CN117292456B - 一种基于人工智能的数据分类维护监管系统及方法 - Google Patents

一种基于人工智能的数据分类维护监管系统及方法 Download PDF

Info

Publication number
CN117292456B
CN117292456B CN202311283354.7A CN202311283354A CN117292456B CN 117292456 B CN117292456 B CN 117292456B CN 202311283354 A CN202311283354 A CN 202311283354A CN 117292456 B CN117292456 B CN 117292456B
Authority
CN
China
Prior art keywords
fingerprint
images
punching
staff
image
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
Application number
CN202311283354.7A
Other languages
English (en)
Other versions
CN117292456A (zh
Inventor
张泉峰
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.)
Nanjing Lanzhi Information Technology Co ltd
Original Assignee
Nanjing Lanzhi Information Technology 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 Nanjing Lanzhi Information Technology Co ltd filed Critical Nanjing Lanzhi Information Technology Co ltd
Priority to CN202311283354.7A priority Critical patent/CN117292456B/zh
Publication of CN117292456A publication Critical patent/CN117292456A/zh
Application granted granted Critical
Publication of CN117292456B publication Critical patent/CN117292456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • 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
    • G06V40/50—Maintenance of biometric data or enrolment thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及数据处理技术领域，具体为一种基于人工智能的数据分类维护监管系统及方法，包括：设备信息采集模块、数据库、设备信息分析模块、替换目标筛选模块和设备维护管理模块，设备信息采集模块用于采集不同员工通过指纹识别设备进行打卡的历史信息和指纹识别信息，数据库用于存储采集到的全部数据，设备信息分析模块用于分析打卡历史信息，建立通过指纹识别设备进行打卡的打卡数据分析模型，替换目标筛选模块用于依据打卡数据分析模型筛选出需要替换用于匹配的指纹图像的目标，设备维护管理模块用于将目标的以往用于匹配的指纹图像进行替换，在一定程度上降低了指纹识别设备不必要的能耗，减少了员工因成功打卡延时导致迟到的现象。

Description

一种基于人工智能的数据分类维护监管系统及方法
技术领域
本发明涉及数据处理技术领域，具体为一种基于人工智能的数据分类维护监管系统及方法。
背景技术
随着时代的发展，企业员工上班时用于打卡的设备越来越智能，打卡方式也越来越多样，例如：指纹识别打卡方式和人脸识别打卡方式等，打卡设备的智能化为工作带来了很大的便利性，因此，对用于打卡的智能设备进行维护的必要性也越来越高，及时进行设备维护，能够减少因设备问题对工作上班造成的影响；
在利用指纹识别设备进行打卡时，部分员工可能会因指纹多次识别不上导致成功打上卡的时间延迟甚至上班迟到的问题，进行多次的无效打卡识别也在无形中增加了指纹识别设备不必要的能耗。
所以，人们需要一种基于人工智能的数据分类维护监管系统及方法来解决上述问题。
发明内容
本发明的目的在于提供一种基于人工智能的数据分类维护监管系统及方法，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：一种基于人工智能的数据分类维护监管系统，所述系统包括：设备信息采集模块、数据库、设备信息分析模块、替换目标筛选模块和设备维护管理模块；
所述设备信息采集模块的输出端连接所述数据库的输入端，所述数据库的输出端连接所述设备信息分析模块和设备维护管理模块的输入端，所述替换目标筛选模块的输出端连接所述设备维护管理模块的输入端；
所述设备信息采集模块用于采集不同员工通过指纹识别设备进行打卡的历史信息和指纹识别信息，将采集到的全部数据传输到所述数据库中；
所述数据库用于存储采集到的全部数据；
所述设备信息分析模块用于分析打卡历史信息，建立通过指纹识别设备进行打卡的打卡数据分析模型；
所述替换目标筛选模块用于依据打卡数据分析模型筛选出需要替换用于匹配的指纹图像的目标；
所述设备维护管理模块用于将目标的以往用于匹配的指纹图像进行替换。
进一步的，所述设备信息采集模块包括打卡信息采集单元、指纹图像采集单元和识别信息采集单元；
所述打卡信息采集单元、指纹图像采集单元和识别信息采集单元的输出端连接所述数据库的输入端；
所述打卡信息采集单元用于采集不同员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的间隔时长信息，并采集不同员工因进行不止一次打卡导致迟到的次数；
因进行不止一次打卡导致迟到指的是员工到达指纹识别设备前时还未迟到，但是因为指纹识别设备未能一次性识别到员工的指纹、员工经多次按压后才打卡成功且打卡成功时间超出了正常上班时间而导致的迟到现象；
所述指纹图像采集单元用于采集不同员工以往打卡时生成的指纹图像；
所述识别信息采集单元用于采集指纹识别设备以往每天在成功识别到不同员工指纹前，不同员工需要在指纹识别设备上的手指按压次数；
成功识别到员工指纹代表员工打卡成功。
进一步的，所述设备信息分析模块包括打卡识别信息调取单元和迟到概率分析单元；
所述打卡识别信息调取单元的输入端连接所述数据库的输出端，所述打卡识别信息调取单元的输出端连接所述迟到概率分析模型的输入端；
所述打卡识别信息调取单元用于调取间隔时长信息、迟到次数信息以及手指按压次数信息至所述迟到概率分析单元；
所述迟到概率分析单元用于分析员工以往打卡迟到的概率，建立通过指纹识别设备进行打卡的打卡数据分析模型。
进一步的，所述替换目标筛选模块包括数据比较单元和目标筛选单元；
所述数据比较单元的输入端连接所述迟到概率分析单元的输出端，所述数据比较单元的输出端连接所述目标筛选单元的输入端；
所述数据比较单元用于设置迟到概率阈值和手指按压次数阈值，将迟到概率阈值和手指按压次数阈值代入打卡数据分析模型中，得到间隔时长阈值，分析不同员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长，比较平均间隔时长和间隔时长阈值；
所述目标筛选单元用于筛选出平均间隔时长小于间隔时长阈值的员工作为需要替换指纹库中用于匹配的指纹图像的目标；
指纹库中用于匹配的指纹图像指的是指纹库中存储的与对应员工以往每次打卡时生成的指纹图像进行匹配的指纹图像。
进一步的，所述设备维护管理模块包括指纹图像分析单元和匹配指纹替换单元；
所述指纹图像分析单元的输入端连接所述目标筛选单元和数据库的输出端，所述指纹图像分析单元的输出端连接所述匹配指纹替换单元的输入端；
所述指纹图像分析单元用于将不同目标以往进行打卡时生成的指纹图像进行分类，同一个目标生成的指纹图像归为一类，分析随机一个目标以往进行打卡时生成的指纹图像，提取每一个指纹图像，分析剩余指纹图像与提取的指纹图像的相似系数，设置相似系数阈值，统计与提取的每一个指纹图像的相似系数高于阈值的图像数量；
所述匹配指纹替换单元用于比较与每一个指纹图像相似系数高于阈值的图像数量，选择与之相似系数高于阈值的图像数量最多的指纹图像作为替换指纹图像，将指纹库中以往默认设置的对应目标的用于匹配的指纹图像替换为替换指纹图像。
一种基于人工智能的数据分类维护监管方法，包括以下步骤：
S1：采集不同员工通过指纹识别设备进行打卡的历史信息和指纹识别信息；
S2：分析打卡历史信息，建立通过指纹识别设备进行打卡的打卡数据分析模型；
S3：依据打卡数据分析模型筛选出需要替换用于匹配的指纹图像的目标；
S4：将目标的以往用于匹配的指纹图像进行替换。
进一步的，在步骤S1中：采集到不同员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长集合为t＝{t1，t2，...，tn}，采集到不同员工因进行不止一次打卡导致迟到的次数集合为U＝{U1，U2，...，Un}，员工上班天数集合为V＝{V1，V2，...，Vn}，其中，n表示员工数量，采集不同员工以往打卡时生成的指纹图像，采集指纹识别设备以往每天在成功识别到员工指纹前，不同员工需要在指纹识别设备上的手指按压次数，统计到n个员工的手指按压平均次数集合W＝{W1，W2，...，Wn}。
进一步的，在步骤S2中：根据公式计算随机一个员工因进行不止一次打卡导致迟到的概率Pi，得到n个员工因进行不止一次打卡导致迟到的概率集合为P＝{P1，P2，...，Pn}，生成训练样本数据为{(t1，W1，P1)，(t2，W2，P2)，...，(tn，Wn，Pn)}，其中，Ui表示随机一个员工因进行不止一次打卡导致迟到的次数，Vi表示随机一个员工的上班天数，将训练样本数据进行拟合，建立打卡数据分析模型：Z＝γ1*X+γ2*Y+K，其中，γ1、γ2和K表示拟合系数，X和Y表示模型的自变量，Z表示模型的因变量，根据下列公式分别求解γ1、γ2和K：
其中，ti表示随机一个员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长，Wi表示以往在成功识别到员工指纹前，随机一个员工需要在指纹识别设备上的手指按压平均次数；
通过大数据技术采集员工以往通过指纹识别设备进行打卡的历史信息，分析员工因进行不止一次打卡导致迟到的概率，除此之外，考虑到员工开始进行指纹识别的时间，即到达公司的时间以及打卡成功前的手指按压次数会对概率产生影响，结合概率、时间和次数这三个参数生成训练样本，依据训练样本建立打卡数据分析模型，目的在于判断在迟到概率和手指按压次数达到一定程度时，员工通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长为多少时，大概率会导致迟到，筛选出对应员工作为需要替换指纹库中用于匹配的指纹图像的目标，依据由历史数据训练生成的模型来进行筛选，提高了目标筛选结果的准确性和合理性。
进一步的，在步骤S3中：设置迟到概率阈值为P阈，手指按压次数阈值为w，将P阈和w代入打卡数据分析模型中：令Z＝P阈、Y＝w，得到间隔时长阈值为T，比较ti和T：若ti<T，将ti对应的员工作为需要替换指纹库中用于匹配的指纹图像的目标；若ti≥T，则不作为目标，比较n个员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长和T，筛选出所有需要替换指纹库中用于匹配的指纹图像的目标。
进一步的，在步骤S4中：调取目标以往打卡时生成的指纹图像，将筛选出的目标以往进行打卡时生成的指纹图像进行分类，同一个目标生成的指纹图像归为一类，统计到随机一类指纹图像数量为m，m个图像尺寸相同，在m个图像上设置相同的等间距采样点，相邻两个采样点间距为d，利用OpenCV技术提取m个指纹图像的轮廓，从同一类图像中提取出随机一个图像，将剩余的m-1个图像一一与提取出的图像进行重合叠加，根据下列公式计算提取出的图像与同一类中剩余的随机一个图像的相似系数Rj：
其中，A表示提取出的图像的轮廓区域，B表示剩余的随机一个图像的轮廓区域，NA∩B表示同时落入区域A和B的采样点数量，NA∩B表示落入区域A或B的采样点数量，得到剩余m-1和图像与提取出的图像的相似系数集合为R＝{R1，R2，...，Rj，...，Rm-1}，设置相似系数阈值为Q，统计到m-1个图像中与提取出的图像相似系数高于Q的图像数量为Fe，一一提取m个图像，统计到提取每个图像后剩余图像与提取出的图像相似系数高于Q的图像数量集合为F＝{F1，F2，...，Fm}，比较图像数量，选择剩余图像与之相似系数高于Q的图像数量最多的提取出来的指纹图像作为替换指纹图像，将指纹库中以往默认设置的对应目标的用于匹配的指纹图像替换为替换指纹图像；
从目标以往打卡时生成的指纹图像中选择替换的图像，并选择生成的指纹图像中有多数与之相似的图像作为替换指纹图像，将原先指纹库中用于识别匹配的指纹图像进行替换，有利于提高替换图像后识别出目标指纹的概率，减少了后期指纹识别设备无效识别目标指纹的次数，降低了指纹识别设备的能耗，同时减少了员工因成功打卡延时导致迟到的现象。
与现有技术相比，本发明所达到的有益效果是：
本发明通过通过大数据技术采集员工以往通过指纹识别设备进行打卡的历史信息，分析员工因进行不止一次打卡导致迟到的概率，除此之外，考虑到员工开始进行指纹识别的时间，即到达公司的时间以及打卡成功前的手指按压次数会对概率产生影响，结合概率、时间和次数这三个参数生成训练样本，依据训练样本建立打卡数据分析模型，目的在于判断在迟到概率和手指按压次数达到一定程度时，员工通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长为多少时，大概率会导致迟到，筛选出对应员工作为需要替换指纹库中用于匹配的指纹图像的目标，依据由历史数据训练生成的模型来进行筛选，提高了目标筛选结果的准确性和合理性；
从目标以往打卡时生成的指纹图像中选择替换的图像，并选择生成的指纹图像中有多数与之相似的图像作为替换指纹图像，将原先指纹库中用于识别匹配的指纹图像进行替换，有利于提高替换图像后识别出目标指纹的概率，减少了后期指纹识别设备无效识别目标指纹的次数，降低了指纹识别设备的能耗，同时减少了员工因成功打卡延时导致迟到的现象。
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是本发明一种基于人工智能的数据分类维护监管系统的结构图；
图2是本发明一种基于人工智能的数据分类维护监管方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面结合图1-图2和具体实施例对本发明作进一步的说明。
实施例一：
如图1所示，本实施例提供了一种基于人工智能的数据分类维护监管系统，系统包括：设备信息采集模块、数据库、设备信息分析模块、替换目标筛选模块和设备维护管理模块，设备信息采集模块用于采集不同员工通过指纹识别设备进行打卡的历史信息和指纹识别信息，将采集到的全部数据传输到数据库中，数据库用于存储采集到的全部数据，设备信息分析模块用于分析打卡历史信息，建立通过指纹识别设备进行打卡的打卡数据分析模型，替换目标筛选模块用于依据打卡数据分析模型筛选出需要替换用于匹配的指纹图像的目标，设备维护管理模块用于将目标的以往用于匹配的指纹图像进行替换。
设备信息采集模块包括打卡信息采集单元、指纹图像采集单元和识别信息采集单元，打卡信息采集单元用于采集不同员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的间隔时长信息，并采集不同员工因进行不止一次打卡导致迟到的次数，指纹图像采集单元用于采集不同员工以往打卡时生成的指纹图像，识别信息采集单元用于采集指纹识别设备以往每天在成功识别到不同员工指纹前，不同员工需要在指纹识别设备上的手指按压次数。
设备信息分析模块包括打卡识别信息调取单元和迟到概率分析单元，打卡识别信息调取单元用于调取间隔时长信息、迟到次数信息以及手指按压次数信息至迟到概率分析单元，迟到概率分析单元用于分析员工以往打卡迟到的概率，建立通过指纹识别设备进行打卡的打卡数据分析模型。
替换目标筛选模块包括数据比较单元和目标筛选单元，数据比较单元用于设置迟到概率阈值和手指按压次数阈值，将迟到概率阈值和手指按压次数阈值代入打卡数据分析模型中，得到间隔时长阈值，分析不同员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长，比较平均间隔时长和间隔时长阈值，目标筛选单元用于筛选出平均间隔时长小于间隔时长阈值的员工作为需要替换指纹库中用于匹配的指纹图像的目标。
设备维护管理模块包括指纹图像分析单元和匹配指纹替换单元，指纹图像分析单元用于将不同目标以往进行打卡时生成的指纹图像进行分类，同一个目标生成的指纹图像归为一类，分析随机一个目标以往进行打卡时生成的指纹图像，提取每一个指纹图像，分析剩余指纹图像与提取的指纹图像的相似系数，设置相似系数阈值，统计与提取的每一个指纹图像的相似系数高于阈值的图像数量，匹配指纹替换单元用于比较与每一个指纹图像相似系数高于阈值的图像数量，选择与之相似系数高于阈值的图像数量最多的指纹图像作为替换指纹图像，将指纹库中以往默认设置的对应目标的用于匹配的指纹图像替换为替换指纹图像。
实施例二：
如图2所示，本实施例提供了一种基于人工智能的数据分类维护监管方法，其基于实施例中的监管系统实现，具体包括以下步骤：
S1：采集不同员工通过指纹识别设备进行打卡的历史信息和指纹识别信息，采集到不同员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长集合为t＝{t1，t2，...，tn}，采集到不同员工因进行不止一次打卡导致迟到的次数集合为U＝{U1，U2，...，Un}，员工上班天数集合为V＝{V1，V2，...，Vn}，其中，n表示员工数量，采集不同员工以往打卡时生成的指纹图像，采集指纹识别设备以往每天在成功识别到员工指纹前，不同员工需要在指纹识别设备上的手指按压次数，统计到n个员工的手指按压平均次数集合W＝{W1，W2，...，Wn}；
S2：分析打卡历史信息，建立通过指纹识别设备进行打卡的打卡数据分析模型，根据公式计算随机一个员工因进行不止一次打卡导致迟到的概率Pi，得到n个员工因进行不止一次打卡导致迟到的概率集合为P＝{P1，P2，...，Pn}，生成训练样本数据为{(t1，W1，P1)，(t2，W2，P2)，...，(tn，Wn，Pn)}，其中，Ui表示随机一个员工因进行不止一次打卡导致迟到的次数，Vi表示随机一个员工的上班天数，将训练样本数据进行拟合，建立打卡数据分析模型：Z＝γ1*X+γ2*Y+K，其中，γ1、γ2和K表示拟合系数，X和Y表示模型的自变量，Z表示模型的因变量，根据下列公式分别求解γ1、γ2和K：
其中，ti表示随机一个员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长，Wi表示以往在成功识别到员工指纹前，随机一个员工需要在指纹识别设备上的手指按压平均次数；
S3：依据打卡数据分析模型筛选出需要替换用于匹配的指纹图像的目标，设置迟到概率阈值为P阈，手指按压次数阈值为w，将P阈和w代入打卡数据分析模型中：令Z＝P阈、Y＝w，得到间隔时长阈值为T，比较ti和T：若ti<T，将ti对应的员工作为需要替换指纹库中用于匹配的指纹图像的目标；若ti≥T，则不作为目标，比较n个员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长和T，筛选出所有需要替换指纹库中用于匹配的指纹图像的目标；
S4：将目标的以往用于匹配的指纹图像进行替换，调取目标以往打卡时生成的指纹图像，将筛选出的目标以往进行打卡时生成的指纹图像进行分类，同一个目标生成的指纹图像归为一类，统计到随机一类指纹图像数量为m，m个图像尺寸相同，在m个图像上设置相同的等间距采样点，相邻两个采样点间距为d，利用OpenCV技术提取m个指纹图像的轮廓，从同一类图像中提取出随机一个图像，将剩余的m-1个图像一一与提取出的图像进行重合叠加，根据下列公式计算提取出的图像与同一类中剩余的随机一个图像的相似系数Rj：
其中，A表示提取出的图像的轮廓区域，B表示剩余的随机一个图像的轮廓区域，NA∩B表示同时落入区域A和B的采样点数量，NA∩B表示落入区域A或B的采样点数量，得到剩余m-1和图像与提取出的图像的相似系数集合为R＝{R1，R2，...，Rj，...，Rm-1}，设置相似系数阈值为Q，统计到m-1个图像中与提取出的图像相似系数高于Q的图像数量为Fe，一一提取m个图像，统计到提取每个图像后剩余图像与提取出的图像相似系数高于Q的图像数量集合为F＝{F1，F2，...，Fm}，比较图像数量，选择剩余图像与之相似系数高于Q的图像数量最多的提取出来的指纹图像作为替换指纹图像，将指纹库中以往默认设置的对应目标的用于匹配的指纹图像替换为替换指纹图像。
最后应说明的是：以上所述仅为本发明的优选实例而已，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 (6)

1.一种基于人工智能的数据分类维护监管系统，其特征在于：所述系统包括：设备信息采集模块、数据库、设备信息分析模块、替换目标筛选模块和设备维护管理模块；
所述设备信息采集模块的输出端连接所述数据库的输入端，所述数据库的输出端连接所述设备信息分析模块和设备维护管理模块的输入端，所述替换目标筛选模块的输出端连接所述设备维护管理模块的输入端；
所述设备信息采集模块用于采集不同员工通过指纹识别设备进行打卡的历史信息和指纹识别信息，将采集到的全部数据传输到所述数据库中；
所述数据库用于存储采集到的全部数据；
所述设备信息分析模块用于分析打卡历史信息，建立通过指纹识别设备进行打卡的打卡数据分析模型；
所述替换目标筛选模块用于依据打卡数据分析模型筛选出需要替换用于匹配的指纹图像的目标；
所述设备维护管理模块用于将目标的以往用于匹配的指纹图像进行替换；
所述设备信息分析模块包括打卡识别信息调取单元和迟到概率分析单元；
所述打卡识别信息调取单元的输入端连接所述数据库的输出端，所述打卡识别信息调取单元的输出端连接所述迟到概率分析模型的输入端；
所述打卡识别信息调取单元用于调取间隔时长信息、迟到次数信息以及手指按压次数信息至所述迟到概率分析单元；
所述迟到概率分析单元用于分析员工以往打卡迟到的概率，建立通过指纹识别设备进行打卡的打卡数据分析模型；
所述替换目标筛选模块包括数据比较单元和目标筛选单元；
所述数据比较单元的输入端连接所述迟到概率分析单元的输出端，所述数据比较单元的输出端连接所述目标筛选单元的输入端；
所述数据比较单元用于设置迟到概率阈值和手指按压次数阈值，将迟到概率阈值和手指按压次数阈值代入打卡数据分析模型中，得到间隔时长阈值，分析不同员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长，比较平均间隔时长和间隔时长阈值；
所述目标筛选单元用于筛选出平均间隔时长小于间隔时长阈值的员工作为需要替换指纹库中用于匹配的指纹图像的目标。
2.根据权利要求1所述的一种基于人工智能的数据分类维护监管系统，其特征在于：所述设备信息采集模块包括打卡信息采集单元、指纹图像采集单元和识别信息采集单元；
所述打卡信息采集单元、指纹图像采集单元和识别信息采集单元的输出端连接所述数据库的输入端；
所述打卡信息采集单元用于采集不同员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的间隔时长信息，并采集不同员工因进行不止一次打卡导致迟到的次数；
所述指纹图像采集单元用于采集不同员工以往打卡时生成的指纹图像；
所述识别信息采集单元用于采集指纹识别设备以往每天在成功识别到不同员工指纹前，不同员工需要在指纹识别设备上的手指按压次数。
3.根据权利要求1所述的一种基于人工智能的数据分类维护监管系统，其特征在于：所述设备维护管理模块包括指纹图像分析单元和匹配指纹替换单元；
所述指纹图像分析单元的输入端连接所述目标筛选单元和数据库的输出端，所述指纹图像分析单元的输出端连接所述匹配指纹替换单元的输入端；
所述指纹图像分析单元用于将不同目标以往进行打卡时生成的指纹图像进行分类，同一个目标生成的指纹图像归为一类，分析随机一个目标以往进行打卡时生成的指纹图像，提取每一个指纹图像，分析剩余指纹图像与提取的指纹图像的相似系数，设置相似系数阈值，统计与提取的每一个指纹图像的相似系数高于阈值的图像数量；
所述匹配指纹替换单元用于比较与每一个指纹图像相似系数高于阈值的图像数量，选择与之相似系数高于阈值的图像数量最多的指纹图像作为替换指纹图像，将指纹库中以往默认设置的对应目标的用于匹配的指纹图像替换为替换指纹图像。
4.一种基于人工智能的数据分类维护监管方法，其特征在于：包括以下步骤：
S1：采集不同员工通过指纹识别设备进行打卡的历史信息和指纹识别信息；
S2：分析打卡历史信息，建立通过指纹识别设备进行打卡的打卡数据分析模型；
S3：依据打卡数据分析模型筛选出需要替换用于匹配的指纹图像的目标；
S4：将目标的以往用于匹配的指纹图像进行替换；
在步骤S1中：采集到不同员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长集合为t＝{t1，t2，...，tn}，采集到不同员工因进行不止一次打卡导致迟到的次数集合为U＝{U1，U2，...，Un}，员工上班天数集合为V＝{V1，V2，...，Vn}，其中，n表示员工数量，采集不同员工以往打卡时生成的指纹图像，采集指纹识别设备以往每天在成功识别到员工指纹前，不同员工需要在指纹识别设备上的手指按压次数，统计到n个员工的手指按压平均次数集合W＝{W1，W2，...，Wn}；
在步骤S2中：根据公式计算随机一个员工因进行不止一次打卡导致迟到的概率Pi，得到n个员工因进行不止一次打卡导致迟到的概率集合为P＝{P1，P2，...，Pn}，生成训练样本数据为{(t1，W1，P1)，(t2，W2，P2)，...，(tn，Wn，Pn)}，其中，Ui表示随机一个员工因进行不止一次打卡导致迟到的次数，Vi表示随机一个员工的上班天数，将训练样本数据进行拟合，建立打卡数据分析模型：Z＝γ1*X+γ2*Y+K，其中，γ1、γ2和K表示拟合系数，X和Y表示模型的自变量，Z表示模型的因变量，根据下列公式分别求解γ1、γ2和K：
其中，ti表示随机一个员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长，Wi表示以往在成功识别到员工指纹前，随机一个员工需要在指纹识别设备上的手指按压平均次数。
5.根据权利要求4所述的一种基于人工智能的数据分类维护监管方法，其特征在于：在步骤S3中：设置迟到概率阈值为P阈，手指按压次数阈值为w，将P阈和w代入打卡数据分析模型中：令Z＝P阈、Y＝w，得到间隔时长阈值为T，比较ti和T：若ti<T，将ti对应的员工作为需要替换指纹库中用于匹配的指纹图像的目标；若ti≥T，则不作为目标，比较n个员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长和T，筛选出所有需要替换指纹库中用于匹配的指纹图像的目标。
6.根据权利要求4所述的一种基于人工智能的数据分类维护监管方法，其特征在于：在步骤S4中：调取目标以往打卡时生成的指纹图像，将筛选出的目标以往进行打卡时生成的指纹图像进行分类，同一个目标生成的指纹图像归为一类，统计到随机一类指纹图像数量为m，m个图像尺寸相同，在m个图像上设置相同的等间距采样点，相邻两个采样点间距为d，利用OpenCV技术提取m个指纹图像的轮廓，从同一类图像中提取出随机一个图像，将剩余的m-1个图像一一与提取出的图像进行重合叠加，根据下列公式计算提取出的图像与同一类中剩余的随机一个图像的相似系数Rj：
其中，A表示提取出的图像的轮廓区域，B表示剩余的随机一个图像的轮廓区域，NA∩B表示同时落入区域A和B的采样点数量，NA∪B表示落入区域A或B的采样点数量，得到剩余m-1和图像与提取出的图像的相似系数集合为R＝{R1，R2，...，Rj，...，Rm-1}，设置相似系数阈值为Q，统计到m-1个图像中与提取出的图像相似系数高于Q的图像数量为Fe，一一提取m个图像，统计到提取每个图像后剩余图像与提取出的图像相似系数高于Q的图像数量集合为F＝{F1，F2，...，Fm}，比较图像数量，选择剩余图像与之相似系数高于Q的图像数量最多的提取出来的指纹图像作为替换指纹图像，将指纹库中以往默认设置的对应目标的用于匹配的指纹图像替换为替换指纹图像。
CN202311283354.7A 2023-10-07 2023-10-07 一种基于人工智能的数据分类维护监管系统及方法 Active CN117292456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311283354.7A CN117292456B (zh) 2023-10-07 2023-10-07 一种基于人工智能的数据分类维护监管系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311283354.7A CN117292456B (zh) 2023-10-07 2023-10-07 一种基于人工智能的数据分类维护监管系统及方法

Publications (2)

Publication Number Publication Date
CN117292456A CN117292456A (zh) 2023-12-26
CN117292456B true CN117292456B (zh) 2024-04-02

Family

ID=89258354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311283354.7A Active CN117292456B (zh) 2023-10-07 2023-10-07 一种基于人工智能的数据分类维护监管系统及方法

Country Status (1)

Country Link
CN (1) CN117292456B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206271061U (zh) * 2016-12-19 2017-06-20 广州市厚通信息科技有限公司 一种智能指纹考勤门禁机
CN108399658A (zh) * 2018-03-15 2018-08-14 广州松榛企业管理有限公司 一种用于企业管理的智能考勤系统
CN109559399A (zh) * 2018-12-18 2019-04-02 深圳市致善科技有限公司 用户签到方法、系统及存储介质和终端设备
CN114882605A (zh) * 2022-03-28 2022-08-09 无锡蓝鲨信息科技有限公司 一种基于互联网的智慧考勤管理系统及方法
CN114973436A (zh) * 2021-12-23 2022-08-30 广东轻工职业技术学院 考勤方法、装置、智能考勤终端及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778457A (zh) * 2015-12-11 2017-05-31 深圳市汇顶科技股份有限公司 可提高指纹识别率的指纹识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206271061U (zh) * 2016-12-19 2017-06-20 广州市厚通信息科技有限公司 一种智能指纹考勤门禁机
CN108399658A (zh) * 2018-03-15 2018-08-14 广州松榛企业管理有限公司 一种用于企业管理的智能考勤系统
CN109559399A (zh) * 2018-12-18 2019-04-02 深圳市致善科技有限公司 用户签到方法、系统及存储介质和终端设备
CN114973436A (zh) * 2021-12-23 2022-08-30 广东轻工职业技术学院 考勤方法、装置、智能考勤终端及存储介质
CN114882605A (zh) * 2022-03-28 2022-08-09 无锡蓝鲨信息科技有限公司 一种基于互联网的智慧考勤管理系统及方法

Also Published As

Publication number Publication date
CN117292456A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
US11900598B2 (en) System and method of classification of biological particles
CN112367273B (zh) 基于知识蒸馏的深度神经网络模型的流量分类方法及装置
CN110929032B (zh) 一种软件系统的用户需求处理系统及处理方法
CN112241687A (zh) 一种具有陌生人脸库功能的人脸识别方法及系统
CN111882034A (zh) 神经网络处理及人脸识别方法、装置、设备和存储介质
CN117292456B (zh) 一种基于人工智能的数据分类维护监管系统及方法
CN112434049A (zh) 表格数据存储方法、装置、存储介质及电子装置
CN111800428A (zh) 一种数字会议参与实时统计方法及系统
CN111723742A (zh) 一种人群密度分析方法、系统、装置及计算机可读存储介质
CN115830732A (zh) 一种基于大数据分析的考勤方法和系统
Khavalko et al. Classification and Recognition of Medical Images Based on the SGTM Neuroparadigm.
CN113343004B (zh) 对象的识别方法和装置、存储介质及电子装置
CN108460119A (zh) 一种使用机器学习提升技术支持效率的系统
CN114612897A (zh) 一种智能果蔬称重打票方法、装置、电子设备及存储介质
CN114267037A (zh) 一种利用ocr图片识别技术归档归类病历检验检查报告
CN110321442B (zh) 一种基于人脸抓拍名单库管理系统及方法
CN112733738A (zh) 一种用于人脸识别数据比对的方法
CN113128452A (zh) 一种基于图像识别的绿化满意度采集方法和系统
CN113095064A (zh) 代码字段识别方法、装置、电子设备及存储介质
CN117131244B (zh) 一种新型分布式大数据筛选过滤系统
CN112633037A (zh) 一种对象监测方法、装置、存储介质及电子设备
Kelley et al. Honey sources: neural network approach to bee species classification
CN114866487B (zh) 一种海量电网调度数据采集与存储系统
CN115471902B (zh) 基于智慧校园的人脸识别防护方法及系统
CN116071558A (zh) 一种处理方法、装置和电子设备

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