CN115223104B - 一种基于场景识别的违章作业行为检测方法及系统 - Google Patents
一种基于场景识别的违章作业行为检测方法及系统 Download PDFInfo
- Publication number
- CN115223104B CN115223104B CN202211117611.5A CN202211117611A CN115223104B CN 115223104 B CN115223104 B CN 115223104B CN 202211117611 A CN202211117611 A CN 202211117611A CN 115223104 B CN115223104 B CN 115223104B
- Authority
- CN
- China
- Prior art keywords
- data
- information
- data information
- formula
- violation
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Abstract
本发明公开一种基于场景识别的违章作业行为检测方法及系统,涉及检测技术领域,采用的技术方案是通过数据采集实现违章作业行为的场景识别,通过具有归一化的数据融合方法对远程数据库中的数据信息进行融合和计算;并通过大数据处理函数对采集到的数据信息进行处理,以提高数据信息的计算能力;通过余弦相似函数对融合后的违章作业行为检测信息进行分析;将违章作业行为数据信息正常数据和异常数据区分开来;通过小波分析法对接收到的数据信息进行进一步处理,以提高数据信息分析能力;对违章作业行为检测信息通过概率密度函数优化函数实现数据信息优化计算;通过可视化操作实现数据信息监控,大大提高了违章作业行为检测能力。
Description
技术领域
本发明涉及检测技术领域,具体为一种基于场景识别的违章作业行为检测方法及系统。
背景技术
建筑是指人工建筑而成的资产,属于固定资产范畴,包括房屋和构筑物两大类,房屋是指供人居住、工作、学习、生产、经营、娱乐、储藏物品以及进行其他社会活动的工程建筑,与建筑物有区别的是构筑物,构筑物指房屋以外的工程建筑,如围墙、道路、水坝、水井、隧道、水塔、桥梁和烟囱等,建筑以木结构建筑为主,西方的传统建筑以砖石结构为主,现代的建筑则是以钢筋混凝土为主,建筑工程为建设工程的一部分,指通过对各类房屋建筑及其附属设施的建造和与其配套的线路、管道、设备的安装活动所形成的工程实体。
建筑施工过程中的违章作业行为包括很多种,比如工具使用数据信息、物品放置位置信息、物品下落隐患数据信息、火灾数据信息、工作人员安全隐患数据信息、易燃物品数据信息、外界异物介入数据信息和雷电雾云雨天气信息等多种异常数据信息,这些违章作业容易给用户带来较大的难处,很容易导致施工现场出现异常数据信息。现有技术中大多采用人工检测方法实现施工作业的场景识别和异常事故检测,这种方法效率低下。
发明内容
针对现有技术的不足,本发明提供了一种基于场景识别的违章作业行为检测方法及系统。能够实现违章作业行为检测的自动化,通过人工智能的方法提高违章作业行为检测和诊断能力,大大提高了施工安全能力。
为实现上述目的,本发明提供如下技术方案:
一种基于场景识别的违章作业行为检测方法,其中包括以下步骤:
步骤(1)、通过数据采集实现违章作业行为的场景识别,所述数据采集检测的数据信息至少包含工具使用数据信息、物品放置位置信息、物品下落隐患数据信息、火灾数据信息、工作人员安全隐患数据信息、易燃物品数据信息、外界异物介入数据信息和雷电雾云雨天气信息;数据采集信息通过无线数据通信的方式传递到远程数据库;
步骤(2)、通过具有归一化的数据融合方法对远程数据库中的数据信息进行融合和计算;并通过大数据处理函数对采集到的数据信息进行处理,以提高数据信息的计算能力;
步骤(3)、通过余弦相似函数对融合后的违章作业行为检测信息进行分析;将违章作业行为数据信息正常数据和异常数据区分开来;
步骤(4)、通过小波分析法对接收到的数据信息进行进一步处理,以提高数据信息分析能力;
步骤(5)、对违章作业行为检测信息通过概率密度函数优化函数实现数据信息优化计算;
作为本发明进一步的技术方案,在步骤(1)中,数据采集模块采用MS30芯片实现违章作业的场景识别。
作为本发明进一步的技术方案,在步骤(2)中,归一化方法通过以下步骤进行:
归一化所采用的公式如下:
作为本发明进一步的技术方案,在步骤(2)中,大数据处理函数为:
公式(2)中,用表示预设的违章作业行为信息加权向量,用表示经归一化公
式计算后违章作业行为信息中的加权向量,用表示经聚类处理后的违章作业行为信息采
集输入向量,用表示经归一化公式计算后的输入向量,通过公式(2)计算之后,根据得到
的加权向量和输入向量的结果,获取所需要的数据量,并以此得到违章作业行为数据信息
运行过程中的加权向量。
作为本发明进一步的技术方案,在步骤(2)中,在步骤(3)中,余弦相似函数的工作方法为:
将采集到的违章作业行为数据信息运行数据和预设的标准数据间的相似度通过数学公式函数的方式表示,相似度函数公式为:
作为本发明进一步的技术方案,在步骤(4)中,违章作业行为数据信息分类的结构通过以下公式表示:
在公式(6)中,公式(6)是离散型二进制小波分析函数,公式(6)中的函数分析违章
作业行为数据信息运行数据信号时,时间变量是连续性的,在公式(6)中,表示违章作业
行为检测数据信息的集合,表示违章作业行为检测数据信息的集合中的某些分类检测数
据信息,表示违章作业数据信息的计算速率,表示数据信息参数设置函数。表
示二进制处理时的处理参数。
作为本发明进一步的技术方案,离散型二级制数据的离散值为:
在公式(7)中,通过离散型二级制数据完成冗余数据信息剔除工作后,将其余数据
信息进行解构,然后采集这些数据信号的特征值,根据特征值,对照预设的标准值进行违章
作业行为数据信息检测到的违章作业行为判断,其中表示离散型二级制数据信息,表示影响离散型二级制数据计算的数据信息;
离散型二级制数据判断过程可表示为:
公式(8)中,分别用表示违章作业行为异常状态,表示违章作业行为正常状
态,用、表示检测到的违章作业行为的先验概率,用、表示分类模型中的错判代价
因子,用、表示违章作业行为异常数据处理过程中的概率密度函数。
作为本发明进一步的技术方案,概率密度函数优化函数表达式为:
作为本发明进一步的技术方案,可视化实现过程如下:
将这些违章作业行为数据信息数据信号相互连接得到对应的递归图结构:
公式(11)中,用表示违章作业行为信息预制的可视化的范围,用表示
Heaviside函数,以该函数可以确定检测到的违章作业行为异常和正常运行违章作业行为
数据信息之间的距离位置,时,设定可视化违章作业行为信息的坐标原点为,当时,设定其坐标位置为1,之后将n维向量展开,计算过程为:
违章作业行为信息控制函数表示为:
本发明还采用以下技术方案:
一种基于场景识别的违章作业行为检测系统,其特征在于:包括以下部件:
数据采集模块,用于采集违章作业行为的场景识别数据信息;
数据融合模块,通过具有归一化的数据融合方法对远程数据库中的数据信息进行融合和计算;
数据处理模块,通过大数据处理函数模块对采集到的数据信息进行处理,以提高数据信息的计算能力;
分析模块,通过余弦相似函数对融合后的违章作业行为检测信息进行分析;
小波算法模型,通过小波分析法对接收到的数据信息进行进一步处理,以提高数据信息分析能力;
可视化操作模块,通过可视化操作实现数据信息监控;
其中所述数据处理模块分别与数据采集模块、数据融合模块、分析模块、小波算法模型和可视化操作模块连接。
与现有技术相比,本发明提供了一种基于场景识别的违章作业行为检测方法及系统,具备以下有益效果:
本发明通过数据采集实现违章作业行为的场景识别,所述数据采集检测的数据信息至少包含工具使用数据信息、物品放置位置信息、物品下落隐患数据信息、火灾数据信息、工作人员安全隐患数据信息、易燃物品数据信息、外界异物介入数据信息和雷电雾云雨天气信息;数据采集信息通过无线数据通信的方式传递到远程数据库;
本发明通过具有归一化的数据融合方法对远程数据库中的数据信息进行融合和计算;并通过大数据处理函数对采集到的数据信息进行处理,以提高数据信息的计算能力;
本发明通过余弦相似函数对融合后的违章作业行为检测信息进行分析;将违章作业行为数据信息正常数据和异常数据区分开来;
本发明通过小波分析法对接收到的数据信息进行进一步处理,以提高数据信息分析能力;
本发明对违章作业行为检测信息通过概率密度函数优化函数实现数据信息优化计算;
本发明通过可视化操作实现数据信息监控。
附图说明
图1为本发明检测异常报警管理违章作业行为信息结构示意图。
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做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。
一种基于场景识别的违章作业行为检测方法,其特征在于:包括以下步骤:
步骤(1)、通过数据采集实现违章作业行为的场景识别,所述数据采集检测的数据信息至少包含工具使用数据信息、物品放置位置信息、物品下落隐患数据信息、火灾数据信息、工作人员安全隐患数据信息、易燃物品数据信息、外界异物介入数据信息和雷电雾云雨天气信息;数据采集信息通过无线数据通信的方式传递到远程数据库;
步骤(2)、通过具有归一化的数据融合方法对远程数据库中的数据信息进行融合和计算;并通过大数据处理函数对采集到的数据信息进行处理,以提高数据信息的计算能力;
步骤(3)、通过余弦相似函数对融合后的违章作业行为检测信息进行分析;将违章作业行为数据信息正常数据和异常数据区分开来;
步骤(4)、通过小波分析法对接收到的数据信息进行进一步处理,以提高数据信息分析能力;
步骤(5)、对违章作业行为检测信息通过概率密度函数优化函数实现数据信息优化计算;
步骤(6)、通过可视化操作实现数据信息监控。
在具体实施例中,在步骤(1)中,数据采集模块采用MS30芯片实现违章作业的场景识别。
使得整个对于违章作业行为的自动监测判断结构的设计能够保证多回路数据及时判断处理,对违章作业行为中的数据分析更加具有规律性,整体硬件设备样式是一种多回路关口设备,对整体监测结构进行规划,在确保证违章作业行为信息稳定运行的前提下,能够对多种违章作业行为结构下的故障部分同时进行监测,提高监测效率。
在上述实施例中,除了采用MS30芯片之外,本发明设计的数据采集模块还可以采用基于ARM处理器的控制单元,该控制单元设置有安全控制器硬件结构,接口方式为多种方式,有RJ45违章作业行为信息采集接口、RS485通信接口和CAN总线接口等,采集到的数据信息通过EEPROM存储器进行数据存储。该控制器通过ARM处理器实现数据的多种控制,该控制器连接有复位电路、时钟电路和电源电路等,能够实现违章作业行为监控违章作业行为信息安全、有效地运行。在进行数据通讯时,能够满足违章作业行为多同数据协议的通信,将所有的分布式数据信息通过通讯协议连接起来。该违章作业行为信息设置有TCP通信模块和UDP通信模块,通过多线程设计的方式实现违章作业行为数据信息通信连接。
在具体实施例中,在步骤(2)中,归一化方法通过以下步骤进行:
本发明设计的基于数据融合及可视化的违章作业行为检测到的违章作业行为监测技术的运行过程如下:该监测技术以采集违章作业行为数据信息的输出数据为基础,但是由于违章作业行为运行的过程中有大量的违章作业行为数据信息一起工作,所产生的输出数据的参数和计量单位都不相同。
归一化所采用的公式如下:
通过该公式对采集到的违章作业行为数据信息的输出数据进行归一化整理,使杂乱的数据统一化,便于后续的数据处理。之后按照数据类别进行数据整理聚类,并结合数据的映射违章作业行为信息采集将数据映射到三维空间中,将数据进一步处理,大数据处理函数为:
公式(2)中,用表示预设的违章作业行为信息加权向量,用表示经归一化公
式计算后违章作业行为信息中的加权向量,用表示经聚类处理后的违章作业行为信息采
集输入向量,用表示经归一化公式计算后的输入向量,通过公式(2)计算之后,根据得到
的加权向量和输入向量的结果,获取所需要的数据量,并以此得到违章作业行为数据信息
运行过程中的加权向量。
在具体实施例中,在步骤(3)中,余弦相似函数的工作方法为:
将采集到的违章作业行为数据信息运行数据和预设的标准数据间的相似度通过数学公式函数的方式表示,相似度函数公式为:
计算后的结果是该违章作业行为数据信息运行数据采集的最终处理结果,以该数据融合的最终结果为识别违章作业行为检测到的违章作业行为的数据依据。
在上述实施例中,通过违章作业行为检测,可以通过场景识别进行等量代换,采用这种方法的目的是为了能够从不同的侧面进行违章作业数据信息测量,能够从不同的角度测量违章作业行为。提高了数据信息的检测能力。
为了准确的处理采集到的违章作业行为数据信息运行数据,识别异常状态,本发明选用了小波分析法,根据小波分析法的工作原理。
在具体实施例中,在步骤(4)中,违章作业行为数据信息分类的结构通过以下公式表示:
在公式(5)中,用表示傅立叶变换系数,将进行数据融合处理后的违章作业行
为数据信息运行数据以公式(5)的形式进行转换,当某一数据不能转换成公式(5)的形式
时,将该数据信息剔除。在将所有的输出数据信息转换之后,很可能会产生信息冗余的现
象,这将导致进行检测到的违章作业行为识别的时间变长,采用小波变换分析法,将处理后
的离散型二进制数据进行处理分析,将数据信息参数设置为,则
有:
在公式(6)中,公式(6)是离散型二进制小波分析函数,公式(6)中的函数分析违章
作业行为数据信息运行数据信号时,时间变量是连续性的,在公式(6)中,表示违章作业
行为检测数据信息的集合,表示违章作业行为检测数据信息的集合中的某些分类检测数
据信息,表示违章作业数据信息的计算速率,表示数据信息参数设置函数。表
示二进制处理时的处理参数。
在具体实施例中,小波变换(wavelet transform,WT)是一种新的变换分析方法,能够应用短时傅立叶变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,该数据信息的特点通过变换能够充分突出问题某些方面的特征,能对时间(空间)频率的局部化分析,通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,进而实现可聚焦到信号的任意细节,解决了Fourier变换的困难问题。 与Fourier变换相比,小波变换是空间(时间)和频率的局部变换,能够有效地从信号中提取信息,通过伸缩和平移等运算功能可对函数或信号进行多尺度的细化分析,解决了Fourier变换不能解决的许多困难问题。离散小波变换是对基本小波的尺度和平移进行离散化。在图像处理中,常采用二进小波作为小波变换函数,即使用2的整数次幂进行划分。
在具体实施例中,通过上述方法实现数据信息的扩展和拉伸。在具体应用过程中,首先取一个小波,将其与原始信号开始一节进行比较;然就计算相似度C,C表示小波与索取一节信号的相似程度;然后向右平移小波,重复第一步和第二步,直至覆盖整个信号;再伸展小波,重复以上三步;对所有缩放,重复以上四步。通过上述方法实现数据信息的变换。
离散型二级制数据的离散值为:
在公式(7)中,通过离散型二级制数据完成冗余数据信息剔除工作后,将其余数据
信息进行解构,然后采集这些数据信号的特征值,根据特征值,对照预设的标准值进行违章
作业行为数据信息检测到的违章作业行为判断,其中表示离散型二级制数据信息,表示影响离散型二级制数据计算的数据信息。
在上述实施例中,在各种机器学习框架中已经取得了许多进展,可以接受复杂的分类数据类型,比如文本标签。通常,特征工程中的任何标准工作流都涉及到某种形式的将这些分类值转换为数字标签,然后对这些值应用某种编码方案。
离散值就是孤立的点集,像区间,它在每一点上都是连续的,而像整数集,它的每一元素之间都有一点的距离。所谓在某一点上连续,就是对于该点,无论给定一个多么小的正数,总能在定义域内找到一点,它的函数值到该点的函数值距离小于给定的数。而离散就是指不连续。在具体实施例中,离散数据是指其数值只能用自然数或整数单位计算的数据。在场景识别过程中,在一定区间内可以任意取值的数据叫连续数据,其数值是连续不断的,相邻两个数值可作无限分割,即可取无限个数值。例如,生产零件的规格尺寸和人体测量的身高和体重和胸围等为连续数据,其数值只能用测量或计量的方法获得。
离散型二级制数据判断过程可表示为:
公式(8)中,分别用表示违章作业行为异常状态,表示违章作业行为正常状
态,用、表示检测到的违章作业行为的先验概率,用、表示分类模型中的错判代价
因子,用、表示违章作业行为异常数据处理过程中的概率密度函数。
在具体实施例中,将违章作业行为异常状态、违章作业行为正常状态、检测到的违章作业行为的先验概率、分类模型中的错判代价因子以及概率密度函数通过对比函数表达式体现出不同参数的对比与计算。通过这种对比,能够实现将反映离散型二级制数据的各种数据参数聚集起来,以便于提高离散型二级制数据判断能力。
在具体实施例中,违章作业行为异常状态是指不按照规章制度和安全技术操作规程所规定的操作顺序和方法所进行的作业。违章是职工的习惯动作,具有顽固性、多发性,一些职工不重视技术业务和安全知识的学习,盲目地凭着经验和习惯作业,具体工作内容可以为多种异常作业行为。违章作业行为正常状态是不违规状态。
先验概率(prior probability)是指根据以往经验和分析得到的概率,如全概率
公式,它往往作为"由因求果"问题中的"因"出现的概率。 用、表示检测到的违章作业
行为的先验概率,可根据先前的实验确定过去的信息。先前的经验可以从经验丰富的专家
的纯粹主观评估中引出。当没有信息可用时,可以创建一个不了解的先验,以反映结果之间
的平衡。还可以根据某些原理来选择优先级,例如对称性或最大化给定约束的熵。错判代价
因子是在计算过程中,防止误判的数据参数。
经公式(7)进行冗余数据信息剔除后的结果输入至公式(8)中,这样就可以进行违章作业行为数据信息的检测到的违章作业行为的识别以及整理归类的工作。为精准的识别出违章作业行为数据信息的不同工作状态,本发明对概率密度函数进行了优化,概率密度函数优化函数表达式为:
在具体实施例中,连续型随机变量的概率密度函数(在不至于混淆时可以简称为密度函数)是一个描述这个随机变量的输出值,在某个确定的取值点附近的可能性的函数。而随机变量的取值落在某个区域之内的概率则为概率密度函数在这个区域上的积分。当概率密度函数存在的时候,累积分布函数是概率密度函数的积分。概率密度函数一般以小写标记。通过引入这个概念,可以清楚地计算不同的违章作业行为数据信息的输出数据信号在整个区域中的分布函数,
通过优化后的概率面密度函数可以精确的对违章作业行为数据信息的检测到的违章作业行为进行识别,并根据需要进行分类。为了更好的实现违章作业行为检测到的违章作业行为监视的远程操控,本发明加入了可视化的相关技术,使处理后的数据信息能够清晰地展现给操作人员。
可视化实现过程如下:
首先,本发明以处理后的违章作业行为数据信息运行数据信息的输出顺序为依
据,通过时间序列的组合,构建n维向量空间,该向量空间包括所有违章作业行为数据信息
输出顺序,将不同的违章作业行为数据信息的坐标设置为,得到的违章作业
行为数据信息向量空间函数:
对向量空间模型来说,有两个基本问题:即特征项的选择和项的权重计算。向量空间(Vector Space)首先是一个空间,数学形式上就是一个集合(Set)。很自然的,首先需要定义元素(Element)的概念,实数是一类元素,类似地,违章作业行为信息函数也是一类元素。引入违章作业行为信息函数是为了体现向量空间的概念是普遍的,从它违章作业行为数据信息向量空间函数元素可取的值就能看出,事实上,函数也是一类元素,后面将看到,只要定义了合理的加法和数乘运算,什么样的元素都可以组成一个向量空间。违章作业行为信息函数可以视为两个实数的对,在运算上直接继承于实数的加法(Addtion)和乘法(Multiplication),也由此可以导出违章作业行为信息函数的性质。将这些违章作业行为数据信息数据信号相互连接得到对应的递归图结构:
公式(11)中,用表示违章作业行为信息预制的可视化的范围,用表示
Heaviside函数,以该函数可以确定检测到的违章作业行为异常和正常运行违章作业行为
数据信息之间的距离位置,时,设定可视化违章作业行为信息的坐标原点为,当时,设定其坐标位置为1,之后将n维向量展开,计算过程为:
如果该比值大于违章作业行为信息预先设置的标准值的话,就表示着和之
间的向量位置关系有误。为了保证计算出的检测到的违章作业行为异常的违章作业行为数
据信息位置的准确性,就需要增加相应的维度向量,并且需要严格控制设备数据信息输出
的延时时间,本发明通过下式对延时进行控制,违章作业行为信息控制函数表示为:
将以上计算分析后的结果整理后就可以得到准确的违章作业行为数据信息检测到的违章作业行为信息,由各个违章作业行为数据信息的状态信息可以总结出整体违章作业行为运行的状态信息,并通过n维向量空间的建立及递归图的计算可以在PC控制器上将违章作业行为运行中出现的故障信息清晰的展现给主控中心的管理人员。
一种基于场景识别的违章作业行为检测系统,其特征在于:包括以下部件:
数据采集模块,用于采集违章作业行为的场景识别数据信息;
数据融合模块,通过具有归一化的数据融合方法对远程数据库中的数据信息进行融合和计算;
数据处理模块,通过大数据处理函数模块对采集到的数据信息进行处理,以提高数据信息的计算能力;
分析模块,通过余弦相似函数对融合后的违章作业行为检测信息进行分析;
小波算法模型,通过小波分析法对接收到的数据信息进行进一步处理,以提高数据信息分析能力;
可视化操作模块,通过可视化操作实现数据信息监控;
其中所述数据处理模块分别与数据采集模块、数据融合模块、分析模块、小波算法模型和可视化操作模块连接;
其中数据采集模块设置有无线数据通信接口,
在具体应用中,为了采集到最为准确的检测到的违章作业行为的输出数据,设计了集采样、采样保持、稳压等功能于一体的电路,保证系统可以实时、精确的采集检测到的违章作业行为运行数据,并通过稳压电路来保护运行数据采集设备,避免了因检测到的违章作业行为运行出现故障导致电压瞬间增大而损坏设备的情况。
基于数据融合的检测到的违章作业行为数据类型监视技术,通过实时监视检测到的违章作业行为运行中各个违章信息的数据类型来判断检测到的违章作业行为是否正常运行,在对采集到的大量的违章信息运行数据的处理上采用归一法整体杂乱数据,并通过小波分析法对数据冗余进行剔除,能够有效的提高系统处理数据的速度。
为了避免数据误差,保证系统识别发生故障的违章信息位置的准确性,设置了多维向量空间,并通过递归的方式对监视结果进行分析处理,由此可以得到准确检测到的违章作业行为数据类型的信息。
本发明所设计的检测到的违章作业行为运行风险可视化监视系统中,主要包括检测到的违章作业行为现场模块;负责采集检测到的违章作业行为运行数据、属性数据、实时数据、空间数据的分布式检测到的违章作业行为运行数据采集模块;数据分析中心;辅助决策系统;以及由Web服务器、数据库服务器、PC控制器、系统运行服务器等组成的主控中心构成。该系统的整体运行过程如下:检测到的违章作业行为的输出数据会由内置的数据采集设备上传至中控中心,为了获得准确的检测到的违章作业行为数据类型,分布式检测到的违章作业行为运行数据采集群会收集检测到的违章作业行为系统中各个部分的空间数据、实时数据、属性数据、运行数据等类型的数据,并通过基于信息融合的风险识别算法检验检测到的违章作业行为的数据类型,并对数据进行递归运算使数据可视化,最后将结果上传至中控中心,由管理人员进行检测到的违章作业行为运行的维护管理。
维持检测到的违章作业行为运行的违章信息中通过电压传感器,采集违章信息的工作状态数据信号,这些电压信息经过稳压电路预处理后输送至分布式的检测到的违章作业行为数据采集设备,以此分析检测到的违章作业行为数据类型数据,这些数据将与预设在检测到的违章作业行为数据库中的数据进行对比,对比结果如若有出入,则代表检测到的违章作业行为的运行存在出故障的风险,管理人员将通过PC控制器看到检测到的违章作业行为出现运行风险的具体位置和原因,并以此采取相关措施。
在进一步的实施例中,该违章信息数据类型监测模块由信息采集端口、LPC2292处理器、TLV5638数模转换模块,故障判断模块、数据显示模块等几部分组成。该监测模块整体工作过程如下:首先由传感器进行电压采样工作,将电压信息输到LPC2292微控制器中的AD转换口,LPC2292由锂电池经过聚流稳压的处理后进行供电,该控制器与用户预设的数据库连接,将采样得到的电压数据信息与标准值进行对比,之后再通过TLV5638进行数模转换后输出电压,并与阈值电压对比来判断是否发生故障,再将判断后的结果由AD9235进行D/A转换,并由XC95144XL芯片实现数据显示。
在本发明的描述中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个引用结构”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。需要说明的是,在本文中,诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (7)
1.一种基于场景识别的违章作业行为检测方法,其特征在于:包括以下步骤:
步骤(1)、通过数据采集实现违章作业行为的场景识别,所述数据采集检测的数据信息至少包含工具使用数据信息、物品放置位置信息、物品下落隐患数据信息、火灾数据信息、工作人员安全隐患数据信息、易燃物品数据信息、外界异物介入数据信息和雷电雾云雨天气信息;数据采集信息通过无线数据通信的方式传递到远程数据库;
步骤(2)、通过具有归一化的数据融合方法对远程数据库中的数据信息进行融合和计算;并通过大数据处理函数对采集到的数据信息进行处理,以提高数据信息的计算能力;
步骤(3)、通过余弦相似函数对融合后的违章作业行为检测信息进行分析;将违章作业行为数据信息正常数据和异常数据区分开来;
步骤(4)、通过小波分析法对接收到的数据信息进行进一步处理,以提高数据信息分析能力;
步骤(5)、对违章作业行为检测信息通过概率密度函数优化函数实现数据信息优化计算;
概率密度函数优化函数表达式为:
式(1)中,用来表示不同的违章作业行为数据信息的输出数据信号,用来表示不同
的数据信号类型,用来表示平滑数据处理的参数,用来表示来自分类模式中的信号
量,用来表示数据信号的个数;在步骤(4)中,违章作业行为数据信息分类的结构通过
以下公式表示:
2.根据权利要求1所述的一种基于场景识别的违章作业行为检测方法,其特征在于:
在步骤(1)中,数据采集模块采用MS30芯片实现违章作业的场景识别。
6.根据权利要求1所述的一种基于场景识别的违章作业行为检测方法,其特征在于:离散型二级制数据的离散值为:
在公式(8)中,通过离散型二级制数据完成冗余数据信息剔除工作后,将其余数据信息
进行解构,然后采集这些数据信号的特征值,根据特征值,对照预设的标准值进行违章作业
行为数据信息检测到的违章作业行为判断,其中表示离散型二级制数据信息,表
示影响离散型二级制数据计算的数据信息;
离散型二级制数据判断过程可表示为:
7.根据权利要求1所述的一种基于场景识别的违章作业行为检测方法,其特征在于:违章作业行为的场景识别实现过程如下:
将这些违章作业行为数据信息数据信号相互连接得到对应的递归图结构:
式(11)中,用表示违章作业行为信息预制的可视化的范围,用表示Heaviside函
数,以该函数可以确定检测到的违章作业行为异常和正常运行违章作业行为数据信息之间
的距离位置,时,设定可视化违章作业行为信息的坐标原点为,当时,设定其坐标位置为1,之后将n维向量展开,计算过程为:
违章作业行为信息控制函数表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211117611.5A CN115223104B (zh) | 2022-09-14 | 2022-09-14 | 一种基于场景识别的违章作业行为检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211117611.5A CN115223104B (zh) | 2022-09-14 | 2022-09-14 | 一种基于场景识别的违章作业行为检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115223104A CN115223104A (zh) | 2022-10-21 |
CN115223104B true CN115223104B (zh) | 2022-12-02 |
Family
ID=83617709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211117611.5A Active CN115223104B (zh) | 2022-09-14 | 2022-09-14 | 一种基于场景识别的违章作业行为检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115223104B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8103090B2 (en) * | 2007-01-22 | 2012-01-24 | Honeywell International Inc. | Behavior and pattern analysis using multiple category learning |
CN106934358A (zh) * | 2017-03-03 | 2017-07-07 | 燕山大学 | 基于余弦角距离加权复杂网络的小规模人群行为识别方法 |
US10322728B1 (en) * | 2018-02-22 | 2019-06-18 | Futurewei Technologies, Inc. | Method for distress and road rage detection |
US11757906B2 (en) * | 2019-04-18 | 2023-09-12 | Oracle International Corporation | Detecting behavior anomalies of cloud users for outlier actions |
CN110472675B (zh) * | 2019-07-31 | 2023-04-18 | Oppo广东移动通信有限公司 | 图像分类方法、图像分类装置、存储介质与电子设备 |
CN110728218A (zh) * | 2019-09-29 | 2020-01-24 | 深圳市大拿科技有限公司 | 危险驾驶行为的预警方法、装置、电子设备及存储介质 |
CN111920420B (zh) * | 2020-07-28 | 2023-08-08 | 复旦大学 | 一种基于统计学习的患者行为多模态分析与预测系统 |
CN111652331B (zh) * | 2020-08-05 | 2021-05-11 | 腾讯科技(深圳)有限公司 | 一种图像识别方法、装置和计算机可读存储介质 |
CN112581191B (zh) * | 2020-08-14 | 2022-07-19 | 支付宝(杭州)信息技术有限公司 | 行为预测模型的训练方法及装置 |
CN113239760A (zh) * | 2021-04-29 | 2021-08-10 | 国网江苏省电力有限公司苏州供电分公司 | 一种电网作业现场违章识别系统 |
CN114169393A (zh) * | 2021-11-03 | 2022-03-11 | 华为技术有限公司 | 一种图像分类方法及其相关设备 |
-
2022
- 2022-09-14 CN CN202211117611.5A patent/CN115223104B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115223104A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
CN110658487A (zh) | 一种可以实现智能电表误差在线估计的表箱及系统 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN108376982A (zh) | 负载相序的识别方法及装置 | |
CN109461142A (zh) | 线路隐患分析方法、装置及电子终端 | |
CN109711664B (zh) | 一种基于大数据的输变电设备健康评估系统 | |
CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
CN109063885A (zh) | 一种变电站异常量测数据预测方法 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN116050599A (zh) | 一种线路覆冰故障预测方法、系统、存储介质及设备 | |
CN115549292A (zh) | 电网运行监测系统及其方法 | |
CN114154766A (zh) | 雷电动态预测下电网的易损性预警方法及系统 | |
CN115223104B (zh) | 一种基于场景识别的违章作业行为检测方法及系统 | |
CN113554361A (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
CN112016206A (zh) | 判定塔架失稳状态的方法、系统、计算机设备及应用 | |
CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
CN112348207A (zh) | 电网防灾预警方法及装置 | |
CN112016739A (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN111027827A (zh) | 保底通信网运行风险分析的方法、装置及计算机设备 | |
CN115908082A (zh) | 基于用电特征指标的企业排污监控方法及装置 | |
CN114090959B (zh) | 一种河网结构约束下流域径流的随机时空插值方法 | |
CN112633692A (zh) | 查窃电阈值的获取方法和装置、查窃电装置和方法 |
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 |