CN117235650B - 一种高空作业状态检测方法、装置、设备及介质 - Google Patents
一种高空作业状态检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117235650B CN117235650B CN202311500972.2A CN202311500972A CN117235650B CN 117235650 B CN117235650 B CN 117235650B CN 202311500972 A CN202311500972 A CN 202311500972A CN 117235650 B CN117235650 B CN 117235650B
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring data
- value
- sensor monitoring
- preset
- 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 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 160
- 230000004927 fusion Effects 0.000 claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 88
- 230000006399 behavior Effects 0.000 claims description 67
- 230000002159 abnormal effect Effects 0.000 claims description 55
- 238000000605 extraction Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013434 data augmentation Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 229920006395 saturated elastomer Polymers 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000145637 Lepturus Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开一种高空作业状态检测方法、装置、设备及介质,方法包括:基于若干传感器,实时获取若干传感器监测数据并进行预处理;其中,传感器监测数据包括角速度数据、气压数据和温湿度数据;对若干预处理后的传感器监测数据进行特征提取,获得若干监测数据特征并进行特征融合,对融合数据特征进行二分类,获得第一高空作业行为判断值;获取目标检测人员的高度数据,并根据其与预设高度阈值的比较结果,确定第二高空作业行为判断值;根据第一高空作业行为判断值、第二高空作业行为判断值和预设权重参数,确定目标高空作业行为判断值,当其大于预设判断值阈值时,判定目标检测人员处于高空作业状态。本发明能够准确地对高空作业状态进行实时检测。
Description
技术领域
本发明涉及高空作业监测技术领域,尤其是涉及一种高空作业状态检测方法、装置、终端设备及计算机可读存储介质。
背景技术
为了保障高空作业的安全性,不仅需要在硬件上进行加强和提升,对高空作业人员实时状态的检测也是重要因素之一,现有技术通常仅对安全设备、高空平台以及相关高空作业装备的控制方法进行改进,而缺乏对高空作业人员的工作状态进行实时监测,从而无法及时对高空作业人员进行高空作业预警。
发明内容
本发明提供一种高空作业状态检测方法、装置、设备及介质,通过融合来自不同传感器的监测数据,并结合目标检测人员的高度数据进行高空作业状态的检测,能够避免因单一数据源而造成的检测误差,从而能够准确地对目标检测人员的高空作业状态进行实时检测。
为了解决上述技术问题,本发明实施例第一方面提供一种高空作业状态检测方法,包括如下步骤:
基于预设的若干传感器,实时获取若干传感器监测数据,并对若干所述传感器监测数据进行预处理;其中,所述传感器监测数据至少包括角速度数据、气压数据和温湿度数据;
对若干预处理后的传感器监测数据进行特征提取,获得若干监测数据特征,并对若干所述监测数据特征进行特征融合,获得融合数据特征;
通过预设的高空作业行为分类器对所述融合数据特征进行二分类,获得第一高空作业行为判断值;
获取目标检测人员当前时刻的高度数据,并根据所述高度数据与预设高度阈值的比较结果,确定第二高空作业行为判断值;
根据所述第一高空作业行为判断值、所述第二高空作业行为判断值和预设权重参数,确定目标高空作业行为判断值;当所述目标高空作业行为判断值大于预设判断值阈值时,判定所述目标检测人员处于高空作业状态。
作为优选方案,所述对若干所述传感器监测数据进行预处理,具体包括如下步骤:
对若干所述传感器监测数据依次进行数据清洗处理、标准化及归一化处理、切片处理和数据增广处理。
作为优选方案,所述方法具体通过如下步骤对若干所述传感器监测数据进行数据清洗处理:
对所述传感器监测数据中的数据缺失标记进行识别,确定所述传感器监测数据中的数据缺失位置;
根据所述数据缺失位置,采用均值填充方式对所述传感器监测数据进行缺失值填充;
按照预设的异常值识别策略对缺失值填充后的传感器监测数据中的异常值进行识别,并对识别到的异常值进行删除处理,获得经过数据清洗处理的传感器监测数据。
作为优选方案,所述按照预设的异常值识别策略对缺失值填充后的传感器监测数据中的异常值进行识别,具体包括如下步骤:
计算缺失值填充后的传感器监测数据所对应的第一四分位数和第三四分位数;
根据所述第一四分位数和所述第三四分位数,确定四分位数范围;
根据所述第一四分位数、所述第三四分位数和所述四分位数范围,确定异常值上界和异常值下界,并将缺失值填充后的传感器监测数据中大于所述异常值上界的数据和小于所述异常值下界的数据作为异常值。
作为优选方案,所述按照预设的异常值识别策略对缺失值填充后的传感器监测数据中的异常值进行识别,具体还包括如下步骤:
计算缺失值填充后的传感器监测数据中各数据所对应的Z分数;
当任意一个数据所对应的Z分数大于预设Z分数阈值时,判定所述任意一个数据为异常值。
作为优选方案,所述对若干预处理后的传感器监测数据进行特征提取,获得若干监测数据特征,具体包括如下步骤:
对预处理后的角速度数据进行时间域特征提取和频域特征提取,并将提取的时间域特征和频域特征作为预处理后的角速度数据的监测数据特征;
对预处理后的气压数据进行统计特征提取和趋势特征提取,并将提取的气压数据统计特征和气压数据趋势特征作为预处理后的气压数据的监测数据特征;
对预处理后的温湿度数据进行统计特征提取、趋势特征提取和交互特征提取,并将提取的温湿度数据统计特征、温湿度数据趋势特征和温湿度数据交互特征作为预处理后的温湿度数据的监测数据特征。
作为优选方案,所述对若干所述监测数据特征进行特征融合,获得融合数据特征,具体包括如下步骤:
根据基于注意力机制的特征融合模块中每个自注意力层所对应的查询向量权重矩阵、键向量权重矩阵和值向量权重矩阵,对各监测数据特征进行线性变换,获得各监测数据特征所对应的查询向量、键向量和值向量;
根据所述查询向量、所述键向量和所述键向量的预设维度,通过softmax函数获得每个自注意力层所对应的注意力权重;
根据所述注意力权重和所述值向量,获得每个自注意力层所对应的注意力向量;
将每个自注意力层所对应的注意力向量进行串联处理,获得初始输出向量;
根据预设的权重矩阵对所述初始输出向量进行线性变换,获得所述融合数据特征。
本发明实施例第二方面提供一种高空作业状态检测装置,包括:
数据预处理模块,用于基于预设的若干传感器,实时获取若干传感器监测数据,并对若干所述传感器监测数据进行预处理;其中,所述传感器监测数据至少包括角速度数据、气压数据和温湿度数据;
特征融合模块,用于对若干预处理后的传感器监测数据进行特征提取,获得若干监测数据特征,并对若干所述监测数据特征进行特征融合,获得融合数据特征;
第一高空作业行为判断值获取模块,用于通过预设的高空作业行为分类器对所述融合数据特征进行二分类,获得第一高空作业行为判断值;
第二高空作业行为判断值获取模块,用于获取目标检测人员当前时刻的高度数据,并根据所述高度数据与预设高度阈值的比较结果,确定第二高空作业行为判断值;
高空作业状态检测模块,用于根据所述第一高空作业行为判断值、所述第二高空作业行为判断值和预设权重参数,确定目标高空作业行为判断值;当所述目标高空作业行为判断值大于预设判断值阈值时,判定所述目标检测人员处于高空作业状态。
本发明实施例第三方面提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的高空作业状态检测方法。
本发明实施例第四方面提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一项所述的高空作业状态检测方法。
相比于现有技术,本发明实施例的有益效果在于,通过融合来自不同传感器的监测数据,并结合目标检测人员的高度数据进行高空作业状态的检测,能够避免因单一数据源而造成的检测误差,从而能够准确地对目标检测人员的高空作业状态进行实时检测。
附图说明
图1是本发明实施例中高空作业状态检测方法的流程示意图;
图2是本发明实施例中高空作业状态检测装置的结构示意图。
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作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。
参见图1,本发明实施例第一方面提供一种高空作业状态检测方法,包括如下步骤S1至步骤S5:
步骤S1,基于预设的若干传感器,实时获取若干传感器监测数据,并对若干所述传感器监测数据进行预处理;其中,所述传感器监测数据至少包括角速度数据、气压数据和温湿度数据;
步骤S2,对若干预处理后的传感器监测数据进行特征提取,获得若干监测数据特征,并对若干所述监测数据特征进行特征融合,获得融合数据特征;
步骤S3,通过预设的高空作业行为分类器对所述融合数据特征进行二分类,获得第一高空作业行为判断值;
步骤S4,获取目标检测人员当前时刻的高度数据,并根据所述高度数据与预设高度阈值的比较结果,确定第二高空作业行为判断值;
步骤S5,根据所述第一高空作业行为判断值、所述第二高空作业行为判断值和预设权重参数,确定目标高空作业行为判断值;当所述目标高空作业行为判断值大于预设判断值阈值时,判定所述目标检测人员处于高空作业状态。
具体地,本实施例采集多种不同的传感器监测数据来应用于高空作业状态的检测,考虑到在传感器采集数据过程中可能会出现传感器故障、通信故障或外部干扰等情况,因此本实施例需要对若干传感器监测数据进行预处理,其中,传感器监测数据至少包括角速度数据、气压数据和温湿度数据,相应地,预设的若干传感器至少包括陀螺仪传感器、气压传感器和温湿度传感器。
进一步地,本实施例对若干预处理后的传感器监测数据进行特征提取,并为了获得一个具有代表性的特征向量,对提取的若干监测数据特征进行特征融合,获得融合数据特征,然后利用预设的高空作业行为分类器进行二分类,获得第一高空作业行为判断值,值得说明的是,第一高空作业行为判断值即为二分类的结果。
进一步地,为了确保高空作业状态检测的准确性,本实施例还将目标检测人员当前时刻的高度数据应用于高空作业状态的检测,具体地,采用高精度的定位传感器实时捕获目标检测人员当前时刻的垂直高度信息来作为高度数据,为了简化高空作业的描述,本实施例预先设置一高度阈值以定义高空作业的高度阈值,该预设高度阈值可以根据实际应用场景而进行调整,如1.9米、2米、2.1米,本实施例在此不作具体限定。
值得说明的是,利用高度数据进行高空作业行为的判断,能够获得“是”和“否”两种状态,对应地值分别为0和1,从而能够确定第二高空作业行为判断值。
优选地,当基于高度数据检测到高空作业行为处于“是”的状态时,表明当前目标检测人员处于一个较高的工作位置,因此此时通过触发警报来提示可能存在高空作业的情况。
进一步地,根据第一高空作业行为判断值、第二高空作业行为判断值和预设权重参数,通过如下表达式确定目标高空作业行为判断值:
;
其中,表示目标高空作业行为判断值,/>表示预设权重参数,其为一个0至1的值,用于调节第一高空作业行为判断值和第二高空作业行为判断值的重要性,/>表示第一高空作业行为判断值,/>表示第二高空作业行为判断值。
值得说明的是,预设判断值阈值可以根据实际应用场景而进行调整,如设置为0.5,本实施例在此不作具体限定。当判定目标检测人员处于高空作业状态时,执行高空作业预警并及时将目标检测人员的作业信息反馈至数字基建平台,从而能够及时保障高空作业的安全性。
本发明实施例提供的一种高空作业状态检测方法,通过融合来自不同传感器的监测数据,并结合目标检测人员的高度数据进行高空作业状态的检测,能够避免因单一数据源而造成的检测误差,从而能够准确地对目标检测人员的高空作业状态进行实时检测。
此外,即使某个传感器失效或数据丢失,其他传感器和高度数据也可以为高空作业状态检测提供足够的信息,有效提高了检测的鲁棒性。
另外,本发明实施例既可以实时应用于传感器数据流中,也可以应用于已收集的历史数据,为实时预警和后期分析提供支持。
作为优选方案,所述对若干所述传感器监测数据进行预处理,具体包括如下步骤:
对若干所述传感器监测数据依次进行数据清洗处理、标准化及归一化处理、切片处理和数据增广处理。
作为优选方案,所述方法具体通过如下步骤对若干所述传感器监测数据进行数据清洗处理:
对所述传感器监测数据中的数据缺失标记进行识别,确定所述传感器监测数据中的数据缺失位置;
根据所述数据缺失位置,采用均值填充方式对所述传感器监测数据进行缺失值填充;
按照预设的异常值识别策略对缺失值填充后的传感器监测数据中的异常值进行识别,并对识别到的异常值进行删除处理,获得经过数据清洗处理的传感器监测数据。
具体地,在数据采集过程中,尤其是从传感器中获取数据的场景,由于可能会出现传感器故障、通信故障或外部干扰等情况,从而导致数据的丢失或出现异常。针对这种情况,首先需要对传感器监测数据进行识别,包括缺失值识别和异常值识别。
针对缺失值识别,数据缺失通常的表现形式有:NaN(Not a Number,表示非数字)、None(空值标记)或空字符串等,这些数据缺失标记在数据集中易于识别,本实施例直接采用均值填充的方式根据数据缺失位置进行缺失值填充。
针对异常值识别,本实施例按照预设的异常值识别策略进行异常值的识别,并对识别到的异常值进行删除处理。
作为优选方案,所述按照预设的异常值识别策略对缺失值填充后的传感器监测数据中的异常值进行识别,具体包括如下步骤:
计算缺失值填充后的传感器监测数据所对应的第一四分位数和第三四分位数;
根据所述第一四分位数和所述第三四分位数,确定四分位数范围;
根据所述第一四分位数、所述第三四分位数和所述四分位数范围,确定异常值上界和异常值下界,并将缺失值填充后的传感器监测数据中大于所述异常值上界的数据和小于所述异常值下界的数据作为异常值。
具体地,本实施例利用四分位数范围来识别异常值,首先计算缺失值填充后的传感器监测数据所对应的第一四分位数和第三四分位数,即25%分位数和75%分位数。然后通过表达式:IQR = Q3-Q1计算四分位数范围,IQR表示四分位数范围,Q3表示第三四分位数,Q1表示第一四分位数。进一步地,根据第一四分位数、第三四分位数和四分位数范围,确定异常值上界和异常值下界,具体表达式为:异常值上界= Q3+1.5×IQR;异常值下界= Q1-1.5×IQR,从而将大于异常值上界的数据和小于异常值下界的数据作为异常值。
作为优选方案,所述按照预设的异常值识别策略对缺失值填充后的传感器监测数据中的异常值进行识别,具体还包括如下步骤:
计算缺失值填充后的传感器监测数据中各数据所对应的Z分数;
当任意一个数据所对应的Z分数大于预设Z分数阈值时,判定所述任意一个数据为异常值。
具体地,本实施例利用Z分数来识别异常值,Z分数是一个数与平均数的差再除以标准差的值,即某个数据点距离平均值有多少个标准差,当任意一个数据所对应的Z分数大于预设Z分数阈值时,则判定该数据为异常值。
进一步地,本实施例对经过数据清洗处理的传感器监测数据进行标准化及归一化处理,使其分布在一个相对较小的范围[0,1]内。
标准化的过程为:
;
其中,表示标准化后的值,/>表示原始值,/>表示数据平均值,/>表示数据标准差。
归一化的过程为:
;
其中,表示归一化后的值,/>表示原始值,/>和/>分别表示数据的最小值和最大值。
作为优选方案,所述方法具体通过如下步骤对经过标准化及归一化处理的传感器监测数据进行切片处理:
采用滑动窗口技术对经过标准化及归一化处理的传感器监测数据进行窗口化处理,以将经过标准化及归一化处理的传感器监测数据切分为若干连续的数据段,获得经过切片处理的传感器监测数据。
具体地,角速度数据、气压数据和温湿度数据均属于时间序列数据,数据的分析通常涉及对数据的连续部分进行考察,以揭示潜在的模式或特性,在本实施例中,基于滑动窗口技术,给定一个时间窗口大小为w和滑动距离s的窗口,对经过标准化及归一化处理的传感器监测数据进行窗口化处理,开始时,窗口放置于数据时间序列的起始位置,每次都按照滑动距离s将窗口向前移动,直至数据时间序列的结尾位置,在此过程中将时间序列数据切分为若干连续且可能重叠的数据段,每一数据段都可以视为一个独立的输入样本。
作为优选方案,所述方法具体通过如下步骤对经过切片处理的传感器监测数据进行数据增广处理:
对经过切片处理的传感器监测数据依次进行抖动处理、缩放处理、时间弯曲处理、时间切片处理、Mixup算法处理和滤波处理,获得预处理后的传感器监测数据。
具体地,本实施例首先对经过切片处理的传感器监测数据进行抖动处理,在数据上添加一些小的噪声,使其稍微发生变化,表达式为:,其中,/>表示从小范围的高斯分布中抽取的噪声。
进一步地,作缩放处理,以改变数据的尺度,表达式为:x’=α×x,其中,α表示一个接近1的随机值。
进一步地,作时间弯曲处理,使用插值方法将时间序列伸缩,表达式如下:
;
其中,时间弯曲函数公式表示如下:
;
其中,表示原始时间点,/>是一个控制映射强度的参数(如取0.1),/>是控制映射频率的参数。插值函数/>的公式如下:
;
其中,满足/>的最大索引。
进一步地,作时间切片处理,以将当前的时间序列切分为多个小段,并随机重新排列这些片段。具体而言,首先将传感器监测数据序列X={x1,x2,...,xn}切分成m个更小的非重叠连续片段,每个片段的长度为l,l=n/m。然后将这m个片段随机重新排列,形成一个新的传感器监测数据序列X’={x6,x2,...,x8}。
进一步地,作Mixup算法处理,通过对两个或多个时间序列之间进行线性插值,从而获得新的数据,表达式为:x’=α×x1+(1-α)×x2,x1和x2表示两个不同的时间序列,α表示介于0和1之间的系数。
进一步地,作滤波处理,具体为对传感器监测数据应用不同的滤波器,如低通滤波器、高通滤波器和带通滤波器,以改变数据的频率特性。
作为优选方案,所述对若干预处理后的传感器监测数据进行特征提取,获得若干监测数据特征,具体包括如下步骤:
对预处理后的角速度数据进行时间域特征提取和频域特征提取,并将提取的时间域特征和频域特征作为预处理后的角速度数据的监测数据特征;
对预处理后的气压数据进行统计特征提取和趋势特征提取,并将提取的气压数据统计特征和气压数据趋势特征作为预处理后的气压数据的监测数据特征;
对预处理后的温湿度数据进行统计特征提取、趋势特征提取和交互特征提取,并将提取的温湿度数据统计特征、温湿度数据趋势特征和温湿度数据交互特征作为预处理后的温湿度数据的监测数据特征。
值得说明的是,陀螺仪传感器是一种精密的仪器,主要用于测量物体在三维空间中绕其自身轴线的角速度。这种传感器通常输出关于X、Y、Z三个轴向的角速度数据。为了深入分析这些数据,通常分析其时间域特征和频域特征。具体而言,对于时间域特征,在时间域中,本实施例从连续的数据中提取多种统计特征,以描述该段时间内的运动特性,包括:标准差(反映数据的离散程度),中位数(数据排序后位于中间的数值),众数(数据中出现次数最多的值),偏度(描述数据分布的不对称性),峰度(描述数据分布的厚尾或薄尾情况),均值(表示数据的中心趋势)等;对于频域特征,本实施例首先通过傅里叶变换将时间序列数据转化为其频率组成,频域特征包括:基频,也称为主频率,是信号中最强的频率成分;频谱强度和频谱能量,这描述了在各个频率上的能量分布,可以通过平方FFT的结果得到,,其中,/>代表频率/>上的能量;频带能量,计算特定频率范围内的总能量,如低频、中频和高频范围内的能量;谱中心,是频率的加权平均值,可以用来描述信号的“重心”在哪里,/>;谱熵,用于描述频谱能量分布的均匀程度,当所有频率的能量分布都相当时,谱熵达到最大;谱扁度,描述频谱形状的特征,对于均匀的能量分布,谱扁度接近0,对于在特定频率上有几个尖峰的分布,谱扁度会增大;谱偏度,描述频谱的非对称性;谐波能量,信号的基频及其整数倍的频率上的能量。
进一步地,气压传感器捕获与海平面高度相关的大气压力。为了恰当使用气压数据,本实施例着重于两个关键领域的特性提取:气压数据统计特征和气压数据趋势特征。
其中,气压数据统计特征包括:均值(大气压的平均值,提供了观测期间的平均压力水平),标准差(衡量气压读数的波动或变异程度),最大值(观测期间记录的最高气压值),最小值(观测期间记录的最低气压值)等;气压数据趋势特征包括:气压变化率(描述气压随时间的变化速率。这可以通过差分方法计算,即连续观测值之间的差异)。
进一步地,温湿度传感器记录环境或设备内部的温度和湿度,本实施例重点提取三种值:温湿度数据统计特征、温湿度数据趋势特征和温湿度数据交互特征。
其中,温湿度数据统计特征包括:均值(表示观测期间的平均温度或湿度)、标准差(反映温度或湿度数据的离散程度)、最大值与最小值(代表观测期间的极端环境条件);温湿度数据趋势特征包括:温度、湿度的变化率(描述温度、湿度随时间的变化速率);温湿度数据交互特征包括:露点温度、湿球温度(描述温度、湿度随时间的变化速率)、绝对湿度(空气中单位体积的水蒸气的质量)、饱和蒸气压和实际蒸气压、舒适度(空气中单位体积的水蒸气的质量)、温湿度交互(描述温度和湿度如何共同影响某些环境或设备参数)。
露点温度是空气中水蒸气开始凝结成液态水的温度,与空气的温度和湿度都密切相关。它用以下公式计算:
;
其中,是露点温度,/>是实际温度,/>是相对湿度(百分比)。
饱和蒸气压是在给定的温度下,与水或冰在平衡状态时的水蒸气压力。实际蒸气压是当前温度下水蒸气的实际压力。这两个参数可以用来计算相对湿度,公式为:
;
其中,表示实际蒸气压,/>表示饱和蒸气压。
作为优选方案,所述对若干所述监测数据特征进行特征融合,获得融合数据特征,具体包括如下步骤:
通过基于注意力机制的特征融合模块对若干所述监测数据特征进行特征融合,获得融合数据特征。
作为优选方案,所述通过基于注意力机制的特征融合模块对若干所述监测数据特征进行特征融合,获得融合数据特征,具体包括如下步骤:
根据所述特征融合模块中每个自注意力层所对应的查询向量权重矩阵、键向量权重矩阵和值向量权重矩阵,对各监测数据特征进行线性变换,获得各监测数据特征所对应的查询向量、键向量和值向量;
根据所述查询向量、所述键向量和所述键向量的预设维度,通过softmax函数获得每个自注意力层所对应的注意力权重;
根据所述注意力权重和所述值向量,获得每个自注意力层所对应的注意力向量;
将每个自注意力层所对应的注意力向量进行串联处理,获得初始输出向量;
根据预设的权重矩阵对所述初始输出向量进行线性变换,获得所述融合数据特征。
具体地,本实施例选择基于多头自注意力机制的特征融合模块来进行特征融合,其可以自动决定每个监测数据特征的重要性。多头自注意力机制中的“头”指的是并行运行的多个自注意力层。每个“头”都有自己独立的“查询”(Query)、“键”(Key)和“值”(Value)的权重矩阵,这使得每个“头”能够学习和捕获输入特征向量中的不同方面或不同的依赖关系模式。
首先,每个输入的监测数据特征首先要经过三个不同的线性变换以得到查询向量、键向量和值向量,这三个变换对于每个自注意力层都是不同的,表达式如下:
;
;
;
其中,表示输入的监测数据特征,/>、/>和/>分别表示查询向量权重矩阵、键向量权重矩阵和值向量权重矩阵,/>表示第/>个自注意力层。
然后,通过如下表达式获得每个自注意力层所对应的注意力权重:
;
其中,表示第/>个自注意力层的注意力权重,/>表示查询向量,/>表示键向量的转置,/>表示键向量的预设维度,通常取整个键向量的长度。
进一步地,通过如下表达式获得每个自注意力层所对应的注意力向量:
;
其中,表示第/>个自注意力层的注意力向量,/>表示值向量。
进一步地,各自注意力层并行操作,最后将各自注意力层的注意力向量进行串联处理,获得维度为的初始输出向量,表达式如下:
;
表示初始输出向量,/>表示向量的串联。
进一步地,本实施例利用一预设的权重矩阵W对初始输出向量进行线性变换,表达式如下:
;
表示融合数据特征,权重矩阵W的维度为/>行和/>列,为/>的最终输出维度。
作为优选方案,所述通过预设的高空作业行为分类器对所述融合数据特征进行二分类,获得第一高空作业行为判断值,具体包括如下步骤:
通过所述高空作业行为分类器,根据预设的权重矩阵计算所述融合数据特征所对应的线性分类分数;
根据所述线性分类分数,通过Sigmoid函数对所述融合数据特征进行二分类,获得所述第一高空作业行为判断值。
具体地,根据预设的权重矩阵计算融合数据特征所对应的线性分类分数,表达式如下:
;
其中,表示线性分类分数,/>表示预设的权重矩阵的转置,/>的维度为/>。
然后,通过Sigmoid函数对融合数据特征进行二分类,正类概率的计算表达式为:。其中,Sigmoid函数的表达式如下:
;
进一步地,负类概率的计算表达式为:
;
最后将二分类的结果作为第一高空作业行为判断值。
参见图2,本发明实施例第二方面提供一种高空作业状态检测装置,包括:
数据预处理模块201,用于基于预设的若干传感器,实时获取若干传感器监测数据,并对若干所述传感器监测数据进行预处理;其中,所述传感器监测数据至少包括角速度数据、气压数据和温湿度数据;
特征融合模块202,用于对若干预处理后的传感器监测数据进行特征提取,获得若干监测数据特征,并对若干所述监测数据特征进行特征融合,获得融合数据特征;
第一高空作业行为判断值获取模块203,用于通过预设的高空作业行为分类器对所述融合数据特征进行二分类,获得第一高空作业行为判断值;
第二高空作业行为判断值获取模块204,用于获取目标检测人员当前时刻的高度数据,并根据所述高度数据与预设高度阈值的比较结果,确定第二高空作业行为判断值;
高空作业状态检测模块205,用于根据所述第一高空作业行为判断值、所述第二高空作业行为判断值和预设权重参数,确定目标高空作业行为判断值;当所述目标高空作业行为判断值大于预设判断值阈值时,判定所述目标检测人员处于高空作业状态。
作为优选方案,所述数据预处理模块201用于对若干所述传感器监测数据进行预处理,具体包括:
对若干所述传感器监测数据依次进行数据清洗处理、标准化及归一化处理、切片处理和数据增广处理。
作为优选方案,所述数据预处理模块201用于对若干所述传感器监测数据进行数据清洗处理,具体包括:
对所述传感器监测数据中的数据缺失标记进行识别,确定所述传感器监测数据中的数据缺失位置;
根据所述数据缺失位置,采用均值填充方式对所述传感器监测数据进行缺失值填充;
按照预设的异常值识别策略对缺失值填充后的传感器监测数据中的异常值进行识别,并对识别到的异常值进行删除处理,获得经过数据清洗处理的传感器监测数据。
作为优选方案,所述数据预处理模块201用于按照预设的异常值识别策略对缺失值填充后的传感器监测数据中的异常值进行识别,具体包括:
计算缺失值填充后的传感器监测数据所对应的第一四分位数和第三四分位数;
根据所述第一四分位数和所述第三四分位数,确定四分位数范围;
根据所述第一四分位数、所述第三四分位数和所述四分位数范围,确定异常值上界和异常值下界,并将缺失值填充后的传感器监测数据中大于所述异常值上界的数据和小于所述异常值下界的数据作为异常值。
作为优选方案,所述数据预处理模块201用于按照预设的异常值识别策略对缺失值填充后的传感器监测数据中的异常值进行识别,具体还包括:
计算缺失值填充后的传感器监测数据中各数据所对应的Z分数;
当任意一个数据所对应的Z分数大于预设Z分数阈值时,判定所述任意一个数据为异常值。
作为优选方案,所述数据预处理模块201用于对经过标准化及归一化处理的传感器监测数据进行切片处理,具体包括:
采用滑动窗口技术对经过标准化及归一化处理的传感器监测数据进行窗口化处理,以将经过标准化及归一化处理的传感器监测数据切分为若干连续的数据段,获得经过切片处理的传感器监测数据。
作为优选方案,所述数据预处理模块201用于对经过切片处理的传感器监测数据进行数据增广处理,具体包括:
对经过切片处理的传感器监测数据依次进行抖动处理、缩放处理、时间弯曲处理、时间切片处理、Mixup算法处理和滤波处理,获得预处理后的传感器监测数据。
作为优选方案,所述特征融合模块202用于对若干预处理后的传感器监测数据进行特征提取,获得若干监测数据特征,具体包括:
对预处理后的角速度数据进行时间域特征提取和频域特征提取,并将提取的时间域特征和频域特征作为预处理后的角速度数据的监测数据特征;
对预处理后的气压数据进行统计特征提取和趋势特征提取,并将提取的气压数据统计特征和气压数据趋势特征作为预处理后的气压数据的监测数据特征;
对预处理后的温湿度数据进行统计特征提取、趋势特征提取和交互特征提取,并将提取的温湿度数据统计特征、温湿度数据趋势特征和温湿度数据交互特征作为预处理后的温湿度数据的监测数据特征。
作为优选方案,所述特征融合模块202用于对若干所述监测数据特征进行特征融合,获得融合数据特征,具体包括:
通过基于注意力机制的特征融合模块202对若干所述监测数据特征进行特征融合,获得融合数据特征。
作为优选方案,所述特征融合模块202用于通过基于注意力机制的特征融合模块202对若干所述监测数据特征进行特征融合,获得融合数据特征,具体包括:
根据所述特征融合模块202中每个自注意力层所对应的查询向量权重矩阵、键向量权重矩阵和值向量权重矩阵,对各监测数据特征进行线性变换,获得各监测数据特征所对应的查询向量、键向量和值向量;
根据所述查询向量、所述键向量和所述键向量的预设维度,通过softmax函数获得每个自注意力层所对应的注意力权重;
根据所述注意力权重和所述值向量,获得每个自注意力层所对应的注意力向量;
将每个自注意力层所对应的注意力向量进行串联处理,获得初始输出向量;
根据预设的权重矩阵对所述初始输出向量进行线性变换,获得所述融合数据特征。
作为优选方案,所述第一高空作业行为判断值获取模块203用于通过预设的高空作业行为分类器对所述融合数据特征进行二分类,获得第一高空作业行为判断值,具体包括:
通过所述高空作业行为分类器,根据预设的权重矩阵计算所述融合数据特征所对应的线性分类分数;
根据所述线性分类分数,通过Sigmoid函数对所述融合数据特征进行二分类,获得所述第一高空作业行为判断值。
需要说明的是,本发明实施例所提供的一种高空作业状态检测装置,能够实现上述任一实施例所述的高空作业状态检测方法的所有流程,装置中的各个模块的作用以及实现的技术效果分别与上述实施例所述的高空作业状态检测方法的作用以及实现的技术效果对应相同,这里不再赘述。
本发明实施例第三方面提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一实施例所述的高空作业状态检测方法。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明实施例第四方面提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一实施例所述的高空作业状态检测方法。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现,当然也可以全部通过硬件来实施。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述是本发明的优选实施方式,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的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种高空作业状态检测方法,其特征在于,包括如下步骤:
基于预设的若干传感器,实时获取若干传感器监测数据,并对若干所述传感器监测数据进行预处理;其中,所述传感器监测数据至少包括角速度数据、气压数据和温湿度数据;
对若干预处理后的传感器监测数据进行特征提取,获得若干监测数据特征,并对若干所述监测数据特征进行特征融合,获得融合数据特征;
通过预设的高空作业行为分类器对所述融合数据特征进行二分类,获得第一高空作业行为判断值;
获取目标检测人员当前时刻的高度数据,并根据所述高度数据与预设高度阈值的比较结果,确定第二高空作业行为判断值;
根据所述第一高空作业行为判断值、所述第二高空作业行为判断值和预设权重参数,确定目标高空作业行为判断值;当所述目标高空作业行为判断值大于预设判断值阈值时,判定所述目标检测人员处于高空作业状态;
其中,所述对若干所述监测数据特征进行特征融合,获得融合数据特征,具体包括如下步骤:
根据基于注意力机制的特征融合模块中每个自注意力层所对应的查询向量权重矩阵、键向量权重矩阵和值向量权重矩阵,对各监测数据特征进行线性变换,获得各监测数据特征所对应的查询向量、键向量和值向量;
根据所述查询向量、所述键向量和所述键向量的预设维度,通过softmax函数获得每个自注意力层所对应的注意力权重;
根据所述注意力权重和所述值向量,获得每个自注意力层所对应的注意力向量;
将每个自注意力层所对应的注意力向量进行串联处理,获得初始输出向量;
根据预设的权重矩阵对所述初始输出向量进行线性变换,获得所述融合数据特征。
2.如权利要求1所述的高空作业状态检测方法,其特征在于,所述对若干所述传感器监测数据进行预处理,具体包括如下步骤:
对若干所述传感器监测数据依次进行数据清洗处理、标准化及归一化处理、切片处理和数据增广处理。
3.如权利要求2所述的高空作业状态检测方法,其特征在于,所述方法具体通过如下步骤对若干所述传感器监测数据进行数据清洗处理:
对所述传感器监测数据中的数据缺失标记进行识别,确定所述传感器监测数据中的数据缺失位置;
根据所述数据缺失位置,采用均值填充方式对所述传感器监测数据进行缺失值填充;
按照预设的异常值识别策略对缺失值填充后的传感器监测数据中的异常值进行识别,并对识别到的异常值进行删除处理,获得经过数据清洗处理的传感器监测数据。
4.如权利要求3所述的高空作业状态检测方法,其特征在于,所述按照预设的异常值识别策略对缺失值填充后的传感器监测数据中的异常值进行识别,具体包括如下步骤:
计算缺失值填充后的传感器监测数据所对应的第一四分位数和第三四分位数;
根据所述第一四分位数和所述第三四分位数,确定四分位数范围;
根据所述第一四分位数、所述第三四分位数和所述四分位数范围,确定异常值上界和异常值下界,并将缺失值填充后的传感器监测数据中大于所述异常值上界的数据和小于所述异常值下界的数据作为异常值。
5.如权利要求3所述的高空作业状态检测方法,其特征在于,所述按照预设的异常值识别策略对缺失值填充后的传感器监测数据中的异常值进行识别,具体还包括如下步骤:
计算缺失值填充后的传感器监测数据中各数据所对应的Z分数;
当任意一个数据所对应的Z分数大于预设Z分数阈值时,判定所述任意一个数据为异常值。
6.如权利要求1所述的高空作业状态检测方法,其特征在于,所述对若干预处理后的传感器监测数据进行特征提取,获得若干监测数据特征,具体包括如下步骤:
对预处理后的角速度数据进行时间域特征提取和频域特征提取,并将提取的时间域特征和频域特征作为预处理后的角速度数据的监测数据特征;
对预处理后的气压数据进行统计特征提取和趋势特征提取,并将提取的气压数据统计特征和气压数据趋势特征作为预处理后的气压数据的监测数据特征;
对预处理后的温湿度数据进行统计特征提取、趋势特征提取和交互特征提取,并将提取的温湿度数据统计特征、温湿度数据趋势特征和温湿度数据交互特征作为预处理后的温湿度数据的监测数据特征。
7.一种高空作业状态检测装置,其特征在于,包括:
数据预处理模块,用于基于预设的若干传感器,实时获取若干传感器监测数据,并对若干所述传感器监测数据进行预处理;其中,所述传感器监测数据至少包括角速度数据、气压数据和温湿度数据;
特征融合模块,用于对若干预处理后的传感器监测数据进行特征提取,获得若干监测数据特征,并对若干所述监测数据特征进行特征融合,获得融合数据特征;
第一高空作业行为判断值获取模块,用于通过预设的高空作业行为分类器对所述融合数据特征进行二分类,获得第一高空作业行为判断值;
第二高空作业行为判断值获取模块,用于获取目标检测人员当前时刻的高度数据,并根据所述高度数据与预设高度阈值的比较结果,确定第二高空作业行为判断值;
高空作业状态检测模块,用于根据所述第一高空作业行为判断值、所述第二高空作业行为判断值和预设权重参数,确定目标高空作业行为判断值;当所述目标高空作业行为判断值大于预设判断值阈值时,判定所述目标检测人员处于高空作业状态;
其中,所述特征融合模块用于对若干所述监测数据特征进行特征融合,获得融合数据特征,具体包括:
根据基于注意力机制的特征融合模块中每个自注意力层所对应的查询向量权重矩阵、键向量权重矩阵和值向量权重矩阵,对各监测数据特征进行线性变换,获得各监测数据特征所对应的查询向量、键向量和值向量;
根据所述查询向量、所述键向量和所述键向量的预设维度,通过softmax函数获得每个自注意力层所对应的注意力权重;
根据所述注意力权重和所述值向量,获得每个自注意力层所对应的注意力向量;
将每个自注意力层所对应的注意力向量进行串联处理,获得初始输出向量;
根据预设的权重矩阵对所述初始输出向量进行线性变换,获得所述融合数据特征。
8.一种终端设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的高空作业状态检测方法。
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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任一项所述的高空作业状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311500972.2A CN117235650B (zh) | 2023-11-13 | 2023-11-13 | 一种高空作业状态检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311500972.2A CN117235650B (zh) | 2023-11-13 | 2023-11-13 | 一种高空作业状态检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117235650A CN117235650A (zh) | 2023-12-15 |
CN117235650B true CN117235650B (zh) | 2024-02-13 |
Family
ID=89082959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311500972.2A Active CN117235650B (zh) | 2023-11-13 | 2023-11-13 | 一种高空作业状态检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235650B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104586398A (zh) * | 2013-10-30 | 2015-05-06 | 广州华久信息科技有限公司 | 一种基于多传感器融合的老人跌倒检测方法及系统 |
KR20190116781A (ko) * | 2018-04-05 | 2019-10-15 | 한국전자통신연구원 | 웨어러블 기기를 이용한 작업자의 추락 사고 방지 장치 및 방법 |
CN111179552A (zh) * | 2019-12-31 | 2020-05-19 | 苏州清研微视电子科技有限公司 | 基于多传感器融合的驾驶员状态监测方法和系统 |
CN213363767U (zh) * | 2020-07-28 | 2021-06-04 | 广州中科智巡科技有限公司 | 一种高空作业人员的状态监测装置 |
CN114912707A (zh) * | 2022-06-01 | 2022-08-16 | 中科大数据研究院 | 一种基于多模态融合的空气质量预测系统及预测方法 |
CN115620480A (zh) * | 2022-09-27 | 2023-01-17 | 南通鑫元数字科技有限公司 | 一种基于高空智能自动监测的预警系统 |
CN116229570A (zh) * | 2023-02-21 | 2023-06-06 | 四川轻化工大学 | 一种基于机器视觉的高空作业人员行为态势识别方法 |
CN116382472A (zh) * | 2023-03-03 | 2023-07-04 | 国网山东省电力公司青岛供电公司 | 一种基于多模数据的电力作业人员可穿戴远程实时监测系统与方法 |
WO2023142813A1 (zh) * | 2022-01-26 | 2023-08-03 | 中国第一汽车股份有限公司 | 基于多传感器的数据融合方法、装置、设备及介质 |
CN116756686A (zh) * | 2023-06-19 | 2023-09-15 | 广东工业大学 | 一种飞行器的强抗扰高度状态估计方法及系统 |
CN117010765A (zh) * | 2023-08-23 | 2023-11-07 | 常州大学 | 化工企业高空作业人员的安全监控方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11636180B2 (en) * | 2021-09-28 | 2023-04-25 | The 28Th Research Institute Of China Electronics Technology Group Corporation | Flight pushback state monitoring method based on multi-modal data fusion |
-
2023
- 2023-11-13 CN CN202311500972.2A patent/CN117235650B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104586398A (zh) * | 2013-10-30 | 2015-05-06 | 广州华久信息科技有限公司 | 一种基于多传感器融合的老人跌倒检测方法及系统 |
KR20190116781A (ko) * | 2018-04-05 | 2019-10-15 | 한국전자통신연구원 | 웨어러블 기기를 이용한 작업자의 추락 사고 방지 장치 및 방법 |
CN111179552A (zh) * | 2019-12-31 | 2020-05-19 | 苏州清研微视电子科技有限公司 | 基于多传感器融合的驾驶员状态监测方法和系统 |
CN213363767U (zh) * | 2020-07-28 | 2021-06-04 | 广州中科智巡科技有限公司 | 一种高空作业人员的状态监测装置 |
WO2023142813A1 (zh) * | 2022-01-26 | 2023-08-03 | 中国第一汽车股份有限公司 | 基于多传感器的数据融合方法、装置、设备及介质 |
CN114912707A (zh) * | 2022-06-01 | 2022-08-16 | 中科大数据研究院 | 一种基于多模态融合的空气质量预测系统及预测方法 |
CN115620480A (zh) * | 2022-09-27 | 2023-01-17 | 南通鑫元数字科技有限公司 | 一种基于高空智能自动监测的预警系统 |
CN116229570A (zh) * | 2023-02-21 | 2023-06-06 | 四川轻化工大学 | 一种基于机器视觉的高空作业人员行为态势识别方法 |
CN116382472A (zh) * | 2023-03-03 | 2023-07-04 | 国网山东省电力公司青岛供电公司 | 一种基于多模数据的电力作业人员可穿戴远程实时监测系统与方法 |
CN116756686A (zh) * | 2023-06-19 | 2023-09-15 | 广东工业大学 | 一种飞行器的强抗扰高度状态估计方法及系统 |
CN117010765A (zh) * | 2023-08-23 | 2023-11-07 | 常州大学 | 化工企业高空作业人员的安全监控方法及装置 |
Non-Patent Citations (3)
Title |
---|
Performance Improvement of Driving Fatigue Identification Based on Power Spectra and Connectivity Using Feature Level and Decision Level Fusions;Harvy, Jonathan 等;2018 40TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC);20180101;第102-105页 * |
基于AHP法的建筑工程高处坠落指标权重分析;王冬雪;;价值工程;20180730(24);第177-179页 * |
高空作业车防倾翻预警系统设计;詹斌;曾伟;耿德斌;封震雷;;专用汽车;20120515(05);第85-88页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117235650A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961308B (zh) | 一种漂移检测的残差深度特征目标跟踪方法 | |
CN111751318A (zh) | 使用光谱测量进行织物验证 | |
CN110826684A (zh) | 卷积神经网络的压缩方法、装置、电子设备和介质 | |
CN117409190B (zh) | 一种实时红外图像目标检测方法、装置、设备及存储介质 | |
CN114821102A (zh) | 密集柑橘数量检测方法、设备、存储介质及装置 | |
CN103312703B (zh) | 基于模式识别的网络入侵检测方法及系统 | |
CN116152697A (zh) | 一种混凝土结构裂缝的三维模型测量方法及相关装置 | |
CN115186762A (zh) | 一种基于dtw-knn算法的发动机异常检测方法及系统 | |
CN114140663A (zh) | 一种基于多尺度注意力学习网络的害虫识别方法及系统 | |
CN110956331A (zh) | 数字工厂运营状态预测方法、系统、装置 | |
CN114238033A (zh) | 板卡运行状态预警方法、装置、设备及可读存储介质 | |
CN104268852B (zh) | 红外序列图像中弱小目标的检测方法及其检测装置 | |
JP7481976B2 (ja) | 異常スコア算出装置、異常スコア算出方法およびプログラム | |
CN117235650B (zh) | 一种高空作业状态检测方法、装置、设备及介质 | |
JP5137805B2 (ja) | 検査システム及びその制御方法、コンピュータプログラム | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
CN109376689B (zh) | 人群分析方法及装置 | |
JP6499938B2 (ja) | 稼働データ分類装置 | |
CN115719428A (zh) | 基于分类模型的人脸图像聚类方法、装置、设备及介质 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN114964628A (zh) | 一种氨气泄漏混洗自注意力轻量化红外检测方法及系统 | |
US20210067381A1 (en) | Time-series data processing method, corresponding processing system, device and computer program product | |
JP2007199750A (ja) | 画素群パラメータ算出方法及び目標物検出方法並びに画素群パラメータ算出装置及び目標物検出装置 |
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 |