CN116844105A - 一种后勤服务监控系统 - Google Patents
一种后勤服务监控系统 Download PDFInfo
- Publication number
- CN116844105A CN116844105A CN202310683960.1A CN202310683960A CN116844105A CN 116844105 A CN116844105 A CN 116844105A CN 202310683960 A CN202310683960 A CN 202310683960A CN 116844105 A CN116844105 A CN 116844105A
- Authority
- CN
- China
- Prior art keywords
- service
- warning
- value
- logistics
- abnormal
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims description 87
- 238000012549 training Methods 0.000 claims description 22
- 238000010191 image analysis Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 206010000117 Abnormal behaviour Diseases 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种后勤服务监控系统,涉及后勤管理技术领域,公开了监控采集模块、服务监控模块、警告评价模块,通过设置服务监控模块,可以根据监控视频对后勤进行监控,并对异常服务后勤进行警告,整个监控过程无需人员参与,通过系统自动判断后勤的服务行为,并且不是通过单一异常行为对后勤的服务进行判断,而是通过后勤的整体服务过程对后勤的服务行为进行判断,判断过程更加合理,并且可以及时警告服务出现异常的后勤,设置警告评价模块,可以根据警告记录直观分析后勤的日常服务的态度以及警告效果,对警告效果不佳的后勤进行标记,方便采取相应的措施进行处理。
Description
技术领域
本发明涉及后勤管理技术领域,更具体地说,它涉及一种后勤服务监控系统。
背景技术
在如今,各个行业中都少不了后勤,后勤是每个行业最基础的服务保障。为了便于管理后勤,会在后勤的服务区域安装监控系统,通过监控系统实时观察后勤的服务情况,并通过相应的图像采集直接判断后勤的服务行为。这样的监控系统虽然可以起到对后勤的监控工作,但是监控以及判断方式单一,会因为后勤不自主的单一异常行为而影响对其服务行为的误判。并且该监控系统只能判断当下的异常行为,并不能对后勤的日常服务进行监管。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种后勤服务监控系统。
为实现上述目的,本发明提供了如下技术方案:
一种后勤服务监控系统,包括监控采集模块、服务监控模块、警告评价模块;
所述监控采集模块用于采集后勤在服务区域的监控视频,并将监控视频发送至服务器中存储;
所述服务监控模块用于根据监控视频对后勤进行监控,并对异常服务后勤进行警告,具体为:
将监控视频转换成视频帧,制作图像分析模型,将视频帧作为图像分析模型的输入数据,获取图像分析模型的输出数据,将输出数据标记为服务标签;
获取得到系统当前时间之前连续n个视频帧的服务标签,设置服务标签高值为Hs,设置服务标签低值为Fm,当服务标签≥服务标签高值Hs时,将该视频帧标记为合理视频帧,获取得到合理服务值Rg,当服务标签<服务标签低值Fm时,将该视频帧标记为异常视频帧,获取得到异常服务值Hw;
当服务标签低值Fm≤服务标签<服务标签高值Hs时,将该视频帧标记为正常视频帧,获取得到正常视频帧的数量,将正常视频帧的数量与视频帧的总数量进行比值计算,获取得到正常帧比值,并标记为Cs,将所有正常视频帧的服务标签进行求和处理并取均值,获取得到正常服务均值,并标记为Rd;
获取得到该后勤的服务值Sn,设置服务值阈值为Mz,当该后勤的服务值Sn≥服务值阈值Mz时,将该后勤标记为正常服务后勤,当该后勤的服务值Sn<服务值阈值Mz时,将该后勤标记为异常服务后勤,向异常服务后勤的传呼终端发送警告信息;
所述警告评价模块用于根据警告记录对后勤进行判断,对警告无效的后勤进行标记,具体为:
获取得到系统当前时间之前后勤被标记为异常服务后勤的次数,并标记为Cy;
获取得到系统当前时间之前后勤的所有警告记录,将每个警告记录的警告结束时间与警告开始时间进行时间差值计算,获取得到警告调整时长,将该后勤的所有警告调整时长进行求和处理并取均值,获取得到警调平均时长,并标记为Dk;
将该后勤的警告记录的警告开始时间与警告结束时间按照时间先后顺序进行排序,将排序后相邻两个警告记录的警告结束时间与警告开始时间进行时间差值计算,获取得到警告间隔值,并标记为Nj;
获取得到系统当前时间之前该后勤的所有警告调整时长,设置每个警告调整时长均对应一个标准调整时长,将警告调整时长与标准调整时长进行对比,当警告调整时长≥标准调整时长时,将该警告调整时长标记为异常调整时长,获取得到异常调整值Gs,当警告调整时长<标准调整时长时,不作处理;
利用公式获取得到该后勤的服务评价值Hc,其中,n1、n2、n3、n4、n5均为预设比例系数,设置服务评价值阈值为Az,当该后勤的服务评价值Hc≥服务评价值阈值Az时,将该后勤标记为无效警告后勤,当该后勤的服务评价值Hc<服务评价值阈值Az时,不作处理。
进一步的,图像分析模型通过下述步骤获取得到:获取得到n张视频帧,将视频帧标记为训练图像,对训练图像赋予图像标签,将训练图像按照设定比例划分成训练集和验证集,构建神经网络模型,通过训练集和验证集对神经网络模型进行迭代训练,当迭代训练次数大于迭代次数阈值时,则判定神经网络模型完成训练,将训练完成的神经网络模型标记为图像分析模型。
进一步的,合理服务值Rg通过下述步骤获取得到:将服务标签与服务标签高值进行差值计算,获取得到合理标签差D i;设置合理标签差系数为Pe,利用公式获取得到合理标签值Lt,i=1、2、3、…、n,i为视频帧标记为合理视频帧的数量,将合理视频帧所对应的时间帧按照帧数先后进行排序,将相邻两个合理视频帧所对应的时间帧进行差值计算,获取得到合理帧数间隔,将所有的合理帧数间隔进行求和处理并取均值,获取得到合理平均间隔Kh;利用公式/>获取得到合理服务值Rg,其中,a1、a2均为预设比例系数。
进一步的,异常服务值Hw通过下述步骤获取得到:将服务标签低值与服务标签进行差值计算,获取得到异常标签差Wj;设置异常标签差系数为Bz,利用公式获取得到异常标签值Fq,j=1、2、3、…、n,j为视频帧标记为异常视频帧的数量,将异常视频帧所对应的时间帧按照帧数先后进行排序,将相邻两个异常视频帧所对应的时间帧进行差值计算,获取得到异常帧数间隔,将所有的异常帧数间隔进行求和处理并取均值,获取得到异常平均间隔Db;利用公式/>获取得到异常服务值Hw,其中,b1、b2均为预设比例系数。
进一步的,所述警告记录包括警告开始时间、警告结束时间。
进一步的,当服务监控模块向异常服务后勤的传呼终端发送警告信息时,将当前时间标记为警告开始时间,当异常服务后勤被标记为正常服务后勤时,将当前时间标记为警告结束时间。
进一步的,警告间隔值Nj通过下述步骤获取得到:将前一个警告记录的警告结束时间标记为Ut,将前一个警告记录的警告开始时间标记为Uv,将后一个警告记录的警告结束时间标记为Vd,将后一个警告记录的警告开始时间标记为Vs,利用公式获取得到警告间隔Rn,其中,m1、m2均为预设比例系数,将该后勤的所有警告间隔Rn进行求和处理并取均值,获取得到警告间隔值Nj。
进一步的,异常调整值Gs通过下述步骤获取得到:将异常调整时长与标准调整时长进行差值计算,获取得到异常调整时差,将所有异常调整时差进行求和处理,获取得到异常调整值Gs。
进一步的,所述服务标签的取值范围为[0-10],其中服务标签的取值越大,表示该后勤的服务质量越高。
进一步的,服务值Sn通过下述步骤获取得到:利用公式获取得到该后勤的服务值Sn,其中,c1、c2、c3、c4均为预设比例系数。
与现有技术相比,本发明具备以下有益效果:
1、设置服务监控模块,可以根据监控视频对后勤进行监控,并对异常服务后勤进行警告,整个监控过程无需人员参与,通过系统自动判断后勤的服务行为,并且不是通过单一异常行为对后勤的服务进行判断,而是通过后勤的整体服务过程对后勤的服务行为进行判断,判断过程更加合理,并且可以及时警告服务出现异常的后勤;
2、设置警告评价模块,可以根据警告记录直观分析后勤的日常服务的态度以及警告效果,对警告效果不佳的后勤进行标记,方便采取相应的措施进行处理。
附图说明
图1为本发明服务监控模块的原理框图;
图2为本发明警告评价模块的原理框图;
图3为本发明的原理框图。
具体实施方式
实施例1
参照图1,一种后勤服务监控系统,包括监控采集模块、服务监控模块。
监控采集模块用于采集后勤在服务区域的监控视频,并将监控视频发送至服务器中存储。
服务监控模块用于根据监控视频对后勤进行监控,并对异常服务后勤进行警告,具体为:
步骤一:将监控视频转换成视频帧,制作图像分析模型,图像分析模型通过下述步骤获取得到:获取得到n张视频帧(从历史视频帧中挑选),将视频帧标记为训练图像,对训练图像赋予图像标签,将训练图像按照设定比例划分成训练集和验证集,训练集和验证集的设定比例包括但不限于1:2、1:3,构建神经网络模型,通过训练集和验证集对神经网络模型进行迭代训练,当迭代训练次数大于迭代次数阈值时,则判定神经网络模型完成训练,将训练完成的神经网络模型标记为图像分析模型。将视频帧作为图像分析模型的输入数据,获取图像分析模型的输出数据,将输出数据标记为服务标签;服务标签的取值范围为[0-10],其中服务标签的取值越大,表示该后勤的服务质量越高。服务标签取值为8的服务质量高于服务标签取值为6的服务质量。
步骤二:获取得到系统当前时间之前连续n个(n≥100)视频帧的服务标签,设置服务标签高值为Hs,设置服务标签低值为Fm,当服务标签≥服务标签高值Hs时,将该视频帧标记为合理视频帧,服务标签高值为8,服务标签低值为2,当服务标签为8时,将该视频帧标记为合理视频帧,获取得到合理服务值Rg,合理服务值Rg通过下述步骤获取得到:将服务标签与服务标签高值进行差值计算,获取得到合理标签差D i;设置合理标签差系数为Pe,e=1,2,3,…,e;P1<P2<P3<…<Pe,设定每个合理标签差系数对应一个合理标签差的范围,包括(0,D1],(D1,D2],…,(D i-1,D i],当D i∈(0,D1],则对应的合理标签差系数取值为P1,利用公式获取得到合理标签值Lt,i=1、2、3、…、n,i为视频帧标记为合理视频帧的数量,将合理视频帧所对应的时间帧按照帧数先后进行排序,将相邻两个合理视频帧所对应的时间帧进行差值计算,获取得到合理帧数间隔,将所有的合理帧数间隔进行求和处理并取均值,获取得到合理平均间隔Kh;利用公式/>获取得到合理服务值Rg,其中,a1、a2均为预设比例系数,a1的取值为0.87,a2的取值为0.71。当服务标签<服务标签低值Fm时,将该视频帧标记为异常视频帧,服务标签高值为8,服务标签低值为2,当服务标签为1时,将该视频帧标记为异常视频帧,获取得到异常服务值Hw;提供一个标准值的数据,现有一个服务内容,每天提供一个服务计划,服务计划内容包含时间,位置,工作内容。异常服务值Hw通过下述步骤获取得到:将服务标签低值与服务标签进行差值计算,获取得到异常标签差Wj;设置异常标签差系数为Bz,z=1,2,3,…,z;B1<B2<B3<…<Bz,设定每个异常标签差系数对应一个异常标签差的范围,包括(0,W1],(W1,W2],…,(Wj-1,Wj],当Wj∈(0,W1],则对应的异常标签差系数取值为B1,利用公式/>获取得到异常标签值Fq,j=1、2、3、…、n,j为视频帧标记为异常视频帧的数量,将异常视频帧所对应的时间帧按照帧数先后进行排序,将相邻两个异常视频帧所对应的时间帧进行差值计算,获取得到异常帧数间隔,将所有的异常帧数间隔进行求和处理并取均值,获取得到异常平均间隔Db;利用公式/>获取得到异常服务值Hw,其中,b1、b2均为预设比例系数,b1的取值为0.85,b2的取值为0.7。
步骤三:当服务标签低值Fm≤服务标签<服务标签高值Hs时,将该视频帧标记为正常视频帧,获取得到正常视频帧的数量,服务标签高值为8,服务标签低值为2,当服务标签为3时,将该视频帧标记为正常视频帧,将正常视频帧的数量与视频帧的总数量(n)进行比值计算,获取得到正常帧比值,并标记为Cs,将所有正常视频帧的服务标签进行求和处理并取均值,获取得到正常服务均值,并标记为Rd。
步骤四:获取得到该后勤的服务值Sn,服务值Sn通过下述步骤获取得到:利用公式获取得到该后勤的服务值Sn,其中,c1、c2、c3、c4均为预设比例系数,c1的取值为0.93,c2的取值为0.92,c3的取值为0.63,c4的取值为0.55。设置服务值阈值为Mz,当该后勤的服务值Sn≥服务值阈值Mz时,将该后勤标记为正常服务后勤,当该后勤的服务值Sn<服务值阈值Mz时,将该后勤标记为异常服务后勤,向异常服务后勤的传呼终端发送警告信息。服务值阈值为10,当后勤a的服务值为11时,将后勤a标记为正常服务后勤,当后勤b的服务值为7时,将后勤b标记为异常服务后勤,向后勤b的传呼终端(包括但不限于对讲机、手机)发送警告信息。设置服务监控模块,可以根据监控视频对后勤进行监控,并对异常服务后勤进行警告,整个监控过程无需人员参与,通过系统自动判断后勤的服务行为,并且不是通过单一异常行为对后勤的服务进行判断,而是通过后勤的整体服务过程对后勤的服务行为进行判断,判断过程更加合理,并且可以及时警告服务出现异常的后勤。
实施例2
参照图2至图3,在实施例1的基础上,还包括警告评价模块,警告评价模块用于根据警告记录对后勤进行判断,对警告无效的后勤进行标记,具体为:
步骤一:获取得到系统当前时间之前后勤被标记为异常服务后勤的次数,并标记为Cy。
步骤二:获取得到系统当前时间之前后勤的所有警告记录,警告记录包括警告开始时间、警告结束时间,如警告记录(1)的警告开始时间为2022年6月18日10:12:35,警告结束时间为2022年6月18日10:12:45。当服务监控模块向异常服务后勤的传呼终端发送警告信息时,将当前时间标记为警告开始时间,当异常服务后勤被标记为正常服务后勤时,将当前时间标记为警告结束时间。将每个警告记录的警告结束时间与警告开始时间进行时间差值计算,获取得到警告调整时长,将该后勤的所有警告调整时长进行求和处理并取均值,获取得到警调平均时长,并标记为Dk。
步骤三:将该后勤的警告记录的警告开始时间与警告结束时间按照时间先后顺序进行排序,将排序后相邻两个警告记录的警告结束时间与警告开始时间进行时间差值计算,获取得到警告间隔值,并标记为Nj;警告间隔值Nj通过下述步骤获取得到:将前一个警告记录的警告结束时间标记为Ut,将前一个警告记录的警告开始时间标记为Uv,将后一个警告记录的警告结束时间标记为Vd,将后一个警告记录的警告开始时间标记为Vs,利用公式获取得到警告间隔Rn,其中,m1、m2均为预设比例系数,m1的取值为0.98,m2的取值为0.99,将该后勤的所有警告间隔Rn进行求和处理并取均值,获取得到警告间隔值Nj。
步骤四:获取得到系统当前时间之前该后勤的所有警告调整时长,设置每个警告调整时长均对应一个标准调整时长,将警告调整时长与标准调整时长进行对比,当警告调整时长≥标准调整时长时,将该警告调整时长标记为异常调整时长,设置标准调整时长为8s,当警告调整时长为10s时,将该警告调整时长标记为异常调整时长,获取得到异常调整值Gs,当警告调整时长<标准调整时长时,不作处理,设置标准调整时长为8s,当警告调整时长为3s时,不作处理。异常调整值Gs通过下述步骤获取得到:将异常调整时长与标准调整时长进行差值计算,获取得到异常调整时差,将所有异常调整时差进行求和处理,获取得到异常调整值Gs。
步骤五:利用公式获取得到该后勤的服务评价值Hc,其中,n1、n2、n3、n4、n5均为预设比例系数,n1的取值为0.82,n2的取值为0.87,n3的取值为0.68,n4的取值为0.66,设置服务评价值阈值为Az,当该后勤的服务评价值Hc≥服务评价值阈值Az时,将该后勤标记为无效警告后勤,当该后勤的服务评价值Hc<服务评价值阈值Az时,不作处理。设置服务评价值阈值为15,当后勤x的服务评价值为15时,将后勤x标记为无效警告后勤,当后勤y的服务评价值为12时,不作处理。设置警告评价模块,可以根据警告记录直观分析后勤的日常服务的态度以及警告效果,对警告效果不佳的后勤进行标记,方便采取相应的措施进行处理。
工作原理:
设置服务监控模块,可以根据监控视频对后勤进行监控,并对异常服务后勤进行警告,整个监控过程无需人员参与,通过系统自动判断后勤的服务行为,并且不是通过单一异常行为对后勤的服务进行判断,而是通过后勤的整体服务过程对后勤的服务行为进行判断,判断过程更加合理,并且可以及时警告服务出现异常的后勤。设置警告评价模块,可以根据警告记录直观分析后勤的日常服务的态度以及警告效果,对警告效果不佳的后勤进行标记,方便采取相应的措施进行处理。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本模板的保护范围。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.一种后勤服务监控系统,其特征在于,包括监控采集模块、服务监控模块、警告评价模块;
所述监控采集模块用于采集后勤在服务区域的监控视频,并将监控视频发送至服务器中存储;
所述服务监控模块用于根据监控视频对后勤进行监控,并对异常服务后勤进行警告,具体为:
将监控视频转换成视频帧,制作图像分析模型,将视频帧作为图像分析模型的输入数据,获取图像分析模型的输出数据,将输出数据标记为服务标签;
获取得到系统当前时间之前连续n个视频帧的服务标签,设置服务标签高值为Hs,设置服务标签低值为Fm,当服务标签≥服务标签高值Hs时,将该视频帧标记为合理视频帧,获取得到合理服务值Rg,当服务标签<服务标签低值Fm时,将该视频帧标记为异常视频帧,获取得到异常服务值Hw;
当服务标签低值Fm≤服务标签<服务标签高值Hs时,将该视频帧标记为正常视频帧,获取得到正常视频帧的数量,将正常视频帧的数量与视频帧的总数量进行比值计算,获取得到正常帧比值,并标记为Cs,将所有正常视频帧的服务标签进行求和处理并取均值,获取得到正常服务均值,并标记为Rd;
获取得到该后勤的服务值Sn,设置服务值阈值为Mz,当该后勤的服务值Sn≥服务值阈值Mz时,将该后勤标记为正常服务后勤,当该后勤的服务值Sn<服务值阈值Mz时,将该后勤标记为异常服务后勤,向异常服务后勤的传呼终端发送警告信息;
所述警告评价模块用于根据警告记录对后勤进行判断,对警告无效的后勤进行标记,具体为:
获取得到系统当前时间之前后勤被标记为异常服务后勤的次数,并标记为Cy;
获取得到系统当前时间之前后勤的所有警告记录,将每个警告记录的警告结束时间与警告开始时间进行时间差值计算,获取得到警告调整时长,将该后勤的所有警告调整时长进行求和处理并取均值,获取得到警调平均时长,并标记为Dk;
将该后勤的警告记录的警告开始时间与警告结束时间按照时间先后顺序进行排序,将排序后相邻两个警告记录的警告结束时间与警告开始时间进行时间差值计算,获取得到警告间隔值,并标记为Nj;
获取得到系统当前时间之前该后勤的所有警告调整时长,设置每个警告调整时长均对应一个标准调整时长,将警告调整时长与标准调整时长进行对比,当警告调整时长≥标准调整时长时,将该警告调整时长标记为异常调整时长,获取得到异常调整值Gs,当警告调整时长<标准调整时长时,不作处理;
利用公式获取得到该后勤的服务评价值Hc,其中,n1、n2、n3、n4、n5均为预设比例系数,设置服务评价值阈值为Az,当该后勤的服务评价值Hc≥服务评价值阈值Az时,将该后勤标记为无效警告后勤,当该后勤的服务评价值Hc<服务评价值阈值Az时,不作处理。
2.根据权利要求1所述的一种后勤服务监控系统,其特征在于,图像分析模型通过下述步骤获取得到:获取得到n张视频帧,将视频帧标记为训练图像,对训练图像赋予图像标签,将训练图像按照设定比例划分成训练集和验证集,构建神经网络模型,通过训练集和验证集对神经网络模型进行迭代训练,当迭代训练次数大于迭代次数阈值时,则判定神经网络模型完成训练,将训练完成的神经网络模型标记为图像分析模型。
3.根据权利要求2所述的一种后勤服务监控系统,其特征在于,合理服务值Rg通过下述步骤获取得到:将服务标签与服务标签高值进行差值计算,获取得到合理标签差Di;设置合理标签差系数为Pe,利用公式获取得到合理标签值Lt,i=1、2、3、…、n,i为视频帧标记为合理视频帧的数量,将合理视频帧所对应的时间帧按照帧数先后进行排序,将相邻两个合理视频帧所对应的时间帧进行差值计算,获取得到合理帧数间隔,将所有的合理帧数间隔进行求和处理并取均值,获取得到合理平均间隔Kh;利用公式/>获取得到合理服务值Rg,其中,a1、a2均为预设比例系数。
4.根据权利要求3所述的一种后勤服务监控系统,其特征在于,异常服务值Hw通过下述步骤获取得到:将服务标签低值与服务标签进行差值计算,获取得到异常标签差Wj;设置异常标签差系数为Bz,利用公式获取得到异常标签值Fq,j=1、2、3、…、n,j为视频帧标记为异常视频帧的数量,将异常视频帧所对应的时间帧按照帧数先后进行排序,将相邻两个异常视频帧所对应的时间帧进行差值计算,获取得到异常帧数间隔,将所有的异常帧数间隔进行求和处理并取均值,获取得到异常平均间隔Db;利用公式/>获取得到异常服务值Hw,其中,b1、b2均为预设比例系数。
5.根据权利要求4所述的一种后勤服务监控系统,其特征在于,所述警告记录包括警告开始时间、警告结束时间。
6.根据权利要求5所述的一种后勤服务监控系统,其特征在于,当服务监控模块向异常服务后勤的传呼终端发送警告信息时,将当前时间标记为警告开始时间,当异常服务后勤被标记为正常服务后勤时,将当前时间标记为警告结束时间。
7.根据权利要求6所述的一种后勤服务监控系统,其特征在于,警告间隔值Nj通过下述步骤获取得到:将前一个警告记录的警告结束时间标记为Ut,将前一个警告记录的警告开始时间标记为Uv,将后一个警告记录的警告结束时间标记为Vd,将后一个警告记录的警告开始时间标记为Vs,利用公式获取得到警告间隔Rn,其中,m1、m2均为预设比例系数,将该后勤的所有警告间隔Rn进行求和处理并取均值,获取得到警告间隔值Nj。
8.根据权利要求7所述的一种后勤服务监控系统,其特征在于,异常调整值Gs通过下述步骤获取得到:将异常调整时长与标准调整时长进行差值计算,获取得到异常调整时差,将所有异常调整时差进行求和处理,获取得到异常调整值Gs。
9.根据权利要求8所述的一种后勤服务监控系统,其特征在于,所述服务标签的取值范围为[0-10],其中服务标签的取值越大,表示该后勤的服务质量越高。
10.根据权利要求9所述的一种后勤服务监控系统,其特征在于,服务值Sn通过下述步骤获取得到:利用公式获取得到该后勤的服务值Sn,其中,c1、c2、c3、c4均为预设比例系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310683960.1A CN116844105A (zh) | 2023-06-10 | 2023-06-10 | 一种后勤服务监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310683960.1A CN116844105A (zh) | 2023-06-10 | 2023-06-10 | 一种后勤服务监控系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116844105A true CN116844105A (zh) | 2023-10-03 |
Family
ID=88169718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310683960.1A Pending CN116844105A (zh) | 2023-06-10 | 2023-06-10 | 一种后勤服务监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116844105A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522017A (zh) * | 2023-11-04 | 2024-02-06 | 广州市图南软件科技有限公司 | 一种基于图像识别技术的智慧城市安防监控系统 |
-
2023
- 2023-06-10 CN CN202310683960.1A patent/CN116844105A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522017A (zh) * | 2023-11-04 | 2024-02-06 | 广州市图南软件科技有限公司 | 一种基于图像识别技术的智慧城市安防监控系统 |
CN117522017B (zh) * | 2023-11-04 | 2024-06-04 | 广州市图南软件科技有限公司 | 一种基于图像识别技术的智慧城市安防监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
CN116452099B (zh) | 一种基于大数据的冷链食品运输智能管理系统 | |
CN116844105A (zh) | 一种后勤服务监控系统 | |
CN116975378B (zh) | 一种基于大数据的设备环境监测方法及系统 | |
CN107592371A (zh) | 一种基于无线传感器网络的电力施工现场信息化监理系统 | |
CN116863708B (zh) | 一种智慧城市调度分配系统 | |
CN114240463A (zh) | 基于大数据的碳排放监测管理系统 | |
CN116185757B (zh) | 机房能耗智能监测系统 | |
CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 | |
CN117391894A (zh) | 一种巡逻机器人协同违章取证方法、系统及介质 | |
CN115342937A (zh) | 温度异常检测方法及装置 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN115130692A (zh) | 设备云监控系统 | |
CN117649188B (zh) | 一种基于大数据的数字化产业金融平台 | |
CN112698590A (zh) | 一种基于gprs远程传输的智能终端控制系统 | |
CN117669898B (zh) | 基于物联网的智慧安防监控管理系统 | |
CN112668948A (zh) | 基于多源信息融合的林业生态环境人机交互系统及方法 | |
CN114943884B (zh) | 基于深度学习的设备保护方法 | |
CN116633467B (zh) | 一种结合人工智能技术的应急广播系统 | |
CN117726959B (zh) | 基于智能图像识别的无人机电力线路安全巡检系统及方法 | |
CN118071305B (zh) | 一种用于工业视频的管理系统及方法 | |
CN117008559B (zh) | 应用于有机肥料生产系统的数据采集处理方法及系统 | |
CN118042076A (zh) | 基于大数据的工业生产监控系统 | |
CN117196547B (zh) | 一种基于数字全生命周期的设计施工一体化平台设计系统 | |
CN115456478A (zh) | 一种用电数据管理方法、系统、终端及存储介质 |
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 |