CN117557201B - 基于人工智能的智能仓储安全管理系统及方法 - Google Patents
基于人工智能的智能仓储安全管理系统及方法 Download PDFInfo
- Publication number
- CN117557201B CN117557201B CN202410043786.9A CN202410043786A CN117557201B CN 117557201 B CN117557201 B CN 117557201B CN 202410043786 A CN202410043786 A CN 202410043786A CN 117557201 B CN117557201 B CN 117557201B
- Authority
- CN
- China
- Prior art keywords
- storage
- personnel
- equipment
- warehousing
- fault
- 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 22
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims description 208
- 241000254158 Lampyridae Species 0.000 claims description 78
- 238000007726 management method Methods 0.000 claims description 64
- 230000005856 abnormality Effects 0.000 claims description 21
- 108010016634 Seed Storage Proteins Proteins 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 208000027418 Wounds and injury Diseases 0.000 abstract description 5
- 230000006378 damage Effects 0.000 abstract description 5
- 208000014674 injury Diseases 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Social Psychology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Psychiatry (AREA)
- Strategic Management (AREA)
- Human Computer Interaction (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Warehouses Or Storage Devices (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及仓储安全管理的技术领域，且公开了基于人工智能的智能仓储安全管理系统及方法，所述系统包括仓储人员身份及位置采集模块、仓储人员行为特征及仓储设备运行状态分析模块；利用智能识别算法进行仓储人员行为特征与违规行为特征进行精确搜索分析，实现仓储人员的行为实时安全监测，提高了仓储人员安全管理的效率和人性化；通过工业传感器实时在线测量仓储设备运行状态特征参数结合智能识别算法与仓储设备故障运行状态特征阈值数值比对，实现对仓储设备的多种状态参数在线故障分析监测，智能识别人员危险行为特征和设备异常运行状态造成人员伤害的故障特征，提高了仓储设备安全管理的质量和效率。
Description
技术领域
本发明涉及仓储安全管理的技术领域，具体为基于人工智能的智能仓储安全管理系统及方法。
背景技术
仓储管理是对仓库和仓库中储存的物资进行管理，仓储就是在特定的场所储存物品的行为。仓储管理就是对仓库及仓库内的物资所进行的管理，是仓储机构为了充分利用所具有的仓储资源提供高效的仓储服务所进行的计划、组织、控制和协调过程。具体来说，仓储管理包括仓储资源的获得、仓储商务管理、仓储流程管理、仓储作业管理、保管管理、安全管理多种管理工作及相关的操作。仓储管理是一门经济管理科学，同时也涉及应用技术科学；故属于边缘性学科。仓储管理的内涵是随着其在社会经济领域中的作用不断扩大而变化。仓储管理，即库管。是指对仓库及其库存物品的管理，仓储系统是企业物流系统中不可缺少的子系统。物流系统的整体目标是以最低成本提供令客户满意的服务，而仓储系统在其中发挥着重要作用。仓储活动能够促进企业提高客户服务水平，增强企业的竞争能力。现代仓储管理已从静态管理向动态管理产生了根本性的变化，对仓储管理的基础工作也提出了更高的要求，其中仓储安全管理是保证物品和人员安全的重要模块，现有的仓储安全管理一般单独针对仓储人员的人身安全管理或仓储设备的运行状态安全管理，现实中仓储人员的安全管理和仓储设备的运行状态安全管理是相互关联的，运行异常的仓储设备可能会导致正常操作的仓储人员受到人身伤害，目前的仓储安全管理不能同步监测分析仓储人员危险行为特征和仓储设备异常运行状态特征预警反馈给仓储人员，降低了仓储安全管理的可靠性。
公开号为CN112837015A的中国发明专利公开了仓储安全管理方法、装置、计算机设备和存储介质，采用所述方法通过获取仓储设备操作请求；向仓储设备操作请求对应仓储设备发送激活指令，并获取仓储设备对应的传感信息；根据传感信息，以3D可视化形式在预设显示模块的BIM仓库模型中对仓储设备的操作过程进行展示；获取预设显示模块根据仓储设备的运行过程反馈的安全隐患告警信息；根据安全隐患告警信息的隐患类型，在仓储设备的运行区域进行安全告警。本申请可以有效地在远程对仓储设备的操作过程进行监控，同时在触发安全隐患警报时，也可以基于隐患类型进行快速地告警，提高设备操作过程的告警效率，保证设备操作过程的安全性，然而以上技术方案只能实现监控仓储设备运行状态，未能对仓储人员的行为特征进行监测，不能同步监测分析仓储人员危险行为特征和仓储设备异常运行状态特征预警反馈给仓储人员进行避险，容易出现仓储设备运行异常造成仓储人员人身伤害。
发明内容
（一）解决的技术问题
为解决上述现有的仓储安全管理一般单独针对仓储人员的人身安全管理或仓储设备的运行状态安全管理，现实中仓储人员的安全管理和仓储设备的运行状态安全管理是相互关联的，运行异常的仓储设备可能会导致正常操作的仓储人员受到人身伤害，目前的仓储安全管理不能同步监测分析仓储人员危险行为特征和仓储设备异常运行状态特征预警反馈给仓储人员，降低了仓储安全管理的可靠性的问题，实现以上同步监测人员行为特征和设备运行状态、智能识别人员危险行为特征和设备异常运行状态造成人员伤害的故障特征、提高仓储安全管理的质量和可靠性的目的。
（二）技术方案
本发明通过以下技术方案予以实现：基于人工智能的智能仓储安全管理方法，所述方法包括如下步骤：
S1、采集仓储人员个人身份数据，仓储人员所在仓储空间位置坐标；
S2、采集仓储人员行为特征图像数据，将所述仓储人员行为特征图像数据与仓储人员违规行为特征图像数据进行行为特征图像匹配，依据图像匹配结果分析构建出仓储人员违规行为特征识别结果；
S3、采集仓储设备运行状态特征数据，将所述仓储设备运行状态特征数据与仓储设备故障运行状态特征阈值进行运行状态特征数据数值比对，依据数值比对结果分析构建出仓储设备故障运行状态分析结果；
S4、当所述仓储人员违规行为特征识别结果为违规时，则获取所述仓储人员个人身份数据、所述仓储人员违规行为特征识别结果并通过预警设备对仓储人员进行违规行为预警提示；
S5、当所述仓储设备故障运行状态分析结果为故障时，则采集故障仓储设备所在仓储空间位置坐标，依据所述仓储人员所在仓储空间位置坐标、所述故障仓储设备所在仓储空间位置坐标结合距离公式计量出仓储人员到故障仓储设备距离；
S6、将所述仓储人员到故障仓储设备距离与仓储人员到故障仓储设备危险距离阈值进行距离数值比对，依据距离数值比对结果判断生成仓储人员到故障仓储设备危险判断结果；
S7、当仓储人员到故障仓储设备危险判断结果为存在危险时，则获取所述仓储人员个人身份数据、所述仓储人员到故障仓储设备危险判断结果并通过预警设备对仓储人员进行故障仓储设备危险预警提示。
优选的，所述采集仓储人员个人身份数据，仓储人员所在仓储空间位置坐标的操作步骤如下：
S11、通过仓储门禁平台获取进入仓储空间的仓储人员身份信息并生成仓储人员个人身份数据，所述个人身份数据包括仓储人员的姓名、工位编号、职位、性别、身份证号中一种或多种；以仓储空间地面为基面建立仓储空间的空间直角坐标系，并通过位置传感器实时在线采集仓储人员在仓储空间的位置并实时更新生成仓储人员所在仓储空间位置坐标/>，其中/>表示仓储人员在仓储空间的空间直角坐标系的横坐标，/>表示仓储人员在仓储空间的空间直角坐标系的纵坐标，/>表示仓储人员在仓储空间的空间直角坐标系的竖坐标。
优选的，所述采集仓储人员行为特征图像数据，将所述仓储人员行为特征图像数据与仓储人员违规行为特征图像数据进行行为特征图像匹配，依据图像匹配结果分析构建出仓储人员违规行为特征识别结果的操作步骤如下：
S21、通过监控镜头实时在线采集仓储人员行为特征图像数据并建立集合，/>；其中/>表示第/>个仓储人员行为特征图像数据，/>表示仓储人员行为特征图像数据个数的最大值；
S22、建立仓储人员违规行为特征图像数据集合，；其中/>表示第/>个仓储人员违规行为特征图像数据，/>表示仓储人员违规行为特征图像数据个数的最大值，所述违规行为包括进入危险场所、手动操作运行机械、在起吊物下停留、不佩戴防护用品中一种或多种；
S23、采用数据识别算法将仓储人员行为特征图像数据集合中仓储人员行为特征图像数据/>与仓储人员违规行为特征图像数据集合/>中仓储人员违规行为特征图像数据/>进行图像匹配，所述数据识别算法匹配图像的具体步骤如下：
S231、设置违规行为识别萤火虫种群的个体数量、初始吸引度值、传播介质对光的吸收系数/>以及步长的扰动因子/>，设定最大迭代次数/>；
S232、以违规行为识别萤火虫个体的位置信息作为待优化问题的解，以违规行为识别萤火虫个体的亮度作为解对应的适应度值，根据待优化问题的解的范围，随机初始化违规行为识别萤火虫种群所有个体的位置信息，即在仓储人员违规行为特征图像数据集合搜索空间中识别与仓储人员行为特征图像数据/>匹配的仓储人员违规行为特征图像数据/>的位置；
S233、根据待求解问题，计算违规行为识别萤火虫种群中每个违规行为识别萤火虫个体的适应度值，之后对违规行为识别萤火虫种群个体的适应度值进行比较，将最高适应度值作为违规行为识别萤火虫种群的历史最优适应度值，将其对应的位置信息作为违规行为识别萤火虫种群的历史最优位置信息，即在仓储人员违规行为特征图像数据集合搜索空间中识别与仓储人员行为特征图像数据/>匹配度最高的仓储人员违规行为特征图像数据/>的位置信息；
S234、依次将每个违规行为识别萤火虫个体与其它违规行为识别萤火虫个体进行适应度值的比较，同时计算违规行为识别萤火虫个体之间的空间距离，违规行为识别萤火虫个体之间的空间距离公式为其中/>表示具体位置信息，/>和分别表示违规行为识别萤火虫个体/>和/>在仓储人员违规行为特征图像数据集合/>中的空间位置，/>和/>分别表示违规行为识别萤火虫个体/>和违规行为识别萤火虫个体在/>维度空间的位置信息，即违规行为识别萤火虫个体/>和违规行为识别萤火虫个体/>在维度为/>的仓储人员违规行为特征图像数据集合/>中的位置信息；按照适应度值低的个体被适应度高的个体吸引的原则，确定每个违规行为识别萤火虫个体分别被违规行为识别萤火虫种群内被吸引个体并根据空间距离计算出每个违规行为识别萤火虫个体受到的所有吸引力，吸引力公式为/>，其中/>表示两只违规行为识别萤火虫空间距离/>为零的吸引力，/>为传播介质对光的吸收系数，/>取值为1；
S235、每个违规行为识别萤火虫个体依次向所有适应度值比它高的个体位置方向进行移动，按照相关公式进行位置更新，位置更新公式为，其中/>表示违规行为识别萤火虫个体/>在/>次迭代后在仓储人员违规行为特征图像数据集合/>中的空间位置，/>表示违规行为识别萤火虫个体/>在/>次迭代后在仓储人员违规行为特征图像数据集合/>中的空间位置，/>表示在/>次迭代后违规行为识别萤火虫个体/>和/>在空间距离为/>的条件下的吸引力；/>为步长的扰动因子，/>取值为0到1之间的随机数，/>是-0.5到0.5之间的随机数；
S236、计算每个违规行为识别萤火虫个体更新后的适应度值，对违规行为识别萤火虫种群的历史最优适应度值、历史最优位置信息进行更新，即在仓储人员违规行为特征图像数据集合中更新筛选仓储人员行为特征图像数据/>与仓储人员违规行为特征图像数据/>的匹配信息；
S237、根据预设的迭代次数重复S234到S236，当达到最大迭代次数时，输出仓储人员行为特征图像数据与仓储人员违规行为特征图像数据/>的匹配结果；
S24、分析构建出仓储人员违规行为特征识别结果，当与/>匹配成功，表示仓储人员在仓储空间中存在违规行为，则输出仓储人员违规行为特征识别结果为违规；当/>与/>未匹配成功，表示仓储人员在仓储空间中不存在违规行为，则输出仓储人员违规行为特征识别结果为未违规。
优选的，所述采集仓储设备运行状态特征数据，将所述仓储设备运行状态特征数据与仓储设备故障运行状态特征阈值进行运行状态特征数据数值比对，依据数值比对结果分析构建出仓储设备故障运行状态分析结果的操作步骤如下：
S31、通过工业传感器在线采集仓储空间的仓储设备的运行状态并生成仓储设备运行状态特征数据集合，其中/>；其中/>表示第台仓储设备，/>表示仓储设备数量的最大值，/>表示第一台仓储设备对应的第一种仓储设备运行状态特征数据；/>表示第一台仓储设备对应的第/>种仓储设备运行状态特征数据；/>表示第/>台仓储设备对应的第一种仓储设备运行状态特征数据；/>表示第/>台仓储设备对应的第/>种仓储设备运行状态特征数据；/>表示第/>台仓储设备对应的第一种仓储设备运行状态特征数据；/>表示第/>台仓储设备对应的第/>种仓储设备运行状态特征数据；
S32、建立仓储设备故障运行状态特征阈值集合，其中表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；/>表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；/>表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；/>表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；/>表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；/>表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值，所述仓储设备故障运行状态包括仓储设备的温度异常、压力异常、振动频率异常、电压异常、电流异常、转速异常、流速异常中一种或多种；
S33、采用如S23步骤中的数据识别算法按照仓储设备编号和仓储设备对应的运行状态特征数据种类编号/>、/>、/>将仓储设备运行状态特征数据集合/>中仓储设备运行状态特征数据与仓储设备故障运行状态特征阈值集合/>中运行状态特征对应的仓储设备故障运行状态特征阈值进行运行状态特征数值比较并分析构建出仓储设备故障运行状态分析结果；当/>至/>的数值均不大于对应的/>至/>的数值，表示仓储设备不存在运行故障，则按照仓储设备编号/>输出仓储设备故障运行状态分析结果为无故障；当/>至/>的数值中存在大于对应的/>至/>的数值，表示仓储设备存在运行故障，则按照仓储设备编号/>输出仓储设备故障运行状态分析结果为故障。
优选的，所述当所述仓储人员违规行为特征识别结果为违规时，则获取所述仓储人员个人身份数据、所述仓储人员违规行为特征识别结果并通过预警设备对仓储人员进行违规行为预警提示的操作步骤如下：
S41、当仓储人员违规行为特征识别结果为违规时，获取所述仓储人员个人身份数据中仓储人员姓名、工位编号通过预警设备将识别出违规的所述仓储人员违规行为特征识别结果推送给仓储人员进行违规行为安全预警提示，所述预警设备包括显示屏、播放器、移动端中至少一种。
优选的，所述当所述仓储设备故障运行状态分析结果为故障时，则采集故障仓储设备所在仓储空间位置坐标，依据所述仓储人员所在仓储空间位置坐标、所述故障仓储设备所在仓储空间位置坐标结合距离公式计量出仓储人员到故障仓储设备距离的操作步骤如下：
S51、当仓储设备故障运行状态分析结果为故障时，通过位置传感器实时在线采集存在故障的仓储设备在仓储空间的位置并生成仓储设备所在仓储空间位置坐标，其中/>表示仓储设备在仓储空间的空间直角坐标系的横坐标，/>表示仓储设备在仓储空间的空间直角坐标系的纵坐标，/>表示仓储设备在仓储空间的空间直角坐标系的竖坐标；
S52、获取所述仓储人员所在仓储空间位置坐标和所述仓储设备所在仓储空间位置坐标/>，利用距离公式计算出仓储人员到故障仓储设备距离。
优选的，所述将所述仓储人员到故障仓储设备距离与仓储人员到故障仓储设备危险距离阈值进行距离数值比对，依据距离数值比对结果判断生成仓储人员到故障仓储设备危险判断结果的操作步骤如下：
S61、建立仓储人员到故障仓储设备危险距离阈值，其中/>表示仓储人员到存在故障的仓储设备不会发生危险的最大距离值；
S62、将所述仓储人员到故障仓储设备距离与仓储人员到故障仓储设备危险距离阈值/>进行距离数值比对并分析生成仓储人员到故障仓储设备危险判断结果；当/>﹤/>，则输出仓储人员到故障仓储设备危险判断结果为存在危险；当/>≥/>，则输出仓储人员到故障仓储设备危险判断结果为不存在危险。
优选的，所述当仓储人员到故障仓储设备危险判断结果为存在危险时，则获取所述仓储人员个人身份数据、所述仓储人员到故障仓储设备危险判断结果并通过预警设备对仓储人员进行故障仓储设备危险预警提示的操作步骤如下：
S71、当仓储人员到故障仓储设备危险判断结果为存在危险时，获取所述仓储人员个人身份数据中仓储人员姓名、工位编号通过预警设备将识别出存在故障的仓储设备对应的所述仓储设备故障运行状态分析结果、所述仓储人员到故障仓储设备危险判断结果推送给仓储人员进行违规行为安全预警提示。
实现所述基于人工智能的智能仓储安全管理方法的系统，所述系统包括仓储人员身份及位置采集模块、仓储人员行为特征及仓储设备运行状态分析模块、仓储危险情况分析及预警模块；所述仓储人员身份及位置采集模块包括仓储人员身份信息采集单元、仓储人员仓储位置采集单元；所述仓储人员身份信息采集单元，通过仓储门禁平台采集仓储人员个人身份数据；所述仓储人员仓储位置采集单元，通过位置传感器采集仓储人员所在仓储空间位置坐标；
所述仓储人员行为特征及仓储设备运行状态分析模块包括仓储人员行为特征采集单元、仓储设备运行状态采集单元、仓储人员违规行为特征存储单元、仓储设备故障运行状态阈值存储单元、仓储人员违规行为特征识别单元、仓储设备故障运行状态分析单元；所述仓储人员行为特征采集单元，通过监控镜头采集仓储人员行为特征图像数据；所述仓储设备运行状态采集单元，通过工业传感器采集仓储设备运行状态特征数据；所述仓储人员违规行为特征存储单元，用于存储仓储人员违规行为特征图像数据；所述仓储设备故障运行状态阈值存储单元，用于存储仓储设备故障运行状态特征阈值；所述仓储人员违规行为特征识别单元，将所述仓储人员行为特征图像数据与仓储人员违规行为特征图像数据进行行为特征图像匹配，依据图像匹配结果分析构建出仓储人员违规行为特征识别结果；所述仓储设备故障运行状态分析单元，将所述仓储设备运行状态特征数据与仓储设备故障运行状态特征阈值进行运行状态特征数据数值比对，依据数值比对结果分析构建出仓储设备故障运行状态分析结果；
所述仓储危险情况分析及预警模块包括仓储人员违规行为预警单元、故障仓储设备的空间位置采集单元、仓储人员故障仓储设备距离计量单元、仓储人员故障仓储设备危险判断单元、仓储设备对仓储人员危险预警单元；所述仓储人员违规行为预警单元，当所述仓储人员违规行为特征识别结果为违规时，则获取所述仓储人员个人身份数据、所述仓储人员违规行为特征识别结果并通过预警设备对仓储人员进行违规行为预警提示；所述故障仓储设备的空间位置采集单元，通过位置传感器采集故障仓储设备所在仓储空间位置坐标；所述仓储人员故障仓储设备距离计量单元，依据所述仓储人员所在仓储空间位置坐标、所述故障仓储设备所在仓储空间位置坐标结合距离公式计量出仓储人员到故障仓储设备距离；所述仓储人员故障仓储设备危险判断单元，将所述仓储人员到故障仓储设备距离与仓储人员到故障仓储设备危险距离阈值进行距离数值比对，依据距离数值比对结果判断生成仓储人员到故障仓储设备危险判断结果；所述仓储设备对仓储人员危险预警单元，用于当仓储人员到故障仓储设备危险判断结果为存在危险时，则获取所述仓储人员个人身份数据、所述仓储人员到故障仓储设备危险判断结果并通过预警设备对仓储人员进行故障仓储设备危险预警提示。
（三）有益效果
本发明提供了基于人工智能的智能仓储安全管理系统及方法。具备以下有益效果：
一、通过仓储人员身份信息采集单元和仓储人员仓储位置采集单元相互配合通过仓储门禁平台准确采集进入仓储空间的仓储人员身份以及仓储人员空间位置信息，为后续在线分析仓储空间中的危险特征并及时预警仓储人员进行避险提供数据支持；仓储人员行为特征采集单元和仓储设备运行状态采集单元相互配合准确高效采集仓储人员的行为特征和仓储设备的运行状态参数，为实现仓储安全管理的人员和设备同步监测提供数据保证，提高了仓储安全管理的可靠性。
二、通过仓储人员违规行为特征识别单元利用智能识别算法进行仓储人员行为特征与违规行为特征进行精确搜索分析，实现仓储人员的行为实时安全监测，提高了仓储人员安全管理的效率和人性化；仓储设备故障运行状态分析单元通过工业传感器实时在线测量仓储设备运行状态特征参数结合智能识别算法与仓储设备故障运行状态特征阈值数值比对，实现对仓储设备的多种状态参数在线故障分析监测，智能识别人员危险行为特征和设备异常运行状态造成人员伤害的故障特征，提高了仓储设备安全管理的质量和效率。
三、通过仓储人员违规行为预警单元对仓储人员的违规行为进行实名制预警反馈，保证了仓储人员的仓储作业的安全性；仓储人员故障仓储设备距离计量单元和仓储人员故障仓储设备危险判断单元相互配合在线计量仓储人员和故障仓储设备的距离并与危险距离参数进行比对，智能判断故障仓储设备是否对仓储人员产生人身安全危险，实现同步监测仓储人员危险行为特征和对仓储人员产生人身安全危险的故障仓储设备，提高了仓储安全管理的效果；仓储设备对仓储人员危险预警单元对存在危险的故障仓储设备对象及时在线预警反馈给仓储人员，提高了仓储安全管理的质量。
附图说明
图1为本发明提供的基于人工智能的智能仓储安全管理系统的模块示意图；
图2为本发明提供的基于人工智能的智能仓储安全管理方法的流程图。
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。
该基于人工智能的智能仓储安全管理系统及方法的实施例如下：
请参阅图1－图2，基于人工智能的智能仓储安全管理方法，方法包括如下步骤：
S1、采集仓储人员个人身份数据，仓储人员所在仓储空间位置坐标；
S2、采集仓储人员行为特征图像数据，将仓储人员行为特征图像数据与仓储人员违规行为特征图像数据进行行为特征图像匹配，依据图像匹配结果分析构建出仓储人员违规行为特征识别结果；
S3、采集仓储设备运行状态特征数据，将仓储设备运行状态特征数据与仓储设备故障运行状态特征阈值进行运行状态特征数据数值比对，依据数值比对结果分析构建出仓储设备故障运行状态分析结果；
S4、当仓储人员违规行为特征识别结果为违规时，则获取仓储人员个人身份数据、仓储人员违规行为特征识别结果并通过预警设备对仓储人员进行违规行为预警提示；
S5、当仓储设备故障运行状态分析结果为故障时，则采集故障仓储设备所在仓储空间位置坐标，依据仓储人员所在仓储空间位置坐标、故障仓储设备所在仓储空间位置坐标结合距离公式计量出仓储人员到故障仓储设备距离；
S6、将仓储人员到故障仓储设备距离与仓储人员到故障仓储设备危险距离阈值进行距离数值比对，依据距离数值比对结果判断生成仓储人员到故障仓储设备危险判断结果；
S7、当仓储人员到故障仓储设备危险判断结果为存在危险时，则获取仓储人员个人身份数据、仓储人员到故障仓储设备危险判断结果并通过预警设备对仓储人员进行故障仓储设备危险预警提示。
进一步的，请参阅图1－图2，采集仓储人员个人身份数据，仓储人员所在仓储空间位置坐标的操作步骤如下：
S11、通过仓储门禁平台获取进入仓储空间的仓储人员身份信息并生成仓储人员个人身份数据，个人身份数据包括仓储人员的姓名、工位编号、职位、性别、身份证号中一种或多种；以仓储空间地面为基面建立仓储空间的空间直角坐标系，并通过位置传感器实时在线采集仓储人员在仓储空间的位置并实时更新生成仓储人员所在仓储空间位置坐标/>，其中/>表示仓储人员在仓储空间的空间直角坐标系的横坐标，/>表示仓储人员在仓储空间的空间直角坐标系的纵坐标，/>表示仓储人员在仓储空间的空间直角坐标系的竖坐标。
通过仓储人员身份信息采集单元和仓储人员仓储位置采集单元相互配合通过仓储门禁平台准确采集进入仓储空间的仓储人员身份以及仓储人员空间位置信息，为后续在线分析仓储空间中的危险特征并及时预警仓储人员进行避险提供数据支持；仓储人员行为特征采集单元和仓储设备运行状态采集单元相互配合准确高效采集仓储人员的行为特征和仓储设备的运行状态参数，为实现仓储安全管理的人员和设备同步监测提供数据保证，提高了仓储安全管理的可靠性。
进一步的，请参阅图1－图2，采集仓储人员行为特征图像数据，将仓储人员行为特征图像数据与仓储人员违规行为特征图像数据进行行为特征图像匹配，依据图像匹配结果分析构建出仓储人员违规行为特征识别结果的操作步骤如下：
S21、通过监控镜头实时在线采集仓储人员行为特征图像数据并建立集合，/>；其中/>表示第/>个仓储人员行为特征图像数据，/>表示仓储人员行为特征图像数据个数的最大值；
S22、建立仓储人员违规行为特征图像数据集合，；其中/>表示第/>个仓储人员违规行为特征图像数据，/>表示仓储人员违规行为特征图像数据个数的最大值，违规行为包括进入危险场所、手动操作运行机械、在起吊物下停留、不佩戴防护用品中一种或多种；
S23、采用数据识别算法将仓储人员行为特征图像数据集合中仓储人员行为特征图像数据/>与仓储人员违规行为特征图像数据集合/>中仓储人员违规行为特征图像数据/>进行图像匹配，数据识别算法匹配图像的具体步骤如下：
S231、设置违规行为识别萤火虫种群的个体数量、初始吸引度值、传播介质对光的吸收系数/>以及步长的扰动因子/>，设定最大迭代次数/>；
S232、以违规行为识别萤火虫个体的位置信息作为待优化问题的解，以违规行为识别萤火虫个体的亮度作为解对应的适应度值，根据待优化问题的解的范围，随机初始化违规行为识别萤火虫种群所有个体的位置信息，即在仓储人员违规行为特征图像数据集合搜索空间中识别与仓储人员行为特征图像数据/>匹配的仓储人员违规行为特征图像数据/>的位置；
S233、根据待求解问题，计算违规行为识别萤火虫种群中每个违规行为识别萤火虫个体的适应度值，之后对违规行为识别萤火虫种群个体的适应度值进行比较，将最高适应度值作为违规行为识别萤火虫种群的历史最优适应度值，将其对应的位置信息作为违规行为识别萤火虫种群的历史最优位置信息，即在仓储人员违规行为特征图像数据集合搜索空间中识别与仓储人员行为特征图像数据/>匹配度最高的仓储人员违规行为特征图像数据/>的位置信息；
S234、依次将每个违规行为识别萤火虫个体与其它违规行为识别萤火虫个体进行适应度值的比较，同时计算违规行为识别萤火虫个体之间的空间距离，违规行为识别萤火虫个体之间的空间距离公式为其中/>表示具体位置信息，/>和/>分别表示违规行为识别萤火虫个体/>和/>在仓储人员违规行为特征图像数据集合/>中的空间位置，/>和/>分别表示违规行为识别萤火虫个体/>和违规行为识别萤火虫个体/>在/>维度空间的位置信息，即违规行为识别萤火虫个体/>和违规行为识别萤火虫个体/>在维度为/>的仓储人员违规行为特征图像数据集合/>中的位置信息；按照适应度值低的个体被适应度高的个体吸引的原则，确定每个违规行为识别萤火虫个体分别被违规行为识别萤火虫种群内被吸引个体并根据空间距离计算出每个违规行为识别萤火虫个体受到的所有吸引力，吸引力公式为/>，其中/>表示两只违规行为识别萤火虫空间距离/>为零的吸引力，/>为传播介质对光的吸收系数，/>取值为1；
S235、每个违规行为识别萤火虫个体依次向所有适应度值比它高的个体位置方向进行移动，按照相关公式进行位置更新，位置更新公式为，其中/>表示违规行为识别萤火虫个体/>在/>次迭代后在仓储人员违规行为特征图像数据集合/>中的空间位置，/>表示违规行为识别萤火虫个体/>在/>次迭代后在仓储人员违规行为特征图像数据集合/>中的空间位置，/>表示在/>次迭代后违规行为识别萤火虫个体/>和/>在空间距离为/>的条件下的吸引力；/>为步长的扰动因子，/>取值为0到1之间的随机数，/>是-0.5到0.5之间的随机数；
S236、计算每个违规行为识别萤火虫个体更新后的适应度值，对违规行为识别萤火虫种群的历史最优适应度值、历史最优位置信息进行更新，即在仓储人员违规行为特征图像数据集合中更新筛选仓储人员行为特征图像数据/>与仓储人员违规行为特征图像数据/>的匹配信息；
S237、根据预设的迭代次数重复S234到S236，当达到最大迭代次数时，输出仓储人员行为特征图像数据与仓储人员违规行为特征图像数据/>的匹配结果；
S24、分析构建出仓储人员违规行为特征识别结果，当与/>匹配成功，表示仓储人员在仓储空间中存在违规行为，则输出仓储人员违规行为特征识别结果为违规；当与/>未匹配成功，表示仓储人员在仓储空间中不存在违规行为，则输出仓储人员违规行为特征识别结果为未违规。
采集仓储设备运行状态特征数据，将仓储设备运行状态特征数据与仓储设备故障运行状态特征阈值进行运行状态特征数据数值比对，依据数值比对结果分析构建出仓储设备故障运行状态分析结果的操作步骤如下：
S31、通过工业传感器在线采集仓储空间的仓储设备的运行状态并生成仓储设备运行状态特征数据集合，其中/>；其中/>表示第台仓储设备，/>表示仓储设备数量的最大值，/>表示第一台仓储设备对应的第一种仓储设备运行状态特征数据；/>表示第一台仓储设备对应的第/>种仓储设备运行状态特征数据；/>表示第/>台仓储设备对应的第一种仓储设备运行状态特征数据；/>表示第/>台仓储设备对应的第/>种仓储设备运行状态特征数据；/>表示第/>台仓储设备对应的第一种仓储设备运行状态特征数据；/>表示第/>台仓储设备对应的第/>种仓储设备运行状态特征数据；
S32、建立仓储设备故障运行状态特征阈值集合，其中/>表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；/>表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；/>表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；/>表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；/>表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；/>表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值，仓储设备故障运行状态包括仓储设备的温度异常、压力异常、振动频率异常、电压异常、电流异常、转速异常、流速异常中一种或多种；
S33、采用如S23步骤中的数据识别算法按照仓储设备编号和仓储设备对应的运行状态特征数据种类编号/>、/>、/>将仓储设备运行状态特征数据集合/>中仓储设备运行状态特征数据与仓储设备故障运行状态特征阈值集合/>中运行状态特征对应的仓储设备故障运行状态特征阈值进行运行状态特征数值比较并分析构建出仓储设备故障运行状态分析结果；当/>至/>的数值均不大于对应的/>至/>的数值，表示仓储设备不存在运行故障，则按照仓储设备编号/>输出仓储设备故障运行状态分析结果为无故障；当/>至/>的数值中存在大于对应的/>至/>的数值，表示仓储设备存在运行故障，则按照仓储设备编号/>输出仓储设备故障运行状态分析结果为故障。
通过仓储人员违规行为特征识别单元利用智能识别算法进行仓储人员行为特征与违规行为特征进行精确搜索分析，实现仓储人员的行为实时安全监测，提高了仓储人员安全管理的效率和人性化；仓储设备故障运行状态分析单元通过工业传感器实时在线测量仓储设备运行状态特征参数结合智能识别算法与仓储设备故障运行状态特征阈值数值比对，实现对仓储设备的多种状态参数在线故障分析监测，智能识别人员危险行为特征和设备异常运行状态造成人员伤害的故障特征，提高了仓储设备安全管理的质量和效率。
进一步的，请参阅图1－图2，当仓储人员违规行为特征识别结果为违规时，则获取仓储人员个人身份数据、仓储人员违规行为特征识别结果并通过预警设备对仓储人员进行违规行为预警提示的操作步骤如下：
S41、当仓储人员违规行为特征识别结果为违规时，获取仓储人员个人身份数据中仓储人员姓名、工位编号通过预警设备将识别出违规的仓储人员违规行为特征识别结果推送给仓储人员进行违规行为安全预警提示，预警设备包括显示屏、播放器、移动端中至少一种。
当仓储设备故障运行状态分析结果为故障时，则采集故障仓储设备所在仓储空间位置坐标，依据仓储人员所在仓储空间位置坐标、故障仓储设备所在仓储空间位置坐标结合距离公式计量出仓储人员到故障仓储设备距离的操作步骤如下：
S51、当仓储设备故障运行状态分析结果为故障时，通过位置传感器实时在线采集存在故障的仓储设备在仓储空间的位置并生成仓储设备所在仓储空间位置坐标，其中/>表示仓储设备在仓储空间的空间直角坐标系的横坐标，表示仓储设备在仓储空间的空间直角坐标系的纵坐标，/>表示仓储设备在仓储空间的空间直角坐标系的竖坐标；
S52、获取仓储人员所在仓储空间位置坐标和仓储设备所在仓储空间位置坐标/>，利用距离公式计算出仓储人员到故障仓储设备距离。
将仓储人员到故障仓储设备距离与仓储人员到故障仓储设备危险距离阈值进行距离数值比对，依据距离数值比对结果判断生成仓储人员到故障仓储设备危险判断结果的操作步骤如下：
S61、建立仓储人员到故障仓储设备危险距离阈值，其中/>表示仓储人员到存在故障的仓储设备不会发生危险的最大距离值；
S62、将仓储人员到故障仓储设备距离与仓储人员到故障仓储设备危险距离阈值/>进行距离数值比对并分析生成仓储人员到故障仓储设备危险判断结果；当/>﹤/>，则输出仓储人员到故障仓储设备危险判断结果为存在危险；当/>≥/>，则输出仓储人员到故障仓储设备危险判断结果为不存在危险。
当仓储人员到故障仓储设备危险判断结果为存在危险时，则获取仓储人员个人身份数据、仓储人员到故障仓储设备危险判断结果并通过预警设备对仓储人员进行故障仓储设备危险预警提示的操作步骤如下：
S71、当仓储人员到故障仓储设备危险判断结果为存在危险时，获取仓储人员个人身份数据中仓储人员姓名、工位编号通过预警设备将识别出存在故障的仓储设备对应的仓储设备故障运行状态分析结果、仓储人员到故障仓储设备危险判断结果推送给仓储人员进行违规行为安全预警提示。
通过仓储人员违规行为预警单元对仓储人员的违规行为进行实名制预警反馈，保证了仓储人员的仓储作业的安全性；仓储人员故障仓储设备距离计量单元和仓储人员故障仓储设备危险判断单元相互配合在线计量仓储人员和故障仓储设备的距离并与危险距离参数进行比对，智能判断故障仓储设备是否对仓储人员产生人身安全危险，实现同步监测仓储人员危险行为特征和对仓储人员产生人身安全危险的故障仓储设备，提高了仓储安全管理的效果；仓储设备对仓储人员危险预警单元对存在危险的故障仓储设备对象及时在线预警反馈给仓储人员，提高了仓储安全管理的质量。
实现基于人工智能的智能仓储安全管理方法的系统，系统包括仓储人员身份及位置采集模块、仓储人员行为特征及仓储设备运行状态分析模块、仓储危险情况分析及预警模块；仓储人员身份及位置采集模块包括仓储人员身份信息采集单元、仓储人员仓储位置采集单元；仓储人员身份信息采集单元，通过仓储门禁平台采集仓储人员个人身份数据；仓储人员仓储位置采集单元，通过位置传感器采集仓储人员所在仓储空间位置坐标；
仓储人员行为特征及仓储设备运行状态分析模块包括仓储人员行为特征采集单元、仓储设备运行状态采集单元、仓储人员违规行为特征存储单元、仓储设备故障运行状态阈值存储单元、仓储人员违规行为特征识别单元、仓储设备故障运行状态分析单元；仓储人员行为特征采集单元，通过监控镜头采集仓储人员行为特征图像数据；仓储设备运行状态采集单元，通过工业传感器采集仓储设备运行状态特征数据；仓储人员违规行为特征存储单元，用于存储仓储人员违规行为特征图像数据；仓储设备故障运行状态阈值存储单元，用于存储仓储设备故障运行状态特征阈值；仓储人员违规行为特征识别单元，将仓储人员行为特征图像数据与仓储人员违规行为特征图像数据进行行为特征图像匹配，依据图像匹配结果分析构建出仓储人员违规行为特征识别结果；仓储设备故障运行状态分析单元，将仓储设备运行状态特征数据与仓储设备故障运行状态特征阈值进行运行状态特征数据数值比对，依据数值比对结果分析构建出仓储设备故障运行状态分析结果；
仓储危险情况分析及预警模块包括仓储人员违规行为预警单元、故障仓储设备的空间位置采集单元、仓储人员故障仓储设备距离计量单元、仓储人员故障仓储设备危险判断单元、仓储设备对仓储人员危险预警单元；仓储人员违规行为预警单元，当仓储人员违规行为特征识别结果为违规时，则获取仓储人员个人身份数据、仓储人员违规行为特征识别结果并通过预警设备对仓储人员进行违规行为预警提示；故障仓储设备的空间位置采集单元，通过位置传感器采集故障仓储设备所在仓储空间位置坐标；仓储人员故障仓储设备距离计量单元，依据仓储人员所在仓储空间位置坐标、故障仓储设备所在仓储空间位置坐标结合距离公式计量出仓储人员到故障仓储设备距离；仓储人员故障仓储设备危险判断单元，将仓储人员到故障仓储设备距离与仓储人员到故障仓储设备危险距离阈值进行距离数值比对，依据距离数值比对结果判断生成仓储人员到故障仓储设备危险判断结果；仓储设备对仓储人员危险预警单元，用于当仓储人员到故障仓储设备危险判断结果为存在危险时，则获取仓储人员个人身份数据、仓储人员到故障仓储设备危险判断结果并通过预警设备对仓储人员进行故障仓储设备危险预警提示。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.基于人工智能的智能仓储安全管理方法，其特征在于，所述方法包括如下步骤：
S1、采集仓储人员个人身份数据，仓储人员所在仓储空间位置坐标，所述S1包括以下步骤：
S11、通过仓储门禁平台获取进入仓储空间的仓储人员身份信息并生成仓储人员个人身份数据，所述个人身份数据包括仓储人员的姓名、工位编号、职位、性别、身份证号中一种或多种；
以仓储空间地面为基面建立仓储空间的空间直角坐标系，并通过位置传感器实时在线采集仓储人员在仓储空间的位置并实时更新生成仓储人员所在仓储空间位置坐标，其中/>表示仓储人员在仓储空间的空间直角坐标系的横坐标，/>表示仓储人员在仓储空间的空间直角坐标系的纵坐标，/>表示仓储人员在仓储空间的空间直角坐标系的竖坐标；
S2、采集仓储人员行为特征图像数据，将所述仓储人员行为特征图像数据与仓储人员违规行为特征图像数据进行行为特征图像匹配，依据图像匹配结果分析构建出仓储人员违规行为特征识别结果，所述S2包括以下步骤：
S21、通过监控镜头实时在线采集仓储人员行为特征图像数据并建立集合，/>；其中/>表示第/>个仓储人员行为特征图像数据，/>表示仓储人员行为特征图像数据个数的最大值；
S22、建立仓储人员违规行为特征图像数据集合，；其中/>表示第/>个仓储人员违规行为特征图像数据，/>表示仓储人员违规行为特征图像数据个数的最大值，所述违规行为包括进入危险场所、手动操作运行机械、在起吊物下停留、不佩戴防护用品中一种或多种；
S23、采用数据识别算法将仓储人员行为特征图像数据集合中仓储人员行为特征图像数据/>与仓储人员违规行为特征图像数据集合/>中仓储人员违规行为特征图像数据进行图像匹配，所述数据识别算法匹配图像的具体步骤如下：
S231、设置违规行为识别萤火虫种群的个体数量、初始吸引度值、传播介质对光的吸收系数/>以及步长的扰动因子/>，设定最大迭代次数/>；
S232、以违规行为识别萤火虫个体的位置信息作为待优化问题的解，以违规行为识别萤火虫个体的亮度作为解对应的适应度值，根据待优化问题的解的范围，随机初始化违规行为识别萤火虫种群所有个体的位置信息，即在仓储人员违规行为特征图像数据集合搜索空间中识别与仓储人员行为特征图像数据/>匹配的仓储人员违规行为特征图像数据的位置；
S233、根据待求解问题，计算违规行为识别萤火虫种群中每个违规行为识别萤火虫个体的适应度值，之后对违规行为识别萤火虫种群个体的适应度值进行比较，将最高适应度值作为违规行为识别萤火虫种群的历史最优适应度值，将其对应的位置信息作为违规行为识别萤火虫种群的历史最优位置信息，即在仓储人员违规行为特征图像数据集合搜索空间中识别与仓储人员行为特征图像数据/>匹配度最高的仓储人员违规行为特征图像数据/>的位置信息；
S234、依次将每个违规行为识别萤火虫个体与其它违规行为识别萤火虫个体进行适应度值的比较，同时计算违规行为识别萤火虫个体之间的空间距离；按照适应度值低的个体被适应度高的个体吸引的原则，确定每个违规行为识别萤火虫个体分别被违规行为识别萤火虫种群内被吸引个体并根据空间距离计算出每个违规行为识别萤火虫个体受到的所有吸引力，吸引力公式为，其中/>表示两只违规行为识别萤火虫空间距离/>为零的吸引力，/>为传播介质对光的吸收系数，/>取值为1；
S235、每个违规行为识别萤火虫个体依次向所有适应度值比它高的个体位置方向进行移动，按照相关公式进行位置更新；
S236、计算每个违规行为识别萤火虫个体更新后的适应度值，对违规行为识别萤火虫种群的历史最优适应度值、历史最优位置信息进行更新，即在仓储人员违规行为特征图像数据集合中更新筛选仓储人员行为特征图像数据/>与仓储人员违规行为特征图像数据/>的匹配信息；
S237、根据预设的迭代次数重复S234到S236，当达到最大迭代次数时，输出仓储人员行为特征图像数据与仓储人员违规行为特征图像数据/>的匹配结果；
S24、分析构建出仓储人员违规行为特征识别结果，当与/>匹配成功，表示仓储人员在仓储空间中存在违规行为，则输出仓储人员违规行为特征识别结果为违规；
当与/>未匹配成功，表示仓储人员在仓储空间中不存在违规行为，则输出仓储人员违规行为特征识别结果为未违规；
S3、采集仓储设备运行状态特征数据，将所述仓储设备运行状态特征数据与仓储设备故障运行状态特征阈值进行运行状态特征数据数值比对，依据数值比对结果分析构建出仓储设备故障运行状态分析结果，所述S3包括以下步骤：
S31、通过工业传感器在线采集仓储空间的仓储设备的运行状态并生成仓储设备运行状态特征数据集合，其中/>；其中/>表示第/>台仓储设备，/>表示仓储设备数量的最大值，/>表示第一台仓储设备对应的第一种仓储设备运行状态特征数据；/>表示第一台仓储设备对应的第/>种仓储设备运行状态特征数据；
表示第/>台仓储设备对应的第一种仓储设备运行状态特征数据；/>表示第台仓储设备对应的第/>种仓储设备运行状态特征数据；
表示第/>台仓储设备对应的第一种仓储设备运行状态特征数据；/>表示第/>台仓储设备对应的第/>种仓储设备运行状态特征数据；
S32、建立仓储设备故障运行状态特征阈值集合，其中/>表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；/>表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；
表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；
表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值；表示仓储设备运行状态特征数据/>对应的仓储设备故障运行状态特征阈值，所述仓储设备故障运行状态包括仓储设备的温度异常、压力异常、振动频率异常、电压异常、电流异常、转速异常、流速异常中一种或多种；
S33、采用如S23步骤中的数据识别算法按照仓储设备编号和仓储设备对应的运行状态特征数据种类编号/>、/>、/>将仓储设备运行状态特征数据集合/>中仓储设备运行状态特征数据与仓储设备故障运行状态特征阈值集合/>中运行状态特征对应的仓储设备故障运行状态特征阈值进行运行状态特征数值比较并分析构建出仓储设备故障运行状态分析结果；
当至/>的数值均不大于对应的/>至/>的数值，表示仓储设备不存在运行故障，则按照仓储设备编号/>输出仓储设备故障运行状态分析结果为无故障；
当至/>的数值中存在大于对应的/>至/>的数值，表示仓储设备存在运行故障，则按照仓储设备编号/>输出仓储设备故障运行状态分析结果为故障；
S4、当所述仓储人员违规行为特征识别结果为违规时，则获取所述仓储人员个人身份数据、所述仓储人员违规行为特征识别结果并通过预警设备对仓储人员进行违规行为预警提示，所述S4包括以下步骤：
S41、当仓储人员违规行为特征识别结果为违规时，获取所述仓储人员个人身份数据中仓储人员姓名、工位编号通过预警设备将识别出违规的所述仓储人员违规行为特征识别结果推送给仓储人员进行违规行为安全预警提示，所述预警设备包括显示屏、播放器、移动端中至少一种；
S5、当所述仓储设备故障运行状态分析结果为故障时，则采集故障仓储设备所在仓储空间位置坐标，依据所述仓储人员所在仓储空间位置坐标、所述故障仓储设备所在仓储空间位置坐标结合距离公式计量出仓储人员到故障仓储设备距离，所述S5包括以下步骤：
S51、当仓储设备故障运行状态分析结果为故障时，通过位置传感器实时在线采集存在故障的仓储设备在仓储空间的位置并生成仓储设备所在仓储空间位置坐标，其中/>表示仓储设备在仓储空间的空间直角坐标系的横坐标，/>表示仓储设备在仓储空间的空间直角坐标系的纵坐标，/>表示仓储设备在仓储空间的空间直角坐标系的竖坐标；
S52、获取所述仓储人员所在仓储空间位置坐标和所述仓储设备所在仓储空间位置坐标/>，利用距离公式计算出仓储人员到故障仓储设备距离；
S6、将所述仓储人员到故障仓储设备距离与仓储人员到故障仓储设备危险距离阈值进行距离数值比对，依据距离数值比对结果判断生成仓储人员到故障仓储设备危险判断结果，所述S6包括以下步骤：
S61、建立仓储人员到故障仓储设备危险距离阈值，其中/>表示仓储人员到存在故障的仓储设备不会发生危险的最大距离值；
S62、将所述仓储人员到故障仓储设备距离与仓储人员到故障仓储设备危险距离阈值/>进行距离数值比对并分析生成仓储人员到故障仓储设备危险判断结果；
当﹤/>，则输出仓储人员到故障仓储设备危险判断结果为存在危险；
当≥/>，则输出仓储人员到故障仓储设备危险判断结果为不存在危险；
S7、当仓储人员到故障仓储设备危险判断结果为存在危险时，则获取所述仓储人员个人身份数据、所述仓储人员到故障仓储设备危险判断结果并通过预警设备对仓储人员进行故障仓储设备危险预警提示，所述S7包括以下步骤：
S71、当仓储人员到故障仓储设备危险判断结果为存在危险时，获取所述仓储人员个人身份数据中仓储人员姓名、工位编号通过预警设备将识别出存在故障的仓储设备对应的所述仓储设备故障运行状态分析结果、所述仓储人员到故障仓储设备危险判断结果推送给仓储人员进行进行故障仓储设备危险预警提示。
2.实现如权利要求1所述的基于人工智能的智能仓储安全管理方法的系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410043786.9A CN117557201B (zh) | 2024-01-12 | 2024-01-12 | 基于人工智能的智能仓储安全管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410043786.9A CN117557201B (zh) | 2024-01-12 | 2024-01-12 | 基于人工智能的智能仓储安全管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117557201A CN117557201A (zh) | 2024-02-13 |
| CN117557201B true CN117557201B (zh) | 2024-04-12 |
Family
ID=89820855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410043786.9A Active CN117557201B (zh) | 2024-01-12 | 2024-01-12 | 基于人工智能的智能仓储安全管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557201B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183265A (zh) * | 2020-09-17 | 2021-01-05 | 国家电网有限公司 | 基于图像识别的电力施工视频监控告警方法及系统 |
| CN113033393A (zh) * | 2021-03-24 | 2021-06-25 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 基于机器视觉的火电站人员操作安全监控系统及方法 |
| CN114973140A (zh) * | 2022-06-10 | 2022-08-30 | 广西北投公路建设投资集团有限公司 | 基于机器视觉的危险区域人员闯入监测方法及系统 |
| CN115171006A (zh) * | 2022-06-15 | 2022-10-11 | 武汉纺织大学 | 基于深度学习的自动识别人员进入电力危险区的检测方法 |
| CN115223246A (zh) * | 2022-07-19 | 2022-10-21 | 中国兵器装备集团自动化研究所有限公司 | 一种人员违规行为识别方法、装置、设备及存储介质 |
| CN115497169A (zh) * | 2022-10-11 | 2022-12-20 | 中信梧桐港供应链管理有限公司 | 一种仓库作业行为识别方法、装置及设备 |
| CN115604424A (zh) * | 2022-09-09 | 2023-01-13 | 国网西藏电力有限公司拉萨供电公司（Cn） | 一种物资仓储安防管理系统 |
| CN115953824A (zh) * | 2023-03-14 | 2023-04-11 | 苏州利博软件技术有限公司 | 一种人脸皮肤图像处理方法及系统 |
| CN116012939A (zh) * | 2022-12-22 | 2023-04-25 | 浙江大华技术股份有限公司 | 违规行为的确定方法和装置、存储介质及电子装置 |
| CN116050957A (zh) * | 2023-02-23 | 2023-05-02 | 南京未来物联科技有限公司 | 一种结合图像识别和人员定位的仓储物流管理系统及方法 |
| CN116071784A (zh) * | 2023-02-09 | 2023-05-05 | 中国工商银行股份有限公司 | 人员违规行为识别方法、装置、设备和存储介质 |
| CN116403157A (zh) * | 2023-03-23 | 2023-07-07 | 宁波图锐信息科技有限公司 | 一种厂区智能化安全预警系统及方法 |
| CN117235664A (zh) * | 2023-09-15 | 2023-12-15 | 深圳供电局有限公司 | 配电通信设备的故障诊断方法、系统和计算机设备 |
-
2024
- 2024-01-12 CN CN202410043786.9A patent/CN117557201B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183265A (zh) * | 2020-09-17 | 2021-01-05 | 国家电网有限公司 | 基于图像识别的电力施工视频监控告警方法及系统 |
| CN113033393A (zh) * | 2021-03-24 | 2021-06-25 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 基于机器视觉的火电站人员操作安全监控系统及方法 |
| CN114973140A (zh) * | 2022-06-10 | 2022-08-30 | 广西北投公路建设投资集团有限公司 | 基于机器视觉的危险区域人员闯入监测方法及系统 |
| CN115171006A (zh) * | 2022-06-15 | 2022-10-11 | 武汉纺织大学 | 基于深度学习的自动识别人员进入电力危险区的检测方法 |
| CN115223246A (zh) * | 2022-07-19 | 2022-10-21 | 中国兵器装备集团自动化研究所有限公司 | 一种人员违规行为识别方法、装置、设备及存储介质 |
| CN115604424A (zh) * | 2022-09-09 | 2023-01-13 | 国网西藏电力有限公司拉萨供电公司（Cn） | 一种物资仓储安防管理系统 |
| CN115497169A (zh) * | 2022-10-11 | 2022-12-20 | 中信梧桐港供应链管理有限公司 | 一种仓库作业行为识别方法、装置及设备 |
| CN116012939A (zh) * | 2022-12-22 | 2023-04-25 | 浙江大华技术股份有限公司 | 违规行为的确定方法和装置、存储介质及电子装置 |
| CN116071784A (zh) * | 2023-02-09 | 2023-05-05 | 中国工商银行股份有限公司 | 人员违规行为识别方法、装置、设备和存储介质 |
| CN116050957A (zh) * | 2023-02-23 | 2023-05-02 | 南京未来物联科技有限公司 | 一种结合图像识别和人员定位的仓储物流管理系统及方法 |
| CN115953824A (zh) * | 2023-03-14 | 2023-04-11 | 苏州利博软件技术有限公司 | 一种人脸皮肤图像处理方法及系统 |
| CN116403157A (zh) * | 2023-03-23 | 2023-07-07 | 宁波图锐信息科技有限公司 | 一种厂区智能化安全预警系统及方法 |
| CN117235664A (zh) * | 2023-09-15 | 2023-12-15 | 深圳供电局有限公司 | 配电通信设备的故障诊断方法、系统和计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于网格的违规行为事件责任认定研究;张尚韬;;海南大学学报(自然科学版);20130925(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117557201A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10614316B2 (en) | Anomalous event retriever | |
| US11501537B2 (en) | Multiple-factor verification for vision-based systems | |
| CN114676862B (zh) | 一种数据中心的可视化运维管理方法及系统 | |
| CN111008859B (zh) | 虚拟店铺中信息呈现方法、装置、电子设备及存储介质 | |
| US20140089044A1 (en) | System and method for identifying and presenting business-to-business sales opportunities | |
| US10593169B2 (en) | Virtual manager with pre-defined rules to generate an alert in response to a specified event | |
| CN110310123A (zh) | 风险判断方法和装置 | |
| CN114782897A (zh) | 基于机器视觉及深度学习的危险行为检测方法及系统 | |
| CN112861895B (zh) | 一种异常物品的检测方法和装置 | |
| WO2023104557A1 (en) | Machine-learning for safety rule violation determination | |
| CN117557201B (zh) | 基于人工智能的智能仓储安全管理系统及方法 | |
| CN111709597B (zh) | 一种电网生产域运营监测系统 | |
| US11170331B2 (en) | Virtual management system data processing unit and method with rules and alerts | |
| CN103198266B (zh) | 用于装置安保的方法和系统 | |
| CN116859842A (zh) | 一种化工生产线安全评估系统 | |
| CN116702089A (zh) | 基于物联网的超市数据监测系统 | |
| CN114113487B (zh) | 一种挥发性有机物在线监测系统及方法 | |
| CN112784080B (zh) | 基于发电厂三维数字化平台的场景推荐方法、系统及装置 | |
| WO2021081688A1 (zh) | 基于价签的缺货检测方法及装置 | |
| CN112800804A (zh) | 基于价签的缺货检测方法及装置 | |
| Khan et al. | Assessment of indoor risk through deep learning-based object recognition in disaster situations | |
| Herp et al. | State transition of wind turbines based on empirical inference on model residuals | |
| CN116700199B (zh) | 一种基于数字孪生技术的工厂生产控制方法及系统 | |
| CN116012945A (zh) | 一种无人置物柜的告警方法、装置、设备及存储介质 | |
| US20230281993A1 (en) | Vision system for classifying persons based on visual appearance and dwell locations |
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 |