CN118071211A - 一种垃圾分类智能监管跟踪评价管理系统 - Google Patents
一种垃圾分类智能监管跟踪评价管理系统 Download PDFInfo
- Publication number
- CN118071211A CN118071211A CN202410466519.2A CN202410466519A CN118071211A CN 118071211 A CN118071211 A CN 118071211A CN 202410466519 A CN202410466519 A CN 202410466519A CN 118071211 A CN118071211 A CN 118071211A
- Authority
- CN
- China
- Prior art keywords
- garbage
- score
- data
- behavior
- scoring
- 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.)
- Pending
Links
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 247
- 238000011156 evaluation Methods 0.000 title claims abstract description 96
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000012795 verification Methods 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 claims description 109
- 238000004364 calculation method Methods 0.000 claims description 32
- 101000617541 Danio rerio Presenilin-2 Proteins 0.000 claims description 17
- 238000012546 transfer Methods 0.000 claims description 16
- 230000006872 improvement Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 21
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 239000000463 material Substances 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 230000001737 promoting effect Effects 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002920 hazardous waste Substances 0.000 description 1
- 239000010806 kitchen waste Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种垃圾分类智能监管跟踪评价管理系统，属于垃圾分类智能管理技术，包括数据获取模块、项目评分模块、验证校准模块、计划生成模块、跟踪监管模块和综合评价模块。本发明通过改变以往系统对居民进行监管的策略，将监管对象修改为小区垃圾站点的工作人员，提取小区垃圾站点工作人员的日常工作数据，对其日常工作内容进行评分，快速寻找工作人员在工作上的缺漏点，并且针对性的制定培训计划，进一步的审核培训效果，能够帮助工作人员快速提升，使得工作人员发挥出带头效果，从而促进垃圾分类行动的开展，而且整个过程中需要的人力成本和物力成本相较于现有方案大大减少，综合使用效果好。
Description
技术领域
本发明属于垃圾分类智能管理技术领域，具体为一种垃圾分类智能监管跟踪评价管理系统。
背景技术
垃圾分类一般是指按一定规定或标准将垃圾分类投放、收集、运输和处理，从而转变成公共资源的一系列活动的总称。垃圾分类的目的是提高垃圾的资源价值和经济价值，减少垃圾处理量和处理设备的使用，降低处理成本，减少土地资源的消耗，具有社会、经济、生态等几方面的效益。
现有专利中，CN110223210A公开了一种垃圾跟踪管理系统及垃圾分类管理评价方法，通过带有可识别标签的垃圾袋来实现用户行为的记录和可追溯性，覆盖范围广；CN109857007A公开了一种基于物联网技术的智能垃圾分类系统及工作方法，能够有效收集垃圾分类源头信息，对日常垃圾分类行为产生监管作用；对垃圾运输的全过程进行监控与调度，提升垃圾分类运行效率的同时方便运输管理；掌握各县镇村的垃圾分类全过程大数据，并进行相应的数据分析，对垃圾分类起到指导作用。
然而，根据上述现有专利结合现有技术而言，现有的垃圾分类管理方案主要是通过可识别标签或者RFID标签，通过对垃圾袋或者垃圾箱标识的方式垃圾分类进行管理和评价，但是在实际使用的过程中，由于居民人数众多，需要识别的垃圾袋或者垃圾箱数量过多，且无法判断垃圾是否真的进行分类，因此需要对投入的垃圾进行编号，以便于审核，导致整个过程相关的数据量非常大，而要想精准评价，只能利用大量的人力物力进行统计，造成得不偿失的情况。
在生活中，当一部分人员进行垃圾分类时会带动其他人员进行垃圾分类，而开始的一部分人员通常通过工作人员言传身教而感染加入垃圾分类的队伍，因此，垃圾分类最主要的是监管工作人员有没有发挥自身的带头作用，因此，需要对相关的工作人员进行监管和评价，为此，本发明研发了一种垃圾分类智能监管跟踪评价管理系统。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种垃圾分类智能监管跟踪评价管理系统，将监管对象修改为小区垃圾站点的工作人员，提取小区垃圾站点工作人员的日常工作数据，对其日常工作内容进行评分，快速寻找工作人员在工作上的缺漏点，并且针对性的制定培训计划，进一步的审核培训效果，能够帮助工作人员快速提升，使得工作人员发挥出带头效果，从而促进垃圾分类行动的开展，而且整个过程中需要的人力成本和物力成本相较于现有方案大大减少，综合使用效果好，适合大规模推广应用。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种垃圾分类智能监管跟踪评价管理系统，包括数据获取模块、项目评分模块、验证校准模块、计划生成模块、跟踪监管模块和综合评价模块：
数据获取模块，实时获取垃圾收集过程、垃圾运输过程和垃圾中转站分拣过程的数据，并且对获取的数据进行分类处理；
项目评分模块，用于提取分类后的数据，构建垃圾识别模型，生成垃圾分类结果数据，并且根据预设的指标制定评分模型，并对小区垃圾站点工作人员的日常工作行为和垃圾分类结果分别进行评分，得到行为分Pre1和结果分Pre2，并且生成评分表；
验证校准模块，获取员工二次分拣数据，并且对分拣数据进行汇总，对垃圾分类结果进行二次评分Pre2´，并且比较评分Pre2和二次评分Pre2´的差值是否处于设定的阈值范围内，不在阈值范围内时重新构建评分模型；
计划生成模块，获取行为分Pre1和结果分Pre2´，汇总计算出工作人员的总评分，并且根据评分表内容生成工作调整计划和培训计划；
跟踪监管模块，用于获取相关工作人员对于培训计划的执行数据，并且对执行行为进行评分，得到改进评分Pre3；
综合评价模块，获取员工在不同评价周期内的评价分，并且汇总生成员工评价表和成长曲线图。
优选的，垃圾收集过程数据包括小区垃圾站点日常运行数据，小区垃圾站点日常运行数据包括站点日常拍摄数据、考勤数据、垃圾分类数据、辅导居民分类数据以及垃圾分类宣传数据，垃圾运输过程中的数据包括站点对应垃圾清运车辆数据，垃圾中转站分拣的数据包括垃圾总数以及分类错误的垃圾数量。
数据获取模块获取的数据主要用于行为分和结果分的评价，行为分的评价依赖于日常数据，因此，需要采集小区垃圾站点日常运行数据，而结果分的评价通过垃圾分类结果判断，而为了将垃圾分类结果与工作人员对应上，因此需要采集站点对应垃圾清运车辆数据和垃圾中转站分拣的数据。
优选的，垃圾识别模型基于卷积神经网络特征提取算法提取图像中的垃圾信息，生成垃圾分类结果数据即图像的预测结果类别，生成垃圾分类结果数据前对图像进行分割，使得图像中仅包含单一物品；
垃圾识别模型对垃圾中转站分拣过程进行图像识别，对图像分割，主要是为了减少干扰，提高垃圾分类识别的准确率。
其中卷积层的计算公式如下：
；
式中：为输入图像，/>为卷积核，（m，n）为卷积核上的滑动坐标，/>为卷积结果；
采用ReLU激活函数，具体的计算公式如下：
；
池化层采用最大池化方法；
全连接层的具体的计算公式如下：
；
式中：q为输入特征的维度，wq表示第q个输入特征的权重，xq表示第q个输入特征，bq表示第q个输入特征的偏置；
图像的预测结果类别具体的计算公式如下：
；
式中：PK为全连接层的输出结果，e为指数函数，L为垃圾分类类别的数量。
优选的，评分模型的构建和对行为评分的过程如下：
Ⅰ、评分类别：分析小区垃圾站点工作人员的行为评分因素；
Ⅱ、权重划分：划分各个行为评分因素的评价指标和权重；
Ⅲ、行为评分；根据数据获取模块获取的数据结果计算各个行为评分因素的分数，并计算行为分Pre1，具体的计算公式如下；
；
式中，D为行为评分因素的项数，FT为T项行为评分因素的得分，δT为T项行为评分因素的权重。
优选的，D项行为包括正向行为O项和反向行为S项，D=O+S；
O项正向行为得分的计算公式如下：
；
其中，为评价指标行为满分对应的次数，RO为评价指标行为具体发生的次数；
当RO≥时，FO取满分；
S项反向行为得分的计算公式如下：
；
其中，为评价指标行为满分对应的次数，RS为评价指标行为具体发生的次数；
当RS≥时，FS取零分。
优选的，结果分Pre2的计算公式如下：
；
式中，GT为分类后T项垃圾分类类别垃圾的总数量，为分类后T项垃圾分类类别中含有其他垃圾的数量，即为图像的预测结果中预测该垃圾分类后与规定类别之间准确率小于50%的次数。
优选的，二次评分Pre2´的计算公式如下：
；
式中：GT1为每个类别垃圾的总量，为每个类别中分类错误垃圾的数据，GT1和通过员工二次分拣数据的数据采集；
当|Pre2-Pre2´|≤U，评分模型评价的结果分标准；
当|Pre2-Pre2´|＞U，评分模型评价的结果分异常，U为预设的标准分值（可以根据实际需求进行设定），增加评分模型的训练集，训练集增加的比例为：
；
式中，η为差值调整比例，0＜η≤0.12，θ为增加的比例。
优选的，总评分=行为分Pre1+结果分Pre2´，评分表的数据包括行为分Pre1、行为分对应的指标及评价周期内实际表现、结果分、结果分对应的指标和结果分中对应的每个垃圾分类的得分，工作调整计划的影响因素包括评价周期内各个小区垃圾站点的垃圾平均量、工作人员的居住地址与工作地址之间的距离和工作人员的评价周期内的平均垃圾分类量，培训计划培训内容为工作人员行为分和结果分中低于设定标准的项目内容。
优选的，改进评分Pre3通过人工考核结合培训日常表现进行评分，改进评分的计算公式如下：
；
式中：Up为日常表现评分，WUp为日常表现对应权重，Fex为人工考核评分，WFex为人工考核权重，λ为改进评分Pre3对总评分的影响系数；
λ的计算公式如下：
；
其中，培训项目对应评分权重为计算行为分Pre1和计算结果分Pre2时所用的项目权重，0＜ε≤0.3。
优选的，评价分=Pre1+Pre2´+Pre3，员工评分表为该评价周期内所有评分以及与各项评分对应项目的表现数据，成长曲线图为若干评价周期员工总评分的走势图。
（三）有益效果
本发明提供了一种垃圾分类智能监管跟踪评价管理系统，具备以下有益效果：
1、本发明记载了一种垃圾分类智能监管跟踪评价管理系统，其改变以往系统对居民进行监管的策略，将监管对象修改为小区垃圾站点的工作人员，提取小区垃圾站点工作人员的日常工作数据，对其日常工作内容进行评分，快速寻找工作人员在工作上的缺漏点，并且针对性的制定培训计划，进一步的审核培训效果，能够帮助工作人员快速提升，使得工作人员发挥出带头效果，从而促进垃圾分类行动的开展，而且整个过程中需要的人力成本和物力成本相较于现有方案大大减少，综合使用效果好，适合大规模推广应用。
2、本发明记载了一种垃圾分类智能监管跟踪评价管理系统，其中构建了垃圾识别模型和评分模型，在使用时，垃圾识别模型识别垃圾分类效果，为评分模型评判结果分提供基础，配合现有的行为识别算法，能够精准的用于工作人员行为分的评判，两者结合，能够实现对工作人员精准的评分，而且配合验证校准模块的验证，实现对垃圾识别模型的调整，从而保证垃圾识别模型的识别精度，提高垃圾识别模型的使用效果。
3、本发明记载了一种垃圾分类智能监管跟踪评价管理系统，其建立了完整的评分评价方案，在进行评价时综合考虑，对平常表现、垃圾分类表现和学习表现进行汇总，得到的总评分能够准确的反应工作人员的工作状态，配合成长曲线图，能够直观的了解员工在不同评价周期的状态，进一步方便上级对相关工人员进行管理和任务分配，增强了系统的适用性，具有良好的使用前景。
附图说明
图1为本发明垃圾分类智能监管跟踪评价管理系统的模块化结构图；
图2为本发明垃圾分类智能监管跟踪评价管理方法的步骤流程图。
具体实施方式
下面结合附图对本发明实施例中的技术方案进行清楚、完整的描述。
实施例1：如图1所示，一种垃圾分类智能监管跟踪评价管理系统，包括数据获取模块、项目评分模块、验证校准模块、计划生成模块、跟踪监管模块和综合评价模块：
数据获取
数据获取基于数据获取模块，数据获取模块实时获取垃圾收集过程、垃圾运输过程和垃圾中转站分拣过程的数据，并且对获取的数据进行分类处理。
数据获取模块获取的数据主要用于行为分和结果分的评价，行为分的评价依赖于日常数据，因此，需要采集小区垃圾站点日常运行数据，而结果分的评价通过垃圾分类结果判断，而为了将垃圾分类结果与工作人员对应上，因此需要采集站点对应垃圾清运车辆数据和垃圾中转站分拣的数据。
垃圾收集过程数据包括小区垃圾站点日常运行数据，小区垃圾站点日常运行数据包括站点日常拍摄数据（分类处理时筛选去除下班点拍摄的视频）、考勤数据（分类处理时去除其他工作人员打卡数据）、垃圾分类数据（分类处理时进保留分类后的图片数据）、辅导居民分类数据（分类处理时将个人视频和图片提取出来，基于现有的人脸识别技术）以及垃圾分类宣传数据（分类处理时将个人视频和图片提取出来，基于现有的人脸识别技术），垃圾运输过程中的数据包括站点对应垃圾清运车辆数据（分类处理时按照垃圾清运车辆的编号进行分类），垃圾中转站分拣的数据包括垃圾总数以及分类错误的垃圾数量（分类处理时从总数据库中获取对应垃圾清运车辆输送的垃圾数据）。
分类处理即从所有的数据中筛选出评价人员的数据。
数据获取主要通过设备直接获取，例如通过安装在小区垃圾站点内外的摄像装置、垃圾中转站内分拣设备及摄像设备等，还包括人工反馈，例如小区居民反馈、分拣人员反馈等。
以上的对于垃圾收集过程、垃圾运输过程和垃圾中转站分拣过程的数据的介绍仅为说明，其还包含其它数据，例如宣传垃圾分类时的数据等。
项目评分
项目评分基于项目评分模块，主要是对采集的数据进行处理，并且根据采集的数据内容对工作人员进行评分。
项目评分模块用于提取分类后的数据，构建垃圾识别模型，生成垃圾分类结果数据，并且根据预设的指标制定评分模型，并对小区垃圾站点工作人员的日常工作行为和垃圾分类结果分别进行评分，得到行为分Pre1和结果分Pre2，并且生成评分表。
垃圾识别模型基于卷积神经网络特征提取算法提取图像中的垃圾信息，生成垃圾分类结果数据即图像的预测结果类别，生成垃圾分类结果数据前对图像进行分割，使得图像中仅包含单一物品；
垃圾识别模型对垃圾中转站分拣过程进行图像识别，对图像分割，主要是为了减少干扰，提高垃圾分类识别的准确率。
卷积层的卷积运算即卷积核以固定的步长在图像上进行滑动，每到一个新的位置就计算出在该位置卷积得到的值。
其中卷积层的计算公式如下：
；
式中：为输入图像，/>为卷积核，（m，n）为卷积核上的滑动坐标，/>为卷积结果；
卷积层在进行运算时，每进行一次卷积运算均进行padding操作。
垃圾识别模型在运行前调整分割后的图像尺寸，将所有的图片尺寸调整至256×256。
卷积核优选6×6，进行5次卷积计算。
采用ReLU激活函数，具体的计算公式如下：
；
ReLU激活函数为卷积神经网络中使用最多的激活函数，ReLU激活函数导数是常数1，输入量只要大于0，其导数值都是恒定为1，这样一来，就能够避免了梯度在多层神经网络之间传播时相乘带来的逐渐减小，从而消失的不良影响。
池化层采用最大池化方法，其与卷积类似，使用一个矩形滤波器在特征图上进行扫描，最大池化方法是取得矩形滤波器对应特征图矩阵内的最大值。
全连接层用于囊括整个图片的所有特征；
全连接层的具体的计算公式如下：
；
式中：q为输入特征的维度，wq表示第q个输入特征的权重，xq表示第q个输入特征，bq表示第q个输入特征的偏置；
图像的预测结果类别具体的计算公式如下：
；
式中：PK为全连接层的输出结果，e为指数函数，L为垃圾分类类别的数量。
softmax函数能够以概率的形式将图像的预测结果表现出来，每个类别都会被赋予一个概率值，以此结果对目标进行识别分类，从而判断垃圾的分类，通过比对该类别的概率值是否超过50%判断出垃圾分类的结果是否准确。
使用时采用反向传播法（误差的反向传播）对卷积神经网络预测结果与真实值之间损失函数进行不断优化，在此期间逐渐地搜寻最佳的权重与偏置值，减小预测误差。
评分模型的构建和对行为评分的过程如下：
Ⅰ、评分类别：分析小区垃圾站点工作人员的行为评分因素；
Ⅱ、权重划分：划分各个行为评分因素的评价指标和权重；
Ⅲ、行为评分；根据数据获取模块获取的数据结果计算各个行为评分因素的分数，并计算行为分Pre1，具体的计算公式如下；
；
式中，D为行为评分因素的项数，FT为T项行为评分因素的得分，δT为T项行为评分因素的权重。
行为的判断可以通过现有的行为特征提取算法进行判断，因其与垃圾识别模型的原理类似，而且现有论文关于该部分也有较多记载，因此不做过多的描述。
D项行为包括正向行为O项和反向行为S项，D=O+S；
正向行为O项包括教导宣传垃圾分类、帮助居民垃圾分类等。
反向行为S项包括居民垃圾分拣错误没有重新分拣、居民垃圾分拣咨询没有回答等。
O项正向行为得分的计算公式如下：
；
其中，为评价指标行为满分对应的次数，RO为评价指标行为具体发生的次数；
当RO≥时，FO取满分；
例如，当O为教导宣传垃圾分类时，评价周期内评价指标行为满分对应的次数为3次；
当工作人员教导宣传垃圾分类次数RO大于等于3次时，该项评分FO为100分，在计算行为分Pre1时将100乘以对应的权重即可；
当工作人员教导宣传垃圾分类次数FO小于3次时，例如2次，该项评分FO为75分，在计算行为分Pre1时将75乘以对应的权重即可。
评价周期通常设置为1个月或者一个季度，即两次评分结果之间的间隔时间。
S项反向行为得分的计算公式如下：
；
其中，为评价指标行为满分对应的次数，RS为评价指标行为具体发生的次数；
当RS≥时，FS取零分。
例如，当O为居民垃圾分拣错误没有重新分拣时，评价周期内评价指标行为满分对应的次数为为5次，当工作人员在评价周期内居民垃圾分拣错误没有重新分拣的次数RS小于5次时，例如2次，该项评分为60分，当工作人员在评价周期内居民垃圾分拣错误没有重新分拣的次数RS为5次获以上次数时，该项得分为0分。
结果分Pre2的计算公式如下：
；
式中，GT为分类后T项垃圾分类类别垃圾的总数量，为分类后T项垃圾分类类别中含有其他垃圾的数量，即为图像的预测结果中预测该垃圾分类后与规定类别之间准确率小于50%的次数。
例如评价周期内一共分拣了100件物品，工作人员分拣的结果为可回收物30件、厨余垃圾20件、有害垃圾5件和其他垃圾45件，经过垃圾识别模型识别的结果，判断，可回收物30件错误2件，其他垃圾错误5件，那么Pre2的计算为100÷4×[（1﹣2/30）+（1﹣0/20）+（1﹣0/5）+（1﹣5/45）]≈95.6分。
行为分Pre1与结果分Pre2均采用百分制，总分200分，也可以根据各个地区的差异单独划分权重，设置相应的比例（例如，在垃圾分类初期以教育为主，此时行为分设置的权重较大，而后期居民的垃圾分类意识较强时，此时可以降低行为分的权重）。
验证校准
主要通过模型进行评分，因此需要校准模型是否准确，验证校准通过验证校准模块。
由于人工查看视频，评判工作人员行为所需要的时间非常长，因此行为分验证较为困难，还可以采用若干组不同的识别算法进行识别，取平均值，但是该项成本较高，因此所以采用抽检或者完全依靠单个模型进行评分。
验证校准模块获取员工二次分拣数据，并且对分拣数据进行汇总，对垃圾分类结果进行二次评分Pre2´，并且比较评分Pre2和二次评分Pre2´的差值是否处于设定的阈值范围内，不在阈值范围内时重新构建评分模型。
二次评分Pre2´的计算公式如下：
；
式中：GT1为每个类别垃圾的总量，为每个类别中分类错误垃圾的数据，GT1和通过员工二次分拣数据的数据采集；
当|Pre2-Pre2´|≤U，评分模型评价的结果分标准；
当|Pre2-Pre2´|＞U，评分模型评价的结果分异常，U为预设的标准分值，增加评分模型的训练集，训练集增加的比例为：
；
式中，η为差值调整比例，0＜η≤0.12，θ为增加的比例。
例如，员工二次分拣发现上述100件垃圾的分类中可回收物30件实际错误4件、厨余垃圾20件实际错误2件、有害垃圾5件实际错误1件和其他垃圾45件，实际错误5件，那么生成的Pre2´为100÷4×[（1﹣4/30）+（1﹣2/20）+（1﹣1/5）+（1﹣5/45）]≈86.4分；此时当U设置为5时，|Pre2-Pre2´|=9.2＞U，此时评分模型评价的结果分异常，增加评分模型的训练集。
当原始的训练集图片为1000时，θ取0.1，增加的比例θ=（9.2-5）×0.1=0.42，那么新的训练集图片数为1420，因数据集大会增加模型的训练时长，因此，选取适当的训练集能够大大缩短模型训练时长。
当连续出现20次评分模型评价的结果分标准，说明模型精准，此时可以采用分拣机器人分拣垃圾中转站的垃圾，此时仅需要人工定期抽查分类是否准确即可，从而减少大量的人工。
本发明记载了一种垃圾分类智能监管跟踪评价管理系统，其中构建了垃圾识别模型和评分模型，在使用时，垃圾识别模型识别垃圾分类效果，为评分模型评判结果分提供基础，配合现有的行为识别算法，能够精准的用于工作人员行为分的评判，两者结合，能够实现对工作人员精准的评分，而且配合验证校准模块的验证，实现对垃圾识别模型的调整，从而保证垃圾识别模型的识别精度，提高垃圾识别模型的使用效果。
计划生成
经过验证，取得较为准确的工作人员数据，此时需要对工作人员的不足之处进行培训，需要制定相应的培训计划，培训计划的制定，基于计划生成模块。
计划生成模块获取行为分Pre1和结果分Pre2´，汇总计算出工作人员的总评分，并且根据评分表内容生成工作调整计划和培训计划；
总评分=行为分Pre1+结果分Pre2´，评分表的数据包括行为分Pre1、行为分对应的指标及评价周期内实际表现、结果分、结果分对应的指标和结果分中对应的每个垃圾分类的得分，工作调整计划的影响因素包括评价周期内各个小区垃圾站点的垃圾平均量、工作人员的居住地址与工作地址之间的距离和工作人员的评价周期内的平均垃圾分类量，培训计划培训内容为工作人员行为分和结果分中低于设定标准的项目内容。
评分表中记录所有项的名称、评分标准、工作人员具体行为以及该项的得分、行为分、结果分以及总评分。
由于不同小区体量不一，而且不同小区在不同时间的入住率不一样，因此每个小区的垃圾数量不一，需要安排的人员数量也不同，因此需要制定相应的工作调整计划。
培训计划针对工作人员低于60分的项目，尽快提高工作人员的短板。
跟踪监管
制定完计划后，需要监督计划的进行以及评判培训计划的效果，跟踪监管基于跟踪监管模块。
跟踪监管模块用于获取相关工作人员对于培训计划的执行数据，并且对执行行为进行评分，得到改进评分Pre3；
在实际使用时为了节省人力，通常采用线上培训和线上考核的方式，因此直接导出线上的记录即可用于对工作人员培训效果的评分。
改进评分Pre3通过人工考核结合培训日常表现进行评分，改进评分的计算公式如下：
；
式中：Up为日常表现评分，WUp为日常表现对应权重，Fex为人工考核评分，WFex为人工考核权重，λ为改进评分Pre3对总评分的影响系数；
Pre3的评分和日常学生的考核类似，通过该项维持工作人员的积极性。
λ的计算公式如下：
；
其中，培训项目对应评分权重为计算行为分Pre1和计算结果分Pre2时所用的项目权重，0＜ε≤0.3，其应用于评分时分值没有达到60分的项目，因为该分值属于二次评判得分，因此减小该项分值，使得其培训时即使拿到满分，综合叠加，该项也达不到优秀级别（90分，例如某个项目用户得分59分，培训满分，且ε取最大值，该项总分值为59+30=89分）。
例如，工作人员在教导宣传垃圾分类该项的得分为55分，教导宣传垃圾分类的权重为0.30，那么行为分中垃圾分类该项的占比分为15分；
经过培训，培训评分时ε取0.3，日常表现评分为80分，日常表现对应权重为0.4，人工考核评分为90，人工考核权重为0.6，那么Pre3=（80×0.4+90×0.6）×0.3×0.3=7.74分。
将Pre3单独提出，没有直接计入到Pre1和Pre2´中，从而能够帮助管理人员了解工作人员的学习能力和对学习的态度，帮助管理人员制定工作人员的成长计划，使用比较方便。
本发明记载了一种垃圾分类智能监管跟踪评价管理系统，其改变以往系统对居民进行监管的策略，将监管对象修改为小区垃圾站点的工作人员，提取小区垃圾站点工作人员的日常工作数据，对其日常工作内容进行评分，快速寻找工作人员在工作上的缺漏点，并且针对性的制定培训计划，进一步的审核培训效果，能够帮助工作人员快速提升，使得工作人员发挥出带头效果，从而促进垃圾分类行动的开展，而且整个过程中需要的人力成本和物力成本相较于现有方案大大减少，综合使用效果好，适合大规模推广应用。
综合评价
周期性的总结工作人员的评分，进行表彰，促进工作人员的积极性，也可与绩效进行挂钩，评价基于综合评价模块。
综合评价获取员工在不同评价周期内的评价分，并且汇总生成员工评价表和成长曲线图。
评价分=Pre1+Pre2´+Pre3，员工评分表为该评价周期内所有评分以及与各项评分对应项目的表现数据，成长曲线图为若干评价周期员工总评分的走势图，管理人员通过员工评价表和成长曲线图能够清楚直观的了解工作人员的工作情况。
本发明记载了一种垃圾分类智能监管跟踪评价管理系统，其建立了完整的评分评价方案，在进行评价时综合考虑，对平常表现、垃圾分类表现和学习表现进行汇总，得到的总评分能够准确的反应工作人员的工作状态，配合成长曲线图，能够直观的了解员工在不同评价周期的状态，进一步方便上级对相关工人员进行管理和任务分配，增强了系统的适用性，具有良好的使用前景。
实施例2：如图2所示，一种垃圾分类智能监管跟踪评价管理方法，包含以下步骤：
实时获取小区垃圾站点的工作人员的工作数据以及垃圾中转站识别员工垃圾分类结果的数据；
构建垃圾识别模型，将垃圾中转站识别员工垃圾分类结果的数据转化为垃圾分类结果数据，并且将小区垃圾站点的工作人员的工作数据和垃圾分类结果数据输入到评分模型中进行评分，得到行为分和结果分，并且生成评分表；
获取垃圾中转站员工二次分拣的数据，并且对分拣数据进行汇总，对垃圾分类结果进行二次评分，并且比较评分和二次评分的差值是否处于设定的阈值范围内，不在阈值范围内时重新构建评分模型；
获取行为分和结果分，汇总计算出工作人员的总评分，并且根据评分表内容生成工作调整计划和培训计划；
获取相关工作人员对于培训计划的执行数据，并且对执行行为进行评分，得到改进分；
获取员工在不同评价周期内的评价分，并且汇总生成员工评价表和成长曲线图。
评价分为改进分、行为分和结果分的和。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。
Claims (10)
1.一种垃圾分类智能监管跟踪评价管理系统，其特征在于，包括：
数据获取模块，实时获取垃圾收集过程、垃圾运输过程和垃圾中转站分拣过程的数据，并且对获取的数据进行分类处理；
项目评分模块，用于提取分类后的数据，构建垃圾识别模型，生成垃圾分类结果数据，并且根据预设的指标制定评分模型，并对小区垃圾站点工作人员的日常工作行为和垃圾分类结果分别进行评分，得到行为分Pre1和结果分Pre2，并且生成评分表；
验证校准模块，获取员工二次分拣数据，并且对分拣数据进行汇总，对垃圾分类结果进行二次评分Pre2´，并且比较评分Pre2和二次评分Pre2´的差值是否处于设定的阈值范围内，不在阈值范围内时重新构建评分模型；
计划生成模块，获取行为分Pre1和结果分Pre2´，汇总计算出工作人员的总评分，并且根据评分表内容生成工作调整计划和培训计划；
跟踪监管模块，用于获取相关工作人员对于培训计划的执行数据，并且对执行行为进行评分，得到改进评分Pre3；
综合评价模块，获取员工在不同评价周期内的评价分，并且汇总生成员工评价表和成长曲线图。
2.根据权利要求1所述的一种垃圾分类智能监管跟踪评价管理系统，其特征在于：垃圾收集过程数据包括小区垃圾站点日常运行数据，小区垃圾站点日常运行数据包括站点日常拍摄数据、考勤数据、垃圾分类数据、辅导居民分类数据以及垃圾分类宣传数据，垃圾运输过程中的数据包括站点对应垃圾清运车辆数据，垃圾中转站分拣的数据包括垃圾总数以及分类错误的垃圾数量。
3.根据权利要求2所述的一种垃圾分类智能监管跟踪评价管理系统，其特征在于：垃圾识别模型基于卷积神经网络特征提取算法提取图像中的垃圾信息，生成垃圾分类结果数据即图像的预测结果类别，生成垃圾分类结果数据前对图像进行分割，使得图像中仅包含单一物品；
其中卷积层的计算公式如下：
；
式中：为输入图像，/>为卷积核，（m，n）为卷积核上的滑动坐标，为卷积结果；
采用ReLU激活函数，具体的计算公式如下：
；
池化层采用最大池化方法；
全连接层的具体的计算公式如下：
；
式中：q为输入特征的维度，wq表示第q个输入特征的权重，xq表示第q个输入特征，bq表示第q个输入特征的偏置；
图像的预测结果类别具体的计算公式如下：
；
式中：PK为全连接层的输出结果，e为指数函数，L为垃圾分类类别的数量。
4.根据权利要求3所述的一种垃圾分类智能监管跟踪评价管理系统，其特征在于：评分模型的构建和对行为评分的过程如下：
Ⅰ、评分类别：分析小区垃圾站点工作人员的行为评分因素；
Ⅱ、权重划分：划分各个行为评分因素的评价指标和权重；
Ⅲ、行为评分；根据数据获取模块获取的数据结果计算各个行为评分因素的分数，并计算行为分Pre1，具体的计算公式如下；
；
式中，D为行为评分因素的项数，FT为T项行为评分因素的得分，δT为T项行为评分因素的权重。
5.根据权利要求4所述的一种垃圾分类智能监管跟踪评价管理系统，其特征在于：D项行为包括正向行为O项和反向行为S项，D=O+S；
O项正向行为得分的计算公式如下：
；
其中，为评价指标行为满分对应的次数，RO为评价指标行为具体发生的次数；
当RO≥时，FO取满分；
S项反向行为得分的计算公式如下：
；
其中，为评价指标行为满分对应的次数，RS为评价指标行为具体发生的次数；
当RS≥时，FS取零分。
6.根据权利要求5所述的一种垃圾分类智能监管跟踪评价管理系统，其特征在于：结果分Pre2的计算公式如下：
；
式中，GT为分类后T项垃圾分类类别垃圾的总数量，为分类后T项垃圾分类类别中含有其他垃圾的数量，即为图像的预测结果中预测该垃圾分类后与规定类别之间准确率小于50%的次数。
7.根据权利要求6所述的一种垃圾分类智能监管跟踪评价管理系统，其特征在于：二次评分Pre2´的计算公式如下：
；
式中：GT1为每个类别垃圾的总量，为每个类别中分类错误垃圾的数据，GT1和/>通过员工二次分拣数据的数据采集；
当|Pre2-Pre2´|≤U，评分模型评价的结果分标准；
当|Pre2-Pre2´|＞U，评分模型评价的结果分异常，U为预设的标准分值，增加评分模型的训练集，训练集增加的比例为：
；
式中，η为差值调整比例，0＜η≤0.12，θ为增加的比例。
8.根据权利要求7所述的一种垃圾分类智能监管跟踪评价管理系统，其特征在于：所述总评分=行为分Pre1+结果分Pre2´，评分表的数据包括行为分Pre1、行为分对应的指标及评价周期内实际表现、结果分、结果分对应的指标和结果分中对应的每个垃圾分类的得分，工作调整计划的影响因素包括评价周期内各个小区垃圾站点的垃圾平均量、工作人员的居住地址与工作地址之间的距离和工作人员的评价周期内的平均垃圾分类量，培训计划培训内容为工作人员行为分和结果分中低于设定标准的项目内容。
9.根据权利要求8所述的一种垃圾分类智能监管跟踪评价管理系统，其特征在于：所述改进评分Pre3通过人工考核结合培训日常表现进行评分，改进评分的计算公式如下：
；
式中：Up为日常表现评分，WUp为日常表现对应权重，Fex为人工考核评分，WFex为人工考核权重，λ为改进评分Pre3对总评分的影响系数；
λ的计算公式如下：
；
其中，培训项目对应评分权重为计算行为分Pre1和计算结果分Pre2时所用的项目权重，0＜ε≤0.3。
10.根据权利要求9所述的一种垃圾分类智能监管跟踪评价管理系统，其特征在于：评价分=Pre1+Pre2´+Pre3，员工评分表为该评价周期内所有评分以及与各项评分对应项目的表现数据，成长曲线图为若干评价周期员工总评分的走势图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410466519.2A CN118071211A (zh) | 2024-04-18 | 2024-04-18 | 一种垃圾分类智能监管跟踪评价管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410466519.2A CN118071211A (zh) | 2024-04-18 | 2024-04-18 | 一种垃圾分类智能监管跟踪评价管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118071211A true CN118071211A (zh) | 2024-05-24 |
Family
ID=91106231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410466519.2A Pending CN118071211A (zh) | 2024-04-18 | 2024-04-18 | 一种垃圾分类智能监管跟踪评价管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118071211A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473130A (zh) * | 2019-07-30 | 2019-11-19 | 五邑大学 | 一种基于深度学习的垃圾分类评价方法、装置和存储介质 |
| CN114013855A (zh) * | 2020-12-31 | 2022-02-08 | 深圳云图数智信息科技有限公司 | 一种基于互联网＋的垃圾全流程管理方法 |
| CN114229279A (zh) * | 2021-11-08 | 2022-03-25 | 苏州纳故环保科技有限公司 | 一种能够实现垃圾分类行为监管的智能垃圾房 |
| CN114792192A (zh) * | 2022-03-08 | 2022-07-26 | 青岛国真智慧科技有限公司 | 政府专用的智慧环卫综合监管系统 |
| CN115661732A (zh) * | 2022-07-20 | 2023-01-31 | 苏州纳故环保科技有限公司 | 一种基于ai智能识别系统的垃圾分类及督导方法 |
| CN117726229A (zh) * | 2023-12-19 | 2024-03-19 | 中国民用航空飞行学院 | 一种民航用监察员培训考核系统及方法 |
-
2024
- 2024-04-18 CN CN202410466519.2A patent/CN118071211A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473130A (zh) * | 2019-07-30 | 2019-11-19 | 五邑大学 | 一种基于深度学习的垃圾分类评价方法、装置和存储介质 |
| CN114013855A (zh) * | 2020-12-31 | 2022-02-08 | 深圳云图数智信息科技有限公司 | 一种基于互联网＋的垃圾全流程管理方法 |
| CN114229279A (zh) * | 2021-11-08 | 2022-03-25 | 苏州纳故环保科技有限公司 | 一种能够实现垃圾分类行为监管的智能垃圾房 |
| CN114792192A (zh) * | 2022-03-08 | 2022-07-26 | 青岛国真智慧科技有限公司 | 政府专用的智慧环卫综合监管系统 |
| CN115661732A (zh) * | 2022-07-20 | 2023-01-31 | 苏州纳故环保科技有限公司 | 一种基于ai智能识别系统的垃圾分类及督导方法 |
| CN117726229A (zh) * | 2023-12-19 | 2024-03-19 | 中国民用航空飞行学院 | 一种民航用监察员培训考核系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
| CN110674840B (zh) | 一种多方证据关联模型构建方法和证据链提取方法及装置 | |
| CN109273096B (zh) | 一种基于机器学习的药品风险分级评估方法 | |
| Gyawali et al. | Comparative analysis of multiple deep CNN models for waste classification | |
| CN110288035B (zh) | 一种智能垃圾桶在线自主学习方法及系统 | |
| CN106951565B (zh) | 文本分类方法及获得的文本分类器 | |
| CN117011006A (zh) | 基于大数据挖掘的电子招标投标监督方法 | |
| CN110033191B (zh) | 一种商业人工智能的分析方法及系统 | |
| CN114817681B (zh) | 一种基于大数据分析的金融风控系统及其管理设备 | |
| CN115794803A (zh) | 一种基于大数据ai技术的工程审计问题监测方法与系统 | |
| CN117575171B (zh) | 一种基于数据分析的粮食形势智能评估系统 | |
| CN112785156B (zh) | 一种基于聚类与综合评价的产业领袖识别方法 | |
| CN110309737A (zh) | 一种应用于香烟柜台的信息处理方法、装置及系统 | |
| CN118071211A (zh) | 一种垃圾分类智能监管跟踪评价管理系统 | |
| CN115935073A (zh) | 基于人工智能交叉验证的舆情分析方法及系统 | |
| Ramadiani et al. | Evaluation of student academic performance using e-learning with the association rules method and the importance of performance analysis | |
| CN115130872A (zh) | 一种基于深度学习判断的用工风险评估系统 | |
| CN112506930B (zh) | 一种基于机器学习技术的数据洞察系统 | |
| CN115658772A (zh) | 一种无人机光伏巡检数据类资产管理方法及系统 | |
| CN115858598A (zh) | 基于企业大数据的目标信息筛选匹配方法及相关设备 | |
| CN110766248A (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
| CN114417020A (zh) | 一种产业链图谱构建系统及方法 | |
| CN113888318A (zh) | 风险检测方法及系统 | |
| CN110766037B (zh) | 用于储备项目关联性集群的处理方法 | |
| Yang | Waste Classification Based On Yolov4 |
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 |