CN114742180A - 高空作业安全等级确定方法、装置和计算机设备 - Google Patents

高空作业安全等级确定方法、装置和计算机设备 Download PDF

Info

Publication number
CN114742180A
CN114742180A CN202210662810.8A CN202210662810A CN114742180A CN 114742180 A CN114742180 A CN 114742180A CN 202210662810 A CN202210662810 A CN 202210662810A CN 114742180 A CN114742180 A CN 114742180A
Authority
CN
China
Prior art keywords
feature
current
safety belt
safety
characteristic
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.)
Granted
Application number
CN202210662810.8A
Other languages
English (en)
Other versions
CN114742180B (zh
Inventor
邵震
宋云海
周震震
梁皓云
常安
何森
苏国磊
尚佳宁
杨方明
赵港
陈吉丰
孙萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Maintenance and Test Center of Extra High Voltage Power Transmission Co
Original Assignee
Maintenance and Test Center of Extra High Voltage Power Transmission Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Maintenance and Test Center of Extra High Voltage Power Transmission Co filed Critical Maintenance and Test Center of Extra High Voltage Power Transmission Co
Priority to CN202210662810.8A priority Critical patent/CN114742180B/zh
Publication of CN114742180A publication Critical patent/CN114742180A/zh
Application granted granted Critical
Publication of CN114742180B publication Critical patent/CN114742180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Emergency Lowering Means (AREA)

Abstract

本申请涉及一种高空作业安全等级确定方法、装置、计算机设备、存储介质和计算机程序产品，实时获取防护安全带的当前传感器数据，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，特征组中每一特征均用于指示防护安全带的工作状态；将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将特征组中所有特征的当前特征值作为当前特征向量；将当前特征向量输入至预设分类器，确定防护安全带的安全等级预测结果。通过对高空作业防护安全带的工作状态进行实时监测和预测，等够提前获知安全带的当前安全等级，能避免安全带进入危险工作状态，预防人身坠落事故的发生。

Description

高空作业安全等级确定方法、装置和计算机设备
技术领域
本申请涉及高空作业警示技术领域，特别是涉及一种高空作业安全等级确定方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在电网企业，登杆作业是电网员工在基层经常开展的一项作业任务。为保障作业人员的安全，登杆作业必须要使用高空作业防护安全带，电网作业的高空作业防护安全带通常包括腰带和安全绳。电力高空作业防护安全带是一种避免电力高空作业人员发生坠落或者在坠落时能够安全地把作业人员悬挂在空中的防护工具，作业人员在危险作业前必须正确穿戴，才能执行作业。由于作业人员的疏忽大意，在登杆前会忘记扣腰带或佩戴安全绳，或者在跨越横担或者其他障碍物时，由于误操作而无法正确转换安全绳和腰带的使用，这为登杆作业带来了极大的安全风险，使得安全带失去了保护作用，无法保证作业人员的人身安全，不利于登杆作业的开展。
在相关电力高空作业防护安全带的技术方案中，通过传感器获取安全带在当前时刻的位置信息和挂钩在当前时刻的位置信息，直接根据安全带的当前静态位置信息或挂钩的当前静态位置信息，对安全带的当前工作状态进行判断，并发出警告。
发明内容
基于此，有必要针对上述技术问题，提供一种能够快速有效的高空作业安全等级确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种高空作业安全等级确定方法。所述方法包括：
实时获取防护安全带的当前传感器数据，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，特征组中每一特征均用于指示防护安全带的工作状态；
将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将特征组中所有特征的当前特征值作为当前特征向量；
将当前特征向量输入至预设分类器，确定防护安全带在当前时刻的安全等级预测结果。
在其中一个实施例中，防护安全带包括安全带本体和安全带挂钩，安全带本体和安全带挂钩均安装有高度传感器，特征组中包括用于指示安全带本体与安全带挂钩之间的相对高度变化的特征；相应地，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，包括：
计算当前传感器数据中安全带本体的第一高度与安全带挂钩的第二高度之间的高度差，将高度差作为特征组中用于指示相对高度变化的特征对应的当前数据。
在其中一个实施例中，将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，包括：
对于任一特征，在任一特征对应的当前数据大于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第一数值；
在任一特征对应的当前数据小于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第二数值；
在任一特征对应的当前数据等于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第三数值；
其中，第一数值、第二数值和第三数值各不相同。
在其中一个实施例中，预设分类器为贝叶斯模型；相应地，将当前特征向量输入至预设分类器，获得防护安全带在当前时刻的安全等级预测结果，包括：
获取多个样本特征向量和每一样本特征向量对应的分类标签；
计算多个样本特征向量中每一特征值对应的工作状态的权重，根据每一特征值对应的工作状态的权重，计算防护安全带被预测为每种安全等级的条件概率，将最大条件概率对应的安全等级作为防护安全带在当前时刻的安全等级预测结果。
在其中一个实施例中，计算多个样本特征向量中每一特征值对应的工作状态的权重，包括：
Figure 119783DEST_PATH_IMAGE002
；
其中，
Figure 247139DEST_PATH_IMAGE004
为特征组中的第j个特征，
Figure 802754DEST_PATH_IMAGE006
为特征
Figure 306548DEST_PATH_IMAGE004
的第i个特征值，
Figure 139374DEST_PATH_IMAGE008
为特征
Figure 657206DEST_PATH_IMAGE004
的所有特征值总数量，
Figure 982008DEST_PATH_IMAGE010
为多个样本特征向量的总数量，
Figure 538760DEST_PATH_IMAGE012
为特征组中第j个特征的第i个特征值对应的工作状态的权重。
在其中一个实施例中，根据每一工作状态的权重，计算防护安全带被预测为每种安全等级的条件概率，包括：
Figure 960514DEST_PATH_IMAGE014
；
其中，C为分类标签，
Figure 852509DEST_PATH_IMAGE016
为第i个分类标签，
Figure 992503DEST_PATH_IMAGE018
为当前特征向量，
Figure 103679DEST_PATH_IMAGE020
为当前特征向量的分类标签为
Figure 301311DEST_PATH_IMAGE016
的条件概率，k为特征组中特征的个数，
Figure 675791DEST_PATH_IMAGE022
为多个样本特征向量中第j个特征的特征值为
Figure 460339DEST_PATH_IMAGE006
且分类标签为
Figure 703101DEST_PATH_IMAGE016
的样本特征向量的数量，
Figure 974814DEST_PATH_IMAGE024
为多个样本特征向量中分类标签为
Figure 300622DEST_PATH_IMAGE016
的样本特征向量的总数量，
Figure 415208DEST_PATH_IMAGE026
为多个样本特征向量中当前特征向量出现的概率。
在其中一个实施例中，安全等级预测结果共有三种，第一等级用于指示防护安全带工作状态的安全等级为安全，第二等级用于指示防护安全带工作状态的安全等级为较危险，第三等级用于指示防护安全带工作状态的安全等级为很危险，防护安全带还包括指示灯和声音报警器；相应地，方法还包括：
若安全等级预测结果为第一等级，则将指示灯的颜色设置为第一颜色；
若安全等级预测结果为第二等级，则控制声音报警器发出报警；
若安全等级预测结果为第三等级，则将指示灯的颜色设置为第二颜色并控制声音报警器发出报警。
第二方面，本申请还提供了一种高空作业安全等级确定装置。所述装置包括：
获取模块，用于实时获取防护安全带的当前传感器数据，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，特征组中每一特征均用于指示防护安全带的工作状态；
第一确定模块，用于将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将特征组中所有特征的当前特征值作为当前特征向量；
第二确定模块，将当前特征向量输入至预设分类器，确定防护安全带在当前时刻的安全等级预测结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
实时获取防护安全带的当前传感器数据，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，特征组中每一特征均用于指示防护安全带的工作状态；
将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将特征组中所有特征的当前特征值作为当前特征向量；
将当前特征向量输入至预设分类器，确定防护安全带在当前时刻的安全等级预测结果。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
实时获取防护安全带的当前传感器数据，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，特征组中每一特征均用于指示防护安全带的工作状态；
将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将特征组中所有特征的当前特征值作为当前特征向量；
将当前特征向量输入至预设分类器，确定防护安全带在当前时刻的安全等级预测结果。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
实时获取防护安全带的当前传感器数据，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，特征组中每一特征均用于指示防护安全带的工作状态；
将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将特征组中所有特征的当前特征值作为当前特征向量；
将当前特征向量输入至预设分类器，确定防护安全带在当前时刻的安全等级预测结果。
上述高空作业安全等级确定方法、装置、计算机设备、存储介质和计算机程序产品，实时获取防护安全带的当前传感器数据，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，特征组中每一特征均用于指示防护安全带的工作状态；将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将特征组中所有特征的当前特征值作为当前特征向量；将当前特征向量输入至预设分类器，确定防护安全带在当前时刻的安全等级预测结果。通过对高空作业防护安全带的工作状态进行实时监测和预测，等够提前获知安全带的当前安全等级，进而确定防护安全带的工作状态变化趋势，能避免安全带进入危险工作状态，从而可提前告知作业人员风险，作业人员据此调整安全带工作状态，预防人身坠落事故的发生。
附图说明
图1为一个实施例中高空作业安全等级确定方法的应用环境图；
图2为一个实施例中高空作业安全等级确定方法的流程示意图；
图3为另一个实施例中高空作业安全等级确定方法的流程示意图；
图4为又一个实施例中高空作业安全等级确定方法的流程示意图；
图5为一个实施例中高空作业安全等级确定装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在电网企业，登杆作业是电网员工在基层经常开展的一项作业任务。为保障作业人员的安全，登杆作业必须要使用高空作业防护安全带，电网作业的高空作业防护安全带通常包括腰带和安全绳。电力高空作业防护安全带是一种避免电力高空作业人员发生坠落或者在坠落时能够安全地把作业人员悬挂在空中的防护工具，作业人员在危险作业前必须正确穿戴，才能执行作业。例如，使用安全带时，必须时刻确保安全带本体高度低于挂钩高度，即“高挂低用”；必须时刻确保挂钩悬挂紧扣在悬挂装置上；必须时刻确保安全带卡扣闭合。
由于作业人员的疏忽大意，在登杆前会忘记扣腰带或佩戴安全绳，或者在跨越横担或者其他障碍物时，由于误操作而无法正确转换安全绳和腰带的使用，这为登杆作业带来了极大的安全风险，使得安全带失去了保护作用，无法保证作业人员的人身安全，不利于登杆作业的开展。
在相关电力高空作业防护安全带的技术方案中，通过传感器获取安全带在当前时刻的位置信息和挂钩在当前时刻的位置信息，直接根据安全带的当前静态位置信息或挂钩的当前静态位置信息，对安全带的当前工作状态进行判断，并发出警告。
本申请实施例提供的高空作业安全等级确定方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种高空作业安全等级确定方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，实时获取防护安全带的当前传感器数据，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，特征组中每一特征均用于指示防护安全带的工作状态；
步骤204，将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将特征组中所有特征的当前特征值作为当前特征向量；
步骤206，将当前特征向量输入至预设分类器，确定防护安全带在当前时刻的安全等级预测结果。
其中，当前传感器数据是指有防护安全带上安装的传感器直接得到的数据，例如传感器获得的高度值、压力值等。特征组中包括多个特征，每一特征都与安全带的工作状态有关，可以用来表示安全带工作状态的变化趋势，例如高度变化、挂钩压力变化等。根据安全带的使用方法可以知道，必须保证安全带本体是低于安全带挂钩的，以此避免安全带的“低挂高用”，因此需要结合安全带本体和安全带挂钩的两个传感器高度，才能得到此特征对应的当前数据。对于其它特征而言，也可以将创前期获取到的数据直接作为某一特征对应的当前数据。
具体地，在一个具体实施例中，安全带工作状态的特征组包括三个特征。关于第一特征，首先在安全带本体安装高度传感器，实时接收安全带本体的高度数据，实现安全带本体高度数据感知。然后，利用前后两次采集到的高度数据计算计算安全带本体高度这一特征的特征值，计算特征值的方式可根据情况自主选择。
关于第二特征，首先在安全带挂钩内圈安装压力传感器，实时接收挂钩与悬挂装置之间的压力数据，实现挂钩与悬挂装置之间的压力数据感知。然后，我们利用前后两次采集的压力数据，计算安全带挂钩悬挂状态这一特征的特征值，其中，计算特征值的方式可根据情况自主选择。
关于第三特征，首先在安全带卡扣结合出安装压力传感器，实时接收卡扣的压力数据，实现安全带卡扣的压力数据感知。然后，我们利用前后两次采集的压力数据，计算安全带卡扣闭合状态这一特征的特征值。这三个特征组成的特征组作为防护安全带的当前工作状态特征，输入至分类其中得到对应的安全等级。需要说明的是，分类器的每一种输出都有对应的警告。
上述实施例提供的方法中，实时获取防护安全带的当前传感器数据，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，特征组中每一特征均用于指示防护安全带的工作状态；将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将特征组中所有特征的当前特征值作为当前特征向量；将当前特征向量输入至预设分类器，确定防护安全带在当前时刻的安全等级预测结果。通过对高空作业防护安全带的工作状态进行实时监测和预测，等够提前获知安全带的当前安全等级，进而确定防护安全带的工作状态变化趋势，能避免安全带进入危险工作状态，从而可提前告知作业人员风险，作业人员据此调整安全带工作状态，预防人身坠落事故的发生。
在其中一个实施例中，防护安全带包括安全带本体和安全带挂钩，安全带本体和安全带挂钩均安装有高度传感器，特征组中包括用于指示安全带本体与安全带挂钩之间的相对高度变化的特征；相应地，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，包括：
计算当前传感器数据中安全带本体的第一高度与安全带挂钩的第二高度之间的高度差，将高度差作为特征组中用于指示相对高度变化的特征对应的当前数据。
其中，安全带本体与安全带挂钩的高度差这一特征是为了预测安全带的使用状态，由于安全带在使用时若出现低挂高用的情况，则可能会造成安全带挂钩无法控制安全带本体的安全，从而会存在危险，故使用两者相对位置变化的这一特征便是安全带的工作状态。
在一个具体实施例中，安全带工作状态的特征组包括三个特征。关于第一特征，首先在安全带本体和挂钩处安装高度传感器，实时接收安全带本体与挂钩的高度数据，实现安全带本体和挂钩之间的高度数据感知。然后，利用高度数据计算安全带本体和挂钩之间的高度差
Figure 602607DEST_PATH_IMAGE028
，其中，
Figure 745138DEST_PATH_IMAGE030
为安全带本体相对地面的高度，
Figure 992580DEST_PATH_IMAGE032
为挂钩相对地面的高度，这两项数据通过高度传感器获得。最后，我们利用前后两次采集的高度差，通过
Figure 250254DEST_PATH_IMAGE034
计算安全带本体和挂钩高度差变化特征的特征值，其中，f可根据情况自主选择。
上述实施例提供的方法中，计算当前传感器数据中安全带本体的第一高度与安全带挂钩的第二高度之间的高度差，将高度差作为特征组中用于指示相对高度变化的特征对应的当前数据。利用安全带的本体与挂钩的相对位置变化，对安全带的工作状态进行监测，预测安全带工作状态的安全等级，能够***但全带是否有出现低挂高用或高度差突变的趋势，避免安全带进入危险工作状态，从而可提前告知作业人员风险，作业人员据此调整安全带工作状态，预防人身坠落事故的发生。
在其中一个实施例中，参见图3，将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，包括：
步骤302，对于任一特征，在任一特征对应的当前数据大于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第一数值；
步骤304，在任一特征对应的当前数据小于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第二数值；
步骤306，在任一特征对应的当前数据等于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第三数值；
其中，第一数值、第二数值和第三数值各不相同。
可以理解的是，在利用分类器对输入的特征组进行处理时，分类器的算法无法对实际的测量数据进行识别，所以需要将每一特征的当前数据进行处理，得到特征值，此实施例的作用是为了得到计算机的算法能够处理的数据，例如，特征组中的其中一个特征为卡扣的压力变化，若当前数据为3N，上一数据为4N，则卡扣的工作状态为变松，此时将特征值设为1，若当前数据为5N，上一数据为4N，则卡扣的工作状态为变紧，此时将特征值设为0，若当前数据为4N，上一数据也为4N，则卡扣的工作状态保持不变，此时将特征值设为2，如此，在特征向量中卡扣的压力变化这一特征对应的特征值就确定了。
上述实施例提供的方法中，对于任一特征，在任一特征对应的当前数据大于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第一数值；在任一特征对应的当前数据小于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第二数值；在任一特征对应的当前数据等于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第三数值；其中，第一数值、第二数值和第三数值各不相同。通过对获取到的安全带实时工作状态数据进行处理，得到安全带的工作状态的每一特征对应的特征值，进而通过对特征值的分析，得到分类结果，避免安全带进入危险工作状态，从而可提前告知作业人员风险，作业人员据此调整安全带工作状态，预防人身坠落事故的发生。
在其中一个实施例中，参见图4，预设分类器为贝叶斯模型；相应地，将当前特征向量输入至预设分类器，获得防护安全带在当前时刻的安全等级预测结果，包括：
步骤402，获取多个样本特征向量和每一样本特征向量对应的分类标签；
步骤404，计算多个样本特征向量中每一特征值对应的工作状态的权重，根据每一特征值对应的工作状态的权重，计算防护安全带被预测为每种安全等级的条件概率，将最大条件概率对应的安全等级作为防护安全带在当前时刻的安全等级预测结果。
朴素贝叶斯分类（NBC）是以贝叶斯定理为基础并且假设特征条件之间相互独立的方法，先通过已给定的训练集，以特征词之间独立作为前提假设，学习从输入到输出的联合概率分布，再基于学习到的模型，输入
Figure 241344DEST_PATH_IMAGE018
求出使得后验概率最大的输出C。
设有样本数据集
Figure DEST_PATH_IMAGE036_106A
，对应样本数据的特征属性集为
Figure DEST_PATH_IMAGE038_96A
，
Figure 425332DEST_PATH_IMAGE004
的取值为
Figure 312517DEST_PATH_IMAGE006
，类变量为
Figure DEST_PATH_IMAGE040_84A
，即D可以分为
Figure DEST_PATH_IMAGE042_93A
类别。则若假设各特征之间相互独立，有：
Figure DEST_PATH_IMAGE044_68A
显然，一个特征属性出现的次数越多，说明它越重要，那么相应地就应该在模型中增加该特征属性的权重。因此，定义一个特征属性权重
Figure 898567DEST_PATH_IMAGE012
，代表安全带某一工作状态的权重，
Figure 912922DEST_PATH_IMAGE012
表示特征值为
Figure 544892DEST_PATH_IMAGE006
样本总数在所有样本总数中所占的比例。即可得到改进后的条件概率计算公式。
在其中一个实施例中，计算多个样本特征向量中每一特征值对应的工作状态的权重，包括：
Figure 727611DEST_PATH_IMAGE002
；
其中，
Figure 959878DEST_PATH_IMAGE004
为特征组中的第j个特征，
Figure 761612DEST_PATH_IMAGE006
为特征
Figure 998821DEST_PATH_IMAGE004
的第i个特征值，
Figure 618021DEST_PATH_IMAGE008
为特征
Figure 291579DEST_PATH_IMAGE004
的所有特征值总数量，
Figure 677430DEST_PATH_IMAGE010
为多个样本特征向量的总数量，
Figure DEST_PATH_IMAGE045_51A
为特征组中第j个特征的第i个特征值对应的工作状态的权重。
在其中一个实施例中，根据每一工作状态的权重，计算防护安全带被预测为每种安全等级的条件概率，包括：
Figure 549571DEST_PATH_IMAGE014
；
其中，C为分类标签，
Figure 903454DEST_PATH_IMAGE016
为第i个分类标签，
Figure 188942DEST_PATH_IMAGE018
为当前特征向量，
Figure 112904DEST_PATH_IMAGE020
为当前特征向量的分类标签为
Figure 42814DEST_PATH_IMAGE016
的条件概率，k为特征组中特征的个数，
Figure 161074DEST_PATH_IMAGE022
为多个样本特征向量中第j个特征的特征值为
Figure 74803DEST_PATH_IMAGE006
且分类标签为
Figure 146665DEST_PATH_IMAGE016
的样本特征向量的数量，
Figure 445928DEST_PATH_IMAGE024
为多个样本特征向量中分类标签为
Figure 718777DEST_PATH_IMAGE016
的样本特征向量的总数量，
Figure 73798DEST_PATH_IMAGE026
为多个样本特征向量中当前特征向量出现的概率。
上述实施例提及的方案，通过增加每一工作状态的权重，对朴素贝叶斯分类器进行改进，得到更精准的计算后验概率的方法，确保分类任务的准确率，从而对安全带的工作状态和变化趋势进行分析，能够准确且及时地位高空作业工作人员提供安全带的安全状况，避免安全带进入危险的工作状态，预防人身坠落事故的发生。
在其中一个实施例中，安全等级预测结果共有三种，第一等级用于指示防护安全带工作状态的安全等级为安全，第二等级用于指示防护安全带工作状态的安全等级为较危险，第三等级用于指示防护安全带工作状态的安全等级为很危险，防护安全带还包括指示灯和声音报警器；相应地，方法还包括：
若安全等级预测结果为第一等级，则将指示灯的颜色设置为第一颜色；
若安全等级预测结果为第二等级，则控制声音报警器发出报警；
若安全等级预测结果为第三等级，则将指示灯的颜色设置为第二颜色并控制声音报警器发出报警。
其中，第一颜色和第二颜色各不相同，用于区分不同的安全等级，例如第一颜色为绿色，代表安全，第二颜色红色，代表危险。可以理解的是，在分类器得到当前特征向量的分类结果后，对一个也即知道了当前特征向量代表的安全带的当前工作状态的安全等级预测结果，然后计算机需要控制安全带上的警示装置发出提醒，例如在安全等级划分时，有安全、较危险和很危险3个等级，当安全带的工作状态为安全时，亮绿色指示灯，向工作人员传达安全的状态；当安全带的工作状态为较危险时，启动蜂鸣器，发出警报，提醒工作人员安全带的当前工作状态为危险，需及时调整安全带；当安全带的工作状态为很危险时，不仅需要有声音警示，指示灯也会变成红色，意味着工作人员需要及时检查安全带的当前状态，及时调整安全带。
上述实施例提供的方法中，若安全等级预测结果为第一等级，则将指示灯的颜色设置为第一颜色；若安全等级预测结果为第二等级，则控制声音报警器发出报警；若安全等级预测结果为第三等级，则将指示灯的颜色设置为第二颜色并控制声音报警器发出报警。将安全等级通过肉眼可见或其他可快速被人获知的方式表达出来，实现智能提醒工作人员，及时检查安全带的工作状态，调整安全带，保证安全带的正确和安全使用，避免发生“低挂高用”、挂钩已脱离悬挂装置或者安全带卡扣已打开等危险情况。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的高空作业安全等级确定方法的高空作业安全等级确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个高空作业安全等级确定装置实施例中的具体限定可以参见上文中对于高空作业安全等级确定方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种高空作业安全等级确定装置，包括：获取模块501、第一确定模块502和第二确定模块503，其中：
获取模块501，用于实时获取防护安全带的当前传感器数据，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，特征组中每一特征均用于指示防护安全带的工作状态；
第一确定模块502，用于将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将特征组中所有特征的当前特征值作为当前特征向量；
第二确定模块503，将当前特征向量输入至预设分类器，确定防护安全带在当前时刻的安全等级预测结果。
在其中一个实施例中，获取模块501还用于：
计算当前传感器数据中安全带本体的第一高度与安全带挂钩的第二高度之间的高度差，将高度差作为特征组中用于指示相对高度变化的特征对应的当前数据。
在其中一个实施例中，第一确定模块502还用于：
对于任一特征，在任一特征对应的当前数据大于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第一数值；
在任一特征对应的当前数据小于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第二数值；
在任一特征对应的当前数据等于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第三数值；
其中，第一数值、第二数值和第三数值各不相同。
在其中一个实施例中，第二确定模块503还用于：
获取多个样本特征向量和每一样本特征向量对应的分类标签；
计算多个样本特征向量中每一特征值对应的工作状态的权重，根据每一特征值对应的工作状态的权重，计算防护安全带被预测为每种安全等级的条件概率，将最大条件概率对应的安全等级作为防护安全带在当前时刻的安全等级预测结果。
在其中一个实施例中，第二确定模块503还用于：
Figure 683770DEST_PATH_IMAGE002
；
其中，
Figure 368699DEST_PATH_IMAGE004
为特征组中的第j个特征，
Figure 812449DEST_PATH_IMAGE006
为特征
Figure 185924DEST_PATH_IMAGE004
的第i个特征值，
Figure 599588DEST_PATH_IMAGE008
为特征
Figure 889755DEST_PATH_IMAGE004
的所有特征值总数量，
Figure 488095DEST_PATH_IMAGE010
为多个样本特征向量的总数量，
Figure 457188DEST_PATH_IMAGE012
为特征组中第j个特征的第i个特征值对应的工作状态的权重。
在其中一个实施例中，第二确定模块503还用于：
Figure 815489DEST_PATH_IMAGE014
；
其中，C为分类标签，
Figure 976474DEST_PATH_IMAGE016
为第i个分类标签，
Figure 762027DEST_PATH_IMAGE018
为当前特征向量，
Figure 874209DEST_PATH_IMAGE020
为当前特征向量的分类标签为
Figure 505041DEST_PATH_IMAGE016
的条件概率，k为特征组中特征的个数，
Figure 363276DEST_PATH_IMAGE022
为多个样本特征向量中第j个特征的特征值为
Figure 324323DEST_PATH_IMAGE006
且分类标签为
Figure 674533DEST_PATH_IMAGE016
的样本特征向量的数量，
Figure 92745DEST_PATH_IMAGE024
为多个样本特征向量中分类标签为
Figure 805486DEST_PATH_IMAGE016
的样本特征向量的总数量，
Figure 198421DEST_PATH_IMAGE026
为多个样本特征向量中当前特征向量出现的概率。
在其中一个实施例中，安全等级预测结果共有三种，第一等级用于指示防护安全带工作状态的安全等级为安全，第二等级用于指示防护安全带工作状态的安全等级为较危险，第三等级用于指示防护安全带工作状态的安全等级为很危险，防护安全带还包括指示灯和声音报警器；相应地，高空作业安全等级确定装置还包括警示模块，警示模块用于：
若安全等级预测结果为第一等级，则将指示灯的颜色设置为第一颜色；
若安全等级预测结果为第二等级，则控制声音报警器发出报警；
若安全等级预测结果为第三等级，则将指示灯的颜色设置为第二颜色并控制声音报警器发出报警。
上述高空作业安全等级确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储传感器获取的实时数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种高空作业安全等级确定方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
实时获取防护安全带的当前传感器数据，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，特征组中每一特征均用于指示防护安全带的工作状态；
将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将特征组中所有特征的当前特征值作为当前特征向量；
将当前特征向量输入至预设分类器，确定防护安全带在当前时刻的安全等级预测结果。
在一个实施例中，防护安全带包括安全带本体和安全带挂钩，安全带本体和安全带挂钩均安装有高度传感器，特征组中包括用于指示安全带本体与安全带挂钩之间的相对高度变化的特征；相应地，处理器执行计算机程序时还实现以下步骤：
计算当前传感器数据中安全带本体的第一高度与安全带挂钩的第二高度之间的高度差，将高度差作为特征组中用于指示相对高度变化的特征对应的当前数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对于任一特征，在任一特征对应的当前数据大于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第一数值；
在任一特征对应的当前数据小于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第二数值；
在任一特征对应的当前数据等于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第三数值；
其中，第一数值、第二数值和第三数值各不相同。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取多个样本特征向量和每一样本特征向量对应的分类标签；
计算多个样本特征向量中每一特征值对应的工作状态的权重，根据每一特征值对应的工作状态的权重，计算防护安全带被预测为每种安全等级的条件概率，将最大条件概率对应的安全等级作为防护安全带在当前时刻的安全等级预测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
Figure 255501DEST_PATH_IMAGE002
；
其中，
Figure 759295DEST_PATH_IMAGE004
为特征组中的第j个特征，
Figure 982335DEST_PATH_IMAGE006
为特征
Figure 139647DEST_PATH_IMAGE004
的第i个特征值，
Figure 933290DEST_PATH_IMAGE008
为特征
Figure 725928DEST_PATH_IMAGE004
的所有特征值总数量，
Figure 413261DEST_PATH_IMAGE010
为多个样本特征向量的总数量，
Figure 616841DEST_PATH_IMAGE012
为特征组中第j个特征的第i个特征值对应的工作状态的权重。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
Figure 412627DEST_PATH_IMAGE014
；
其中，C为分类标签，
Figure 523803DEST_PATH_IMAGE016
为第i个分类标签，
Figure 222900DEST_PATH_IMAGE018
为当前特征向量，
Figure 722014DEST_PATH_IMAGE020
为当前特征向量的分类标签为
Figure 411621DEST_PATH_IMAGE016
的条件概率，k为特征组中特征的个数，
Figure 388805DEST_PATH_IMAGE022
为多个样本特征向量中第j个特征的特征值为
Figure 457255DEST_PATH_IMAGE006
且分类标签为
Figure 284528DEST_PATH_IMAGE016
的样本特征向量的数量，
Figure 274480DEST_PATH_IMAGE024
为多个样本特征向量中分类标签为
Figure 55355DEST_PATH_IMAGE016
的样本特征向量的总数量，
Figure 227579DEST_PATH_IMAGE026
为多个样本特征向量中当前特征向量出现的概率。
在一个实施例中，安全等级预测结果共有三种，第一等级用于指示防护安全带工作状态的安全等级为安全，第二等级用于指示防护安全带工作状态的安全等级为较危险，第三等级用于指示防护安全带工作状态的安全等级为很危险，防护安全带还包括指示灯和声音报警器；相应地，处理器执行计算机程序时还实现以下步骤：
若安全等级预测结果为第一等级，则将指示灯的颜色设置为第一颜色；
若安全等级预测结果为第二等级，则控制声音报警器发出报警；
若安全等级预测结果为第三等级，则将指示灯的颜色设置为第二颜色并控制声音报警器发出报警。
在其中一个实施例中，采用改进微体系结构嵌入式处理器对数据进行处理。具体地，改进现有RISC-V指令集结构的嵌入式处理器，把指令的执行过程分为5个阶段（分别是取指，译码，执行，访存，写回），采用5级流水线技术，加快了指令的执行。其中，取指阶段获取下一条需要进入指令流水线的指令，如果流水线出现暂停，则停止取指；如果遇到跳转，则取指的地址为跳转地址。译码阶段根据RISC-V编码格式对指令进行译码，根据RISC-V各类别指令分别给出不同控制信号。执行阶段根据指令不同，执行不同操作，算术逻辑运算指令执行算数运算，跳转指令根据指向情况跳转至不同地址，并且会为下一步访存指令计算出所需的存储器和寄存器地址。访存主要针对读取和存储类型指令，识别数据类型和数据长度，与缓存模块进行交互。写回主要是将数据写入寄存器中。
考虑到5级流水线相比更低级别的流水线较为复杂，不同指令之前可能存在依赖关系，如A指令的执行需要等待B指令的结果。如果不等待B指令的结果就执行A指令，会使A指令的结果出现错误。一个自然的想法是使A指令的执行等待B指令。然而，随着执行的指令序列不断增加，如果所有存在依赖关系的指令都执行等待操作，会影响处理器的性能。考虑到RISC-V的指令可能有一个源操作数或者两个源操作数。
因此，本实施例中，在非读取指令的执行阶段开始之前，如果上两条指令处于访问或者写回阶段，检查本条指令的源寄存器与上两条指令的目标寄存器的关系，如果相同，则直接把数据转发过来开始计算，使得流水线能够继续执行。并且，如果本条指令为读取指令，上两条处在访问阶段或者写回阶段的指令的目标寄存器地址，如果与本条指令的目标寄存器地址相同，则上两条等待一个阶段，直到本条指令获取到数据后，流水线才继续。本发明通过在基于RISC-V指令集结构的嵌入式处理器上采用多级指令流水线以及检查分发技术，增加处理器的吞吐率，提高主频，能够更快地进行信息和数据的处理和收发，为改进朴素贝叶斯分类算法的快速运行提供基础，从而能够更早发出警告，提醒和保护高空作业人员。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
实时获取防护安全带的当前传感器数据，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，特征组中每一特征均用于指示防护安全带的工作状态；
将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将特征组中所有特征的当前特征值作为当前特征向量；
将当前特征向量输入至预设分类器，确定防护安全带在当前时刻的安全等级预测结果。
在一个实施例中，防护安全带包括安全带本体和安全带挂钩，安全带本体和安全带挂钩均安装有高度传感器，特征组中包括用于指示安全带本体与安全带挂钩之间的相对高度变化的特征；相应地，计算机程序被处理器执行时还实现以下步骤：
计算当前传感器数据中安全带本体的第一高度与安全带挂钩的第二高度之间的高度差，将高度差作为特征组中用于指示相对高度变化的特征对应的当前数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对于任一特征，在任一特征对应的当前数据大于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第一数值；
在任一特征对应的当前数据小于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第二数值；
在任一特征对应的当前数据等于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第三数值；
其中，第一数值、第二数值和第三数值各不相同。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取多个样本特征向量和每一样本特征向量对应的分类标签；
计算多个样本特征向量中每一特征值对应的工作状态的权重，根据每一特征值对应的工作状态的权重，计算防护安全带被预测为每种安全等级的条件概率，将最大条件概率对应的安全等级作为防护安全带在当前时刻的安全等级预测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
Figure 943862DEST_PATH_IMAGE002
；
其中，
Figure 234160DEST_PATH_IMAGE004
为特征组中的第j个特征，
Figure 694092DEST_PATH_IMAGE006
为特征
Figure 720822DEST_PATH_IMAGE004
的第i个特征值，
Figure 732641DEST_PATH_IMAGE008
为特征
Figure 962765DEST_PATH_IMAGE004
的所有特征值总数量，
Figure 977119DEST_PATH_IMAGE010
为多个样本特征向量的总数量，
Figure 202564DEST_PATH_IMAGE012
为特征组中第j个特征的第i个特征值对应的工作状态的权重。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
Figure 791809DEST_PATH_IMAGE014
；
其中，C为分类标签，
Figure 24076DEST_PATH_IMAGE016
为第i个分类标签，
Figure 356968DEST_PATH_IMAGE018
为当前特征向量，
Figure 594177DEST_PATH_IMAGE020
为当前特征向量的分类标签为
Figure 88743DEST_PATH_IMAGE016
的条件概率，k为特征组中特征的个数，
Figure 886935DEST_PATH_IMAGE022
为多个样本特征向量中第j个特征的特征值为
Figure 7206DEST_PATH_IMAGE006
且分类标签为
Figure 613768DEST_PATH_IMAGE016
的样本特征向量的数量，
Figure 854187DEST_PATH_IMAGE024
为多个样本特征向量中分类标签为
Figure 874096DEST_PATH_IMAGE016
的样本特征向量的总数量，
Figure 814370DEST_PATH_IMAGE026
为多个样本特征向量中当前特征向量出现的概率。
在一个实施例中，安全等级预测结果共有三种，第一等级用于指示防护安全带工作状态的安全等级为安全，第二等级用于指示防护安全带工作状态的安全等级为较危险，第三等级用于指示防护安全带工作状态的安全等级为很危险，防护安全带还包括指示灯和声音报警器；相应地，计算机程序被处理器执行时还实现以下步骤：
若安全等级预测结果为第一等级，则将指示灯的颜色设置为第一颜色；
若安全等级预测结果为第二等级，则控制声音报警器发出报警；
若安全等级预测结果为第三等级，则将指示灯的颜色设置为第二颜色并控制声音报警器发出报警。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
实时获取防护安全带的当前传感器数据，根据当前传感器数据，确定防护安全带的特征组中每一特征对应的当前数据，特征组中每一特征均用于指示防护安全带的工作状态；
将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将特征组中所有特征的当前特征值作为当前特征向量；
将当前特征向量输入至预设分类器，确定防护安全带在当前时刻的安全等级预测结果。
在一个实施例中，防护安全带包括安全带本体和安全带挂钩，安全带本体和安全带挂钩均安装有高度传感器，特征组中包括用于指示安全带本体与安全带挂钩之间的相对高度变化的特征；相应地，计算机程序被处理器执行时还实现以下步骤：
计算当前传感器数据中安全带本体的第一高度与安全带挂钩的第二高度之间的高度差，将高度差作为特征组中用于指示相对高度变化的特征对应的当前数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对于任一特征，在任一特征对应的当前数据大于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第一数值；
在任一特征对应的当前数据小于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第二数值；
在任一特征对应的当前数据等于任一特征对应的上一数据的情况下，将任一特征的当前特征值确定为第三数值；
其中，第一数值、第二数值和第三数值各不相同。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取多个样本特征向量和每一样本特征向量对应的分类标签；
计算多个样本特征向量中每一特征值对应的工作状态的权重，根据每一特征值对应的工作状态的权重，计算防护安全带被预测为每种安全等级的条件概率，将最大条件概率对应的安全等级作为防护安全带在当前时刻的安全等级预测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
Figure 993547DEST_PATH_IMAGE002
；
其中，
Figure 95496DEST_PATH_IMAGE004
为特征组中的第j个特征，
Figure 868280DEST_PATH_IMAGE006
为特征
Figure 97398DEST_PATH_IMAGE004
的第i个特征值，
Figure 881814DEST_PATH_IMAGE008
为特征
Figure 13718DEST_PATH_IMAGE004
的所有特征值总数量，
Figure 664011DEST_PATH_IMAGE010
为多个样本特征向量的总数量，
Figure 414930DEST_PATH_IMAGE012
为特征组中第j个特征的第i个特征值对应的工作状态的权重。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
Figure 601323DEST_PATH_IMAGE014
；
其中，C为分类标签，
Figure 45073DEST_PATH_IMAGE016
为第i个分类标签，
Figure 448242DEST_PATH_IMAGE018
为当前特征向量，
Figure 268430DEST_PATH_IMAGE020
为当前特征向量的分类标签为
Figure 152073DEST_PATH_IMAGE016
的条件概率，k为特征组中特征的个数，
Figure 986299DEST_PATH_IMAGE022
为多个样本特征向量中第j个特征的特征值为
Figure 361916DEST_PATH_IMAGE006
且分类标签为
Figure 579271DEST_PATH_IMAGE016
的样本特征向量的数量，
Figure 973212DEST_PATH_IMAGE024
为多个样本特征向量中分类标签为
Figure 493186DEST_PATH_IMAGE016
的样本特征向量的总数量，
Figure 106833DEST_PATH_IMAGE026
为多个样本特征向量中当前特征向量出现的概率。
在一个实施例中，安全等级预测结果共有三种，第一等级用于指示防护安全带工作状态的安全等级为安全，第二等级用于指示防护安全带工作状态的安全等级为较危险，第三等级用于指示防护安全带工作状态的安全等级为很危险，防护安全带还包括指示灯和声音报警器；相应地，计算机程序被处理器执行时还实现以下步骤：
若安全等级预测结果为第一等级，则将指示灯的颜色设置为第一颜色；
若安全等级预测结果为第二等级，则控制声音报警器发出报警；
若安全等级预测结果为第三等级，则将指示灯的颜色设置为第二颜色并控制声音报警器发出报警。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种高空作业安全等级确定方法，其特征在于，所述方法应用于高空作业的防护安全带，所述方法包括：
实时获取所述防护安全带的当前传感器数据，根据所述当前传感器数据，确定所述防护安全带的特征组中每一特征对应的当前数据，所述特征组中每一特征均用于指示所述防护安全带的工作状态；
将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将所述特征组中所有特征的当前特征值作为当前特征向量；
将所述当前特征向量输入至预设分类器，确定所述防护安全带在当前时刻的安全等级预测结果。
2.根据权利要求1所述的方法，其特征在于，所述防护安全带包括安全带本体和安全带挂钩，所述安全带本体和所述安全带挂钩均安装有高度传感器，所述特征组中包括用于指示所述安全带本体与所述安全带挂钩之间的相对高度变化的特征；相应地，所述根据所述当前传感器数据，确定所述防护安全带的特征组中每一特征对应的当前数据，包括：
计算所述当前传感器数据中所述安全带本体的第一高度与所述安全带挂钩的第二高度之间的高度差，将所述高度差作为所述特征组中用于指示相对高度变化的特征对应的当前数据。
3.根据权利要求1所述的方法，其特征在于，所述将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，包括：
对于任一特征，在所述任一特征对应的当前数据大于所述任一特征对应的上一数据的情况下，将所述任一特征的当前特征值确定为第一数值；
在所述任一特征对应的当前数据小于所述任一特征对应的上一数据的情况下，将所述任一特征的当前特征值确定为第二数值；
在所述任一特征对应的当前数据等于所述任一特征对应的上一数据的情况下，将所述任一特征的当前特征值确定为第三数值；
其中，所述第一数值、所述第二数值和所述第三数值各不相同。
4.根据权利要求1所述的方法，其特征在于，所述预设分类器为贝叶斯模型；相应地，所述将所述当前特征向量输入至预设分类器，获得所述防护安全带在当前时刻的安全等级预测结果，包括：
获取多个样本特征向量和每一样本特征向量对应的分类标签；
计算所述多个样本特征向量中每一特征值对应的工作状态的权重，根据每一特征值对应的工作状态的权重，计算所述防护安全带被预测为每种安全等级的条件概率，将最大条件概率对应的安全等级作为所述防护安全带在当前时刻的安全等级预测结果。
5.根据权利要求4所述的方法，其特征在于，所述计算所述多个样本特征向量中每一特征值对应的工作状态的权重，包括：
Figure DEST_PATH_IMAGE002_67A
；
其中，
Figure DEST_PATH_IMAGE004_59A
为所述特征组中的第j个特征，
Figure DEST_PATH_IMAGE006_47A
为特征
Figure DEST_PATH_IMAGE004_60A
的第i个特征值，
Figure DEST_PATH_IMAGE008_48A
为特征
Figure DEST_PATH_IMAGE004_61A
的所有特征值总数量，
Figure DEST_PATH_IMAGE010_35A
为所述多个样本特征向量的总数量，
Figure DEST_PATH_IMAGE012_34A
为所述特征组中第j个特征的第i个特征值对应的工作状态的权重。
6.根据权利要求5所述的方法，其特征在于，根据每一工作状态的权重，计算所述防护安全带被预测为每种安全等级的条件概率，包括：
Figure DEST_PATH_IMAGE014_16A
；
其中，C为分类标签，
Figure DEST_PATH_IMAGE016_22A
为第i个分类标签，
Figure DEST_PATH_IMAGE018_16A
为所述当前特征向量，
Figure DEST_PATH_IMAGE020_16A
为所述当前特征向量的分类标签为
Figure DEST_PATH_IMAGE016_23A
的条件概率，k为特征组中特征的个数，
Figure DEST_PATH_IMAGE022_10A
为所述多个样本特征向量中第j个特征的特征值为
Figure DEST_PATH_IMAGE006_48A
且分类标签为
Figure DEST_PATH_IMAGE016_24A
的样本特征向量的数量，
Figure DEST_PATH_IMAGE024_10A
为所述多个样本特征向量中分类标签为
Figure DEST_PATH_IMAGE016_25A
的样本特征向量的总数量，
Figure DEST_PATH_IMAGE026_9A
为所述多个样本特征向量中所述当前特征向量出现的概率。
7.根据权利要求1所述的方法，其特征在于，所述安全等级预测结果共有三种，第一等级用于指示所述防护安全带工作状态的安全等级为安全，第二等级用于指示所述防护安全带工作状态的安全等级为较危险，第三等级用于指示所述防护安全带工作状态的安全等级为很危险，所述防护安全带还包括指示灯和声音报警器；相应地，所述方法还包括：
若所述安全等级预测结果为所述第一等级，则将所述指示灯的颜色设置为第一颜色；
若所述安全等级预测结果为所述第二等级，则控制所述声音报警器发出报警；
若所述安全等级预测结果为所述第三等级，则将所述指示灯的颜色设置为第二颜色并控制所述声音报警器发出报警。
8.一种高空作业安全等级确定装置，其特征在于，所述装置包括：
获取模块，用于实时获取所述防护安全带的当前传感器数据，根据所述当前传感器数据，确定所述防护安全带的特征组中每一特征对应的当前数据，所述特征组中每一特征均用于指示所述防护安全带的工作状态；
第一确定模块，用于将每一特征对应的当前数据与每一特征对应的上一数据作大小对比，根据大小对比结果确定每一特征的当前特征值，将所述特征组中所有特征的当前特征值作为当前特征向量；
第二确定模块，将所述当前特征向量输入至预设分类器，确定所述防护安全带在当前时刻的安全等级预测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202210662810.8A 2022-06-13 2022-06-13 高空作业安全等级确定方法、装置和计算机设备 Active CN114742180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210662810.8A CN114742180B (zh) 2022-06-13 2022-06-13 高空作业安全等级确定方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210662810.8A CN114742180B (zh) 2022-06-13 2022-06-13 高空作业安全等级确定方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN114742180A true CN114742180A (zh) 2022-07-12
CN114742180B CN114742180B (zh) 2022-09-20

Family

ID=82286816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210662810.8A Active CN114742180B (zh) 2022-06-13 2022-06-13 高空作业安全等级确定方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN114742180B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580525A (zh) * 2023-05-12 2023-08-11 南方电网调峰调频发电有限公司检修试验分公司 一种电力作业的安全预警方法、装置、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN208225253U (zh) * 2018-01-30 2018-12-11 国网陕西省电力公司安康水力发电公司 一种高空作业防坠可视化监测预警***
CN110135648A (zh) * 2019-05-21 2019-08-16 北京起重运输机械设计研究院有限公司 一种作业设备的安全状态预测方法、装置及电子设备
CN110326839A (zh) * 2019-07-04 2019-10-15 湖南星邦重工有限公司 一种安全帽及避险方法
CN110969244A (zh) * 2019-12-18 2020-04-07 长安大学 一种基于卷积神经网络的建筑施工安全监测方法
CN110975185A (zh) * 2019-12-23 2020-04-10 国网河北省电力有限公司衡水市桃城区供电分公司 一种基于气压传感器的防止安全带低挂高用的方法
CN112633308A (zh) * 2020-09-15 2021-04-09 北京华电天仁电力控制技术有限公司 一种电厂作业人员是否佩戴安全带的检测方法及检测***
CN113642827A (zh) * 2021-06-21 2021-11-12 南方电网调峰调频发电有限公司 大坝监测数据的分析方法、装置、设备和存储介质
CN113887634A (zh) * 2021-10-08 2022-01-04 齐丰科技股份有限公司 基于改进两步检测的电力安全带检测及预警方法
CN114155492A (zh) * 2021-12-09 2022-03-08 华电宁夏灵武发电有限公司 高空作业安全带挂绳高挂低用识别方法、装置和电子设备
CN114387768A (zh) * 2021-12-11 2022-04-22 深圳供电局有限公司 杆塔倾斜预警方法、装置、计算机设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN208225253U (zh) * 2018-01-30 2018-12-11 国网陕西省电力公司安康水力发电公司 一种高空作业防坠可视化监测预警***
CN110135648A (zh) * 2019-05-21 2019-08-16 北京起重运输机械设计研究院有限公司 一种作业设备的安全状态预测方法、装置及电子设备
CN110326839A (zh) * 2019-07-04 2019-10-15 湖南星邦重工有限公司 一种安全帽及避险方法
CN110969244A (zh) * 2019-12-18 2020-04-07 长安大学 一种基于卷积神经网络的建筑施工安全监测方法
CN110975185A (zh) * 2019-12-23 2020-04-10 国网河北省电力有限公司衡水市桃城区供电分公司 一种基于气压传感器的防止安全带低挂高用的方法
CN112633308A (zh) * 2020-09-15 2021-04-09 北京华电天仁电力控制技术有限公司 一种电厂作业人员是否佩戴安全带的检测方法及检测***
CN113642827A (zh) * 2021-06-21 2021-11-12 南方电网调峰调频发电有限公司 大坝监测数据的分析方法、装置、设备和存储介质
CN113887634A (zh) * 2021-10-08 2022-01-04 齐丰科技股份有限公司 基于改进两步检测的电力安全带检测及预警方法
CN114155492A (zh) * 2021-12-09 2022-03-08 华电宁夏灵武发电有限公司 高空作业安全带挂绳高挂低用识别方法、装置和电子设备
CN114387768A (zh) * 2021-12-11 2022-04-22 深圳供电局有限公司 杆塔倾斜预警方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴烈凡: "基于卷积神经网络的高空作业安全带识别与检测", 《现代计算机》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580525A (zh) * 2023-05-12 2023-08-11 南方电网调峰调频发电有限公司检修试验分公司 一种电力作业的安全预警方法、装置、设备及存储介质
CN116580525B (zh) * 2023-05-12 2024-02-13 南方电网调峰调频发电有限公司检修试验分公司 一种电力作业的安全预警方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114742180B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
US10133703B2 (en) Anomaly detection method, program, and system
TW201905773A (zh) 車險風險預測方法、裝置及伺服器
US20140368354A1 (en) Central alarm (ca) unit in a gas monitoring system including gas sensors and gas sensor controllers
EP3346428A1 (en) Sensor design support apparatus, sensor design support method and computer program
CN114742180B (zh) 高空作业安全等级确定方法、装置和计算机设备
CN109416775A (zh) 具有用于安全事件检测的分析流处理的个人防护设备(ppe)
US11669771B2 (en) Learning system, analysis system, learning method, and storage medium
CN110070026B (zh) 基于模式识别的视频图像危险态势感知方法、***、装置
CN108877172A (zh) 一种错误报警分析方法、装置及终端设备
EP3904987A1 (en) Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system
CN110959180A (zh) 用于确定用户的花粉引起的过敏的风险水平的***和方法
CN109582988B (zh) 航空发动机叶片的振动应力监测用应变片位置的确定方法
Qadrini Handling Unbalanced Data With Smote Adaboost
CN105701980A (zh) 一种有毒气体报警器及报警方法
CN114529869A (zh) 违章动火检测模型的训练方法及利用该模型的检测方法
EP3832557B1 (en) Determination apparatus, determination method, determination program, and related system, method, program and computer readable recording medium
Chen et al. Monitoring and detecting coal miners' fatigue status using MPA-LSSVM in the vision of smart mine
US20230126567A1 (en) Operation system, operation method and recording medium having recorded thereon operation program
CN115004198A (zh) 电子设备和电子设备的控制方法
CN112149527A (zh) 一种可穿戴设备检测方法、装置、电子设备及存储介质
US20210272429A1 (en) Artificial intelligence based motion detection
Cengil et al. An efficient and fast lightweight-model with ShuffleNetv2 based on YOLOv5 for detection of hardhat-wearing
CN116167545A (zh) 一种bim智慧工地管理平台***及方法
CN114266431B (zh) 一种基于物联网的工业生产安全感知模型的构建方法
CN114444776A (zh) 一种基于神经网络的危险源分析方法及装置

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