[发明专利]一种基于场景识别的违章作业行为检测方法及系统有效
申请号: | 202211117611.5 | 申请日: | 2022-09-14 |
公开(公告)号: | CN115223104B | 公开(公告)日: | 2022-12-02 |
发明(设计)人: | 朱秀春 | 申请(专利权)人: | 深圳市睿拓新科技有限公司 |
主分类号: | G06V20/52 | 分类号: | G06V20/52;G06V10/74;G06V10/80 |
代理公司: | 深圳锴权知识产权代理事务所(普通合伙) 44825 | 代理人: | 李锦 |
地址: | 518101 广东省深圳市宝安区新*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 场景 识别 违章 作业 行为 检测 方法 系统 | ||
1.一种基于场景识别的违章作业行为检测方法,其特征在于:包括以下步骤:
步骤(1)、通过数据采集实现违章作业行为的场景识别,所述数据采集检测的数据信息至少包含工具使用数据信息、物品放置位置信息、物品下落隐患数据信息、火灾数据信息、工作人员安全隐患数据信息、易燃物品数据信息、外界异物介入数据信息和雷电雾云雨天气信息;数据采集信息通过无线数据通信的方式传递到远程数据库;
步骤(2)、通过具有归一化的数据融合方法对远程数据库中的数据信息进行融合和计算;并通过大数据处理函数对采集到的数据信息进行处理,以提高数据信息的计算能力;
步骤(3)、通过余弦相似函数对融合后的违章作业行为检测信息进行分析;将违章作业行为数据信息正常数据和异常数据区分开来;
步骤(4)、通过小波分析法对接收到的数据信息进行进一步处理,以提高数据信息分析能力;
步骤(5)、对违章作业行为检测信息通过概率密度函数优化函数实现数据信息优化计算;
概率密度函数优化函数表达式为:
(1)
式(1)中,用来表示不同的违章作业行为数据信息的输出数据信号,用来表示不同的数据信号类型,用来表示平滑数据处理的参数,用来表示来自分类模式中的信号量,用来表示数据信号的个数;在步骤(4)中,违章作业行为数据信息分类的结构通过以下公式表示:
(2)
在公式(2)中,用表示傅立叶变换系数,
采用小波变换分析法,将处理后的离散型二进制数据进行处理分析,将数据信息参数设置为,则有:
(3)
在公式(3)中,公式(3)是离散型二进制小波分析函数,公式(3)中的函数分析违章作业行为数据信息运行数据信号时,时间变量是连续性的,在公式(3)中,表示违章作业行为检测数据信息的集合,表示违章作业行为检测数据信息的集合中的某些分类检测数据信息,表示违章作业数据信息的计算速率,表示数据信息参数设置函数,表示二进制处理时的处理参数。
2.根据权利要求1所述的一种基于场景识别的违章作业行为检测方法,其特征在于:
在步骤(1)中,数据采集模块采用MS30芯片实现违章作业的场景识别。
3.根据权利要求1所述的一种基于场景识别的违章作业行为检测方法,其特征在于:在步骤(2)中,归一化方法通过以下步骤进行:
归一化所采用的公式如下:
(4)
式(4)中,用表示违章作业行为数据信息运行过程中的真实数据,用和表示违章作业行为信息采集到的异常信息最小值和最大值。
4.根据权利要求1所述的一种基于场景识别的违章作业行为检测方法,其特征在于:在步骤(2)中,大数据处理函数为:
(5)
式(5)中,用表示预设的违章作业行为信息加权向量,用表示经归一化公式计算后违章作业行为信息中的加权向量,用表示经聚类处理后的违章作业行为信息采集输入向量,用表示经归一化公式计算后的输入向量,通过式(2)计算之后,根据得到的加权向量和输入向量的结果,获取所需要的数据量,并以此得到违章作业行为数据信息运行过程中的加权向量。
5.根据权利要求1所述的一种基于场景识别的违章作业行为检测方法,其特征在于:在步骤(2)中,在步骤(3)中,余弦相似函数的工作方法为:
将采集到的违章作业行为数据信息运行数据和预设的标准数据间的相似度通过数学公式函数的方式表示,相似度函数公式为:
(6)
在公式(6)中,表示经聚类处理后的违章作业行为信息采集输入向量转置,表示经归一化公式计算后的输入向量集合值,余弦相似函数将不同维度的违章作业行为数据信息进行分类,余弦相似函数对比后的结果为:
(7)
在公式(7)中,其中表示违章作业行为信息采集输入向量个数,表示场景识别数据量,t表示违章作业行为信息计算异常数据的时间。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳市睿拓新科技有限公司,未经深圳市睿拓新科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211117611.5/1.html,转载请声明来源钻瓜专利网。