CN117854170A - 一种工地出勤打卡的自适应认证方法 - Google Patents

Abstract

本申请提供一种工地出勤打卡的自适应认证方法，包括：员工在建筑工地的打卡系统中打卡时，空气过滤器自动调整过滤参数，减少尘土和其他悬浮颗粒；打卡系统通过内置的视频传感器和监测设备获取员工的实时心率、体温和精神状态数据；打卡时对体温数据进行分析，检测是否存在异常健康状况，使用决策树算法分析清洗后的心率数据，评估员工的实际工作压力；打卡系统同步获取当日工地的工作内容和工作环境数据，包括噪音级别和空气质量；将获取到的环境数据与之前分析的体温和心率数据进行数据融合，使用决策树算法进行综合健康状态评估。

Description

一种工地出勤打卡的自适应认证方法

技术领域

本发明涉及信息技术领域，尤其涉及一种工地出勤打卡的自适应认证方法。

背景技术

随着全球建筑业的快速发展，大量的建筑工地遍布各地。工地员工的安全与健康状况一直是各方关注的焦点，因为工地环境多变，存在许多未知的安全风险。传统的打卡系统主要用于管理员工的出勤时间，确保工资发放的准确性，但这种方法仅涉及时间管理，不能评估员工的实际健康状况和工作环境的质量。近年来，尘土、悬浮颗粒等污染物在建筑工地上的积累使得工地的空气质量日益恶化，增加了工人的健康风险。另外，工地的高频噪声、机械震动和其他环境因素也会对获取工人的实时生理健康数据造成影响，导致获取的数据不够准确。尽管已有一些监测设备和工具用于评估工地的环境状况，但大多数系统并不具备实时分析和反馈功能，难以为工人提供实时的健康预警和保护建议。同时，现有的健康监测设备大多关注单一的生理参数，如心率、体温等，而忽略了环境因素与生理反应之间的复杂关系。这种单一的数据监测方式无法为工地管理者提供全面的健康评估和调整策略。此外，工地的数据来源繁多、格式各异，数据清洗和融合成为一大难题。在没有统一的数据处理方法的情况下，单独的数据来源很难为决策者提供准确的参考。因此，现有技术中缺乏一种能够综合考虑工地环境、员工生理状况和工作内容的智能打卡方法，使得工地管理者难以做出准确的决策，也使得工人的健康和安全受到威胁。

发明内容

本发明提供了一种工地出勤打卡的自适应认证方法，主要包括：

员工在建筑工地的打卡系统中打卡时，空气过滤器自动调整过滤参数，减少尘土和其他悬浮颗粒；打卡系统通过内置的视频传感器和监测设备获取员工的实时心率、体温和精神状态数据；打卡系统通过内置声学模块监听周围环境，如果检测到高频噪声，系统自动应用快速傅里叶变换算法分析声波频率，并屏蔽噪声，并对获取到的所有生理和环境参数数据进行数据清洗，删除错误值并统一格式；打卡时对体温数据进行分析，检测是否存在异常健康状况，使用决策树算法分析清洗后的心率数据，评估员工的实际工作压力；打卡系统同步获取当日工地的工作内容和工作环境数据，包括噪音级别和空气质量；将获取到的环境数据与之前分析的体温和心率数据进行数据融合，使用决策树算法进行综合健康状态评估；根据综合健康状态评估的结果，分析员工当天的工作任务是否与当前健康状态匹配，是否需要进行预防工作相关疾病或意外情况；将融合后的健康数据与工地的实时工作内容和环境数据进行匹配，最终生成预防措施列表，并自动展示个性化预防建议给员工。

在一些实施例中，所述员工在建筑工地的打卡系统中打卡时，空气过滤器自动调整过滤参数，减少尘土和其他悬浮颗粒，包括：

若员工打卡系统记录到打卡行为，则通过API获取员工打卡信息，以及打卡时间，并通过API向空气过滤器发送启动请求；空气过滤器收到API发送的启动请求后，启动空气过滤器内置的清洁模式；打卡系统通过内部传感器实时获取当前工地的尘土和悬浮颗粒浓度数据；根据获取的实时尘土和悬浮颗粒浓度数据，实时调整空气过滤器的过滤器清洁模式、过滤级别、过滤器运行时间；空气过滤器运行结束后，通过打卡系统的内部传感器进行测定，得到处理后的尘土和悬浮颗粒浓度；根据员工打卡时间、实时测定的尘土和悬浮颗粒浓度数据，基于支持向量机算法，建立尘土和悬浮颗粒浓度预测模型，预测不同打卡时间的尘土和悬浮颗粒浓度；根据不同打卡时间的尘土和悬浮颗粒浓度预测结果，通过自动化控制系统调整空气过滤器的预设启动模式。

在一些实施例中，所述打卡系统通过内置的视频传感器和监测设备获取员工的实时心率、体温和精神状态数据，包括：

通过内置视频传感器获取员工面部图像，使用Haar级联分类器，提取员工面部特征检测图像中的面部区域；使用Dlib的68点模型在面部图像上定位关键标记点；根据关键标记点之间的距离和角度，计算得到一个特征向量；通过提取的员工面部特征与已知的员工面部数据库进行比对，确定匹配度最高的面部数据，并返回员工身份；使用监测设备，采集员工的实时体温数据和实时心率数据；通过内置视频传感器获取员工活动视频，提取员工活动视频中的图像帧；根据提取的员工活动图像帧获取员工的身体活动数据，包括身体活动范围，身体活动频率；根据身体活动数据，判断员工的精神状态；将采集到的实时员工心率、体温精神状态数据进行数据清洗，消除异常值或噪音；将员工心率、体温和精神状态数据合并，启动数据加密模块，随机生成一个加密密钥加密合并后的数据，并将合并后的数据传输到数据存储系统；数据成功存储到数据存储系统后，触发时间戳模块，记录数据存储的准确时间。

在一些实施例中，所述打卡系统通过内置声学模块监听周围环境，如果检测到高频噪声，系统自动应用快速傅里叶变换算法分析声波频率，并屏蔽噪声，并对获取到的所有生理和环境参数数据进行数据清洗，删除错误值并统一格式，包括：

通过打卡系统的内置声学模块获取周围的声音数据；使用傅里叶变换算法对周围的声音数据进行转换，将时间域上的信号转化为频率域，得到周围的声音的频率域数据；对于变换后的频率域数据，设置一个预先确定的阈值，若频率域数据中的某一频率的强度超过此阈值，则判定频率的强度超过阈值的频率为噪声；对于被判定为噪声的频率，触发噪声屏蔽滤波器进行噪声屏蔽处理；在噪声屏蔽后，获取员工生理参数数据和环境参数数据，其中生理参数为员工的心率、体温，环境参数数据为环境的温度、湿度、声音频率、尘土和悬浮颗粒浓度；同时，利用傅里叶变换算法识别出的声波频率特征对生理和环境数据进行标注；若标注完成，对生理和环境数据进行数据清洗，删除错误值并统一生理和环境数据的数据格式。

在一些实施例中，所述打卡时对体温数据进行分析，检测是否存在异常健康状况，使用决策树算法分析清洗后的心率数据，评估员工的实际工作压力，包括：

在打卡时，获取打卡员工标识，并通过API接收员工体温数据；通过预设的体温阈值，分析员工的体温数据，判断其是否存在发热或低体温情况；对出现异常体温的员工标识进行标记，将出现异常体温的员工标识录入特殊观察数据库；使用特殊观察数据库中的员工标识，再次通过API获取对应的心率数据；对心率数据进行数据清洗，利用中位数去噪法去除心率数据的异常值或噪点；根据员工心率、工作时长、休息时间、工作内容和工作环境数据，采用决策树算法，进行员工工作压力分类，判断员工当前的工作压力等级；将与员工标识相关联的工作压力分类结果存入分析结果数据库；如果工作压力评估结果指向高压状态，该员工标识将被标记为需要进一步的关注和观察；对特殊观察数据库和分析结果数据库执行交集操作，标记出同时存在体温和工作压力异常的员工标识；还包括：根据员工心率、工作时长、休息时间、工作内容和工作环境数据，采用决策树算法，确定员工的工作压力等级。

所述根据员工心率、工作时长、休息时间、工作内容和工作环境数据，采用决策树算法，确定员工的工作压力等级，具体包括：

根据员工的心率数据，获取心率的平均值、最大值、最小值和标准差。获取员工每天的工作时长和休息时间。根据员工的工作内容，获取员工的工作类型和工作强度。根据员工的工作环境，获取员工的工作环境条件和噪音水平。通过计算皮尔森相关系数的方法进行特征选择，确定对工作压力分类具有重要影响的属性，并进行筛选，得到最相关的属性集合；将数据集划分为训练集和测试集，采用决策树算法，根据训练集的属性标签，构建决策树模型；利用构建的决策树模型，预测员工的工作压力等级。

在一些实施例中，所述打卡系统同步获取当日工地的工作内容和工作环境数据，包括噪音级别和空气质量，包括：

通过数据接口同步获取当日工地的工作内容数据，并按照任务优先级进行自动排序；通过数据接口同步获取工地的噪音级别和空气质量数据，若噪音级别数据超过预设阈值，自动触发相应的警报系统，若空气质量数据低于预设水平，自动启动环境净化设备；通过数据接口同步获取工地上的工作人数，并根据工作内容及人数进行工作任务自动分配；获取工地与附近工地的位置，根据地理位置数据，评估资源共享可能性；通过传感器同步获取所有工作设备的状态，将处于非工作状态的工作设备自动标记为备用，并进行电量检测；数据接口同步获取工作任务的完成情况与工作时长，并根据工作时长和工作内容自动调整未来任务优先级。

在一些实施例中，所述将获取到的环境数据与之前分析的体温和心率数据进行数据融合，使用决策树算法进行综合健康状态评估，包括：

使用环境传感器获取工作环境数据；利用员工佩戴的可穿戴设备获取员工的体温和心率数据；运用均值填充法对环境数据、体温数据和心率数据的缺失值进行补全；使用Z-score标准化对补全后的四组数据进行标准化处理；根据相关性矩阵选择标准化后的各项数据中与健康状态最相关的特征；利用选择的特征，将四组数据整合为一个统一的数据集；使用决策树算法，对整合后的数据集进行模型训练；根据训练好的决策树模型，对新获取的数据进行健康状态评估；如果输出结果低于预定阈值，则被标记为需要进一步分析；使用Z-score标准化对被标记的数据进行标准化处理；利用新处理后的数据，重新训练决策树模型；根据重新训练好的决策树模型，对新获取的数据进行健康状态评估。

在一些实施例中，所述根据综合健康状态评估的结果，分析员工当天的工作任务是否与当前健康状态匹配，是否需要进行预防工作相关疾病或意外情况，包括：

从数据库中提取当天环境数据、体温和心率数据；利用训练好的决策树模型，对员工的健康状态数据进行初步分析，得到员工的健康状态评估结果；获取员工的当天工作任务数据，判断员工当天的工作任务是否与当前健康状态匹配；若员工当天的工作任务与当前健康状态不匹配，则重新分配工作任务；根据环境数据、体温和心率数据以及工作任务数据，判断员工当天工作任务类型是否属于高风险任务，如果是高风险任务，则员工处于高风险状态；判断员工当天工作任务强度是否超过身体或心理承受能力，如果超过承受能力，则员工处于高风险状态；判断员工当天工作任务环境是否存在安全隐患或有害物质，如果存在安全隐患或有害物质，则员工处于高风险状态；判断员工当天体温和心率是否达标，如果体温和心率不达标，则员工处于高风险状态；若存在高风险员工，触发高风险预警模块，并将员工的信息纳入监控列表，并预防处于高风险状态员工的相关疾病或意外情况。

在一些实施例中，所述将融合后的健康数据与工地的实时工作内容和环境数据进行匹配，最终生成预防措施列表，并自动展示个性化预防建议给员工，包括：

通过API从多个不同的数据库和传感器获取融合后的健康数据；通过工地日志获取工地的实时工作内容文本，采用TF-IDF算法提取文本中的关键特征；根据提取的特征，将工作内容分类为预定的类别，并为每个工作任务分配一个或多个标签，描述任务的性质和要求；将分类和标签结果转化为数据库格式的结构化工作内容数据；通过环境监测设备获取工地环境数据，包括温度、湿度、污染物浓度；对融合后的健康数据、工作内容数据和环境数据进行预处理，统一数据格式，并将预处理后的数据匹配并融合，形成综合数据集；运用简单线性回归算法分析综合数据集，通过判断预防措施的执行情况和有效性，得到与预防措施相关的数据特征；根据得到的数据特征，制定预防措施列表；根据预防措施列表和工地员工实时工作内容，为每位员工制定个性化的预防建议；将每位员工的个性化预防建议发送到每个员工的移动设备。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明公开了一种工地出勤打卡的自适应认证方法。通过内置的视频传感器和监测设备获取员工的实时心率、体温和精神状态数据，并通过内置声学模块监听周围环境，实时分析和屏蔽高频噪声。

在打卡时，系统对体温数据进行分析，检测是否存在异常健康状况，并使用决策树算法分析清洗后的心率数据，以评估员工的实际工作压力。同时，系统同步获取当日工地的工作内容和工作环境数据。

将获取到的环境数据与之前分析的体温和心率数据进行数据融合，使用决策树算法进行综合健康状态评估。根据评估结果，分析员工当天的工作任务是否与当前健康状态匹配，是否需要进行预防工作相关疾病或意外情况。

最终，系统将融合后的健康数据与工地的实时工作内容和环境数据进行匹配，生成预防措施列表，并自动展示个性化预防建议给员工。通过这种综合应用技术，员工可以及时了解自身健康状况并采取相应措施，从而提高工作效率和预防工作相关的健康问题和意外情况。

附图说明

图1为本发明的一种工地出勤打卡的自适应认证方法的流程图。

图2为本发明的一种工地出勤打卡的自适应认证方法的示意图。

图3为本发明的一种工地出勤打卡的自适应认证方法的又一示意图。

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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本实施例一种工地出勤打卡的自适应认证方法具体可以包括：

步骤S101，员工在建筑工地的打卡系统中打卡时，空气过滤器自动调整过滤参数，减少尘土和其他悬浮颗粒。

若员工打卡系统记录到打卡行为，则通过API获取员工打卡信息，以及打卡时间，并通过API向空气过滤器发送启动请求。空气过滤器收到API发送的启动请求后，启动空气过滤器内置的清洁模式。打卡系统通过内部传感器实时获取当前工地的尘土和悬浮颗粒浓度数据。根据获取的实时尘土和悬浮颗粒浓度数据，实时调整空气过滤器的过滤器清洁模式、过滤级别、过滤器运行时间。空气过滤器运行结束后，通过打卡系统的内部传感器进行测定，得到处理后的尘土和悬浮颗粒浓度。根据员工打卡时间、实时测定的尘土和悬浮颗粒浓度数据，基于支持向量机算法，建立尘土和悬浮颗粒浓度预测模型，预测不同打卡时间的尘土和悬浮颗粒浓度。根据不同打卡时间的尘土和悬浮颗粒浓度预测结果，通过自动化控制系统调整空气过滤器的预设启动模式。例如，员工A在上午8点打卡，系统记录到打卡行为，并通过API获取到员工A的打卡信息和打卡时间为8点。打卡系统将通过API向空气过滤器发送启动请求。空气过滤器收到API发送的启动请求后，启动内置的清洁模式。根据实时传感器获取的当前工地尘土和悬浮颗粒浓度数据，尘土浓度为1000微克/立方米，悬浮颗粒浓度为50微克/立方米。根据这些数据，打卡系统实时调整空气过滤器的过滤器清洁模式、过滤级别和过滤器运行时间。空气过滤器运行结束后，通过打卡系统内部传感器进行测定，得到处理后的尘土和悬浮颗粒浓度。处理后尘土浓度为500微克/立方米，悬浮颗粒浓度为20微克/立方米。根据员工A的打卡时间和实时测定的尘土和悬浮颗粒浓度数据，使用支持向量机算法建立尘土和悬浮颗粒浓度预测模型。模型预测出员工A在上午8点打卡时的尘土浓度为600微克/立方米，悬浮颗粒浓度为30微克/立方米。根据不同打卡时间的尘土和悬浮颗粒浓度预测结果，自动化控制系统可以调整空气过滤器的预设启动模式，如在高尘土和悬浮颗粒浓度预测时增加过滤器清洁模式的运行时间，提高过滤级别等。

步骤S102，打卡系统通过内置的视频传感器和监测设备获取员工的实时心率、体温和精神状态数据。

通过内置视频传感器获取员工面部图像，使用Haar级联分类器，提取员工面部特征检测图像中的面部区域；使用Dlib的68点模型在面部图像上定位关键标记点；根据关键标记点之间的距离和角度，计算得到一个特征向量。通过提取的员工面部特征与已知的员工面部数据库进行比对，确定匹配度最高的面部数据，并返回员工身份。使用监测设备，采集员工的实时体温数据和实时心率数据。通过内置视频传感器获取员工活动视频，提取员工活动视频中的图像帧；根据提取的员工活动图像帧获取员工的身体活动数据，包括身体活动范围，身体活动频率。根据身体活动数据，判断员工的精神状态；将采集到的实时员工心率、体温精神状态数据进行数据清洗，消除异常值或噪音；将员工心率、体温和精神状态数据合并，启动数据加密模块，随机生成一个加密密钥加密合并后的数据，并将合并后的数据传输到数据存储系统。数据成功存储到数据存储系统后，触发时间戳模块，记录数据存储的准确时间。例如，通过内置视频传感器获取的员工面部图像中提取的面部区域特征向量为[2,5,8,3]，与已知的员工面部数据库中的面部数据进行比对时，找到匹配度最高的面部数据，其特征向量为[2,4,7,2]。另外，采集到的员工实时体温数据为35摄氏度，实时心率数据为80次/分钟。根据员工活动视频提取的图像帧获得的身体活动数据显示，员工的身体活动范围为5平方米，身体活动频率为每分钟10次。根据身体活动数据，判断员工的精神状态为正常。经过数据清洗消除异常值或噪音后，员工心率为78次/分钟，体温为33摄氏度，精神状态仍然为正常。最后，通过数据加密模块生成的随机加密密钥将员工心率、体温和精神状态数据加密，并传输到数据存储系统。数据成功存储到数据存储系统后，时间戳模块记录了数据存储的准确时间为2022年1月1日10:30AM。

步骤S103，打卡系统通过内置声学模块监听周围环境，如果检测到高频噪声，系统自动应用快速傅里叶变换算法分析声波频率，并屏蔽噪声，并对获取到的所有生理和环境参数数据进行数据清洗，删除错误值并统一格式。

通过打卡系统的内置声学模块获取周围的声音数据；使用傅里叶变换算法对周围的声音数据进行转换，将时间域上的信号转化为频率域，得到周围的声音的频率域数据。对于变换后的频率域数据，设置一个预先确定的阈值，若频率域数据中的某一频率的强度超过此阈值，则判定频率的强度超过阈值的频率为噪声。对于被判定为噪声的频率，触发噪声屏蔽滤波器进行噪声屏蔽处理。在噪声屏蔽后，获取员工生理参数数据和环境参数数据，其中生理参数为员工的心率、体温，环境参数数据为环境的温度、湿度、声音频率、尘土和悬浮颗粒浓度。同时，利用傅里叶变换算法识别出的声波频率特征对生理和环境数据进行标注。若标注完成，对生理和环境数据进行数据清洗，删除错误值并统一生理和环境数据的数据格式。例如，使用打卡系统的声学模块获取周围的声音数据，并应用傅里叶变换算法将其转化为频率域数据为[100Hz,200Hz,300Hz,400Hz,500Hz]，设置一个预先确定的阈值300Hz。根据阈值，可以判定哪些频率被认为是噪声。因此，400Hz和500Hz的强度均超过了30的阈值，所以可以判定400Hz和500Hz是噪声频率。接下来，触发噪声屏蔽滤波器对噪声进行屏蔽处理。屏蔽后的频率域数据为[100Hz,200Hz,300Hz]；然后，可以获取员工的生理参数数据和环境参数数据为，员工的心率为80bpm，体温为35摄氏度。而环境参数数据为温度25摄氏度，湿度40％，声音频率为300Hz，尘土浓度为02mg/m³，悬浮颗粒浓度为10ppm。最后，利用傅里叶变换算法识别出的声波频率特征对生理和环境数据进行标注，如将心率、体温和声音频率分别与其对应的频率进行标注，则心率为80bpm-频率300Hz，体温为35摄氏度-频率200Hz；标注完成后，对生理和环境数据进行数据清洗，删除错误值并统一生理和环境数据的数据格式。

步骤S104，打卡时对体温数据进行分析，检测是否存在异常健康状况，使用决策树算法分析清洗后的心率数据，评估员工的实际工作压力。

在打卡时，获取打卡员工标识，并通过API接收员工体温数据。通过预设的体温阈值，分析员工的体温数据，判断其是否存在发热或低体温情况。对出现异常体温的员工标识进行标记，将出现异常体温的员工标识录入特殊观察数据库。使用特殊观察数据库中的员工标识，再次通过API获取对应的心率数据。对心率数据进行数据清洗，利用中位数去噪法去除心率数据的异常值或噪点。根据员工心率、工作时长、休息时间、工作内容和工作环境数据，采用决策树算法，进行员工工作压力分类，判断员工当前的工作压力等级。将与员工标识相关联的工作压力分类结果存入分析结果数据库。如果工作压力评估结果指向高压状态，该员工标识将被标记为需要进一步的关注和观察。对特殊观察数据库和分析结果数据库执行交集操作，标记出同时存在体温和工作压力异常的员工标识。例如，在打卡时，获取员工标识为1001的员工，并通过API接收其体温数据为35℃。根据预设的体温阈值，如果体温低于36℃或高于35℃，则判断为异常体温情况。员工1001的体温正常，没有发热或低体温情况。对于心率数据，根据特殊观察数据库中员工标识为1001的员工信息，在通过API获取对应的心率数据。获取到的心率数据为[70,80,75,100,85]。根据中位数去噪法，计算心率数据的中位数为80。如果心率数据中的值与中位数相差超过预设阈值10，则判定为异常值或噪点。心率数据中的100超过了中位数80加上10的阈值，因此判定为异常值，并将其去除。根据员工标识1001的心率数据[70,80,75,85]、工作时长为8小时、休息时间为1小时、工作内容为办公室工作、工作环境为舒适的办公室环境，使用决策树算法进行工作压力分类。根据算法模型，将员工1001的工作压力分类结果判断为正常压力等级。将员工标识1001与工作压力分类结果存入分析结果数据库。在特殊观察数据库和分析结果数据库执行交集操作，发现没有同时存在体温和工作压力异常的员工。

根据员工心率、工作时长、休息时间、工作内容和工作环境数据，采用决策树算法，确定员工的工作压力等级。

根据员工的心率数据，获取心率的平均值、最大值、最小值和标准差。获取员工每天的工作时长和休息时间。根据员工的工作内容，获取员工的工作类型和工作强度。根据员工的工作环境，获取员工的工作环境条件和噪音水平。通过计算皮尔森相关系数的方法进行特征选择，确定对工作压力分类具有重要影响的属性，并进行筛选，得到最相关的属性集合；将数据集划分为训练集和测试集，采用决策树算法，根据训练集的属性标签，构建决策树模型；利用构建的决策树模型，预测员工的工作压力等级。例如，有5位员工的数据，(员工，心率，工作时长，休息时间，工作类型，工作强度，工作环境条件，噪音水平，压力等级)，(A，70，8，1，清理工地，中，良好，50，低)，(B，85，10，0.5，搬运材料，高，一般，60，中)，(C，78，9，1.5，修理设备，低，良好，45，低)，(D，82，11，0.5，

搬运材料，高，差，70，高)，(E，75，7，2，清理工地，低，良好，48，低)。因此，心率数据的平均值＝78，最大值＝85，最小值＝70，标准差约＝5.25。根据表格获取工作时长与休息时间，将工作类型和工作强度分别编码为数字，将工作环境条件编码为良好＝1、一般＝2、差＝3，噪音水平使用分贝值。特征选择使用皮尔森相关系数，发现“工作时长”和“噪音水平”与“压力等级”的相关性最高，选择这两个特征。将A、B、C作为训练集，D和E作为测试集。使用训练集数据，构建了一个简单的决策树模型，模型根据“工作时长”和“噪音水平”来预测“压力等级”。利用决策树模型，对D和E的数据进行预测，然后与实际的压力等级进行对比，评估模型的准确性。根据测试结果，确定模型的准确性和是否需要进一步调整模型参数。

步骤S105，打卡系统同步获取当日工地的工作内容和工作环境数据，包括噪音级别和空气质量。

通过数据接口同步获取当日工地的工作内容数据，并按照任务优先级进行自动排序。通过数据接口同步获取工地的噪音级别和空气质量数据，若噪音级别数据超过预设阈值，自动触发相应的警报系统，若空气质量数据低于预设水平，自动启动环境净化设备。通过数据接口同步获取工地上的工作人数，并根据工作内容及人数进行工作任务自动分配。获取工地与附近工地的位置，根据地理位置数据，评估资源共享可能性。通过传感器同步获取所有工作设备的状态，将处于非工作状态的工作设备自动标记为备用，并进行电量检测。数据接口同步获取工作任务的完成情况与工作时长，并根据工作时长和工作内容自动调整未来任务优先级。例如，每天早上8点，打卡系统自动同步获取当日工地的工作内容数据。当日工地有3个任务，分别是清理工地、修理设备和搬运材料，按照优先级排序后，清理工地任务排在第一位，修理设备任务排在第二位，搬运材料任务排在第三位。工地的噪音级别为80分贝，超过预设阈值70分贝，自动触发相应的警报系统，工地的空气质量为PM5浓度为50微克/立方米，低于预设水平60微克/立方米，自动启动环境净化设备。工地上有10名工人，清理工地任务需要3名工人，修理设备任务需要5名工人，搬运材料任务需要2名工人，系统会自动将工人分配到对应的任务中。工地A位于H区，附近还有工地B和工地C，根据地理位置数据评估后发现，工地A和工地B可以共享一些设备和人力资源，而与工地C的距离较远，资源共享可能性较低。传感器检测到设备D处于非工作状态，系统会自动将设备D标记为备用，并检测设备D的电量是否充足。清理工地任务预计需要2小时完成，实际完成时间为3小时，系统会自动调整未来清理工地任务的优先级提升，以保证任务按时完成。

步骤S106，将获取到的环境数据与之前分析的体温和心率数据进行数据融合，使用决策树算法进行综合健康状态评估。

使用环境传感器获取工作环境数据。利用员工佩戴的可穿戴设备获取员工的体温和心率数据。运用均值填充法对环境数据、体温数据和心率数据的缺失值进行补全。使用Z-score标准化对补全后的四组数据进行标准化处理。根据相关性矩阵选择标准化后的各项数据中与健康状态最相关的特征。利用选择的特征，将四组数据整合为一个统一的数据集。使用决策树算法，对整合后的数据集进行模型训练。根据训练好的决策树模型，对新获取的数据进行健康状态评估。如果输出结果低于预定阈值，则被标记为需要进一步分析。使用Z-score标准化对被标记的数据进行标准化处理；利用新处理后的数据，重新训练决策树模型；根据重新训练好的决策树模型，对新获取的数据进行健康状态评估。例如，使用环境传感器获取了每天的温度、湿度、声音频率、尘土和悬浮颗粒浓度数据。此外，还让员工佩戴了可穿戴设备，获取了每天的体温和心率数据。采集了一个月的数据，但是某一天的任务数缺失了，可以计算其他日期的任务数的平均值，然后将平均值作为缺失日期的任务数。接下来，对补全后的四组数据进行标准化处理。然后，需要根据相关性矩阵选择与健康状态最相关的特征，发现体温和心率与健康状态的相关性最高。选择这两个特征，并将它们与工作内容数据和环境数据整合为一个统一的数据集。使用决策树算法对整合后的数据集进行模型训练，使用训练集的数据对决策树进行训练，并得到了一个准确率较高的模型。接下来，获取了一位员工最新的数据，其中温度为25℃，湿度为60％，体温为35℃，心率为80次/分钟，根据决策树模型，可以评估出其健康状态为正常。输出的健康状态评分低于80分，将被标记为需要进一步分析的员工。将这些被标记的数据进行标准化处理，然后重新训练决策树模型。最后，根据重新训练好的决策树模型，对新获取的数据进行健康状态评估。

步骤S107，根据综合健康状态评估的结果，分析员工当天的工作任务是否与当前健康状态匹配，是否需要进行预防工作相关疾病或意外情况。

从数据库中提取当天环境数据、体温和心率数据；利用训练好的决策树模型，对员工的健康状态数据进行初步分析，得到员工的健康状态评估结果。获取员工的当天工作任务数据，判断员工当天的工作任务是否与当前健康状态匹配；若员工当天的工作任务与当前健康状态不匹配，则重新分配工作任务；根据环境数据、体温和心率数据以及工作任务数据，判断员工当天工作任务类型是否属于高风险任务，如果是高风险任务，则员工处于高风险状态。判断员工当天工作任务强度是否超过身体或心理承受能力，如果超过承受能力，则员工处于高风险状态。判断员工当天工作任务环境是否存在安全隐患或有害物质，如果存在安全隐患或有害物质，则员工处于高风险状态。判断员工当天体温和心率是否达标，如果体温和心率不达标，则员工处于高风险状态。若存在高风险员工，触发高风险预警模块，并将员工的信息纳入监控列表，并预防处于高风险状态员工的相关疾病或意外情况。例如，员工小张在某天的环境数据，温度为25℃，湿度为60％，CO2浓度为800ppm，小张的体温和心率数据，体温为37℃，心率为80次/分钟，小张当天的工作任务是搬运材料。首先，利用训练好的决策树模型对小张的健康状态进行初步分析。根据模型，小张的健康状态评估结果为健康。接下来，根据小张的健康状态和工作任务数据，判断工作任务是否与当前健康状态匹配。由于小张的健康状态为健康，与搬运材料的工作任务匹配。然后，根据环境数据、体温和心率数据以及工作任务数据，判断工作任务类型是否属于高风险任务。搬运材料被定义为低风险任务，因此小张的工作任务类型不属于高风险任务。接着，判断工作任务强度是否超过身体或心理承受能力。搬运材料的工作强度为低，小张的身体和心理承受能力为正常范围内，因此工作任务强度未超过承受能力。再次，判断工作任务环境是否存在安全隐患或有害物质。搬运材料周围环境安全且无有害物质，因此工作任务环境不存在安全隐患或有害物质。接着，判断体温和心率是否达标。体温和心率的标准范围为体温35℃-35℃，心率60次/分钟-100次/分钟。由于小张的体温和心率都在标准范围内，所以达标。最后，根据以上判断条件，小张的工作任务类型不属于高风险任务，工作任务强度未超过承受能力，工作任务环境不存在安全隐患或有害物质，体温和心率达标，因此小张不处于高风险状态。如果存在高风险员工，如员工小李的环境数据、体温和心率数据、工作任务与小张相同，但其体温为38℃，则根据以上判断条件，小李的体温不达标，处于高风险状态。系统将触发高风险预警模块，并将小李的信息纳入监控列表，预防可能出现的相关疾病或意外情况。

步骤S108，将融合后的健康数据与工地的实时工作内容和环境数据进行匹配，最终生成预防措施列表，并自动展示个性化预防建议给员工。

通过API从多个不同的数据库和传感器获取融合后的健康数据。通过工地日志获取工地的实时工作内容文本，采用TF-IDF算法提取文本中的关键特征；根据提取的特征，将工作内容分类为预定的类别，并为每个工作任务分配一个或多个标签，描述任务的性质和要求。将分类和标签结果转化为数据库格式的结构化工作内容数据。通过环境监测设备获取工地环境数据，包括温度、湿度、污染物浓度。对融合后的健康数据、工作内容数据和环境数据进行预处理，统一数据格式，并将预处理后的数据匹配并融合，形成综合数据集。运用简单线性回归算法分析综合数据集，通过判断预防措施的执行情况和有效性，得到与预防措施相关的数据特征。根据得到的数据特征，制定预防措施列表。根据预防措施列表和工地员工实时工作内容，为每位员工制定个性化的预防建议。将每位员工的个性化预防建议发送到每个员工的移动设备。例如，通过API从20个不同的数据库和50个传感器获取融合后的健康数据。其中一个数据库中记录了每个人的身高和体重信息，可以计算平均身高和体重。数据库中有5个人的身高数据为[170,175,180,165,172]cm，体重数据为[60,65,70,55,58]kg，可以计算平均身高为(170+175+180+165+172)/5＝172.4cm，平均体重为(60+65+70+55+58)/5＝61.6kg。通过工地日志获取工地的实时工作内容文本，使用TF-IDF算法提取文本中的关键信息和特征。一个工作内容文本为"搬运重物到建筑工地"，可以计算TF-IDF值来提取关键信息。文本中包含的关键词有"搬运"和"建筑工地"，可以计算它们的TF-IDF值。"搬运"在文本中出现了3次，而在整个文本集合中出现了10次；"建筑工地"在文本中出现了2次，而在整个文本集合中出现了20次。那么"搬运"的TF-IDF值为3/10＝0.3，"建筑工地"的TF-IDF值为2/20＝0.1。根据提取的特征，将工作内容分类为预定的类别，并为每个工作任务分配一个或多个标签，描述该任务的性质和要求。工作内容可以分为搬运、清洁和安装三个类别。一个工作内容被分类为搬运类别，并被标记为"重物"和"体力劳动"。将分类和标签结果转化为数据库格式的结构化工作内容数据。一个环境监测设备记录了工地温度为25℃，湿度为60％，和空气中的PM5浓度为50μg/m³。对融合后的健康数据、工作内容数据和环境数据进行预处理，统一数据格式。健康数据包括身高和体重，工作内容数据包括分类和标签，环境数据包括温度、湿度和污染物，并将它们整合到一个数据集中，并将数据格式统一为[身高,体重,分类,标签,温度,湿度,PM5]。将预处理后的数据匹配并融合，形成综合数据集。综合数据集中的一条数据为[174,66,"搬运","重物,体力劳动",25,60,50]，表示一个员工的身高为174cm，体重为66kg，工作内容为搬运重物，标签为重物和体力劳动，工地温度为25℃，湿度为60％，空气中的PM5浓度为50μg/m³。运用简单线性回归算法分析综合数据集，得到与预防措施相关的数据特征。使用简单线性回归算法分析综合数据集，可以得到与预防措施相关的数据特征，如体重对身高的影响程度，温度对工作内容的影响程度等。根据体重对身高的影响程度，可以制定预防措施列表，如控制员工的体重在健康范围内，以减少身体负担。根据预防措施列表和员工的工作内容，可以为每位员工制定个性化的预防建议，如建议搬运重物的员工注意保护腰部，合理安排工作强度等。将每位员工的个性化预防建议直接发送到每个员工的移动设备。将每位员工的个性化预防建议发送到他们的移动设备，以便员工可以随时查看建议并采取相应的预防措施。

显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种工地出勤打卡的自适应认证方法，其特征在于，所述方法包括：

员工在建筑工地的打卡系统中打卡时，空气过滤器自动调整过滤参数，减少尘土和其他悬浮颗粒；打卡系统通过内置的视频传感器和监测设备获取员工的实时心率、体温和精神状态数据；打卡系统通过内置声学模块监听周围环境，如果检测到高频噪声，系统自动应用快速傅里叶变换算法分析声波频率，并屏蔽噪声，并对获取到的所有生理和环境参数数据进行数据清洗，删除错误值并统一格式；打卡时对体温数据进行分析，检测是否存在异常健康状况，使用决策树算法分析清洗后的心率数据，评估员工的实际工作压力；打卡系统同步获取当日工地的工作内容和工作环境数据，包括噪音级别和空气质量；将获取到的环境数据与之前分析的体温和心率数据进行数据融合，使用决策树算法进行综合健康状态评估；根据综合健康状态评估的结果，分析员工当天的工作任务是否与当前健康状态匹配，是否需要进行预防工作相关疾病或意外情况；将融合后的健康数据与工地的实时工作内容和环境数据进行匹配，最终生成预防措施列表，并自动展示个性化预防建议给员工。

2.根据权利要求1所述的方法，其中，所述员工在建筑工地的打卡系统中打卡时，空气过滤器自动调整过滤参数，减少尘土和其他悬浮颗粒，包括：

通过API获取员工打卡信息，并通过API向空气过滤器发送启动请求；空气过滤器启动内置的清洁模式；打卡系统获取当前工地的尘土和悬浮颗粒浓度数据；实时调整空气过滤器的过滤器清洁模式、过滤级别和运行时间；结束后测定处理后的尘土和悬浮颗粒浓度；建立尘土和悬浮颗粒浓度预测模型，并调整空气过滤器的预设启动模式。

3.根据权利要求1所述的方法，其中，所述打卡系统通过内置的视频传感器和监测设备获取员工的实时心率、体温和精神状态数据，包括：

使用视频传感器获取员工面部图像并提取面部特征；使用Dlib的68点模型定位面部标记点，并确定员工身份；监测设备采集员工体温和心率；获取员工活动视频并提取图像帧获取员工身体活动数据；判断员工精神状态；将采集到的实时员工心率、体温精神状态数据进行数据清洗，数据清洗后合并心率、体温和精神状态数据，启动加密模块并传输到数据存储系统，记录数据存储时间。

4.根据权利要求1所述的方法，其中，所述打卡系统通过内置声学模块监听周围环境，如果检测到高频噪声，系统自动应用快速傅里叶变换算法分析声波频率，并屏蔽噪声，并对获取到的所有生理和环境参数数据进行数据清洗，删除错误值并统一格式，包括：

通过声学模块获取声音数据；使用傅里叶变换转换声音数据到频率域；设置阈值判定噪声并触发噪声屏蔽处理；获取员工生理参数和环境参数数据并标注声波频率特征；数据清洗后统一生理和环境数据格式。

5.根据权利要求1所述的方法，其中，所述打卡时对体温数据进行分析，检测是否存在异常健康状况，使用决策树算法分析清洗后的心率数据，评估员工的实际工作压力，包括：

获取打卡员工标识，并通过API接收员工体温数据；通过预设的体温阈值，判断员工是否存在发热或低体温情况；标记出现异常体温的员工标识并录入特殊观察数据库；使用特殊观察数据库中的员工标识，再次通过API获取对应的心率数据；对心率数据进行数据清洗，利用中位数去噪法去除异常值；根据员工心率、工作时长、休息时间、工作内容和工作环境数据，采用决策树算法，进行员工工作压力分类，判断员工当前的工作压力等级；将与员工标识相关联的工作压力分类结果存入分析结果数据库。

6.根据权利要求1所述的方法，其中，所述打卡系统同步获取当日工地的工作内容和工作环境数据，包括噪音级别和空气质量，包括：

通过数据接口同步获取当日工地的工作内容数据；通过数据接口同步获取工地的噪音级别和空气质量数据，若噪音级别超过预设阈值，触发警报系统，若空气质量低于预设水平，启动环境净化设备；同步获取工地上的工作人数，并自动分配工作任务；获取工地与附近工地的位置，评估资源共享性；同步获取所有工作设备的状态，标记非工作状态的设备为备用，并进行电量检测；同步获取工作任务的完成情况与工作时长，自动调整未来任务优先级。

7.根据权利要求1所述的方法，其中，所述将获取到的环境数据与之前分析的体温和心率数据进行数据融合，使用决策树算法进行综合健康状态评估，包括：

使用环境传感器获取工作环境数据；利用员工佩戴的可穿戴设备获取员工的体温和心率数据；运用均值填充法对所有数据的缺失值进行补全；使用Z-score标准化对补全后的数据进行标准化；根据相关性矩阵选择与健康状态最相关的特征；整合所有数据为一个统一的数据集；使用决策树算法，对整合后的数据集进行模型训练；对新数据进行健康状态评估；标记输出结果低于预定阈值的数据为需要进一步分析。

8.根据权利要求1所述的方法，其中，所述根据综合健康状态评估的结果，分析员工当天的工作任务是否与当前健康状态匹配，是否需要进行预防工作相关疾病或意外情况，包括：

从数据库中提取当天环境数据、体温和心率数据；利用决策树模型对员工的健康数据进行分析；获取员工的工作任务数据，判断任务是否与健康状态匹配；如不匹配，重新分配工作任务；根据环境数据、体温和心率数据以及工作任务数据，判断员工工作任务是否属于高风险任务，体温和心率是否达标，以及工作环境是否存在隐患；若存在高风险员工，触发预警模块，纳入监控列表。

9.根据权利要求1所述的方法，其中，所述将融合后的健康数据与工地的实时工作内容和环境数据进行匹配，最终生成预防措施列表，并自动展示个性化预防建议给员工，包括：

通过API获取健康数据；通过工地日志获取实时工作内容，采用TF-IDF算法提取文本特征；将工作内容分类为预定的类别；通过监测设备获取环境数据；对所有数据进行预处理并匹配，形成综合数据集；运用线性回归算法分析数据集，得到与预防措施相关的特征；制定预防措施列表并为员工制定预防建议；将预防建议发送到员工设备。