CN114782675B - 一种安全技术服务领域项目动态定价方法和系统 - Google Patents
一种安全技术服务领域项目动态定价方法和系统 Download PDFInfo
- Publication number
- CN114782675B CN114782675B CN202210327673.2A CN202210327673A CN114782675B CN 114782675 B CN114782675 B CN 114782675B CN 202210327673 A CN202210327673 A CN 202210327673A CN 114782675 B CN114782675 B CN 114782675B
- Authority
- CN
- China
- Prior art keywords
- thermal
- time period
- dangerous
- value
- set 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 41
- 239000000126 substance Substances 0.000 claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims description 106
- 238000010586 diagram Methods 0.000 claims description 56
- 208000012661 Dyskinesia Diseases 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000000877 morphologic effect Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 23
- 238000001514 detection method Methods 0.000 description 17
- 230000011218 segmentation Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 238000013024 troubleshooting Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本申请涉及人工智能和安全技术服务领域,具体涉及一种安全技术服务领域项目动态定价方法和系统,通过获取化工企业内部的无人监视图像和一定时间段内的各帧实际监视图像,在此基础上,确定化工企业内部的人员移动异常轨迹和危险区域,根据人员异常轨迹和危险区域,确定该化工企业的项目动态定价参数,结合市场定价和项目动态定价参数,确定实际的项目定价。本发明通过危险区域和人员行走轨迹两个限制条件,来确定化工企业内部的实际安全情况,使项目安全服务定价更加准确。
Description
技术领域
本申请涉及人工智能和安全技术服务领域,具体涉及一种安全技术服务领域项目动态定价方法和系统。
背景技术
在全民创业的时代,企业项目的安全技术服务作为企业安全生产不可或缺的重要环节,同样也释放出更大的动能和力量。在此背景下,安全技术服务领域项目的动态定价在其领域内引起了广泛的关注。
现有安全技术服务领域项目的定价一般为市场固定价格,而现有的定价方法通常通过市场价格波动或是历史数据预测进行动态调整。现有的定价方式未结合企业项目实际场景的实时情况确定服务定价,这就导致最终的定价结果不够准确,例如,由于项目本身实施安全性较高,此时企业可能无需进行某项安全技术服务或某项安全技术服务的服务完整度无需较高,进而可能导致技术服务的定价不符合实际场景应用时产生的实时价值。
发明内容
本发明的目的在于提供一种安全技术服务领域项目动态定价方法和系统,用于解决现有的安全技术服务领域项目定价不够准确的问题。
为了解决上述技术问题,本发明所采用的技术方案具体如下:
本发明提供了一种方法,包括安全技术服务领域项目动态定价以下步骤:
获取化工企业内部的无人监视图像以及在设定时间段内的化工企业内部的各帧实际监视图像;
根据无人监视图像和各帧实际监视图像,确定在所述设定时间段内的人员移动异常轨迹和危险区域;
根据在所述设定时间段内的人员移动异常轨迹和危险区域,确定该化工企业的项目动态定价参数;
获取项目市场定价,并根据项目市场定价和该化工企业的项目动态定价参数,确定实际的项目定价。
进一步的,确定在所述设定时间段内的人员移动异常轨迹和危险区域的步骤包括:
根据无人监视图像和各帧实际监视图像,确定在所述设定时间段内化工企业内部的有人员出现的各个危险源初始ROI区域以及每个危险源初始ROI区域的各个有人员出现的时间段;
获取各个危险源初始ROI区域在各个有人员出现的时间段内的各帧监视图像,进而获取在各个有人员出现的时间段内的各帧监视图像对应的热力图,将各个热力图进行叠加,从而得到各个危险源初始ROI区域在各个有人员出现的时间段内的热力叠加图;
根据各个危险源初始ROI区域在各个有人员出现时间段内的各个热力图以及热力叠加图,确定各个危险源初始ROI区域在各个有人员出现时间段内的各个人员移动异常轨迹,从而得到在所述设定时间段内的人员移动异常轨迹。
进一步的,将各个热力图进行叠加,从而得到各个危险源初始ROI区域在各个有人员出现时间段内的热力叠加图对应的公式为:
X=αx+(1-α)x′
其中,X为当前待叠加帧监视图像对应的热力图叠加之后的热力叠加图,α为遗忘系数,x为当前待叠加帧监视图像对应的热力图,x′为当前待叠加帧监视图像对应的热力图叠加之前的热力叠加图。
进一步的,确定各个危险源初始ROI区域在各个有人员出现时间段内的各个人员移动异常轨迹的步骤包括:
从热力叠加图中提取各个无交叠人员移动轨迹,获取该无交叠人员移动轨迹在对应各个热力图中的热力值峰值点坐标以及各个热力值峰值点坐标对应的监视图像的拍摄时间;
计算各个热力值峰值点坐标相对于第一个热力值峰值点坐标的位移值、各个热力值峰值点坐标对应的监视图像的拍摄时间相对于第一个热力值峰值点坐标对应的监视图像的拍摄时间的时间值;
获取预先拟合的人员移动位移-时间曲线,以各个热力值峰值点坐标对应的位移值和时间值分别作为人员移动位移-时间曲线对应坐标系的纵坐标和横坐标,从而得到各个热力值峰值点坐标在人员移动位移-时间曲线对应坐标系的映射点;
分别计算各个映射点到预先拟合的人员移动位移-时间曲线的纵向距离,进而计算各个纵向距离的平均值,判断平均值是否大于设定距离平均阈值,若大于设定距离平均阈值,则判定对应无交叠人员移动轨迹为人员移动异常轨迹。
进一步的,确定在所述设定时间段内的人员移动异常轨迹和危险区域的步骤还包括:
根据无人监视图像和各帧实际监视图像,确定在所述设定时间段内化工企业内部的有人员出现的各个危险源初始ROI区域;
获取各个危险源初始ROI区域在设定时间段内的各帧监视图像,进而获取在设定时间段内的各帧监视图像对应的热力图,将各个热力图进行叠加,从而得到各个危险源初始ROI区域在设定时间段内的热力叠加图;
根据各个危险源初始ROI区域在设定时间段内的热力叠加图,确定在所述设定时间段内的危险区域,所述危险区域包括第一危险区域、第二危险区域和第三危险区域。
进一步的,根据各个危险源初始ROI区域在设定时间段内的热力叠加图,确定在所述设定时间段内的危险区域的步骤包括:
分别计算各个危险源初始ROI区域在设定时间段内的热力叠加图的热力值,并将各个热力值与热力阈值进行比较,从而筛选出热力值不大于热力阈值的各个危险源初始ROI区域以及热力值大于热力阈值的各个危险源初始ROI区域;
对筛选出来的热力值大于热力阈值的各个危险源初始ROI区域在设定时间段内的热力叠加图进行形态学操作,从而得到形态学操作后对应的各个危险源初始ROI区域在设定时间段内的热力叠加图;
根据形态学操作后对应的各个危险源初始ROI区域在设定时间段内的热力叠加图,确定热力叠加图中的热力值连通域,并将热力值连通域的最小外接矩阵作为第一危险区域;
将形态学操作前对应的各个危险源初始ROI区域在设定时间段内的热力叠加图与形态学操作后对应的各个危险源初始ROI区域在设定时间段内的热力叠加图做差,进而确定作差后的热力叠加图中的热力值连通域,并将作差后的热力叠加图中的热力值连通域的最小外接矩阵作为第二危险区域;
根据筛选出的热力值不大于热力阈值的各个危险源初始ROI区域,确定热力值不大于热力阈值的各个危险源初始ROI区域对应的热力叠加图中的热力值连通域,并将热力值不大于热力阈值的各个危险源初始ROI区域对应的热力叠加图中的热力值连通域的最小外接矩阵作为第三危险区域。
进一步的,根据在所述设定时间段内的人员移动异常轨迹和危险区域,确定该化工企业的项目动态定价参数的步骤包括:
将在所述设定时间段内的人员移动异常轨迹、第一危险区域、第二危险区域和第三危险区域输入到预先构建和训练后的定价参数生成网络中,从而得到该化工企业的定价参数类别等级;
根据该化工企业的定价参数类别等级,确定该化工企业的项目动态定价参数。
一种安全技术服务领域项目动态定价系统,包括存储器、处理器以及存储在存储器中并在处理器上运行的计算机程序,处理器与存储器相耦合,处理器在执行计算机程序时实现所述的安全技术服务领域项目动态定价方法。
本发明实施例具有如下有益效果:
由摄像机拍摄企业内各个区域的无人员监视图像和实际监视图像,在此基础上利用人员移动异常轨迹以及危险区域确定项目动态定价参数,项目动态定价参数体现了该化工企业生产过程中出现的异常情况和危险程度,反映了企业进行安全技术服务的难易程度。此时根据该项目动态定价参数来确定最终的安全技术服务定价,参考了企业项目本身的实际情况,使得定价结果更加符合项目实际情况,避免了通过市场定价没有针对应的缺陷,保证了定价结果的准确性和合理性,极大地提高了消费者的满意程度,实现了服务价格的最优化。
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为本发明的一种基于安全技术服务领域项目动态定价方法的流程图。
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技术方案的具体实施方式、结构、特征及其功效,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”指的不一定是同一个实施例。此外,一个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。
本发明提供了一种安全技术服务领域项目动态定价方法及系统,本发明所针对的具体场景为:包含危险源的化工企业场景,化工业为安全技术服务的主要对象,现有的化工企业安全技术服务通常包括安全评价、业务咨询、生产隐患排查、HAZOP分析、SIS定级验证、定量风险评估、应急预选编制以及安全技术培训等。本发明仅针对其中的风险评估项进行动态调整定价,其原因在于其他安全技术服务需要预部署人手、设备进行详细评估,而风险评估可基于企业内的图像数据进行预先评估动态确定价格。化工企业摄像头可实现工厂内的全覆盖,且各摄像头之间存在重复区域,各摄像头位姿确定后即固定,采样速率一致,便于实现图像拼接,这就为风险评估可基于企业内的图像数据进行预先评估动态确定价格提供了顺利实施的基础。
下面结合附图,具体说明本发明所提供的一种安全技术服务领域项目动态定价方法的具体方法,结合图1,该方法包含步骤流程如下:
步骤S1:获取化工企业内部的无人监视图像以及在设定时间段内的化工企业内部的各帧实际监视图像。
在设定时间段内,如一个月的时间内,化工企业内部的各个摄像头不停地采集企业内部各个区域的图像,在此基础之上,筛选出无人员情况下化工企业内部各个区域的图像。为了实现这个筛选过程,将各个摄像头所采集的图像作为输入,送入到预先构建并训练好的关键点检测网络中,以对图像中的人员关键点进行识别,从而得到数个无人员关键点的监视图像。将数个无人员关键点的监视图像按照对应的区域进行图像拼接,由于摄像头位姿固定,通过将各个摄像头拍摄的无人员关键点的监视图像帧进行图像拼接,可获取无人员存在情况下的全景图像,即获取化工企业内部的无人监视图像。通过对所获取的图像进行图像拼接,可以避免图像信息的重复处理和统计,提高了设置安全技术服务项目定价的精准度。
上述内容中的关键点检测网络的主要作用是实现对监视图像中人员关键点的检测,在本实施例中,采用Encoder-Encoder结构来构建该关键点检测网络,网络的损失函数采用均方差损失函数。采用多张包含人员或不包含人员的图像作为该关键点检测网络的训练数据集,并通过人为标注,以人员两脚中心处为中心点通过高斯核卷积生成热斑作为标注数据。利用训练数据集对该关键点检测网络进行训练,从而得到训练好的关键点检测网络。
上述内容中对获取的数个无人员关键点的监视图像进行拼接的主要目的是获取化工企业内部的无人监视图像,在本实施例中,图像拼接的具体内容如下:
首先,保持摄像头位姿固定,则摄像机拍摄的图像的拍摄角度一致,而且可将摄像机采集图像投影变换至二维地面平面,拍摄图像的拍摄角度一致性是实现无人员监视图像的拼接的重要条件之一。
然后,再通过特征点检测获取图像特征点,特征点检测可采用Harris角点检测、SIFT检测等,Harris角点检测通过检测图像像素灰度变化程度,存在较大灰度变化为图像窗口中存在角点。SIFT检测是局部特征提取算法,即在图像的尺度空间中寻找极值点,提取出图像的位置、尺度、旋转不变量等相关变量。
获取特征点后通过RANSAC方法进行特征点匹配并获取单应性矩阵,RANSAC方法的主要目的是为了实现随机采样的一致性,即从摄像机采集的众多图像中,找出符合拼接条件的无人员监视图像,保持无人员监视图像规格的一致性。单应性矩阵是指两个图像之间的投影变换矩阵也反映两个图像之间的旋转、偏移等变换关系,通过单应性矩阵实现图像拼接过程中的图像位置变换。最后,由于摄像头位姿不变,在获取单应性矩阵后可沿用该单应性矩阵进行全景图的拼接。
在设定时间段内,例如10天、半个月等,化工企业内部的各个摄像头不停地采集企业内部各个区域的实际图像,即获取第一设定时间段内的化工企业内部的各帧实际监视图像。在获取各帧实际监视图像后,同样采用上述内容中的图像拼接方式,对同一时刻所采集的各帧实际监视图像进行拼接,从而得到最终的实际监视全景图像。需要说明的是,上述关键点检测网络构建和训练以及图像拼接所涉及到的高斯核卷积技术、Harris角点检测、SIFT检测、RANSAC方法和单应性矩阵为公知技术,不在本发明保护范围内,本实施例并没有做详细介绍。另外,上述仅仅是给出了关键点检测网络构建和训练以及图像拼接的一种具体实施方式,当然,在其他实施例中可以使用其他技术实现关键点网络的构建和图像的拼接。
步骤S2:根据无人监视图像和各帧实际监视图像,确定在设定时间段内的人员移动异常轨迹和危险区域。
步骤S21:根据无人监视图像和各帧实际监视图像,确定在设定时间段内化工企业内部的有人员出现的各个危险源初始ROI区域以及每个危险源初始ROI区域的各个有人员出现的时间段。
将步骤S1所得化工企业内部的无人监视图像和设定时间段内的化工企业内部的实际监视图像分别输入到构建和训练好的语义分割网络中,语义分割网络将输入的无人监视图像或实际监视图像转换成二值图像,二值图像为道路区域图像和非道路区域ROI区域,其中,在二值图像中,道路区域类别像素点标注为0,非道路区域像素点标注为1。然后将二值图像通过图像形态开运算消除不规则的区域图像,形态开运算是指对语义分割图像进行膨胀后,在进行腐化,以消除不规则且面积小的区域图像。将形态开运算后的图像中的像素值为1的像素点进行连通域分析。
最后,输出化工企业内部的无人监视图像对应的语义分割区域图像和化工企业内部的实际监视图像对应的语义分割区域图像,其中,将无人监视图像和各帧实际监视图像所对应的语义分割图像转换成二值图像,是为了便于后续进行图像的处理。
在本实施例中,构建和训练语义分割网络的具体内容包括:语义分割网络采用Encoder-Decoder结构,输出的语义分割图像需要与无人监视图像的尺寸保持一致。将化工企业内部的无人监视图像作为训练数据集,输入到语义分割网络中。通过像素级标注,将道路区域类别像素点标注为0,非道路区域像素点标注为1,损失函数采用交叉熵损失函数。语义分割网络通过不断训练,最终输出与无人监视图像和各帧实际监视图像相对应的语义分割图像。语义分割网络的构建和形态学开运算为公知技术,不在本发明保护范围内,此处不再过多赘述。
基于输出化工企业内部的无人监视图像对应的语义分割区域图像和化工企业内部的实际监视图像对应的语义分割区域图像,提取出两者区域图像中像素值为1的像素点的非道路ROI区域图像,非道路ROI区域图像是指危险源初始ROI区域图像,区域图像中其他像素点为0。
各个危险源ROI区域图像的提取过程:将无人监视图像对应的语义分割区域图像所转换的二值图像与化工企业内部的无人监视图像的像素点逐点相乘,提取出无人监视情况下的危险源初始ROI区域图像。按照同样的方法提取出实际监视情况下的危险源初始ROI区域实时图像,通过实际监视图像对应的语义分割区域图像所转换的二值图像和实际监视图像的像素点逐点相乘获取。
利用构建和训练好的孪生网络计算无人监视情况下的危险源初始ROI区域图像和实际监视情况下的危险源初始ROI区域实时图像的相似度度量值,设置相似度阈值m1,当相似度度量值小于相似度阈值m1时,此时筛选出来的各个危险源初始ROI区域实时图像为设定时间段内化工企业内部的有人员出现的各个危险源初始ROI区域图像,根据化工企业内部的实际情况生成各个危险源初始区域图像,提高各个危险源初始ROI区域图像的真实性和准确性。
在本实施例中,构建和训练孪生网络的具体内容包括:孪生网络采用并联的Encoder-FC结构的网络结构,两支路的Encoder-FC参数一致,采用多张无人员情况下ROI区域图像作为正例,多张有人情况下ROI区域实际图像作为反例构成训练数据集,损失函数采用对比损失函数。同时,孪生网络的构建为无监督训练方式,即无需人为标注。孪生网络的具体构建和训练的细节为公知技术,不在本发明保护范围内,此处不再过多赘述。
确定每个危险源初始ROI区域的各个有人员出现的时间段,根据所得化工企业内部的有人员出现的各个危险源初始ROI区域图像,可以收集到有人员出现的各个危险源初始ROI区域图像对应的各个时间点,通过检测各个危险源初始ROI区域图像中人员出现的间断性,将计算出每个危险源初始ROI区域的各个有人员出现的时间段。
例如,其中一个危险源初始ROI区域图像出现人员的时间点为8时,该危险源初始ROI区域图像一直持续到8时5分都有人员出现,则该危险源初始ROI区域图像的人员出现的一个时间段为8时-8时5分。
步骤S22:获取各个危险源初始ROI区域在各个有人员出现的时间段内的各帧监视图像,进而获取在各个有人员出现的时间段内的各帧监视图像对应的热力图,将各个热力图进行叠加,从而得到各个危险源初始ROI区域在各个有人员出现的时间段内的热力叠加图。
根据所获取的各个危险源初始ROI区域,得到在各个有人员出现的时间段内的各帧监视图像。根据各帧监视图像,获取与各帧监视图像相对应的各个热力图。根据获取的各个热力图,将各个热力图进行叠加,热力叠加所对应的公式为:
X=αx+(1-α)x′
其中,X为当前待叠加帧监视图像对应的热力图叠加之后的热力叠加图,α为遗忘系数,x为当前待叠加帧监视图像对应的热力图,x′为当前待叠加帧监视图像对应的热力图叠加之前的热力叠加图,本实施例中α取0.05。另外,热力叠加图基于遗忘算法进行热力图的叠加,利用遗忘系数进行热度叠加操作。
由此,得到各个危险源初始ROI区域在各个有人员出现的时间段对应的热力叠加图。实施例中,热力叠加图对应的计算公式为公知技术,不再本发明保护范围内,此处不再过多赘述。
步骤S23:根据各个危险源初始ROI区域在各个有人员出现时间段内的各个热力图以及热力叠加图,确定各个危险源初始ROI区域在各个有人员出现时间段内的各个人员移动异常轨迹,从而得到在设定时间段内的人员移动异常轨迹。
步骤S231:在确定各个危险源初始ROI区域在各个有人员出现的时间段前提下,根据步骤22得到各个危险源初始ROI区域在各个有人员出现的时间段内的热力叠加图,从热力叠加图中提取出无交叠人员移动轨迹。获取无交叠人员移动轨迹的方法属于现有技术,此处不再详细介绍。
需要说明的是,从热力叠加图中提取出无交叠人员移动轨迹的前提是,每个有人员出现的时间段均为短时段,即时间间隔较短,同时各个危险源初始ROI区域为非道路区域,区域本身出现的人员就较少,那么在该前提下,各个危险源初始ROI区域在各个有人员出现的时间段内的人行走的轨迹较少,所以热力叠加图中的人员移动轨迹基本不会出现重合,进而可以从热力叠加图中提取出各个无交叠人员移动轨迹。
步骤S232:根据提取出无交叠人员移动轨迹和各帧监视图像相对应的各个热力图,获取无交叠人员移动轨迹在对应各个热力图中的热力值峰值点坐标,根据所获取的各个热力图中的热力值峰值点坐标,并确定各个热力值峰值点坐标相对应监视图像的拍摄时间点。
其中,这里的无交叠人员移动轨迹在对应各个热力图中的热力值峰值点坐标为二维坐标,表征的是人员在对应各个热力图中的位置,由于各个热力图都对应一个摄像头拍摄时间,该摄像头拍摄时间即为各个热力值峰值点坐标对应的监视图像的拍摄时间。
步骤S233:根据获取的无人员交叠轨迹在对应各个热力图中的热力值峰值点坐标的横坐标和纵坐标,计算各个热力峰值点坐标相对于第一个热力值峰值点的坐标距离变化情况,即位移值。根据各个热力值峰值点坐标相对应监视图像的拍摄时间点,计算各个热力值峰值点坐标对应的监视图像的拍摄时间点相对于第一个热力值峰值点坐标对应的监视图像的拍摄时间点的间隔时间值。
步骤S234:根据各个危险源初始ROI区域在各个有人员出现的时间段内的各帧监视图像,获取在各个有人员出现的时间段内的各帧监视图像对应的热力图,从而获取在各个有人员出现的时间段内各个热力图中的热力值峰值点的坐标。根据各个热力图中的热力值峰值点的坐标点,拟合出人员移动位移-时间曲线。
根据步骤S233的方法计算出各个热力值峰值点坐标对应的位移值和时间值,并且以各个热力值峰值点坐标对应的位移值和时间值分别作为人员移动位移-时间曲线对应坐标系的纵坐标和横坐标。根据筛选出热力图内的数个无交叠人员移动轨迹,从而得到数个无交叠人员移动轨迹中各个热力值峰值点在人员移动位移-时间曲线对应坐标系的映射点。
步骤S235:根据拟合的人员移动位移-时间曲线和数个无交叠人员移动轨迹中各个热力值峰值点在人员移动位移-时间曲线对应坐标系的映射点,计算无交叠人员移动轨迹中各个热力值峰值点在人员移动位移-时间曲线对应坐标系的映射点到拟合的人员移动位移-时间曲线之间的纵向距离数值,进而计算两者之间的各个纵向距离的平均值。距离平均值为D,设置距离平均阈值mD,判断平均值D是否大于设置距离平均阈值mD,若无交叠人员移动轨迹对应的距离平均值D大于设定距离平均阈值mD,则判定该无交叠人员移动轨迹为人员移动异常轨迹。在遇到危险的情况下,人员移动速度会发生异常变化,如移动速度过快和移动速度过慢,这里的无交叠人员移动轨迹是指人员移动异常轨迹,即化工企业内部发生危险等异常情况下,人员移动速度过快或过慢的轨迹。
在本实施例中,距离平均阈值的设置根据人员移动位移-时间曲线,得出人员正常的移动速度范围,实施者可根据实际详细实施情况进行设置。
步骤S236:对获取的各个危险源初始ROI区域在各个有人员出现时间段内的各个人员移动异常轨迹进行统计,即可获取设定时间段内的人员移动异常轨迹。
步骤S24:根据无人监视图像和各帧实际监视图像,确定在设定时间段内化工企业内部的有人员出现的各个危险源初始ROI区域;获取各个危险源初始ROI区域在设定时间段内的各帧监视图像,进而获取在设定时间段内的各帧监视图像对应的热力图,将各个热力图进行叠加,从而得到各个危险源初始ROI区域在设定时间段内的热力叠加图;根据各个危险源初始ROI区域在设定时间段内的热力叠加图,确定在设定时间段内的危险区域,危险区域包括第一危险区域、第二危险区域和第三危险区域。
步骤S241:根据步骤S21所获取的化工企业内部的无人监视图像和各帧监视实际图像,确定在设定时间段内化工企业内部的有人员出现的各个危险源初始ROI区域。获取各个危险源初始ROI区域在设定时间段内的各帧监视图像,进而获取在设定时间段内的各帧监视图像对应的热力图,如设定时间段可以设置为10天,将设定时间段10天内的各帧监视图像对应各个热力图进行叠加,从而得到各个危险源初始ROI区域在设定时间段10天内的热力叠加图像。
为了获取各个危险源初始ROI区域的叠加图,分别计算各个危险源初始ROI区域在整个设定时间段内的热力叠加图,为保证叠加信息在遗忘时不会丢失,采用遗忘系数计算各个危险源初始ROI区域在整个设定时间段内的热力叠加图,计算如下:
X=αx+(1-α)x′
其中,X为当前待叠加帧监视图像对应的热力图叠加之后的热力叠加图,α为遗忘系数,x为当前待叠加帧监视图像对应的热力图,x′为当前待叠加帧监视图像对应的热力图叠加之前的热力叠加图,本实施例中α取0.01。
例如,计算各个危险源初始ROI区域在整个设定时间段内的热力叠加图,当前待叠加帧监视图像对应的热力图分别表示为x1、x2、x3,若整个设定时间段为三帧,则计算过程如下所示:
X2=αx2+(1-α)x1,X3=αx3+(1-α)X2
其中,X2为热力图x1、x2的热力叠加图,X3为热力图x1、x2、x3的热力叠加图,即为各个危险源初始ROI区域在整个时间段三帧图像的热力叠加图。
步骤S242:根据步骤S241计算所得的各个危险源初始ROI区域在热力叠加图,将各个热力值与设置的热力阈值进行比较,设置热力阈值为0.04,根据两者之间的比较结果,从而筛选出热力值不大于热力阈值的各个危险源初始ROI区域以及热力值大于热力阈值的各个危险源初始ROI区域。
对筛选出来的热力值大于热力阈值的各个危险源初始ROI区域在整个设定时间段内的热力叠加图像进行形态学操作,消除孤立轨迹,孤立轨迹是指正常人员移动轨迹区域外的移动轨迹,从而得到形态学操作后对应的各个危险源初始ROI区域在整个设定时间段内的热力叠加图。根据形态学操作后对应的各个危险源初始ROI区域在整个设定时间段内的热力叠加图,确定热力叠加图中的热力值连通域,并将热力值连通域的最小外接矩阵作为第一危险区域,第一危险区域是指在各个危险源初始ROI区域中,大多数人所走的区域,所以第一危险区域中存在的安全隐患较少。
步骤S243:根据步骤S242得出形态学操作后对应的各个危险源初始ROI区域在设定时间段内的热力叠加图,将形态学操作前对应的各个危险源初始ROI区域在设定时间段内的热力叠加图与形态学操作后对应的各个危险源初始ROI区域在设定时间段内的热力叠加图做差,进而确定作差后的热力叠加图中的热力值连通域,并将作差后的热力叠加图中的热力值连通域的最小外接矩阵作为第二危险区域,第二危险区域是指在各个危险源初始ROI区域中,少数人所走的区域,该区域内会存在捷径路线、隐蔽区域等,所以第二危险区域所存在的安全隐患较大。
步骤S244:根据步骤S242筛选出的热力值不大于热力阈值0.04的各个危险源初始ROI区域,确定热力值不大于热力阈值的各个危险源初始ROI区域对应的热力叠加图中的热力值连通域,并将热力值不大于热力阈值的各个危险源初始ROI区域对应的热力叠加图中的热力值连通域的最小外接矩阵作为第三危险区域,第三危险区域是指在各个危险源初始ROI区域中的人员非正常移动区域,即个别人所走的区域。该区域内发生危险时,极少数人员会经过此区域逃生,所以第三危险区域所存在的安全隐患最大。若第三危险区域越多,说明非正常移动区域越多,就越需要进行隐患排查。
根据步骤S242~S244所得第一危险区域、第二危险区域和第三危险区域,三个等级的危险区域的安全隐患的排查工作量是呈上升趋势。若危险区域面积越大,则安全技术服务领域项目的隐患排查工作量越大,安全服务技术项目的定价也会随隐患排查工作量发生动态变化。
通过上述步骤S2确定在设定时间段内的人员移动异常轨迹和危险区域,为安全技术服务项目定价提供参考条件,提高了消费者满意度和安全技术领域项目工作人员的专业度。
步骤S3:根据在设定时间段内的人员移动异常轨迹和危险区域,确定该化工企业的项目动态定价参数。
将在设定时间段内的人员移动异常轨迹和危险区域输入到预先构建和训练后的定价参数生成网络中,上述危险区域包括第一危险区域、第二危险区域和第三危险区域,从而得到该化工企业的安全技术服务领域项目的定价参数类别等级以及相对应的项目动态定价参数。
其中,根据神经网络,构建定价参数生成网络,构建定价参数生成网络具体内容如下:利用神经网络搭建,定价参数生成网络,损失函数为交叉熵损失函数。定价参数生成网络的训练数据集包括多组训练数据,每组训练数据集包括人员移动异常轨迹和三个等级的危险区域。标注数据为人为标注,人为的为每组训练数据集制作标签,该标签为定价参数类别等级。根据确定的定价参数生成网络的损失函数,利用训练数据集对构建的定价参数生成网络进行训练,从而得到训练好的定价参数生成网络。
在本实施例中,定价参数标注划分为五个等级,每个等级均对应一个具体的定价参数,根据该化工企业的定价参数等级,确定该化工企业的项目定价参数,该定价参数的值属于[0,2]。根据异常轨迹的数量和危险区域面积的大小划分为一级定价参数、二级定价参数、三级定价参数、四级定价参数和五级定价参数,各个等级的定价参数对应的数值的分别为0.4、0.8、1.2、1.6和2。在标注过程中,所标注的定价参数等级应该至少满足条件如下:
异常轨迹数量越多,说明人员移动速度不正常的移动轨迹数量越多,则定价参数越大;
危险区域面积越大,说明隐患排查工作量越大,则定价参数越大;
三级危险区域数量与所有危险区域数量比值越大,说明非正常移动区域越多,越需要进行隐患排查,则定价参数越大;
异常轨迹与三级危险区域重合度越高,说明该区域存在安全隐患的可能性越大,需要更加精细化的设备检测或环境监测,则定价参数越大。
标注的定价参数等级确定的条件内容越详细,则标注标签对应的等级越准确,即安全技术服务领域项目定价越精准,所标注的定价参数等级满足的条件不仅限于上述四种,实施者可根据自身经验确定合理的条件,进而实现更为准确的数据标注。
需要说明的是,利用神经网络构建定价参数生成网络的具体过程以及利用已经标注好标签的训练数据集对构建的定价参数生成网络进行训练的具体过程均属于现有技术,而这些并不是本方案的重点,本方案的重点在于根据需要获取相应的训练数据集以及为训练数据集标注标签,进而获取所需要的定价参数生成网络。
步骤S4:获取项目市场定价,并根据项目市场定价和该化工企业的项目动态定价参数,确定实际的项目定价。在实施例中,将定价参数生成网络输出相对应的定价参数与根据现有技术中通过市场波动获取的定价参数相乘,获取安全技术服务领域项目的动态定价。
本实施例还提供了一种安全技术服务领域项目动态定价系统,包括存储器、处理器以及存储在存储器中并在处理器上运行的计算机程序,处理器与存储器相耦合,处理器在执行计算机程序时实现上述的一种安全技术服务领域项目动态定价方法,由于该定价方法已经在上述内容中进行了详细介绍,这里不再作详细阐述。
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)
1.一种安全技术服务领域项目动态定价方法,其特征在于,包括以下步骤:
获取化工企业内部的无人监视图像以及在设定时间段内的化工企业内部的各帧实际监视图像;
根据无人监视图像和各帧实际监视图像,确定在所述设定时间段内化工企业内部的有人员出现的各个危险源初始ROI区域以及每个危险源初始ROI区域的各个有人员出现的时间段;
获取各个危险源初始ROI区域在各个有人员出现的时间段内的各帧监视图像,进而获取在各个有人员出现的时间段内的各帧监视图像对应的热力图,将各个热力图进行叠加,从而得到各个危险源初始ROI区域在各个有人员出现的时间段内的热力叠加图,其计算公式为:
X=αx+(1-α)x′
其中,X为当前待叠加帧监视图像对应的热力图叠加之后的热力叠加图,α为遗忘系数,x为当前待叠加帧监视图像对应的热力图,x′为当前待叠加帧监视图像对应的热力图叠加之前的热力叠加图;
根据各个危险源初始ROI区域在各个有人员出现时间段内的各个热力图以及热力叠加图,从热力叠加图中提取各个无交叠人员移动轨迹,获取该无交叠人员移动轨迹在对应各个热力图中的热力值峰值点坐标以及各个热力值峰值点坐标对应的监视图像的拍摄时间;
计算各个热力值峰值点坐标相对于第一个热力值峰值点坐标的位移值、各个热力值峰值点坐标对应的监视图像的拍摄时间相对于第一个热力值峰值点坐标对应的监视图像的拍摄时间的时间值;
获取预先拟合的人员移动位移-时间曲线,以各个热力值峰值点坐标对应的位移值和时间值分别作为人员移动位移-时间曲线对应坐标系的纵坐标和横坐标,从而得到各个热力值峰值点坐标在人员移动位移-时间曲线对应坐标系的映射点;
分别计算各个映射点到预先拟合的人员移动位移-时间曲线的纵向距离,进而计算各个纵向距离的平均值,判断平均值是否大于设定距离平均阈值,若大于设定距离平均阈值,则判定对应无交叠人员移动轨迹为人员移动异常轨迹,从而得到在所述设定时间段内的人员移动异常轨迹,并确定在所述设定时间段内的危险区域;
根据在所述设定时间段内的人员移动异常轨迹和危险区域,确定该化工企业的项目动态定价参数;
获取项目市场定价,并根据项目市场定价和该化工企业的项目动态定价参数,确定实际的项目定价。
2.根据权利要求1所述的一种安全技术服务领域项目动态定价方法,其特征在于,确定在所述设定时间段内的危险区域的步骤包括:
根据无人监视图像和各帧实际监视图像,确定在所述设定时间段内化工企业内部的有人员出现的各个危险源初始ROI区域;
获取各个危险源初始ROI区域在设定时间段内的各帧监视图像,进而获取在设定时间段内的各帧监视图像对应的热力图,将各个热力图进行叠加,从而得到各个危险源初始ROI区域在设定时间段内的热力叠加图;
根据各个危险源初始ROI区域在设定时间段内的热力叠加图,确定在所述设定时间段内的危险区域,所述危险区域包括第一危险区域、第二危险区域和第三危险区域。
3.根据权利要求2所述的一种安全技术服务领域项目动态定价方法,其特征在于,根据各个危险源初始ROI区域在设定时间段内的热力叠加图,确定在所述设定时间段内的危险区域的步骤包括:
分别计算各个危险源初始ROI区域在设定时间段内的热力叠加图的热力值,并将各个热力值与热力阈值进行比较,从而筛选出热力值不大于热力阈值的各个危险源初始ROI区域以及热力值大于热力阈值的各个危险源初始ROI区域;
对筛选出来的热力值大于热力阈值的各个危险源初始ROI区域在设定时间段内的热力叠加图进行形态学操作,从而得到形态学操作后对应的各个危险源初始ROI区域在设定时间段内的热力叠加图;
根据形态学操作后对应的各个危险源初始ROI区域在设定时间段内的热力叠加图,确定热力叠加图中的热力值连通域,并将热力值连通域的最小外接矩阵作为第一危险区域;
将形态学操作前对应的各个危险源初始ROI区域在设定时间段内的热力叠加图与形态学操作后对应的各个危险源初始ROI区域在设定时间段内的热力叠加图做差,进而确定作差后的热力叠加图中的热力值连通域,并将作差后的热力叠加图中的热力值连通域的最小外接矩阵作为第二危险区域;
根据筛选出的热力值不大于热力阈值的各个危险源初始ROI区域,确定热力值不大于热力阈值的各个危险源初始ROI区域对应的热力叠加图中的热力值连通域,并将热力值不大于热力阈值的各个危险源初始ROI区域对应的热力叠加图中的热力值连通域的最小外接矩阵作为第三危险区域。
4.根据权利要求1所述的一种安全技术服务领域项目动态定价方法,其特征在于,根据在所述设定时间段内的人员移动异常轨迹和危险区域,确定该化工企业的项目动态定价参数的步骤包括:
将在所述设定时间段内的人员移动异常轨迹、第一危险区域、第二危险区域和第三危险区域输入到预先构建和训练后的定价参数生成网络中,从而得到该化工企业的定价参数类别等级;
根据该化工企业的定价参数类别等级,确定该化工企业的项目动态定价参数。
5.一种安全技术服务领域项目动态定价系统,其特征在于,包括存储器、处理器以及存储在存储器中并在处理器上运行的计算机程序,处理器与存储器相耦合,处理器在执行计算机程序时实现如权利要求1-4中任一项所述的安全技术服务领域项目动态定价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327673.2A CN114782675B (zh) | 2022-03-31 | 2022-03-31 | 一种安全技术服务领域项目动态定价方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327673.2A CN114782675B (zh) | 2022-03-31 | 2022-03-31 | 一种安全技术服务领域项目动态定价方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114782675A CN114782675A (zh) | 2022-07-22 |
CN114782675B true CN114782675B (zh) | 2022-11-25 |
Family
ID=82427669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210327673.2A Active CN114782675B (zh) | 2022-03-31 | 2022-03-31 | 一种安全技术服务领域项目动态定价方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782675B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879084A (zh) * | 2023-02-28 | 2023-03-31 | 天津辰航安全技术服务有限公司 | 基于图像分析的安全隐患模拟咨询平台 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007089105A (ja) * | 2005-09-20 | 2007-04-05 | Ara Software:Kk | 歩行監視システム |
CN111291735A (zh) * | 2020-04-30 | 2020-06-16 | 华夏天信(北京)智能低碳技术研究院有限公司 | 基于轨迹分析的井下人员奔跑异常行为检测方法 |
CN111797831A (zh) * | 2020-07-13 | 2020-10-20 | 郑州市鼎晶信息技术有限公司 | 基于bim和人工智能的家禽进食并行异常检测方法 |
CN113361921A (zh) * | 2021-06-01 | 2021-09-07 | 张丽 | 一种工程造价进度监管系统 |
CN113379247A (zh) * | 2021-06-10 | 2021-09-10 | 鑫安利中(北京)科技有限公司 | 企业安全隐患追踪模型的建模方法及系统 |
CN114973140A (zh) * | 2022-06-10 | 2022-08-30 | 广西北投公路建设投资集团有限公司 | 基于机器视觉的危险区域人员闯入监测方法及系统 |
-
2022
- 2022-03-31 CN CN202210327673.2A patent/CN114782675B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007089105A (ja) * | 2005-09-20 | 2007-04-05 | Ara Software:Kk | 歩行監視システム |
CN111291735A (zh) * | 2020-04-30 | 2020-06-16 | 华夏天信(北京)智能低碳技术研究院有限公司 | 基于轨迹分析的井下人员奔跑异常行为检测方法 |
CN111797831A (zh) * | 2020-07-13 | 2020-10-20 | 郑州市鼎晶信息技术有限公司 | 基于bim和人工智能的家禽进食并行异常检测方法 |
CN113361921A (zh) * | 2021-06-01 | 2021-09-07 | 张丽 | 一种工程造价进度监管系统 |
CN113379247A (zh) * | 2021-06-10 | 2021-09-10 | 鑫安利中(北京)科技有限公司 | 企业安全隐患追踪模型的建模方法及系统 |
CN114973140A (zh) * | 2022-06-10 | 2022-08-30 | 广西北投公路建设投资集团有限公司 | 基于机器视觉的危险区域人员闯入监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114782675A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147743B (zh) | 一种复杂场景下的实时在线行人分析与计数系统及方法 | |
US10706285B2 (en) | Automatic ship tracking method and system based on deep learning network and mean shift | |
CN111161315B (zh) | 一种基于图神经网络的多目标跟踪方法和系统 | |
CN107808376B (zh) | 一种基于深度学习的举手检测方法 | |
CN107301376B (zh) | 一种基于深度学习多层刺激的行人检测方法 | |
Cheng et al. | Smoke detection and trend prediction method based on Deeplabv3+ and generative adversarial network | |
Mahapatra et al. | Human recognition system for outdoor videos using Hidden Markov model | |
CN111402298A (zh) | 基于目标检测与轨迹分析的粮库视频数据压缩方法 | |
CN110728252A (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
Li et al. | Improved YOLOv4 network using infrared images for personnel detection in coal mines | |
CN114782675B (zh) | 一种安全技术服务领域项目动态定价方法和系统 | |
Heinrich et al. | Everything counts: a Taxonomy of Deep Learning Approaches for Object Counting. | |
Yen et al. | Abnormal event detection using HOSF | |
CN116468392A (zh) | 一种电网工程项目进度监控方法、装置、设备及存储介质 | |
Wan et al. | Mixed local channel attention for object detection | |
Wang et al. | Forest smoke detection based on deep learning and background modeling | |
Cucchiara et al. | An intelligent surveillance system for dangerous situation detection in home environments | |
Hermina et al. | A Novel Approach to Detect Social Distancing Among People in College Campus | |
Wang et al. | Non-local attention association scheme for online multi-object tracking | |
CN116758475A (zh) | 基于多源图像识别和深度学习的能源站异常行为预警方法 | |
Dang et al. | Analysis of stadium operation risk warning model based on deep confidence neural network Algorithm | |
CN113569766B (zh) | 一种面向无人机巡逻的行人异常行为检测方法 | |
Li et al. | Human sports action and ideological and PoliticalEvaluation by lightweight deep learning model | |
Itano et al. | Human actions recognition in video scenes from multiple camera viewpoints | |
CN114092851A (zh) | 基于时序动作检测的监控视频异常事件检测方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Dynamic Pricing Method and System for Security Technology Service Projects Effective date of registration: 20231114 Granted publication date: 20221125 Pledgee: Xuzhou Huaichang Investment Co.,Ltd. Pledgor: Jiangsu Yuli New Energy Technology Co.,Ltd. Registration number: Y2023980065315 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |