CN117421688B - 基于机器学习的智能预警方法、装置、设备及介质 - Google Patents
基于机器学习的智能预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117421688B CN117421688B CN202311736884.2A CN202311736884A CN117421688B CN 117421688 B CN117421688 B CN 117421688B CN 202311736884 A CN202311736884 A CN 202311736884A CN 117421688 B CN117421688 B CN 117421688B
- Authority
- CN
- China
- Prior art keywords
- information
- determining
- abnormality
- machine learning
- anomaly
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 74
- 238000001514 detection method Methods 0.000 claims abstract description 72
- 230000005684 electric field Effects 0.000 claims abstract description 63
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000005856 abnormality Effects 0.000 claims description 88
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 abstract description 20
- 230000005611 electricity Effects 0.000 abstract description 16
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/12—Measuring electrostatic fields or voltage-potential
- G01R29/14—Measuring field distribution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种基于机器学习的智能预警方法、装置、设备及介质,应用于智能预警技术领域,其方法包括:获取检测数据以及视频数据,所述检测数据为检测设备检测的电荷数据,所述视频数据为检测区域的监控视频数据;基于有限元软件构建检测区域的三维模型;基于所述检测数据以及所述三维模型确定电场分布;基于机器学习模型、所述视频数据以及所述电场分布确定异常信息;基于所述异常信息进行预警。本申请具有减小工作人员携带静电进入电子生产车间的可能性的效果。
Description
技术领域
本申请涉及智能预警的技术领域,尤其是涉及一种基于机器学习的智能预警方法、装置、设备及介质。
背景技术
随着电子技术的快速发展和应用,对电子生产车间生产的电子产品质量要求越来越高,静电对电子产品的生产质量有很大的影响,容易造成产品质量不稳、接触不良等问题,因此,在工作人员进入电子生产车间之前,需要确保穿戴好防静电装备,以避免工作人员携带静电进入电子生产车间。
目前在工作人员进入电子生产车间时,通常是人工对工作人员防静电装备的穿戴情况进行检查,然而人工检查的准确性较低,无法减小工作人员携带静电进入电子生产车间的可能性。
发明内容
为了减小工作人员携带静电进入电子生产车间的可能性,本申请提供一种基于机器学习的智能预警方法、装置、设备及介质。
第一方面,本申请提供一种基于机器学习的智能预警方法,采用如下的技术方案:
一种基于机器学习的智能预警方法,包括:
获取检测数据以及视频数据,所述检测数据为检测设备检测的电荷数据,所述视频数据为检测区域的监控视频数据;
基于有限元软件构建检测区域的三维模型;
基于所述检测数据以及所述三维模型确定电场分布;
基于机器学习模型、所述视频数据以及所述电场分布确定异常信息;
基于所述异常信息进行预警。
通过采用上述技术方案,根据有限元软件构建检测区域的三维模型,并将三维模型以及检测数据通过有限元软件进行结合,从而得到检测区域的电场分布,并通过机器学习模型、视频数据以及电场分布共同确定异常信息,提高了异常信息的准确性,根据该异常信息进行预警,使得工作人员可以及时进行调整,减小了工作人员携带静电进入电子生产车间的可能性。
可选的,所述基于机器学习模型、所述视频数据以及所述电场分布确定异常信息,包括:
基于所述电场分布确定电荷位置;
基于所述视频数据以及所述电荷位置确定第一图像,所述第一图像为所述包括所述电荷位置的图像帧;
基于所述机器学习模型对所述第一图像进行识别,得到异常信息。
通过采用上述技术方案,根据电场分布确定电荷位置,根据电荷位置以及视频数据确定第一图像,通过机器学习模型对第一图像进行识别,得到异常信息,使得异常信息更加准确,即提高了检测的准确性。
可选的,所述基于所述机器学习模型对所述第一图像进行识别,包括:
基于图像识别对所述第一图像进行识别,得到异常类型,所述异常类型包括人为异常;
若所述异常类型为所述人为异常,则基于所述机器学习模型对所述第一图像进行识别。
通过采用上述技术方案,当异常类型为人为异常时,才需要根据机器学习模型对第一图像进行识别,提高了检测的效率。
可选的,所述异常类型包括设备异常,所述方法还包括:
若所述异常类型为所述设备异常,则基于所述电场分布确定电场强度;
基于所述三维模型以及所述电荷位置确定设备信息;
基于所述设备信息以及所述电场强度信息确定所述异常信息。
通过采用上述技术方案,当异常类型为设备异常时,根据电场分布确定电场强度,并根据三维模型以及电荷位置确定该位置的设备信息,根据设备信息以及电场强度确定异常信息,不仅可以检测人工带来的异常,还可以检测设备造成的异常,提高了检测的准确性。
可选的,所述基于所述机器学习模型对所述第一图像进行识别,得到异常信息,包括:
将所述第一图像通过所述机器学习模型进行识别,确定人脸信息以及装备穿戴情况;
基于所述人脸信息确定员工信息;
基于所述装备穿戴情况以及所述员工信息确定异常信息。
通过采用上述技术方案,通过机器学习模型对第一图像进行识别,确定人脸信息以及设备穿戴情况,根据人脸信息确定员工信息,将员工信息以及设备穿戴情况的对应关系确定为异常信息,通过机器学习模型确定异常信息提高了异常信息的准确性。
可选的,所述基于所述装备穿戴情况以及所述员工信息确定异常信息,包括:
基于所述电场分布确定异常部位;
基于所述异常部位以及所述装备穿戴情况确定异常原因;
基于所述异常原因以及所述员工信息确定异常信息。
通过采用上述技术方案,根据异常部位以及装备穿戴情况确定异常原因,根据异常原因确定异常信息,使得工作人员可以更加详细的了解异常情况,从而可以更加快速的进行调整。
可选的,在基于所述异常信息进行预警之后,所述方法还包括:
获取历史异常信息;
基于所述异常类型以及所述历史异常信息确定第一历史异常信息,所述第一历史异常信息为所述异常类型为所述人为异常的所述历史异常信息;
根据员工信息对所述第一历史异常信息进行划分,得到至少一个组合,每个所述组合中的所述第一历史异常信息对应相同的所述员工信息;
基于每个所述组合中的所述第一历史异常信息的数量确定对应的员工等级。
通过采用上述技术方案,根据历史异常信息确定员工等级,从而可以根据员工等级更加方便的了解员工平时的装备穿戴情况。
第二方面,本申请提供一种基于机器学习的智能预警装置,采用如下的技术方案:
一种基于机器学习的智能预警装置,包括:
数据模块,用于获取检测数据以及视频数据,所述检测数据为检测设备检测的电荷数据,所述视频数据为检测区域的监控视频数据;
模型构建模块,用于基于有限元软件构建检测区域的三维模型;
电场确定模块,用于基于所述检测数据以及所述三维模型确定电场分布;
异常确定模块,用于基于机器学习模型、所述视频数据以及所述电场分布确定异常信息;
异常预警模块,用于基于所述异常信息进行预警。
通过采用上述技术方案,根据有限元软件构建检测区域的三维模型,并将三维模型以及检测数据通过有限元软件进行结合,从而得到检测区域的电场分布,并通过机器学习模型、视频数据以及电场分布共同确定异常信息,提高了异常信息的准确性,根据该异常信息进行预警,使得工作人员可以及时进行调整,减小了工作人员携带静电进入电子生产车间的可能性。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,包括处理器,所述处理器与存储器耦合;
所述存储器上存储有能够被处理器加载并执行第一方面任一项所述的基于机器学习的智能预警方法的计算机程序。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,存储有能够被处理器加载并执行第一方面任一项所述的基于机器学习的智能预警方法的计算机程序。
附图说明
图1是本申请实施例提供的一种基于机器学习的智能预警方法的流程示意图。
图2是本申请实施例提供的一种基于机器学习的智能预警装置的结构框图。
图3是本申请实施例提供的电子设备的结构框图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本申请实施例提供一种基于机器学习的智能预警方法,该基于机器学习的智能预警方法可由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、台式计算机等,但并不局限于此。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
如图1所示,一种基于机器学习的智能预警方法,该方法主要流程描述如下(步骤S101~S105):
步骤S101、获取检测数据以及视频数据。
其中,检测数据为检测设备检测的电荷数据,视频数据为检测区域的监控视频数据,检测区域即为静电检测通道。
为了减小进入电子生产车间的工作人员携带静电的可能性,在电子生产车间入口处,设置有静电检测通道,用于检测工作人员是否携带静电,只有不携带静电的工作人员才可进入车间,在静电检测通道处设置有用于检测电荷的检测设备,检测设备可以为电荷传感器,也可以为其他用于检测电荷的设备,此处不做具体限定,从检测设备处获取检测数据,即静电检测通道处的电荷数据,获取频率可以为只有当工作人员通过时获取,也可以为当工作人员通过时获取,同时每隔预设时间间隔获取,第二种获取频率不仅可以检测工作人员是否携带静电,还可以用于检测静电检测通道本身是否存在漏电或者形成感应电场的情况,其中,预设时间间隔可以为1天,也可以为2天,此处不做具体限定。
在静电检测通道处还设置有监控设备,用于拍摄静电检测通道处的监控视频,即可以从监控设备处获取视频数据。
步骤S102、基于有限元软件构建检测区域的三维模型。
从数据库中或者从管理人员处获取静电检测通道的物理参数,将物理参数通过有限元软件构建静电检测通道即检测区域的三维模型,其中,有限元软件可以为LUSAS,也可以为ANSYS,还可以为MSC.Nastran。
步骤S103、基于检测数据以及三维模型确定电场分布。
将检测数据通过有限元软件得到电场分布情况,并将电场分布情况与三维模型进行结合,形成检测区域的三维电场分布模型。
步骤S104、基于机器学习模型、视频数据以及电场分布确定异常信息。
具体地,基于机器学习模型、视频数据以及电场分布确定异常信息,包括:基于电场分布确定电荷位置;基于视频数据以及电荷位置确定第一图像,第一图像为包括电荷位置的图像帧;基于机器学习模型对第一图像进行识别,得到异常信息。
在本实施例中,从电场分布的三维电场分布模型中确定出电荷所在的位置,即电荷位置,从数据库中获取监控设备与拍摄区域之间的对应关系,确定出能够拍摄到电荷位置的监控设备,并从视频数据中查找该监控设备对应的视频数据确定为第一视频数据,将获取检测数据的时刻确定为第一时刻,截取第一视频数据中第一时刻对应的图像帧作为第一图像,通过机器学习模型对第一图像进行图像识别,得到异常信息,其中,机器学习模型可以为卷积神经网络模型,还可以为MLP-Mixer模型,此处不做具体限定,异常信息包括异常类型,异常类型包括人为异常以及设备异常。
具体地,基于机器学习模型对第一图像进行识别,包括:基于图像识别对第一图像进行识别,得到异常类型,异常类型包括人为异常;若异常类型为人为异常,则基于机器学习模型对第一图像进行识别。
在本实施例中,根据图像识别技术对第一图像进行识别,识别第一图像中是否存在人员,若第一图像中存在人员,则异常类型为人为异常,否则异常类型为设备异常,只有当异常类型为人为异常时,才会通过机器学习模型对第一图像进行深度识别,通过图像识别只是简单的识别第一图像中是否存在人员,机器学习模型是深度学习模型,可以识别人员的装备穿戴情况,是通过大量的样本数据训练得到的模型。
具体地,异常类型包括设备异常,方法还包括:若异常类型为设备异常,则基于电场分布确定电场强度;基于三维模型以及电荷位置确定设备信息;基于设备信息以及电场强度信息确定异常信息。
在本实施例中,如果异常类型为设备异常,即第一图像中不存在人员,则通过展示电场分布的三维电场分布模型确定出检测区域的电场强度,并且根据电荷位置从三维模型中确定出该位置对应的设备信息,异常信息为设备信息以及电场强度的对应关系,便于维修人员能够根据异常信息对异常的情况有初步了解,从而选择合适的维修方法。
具体地,基于机器学习模型对第一图像进行识别,得到异常信息,包括:将第一图像通过机器学习模型进行识别,确定人脸信息以及装备穿戴情况;基于人脸信息确定员工信息;基于装备穿戴情况以及员工信息确定异常信息。
在本实施例中,若异常类型为人为异常,即静电检测通道处存在人员,异常是由于工作人员引起的,即工作人员携带静电,此时还不符合进入电子生产车间的要求,将第一图像通过机器学习模型进行识别,得到人脸信息以及装备穿戴情况,装备穿戴情况包括完整穿戴整套防静电装备以及未完整穿戴整套防静电装备,未完整穿戴整套防静电装备包括但不限于未穿防静电服、未佩戴防静电口罩以及未穿防静电鞋,还可以包括几种未穿戴情况的组合,例如:未佩戴防静电口罩以及未穿防静电鞋,将人脸信息与数据库中的人脸信息进行对比,确定该人脸信息对应的员工信息,异常信息为员工信息与装备穿戴情况的对应关系。
具体地,基于装备穿戴情况以及员工信息确定异常信息,包括:基于电场分布确定异常部位;基于异常部位以及装备穿戴情况确定异常原因;基于异常原因以及员工信息确定异常信息。
即使员工穿戴整套防静电装备,也会存在携带静电的情况,同时,即使员工未穿戴整套防静电装备,也会存在不携带静电的情况,根据展示电场分布的三维电场分布模型确定存在电荷位置,根据员工信息例如员工的身高以及人体各部位的比例关系确定电荷位置对应的人体部位,即异常部位,根据人体各部位与防静电装备的对应关系、异常部位以及装备穿戴情况确定异常原因,例如:异常部位为脚,装备穿戴情况为未佩戴防静电口罩,脚对应于防静电装备中的防静电鞋,则异常原因为非佩戴异常,即异常并非未佩戴防静电装备导致;异常部位为脚,装备穿戴情况为未穿防静电鞋,脚对应于防静电装备中的防静电鞋,则异常原因为佩戴异常,即异常为未佩戴防静电装备导致,异常信息为员工信息与异常原因之间的对应关系,以及对应的装备穿戴情况,其中,人体各部位与防静电装备的对应关系以及人体各部位的比例关系均保存在数据库中,可以从数据库中获取。
步骤S105、基于异常信息进行预警。
根据异常信息对员工或者维修人员进行预警,预警方式可以为语音播报,也可以为发送短信。
具体地,在基于异常信息进行预警之后,方法还包括:获取历史异常信息;基于异常类型以及历史异常信息确定第一历史异常信息,第一历史异常信息为异常类型为人为异常的历史异常信息;根据员工信息对第一历史异常信息进行划分,得到至少一个组合,每个组合中的第一历史异常信息对应相同的员工信息;基于每个组合中的第一历史异常信息的数量确定对应的员工等级。
在本实施例中,从数据库中获取预设时间内的历史异常信息,预设时间可以为半年,也可以为一年,将异常类型为人为异常的历史异常信息确定为第一历史异常信息,将第一历史异常信息根据员工信息进行划分,使得每个组合中的第一历史异常信息对应相同的员工信息,统计每个组合中第一历史异常信息的数量,若数量小于第一预设数量,则员工等级为第一等级,若数量大于或等于第一预设数量,且小于第二预设数量,则员工等级为第二等级,若数量大于第二预设数量,则员工等级为第三等级,其中,第一预设数量小于第二预设数量,且第一预设数量大于或等于零。
图2为本申请实施例提供的一种基于机器学习的智能预警装置200的结构框图。
如图2所示,基于机器学习的智能预警装置200主要包括:
数据获取模块201,用于获取检测数据以及视频数据,检测数据为检测设备检测的电荷数据,视频数据为检测区域的监控视频数据;
模型构建模块202,用于基于有限元软件构建检测区域的三维模型;
电场确定模块203,用于基于检测数据以及三维模型确定电场分布;
异常确定模块204,用于基于机器学习模型、视频数据以及电场分布确定异常信息;
异常预警模块205,用于基于异常信息进行预警。
作为本实施例的一种可选实施方式,异常确定模块204还具体用于基于机器学习模型、视频数据以及电场分布确定异常信息,包括:基于电场分布确定电荷位置;基于视频数据以及电荷位置确定第一图像,第一图像为包括电荷位置的图像帧;基于机器学习模型对第一图像进行识别,得到异常信息。
作为本实施例的一种可选实施方式,异常确定模块204还具体用于基于机器学习模型对第一图像进行识别,包括:基于图像识别对第一图像进行识别,得到异常类型,异常类型包括人为异常;若异常类型为人为异常,则基于机器学习模型对第一图像进行识别。
作为本实施例的一种可选实施方式,异常类型包括设备异常,异常确定模块204还具体用于:若异常类型为设备异常,则基于电场分布确定电场强度;基于三维模型以及电荷位置确定设备信息;基于设备信息以及电场强度信息确定异常信息。
作为本实施例的一种可选实施方式,异常确定模块204还具体用于基于机器学习模型对第一图像进行识别,得到异常信息,包括:将第一图像通过机器学习模型进行识别,确定人脸信息以及装备穿戴情况;基于人脸信息确定员工信息;基于装备穿戴情况以及员工信息确定异常信息。
作为本实施例的一种可选实施方式,异常确定模块204还具体用于基于装备穿戴情况以及员工信息确定异常信息,包括:基于电场分布确定异常部位;基于异常部位以及装备穿戴情况确定异常原因;基于异常原因以及员工信息确定异常信息。
作为本实施例的一种可选实施方式,基于机器学习的智能预警装置200还具体用于在基于异常信息进行预警之后,还包括:获取历史异常信息;基于异常类型以及历史异常信息确定第一历史异常信息,第一历史异常信息为异常类型为人为异常的历史异常信息;根据员工信息对第一历史异常信息进行划分,得到至少一个组合,每个组合中的第一历史异常信息对应相同的员工信息;基于每个组合中的第一历史异常信息的数量确定对应的员工等级。
在一个例子中,以上任一装置中的模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个专用集成电路(application specificintegratedcircuit,ASIC),或,一个或多个数字信号处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA),或这些集成电路形式中至少两种的组合。
再如,当装置中的模块可以通过处理元件调度程序的形式实现时,该处理元件可以是通用处理器,例如中央处理器(central processing unit,CPU)或其它可以调用程序的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,SOC)的形式实现。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图3为本申请实施例提供的一种电子设备300的结构框图。
如图3所示,电子设备300包括处理器301和存储器302,还可以进一步包括信息输入/信息输出(I/O)接口303、通信组件304中的一种或多种以及通信总线305。
其中,处理器301用于控制电子设备300的整体操作,以完成上述的基于机器学习的智能预警方法的全部或部分步骤;存储器302用于存储各种类型的数据以支持在电子设备300的操作,这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,SRAM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,EEPROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、只读存储器(Read-Only Memory,ROM)、磁存储器、快闪存储器、磁盘或光盘中的一种或多种。
I/O接口303为处理器301和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件304用于电子设备300与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(NearField Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件304可以包括:Wi-Fi部件,蓝牙部件,NFC部件。
电子设备300可以被一个或多个应用专用集成电路 (Application SpecificIntegrated Circuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field ProgrammableGate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述实施例给出的基于机器学习的智能预警方法。
通信总线305可包括一通路,在上述组件之间传送信息。通信总线305可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA (ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。通信总线305可以分为地址总线、数据总线、控制总线等。
电子设备300可以包括但不限于移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端,还可以为服务器等。
本申请还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的基于机器学习的智能预警方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器 (R ead-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的申请范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离前述申请构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种基于机器学习的智能预警方法,其特征在于,包括:
获取检测数据以及视频数据,所述检测数据为检测设备检测的电荷数据,所述视频数据为检测区域的监控视频数据;
基于有限元软件构建检测区域的三维模型;
基于所述检测数据以及所述三维模型确定电场分布;
基于机器学习模型、所述视频数据以及所述电场分布确定异常信息;
基于所述异常信息进行预警;
所述基于机器学习模型、所述视频数据以及所述电场分布确定异常信息,包括:
基于所述电场分布确定电荷位置;
基于所述视频数据以及所述电荷位置确定第一图像,所述第一图像为所述包括所述电荷位置的图像帧;
基于所述机器学习模型对所述第一图像进行识别,得到异常信息;
所述基于所述机器学习模型对所述第一图像进行识别,包括:
基于图像识别对所述第一图像进行识别,得到异常类型,所述异常类型包括人为异常;
若所述异常类型为所述人为异常,则将所述第一图像通过所述机器学习模型进行识别,确定人脸信息以及装备穿戴情况;
基于所述人脸信息确定员工信息;
基于所述装备穿戴情况以及所述员工信息确定异常信息。
2.根据权利要求1所述的方法,其特征在于,所述异常类型包括设备异常,所述方法还包括:
若所述异常类型为所述设备异常,则基于所述电场分布确定电场强度;
基于所述三维模型以及所述电荷位置确定设备信息;
基于所述设备信息以及所述电场强度信息确定所述异常信息。
3.根据权利要求1所述的方法,其特征在于,所述基于所述装备穿戴情况以及所述员工信息确定异常信息,包括:
基于所述电场分布确定异常部位;
基于所述异常部位以及所述装备穿戴情况确定异常原因;
基于所述异常原因以及所述员工信息确定异常信息。
4.根据权利要求1所述的方法,其特征在于,在基于所述异常信息进行预警之后,所述方法还包括:
获取历史异常信息;
基于所述异常类型以及所述历史异常信息确定第一历史异常信息,所述第一历史异常信息为所述异常类型为所述人为异常的所述历史异常信息;
根据员工信息对所述第一历史异常信息进行划分,得到至少一个组合,每个所述组合中的所述第一历史异常信息对应相同的所述员工信息;
基于每个所述组合中的所述第一历史异常信息的数量确定对应的员工等级。
5.一种基于机器学习的智能预警装置,其特征在于,包括:
数据获取模块,用于获取检测数据以及视频数据,所述检测数据为检测设备检测的电荷数据,所述视频数据为检测区域的监控视频数据;
模型构建模块,用于基于有限元软件构建检测区域的三维模型;
电场确定模块,用于基于所述检测数据以及所述三维模型确定电场分布;
异常确定模块,用于基于机器学习模型、所述视频数据以及所述电场分布确定异常信息;
异常预警模块,用于基于所述异常信息进行预警;
所述异常确定模块还具体用于所述基于机器学习模型、所述视频数据以及所述电场分布确定异常信息,包括:
基于所述电场分布确定电荷位置;
基于所述视频数据以及所述电荷位置确定第一图像,所述第一图像为所述包括所述电荷位置的图像帧;
基于所述机器学习模型对所述第一图像进行识别,得到异常信息;
所述异常确定模块还具体用于所述基于所述机器学习模型对所述第一图像进行识别,包括:
基于图像识别对所述第一图像进行识别,得到异常类型,所述异常类型包括人为异常;
若所述异常类型为所述人为异常,则将所述第一图像通过所述机器学习模型进行识别,确定人脸信息以及装备穿戴情况;
基于所述人脸信息确定员工信息;
基于所述装备穿戴情况以及所述员工信息确定异常信息。
6.一种电子设备,其特征在于,包括处理器,所述处理器与存储器耦合;
所述处理器用于执行所述存储器中存储的计算机程序,以使得所述电子设备执行如权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,包括计算机程序或指令,当所述计算机程序或指令在计算机上运行时,使得所述计算机执行如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311736884.2A CN117421688B (zh) | 2023-12-18 | 2023-12-18 | 基于机器学习的智能预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311736884.2A CN117421688B (zh) | 2023-12-18 | 2023-12-18 | 基于机器学习的智能预警方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117421688A CN117421688A (zh) | 2024-01-19 |
CN117421688B true CN117421688B (zh) | 2024-03-22 |
Family
ID=89530536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311736884.2A Active CN117421688B (zh) | 2023-12-18 | 2023-12-18 | 基于机器学习的智能预警方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421688B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232366A (zh) * | 2019-06-19 | 2019-09-13 | 精英数智科技股份有限公司 | 静电防护执行情况的检测方法、装置、服务器及介质 |
CN111105047A (zh) * | 2019-12-12 | 2020-05-05 | 陕西瑞海工程智慧数据科技有限公司 | 一种运维监控方法、装置、电子设备及存储介质 |
CN115565101A (zh) * | 2022-09-15 | 2023-01-03 | 中国安全生产科学研究院 | 一种生产安全异常识别方法、装置、电子设备及存储介质 |
CN115731393A (zh) * | 2022-12-09 | 2023-03-03 | 天固信息安全系统(深圳)有限公司 | 一种智能化车间安全生产管理方法及系统 |
CN115830626A (zh) * | 2022-10-20 | 2023-03-21 | 浙江大华技术股份有限公司 | 穿戴检测方法、设备和计算机可读存储介质 |
CN116311775A (zh) * | 2023-02-24 | 2023-06-23 | 江苏濠汉信息技术有限公司 | 一种穿戴式近电报警设备及监控系统 |
CN116310521A (zh) * | 2023-03-01 | 2023-06-23 | 国家能源集团泰州发电有限公司 | 异常检测方法、装置、存储介质、电子设备及系统 |
CN116563780A (zh) * | 2023-04-21 | 2023-08-08 | 山东金宇信息科技集团有限公司 | 一种用于机房设备的防静电方法及设备 |
CN116682034A (zh) * | 2023-04-27 | 2023-09-01 | 北京计算机技术及应用研究所 | 一种复杂生产作业场景下危险行为检测方法 |
-
2023
- 2023-12-18 CN CN202311736884.2A patent/CN117421688B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232366A (zh) * | 2019-06-19 | 2019-09-13 | 精英数智科技股份有限公司 | 静电防护执行情况的检测方法、装置、服务器及介质 |
CN111105047A (zh) * | 2019-12-12 | 2020-05-05 | 陕西瑞海工程智慧数据科技有限公司 | 一种运维监控方法、装置、电子设备及存储介质 |
CN115565101A (zh) * | 2022-09-15 | 2023-01-03 | 中国安全生产科学研究院 | 一种生产安全异常识别方法、装置、电子设备及存储介质 |
CN115830626A (zh) * | 2022-10-20 | 2023-03-21 | 浙江大华技术股份有限公司 | 穿戴检测方法、设备和计算机可读存储介质 |
CN115731393A (zh) * | 2022-12-09 | 2023-03-03 | 天固信息安全系统(深圳)有限公司 | 一种智能化车间安全生产管理方法及系统 |
CN116311775A (zh) * | 2023-02-24 | 2023-06-23 | 江苏濠汉信息技术有限公司 | 一种穿戴式近电报警设备及监控系统 |
CN116310521A (zh) * | 2023-03-01 | 2023-06-23 | 国家能源集团泰州发电有限公司 | 异常检测方法、装置、存储介质、电子设备及系统 |
CN116563780A (zh) * | 2023-04-21 | 2023-08-08 | 山东金宇信息科技集团有限公司 | 一种用于机房设备的防静电方法及设备 |
CN116682034A (zh) * | 2023-04-27 | 2023-09-01 | 北京计算机技术及应用研究所 | 一种复杂生产作业场景下危险行为检测方法 |
Non-Patent Citations (1)
Title |
---|
电子装配过程静电防护及EPA管理分析;孙育刚;;甘肃科技纵横;20160229(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117421688A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090567B (zh) | 电力通信系统故障诊断方法及装置 | |
CN108257121B (zh) | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 | |
CN113780691A (zh) | 数据测试方法、装置、电子设备及存储介质 | |
CN108241853A (zh) | 一种视频监控方法、系统及终端设备 | |
CN112863172A (zh) | 高速公路交通运行状态判定方法、预警方法、装置及终端 | |
CN113611104B (zh) | 货运车辆的风险识别方法、装置、存储介质及终端 | |
CN112513883A (zh) | 异常检测方法和设备 | |
CN111372042B (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN115169830A (zh) | 基于大数据的配网单线图质量校核分析方法 | |
CN117421688B (zh) | 基于机器学习的智能预警方法、装置、设备及介质 | |
CN111522859A (zh) | 告警分析方法、装置、计算机设备和存储介质 | |
CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN116542456B (zh) | 一种智能派单方法、装置和设备 | |
CN116137061B (zh) | 数量统计模型的训练方法、装置、电子设备及存储介质 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN116430207A (zh) | 芯片的pat参数确定方法、装置、电子设备及存储介质 | |
US20220376989A1 (en) | Management of predictive models of a communication network | |
CN113470079A (zh) | 一种落脚区域的输出方法、装置及电子设备 | |
CN112434653A (zh) | 一种遥感图像建筑区检测方法及系统 | |
CN111107139A (zh) | 信息推送方法及相关产品 | |
CN115512523B (zh) | 基于互联网+的地铁隧道沉降监护方法、装置、系统及介质 | |
CN115809404B (zh) | 一种检测阈值计算方法、装置、存储介质及电子设备 | |
CN117171627B (zh) | 一种基于成像技术的电力设备噪声源点识别方法及系统 | |
CN113807441B (zh) | 半导体结构制备中的异常传感器监测方法及其装置 | |
CN117873007B (zh) | 基于工业物联网的制造流程管理方法、系统、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |