CN114973109A - 基于数字孪生的工作效率显示方法、装置及设备 - Google Patents

基于数字孪生的工作效率显示方法、装置及设备 Download PDF

Info

Publication number
CN114973109A
CN114973109A CN202210809701.4A CN202210809701A CN114973109A CN 114973109 A CN114973109 A CN 114973109A CN 202210809701 A CN202210809701 A CN 202210809701A CN 114973109 A CN114973109 A CN 114973109A
Authority
CN
China
Prior art keywords
frame sequence
skeleton frame
sequence
skeleton
frame
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.)
Pending
Application number
CN202210809701.4A
Other languages
English (en)
Inventor
王超
鲁效平
孙明
景大智
于晓义
王玉梅
高亚琼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Haier Digital Technology Qingdao Co Ltd
Haier Caos IoT Ecological Technology Co Ltd
Cosmoplat Industrial Intelligent Research Institute Qingdao Co Ltd
Original Assignee
Haier Digital Technology Qingdao Co Ltd
Haier Caos IoT Ecological Technology Co Ltd
Cosmoplat Industrial Intelligent Research Institute Qingdao Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Haier Digital Technology Qingdao Co Ltd, Haier Caos IoT Ecological Technology Co Ltd, Cosmoplat Industrial Intelligent Research Institute Qingdao Co Ltd filed Critical Haier Digital Technology Qingdao Co Ltd
Priority to CN202210809701.4A priority Critical patent/CN114973109A/zh
Publication of CN114973109A publication Critical patent/CN114973109A/zh
Priority to PCT/CN2023/100882 priority patent/WO2024012154A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/48—Matching video sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/74—Browsing; Visualisation therefor
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Factory Administration (AREA)

Abstract

本发明实施例提供一种基于数字孪生的工作效率显示方法、装置及设备，包括：接收摄像设备的视频数据，并截取得到待处理视频数据；将待处理视频数据分割，得到操作帧集合；将操作帧集合输入人体骨骼识别模型，得到操作骨骼帧序列；将操作骨骼帧序列输入数字孪生应用，以显示操作人员的数字孪生模型；依次对比操作骨骼帧序列中每帧与预设的各种标准动作骨骼帧序列中每帧，得到操作骨骼帧序列的目标工序；将目标工序对应的帧序列确定为目标骨骼帧序列；根据操作骨骼帧序列的帧数与目标骨骼帧序列的帧数，确定对应操作人员的工作效率；将工作效率赋值至对应操作人员的数字孪生模型以进行显示。本申请，解决了管理过程不够直观的问题。

Description

基于数字孪生的工作效率显示方法、装置及设备
技术领域
本发明属于智慧工厂技术领域，具体涉及一种基于数字孪生的工作效率显示方法、装置及设备。
背景技术
目前，大部分制造业仍属于劳动密集型产业，自动化操作仍未普及。然而，人工操作就带来了不确定性，企业的生产效率受到人员操作的影响。
现有技术中，通常需要管理人员通过工厂内摄像头对操作人员的操作情况进行查看，人工判断操作人员的工作效率。
然而，发明人发现现有技术至少存在如下技术问题：管理人员无法通过摄像头的视频，直接确定操作人员工作效率的高低，存在管理过程不够直观的问题。
发明内容
本申请提供一种基于数字孪生的工作效率显示方法、装置及设备，用以解决管理过程不够直观的问题。
第一方面，本发明提供一种基于数字孪生的工作效率显示方法，包括：
接收摄像设备发送的视频数据，并截取视频数据中的操作人员工作区域作为待处理视频数据；将待处理视频数据按帧分割，得到操作帧集合；将操作帧集合输入预先训练得到的人体骨骼识别模型，得到操作骨骼帧序列；将操作骨骼帧序列输入预设的数字孪生应用，以显示操作人员的数字孪生模型；依次对比操作骨骼帧序列中每帧与预设的各种标准动作骨骼帧序列中每帧，得到操作骨骼帧序列对应的目标工序，其中每一种标准动作骨骼帧序列对应一种工序；将目标工序对应的标准动作骨骼帧序列或预先标定的骨骼帧序列确定为目标骨骼帧序列；根据操作骨骼帧序列的帧数与目标骨骼帧序列的帧数，确定操作骨骼帧序列对应操作人员的工作效率；将工作效率赋值至对应操作人员的数字孪生模型以进行显示。
在一种可能的实现方式中，根据操作骨骼帧序列的帧数与目标骨骼帧序列的帧数，确定操作骨骼帧序列对应操作人员的工作效率，包括：将目标骨骼帧序列的帧数减去操作骨骼帧序列的帧数，得到帧数差；将帧数差除以目标骨骼帧序列的帧数，得到操作骨骼帧序列对应操作人员的相对工作效率。
在一种可能的实现方式中，依次对比操作骨骼帧序列中每帧与预设的各种标准动作骨骼帧序列中每帧，得到操作骨骼帧序列对应的目标工序，包括：获取工序动作序列识别模型；将操作骨骼帧序列分别与各标准动作骨骼帧序列，输入工序动作序列识别模型，得到操作骨骼帧序列匹配的标准动作骨骼帧序列；将匹配的标准动作骨骼帧序列对应的工序，确定为操作骨骼帧序列对应的目标工序。
在一种可能的实现方式中，截取视频数据中的操作人员工作区域作为待处理视频数据，包括：获取视频数据对应的摄像设备标识；根据摄像设备标识，查找预设的操作区域标定信息；据操作区域标定信息，截取视频数据中的操作人员工作区域作为待处理视频数据。
在一种可能的实现方式中，在将操作骨骼帧序列输入预设的数字孪生应用，得到操作人员的数字孪生模型之后，还包括：获取工厂运行数据，并将工厂运行数据输入预获取的生产管理程序，以得到对应的生产需求信息；将生产需求信息输入预设的数字孪生应用，以在工厂的数字孪生模型中显示生产需求信息。
在一种可能的实现方式中，得到操作骨骼帧序列对应的目标工序之后，还包括：对比操作骨骼帧序列中每帧与目标工序的标准动作骨骼帧序列中的多个关键帧，得到操作骨骼帧中的多个关键帧；读取操作骨骼帧序列中各相邻两关键帧之间的各第一帧数；读取标准动作骨骼帧序列中各相邻两关键帧之间的各第二帧数；若任一第一帧数大于对应的第二帧数，则生成对应的生产效率提升建议；将生产效率提升建议赋值至对应的数字孪生模型，以显示生产效率提升建议。
第二方面，本申请提供一种基于数字孪生的工作效率显示装置，包括：视频截取模块，用于接收摄像设备发送的视频数据，并截取视频数据中的操作人员工作区域作为待处理视频数据；集合获取模块，用于将待处理视频数据按帧分割，得到操作帧集合；序列获取模块，用于将操作帧集合输入预先训练得到的人体骨骼识别模型，得到操作骨骼帧序列；模型显示模块，用于将操作骨骼帧序列输入预设的数字孪生应用，以显示操作人员的数字孪生模型；工序获取模块，用于依次对比操作骨骼帧序列中每帧与预设的各种标准动作骨骼帧序列中每帧，得到操作骨骼帧序列对应的目标工序，其中每一种标准动作骨骼帧序列对应一种工序；序列确定模块，用于将目标工序对应的标准动作骨骼帧序列或预先标定的骨骼帧序列确定为目标骨骼帧序列；效率确定模块，用于根据操作骨骼帧序列的帧数与目标骨骼帧序列的帧数，确定操作骨骼帧序列对应操作人员的工作效率；效率显示模块，用于将工作效率赋值至对应操作人员的数字孪生模型以进行显示。
第三方面，本申请提供一种电子设备，包括：处理器，以及与处理器通信连接的存储器；存储器存储计算机执行指令；处理器执行存储器存储的计算机执行指令，使得处理器执行如第一方面描述的基于数字孪生的工作效率显示方法。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如第一方面描述的基于数字孪生的工作效率显示方法。
第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面描述的基于数字孪生的工作效率显示方法。
本申请提供的基于数字孪生的工作效率显示方法、装置及设备，通过将视频数据分割得到视频的帧合集，并将帧合集输入人体骨骼识别模型得到骨骼帧序列，将骨骼帧序列输入数字孪生应用，得到了操作人员的数字孪生模型，实现可以显示数字孪生的操作人员，同时通过对比操作骨骼帧序列和标准动作骨骼帧序列，可以确定操作骨骼帧序列对应的目标工序，根据目标工序的目标骨骼帧序列的帧数及操作骨骼帧序列的帧数，确定了对应操作人员的工作效率，并将工作效率赋值至数字孪生模型，实现将工作效率直观显示出来，让管理过程更加直观的效果。并且由于操作人员的数字孪生模型可以直观的展现操作人员的操作流程，所以便于管理人员对操作过程安全性的评估。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为为本申请实施例提供的基于数字孪生的工作效率显示方法的应用场景示意图；
图2为本申请实施例提供的基于数字孪生的工作效率显示方法的流程示意图；
图3为本申请实施例提供的基于数字孪生的工序动作序列识别模型工作原理示意图；
图4为本申请实施例提供的基于数字孪生的工作效率显示装置的结构示意图；
图5为本申请实施例提供的电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
当前多数属于制造业的公司仍然依靠人力进行产品的生产制造，大量环节仍不能采用机器自动进行。由于人工操作没有机器稳定，所以企业的生产效率会受到人工操作的影响。
现有技术中通常由工厂的管理人员通过摄像头查看工厂内部，实现对操作人员的操作流程是否规范，动作是否连贯进行判断。但是发明人发现现有技术存在通过摄像头直接观察不够直观的问题，难以直接确定员工的工作效率。
针对上述技术问题，发明人提出如下技术构思：通过视频数据识别视频中每帧人体骨骼模型，得到带有人体骨骼模型的帧序列；基于人体骨骼模型的帧序列构建工厂内部操作人员的数字孪生模型，以显示显示数字孪生的操作人员；同时基于人体骨骼模型帧序列与预设的标准的人体骨骼模型帧序列作对比，得到视频对应的人体骨骼模型帧序列所属的工序，再基于工序将视频对应的人体骨骼模型帧序列与作为标准的人体骨骼模型帧序列作对比，得到人体骨骼模型帧序列对应工作人员的工作效率，并将工作效率赋值至操作人员的数字孪生模型，实现将工作效率直观的展示的效果。
本申请应用于对工作效率显示的场景中。本申请的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
图1为本申请实施例提供的基于数字孪生的工作效率显示方法的应用场景示意图。如图1，该场景中，包括：摄像头101、处理单元102以及显示设备103。
在具体实现过程中，摄像头101，可以是高清摄像头、深度相机、扫描枪等用于获取工厂流水线视频数据，或操作人员在操作区域的视频数据。
处理单元102，可以是服务器、多个服务器组成的集群，在某些情况下，还可以采用计算能力较强的计算机、笔记本电脑等进行替代。处理单元102，用于处理摄像头101处获得的视频数据，建立数字孪生模型，并计算各操作人员的工作效率。
显示设备103，可以是电脑的显示器、平板电脑、单独的显示器等，用于显示上述处理单元102处生成的数字孪生模型以及对应的工作效率。在一种可能的实现方式中，显示设备103与处理单元102可以是一体的。
可以理解的是，本申请实施例示意的结构并不构成对工作效率显示方法的具体限定。在本申请另一些可行的实施方式中，上述架构可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置，具体可根据实际应用场景确定，在此不做限制。图1所示的部件可以以硬件，软件，或软件与硬件的组合实现。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图2为本申请实施例提供的基于数字孪生的工作效率显示方法的流程示意图。本申请实施例的执行主体可以是图1中的处理单元。如图2所示，该方法包括：
S201：接收摄像设备发送的视频数据，并截取视频数据中的操作人员工作区域作为待处理视频数据。
在本步骤中，截取视频数据中的操作人员工作区域，可以是以摄像设备对应的预设区域截取操作人员工作区域。截取视频数据中的操作人员工作区域时，可以是在识别到操作人员的某特殊步骤时开始截取，并对上述特殊步骤之前的视频数据不做处理，在后续步骤也不考虑上述特殊步骤之前的视频数据。
S202：将待处理视频数据按帧分割，得到操作帧集合。
在本步骤中，操作帧合集可以是按视频中各帧的顺序将帧排列，得到的帧合集。
S203：将操作帧集合输入预先训练得到的人体骨骼识别模型，得到操作骨骼帧序列。
在本步骤中，操作骨骼帧序列，可以是包括原有帧的画面以及骨骼信息的帧序列，也可以是只含有骨骼信息的帧序列。
S204：将操作骨骼帧序列输入预设的数字孪生应用，以显示操作人员的数字孪生模型。
在本步骤中，由于操作骨骼帧序列是由多帧构成的，所以数字孪生模型可以是动态的模型，动态的数字孪生模型可以是由操作骨骼帧序列中每一帧对应的静态的数字孪生模型依次切换得到的。
S205：依次对比操作骨骼帧序列中每帧与预设的各种标准动作骨骼帧序列中每帧，得到操作骨骼帧序列对应的目标工序，其中每一种标准动作骨骼帧序列对应一种工序。
在本步骤中，对比操作骨骼帧序列中每帧与预设的各种标准动作骨骼帧序列中每帧，可以采用图像识别模型进行识别，将与操作骨骼帧序列相似度较高的标准动作骨骼帧对应的工序作为目标工序。
例如，当前将操作骨骼帧序列中每帧与A、B、C三种标准动作骨骼帧进行对比，得到的结果中，与B的相似性更高，则将B对应的工序作为目标工序。
S206：将目标工序对应的标准动作骨骼帧序列或预先标定的骨骼帧序列确定为目标骨骼帧序列。
在本步骤中，预先标定的骨骼帧序列可以是管理人员预先确定的效率合适的操作人员对应的骨骼帧序列。
S207：根据操作骨骼帧序列的帧数与目标骨骼帧序列的帧数，确定操作骨骼帧序列对应操作人员的工作效率。
在本步骤中，可以是将操作骨骼帧序列的帧数除以目标骨骼帧序列的帧数，得到帧数比，帧数比表示了完成同样动作需要的时间比，即得到了相对的工作效率。
S208：将工作效率赋值至对应操作人员的数字孪生模型以进行显示。
在本步骤中，可以是将工作效率与对应操作人员的数字孪生模型建立映射关系，或将工作效率作为对应操作人员的数字孪生模型的属性。
从上述实施例的描述可知，本申请实施例通过将视频数据分割得到视频的帧合集，并将帧合集输入人体骨骼识别模型得到骨骼帧序列，将骨骼帧序列输入数字孪生应用，得到了操作人员的数字孪生模型，实现可以显示数字孪生的操作人员，同时通过对比操作骨骼帧序列和标准动作骨骼帧序列，可以确定操作骨骼帧序列对应的目标工序，根据目标工序的目标骨骼帧序列的帧数及操作骨骼帧序列的帧数，确定了对应操作人员的工作效率，并将工作效率赋值至数字孪生模型，实现将工作效率直观显示出来，让管理过程更加直观的效果。并且由于操作人员的数字孪生模型可以直观的展现操作人员的操作流程，所以便于管理人员对操作过程安全性的评估。
在一种可能的实现方式中，上述步骤S203中，人体骨骼识别模型的预训练步骤，如下：
S2031：获取预先标定的训练帧集合，以及对应的准确骨骼帧序列。
在本步骤中，准确骨骼帧序列可以是预先人工根据训练帧集合标定得到的。
S2032：将训练帧集合输入由反卷积模块及尺度不敏感卷积神经网络组成的待优化人体骨骼识别模型，得到测试骨骼帧序列。
在本步骤中，反卷积模块可以是在尺度不敏感卷积神经网络之前的，即反卷积模块比尺度不敏感卷积神经网络更靠近输入端神经元。
S2033：根据测试骨骼帧序列与准确骨骼帧序列，确定测试误差。
在本步骤中，测试误差可以是人为标定的。
S2034：根据测试误差，调整待优化人体骨骼识别模型中各层的权重数值，得到新的待优化人体骨骼识别模型，并再次执行将训练帧输入待优化人体骨骼识别模型的步骤，直至测试误差小于预设值。
在本步骤中，根据测试误差，调整待优化人体骨骼识别模型中各层的权重数值可以是自动进行的，也可以是人为调整的。
从上述实施例的描述可知，本申请实施例通过采用预先标定的训练帧集合，以及对应的准确骨骼帧序列进行训练，可以得到更加准确的人体骨骼识别模型，同时，由于人体骨骼识别模型中增加了反卷积模块，可以实现将帧的清晰度提高，从而提高识别准确性的效果。
在一种可能的实现方式中，上述步骤S207中根据操作骨骼帧序列的帧数与目标骨骼帧序列的帧数，确定操作骨骼帧序列对应操作人员的工作效率，包括：
S2071：将目标骨骼帧序列的帧数减去操作骨骼帧序列的帧数，得到帧数差。
在本步骤中，帧数差可以是正值也可以为负值。
S2072：将帧数差除以目标骨骼帧序列的帧数，得到操作骨骼帧序列对应操作人员的相对工作效率。
在本步骤中，将帧数差除以目标骨骼帧序列的帧数，可以得到帧数差与与目标骨骼帧序列的帧数的比例，即相对工作效率。
例如，目标骨骼帧序列的帧数为100帧，操作骨骼帧序列的帧数为120帧，则帧数差为-20，相对工作效率为-20％，说明当前操作骨骼帧序列对应的工作效率相对目标骨骼帧序列的工作效率提高了20％。
从上述实施例的描述可知，本申请实施例通过将目标骨骼帧序列的帧数与操作骨骼帧序列的帧数作差，再除以目标骨骼帧序列的帧数，可以得到相对目标骨骼帧序列的工作效率。
在一种可能的实现方式中，上述步骤S205中，依次对比操作骨骼帧序列中每帧与预设的各种标准动作骨骼帧序列中每帧，得到操作骨骼帧序列对应的目标工序，包括：
S2051：获取工序动作序列识别模型。
在本步骤中，工序动作序列识别模型(SARM，Action sequence recognitionmodel)可以是预先训练得到的。
S2052：将操作骨骼帧序列分别与各标准动作骨骼帧序列，输入工序动作序列识别模型，得到操作骨骼帧序列匹配的标准动作骨骼帧序列。
在本步骤中工序动作序列识别模型通过把帧序列中各帧的时间间隔进行延伸和缩短，来计算两个帧序列之间的相似性。
图3为本申请实施例提供的基于数字孪生的工序动作序列识别模型工作原理示意图。如图3所示，上下两条实线代表两个动作的帧序列，帧序列按帧的出现时间排序，帧序列之间的虚线连接的帧表示含有相似的动作骨骼特征点的帧。工序动作序列识别模型使用所有这些相似帧之间的距离之和来衡量两个帧序列之间的相似性。
S2053：将匹配的标准动作骨骼帧序列对应的工序，确定为操作骨骼帧序列对应的目标工序。
在本步骤中，标准动作骨骼帧序列与工序的对应关系可以是预先确定的。
从本申请实施例的描述可知，本申请实施例通过将操作骨骼帧序列分别与各标准动作骨骼帧序列，输入工序动作序列识别模型可以确定操作骨骼帧序列匹配的标准动作骨骼帧序列，也就能确定操作骨骼帧序列对应的目标工序，实现了自动寻找对应工序的操作，便于后续的效率对比。
在一种可能的实现方式中，上述步骤S201中，截取视频数据中的操作人员工作区域作为待处理视频数据，包括：
S2011：获取视频数据对应的摄像设备标识。
在本步骤中，摄像设备标识可以是根据视频数据的来源地址确定的，也可以是向摄像设备发送请求获得的，还可以是由视频数据的名称等确定的。
S2012：根据摄像设备标识，查找预设的操作区域标定信息。
在本步骤中，摄像设备标识与操作区域标定信息之间的对应关系可以是预先设定的。操作区域标定信息可以是两个像素点的位置，也可以是一个矩形区域或不规则区域。
S2013：根据操作区域标定信息，截取视频数据中的操作人员工作区域作为待处理视频数据。
在本步骤中，可以是，由上述两个像素点的位置确定对应的矩形，并截取矩形内图像作为待处理视频数据。在由两个像素点确定对应的矩形时，可以是将这两个像素点作为矩形的对角像素。若操作区域标定信息为不规则区域，也可以截取该不规则区域内的图像作为待处理视频数据。
例如，像素点分别为(10，10),(410，610)，则矩形为一个角在(10，10)像素，另一个角在(410，610)像素的400×600的矩形区域。
从上述实施例的描述可知，本申请实施例通过获取视频数据对应的摄像设备标识，由设备标识找到对应的操作区域标定信息，并根据操作区域标定信息，截取视频数据中的操作人员工作区域作为待处理视频数据，对视频数据中的非操作人员工作区域进行了剔除，减少了后续分析过程中就需要处理的数据量，也减少了后续分析过程中可能出现错误的概率。
在一种可能的实现方式中，在上述步骤S204，在将操作骨骼帧序列输入预设的数字孪生应用，得到操作人员的数字孪生模型之后，还包括：
S205A：获取工厂运行数据，并将工厂运行数据输入预获取的生产管理程序，以得到对应的生产需求信息。
在本步骤中，工厂运行数据包括设备数据、人员作业数据、生产订单信息、实时生产效率、产品品质、物流运输、仓储管理等数据中的一种或多种，生产管理程序包括ERP(Enterprise Resource Planning，企业资源计划)、MES(manufacturing executionsystem，制造执行系统)、WMS(Warehouse Management System，仓库管理系统)等系统中的一种或多种。
其中，生产管理程序也可以是外部接入的。
S206A：将生产需求信息输入预设的数字孪生应用，以在工厂的数字孪生模型中显示生产需求信息。
在本步骤中，在工厂的数字孪生模型中显示生产需求信息，可以是以弹窗、属性等方式进行显示。
其中，生产需求信息可以是需要的原料数量，需要制造的订单数量。
从上述实施例的描述可知，本申请实施例通过获取工厂运行数据，并结合工厂运行数据与预获取的生产管理程序，可以得到对应的生产需求信息，通过将生产需求信息输入预设的数字孪生应用，可以实现生产需求信息的显示，使生产需求信息可以更加直观的进行展示。
在一种可能的实现方式中，上述步骤S205，得到操作骨骼帧序列对应的目标工序之后，还包括：
S206B：对比操作骨骼帧序列中每帧与目标工序的标准动作骨骼帧序列中的多个关键帧，得到操作骨骼帧中的多个关键帧。
在本步骤中，可以是将操作骨骼帧序列中每帧与上述目标工序关键帧的每一帧依次对比，对比的方式可以是采用图像识别模型进行对比。操作骨骼帧序列中与目标工序标准动作骨骼帧序列关键帧相似度最高的几个帧就是操作骨骼帧序列中的关键帧。
S207B：读取操作骨骼帧序列中各相邻两关键帧之间的各第一帧数。
例如，操作骨骼帧序列的第1、30、60、80帧为关键帧，则第一帧数分别为28、28、18，计算时也可以包含关键帧本身，则第一帧数分别为30、30、20。
S208B：读取标准动作骨骼帧序列中各相邻两关键帧之间的各第二帧数。
本步骤与上述步骤S207B类似，在这里不再赘述。
S209B：若任一第一帧数大于对应的第二帧数，则生成对应的生产效率提升建议。
在本步骤中，效率提升建议可以是针对帧数比第二帧数大的第一帧数生成的，生成的过程可以是采用预设的该第一帧数对应的步骤操作速度可以提升的提示。也可以是根据第一帧数对应的骨骼帧序列与第二帧数对应的第二骨骼帧序列的差别生成。
本步骤的效率提升建议还可以是在生产效率显示较低时，进行产线人员的工作提醒；生产线平衡不稳定时，及时定位瓶颈工站，进行SOP(Standard Operating Procedure，标准作业程序)优化方案推荐，在产线人员工作效率稳定性降低时，通过自动推送岗位调整方案进行生产效率的优化。上述标准动作骨骼帧序列还可以是SOP的骨骼帧序列，从而实现在操作与SOP不符是生成效率提升建议。
S210B：将生产效率提升建议赋值至对应的数字孪生模型，以显示生产效率提升建议。
本步骤与上述步骤S208类似，在这里不再赘述。
从上述实施例的描述可知，本申请实施例通过将操作骨骼帧序列中的每帧与目标工序的标准动作骨骼帧序列中的多个关键帧对比，得到操作骨骼帧中的多个关键帧，并统计及对比两帧序列的各关键帧之间的帧数，针对任一第一帧数大于对应的第二帧数的情况，生成对应的效率提升建议，将生产效率提升建议赋值至数字孪生模型，实现找到效率提升方法、显示效率提升建议、减少了管理人员分析如何提升效率的时间的效果。
在一种可能的实现方式中，在得到操作人员的数字孪生模型之后，还包括：根据每个操作人员的数字孪生模型的持续时间，确定对应每个操作人员的工时。根据操作骨骼帧序列与目标骨骼帧序列确定操作骨骼帧序列的质量隐患及安全隐患。在确定质量隐患及安全隐患时，可以是通过对比操作骨骼帧序列与目标骨骼帧序列的不同得到。
在一种可能的实现方式中，在操作骨骼帧序列与SOP对应的骨骼帧序列不匹配时，还可以生成安全提示信息。
在一种可能的实现方式中，上述方法还包括：获取数字孪生模型的数据，并进行产能预测。具体的可以是将各生产线的效率总和除以标准生产线生产效率总和，再乘以标准生产线生产的产量，得到当前生产线的产能。
在一种可能的实现方式中，上述步骤S201接收摄像设备发送的视频数据之后，还包括：识别视频数据中的面部特征信息，得到对应的人物信息，并根据任务信息记录上班时间。
在一种可能的实现方式中，上述标准动作骨骼帧序列可以是预先存储在工序-动作-工时数据库中的。
图4为本申请实施例提供的基于数字孪生的工作效率显示装置的结构示意图。如图4所示，工作效率显示装置400，包括：视频截取模块401、集合获取模块402、序列获取模块403、模型显示模块404、工序获取模块405、序列确定模块406、效率确定模块407及效率显示模块408。
视频截取模块401，用于接收摄像设备发送的视频数据，并截取视频数据中的操作人员工作区域作为待处理视频数据。
集合获取模块402，用于将待处理视频数据按帧分割，得到操作帧集合。
序列获取模块403，用于将操作帧集合输入预先训练得到的人体骨骼识别模型，得到操作骨骼帧序列。
模型显示模块404，用于将操作骨骼帧序列输入预设的数字孪生应用，以显示操作人员的数字孪生模型。
工序获取模块405，用于依次对比操作骨骼帧序列中每帧与预设的各种标准动作骨骼帧序列中每帧，得到操作骨骼帧序列对应的目标工序，其中每一种标准动作骨骼帧序列对应一种工序。
序列确定模块406，用于将目标工序对应的标准动作骨骼帧序列或预先标定的骨骼帧序列确定为目标骨骼帧序列。
效率确定模块407，用于根据操作骨骼帧序列的帧数与目标骨骼帧序列的帧数，确定操作骨骼帧序列对应操作人员的工作效率。
效率显示模块408，用于将工作效率赋值至对应操作人员的数字孪生模型以进行显示。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的实现方式中，效率确定模块407，具体用于将目标骨骼帧序列的帧数减去操作骨骼帧序列的帧数，得到帧数差。将帧数差除以目标骨骼帧序列的帧数，得到操作骨骼帧序列对应操作人员的相对工作效率。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的实现方式中，工序获取模块405，具体用于获取工序动作序列识别模型。将操作骨骼帧序列分别与各标准动作骨骼帧序列，输入工序动作序列识别模型，得到操作骨骼帧序列匹配的标准动作骨骼帧序列。将匹配的标准动作骨骼帧序列对应的工序，确定为操作骨骼帧序列对应的目标工序。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的实现方式中，视频截取模块401，具体用于获取视频数据对应的摄像设备标识。根据摄像设备标识，查找预设的操作区域标定信息。根据操作区域标定信息，截取视频数据中的操作人员工作区域作为待处理视频数据。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的实现方式中，工作效率显示装置400，还包括：需求显示模块409。
需求显示模块409，用于获取工厂运行数据，并将工厂运行数据输入预获取的生产管理程序，以得到对应的生产需求信息。将生产需求信息输入预设的数字孪生应用，以在工厂的数字孪生模型中显示生产需求信息。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的实现方式中，工作效率显示装置400，还包括：建议显示模块410。
建议显示模块410，用于对比操作骨骼帧序列中每帧与目标工序的标准动作骨骼帧序列中的多个关键帧，得到操作骨骼帧中的多个关键帧。读取操作骨骼帧序列中各相邻两关键帧之间的各第一帧数。读取标准动作骨骼帧序列中各相邻两关键帧之间的各第二帧数。若任一第一帧数大于对应的第二帧数，则生成对应的生产效率提升建议。将生产效率提升建议赋值至对应的数字孪生模型，以显示生产效率提升建议。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
为了实现上述实施例，本申请实施例还提供了一种电子设备。
参考图5，其示出了适于用来实现本申请实施例的电子设备500的结构示意图，该电子设备500可以为终端设备或服务器。其中，终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(Personal Digital Assistant，简称PDA)、平板电脑(Portable Android Device，简称PAD)、便携式多媒体播放器(Portable MediaPlayer，简称PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(Read Only Memory，简称ROM)502中的程序或者从存储装置508加载到随机访问存储器(Random Access Memory，简称RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(Liquid CrystalDisplay，简称LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本申请实施例的方法中限定的上述功能。
需要说明的是，本申请上述的计算机可读存储介质可以是计算机可读信号介质或者计算机存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network，简称LAN)或广域网(Wide Area Network，简称WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该模块本身的限定，例如，效率显示模块还可以被描述为“工作效率赋值模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种基于数字孪生的工作效率显示方法，其特征在于，包括：
接收摄像设备发送的视频数据，并截取所述视频数据中的操作人员工作区域作为待处理视频数据；
将所述待处理视频数据按帧分割，得到操作帧集合；
将所述操作帧集合输入预先训练得到的人体骨骼识别模型，得到操作骨骼帧序列；
将所述操作骨骼帧序列输入预设的数字孪生应用，以显示所述操作人员的数字孪生模型；
依次对比所述操作骨骼帧序列中每帧与预设的各种标准动作骨骼帧序列中每帧，得到所述操作骨骼帧序列对应的目标工序，其中每一种所述标准动作骨骼帧序列对应一种工序；
将所述目标工序对应的标准动作骨骼帧序列或预先标定的骨骼帧序列确定为目标骨骼帧序列；
根据所述操作骨骼帧序列的帧数与目标骨骼帧序列的帧数，确定所述操作骨骼帧序列对应操作人员的工作效率；
将所述工作效率赋值至对应操作人员的数字孪生模型以进行显示。
2.根据权利要求1所述的方法，其特征在于，所述根据所述操作骨骼帧序列的帧数与目标骨骼帧序列的帧数，确定所述操作骨骼帧序列对应操作人员的工作效率，包括：
将所述目标骨骼帧序列的帧数减去所述操作骨骼帧序列的帧数，得到帧数差；
将帧数差除以所述目标骨骼帧序列的帧数，得到所述操作骨骼帧序列对应操作人员的相对工作效率。
3.根据权利要求1所述的方法，其特征在于，所述依次对比所述操作骨骼帧序列中每帧与预设的各种标准动作骨骼帧序列中每帧，得到所述操作骨骼帧序列对应的目标工序，包括：
获取工序动作序列识别模型；
将所述操作骨骼帧序列分别与各所述标准动作骨骼帧序列，输入所述工序动作序列识别模型，得到所述操作骨骼帧序列匹配的标准动作骨骼帧序列；
将所述匹配的标准动作骨骼帧序列对应的工序，确定为所述操作骨骼帧序列对应的目标工序。
4.根据权利要求1所述的方法，其特征在于，所述截取所述视频数据中的操作人员工作区域作为待处理视频数据，包括：
获取所述视频数据对应的摄像设备标识；
根据所述摄像设备标识，查找预设的操作区域标定信息；
根据所述操作区域标定信息，截取所述视频数据中的操作人员工作区域作为待处理视频数据。
5.根据权利要求1至4任一项所述的方法，其特征在于，在所述将所述操作骨骼帧序列输入预设的数字孪生应用，得到操作人员的数字孪生模型之后，还包括：
获取工厂运行数据，并将所述工厂运行数据输入预获取的生产管理程序，以得到对应的生产需求信息；
将所述生产需求信息输入所述预设的数字孪生应用，以在工厂的数字孪生模型中显示所述生产需求信息。
6.根据权利要求1至4任一项所述的方法，其特征在于，所述得到所述操作骨骼帧序列对应的目标工序之后，还包括：
对比所述操作骨骼帧序列中每帧与目标工序的标准动作骨骼帧序列中的多个关键帧，得到所述操作骨骼帧中的多个关键帧；
读取所述操作骨骼帧序列中各相邻两关键帧之间的各第一帧数；
读取所述标准动作骨骼帧序列中各相邻两关键帧之间的各第二帧数；
若任一第一帧数大于对应的第二帧数，则生成对应的生产效率提升建议；
将所述生产效率提升建议赋值至对应的数字孪生模型，以显示所述生产效率提升建议。
7.一种基于数字孪生的工作效率显示装置，其特征在于，包括：
视频截取模块，用于接收摄像设备发送的视频数据，并截取所述视频数据中的操作人员工作区域作为待处理视频数据；
集合获取模块，用于将所述待处理视频数据按帧分割，得到操作帧集合；
序列获取模块，用于将所述操作帧集合输入预先训练得到的人体骨骼识别模型，得到操作骨骼帧序列；
模型显示模块，用于将所述操作骨骼帧序列输入预设的数字孪生应用，以显示所述操作人员的数字孪生模型；
工序获取模块，用于依次对比所述操作骨骼帧序列中每帧与预设的各种标准动作骨骼帧序列中每帧，得到所述操作骨骼帧序列对应的目标工序，其中每一种所述标准动作骨骼帧序列对应一种工序；
序列确定模块，用于将所述目标工序对应的标准动作骨骼帧序列或预先标定的骨骼帧序列确定为目标骨骼帧序列；
效率确定模块，用于根据所述操作骨骼帧序列的帧数与目标骨骼帧序列的帧数，确定所述操作骨骼帧序列对应操作人员的工作效率；
效率显示模块，用于将所述工作效率赋值至对应操作人员的数字孪生模型以进行显示。
8.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如权利要求1至6中任一项所述的基于数字孪生的工作效率显示方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至6中任一项所述的基于数字孪生的工作效率显示方法。
10.一种计算机程序产品，其特征在于，包括计算机程序，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的基于数字孪生的工作效率显示方法。
CN202210809701.4A 2022-07-11 2022-07-11 基于数字孪生的工作效率显示方法、装置及设备 Pending CN114973109A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210809701.4A CN114973109A (zh) 2022-07-11 2022-07-11 基于数字孪生的工作效率显示方法、装置及设备
PCT/CN2023/100882 WO2024012154A1 (zh) 2022-07-11 2023-06-16 基于数字孪生的工作效率显示方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210809701.4A CN114973109A (zh) 2022-07-11 2022-07-11 基于数字孪生的工作效率显示方法、装置及设备

Publications (1)

Publication Number Publication Date
CN114973109A true CN114973109A (zh) 2022-08-30

Family

ID=82969879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210809701.4A Pending CN114973109A (zh) 2022-07-11 2022-07-11 基于数字孪生的工作效率显示方法、装置及设备

Country Status (2)

Country Link
CN (1) CN114973109A (zh)
WO (1) WO2024012154A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024012154A1 (zh) * 2022-07-11 2024-01-18 卡奥斯工业智能研究院(青岛)有限公司 基于数字孪生的工作效率显示方法、装置及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781843B (zh) * 2019-10-29 2022-11-04 首都师范大学 课堂行为检测方法及电子设备
KR102462934B1 (ko) * 2020-02-25 2022-11-03 제주한라대학교산학협력단 디지털 트윈 기술을 위한 영상 분석 시스템
CN111680562A (zh) * 2020-05-09 2020-09-18 北京中广上洋科技股份有限公司 一种基于骨骼关键点的人体姿态识别方法、装置、存储介质及终端
CN111708332B (zh) * 2020-05-28 2021-12-07 上海航天精密机械研究所 一种生产线数字孪生系统
CN114973109A (zh) * 2022-07-11 2022-08-30 卡奥斯工业智能研究院(青岛)有限公司 基于数字孪生的工作效率显示方法、装置及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024012154A1 (zh) * 2022-07-11 2024-01-18 卡奥斯工业智能研究院(青岛)有限公司 基于数字孪生的工作效率显示方法、装置及设备

Also Published As

Publication number Publication date
WO2024012154A1 (zh) 2024-01-18

Similar Documents

Publication Publication Date Title
CN111476309B (zh) 图像处理方法、模型训练方法、装置、设备及可读介质
CN111598091A (zh) 图像识别方法、装置、电子设备及计算可读存储介质
CN108229485B (zh) 用于测试用户界面的方法和装置
CN111460138A (zh) 一种基于bim的数字化工程监理方法与系统
WO2024012154A1 (zh) 基于数字孪生的工作效率显示方法、装置及设备
CN112037223A (zh) 图像缺陷检测方法、装置及电子设备
CN109064464B (zh) 用于检测电池极片毛刺的方法和装置
CN113159453B (zh) 资源数据预测方法、装置、设备及存储介质
CN109088793B (zh) 用于检测网络故障的方法和装置
CN116225886A (zh) 测试用例生成方法、装置、设备、存储介质及程序产品
CN111986552B (zh) 地图数据质量鲜度获取方法、装置及存储介质
CN115795345A (zh) 信息处理方法、装置、设备及存储介质
CN111724089A (zh) 一种订单收派分配方法、系统、终端及存储介质
CN113225586B (zh) 视频处理方法、装置、电子设备及存储介质
CN110764662B (zh) 信息处理方法、装置、电子设备及存储介质
CN114419070A (zh) 一种图像场景分割方法、装置、设备及存储介质
CN108447107B (zh) 用于生成视频的方法和装置
CN112711718A (zh) 一种评论信息的审核方法、装置、介质及电子设备
CN111753574A (zh) 抛扔区域定位方法、装置、设备及存储介质
CN116384945B (zh) 一种项目管理方法和系统
CN114722061B (zh) 数据处理方法及装置、设备、计算机可读存储介质
CN115455088B (zh) 数据统计方法、装置、设备及存储介质
US20240096023A1 (en) Information processing method and device
CN113763187B (zh) 理赔结果确定方法、理赔请求发送方法和装置
CN114358396A (zh) 巡检路线的评估方法、装置、存储介质及移动终端

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