员工行为的工作饱和度分析方法、装置、设备及介质 | |
| CN115641186A (zh) | 直播产品偏好的智能分析方法、装置、设备及存储介质 | |
| CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
| CN114187476A (zh) | 基于图像分析的车险信息核对方法、装置、设备及介质 | |
| CN114049676A (zh) | 疲劳状态检测方法、装置、设备及存储介质 | |
| CN114841165A (zh) | 用户数据分析及展示方法、装置、电子设备及存储介质 | |
| CN114693435A (zh) | 催收名单的智能回访的方法、装置、电子设备及存储介质 | |
| CN114840748A (zh) | 基于人脸识别的信息推送方法、装置、设备及存储介质 | |
| CN114219544A (zh) | 消费倾向分析方法、装置、设备及存储介质 | |
| CN114387522A (zh) | 一种工作现场的智能预警方法、装置、设备及介质 | |
| CN113705686A (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN113434680A (zh) | 基于坐席数据的用户意愿分析方法、装置、电子设备 |
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 |