CN114757499B - 基于深度学习的工作质量分析方法 - Google Patents
基于深度学习的工作质量分析方法 Download PDFInfo
- Publication number
- CN114757499B CN114757499B CN202210296792.6A CN202210296792A CN114757499B CN 114757499 B CN114757499 B CN 114757499B CN 202210296792 A CN202210296792 A CN 202210296792A CN 114757499 B CN114757499 B CN 114757499B
- Authority
- CN
- China
- Prior art keywords
- employee
- working
- employees
- work
- mood
- 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
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (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
本发明提供了基于深度学习的工作质量分析方法,其采集和分析所有员工在办公场所的活动视频,得到所有员工的工作状态子视频,并对工作状态子视频进行识别处理,得到所有员工在办公场所的主观心情状态变化数据,以此确定每个员工的工作质量优劣指数,从而对所有员工进行工作表现的分类处理;再根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,控制每个员工的工作终端设备的提醒消息发送状态,最后根据上述分类处理的结果,调整属于不同类别的员工的工作终端设备发送提醒消息的发送形式,其对每个员工的弹性灵活化的工作质量评价,并且还能对所有员工进行全面覆盖性的评价监测,从而提高对员工进行工作质量评价的效率和可靠性。
Description
技术领域
本发明涉及大数据分析处理的技术领域,特别涉及基于深度学习的工作质量分析方法。
背景技术
现有企业对员工的工作质量的评价都是根据工作完成量和客户反馈等硬性机械指标来实现,或者根据上级领导对员工的主观观察考核来实现。上述两种工作质量的评价方式无法根据员工的实际工作情况进行弹性灵活化的评价,也无法针对员工自身的实际工作心情和实际工作时间等一系列员工工作过程中的主观和客观因素进行有针对性的评价,从而降低企业对员工进行评价的效率和可靠性。
发明内容
针对现有技术存在的缺陷,本发明提供基于深度学习的工作质量分析方法,其采集和分析所有员工在办公场所的活动视频,得到所有员工的工作状态子视频,并对工作状态子视频进行识别处理,得到所有员工在办公场所的主观心情状态变化数据,以此确定每个员工的工作质量优劣指数,从而对所有员工进行工作表现的分类处理;再根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,控制每个员工的工作终端设备的提醒消息发送状态,最后根据上述分类处理的结果,调整属于不同类别的员工的工作终端设备发送提醒消息的发送形式,其对员工在办公场所进行视频流跟踪拍摄和分析,对每个员工的弹性灵活化的工作质量评价,并且还能对所有员工进行全面覆盖性的评价监测,从而提高对员工进行工作质量评价的效率和可靠性。
本发明提供基于深度学习的工作质量分析方法,其包括如下步骤:
步骤S1,采集所有员工在办公场所的活动视频,并将所述活动视频按照不同场所位置存储在区块链中;对所述活动视频进行区分处理,得到所有员工的工作状态子视频;
步骤S2,对所述工作状态子视频进行识别处理,得到所有员工在办公场所的主观心情状态变化数据;再根据所述主观心情状态变化数据,确定每个员工的工作质量优劣指数,从而对所有员工进行工作表现的分类处理;
步骤S3,根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,控制每个员工的工作终端设备的提醒消息发送状态;再根据上述分类处理的结果,调整属于不同类别的员工的工作终端设备发送提醒消息的发送形式。
进一步,在所述步骤S1中,采集所有员工在办公场所的活动视频,并将所述活动视频按照不同场所位置存储在区块链中具体包括:
对所有员工在办公场所的活动状态进行跟踪拍摄,得到关于所有员工的活动视频;
识别所述活动视频包含每帧图片的背景图像内容,根据所述背景图像内容,确定每帧图片所属的办公场所的场所位置,再将所述活动视频划分为属于不同场所位置拍摄得到的活动子视频以及将每个活动子视频分组存储在区块链中。
进一步,在所述步骤S1中,对所述活动视频进行区分处理,得到所有员工的工作状态子视频具体包括:
判断所述活动子视频的背景图像内容对应场所位置属于工作场所区域还是休息场所区域;若属于工作场所区域,则将对应的活动子视频作为所述工作状态视频;若属于休息场所区域,则不将对应的活动子视频作为所述工作状态视频。
进一步,在所述步骤S2中,对所述工作状态子视频进行识别处理,得到所有员工在工作场所的主观心情状态变化数据具体包括:
从所述工作状态子视频中截取得到每个员工的脸部图片,对所述脸部图片进行五官动作深度学习分析处理,从而确定每个员工的工作心情量化值;
利用下面公式(1),根据所述工作心情量化值,确定每个员工的工作心情对应的当日时间轴数组,以及利用下面公式(2),确定每个员工的时间工作时间对应的当日时间轴数组,并将每个员工的工作心情对应的当日时间轴数组以及每个员工的时间工作时间对应的当日时间轴数组共同作为每个员工在工作场所的主观心情状态变化数据,
Ge={te_1,te_2,…,te_8} (2)
在上述公式(1)和(2)中,He表示第e个员工的工作心情对应的当日时间轴数组;t0表示所有员工规定上班开始时刻;T表示所述五官动作深度学习分析处理进行一次所需的时间;Fe(t0+aT)表示t0+aT时刻确定第e个员工的工作心情量化值,当第e个员工在t0+aT时刻处于心情愉悦状态,则工作心情量化值为3,当第e个员工在t0+aT时刻处于心情平静状态或无法识别心情状态,则工作心情量化值为2,当第e个员工在t0+aT时刻处于心情悲伤状态,则工作心情量化值为1,a表示预设整数常数;n1表示在员工开始工作的第1个小时内进行五官动作深度学习分析处理的总次数;n2,n3,…n8分别表示在员工开始工作的第2、3、…、8个小时内进行五官动作深度学习分析处理的总次数;Ge表示第e个员工的时间工作时间对应的当日时间轴数组;te_1,te_2,…,te_8分别表示在第e个员工开始工作的第1、2、…、8个小时内的实际工作时长。
进一步,在所述步骤S2中,根据所述主观心情状态变化数据,确定每个员工的工作质量优劣指数,从而对所有员工进行工作表现的分类处理具体包括:
利用下面公式(3),根据每个员工的工作心情对应的当日时间轴数组以及每个员工的时间工作时间对应的当日时间轴数组,确定每个员工的工作质量优劣指数,
在上述公式(3)中,De表示第e个员工的工作质量优劣指数,其取值范围为[0,1],当De越大,表明第e个员工的工作质量越高;He(i)表示第e个员工的工作心情对应的当日时间轴数组的第i个元素;Ge(i)表示第e个员工的时间工作时间对应的当日时间轴数组的第i个元素;h表示单位时长,即1个小时的时长;
将每个员工的工作质量优劣指数与预设指数阈值进行比对,若工作质量优劣指数大于或等于预设指数阈值,则将对应的员工划定为属于第一类别员工;否则,将对应的员工划定为属于第二类员工。
进一步,在所述步骤S3中,根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,控制每个员工的工作终端设备的提醒消息发送状态具体包括:
利用下面公式(4),根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,确定是否需要对员工的工作终端设备发送提醒消息,
在上述公式(4)中,P(e)表示对员工的工作终端设备发送提醒消息的控制值;∨表示逻辑关系或;∧表示逻辑关系与;m表示员工的总数量;We表示第e个员工当前的工作任务完成百分比;表示将e的值从1取到m的过程中,(De+We)对应的最小值;
若P(e)=1,则表示需要对第e个员工的工作终端设备发送提醒消息;
若P(e)=0,则表示不需要对第e个员工的工作终端设备发送提醒消息。
进一步,在所述步骤S3中,根据上述分类处理的结果,调整属于不同类别的员工的工作终端设备发送提醒消息的发送形式具体包括:
若第e个员工属于上述第一类员工,则对第e个员工的工作终端设备发送语音短信形式的提醒消息,并且指示所述提醒消息在当日办公时间区间内周期性发送至第e个员工的工作终端设备;
若第e个员工属于上述第二类员工,则对第e个员工的工作终端设备发送文本短信形式的提醒消息。
进一步,在所述步骤S3中,若第e个员工属于上述第二类员工,则对第e个员工的工作终端设备发送文本短信形式的提醒消息具体包括:
若第e个员工属于上述第二类员工,则对第e个员工的工作终端设备发送包含第e个员工当日未完成工作任务明细文本信息的提醒消息。
相比于现有技术,该基于深度学习的工作质量分析方法采集和分析所有员工在办公场所的活动视频,得到所有员工的工作状态子视频,并对工作状态子视频进行识别处理,得到所有员工在办公场所的主观心情状态变化数据,以此确定每个员工的工作质量优劣指数,从而对所有员工进行工作表现的分类处理;再根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,控制每个员工的工作终端设备的提醒消息发送状态,最后根据上述分类处理的结果,调整属于不同类别的员工的工作终端设备发送提醒消息的发送形式,其对员工在办公场所进行视频流跟踪拍摄和分析,对每个员工的弹性灵活化的工作质量评价,并且还能对所有员工进行全面覆盖性的评价监测,从而提高对员工进行工作质量评价的效率和可靠性。
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、权利要求书、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
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,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地介绍,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他的附图。
图1为本发明提供的基于深度学习的工作质量分析方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1,为本发明实施例提供的基于深度学习的工作质量分析方法的流程示意图。该基于深度学习的工作质量分析方法包括如下步骤:
步骤S1,采集所有员工在办公场所的活动视频,并将该活动视频按照不同场所位置存储在区块链中;对该活动视频进行区分处理,得到所有员工的工作状态子视频;
步骤S2,对该工作状态子视频进行识别处理,得到所有员工在办公场所的主观心情状态变化数据;再根据该主观心情状态变化数据,确定每个员工的工作质量优劣指数,从而对所有员工进行工作表现的分类处理;
步骤S3,根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,控制每个员工的工作终端设备的提醒消息发送状态;再根据上述分类处理的结果,调整属于不同类别的员工的工作终端设备发送提醒消息的发送形式。
上述技术方案的有益效果为:该基于深度学习的工作质量分析方法采集和分析所有员工在办公场所的活动视频,得到所有员工的工作状态子视频,并对工作状态子视频进行识别处理,得到所有员工在办公场所的主观心情状态变化数据,以此确定每个员工的工作质量优劣指数,从而对所有员工进行工作表现的分类处理;再根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,控制每个员工的工作终端设备的提醒消息发送状态,最后根据上述分类处理的结果,调整属于不同类别的员工的工作终端设备发送提醒消息的发送形式,其对员工在办公场所进行视频流跟踪拍摄和分析,对每个员工的弹性灵活化的工作质量评价,并且还能对所有员工进行全面覆盖性的评价监测,从而提高对员工进行工作质量评价的效率和可靠性。
优选地,在该步骤S1中,采集所有员工在办公场所的活动视频,并将该活动视频按照不同场所位置存储在区块链中具体包括:
对所有员工在办公场所的活动状态进行跟踪拍摄,得到关于所有员工的活动视频;
识别该活动视频包含每帧图片的背景图像内容,根据该背景图像内容,确定每帧图片所属的办公场所的场所位置,再将该活动视频划分为属于不同场所位置拍摄得到的活动子视频以及将每个活动子视频分组存储在区块链中。
上述技术方案的有益效果为:办公楼等办公场所包括工作场所区域和休息场所区域这两种不同功能区域,在办公场所的不同区域分别设置摄像头,利用摄像头对所有员工在办公场所的活动状态进行跟踪拍摄,这样能够采集得到所有员工在办公场所不同区域的活动视频。办公场所的工作区域和休息区域分别具有不同区域背景,通过对该活动视频的每帧图片的背景图像内容进行识别,从而将活动视频划分为在工作场所区域和休息场所区域对应的活动子视频,接着将不同类型的活动子视频分组存储在区块链中,这样可便于快速地获得所需的活动子视频以及节省寻找所需活动子视频的耗时。
优选地,在该步骤S1中,对该活动视频进行区分处理,得到所有员工的工作状态子视频具体包括:
判断该活动子视频的背景图像内容对应场所位置属于工作场所区域还是休息场所区域;若属于工作场所区域,则将对应的活动子视频作为该工作状态视频;若属于休息场所区域,则不将对应的活动子视频作为该工作状态视频。
上述技术方案的有益效果为:员工在休息场所区域通常会不进行工作的,通过判断活动子视频的背景图像内容,将活动子视频进一步区分为工作状态视频和非工作状态视频,这样在后续处理过程中只需要对工作状态视频进行关于员工的脸部五官识别处理,这样可不需要对所有活动子视频进行识别处理,大大减少视频识别处理的工作量。
优选地,在该步骤S2中,对该工作状态子视频进行识别处理,得到所有员工在工作场所的主观心情状态变化数据具体包括:
从该工作状态子视频中截取得到每个员工的脸部图片,对该脸部图片进行五官动作深度学习分析处理,从而确定每个员工的工作心情量化值;
利用下面公式(1),根据该工作心情量化值,确定每个员工的工作心情对应的当日时间轴数组,以及利用下面公式(2),确定每个员工的时间工作时间对应的当日时间轴数组,并将每个员工的工作心情对应的当日时间轴数组以及每个员工的时间工作时间对应的当日时间轴数组共同作为每个员工在工作场所的主观心情状态变化数据,
Ge={te_1,te_2,…,te_8} (2)
在上述公式(1)和(2)中,He表示第e个员工的工作心情对应的当日时间轴数组;t0表示所有员工规定上班开始时刻;T表示该五官动作深度学习分析处理进行一次所需的时间;Fe(t0+aT)表示t0+aT时刻确定第e个员工的工作心情量化值,当第e个员工在t0+aT时刻处于心情愉悦状态,则工作心情量化值为3,当第e个员工在t0+aT时刻处于心情平静状态或无法识别心情状态,则工作心情量化值为2,当第e个员工在t0+aT时刻处于心情悲伤状态,则工作心情量化值为1,a表示预设整数常数;n1表示在员工开始工作的第1个小时内进行五官动作深度学习分析处理的总次数;n2,n3,…n8分别表示在员工开始工作的第2、3、…、8个小时内进行五官动作深度学习分析处理的总次数;Ge表示第e个员工的时间工作时间对应的当日时间轴数组;te_1,te_2,…,te_8分别表示在第e个员工开始工作的第1、2、…、8个小时内的实际工作时长。
上述技术方案的有益效果为:利用上述公式(1)和公式(2)根据五官动作深度学习分析处理得到的员工的工作心情量化值,求得每个员工的工作心情对应的当日时间轴数组以及每个员工的时间工作时间对应的当日时间轴数组,进而将员工的工作心情和当日实际工作时间均量化为数组形式,可便于后续的计算和判断。
优选地,在该步骤S2中,根据该主观心情状态变化数据,确定每个员工的工作质量优劣指数,从而对所有员工进行工作表现的分类处理具体包括:
利用下面公式(3),根据每个员工的工作心情对应的当日时间轴数组以及每个员工的时间工作时间对应的当日时间轴数组,确定每个员工的工作质量优劣指数,
在上述公式(3)中,De表示第e个员工的工作质量优劣指数,其取值范围为[0,1],当De越大,表明第e个员工的工作质量越高;He(i)表示第e个员工的工作心情对应的当日时间轴数组的第i个元素;Ge(i)表示第e个员工的时间工作时间对应的当日时间轴数组的第i个元素;h表示单位时长,即1个小时的时长;
将每个员工的工作质量优劣指数与预设指数阈值进行比对,若工作质量优劣指数大于或等于预设指数阈值,则将对应的员工划定为属于第一类别员工;否则,将对应的员工划定为属于第二类员工。
上述技术方案的有益效果为:利用上述公式(3)根据每个员工的工作心情对应的当日时间轴数组以及每个员工的时间工作时间对应的当日时间轴数组,得到每个员工的工作质量优劣指数,进而通过公式的方式自动准确的知晓每个员工当日的工作质量优劣程度,从而反映其工作效率,并且减少了人工检查工作质量可以大大提高效率。
优选地,在该步骤S3中,根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,控制每个员工的工作终端设备的提醒消息发送状态具体包括:
利用下面公式(4),根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,确定是否需要对员工的工作终端设备发送提醒消息,
在上述公式(4)中,P(e)表示对员工的工作终端设备发送提醒消息的控制值;∨表示逻辑关系或;∧表示逻辑关系与;m表示员工的总数量;We表示第e个员工当前的工作任务完成百分比;表示将e的值从1取到m的过程中,(De+We)对应的最小值;
若P(e)=1,则表示需要对第e个员工的工作终端设备发送提醒消息;
若P(e)=0,则表示不需要对第e个员工的工作终端设备发送提醒消息。
上述技术方案的有益效果为:利用上述公式(4)根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,确定是否向员工的工作终端设备发送提醒消息,进而对工作质量不满足预定条件的员工的工作终端设备发送提醒消息,以促进相应员工的工作效率。
优选地,在该步骤S3中,根据上述分类处理的结果,调整属于不同类别的员工的工作终端设备发送提醒消息的发送形式具体包括:
若第e个员工属于上述第一类员工,则对第e个员工的工作终端设备发送语音短信形式的提醒消息,并且指示该提醒消息在当日办公时间区间内周期性发送至第e个员工的工作终端设备;
若第e个员工属于上述第二类员工,则对第e个员工的工作终端设备发送文本短信形式的提醒消息。
上述技术方案的有益效果为:当第e个员工属于上述第一类员工,则对第e个员工的工作终端设备发送语音短信形式的提醒消息,这样能够对相应员工进行及时显著的提醒,便于员工及时调整自身的工作状态。当第e个员工属于上述第二类员工,则对第e个员工的工作终端设备发送文本短信形式的提醒消息,这样能够对相应员工当前的工作状态进行详细化的分析提醒,便于员工有针对性地改进自身的工作状态。
优选地,在该步骤S3中,若第e个员工属于上述第二类员工,则对第e个员工的工作终端设备发送文本短信形式的提醒消息具体包括:
若第e个员工属于上述第二类员工,则对第e个员工的工作终端设备发送包含第e个员工当日未完成工作任务明细文本信息的提醒消息。
上述技术方案的有益效果为:当第e个员工属于上述第二类员工,则对第e个员工的工作终端设备发送包含第e个员工当日未完成工作任务明细文本信息的提醒消息,这样能够使员工及时全面了解当日为完成的工作任务情况,便于员工实时调整自身的工作进度,从而提高工作质量和工作效率。
从上述实施例的内容可知,该基于深度学习的工作质量分析方法采集和分析所有员工在办公场所的活动视频,得到所有员工的工作状态子视频,并对工作状态子视频进行识别处理,得到所有员工在办公场所的主观心情状态变化数据,以此确定每个员工的工作质量优劣指数,从而对所有员工进行工作表现的分类处理;再根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,控制每个员工的工作终端设备的提醒消息发送状态,最后根据上述分类处理的结果,调整属于不同类别的员工的工作终端设备发送提醒消息的发送形式,其对员工在办公场所进行视频流跟踪拍摄和分析,对每个员工的弹性灵活化的工作质量评价,并且还能对所有员工进行全面覆盖性的评价监测,从而提高对员工进行工作质量评价的效率和可靠性。
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 (7)
1.基于深度学习的工作质量分析方法,其特征在于,其包括如下步骤:
步骤S1,采集所有员工在办公场所的活动视频,并将所述活动视频按照不同场所位置存储在区块链中;对所述活动视频进行区分处理,得到所有员工的工作状态子视频;
步骤S2,对所述工作状态子视频进行识别处理,得到所有员工在办公场所的主观心情状态变化数据;再根据所述主观心情状态变化数据,确定每个员工的工作质量优劣指数,从而对所有员工进行工作表现的分类处理;
步骤S3,根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,控制每个员工的工作终端设备的提醒消息发送状态;再根据上述分类处理的结果,调整属于不同类别的员工的工作终端设备发送提醒消息的发送形式;
其中,在所述步骤S2中,对所述工作状态子视频进行识别处理,得到所有员工在工作场所的主观心情状态变化数据具体包括:
从所述工作状态子视频中截取得到每个员工的脸部图片,对所述脸部图片进行五官动作深度学习分析处理,从而确定每个员工的工作心情量化值;
利用下面公式(1),根据所述工作心情量化值,确定每个员工的工作心情对应的当日时间轴数组,以及利用下面公式(2),确定每个员工的时间工作时间对应的当日时间轴数组,并将每个员工的工作心情对应的当日时间轴数组以及每个员工的时间工作时间对应的当日时间轴数组共同作为每个员工在工作场所的主观心情状态变化数据,
Ge={te_1,te_2,…,te_8} (2)
在上述公式(1)和(2)中,He表示第e个员工的工作心情对应的当日时间轴数组;t0表示所有员工规定上班开始时刻;T表示所述五官动作深度学习分析处理进行一次所需的时间;Fe(t0+aT)表示t0+aT时刻确定第e个员工的工作心情量化值,当第e个员工在t0+aT时刻处于心情愉悦状态,则工作心情量化值为3,当第e个员工在t0+aT时刻处于心情平静状态或无法识别心情状态,则工作心情量化值为2,当第e个员工在t0+aT时刻处于心情悲伤状态,则工作心情量化值为1,a表示预设整数常数;n1表示在员工开始工作的第1个小时内进行五官动作深度学习分析处理的总次数;n2,n3,…n8分别表示在员工开始工作的第2、3、...、8个小时内进行五官动作深度学习分析处理的总次数;Ge表示第e个员工的时间工作时间对应的当日时间轴数组;te_1,te_2,…,te_8分别表示在第e个员工开始工作的第1、2、...、8个小时内的实际工作时长。
2.如权利要求1所述的基于深度学习的工作质量分析方法,其特征在于:在所述步骤S1中,采集所有员工在办公场所的活动视频,并将所述活动视频按照不同场所位置存储在区块链中具体包括:
对所有员工在办公场所的活动状态进行跟踪拍摄,得到关于所有员工的活动视频;
识别所述活动视频包含每帧图片的背景图像内容,根据所述背景图像内容,确定每帧图片所属的办公场所的场所位置,再将所述活动视频划分为属于不同场所位置拍摄得到的活动子视频以及将每个活动子视频分组存储在区块链中。
3.如权利要求2所述的基于深度学习的工作质量分析方法,其特征在于:在所述步骤S1中,对所述活动视频进行区分处理,得到所有员工的工作状态子视频具体包括:
判断所述活动子视频的背景图像内容对应场所位置属于工作场所区域还是休息场所区域;若属于工作场所区域,则将对应的活动子视频作为所述工作状态视频;若属于休息场所区域,则不将对应的活动子视频作为所述工作状态视频。
4.如权利要求1所述的基于深度学习的工作质量分析方法,其特征在于:在所述步骤S2中,根据所述主观心情状态变化数据,确定每个员工的工作质量优劣指数,从而对所有员工进行工作表现的分类处理具体包括:利用下面公式(3),根据每个员工的工作心情对应的当日时间轴数组以及每个员工的时间工作时间对应的当日时间轴数组,确定每个员工的工作质量优劣指数,
在上述公式(3)中,De表示第e个员工的工作质量优劣指数,其取值范围为[0,1],当De越大,表明第e个员工的工作质量越高;He(i)表示第e个员工的工作心情对应的当日时间轴数组的第i个元素;Ge(i)表示第e个员工的时间工作时间对应的当日时间轴数组的第i个元素;h表示单位时长,即1个小时的时长;
将每个员工的工作质量优劣指数与预设指数阈值进行比对,若工作质量优劣指数大于或等于预设指数阈值,则将对应的员工划定为属于第一类别员工;否则,将对应的员工划定为属于第二类员工。
5.如权利要求4所述的基于深度学习的工作质量分析方法,其特征在于:在所述步骤S3中,根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,控制每个员工的工作终端设备的提醒消息发送状态具体包括:
利用下面公式(4),根据每个员工的工作质量优劣指数以及每个员工的工作任务完成数据,确定是否需要对员工的工作终端设备发送提醒消息,
在上述公式(4)中,P(e)表示对员工的工作终端设备发送提醒消息的控制值;∨表示逻辑关系或;∧表示逻辑关系与;m表示员工的总数量;We表示第e个员工当前的工作任务完成百分比;表示将e的值从1取到m的过程中,(De+We)对应的最小值;
若P(e)=1,则表示需要对第e个员工的工作终端设备发送提醒消息;
若P(e)=0,则表示不需要对第e个员工的工作终端设备发送提醒消息。
6.如权利要求5所述的基于深度学习的工作质量分析方法,其特征在于:在所述步骤S3中,根据上述分类处理的结果,调整属于不同类别的员工的工作终端设备发送提醒消息的发送形式具体包括:
若第e个员工属于上述第一类员工,则对第e个员工的工作终端设备发送语音短信形式的提醒消息,并且指示所述提醒消息在当日办公时间区间内周期性发送至第e个员工的工作终端设备;
若第e个员工属于上述第二类员工,则对第e个员工的工作终端设备发送文本短信形式的提醒消息。
7.如权利要求6所述的基于深度学习的工作质量分析方法,其特征在于:在所述步骤S3中,若第e个员工属于上述第二类员工,则对第e个员工的工作终端设备发送文本短信形式的提醒消息具体包括:
若第e个员工属于上述第二类员工,则对第e个员工的工作终端设备发送包含第e个员工当日未完成工作任务明细文本信息的提醒消息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210296792.6A CN114757499B (zh) | 2022-03-24 | 2022-03-24 | 基于深度学习的工作质量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210296792.6A CN114757499B (zh) | 2022-03-24 | 2022-03-24 | 基于深度学习的工作质量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114757499A CN114757499A (zh) | 2022-07-15 |
CN114757499B true CN114757499B (zh) | 2022-10-21 |
Family
ID=82327369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210296792.6A Active CN114757499B (zh) | 2022-03-24 | 2022-03-24 | 基于深度学习的工作质量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757499B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7375240B1 (ja) | 2023-03-06 | 2023-11-07 | 株式会社 日立産業制御ソリューションズ | 作業管理装置、作業管理方法、並びに作業管理プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108888281A (zh) * | 2018-08-16 | 2018-11-27 | 华南理工大学 | 精神状态评估方法、设备及系统 |
CN110807394A (zh) * | 2019-10-23 | 2020-02-18 | 上海能塔智能科技有限公司 | 情绪识别方法、试驾体验评估方法、装置、设备与介质 |
CN112472088A (zh) * | 2020-10-22 | 2021-03-12 | 深圳大学 | 一种情绪状态评定方法、装置、智能终端及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529770A (zh) * | 2016-10-18 | 2017-03-22 | 深圳市喜悦智慧数据有限公司 | 一种追踪工作任务状态的系统及方法 |
CN110363084A (zh) * | 2019-06-10 | 2019-10-22 | 北京大米科技有限公司 | 一种上课状态检测方法、装置、存储介质及电子 |
US20220012475A1 (en) * | 2020-01-21 | 2022-01-13 | Mark H. Scott | Application with Mood Recognition, Tracking, and Reactions |
CN113411542A (zh) * | 2020-03-16 | 2021-09-17 | 北京睿客邦科技有限公司 | 一种智能化的工作状况监测设备 |
CN113850183A (zh) * | 2021-09-23 | 2021-12-28 | 安徽数据堂科技有限公司 | 一种基于人工智能技术判断视频中行为的方法 |
CN114005174A (zh) * | 2021-09-29 | 2022-02-01 | 珠海格力电器股份有限公司 | 工作状态的确定方法、装置、电子设备及存储介质 |
CN114140849A (zh) * | 2021-11-30 | 2022-03-04 | 国网湖北省电力有限公司经济技术研究院 | 基于表情识别的电力基建现场人员状态管理方法及系统 |
-
2022
- 2022-03-24 CN CN202210296792.6A patent/CN114757499B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108888281A (zh) * | 2018-08-16 | 2018-11-27 | 华南理工大学 | 精神状态评估方法、设备及系统 |
CN110807394A (zh) * | 2019-10-23 | 2020-02-18 | 上海能塔智能科技有限公司 | 情绪识别方法、试驾体验评估方法、装置、设备与介质 |
CN112472088A (zh) * | 2020-10-22 | 2021-03-12 | 深圳大学 | 一种情绪状态评定方法、装置、智能终端及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于视频的操作员工作状态分析研究;刘士琼;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20220115;73 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7375240B1 (ja) | 2023-03-06 | 2023-11-07 | 株式会社 日立産業制御ソリューションズ | 作業管理装置、作業管理方法、並びに作業管理プログラム |
Also Published As
Publication number | Publication date |
---|---|
CN114757499A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738127B (zh) | 基于无监督深度学习神经网络算法的安全帽识别方法 | |
CN114757499B (zh) | 基于深度学习的工作质量分析方法 | |
JP7380567B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN104902218A (zh) | 广域安防系统中视频监控子网性能监测系统及方法 | |
WO2022262257A1 (zh) | 一种检察领域值班人员睡觉行为识别方法 | |
CN113411542A (zh) | 一种智能化的工作状况监测设备 | |
CN109410098A (zh) | 一种学生课堂行为分析及监控方法 | |
CN112926412A (zh) | 自适应教学课堂监控方法及系统 | |
CN116386120B (zh) | 一种用于智慧校园宿舍的无感监控管理系统 | |
CN114898261A (zh) | 一种基于视频和生理数据融合的睡眠质量评估方法及系统 | |
CN115719283A (zh) | 一种智能化会计管理系统 | |
CN112883755A (zh) | 一种基于深度学习与行为先验的吸烟和打电话检测方法 | |
CN110166642A (zh) | 一种预测式外呼方法及设备 | |
CN109711970A (zh) | 贷款授信平台及其授信方法、授信设备、可读存储介质 | |
CN110225294B (zh) | 自动化视频会议调度系统 | |
CN114913655B (zh) | 基于边缘计算的博物馆智能安防方法 | |
CN115935073A (zh) | 基于人工智能交叉验证的舆情分析方法及系统 | |
CN116166927A (zh) | 一种在线人数异常检测方法、装置及存储介质 | |
CN113486776B (zh) | 用于监测市场内部人员口罩佩戴情况的方法和系统 | |
CN115760246A (zh) | 基于物联网的店面满意度智能分析方法和系统 | |
CN114090385A (zh) | 一种针对服务运行状态的监控预警方法、装置及设备 | |
CN113128452A (zh) | 一种基于图像识别的绿化满意度采集方法和系统 | |
Allen et al. | Can a building read your mind? Results from a small trial in facial action unit detection | |
CN113536947A (zh) | 一种人脸属性分析方法及装置 | |
CN110569277A (zh) | 一种配置数据信息自动识别与归类方法及系统 |
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 |