CN115830831A - 一种基于大数据的智能安全控制预警系统及方法 - Google Patents
一种基于大数据的智能安全控制预警系统及方法 Download PDFInfo
- Publication number
- CN115830831A CN115830831A CN202310101024.5A CN202310101024A CN115830831A CN 115830831 A CN115830831 A CN 115830831A CN 202310101024 A CN202310101024 A CN 202310101024A CN 115830831 A CN115830831 A CN 115830831A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- expressed
- time
- equipment
- 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
Links
Images
Classifications
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于大数据的智能安全控制预警系统及方法,属于智能安全预警领域,该系统包括数据采集模块、数据库、数据处理模块和安全管理模块,数据采集模块用于采集设备的基础数据信息,通过摄像设备采集用户的图像信息,数据库用于对采集的数据信息和分析结果进存储和加密,数据处理模块用于根据采集的数据信息,对用户的行为意图进行分析预测,安全管理模块用于根据分析结果,对相关技术人员进行安全报警提醒。本发明通过采集的数据,对用户进入设备操作区域的意向进行预测分析判断,分析用户的进入目的性,根据分析结果进行智能报警,提高了系统的精确程度,保障了用户的安全和企业的设备安全。
Description
技术领域
本发明涉及智能安全预警领域,具体为一种基于大数据的智能安全控制预警系统及方法。
背景技术
随着科技的发展,越来越多的企业对工厂设备进行信息化管理,为设备管理提供了一个标准规范、高效的管理平台,有力地推动了设备管理的不断进步。同时,越来越多的企业实现了无人化车间,无人化车间主要依靠计算机集成制造系统发挥作用,无人化工厂并不是否定人的重要作用,相反,是要使人从那些简单而烦琐、重复而繁重以及仅仅依靠人自身难以完成的活动中解放出来,充分发挥人具有的创造性思维的能力,并为人的这种创造性活动提供支持。
然而,设备在运行时存在一定的危险区域,人员的靠近存在安全隐患,但是在必要时,需要相关技术人员前往对设备进行操作,因此导致了有的人员并不是技术人员,在无意间进入了操作区域,造成了安全隐患。
由此看来,如何判断用户进入操作区域的意图,对相关技术人员进行智能报警,如何避免技术人员进入操作区域出发误报警,提高报警精确程度是十分重要的。因此,需要一种基于大数据的智能安全控制预警系统及方法。
发明内容
本发明的目的在于提供一种基于大数据的智能安全控制预警系统及方法,采集设备的基础数据信息,通过摄像设备,对用户的图像信息进行采集,对用户进入设备操作区域的意向进行预测分析判断,对该用户的行为安全情况进行预测,分析用户的进入目的性,当出现异常情况时,通过显示设备和语音,对相关技术人员进行报警提醒,并对数据采集、数据存储、数据分析和安全管理的过程进行数据加密,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据的智能安全控制预警系统,该智能安全控制预警系统包括:数据采集模块、数据库、数据处理模块和安全管理模块;
所述数据采集模块的输出端与数据库的输入端相连接,数据库的输出端与数据处理模块的输入端相连接,数据处理模块的输出端与安全管理模块的输入端相连接,数据处理模块的输出端与数据库的输入端相连接;所述数据采集模块用于采集设备的基础数据信息,通过摄像设备采集用户的图像信息,所述数据库用于对采集的数据信息和数据处理模块的分析结果进存储和加密,所述数据处理模块用于根据采集的数据信息,对用户的行为意图进行分析预测,所述安全管理模块用于根据分析结果,通过显示设备和语音设备,对相关技术人员进行安全报警提醒。
进一步的,所述数据采集模块包括基础数据采集单元和图像采集单元,所述基础数据采集单元用于采集设备的基础数据信息,便于相关技术人员快速定位到安全报警位置,从而采取措施,所述图像采集单元用于通过摄像设备,对用户的图像信息进行采集。
进一步的,所述数据库包括数据存储单元、数据加密单元和数据清理单元,所述数据存储单元通过SAN网络对采集的数据和分析结果进行存储,SAN网络是指存储区域网络,采用网状通道技术,通过网状通道技术交换机连接存储阵列和服务器主机,建立专用于数据存储的区域网络,SAN是一种专门为存储建立的独立于TCP/IP网络之外的专用网络,目前一般的SAN提供2Gb/S到4Gb/S的传输数率,同时SAN网络独立于数据网络存在,因此存取速度很快,另外SAN一般采用高端的RAID阵列,使SAN的性能在几种专业存储方案中更加强大。SAN由于其基础是一个专用网络,因此扩展性很强,不管是在一个SAN系统中增加一定的存储空间还是增加几台使用存储空间的服务器都非常方便,所述数据加密单元通过SHA3算法对数据采集、数据存储、数据分析和安全管理的过程进行数据加密,SHA-3是第三代安全散列算法,使用海绵函数,此函数会将数据与初始的内部状态做XOR运算,这是无可避免可置换的;在最大的版本,算法使用的内存状态是使用一个5×5的二维数组,数据类型是64位的字节,总计1600比特 ,缩版的算法使用比较小的,以2为幂次的字节大小w为1比特,总计使用25比特,除了使用较小的版本来研究加密分析攻击,比较适中的大小,则提供了比较实际且轻量的替代方案,在硬件上,该算法速度相较于其他算法更快,保障了数据的安全,防止企业隐私信息的泄露,避免出现企业内部的设备数据信息外泄,所述数据清理单元用于设定时间值,该时间值可由相关技术人员自行设置,定期对数据进行清理,避免大量冗余数据占用存储空间,提高系统运行效率。
进一步的,所述数据处理模块包括图像预处理单元、意向判断单元和安全预警单元,所述图像预处理单元用于对采集的图像数据信息进行预处理,提取图像中的用户位置信息,通过OpenCV技术提取图像中用户的面部数据信息,所述意向判断单元用于对用户进入设备操作区域的意向进行预测分析判断,所述安全预警单元用于根据用户意向预测结果,分析对该用户的行为安全情况进行预测分析,避免出现误触报警,提高预测分析的精确程度。
进一步的,所述安全管理模块包括屏幕显示单元和语音报警单元,所述屏幕显示单元用于当出现异常情况时,通过屏幕显示设备,对相关技术人员进行显示提醒,所述语音报警单元用于通过语音,对相关技术人员进行提醒,保证了相关技术人员能够及时收到预警提醒,即使未能一直盯着屏幕显示设备也能及时收到提醒信息。
一种基于大数据的智能安全控制预警方法,包括下列步骤:
S1、采集设备的基础数据信息,通过摄像设备,对用户的图像信息进行采集,并对数据采集、数据存储、数据分析和安全管理的过程进行加密存储;
S2、对采集的图像信息进行预处理,对用户进入设备操作区域的意向进行预测分析判断;
S3、根据分析的意向结果,对该用户的进入目的性进行分析;
S4、当出现异常情况时,通过显示设备和语音,对相关技术人员进行报警提醒。
进一步的,在步骤S2中,根据采集的图像信息,对用户的轨迹进行分析处理;
S201、根据采集的图像信息,通过OpenCV技术采集用户的面部数据信息,进行用户行为追踪,OpenCV是一个基于BSD许可发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作系统上, 它轻量级而且高效--由一系列C函数和少量C++类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法,通过视频图像的动态测距技术,测量用户与设备之间的距离,确定用户的位置,视频图像的动态测距与传统的微波雷达测距、激光测距、超声波测距相比,其采集信息的方式是非侵犯性的,同时与GPS定位技术相比,该方法的定位效果更加精确,无论是在范围广阔场所还是在密集场所同样适用,并且不受温度、天气等环境因素影响,不会向外界环境传播信号;根据采集的用户位置,置于坐标系中,该坐标系可由相关技术人员自行设置,用户的位置为F,坐标为(xi,yi),形成集合Z={(x1,y1),(x2,y2),...,(xn,yn)},其中,n表示为采集的用户位置数量;
S202、通过下列公式,构建实时的密集空间矩阵R:
E=φ(F,αE);
G=φ(E,αG);
H=φ(E,αH);
R=softmax(G×H/b1/2);
其中,φ表示为线性变换,E表示为空间图嵌入,图嵌入是将属性图转换为一个或一组向量,嵌入应该捕获图的拓扑结构、顶点到顶点的关系以及关于图、子图和顶点的其他相关信息,更多的属性嵌入编码可以在以后的任务中获得更好的结果,G表示为查询指数,H表示为密钥指数,αE,αG,αH表示为线性变换的权重,softmax表示为函数归一化,b1/2表示为比例因子,用以确保数值的稳定性;通过构建密集空间矩阵,增加空间输入的稀疏性,便于在空间中准确识别出用户,避免用户交互造成干扰;
将实时的密集空间矩阵R沿时间进行1×1卷积融合,得到时空密集空间矩阵R*,通过下列公式,对时空密集空间矩阵R*的行和列进行级联:
R* 行=Conv(βa-1,γ行);
R* 列=Conv(βa-1,γ列);
βa=δ(R* 行+R* 列);
其中,R* 行表示为第a层的基于行的非对称卷积特征映射,R* 列表示为第a层的基于列的非对称卷积特征映射,Conv函数表示函数卷积,a表示为矩阵层数,γ行表示为行向量的卷积核,γ列表示为列向量的卷积核,βa表示为第a层激活的特征映射,βa-1表示为第a-1层激活的特征映射,δ表示为非线性激活函数,最后一次卷积层得到的激活特征映射为β;通过下列公式对稀疏交互指数M进行计算:
M=Π{ρ(β)≥ζ};
其中,ζ表示为超参数,Π表示为指示函数,ρ表示为激活函数,当不等式成立时,输出为1,否则输出0;则通过下列公式对稀疏邻接矩阵N进行计算:
N=(M+I)⊙R*;
其中,I表示为单位矩阵;
通过下列公式对归一化稀疏邻接矩阵N*进行计算:
N*=[exp(N)-1]2/{∑[exp(N)-1]2+c};
其中,c表示为常数,exp函数表示以自然常数e为底的指数函数;
S203、通过下列公式,构建实时的密集时间矩阵R':
E'=φ(F',αE')+θ;
G'=φ(E',αG');
H'=φ(E',αH');
R'=softmax(G'×H'/b1/2);
其中,E'表示为时间图嵌入,G'表示为时间查询指数,H'表示为时间密钥指数,αE',αG',αH'表示为线性变换的权重,θ表示为位置张量,不同顺序的轨迹点表示不同的运动趋势,将实时的密集时间矩阵R'沿空间进行1×1卷积融合,得到时空密集时间矩阵R'*,通过下列公式,对时空密集时间矩阵R'*的行和列进行级联:
R'* 行=Conv(εa-1,μ行);
R'* 列=Conv(εa-1,μ列);
εa=δ(R'* 行+R'* 列);
其中,R'* 行表示为第a层的基于行的非对称卷积特征映射,R'* 列表示为第a层的基于列的非对称卷积特征映,μ行表示为行向量的卷积核,μ列表示为列向量的卷积核,εa表示为第a层激活的特征映射,εa-1表示为第a-1层激活的特征映射,最后一次卷积层得到的激活特征映射为ε;通过下列公式对时间交互指数M'进行计算:
M'=Π{ρ(ε)≥ζ'};
其中,ζ'表示为超参数,当不等式成立时,输出为1,否则输出0;则通过下列公式对邻接矩阵N进行计算:
N'=(M'+I)⊙R'*;
通过下列公式对归一化邻接矩阵N'*进行计算:
N'*=[exp(N')-1]2/{∑[exp(N')-1]2+c'};
其中,c'表示为常数;
S204、根据分析的空间图像与时间图像,通过下列公式对用户运动的空间轨迹L1和时间轨迹L2进行计算:
L1=δ(N'*·δ(N*Ka-1 1m空1)m时1);
L2=δ(N*·δ(N'*Ka-1 2m时2)m空2);
其中,Ka-1 1表示为空间趋势特征,Ka-1 2表示为时间趋势特征,m空1、m空2、m时1和m时2表示为权重,则用户的运动预测轨迹L为:L=L1+L2;
S205、根据采集设备的位置信息,设备的位置坐标为(xj,yj),以设备为圆心,R为半径设置操作区域:(x-xj)2+(y-yj)2=R2,当用户的运动预测轨迹进入操作区域时,表示该用户存在意图进入操作区域,反之用户不存在意图。
进一步的,在步骤S3中,根据分析的意向结果,当预测用户有意图进入操作区域时,对该用户的行为安全情况进行预测,分析该用户的进入目的性;
S301、根据采集的用户实时位置信息,将用户位置置于坐标系中,用户的位置坐标为(xi,yi),形成集合Z={(x1,y1),(x2,y2),...,(xn,yn)},其中,n表示为采集的用户位置数量;
S302、对连续的两个坐标点进行差值计算,形成向量集:P={(x2-x1,y2-y1),...,(xi+1-xi,yi+1-yi),...},i=1,2,...,n-1,根据反三角函数对两条向量之间的夹角θ进行计算;θ取值为[0°,180°];
S303、根据求得的夹角,分析用户的进入目的性。
进一步的,在步骤S303中,分析用户的进入目的性,包括以下步骤:
S303-1、根据用户的运动预测轨迹,当用户存在进入操作区域的意图时,设置相邻向量之间夹角的阈值为θ阈,当θ﹥θ阈时,记录对应的i值为ai,形成集合:Q={a1,a2,...,aj},j≤n,其中,j表示为记录的i值数量;
S303-2、若ai-ai-1=1,i﹥1,则对应的ai数值连续;若ai-ai-1≠1,i﹥1,则对应的ai数值不连续;在集合Q中形成连续的片段,统计每个片段中的ai的数量,作为实际连续次数p;
S303-3、设置连续次数的阈值为p阈,当p﹥p阈时,表示该用户在区域内一直沿着一个路径行走,则该用户进入操作区域是带有目的性质的;反之,当p﹤p阈时,表示该用户沿着一个路径行走的距离短,表示在区域内用户转变路径,则分析出用户无目的性质;
S303-4、统计该用户在行走过程中,判断为无目的性质的片段数量为g,设置阈值为g阈,当g﹤g阈时,表示该用户进入操作区域是带有目的性质的,此时系统不进行报警;当g≥g阈时,表示该用户进入操作区域是无目的性质的,此时根据用户的运动预测轨迹,当预测该用户进入操作区域时,进行报警。
进一步的,在步骤S4中,根据分析结果,当用户为无目的且运动预测轨迹进入操作区域内部时,通过屏幕显示设备,并且通过语音,对相关技术人员进行显示提醒,反之不进行报警;保证了相关技术人员能够在不是操作人员的用户进入操作区域时,及时收到预警提醒,即使未能一直盯着屏幕显示设备也能及时收到提醒信息,提高了报警的精确程度,避免相关工作人员进入时出现误报警的情况产生。同时,相关工作人员可自行设置时间周期,系统自动对数据进行定期删除清理,由于图像等数据占据的存储空间较大,自动清理能够有效节省存储空间,提高系统的工作效率。
与现有技术相比,本发明所达到的有益效果是:
本发明采集设备的基础数据信息,通过摄像设备,对用户的图像信息进行采集,对用户进入设备操作区域的意向进行预测分析判断,对用户的运动轨迹进行预测,提前对用户的动向进行判断,避免非技术人员的用户误入操作区域,保障了用户的人身安全以及设备的安全使用,对该用户的行为安全情况进行预测,分析用户的进入目的性,智能辨别用户是否为误入用户,避免技术人员进入操作区域时造成误报警的情况出现,提高了系统的精确程度,当出现异常情况时,即非技术人员预测进入操作区域,通过显示设备和语音,对相关技术人员进行报警提醒,保证相关技术人员能够及时收到报警信息,即使未能一直盯着屏幕显示设备也能及时收到提醒信息,也能及时收到信息,并对数据采集、数据存储、数据分析和安全管理的过程进行数据加密,保障了企业数据安全,避免企业设备隐私数据泄露。同时,相关工作人员可自行设置时间周期,系统自动对数据进行定期删除清理,由于图像等数据占据的存储空间较大,自动清理能够有效节省存储空间,提高系统的工作效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据的智能安全控制预警系统的模块组成示意图;
图2是本发明一种基于大数据的智能安全控制预警方法的步骤流程图;
图3是相邻位置形成两条向量之间夹角θ的示意图;
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。
请参阅图1-图2,本发明提供技术方案:一种基于大数据的智能安全控制预警系统,该智能安全控制预警系统包括:数据采集模块、数据库、数据处理模块和安全管理模块;
所述数据采集模块的输出端与数据库的输入端相连接,数据库的输出端与数据处理模块的输入端相连接,数据处理模块的输出端与安全管理模块的输入端相连接,数据处理模块的输出端与数据库的输入端相连接;
所述数据采集模块用于采集设备的基础数据信息,通过摄像设备采集用户的图像信息,数据采集模块包括基础数据采集单元和图像采集单元,所述基础数据采集单元用于采集设备的基础数据信息,例如设备位置、设备编号和工厂的电子地图等,便于相关技术人员快速定位到安全报警位置,从而采取措施,所述图像采集单元用于通过摄像设备,例如安全摄像头和红外雷达等,对用户的图像信息进行采集。
所述数据库用于对采集的数据信息和分析结果进存储和加密,数据库包括数据存储单元、数据加密单元和数据清理单元,所述数据存储单元通过SAN网络对采集的数据和数据处理模块的分析结果进行存储,SAN网络是指存储区域网络,采用网状通道技术,通过网状通道技术交换机连接存储阵列和服务器主机,建立专用于数据存储的区域网络,SAN是一种专门为存储建立的独立于TCP/IP网络之外的专用网络,目前一般的SAN提供2Gb/S到4Gb/S的传输数率,同时SAN网络独立于数据网络存在,因此存取速度很快,另外SAN一般采用高端的RAID阵列,使SAN的性能在几种专业存储方案中更加强大。SAN由于其基础是一个专用网络,因此扩展性很强,不管是在一个SAN系统中增加一定的存储空间还是增加几台使用存储空间的服务器都非常方便,所述数据加密单元通过SHA3算法对数据采集、数据存储、数据分析和安全管理的过程进行数据加密,SHA-3是第三代安全散列算法,使用海绵函数,此函数会将数据与初始的内部状态做XOR运算,这是无可避免可置换的;在最大的版本,算法使用的内存状态是使用一个5×5的二维数组,数据类型是64位的字节,总计1600比特 ,缩版的算法使用比较小的,以2为幂次的字节大小w为1比特,总计使用25比特,除了使用较小的版本来研究加密分析攻击,比较适中的大小,例如从w=4使用100比特,到w=32使用800比特,则提供了比较实际且轻量的替代方案,在硬件上,该算法速度相较于其他算法更快,保障了数据的安全,防止企业隐私信息的泄露,避免出现企业内部的设备数据信息外泄,所述数据清理单元用于设定时间值,该时间值可由相关技术人员自行设置,定期对数据进行清理,避免大量冗余数据占用存储空间,提高系统运行效率。
所述数据处理模块用于根据采集的数据信息,对用户的行为意图进行分析预测,数据处理模块包括图像预处理单元、意向判断单元和安全预警单元,所述图像预处理单元用于对采集的图像数据信息进行预处理,提取图像中的用户位置信息,通过OpenCV技术提取图像中用户的面部数据信息,所述意向判断单元用于对用户进入设备操作区域的意向进行预测分析判断,所述安全预警单元用于根据用户意向预测结果,分析对该用户的行为安全情况进行预测分析,避免出现误触报警,提高预测分析的精确程度。
所述安全管理模块用于根据分析结果,通过显示设备和语音设备,对相关技术人员进行安全报警提醒,安全管理模块包括屏幕显示单元和语音报警单元,所述屏幕显示单元用于当出现异常情况时,通过屏幕显示设备,例如中控大屏、电脑或手机等,对相关技术人员进行显示提醒,所述语音报警单元用于通过语音,对相关技术人员进行提醒,保证了相关技术人员能够及时收到预警提醒,即使未能一直盯着屏幕显示设备也能及时收到提醒信息。
一种基于大数据的智能安全控制预警方法,包括下列步骤:
S1、采集设备的基础数据信息,通过摄像设备,对用户的图像信息进行采集,并对数据采集、数据存储、数据分析和安全管理的过程进行加密存储;
S2、对采集的图像信息进行预处理,对用户进入设备操作区域的意向进行预测分析判断;
根据采集的图像信息,对用户的轨迹进行分析处理;
根据采集的图像信息,通过OpenCV技术采集用户的面部数据信息,进行用户行为追踪,OpenCV是一个基于BSD许可发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作系统上, 它轻量级而且高效--由一系列C函数和少量C++类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法,通过视频图像的动态测距技术,测量用户与设备之间的距离,确定用户的位置,视频图像的动态测距与传统的微波雷达测距、激光测距、超声波测距相比,其采集信息的方式是非侵犯性的,同时与GPS定位技术相比,该方法的定位效果更加精确,无论是在范围广阔场所还是在密集场所同样适用,并且不受温度、天气等环境因素影响,不会向外界环境传播信号;根据采集的用户位置,置于坐标系中,该坐标系可由相关技术人员自行设置,用户的位置为F,坐标为(xi,yi),形成集合Z={(x1,y1),(x2,y2),...,(xn,yn)},其中,n表示为采集的用户位置数量;
S202、通过下列公式,构建实时的密集空间矩阵R:
E=φ(F,αE);
G=φ(E,αG);
H=φ(E,αH);
R=softmax(G×H/b1/2);
其中,φ表示为线性变换,E表示为空间图嵌入,图嵌入是将属性图转换为一个或一组向量,嵌入应该捕获图的拓扑结构、顶点到顶点的关系以及关于图、子图和顶点的其他相关信息,更多的属性嵌入编码可以在以后的任务中获得更好的结果,G表示为查询指数,H表示为密钥指数,αE,αG,αH表示为线性变换的权重,softmax表示为函数归一化,b1/2表示为比例因子,用以确保数值的稳定性;通过构建密集空间矩阵,增加空间输入的稀疏性,便于在空间中准确识别出用户,避免用户交互造成干扰;
将实时的密集空间矩阵R沿时间进行1×1卷积融合,得到时空密集空间矩阵R*,通过下列公式,对时空密集空间矩阵R*的行和列进行级联:
R* 行=Conv(βa-1,γ行);
R* 列=Conv(βa-1,γ列);
βa=δ(R* 行+R* 列);
其中,R* 行表示为第a层的基于行的非对称卷积特征映射,R* 列表示为第a层的基于列的非对称卷积特征映射,Conv函数表示函数卷积,a表示为矩阵层数,γ行表示为行向量的卷积核,γ列表示为列向量的卷积核,βa表示为第a层激活的特征映射,βa-1表示为第a-1层激活的特征映射,δ表示为非线性激活函数,最后一次卷积层得到的激活特征映射为β;通过下列公式对稀疏交互指数M进行计算:
M=Π{ρ(β)≥ζ};
其中,ζ表示为超参数,Π表示为指示函数,ρ表示为激活函数,当不等式成立时,输出为1,否则输出0;则通过下列公式对稀疏邻接矩阵N进行计算:
N=(M+I)⊙R*;
其中,I表示为单位矩阵;
通过下列公式对归一化稀疏邻接矩阵N*进行计算:
N*=[exp(N)-1]2/{∑[exp(N)-1]2+c};
其中,c表示为常数,exp函数表示以自然常数e为底的指数函数;
S203、通过下列公式,构建实时的密集时间矩阵R':
E'=φ(F',αE')+θ;
G'=φ(E',αG');
H'=φ(E',αH');
R'=softmax(G'×H'/b1/2);
其中,E'表示为时间图嵌入,G'表示为时间查询指数,H'表示为时间密钥指数,αE',αG',αH'表示为线性变换的权重,θ表示为位置张量,不同顺序的轨迹点表示不同的运动趋势,将实时的密集时间矩阵R'沿空间进行1×1卷积融合,得到时空密集时间矩阵R'*,通过下列公式,对时空密集时间矩阵R'*的行和列进行级联:
R'* 行=Conv(εa-1,μ行);
R'* 列=Conv(εa-1,μ列);
εa=δ(R'* 行+R'* 列);
其中,R'* 行表示为第a层的基于行的非对称卷积特征映射,R'* 列表示为第a层的基于列的非对称卷积特征映,μ行表示为行向量的卷积核,μ列表示为列向量的卷积核,εa表示为第a层激活的特征映射,εa-1表示为第a-1层激活的特征映射,最后一次卷积层得到的激活特征映射为ε;通过下列公式对时间交互指数M'进行计算:
M'=Π{ρ(ε)≥ζ'};
其中,ζ'表示为超参数,当不等式成立时,输出为1,否则输出0;则通过下列公式对邻接矩阵N进行计算:
N'=(M'+I)⊙R'*;
通过下列公式对归一化邻接矩阵N'*进行计算:
N'*=[exp(N')-1]2/{∑[exp(N')-1]2+c'};
其中,c'表示为常数;
S204、根据分析的空间图像与时间图像,通过下列公式对用户运动的空间轨迹L1和时间轨迹L2进行计算:
L1=δ(N'*·δ(N*Ka-1 1m空1)m时1);
L2=δ(N*·δ(N'*Ka-1 2m时2)m空2);
其中,Ka-1 1表示为空间趋势特征,Ka-1 2表示为时间趋势特征,m空1、m空2、m时1和m时2表示为权重,则用户的运动预测轨迹L为:L=L1+L2;
S205、根据采集设备的位置信息,设备的位置坐标为(xj,yj),以设备为圆心,R为半径设置操作区域:(x-xj)2+(y-yj)2=R2,当用户的运动预测轨迹进入操作区域时,表示该用户存在意图进入操作区域,反之用户不存在意图。
S3、根据分析的意向结果,对该用户的进入目的性进行分析;
根据分析的意向结果,当预测用户有意图进入操作区域时,对该用户的行为安全情况进行预测,分析该用户的进入目的性;
S301、根据采集的用户实时位置信息,将用户位置置于坐标系中,用户的位置坐标为(xi,yi),形成集合Z={(x1,y1),(x2,y2),...,(xn,yn)},其中,n表示为采集的用户位置数量;
S302、对连续的两个坐标点进行差值计算,形成向量集:P={(x2-x1,y2-y1),...,(xi+1-xi,yi+1-yi),...},i=1,2,...,n-1;根据反三角函数对两条向量之间的夹角θ进行计算,图3是两条向量之间夹角θ的示意图;θ取值为[0°,180°];
S303、根据求得的夹角,分析用户的进入目的性,包括以下步骤:
S303-1、根据用户的运动预测轨迹,当用户存在进入操作区域的意图时,设置相邻向量之间夹角的阈值为θ阈,当θ﹥θ阈时,记录对应的i值为ai,形成集合:Q={a1,a2,...,aj},j≤n,其中,j表示为记录的i值数量;
S303-2、若ai-ai-1=1,i﹥1,则对应的ai数值连续;若ai-ai-1≠1,i﹥1,则对应的ai数值不连续;在集合Q中形成连续的片段,统计每个片段中的ai的数量,作为实际连续次数p;
S303-3、设置连续次数的阈值为p阈,当p﹥p阈时,表示该用户在区域内一直沿着一个路径行走,则该用户进入操作区域是带有目的性质的;反之,当p﹤p阈时,表示该用户沿着一个路径行走的距离短,表示在区域内用户转变路径,则分析出用户无目的性质;
S303-4、统计该用户在行走过程中,判断为无目的性质的片段数量为g,设置阈值为g阈,当g﹤g阈时,表示该用户进入操作区域是带有目的性质的,此时系统不进行报警;当g≥g阈时,表示该用户进入操作区域是无目的性质的,此时根据用户的运动预测轨迹,当预测该用户进入操作区域时,进行报警。
S4、当出现异常情况时,通过显示设备和语音,对相关技术人员进行报警提醒。
根据分析结果,当用户为无目的且运动预测轨迹进入操作区域内部时,通过屏幕显示设备,例如中控大屏、电脑或手机等,并且通过语音,对相关技术人员进行显示提醒,反之不进行报警;保证了相关技术人员能够在不是操作人员的用户进入操作区域时,及时收到预警提醒,即使未能一直盯着屏幕显示设备也能及时收到提醒信息,提高了报警的精确程度,避免相关工作人员进入时出现误报警的情况产生。同时,相关工作人员可自行设置时间周期,例如一周或一个月等,系统自动对数据进行定期删除清理,由于图像等数据占据的存储空间较大,自动清理能够有效节省存储空间,提高系统的工作效率。
实施例一:
在安全防护设备,例如安全帽或防护服等设备上,安装智能身份识别装置,例如RFID芯片或身份识别卡等,根据分析的用户运动预测轨迹,当预测用户进入操作区域时,通过智能身份识别装置进行身份识别,当用户未配备安全防护设备时,系统进行报警提醒。
实时例二:
根据采集的数据信息,用户的位置坐标形成集合为Z={(1,1),(2,4),(4,3),(6,8),(5,2),(8,3)},则对连续的两个坐标点进行差值计算,形成向量集:P={(1,3),(2,-1),(2,5),(-1,-6),(3,1)},则根据反三角函数对两条向量之间的夹角θ进行计算:
θ1=81.87°;θ2=85.24°;θ3=12.34°;θ4=62.10°;
若设置夹角的阈值θ阈=60°,则集合Q={1,2,4},则其连续次数为2次,若连续次数阈值p阈=3,则p﹤p阈,表示在区域内用户多次转变路径,则分析出用户无目的性质,此时根据用户的运动预测轨迹,当预测该用户进入操作区域时,进行报警。
需要说明的是,在本文中,诸如第一和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。而且,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。
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 (10)
1.一种基于大数据的智能安全控制预警系统,其特征在于:该智能安全控制预警系统包括:数据采集模块、数据库、数据处理模块和安全管理模块;
所述数据采集模块的输出端与数据库的输入端相连接,数据库的输出端与数据处理模块的输入端相连接,数据处理模块的输出端与安全管理模块的输入端相连接,数据处理模块的输出端与数据库的输入端相连接;所述数据采集模块用于采集设备的基础数据信息,通过摄像设备采集用户的图像信息,所述数据库用于对采集的数据信息和数据处理模块的分析结果进存储和加密,所述数据处理模块用于根据采集的数据信息,对用户的行为意图进行分析预测,所述安全管理模块用于根据分析结果,通过显示设备和语音设备,对相关技术人员进行安全报警提醒。
2.根据权利要求1所述的一种基于大数据的智能安全控制预警系统,其特征在于:所述数据采集模块包括基础数据采集单元和图像采集单元,所述基础数据采集单元用于采集设备的基础数据信息,所述图像采集单元用于通过摄像设备,对用户的图像信息进行采集。
3.根据权利要求2所述的一种基于大数据的智能安全控制预警系统,其特征在于:所述数据库包括数据存储单元、数据加密单元和数据清理单元,所述数据存储单元通过SAN网络对采集的数据和分析结果进行存储,所述数据加密单元通过SHA3算法对数据采集、数据存储、数据分析和安全管理的过程进行数据加密,所述数据清理单元用于设定时间值,定期对数据进行清理。
4.根据权利要求3所述的一种基于大数据的智能安全控制预警系统,其特征在于:所述数据处理模块包括图像预处理单元、意向判断单元和安全预警单元,所述图像预处理单元用于对采集的图像数据信息进行预处理,提取图像中的用户位置信息,通过OpenCV技术提取图像中用户的面部数据信息,所述意向判断单元用于对用户进入设备操作区域的意向进行预测分析判断,所述安全预警单元用于根据用户意向预测结果,分析对该用户的行为安全情况进行预测分析。
5.根据权利要求4所述的一种基于大数据的智能安全控制预警系统,其特征在于:所述安全管理模块包括屏幕显示单元和语音报警单元,所述屏幕显示单元用于当出现异常情况时,通过屏幕显示设备,对相关技术人员进行显示提醒,所述语音报警单元用于通过语音,对相关技术人员进行提醒。
6.一种基于大数据的智能安全控制预警方法,其特征在于:包括下列步骤:
S1、采集设备的基础数据信息,通过摄像设备,对用户的图像信息进行采集,并对数据采集、数据存储、数据分析和安全管理的过程进行加密存储;
S2、对采集的图像信息进行预处理,对用户进入设备操作区域的意向进行预测分析判断;
S3、根据分析的意向结果,对该用户的进入目的性进行分析;
S4、当出现异常情况时,通过显示设备和语音,对相关技术人员进行报警提醒。
7.根据权利要求6所述的一种基于大数据的智能安全控制预警方法,其特征在于:在步骤S2中,根据采集的图像信息,对用户的轨迹进行分析处理;
S201、根据采集的图像信息,通过OpenCV技术采集用户的面部数据信息,进行用户行为追踪,通过视频图像的动态测距技术,测量用户与设备之间的距离,确定用户的位置;根据采集的用户位置,置于坐标系中,用户的位置为F,坐标为(xi,yi),形成集合Z={(x1,y1),(x2,y2),...,(xn,yn)},其中,n表示为采集的用户位置数量;
S202、通过下列公式,构建实时的密集空间矩阵R:
E=φ(F,αE);
G=φ(E,αG);
H=φ(E,αH);
R=softmax(G×H/b1/2);
其中,φ表示为线性变换,E表示为空间图嵌入,G表示为查询指数,H表示为密钥指数,αE,αG,αH表示为线性变换的权重,softmax表示为函数归一化,b1/2表示为比例因子;
将实时的密集空间矩阵R沿时间进行1×1卷积融合,得到时空密集空间矩阵R*,通过下列公式,对时空密集空间矩阵R*的行和列进行级联:
R* 行=Conv(βa-1,γ行);
R* 列=Conv(βa-1,γ列);
βa=δ(R* 行+R* 列);
其中,R* 行表示为第a层的基于行的非对称卷积特征映射,R* 列表示为第a层的基于列的非对称卷积特征映射,a表示为矩阵层数,γ行表示为行向量的卷积核,γ列表示为列向量的卷积核,βa表示为第a层激活的特征映射,βa-1表示为第a-1层激活的特征映射,δ表示为非线性激活函数,最后一次卷积层得到的激活特征映射为β;通过下列公式对稀疏交互指数M进行计算:
M=Π{ρ(β)≥ζ};
其中,ζ表示为超参数,Π表示为指示函数,ρ表示为激活函数,当不等式成立时,输出为1,否则输出0;则通过下列公式对稀疏邻接矩阵N进行计算:
N=(M+I)⊙R*;
其中,I表示为单位矩阵;
通过下列公式对归一化稀疏邻接矩阵N*进行计算:
N*=[exp(N)-1]2/{∑[exp(N)-1]2+c};
其中,c表示为常数;
S203、通过下列公式,构建实时的密集时间矩阵R':
E'=φ(F',αE')+θ;
G'=φ(E',αG');
H'=φ(E',αH');
R'=softmax(G'×H'/b1/2);
其中,E'表示为时间图嵌入,G'表示为时间查询指数,H'表示为时间密钥指数,αE',αG',αH'表示为线性变换的权重,θ表示为位置张量,将实时的密集时间矩阵R'沿空间进行1×1卷积融合,得到时空密集时间矩阵R'*,通过下列公式,对时空密集时间矩阵R'*的行和列进行级联:
R'* 行=Conv(εa-1,μ行);
R'* 列=Conv(εa-1,μ列);
εa=δ(R'* 行+R'* 列);
其中,R'* 行表示为第a层的基于行的非对称卷积特征映射,R'* 列表示为第a层的基于列的非对称卷积特征映,μ行表示为行向量的卷积核,μ列表示为列向量的卷积核,εa表示为第a层激活的特征映射,εa-1表示为第a-1层激活的特征映射,最后一次卷积层得到的激活特征映射为ε;通过下列公式对时间交互指数M'进行计算:
M'=Π{ρ(ε)≥ζ'};
其中,ζ'表示为超参数,当不等式成立时,输出为1,否则输出0;则通过下列公式对邻接矩阵N进行计算:
N'=(M'+I)⊙R'*;
通过下列公式对归一化邻接矩阵N'*进行计算:
N'*=[exp(N')-1]2/{∑[exp(N')-1]2+c'};
其中,c'表示为常数;
S204、根据分析的空间图像与时间图像,通过下列公式对用户运动的空间轨迹L1和时间轨迹L2进行计算:
L1=δ(N'*·δ(N*Ka-1 1m空1)m时1);
L2=δ(N*·δ(N'*Ka-1 2m时2)m空2);
其中,Ka-1 1表示为空间趋势特征,Ka-1 2表示为时间趋势特征,m空1、m空2、m时1和m时2表示为权重,则用户的运动预测轨迹L为:L=L1+L2;
S205、根据采集设备的位置信息,设备的位置坐标为(xj,yj),以设备为圆心,R为半径设置操作区域:(x-xj)2+(y-yj)2=R2,当用户的运动预测轨迹进入操作区域时,表示该用户存在意图进入操作区域,反之用户不存在意图。
8.根据权利要求7所述的一种基于大数据的智能安全控制预警方法,其特征在于:在步骤S3中,根据分析的意向结果,当预测用户有意图进入操作区域时,对该用户的行为安全情况进行预测,分析该用户的进入目的性;
S301、根据采集的用户实时位置信息,将用户位置置于坐标系中,用户的位置坐标为(xi,yi),形成集合Z={(x1,y1),(x2,y2),...,(xn,yn)},其中,n表示为采集的用户位置数量;
S302、对连续的两个坐标点进行差值计算,形成向量集:P={(x2-x1,y2-y1),...,(xi+1-xi,yi+1-yi),...},i=1,2,...,n-1;根据反三角函数对两条向量之间的夹角θ进行计算;
S303、根据求得的夹角,分析用户的进入目的性。
9.根据权利要求8所述的一种基于大数据的智能安全控制预警方法,其特征在于:在步骤S303中,分析用户的进入目的性,包括以下步骤:
S303-1、根据用户的运动预测轨迹,当用户存在进入操作区域的意图时,设置相邻向量之间夹角的阈值为θ阈,当θ﹥θ阈时,记录对应的i值为ai,形成集合:Q={a1,a2,...,aj},j≤n,其中,j表示为记录的i值数量;
S303-2、若ai-ai-1=1,i﹥1,则对应的ai数值连续;若ai-ai-1≠1,i﹥1,则对应的ai数值不连续;在集合Q中形成连续的片段,统计每个片段中的ai的数量,作为实际连续次数p;
S303-3、设置连续次数的阈值为p阈,当p﹥p阈时,表示该用户在区域内一直沿着一个路径行走,则该用户进入操作区域是带有目的性质的;反之,当p﹤p阈时,表示该用户沿着一个路径行走的距离短,表示在区域内用户转变路径,则分析出用户无目的性质;
S303-4、统计该用户在行走过程中,判断为无目的性质的片段数量为g,设置阈值为g阈,当g﹤g阈时,表示该用户进入操作区域是带有目的性质的,此时系统不进行报警;当g≥g阈时,表示该用户进入操作区域是无目的性质的,此时根据用户的运动预测轨迹,当预测该用户进入操作区域时,进行报警。
10.根据权利要求8所述的一种基于大数据的智能安全控制预警方法,其特征在于:在步骤S4中,根据分析结果,当用户为无目的且运动预测轨迹进入操作区域内部时,通过屏幕显示设备,并且通过语音,对相关技术人员进行显示提醒,反之不进行报警;同时系统自动对数据进行定期删除清理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310101024.5A CN115830831A (zh) | 2023-02-13 | 2023-02-13 | 一种基于大数据的智能安全控制预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310101024.5A CN115830831A (zh) | 2023-02-13 | 2023-02-13 | 一种基于大数据的智能安全控制预警系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115830831A true CN115830831A (zh) | 2023-03-21 |
Family
ID=85521042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310101024.5A Pending CN115830831A (zh) | 2023-02-13 | 2023-02-13 | 一种基于大数据的智能安全控制预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830831A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10325485B1 (en) * | 2018-09-11 | 2019-06-18 | Rockwell Automation Technologies, Inc. | System or process to detect, discriminate, aggregate, track, and rank safety related information in a collaborative workspace |
CN111784967A (zh) * | 2020-07-23 | 2020-10-16 | 南通市达欣工程股份有限公司 | 一种基于bim的建筑施工安全预警防护系统 |
CN214623847U (zh) * | 2021-05-31 | 2021-11-05 | 西南石油大学 | 一种建筑施工危险区域的视觉预警装置 |
CN115578757A (zh) * | 2022-11-11 | 2023-01-06 | 春兰 | 一种基于大数据的智能家居管理系统及方法 |
-
2023
- 2023-02-13 CN CN202310101024.5A patent/CN115830831A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10325485B1 (en) * | 2018-09-11 | 2019-06-18 | Rockwell Automation Technologies, Inc. | System or process to detect, discriminate, aggregate, track, and rank safety related information in a collaborative workspace |
CN111784967A (zh) * | 2020-07-23 | 2020-10-16 | 南通市达欣工程股份有限公司 | 一种基于bim的建筑施工安全预警防护系统 |
CN214623847U (zh) * | 2021-05-31 | 2021-11-05 | 西南石油大学 | 一种建筑施工危险区域的视觉预警装置 |
CN115578757A (zh) * | 2022-11-11 | 2023-01-06 | 春兰 | 一种基于大数据的智能家居管理系统及方法 |
Non-Patent Citations (2)
Title |
---|
陈可洲: "基于机器学习的异构感知智能跟踪方法研究" * |
陈敏等: "基于注意力机制和稀疏图卷积的行人轨迹预测" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sivaranjani et al. | Crime prediction and forecasting in Tamilnadu using clustering approaches | |
US20220206447A1 (en) | Automated system control with data analytics using doubly stochastic model | |
KR20210006434A (ko) | 비교 안전 이벤트 평가를 위한 개인 보호 장비 및 안전 관리 시스템 | |
CN112232178A (zh) | 基于人像聚档的区域落脚点判定方法、系统、设备及介质 | |
Yadav et al. | Crime prediction using auto regression techniques for time series data | |
Połap | Neuro-heuristic analysis of surveillance video in a centralized IoT system | |
CN116264004A (zh) | 基于工人重新识别和个人防护装备分类对现场安全合规性进行的基于视觉的监测 | |
CN116258241A (zh) | 一种基于时空关联的监管环境风险预测方法及系统 | |
CN113141276A (zh) | 一种基于知识图谱的信息安全方法 | |
Riedel et al. | Hand gesture recognition of methods-time measurement-1 motions in manual assembly tasks using graph convolutional networks | |
Wang et al. | Worker’s helmet recognition and identity recognition based on deep learning | |
Gokaraju et al. | Identification of spatio-temporal patterns in cyber security for detecting the signature identity of hacker | |
Wang et al. | A deep learning-based high-temperature overtime working alert system for smart cities with multi-sensor data | |
CN113314230A (zh) | 基于大数据的智能防疫方法、装置、设备及存储介质 | |
CN115830831A (zh) | 一种基于大数据的智能安全控制预警系统及方法 | |
CN115277132B (zh) | 网络安全态势感知方法、装置、计算机设备和存储介质 | |
Yu et al. | Network security monitoring method based on deep learning | |
CN110874601B (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
CN116244356A (zh) | 异常轨迹检测方法、装置、电子设备及存储介质 | |
Pham et al. | A proposal model using deep learning model integrated with knowledge graph for monitoring human behavior in forest protection | |
US20230179983A1 (en) | Preventative workplace injury alerting system utilizing mmwave 5g positional localization | |
ALDabbas et al. | Complex event processing based analysis of cassini–huygens interplanetary dataset | |
JP7465192B2 (ja) | 優先度判定装置、優先度判定方法及び優先度判定システム | |
Kester et al. | Crime predictive model in cybercrime based on social and economic factors using the Bayesian and Markov theories | |
CN114387391A (zh) | 变电站设备的安全监测方法、装置、计算机设备和介质 |
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 |