CN116720727A - 一种服装生产车间安全监测预警方法及*** - Google Patents
一种服装生产车间安全监测预警方法及*** Download PDFInfo
- Publication number
- CN116720727A CN116720727A CN202310039423.3A CN202310039423A CN116720727A CN 116720727 A CN116720727 A CN 116720727A CN 202310039423 A CN202310039423 A CN 202310039423A CN 116720727 A CN116720727 A CN 116720727A
- Authority
- CN
- China
- Prior art keywords
- safety
- workshop
- score
- rating
- image information
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013210 evaluation model Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 238000004904 shortening Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005070 sampling Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- 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
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种服装生产车间安全监测预警方法及***,涉及数据处理技术领域,该方法包括:获取生产服装的目标车间内工人对于消防安全的了解程度,并获得第一分数;获取目标车间内电力线路安全程度的第二分数;将第一分数和第二分数输入车间安全评分表,获得第一评级;获取目标车间内的图像信息;将图像信息输入物料堆放安全评分模型,获得第二评级;将第一评级和第二评级输入车间安全评价模型,获得车间安全监测结果,并在车间安全监测结果超过报警阈值时,进行报警。本发明解决了现有技术中存在车间安全监测反馈周期长,监测结果不准确的技术问题,达到了提高服装生产车间安全监测质量,保障车间安全生产的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种服装生产车间安全监测预警方法及***。
背景技术
随着经济和科学技术的飞速发展,对于制造企业的生产要求也在不断提高,保障制造企业安全生产,强化制造企业安全生产标准化建设,对于有效防止事故的发生有着十分重要的意义。
目前,通过对服装生产车间设立专门的安全员,对生产制造过程中的每道工序进行安全质量监测,对安全隐患进行排查,通过定期巡查的方式来保证监测的效果。然而,在生产过程中,仅仅依靠人力进行监测,不仅受限于监测人员的能力,而且由于人员在监测体系中层层向上汇报,导致反馈周期过长,无法对安全隐患进行快速及时的反馈排查,不能保证车间的安全生产。现有技术中存在车间安全监测反馈周期长,监测结果不准确的技术问题。
发明内容
本申请提供了一种服装生产车间安全监测预警方法及***,用于针对解决现有技术中存在车间安全监测反馈周期长,监测结果不准确的技术问题。
鉴于上述问题,本申请提供了一种服装生产车间安全监测预警方法及***。
本申请的第一个方面,提供了一种服装生产车间安全监测预警方法,所述方法包括:
获取生产服装的目标车间内工人对于消防安全的了解程度,并获得第一分数;
获取所述目标车间内电力线路安全程度的第二分数;
将所述第一分数和所述第二分数输入车间安全评分表,获得第一评级;
获取所述目标车间内的图像信息;
将所述图像信息输入物料堆放安全评分模型,获得第二评级;
将所述第一评级和第二评级输入车间安全评价模型,获得车间安全监测结果,并在所述车间安全监测结果超过报警阈值时,进行报警。
本申请的第二个方面,提供了一种服装生产车间安全监测预警***,所述***包括:
第一分数获得模块,所述第一分数获得模块用于获取生产服装的目标车间内工人对于消防安全的了解程度,并获得第一分数;
第二分数获得模块,所述第二分数获得模块用于获取所述目标车间内电力线路安全程度的第二分数;
第一评级获得模块,所述第一评级获得模块用于将所述第一分数和所述第二分数输入车间安全评分表,获得第一评级;
图像信息获得模块,所述图像信息获得模块用于获取所述目标车间内的图像信息;
第二评级获得模块,所述第二评级获得模块用于将所述图像信息输入物料堆放安全评分模型,获得第二评级;
报警模块,所述报警模块用于将所述第一评级和第二评级输入车间安全评价模型,获得车间安全监测结果,并在所述车间安全监测结果超过报警阈值时,进行报警。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过获取生产服装的目标车间内工人对于消防安全的了解程度,并获得第一分数,然后获取目标车间内电力线路安全程度的第二分数,进而通过将第一分数和第二分数输入车间安全评分表,获得第一评级,然后获取目标车间内的图像信息,通过将图像信息输入物料堆放安全评分模型,获得第二评级,然后将第一评级和第二评级输入车间安全评价模型,获得车间安全监测结果,并在车间安全监测结果超过报警阈值时,进行报警。达到了缩短车间安全监测反馈周期,提高监测效率和监测质量的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种服装生产车间安全监测预警方法流程示意图;
图2为本申请实施例提供的一种服装生产车间安全监测预警方法中获得第一分数的流程示意图;
图3为本申请实施例提供的一种服装生产车间安全监测预警方法中将第一分数和第二分数输入车间安全评分表的流程示意图;
图4为本申请实施例提供的一种服装生产车间安全监测预警***结构示意图。
附图标记说明:第一分数获得模块11,第二分数获得模块12,第一评级获得模块13,图像信息获得模块14,第二评级获得模块15,报警模块16。
具体实施方式
本申请通过提供了一种服装生产车间安全监测预警方法,用于针对解决现有技术中存在车间安全监测反馈周期长,监测结果不准确的技术问题。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种服装生产车间安全监测预警方法,所述方法包括:
步骤S100:获取生产服装的目标车间内工人对于消防安全的了解程度,并获得第一分数;
进一步的,如图2所示,获取生产服装的目标车间内工人对于消防安全的了解程度,并获得第一分数,本申请实施例步骤S100还包括:
步骤S110:获取所述目标车间内工人对于消防知识的了解程度,获得第一子积分;
步骤S120:获取所述目标车间内工人对于逃生知识的了解程度,获得第二子积分;
步骤S130:对所述第一子积分和第二子积分进行加权计算,获得所述第一分数。
进一步的,获取所述目标车间内工人对于消防知识的了解程度,获得第一子积分,本申请实施例步骤S110还包括:
步骤S111:获取所述目标车间内多个员工对于消防知识的了解程度,获得个体第一子积分集合;
步骤S112:根据所述个体第一子积分集合,计算获得所述第一子积分。
具体而言,所述目标车间是进行服装生产的任意一个生产车间。所述第一分数是对所述目标车间内的工人对于服装生产过程中的消防安全了解的程度进行量化评估后得到的分数,反映了从工人对消防安全的了解程度对车间生产安全的影响程度。其中,所述第一子积分是对所述目标车间工人对消防知识的了解程度进行量化评估的分值。所述第二子积分是对所述目标车间内的工人对于逃生相关知识的了解程度进行量化评估的分值。按照消防安全中消防知识和逃生知识的重要程度进行权重分配,由工作人员设置权重占比,根据权重占比结果对所述第一子积分和所述第二子积分进行加权计算,从而将计算得到的结果作为所述第一分数。
优选的,通过设置消防知识问卷,问卷内容从消防基础知识、消防设备使用、消防装置摆放等角度进行问题设置,对每个问题设置有标准采分点,当问题回答内容与标准采分点一致时可以获得相应的得分。通过将消防知识问卷分发给多个员工,通过将多个员工分隔开单独进行消防知识问卷的填写,再按照标准采分点对填写完的消防知识问卷进行分值统计,得到每个员工的分值情况,将每个员工的分值情况作为所述个体第一子积分集合。其中,所述个体第一子积分集合反映了所述目标车间内多个员工对于消防知识的掌握程度。进而,通过对所述个体第一子积分集合进行均值化处理,得到所述第一子积分。
具体的,通过设立逃生演练,通过请专家对所述目标车间内工人进行逃生演练的操作进行打分,从而得到目标车间内多个员工的逃生演练得分,通过对得分结果进行均值化处理,从而将得分结果的平均值作为所述第二子积分。其中,所述第二子积分是对所述目标车间内工人对于逃生知识的了解程度进行量化评估后,反映员工对于逃生相关知识的掌握程度。
步骤S200:获取所述目标车间内电力线路安全程度的第二分数;
具体而言,对所述目标车间内的电力线路从架空线路、电缆线路两个维度进行线路检查,通过按照预设线路安全评分标准对线路检查的结果从架空线路和电缆线路两个维度分别进行打分,得到架空线路安全评分和电缆线路安全评分。然后通过将所述架空线路安全评分和电缆线路安全评分进行相加,得到所述第二分数。其中,所述第二分数是对所述目标车间内的电力线路安全进行量化评估后得到的分数,反映了车间内的电力线路的安全程度。
步骤S300:将所述第一分数和所述第二分数输入车间安全评分表,获得第一评级;
进一步的,如图3所示,将所述第一分数和所述第二分数输入车间安全评分表,本申请实施例步骤S300还包括:
步骤S310:获取多个样本第一分数和多个样本第二分数;
步骤S320:按照所述多个样本第一分数和多个样本第二分数进行随机组合和划分,获得多个组合评分区间和对应的多个样本第一评级;
步骤S330:根据所述多个组合评分区间和对应的多个样本第一评级,构建所述车间安全评分表;
步骤S340:将所述第一分数和所述第二分数输入所述车间安全评分表进行遍历,获得对应的所述第一评级。
具体而言,所述车间安全评分表是用于对目标车间从消防安全和电力线路安全两个角度进行安全评级的标准化表。所述多个样本第一分数反映了多个样本的消防安全评分,所述多个样本第二分数反映了多个样本的电力线路安全评分。通过以服装生产车间的安全评分为索引,在大数据中进行数据搜索,从而得到所述多个样本第一分数和所述多个样本第二分数。
具体的,通过将所述多个样本第一分数和多个样本第二分数进行随机组合和划分,根据组合结果得到所述多个组合评分区间。其中,所述随机组合是指分别将所述多个样本第一分数和所述多个样本第二分数不放回随机抽取任意两个作为一个区间,得到多个组合评分区间。每一个组合评分区间对应一个样本评分等级,进而,将多个样本分别对应的样本评分等级进行汇总,将等级最低的作为第一评级,从而得到所述多个样本第一评级。其中,所述多个样本第一评级与多个样本一一对应。由此,可以保证对样本的车间安全评价取最可靠的最低值,从而保证评价的准确性。进而,将所述多个组合评分区间和对应的多个样本第一评级,构建所述车间安全评分表。然后,将所述第一分数和所述第二分数输入所述车间安全评分表进行遍历,获得对应的所述第一评级,从而对车间安全进行评级。
步骤S400:获取所述目标车间内的图像信息;
具体而言,利用图像采集装置对目标车间内的不同角落进行图像采集,其中,所述图像采集装置包括摄像机、红外扫描仪等。通过对目标车间进行图像采集得到多个图像信息,进而利用均值滤波法、小波去噪法、高斯滤波法等对多个图像信息进行噪声去除,从而得到多个清晰度较高的图像,将其作为所述图像信息。其中,所述图像信息反映了目标车间内的物品堆放情况。达到了为后续进行车间物料堆放安全的评估提供评估依据的技术效果。
步骤S500:将所述图像信息输入物料堆放安全评分模型,获得第二评级;
进一步的,将所述图像信息输入物料堆放安全评分模型,获得第二评级,本申请实施例步骤S500还包括:
步骤S510:获取所述目标车间此前的多个样本图像信息;
步骤S520:根据所述多个样本图像信息内易燃物的堆放安全程度,进行安全等级标识,获得多个样本第二评级;
步骤S530:采用所述多个样本图像信息和多个样本第二评级,构建所述物料堆放安全评分模型;
步骤S540:将所述图像信息输入所述物料堆放安全评分模型,获得所述第二评级。
进一步的,采用所述多个样本图像信息和多个样本第二评级,构建所述物料堆放安全评分模型,本申请实施例步骤S530还包括:
步骤S531:基于卷积神经网络,构建所述物料堆放安全评分模型,所述物料堆放安全评分模型的输入数据为目标车间的图像信息,输出数据为第二评级;
步骤S532:采用所述多个样本图像信息和多个样本第二评级,对所述物料堆放安全评分模型进行监督训练和验证,直到收敛或模型的准确率达到预设要求,获得所述物料堆放安全评分模型。
具体而言,通过对所述目标车间的生产信息进行采集,得到历史生产过程中的多个样本图像信息。其中,所述多个样本图像信息反映了目标车间之前生产过程中的多个不同生产场景下的物品堆放情况。即通过将对所述多个样本图像信息内的易燃物堆放情况进行信息提取,通过易燃物标识进行信息识别,进而,根据识别信息进行对应等级的安全等级标识。其中,所述安全等级标识是对易燃物的堆放情况进行不同安全级别标识,包括一级、二级、三级,安全等级从一级到三级逐渐递减。从而得到所述多个样本第二评级。其中,所述多个样本第二评级是对多个样本的易燃物堆放安全情况进行等级评价后得到的,反映了不同样本的易燃物堆放安全程度。
具体的,以所述多个样本图像信息和所述多个样本第二评级作为历史数据,将所述历史数据按照一定的比例划分为训练集和验证集。优选的,划分比例由工作人员自行设定,在此不做限制,可以是2:1。进而,利用所述训练集对卷积神经网络框架进行训练,直至将其训练至收敛,得到所述物料堆放安全评分模型。进而,利用所述验证集对收敛的物料堆放安全评分模型进行准确度验证,通过将所述验证集中的多个样本图像信息输入所述物料堆放安全评分模型中,然后输出多个验证样本第二评级,将所述多个验证样本第二评级与验证集中的多个样本第二评级进行匹配,将匹配成功的评级数量比上验证集中的样本总数量,将得到的结果作为所述物料堆放安全评分模型的准确度。进而,当准确度满足要求时,如准确度达到80%以上,则模型通过验证。
具体的,通过将所述图像信息输入所述物料堆放安全评分模型中,经过模型的运算,得到与图像信息对应的车间内易燃物堆放安全程度的评级结果,即所述第二评级。由此,达到了对物料堆放安全程度进行智能化的评分,缩短反馈时间的技术效果。
步骤S600:将所述第一评级和第二评级输入车间安全评价模型,获得车间安全监测结果,并在所述车间安全监测结果超过报警阈值时,进行报警。
进一步的,将所述第一评级和第二评级输入车间安全评价模型,获得车间安全监测结果,本申请实施例步骤S600还包括:
步骤S610:获取多个样本第一评级和多个样本第二评级;
步骤S620:对所述多个样本第一评级和多个样本第二评级进行随机组合和安全评估,获得多个样本车间安全监测结果;
步骤S630:采用所述多个样本第一评级、多个样本第二评级进行随机组合和安全评估和多个样本车间安全监测结果,基于BP神经网络,构建并监督训练获得所述车间安全评价模型;
步骤S640:将所述第一评级和第二评级输入所述车间安全评价模型,获得所述车间安全监测结果。
具体而言,通过对所述目标车间的样本评级信息进行采集,得到历史生产过程中的多个样本第一评级和多个样本第二评级。其中,所述多个样本第一评级反映了目标车间生产过程中的多个样本的车间安全评级情况。所述多个样本第二评级反映了目标车间生产过程中多个样本的物料堆放安全评级情况。所述多个样本车间安全监测结果是对所述多个样本第一评级和多个样本第二评级进行随机组合,即从所述多个样本第一评价中任意选取一评价结果与所述多个样本第二评级进行组合,然后对组合结果进行安全评估,从而得到所述多个样本车间安全监测结果。其中,所述多个样本车间安全监测结果是从车间安全评级和物料堆放安全评级两个角度对车间的安全情况进行监测得到的。所述车间安全监测结果反映了车间内安全进行多维度监测后得到的结果。所述报警阈值是车间出于安全状态的监测结果的最低值,由工作人员设定,当超过报警阈值时,进行报警。
具体的,通过以所述多个样本第一评级、多个样本第二评级进行随机组合和多个样本车间安全监测结果作为训练数据,以多个样本车间安全监测结果作为训练标识,对所述车间安全评价模型的训练过程进行监督。进而,利用所述训练数据对以BP神经网络为基础构建的框架进行训练,并利用训练标识对训练结果进行监督,直至将其训练至收敛,得到所述车间安全评价模型。进而以第一评级和第二评级为输入数据,输入所述车间安全评价模型中,通过模型运算得到所述车间安全监测结果。
综上所述,本申请实施例至少具有如下技术效果:
本申请实施例通过获取生产服装的目标车间内工人对于消防安全的了解程度,对消防安全的掌握程度进行量化评估,得到第一分数,实现了提高评估准确性的目标,进而,获取通过从多个角度对电力线路安全进行评估,得到第二分数,然后利用车间安全评分表对目标车间的车间安全情况进行评级,从而得到第一评级,然后获取目标车间内的图像信息,通过输入物料堆放安全评分模型中经过模型的智能化运算,得到第二评级,进而将第一评级和第二评级输入车间安全评价模型,获得车间安全监测结果,并在车间安全监测结果超过报警阈值时,进行报警。达到了缩短对车间安全监测的反馈周期,提高安全监测质量,提高监测效率的技术效果。
实施例二
基于与前述实施例中一种服装生产车间安全监测预警方法相同的发明构思,如图4所示,本申请提供了一种服装生产车间安全监测预警***,本申请实施例中的***与方法实施例基于同样的发明构思。其中,所述***包括:
第一分数获得模块11,所述第一分数获得模块11用于获取生产服装的目标车间内工人对于消防安全的了解程度,并获得第一分数;
第二分数获得模块12,所述第二分数获得模块12用于获取所述目标车间内电力线路安全程度的第二分数;
第一评级获得模块13,所述第一评级获得模块13用于将所述第一分数和所述第二分数输入车间安全评分表,获得第一评级;
图像信息获得模块14,所述图像信息获得模块14用于获取所述目标车间内的图像信息;
第二评级获得模块15,所述第二评级获得模块15用于将所述图像信息输入物料堆放安全评分模型,获得第二评级;
报警模块16,所述报警模块16用于将所述第一评级和第二评级输入车间安全评价模型,获得车间安全监测结果,并在所述车间安全监测结果超过报警阈值时,进行报警。
进一步的,所述***还包括:
第一子积分获得单元,所述第一子积分获得单元用于获取所述目标车间内工人对于消防知识的了解程度,获得第一子积分;
第二子积分获得单元,所述第二子积分获得单元用于获取所述目标车间内工人对于逃生知识的了解程度,获得第二子积分;
加权计算单元,所述加权计算单元用于对所述第一子积分和第二子积分进行加权计算,获得所述第一分数。
进一步的,所述***还包括:
子积分集合获得单元,所述子积分集合获得单元用于获取所述目标车间内多个员工对于消防知识的了解程度,获得个体第一子积分集合;
第一子积分计算单元,所述第一子积分计算单元用于根据所述个体第一子积分集合,计算获得所述第一子积分。
进一步的,所述***还包括:
样本分数获得单元,所述样本分数获得单元用于获取多个样本第一分数和多个样本第二分数;
样本第一评级获得单元,所述样本第一评级获得单元用于按照所述多个样本第一分数和多个样本第二分数进行随机组合和划分,获得多个组合评分区间和对应的多个样本第一评级;
安全评分表构建单元,所述安全评分表构建单元用于根据所述多个组合评分区间和对应的多个样本第一评级,构建所述车间安全评分表;
分数输入单元,所述分数输入单元用于将所述第一分数和所述第二分数输入所述车间安全评分表进行遍历,获得对应的所述第一评级。
进一步的,所述***还包括:
样本图像信息获得单元,所述样本图像信息获得单元用于获取所述目标车间此前的多个样本图像信息;
样本第二评级获得单元,所述样本第二评级获得单元用于根据所述多个样本图像信息内易燃物的堆放安全程度,进行安全等级标识,获得多个样本第二评级;
安全评分模型构建单元,所述安全评分模型构建单元用于采用所述多个样本图像信息和多个样本第二评级,构建所述物料堆放安全评分模型;
图像信息输入单元,所述图像信息输入单元用于将所述图像信息输入所述物料堆放安全评分模型,获得所述第二评级。
进一步的,所述***还包括:
评分模型构建单元,所述评分模型构建单元用于基于卷积神经网络,构建所述物料堆放安全评分模型,所述物料堆放安全评分模型的输入数据为目标车间的图像信息,输出数据为第二评级;
监督训练单元,所述监督训练单元用于采用所述多个样本图像信息和多个样本第二评级,对所述物料堆放安全评分模型进行监督训练和验证,直到收敛或模型的准确率达到预设要求,获得所述物料堆放安全评分模型。
进一步的,所述***还包括:
样本评级获得单元,所述样本评级获得单元用于获取多个样本第一评级和多个样本第二评级;
监测结果获得单元,所述监测结果获得单元用于对所述多个样本第一评级和多个样本第二评级进行随机组合和安全评估,获得多个样本车间安全监测结果;
安全评价模型构建单元,所述安全评价模型构建单元用于采用所述多个样本第一评级、多个样本第二评级进行随机组合和安全评估和多个样本车间安全监测结果,基于BP神经网络,构建并监督训练获得所述车间安全评价模型;
安全监测结果获得单元,所述安全监测结果获得单元用于将所述第一评级和第二评级输入所述车间安全评价模型,获得所述车间安全监测结果。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种服装生产车间安全监测预警方法,其特征在于,所述方法包括:
获取生产服装的目标车间内工人对于消防安全的了解程度,并获得第一分数;
获取所述目标车间内电力线路安全程度的第二分数;
将所述第一分数和所述第二分数输入车间安全评分表,获得第一评级;
获取所述目标车间内的图像信息;
将所述图像信息输入物料堆放安全评分模型,获得第二评级;
将所述第一评级和第二评级输入车间安全评价模型,获得车间安全监测结果,并在所述车间安全监测结果超过报警阈值时,进行报警。
2.根据权利要求1所述的方法,其特征在于,获取生产服装的目标车间内工人对于消防安全的了解程度,并获得第一分数,包括:
获取所述目标车间内工人对于消防知识的了解程度,获得第一子积分;
获取所述目标车间内工人对于逃生知识的了解程度,获得第二子积分;
对所述第一子积分和第二子积分进行加权计算,获得所述第一分数。
3.根据权利要求2所述的方法,其特征在于,获取所述目标车间内工人对于消防知识的了解程度,获得第一子积分,包括:
获取所述目标车间内多个员工对于消防知识的了解程度,获得个体第一子积分集合;
根据所述个体第一子积分集合,计算获得所述第一子积分。
4.根据权利要求1所述的方法,其特征在于,将所述第一分数和所述第二分数输入车间安全评分表,包括:
获取多个样本第一分数和多个样本第二分数;
按照所述多个样本第一分数和多个样本第二分数进行随机组合和划分,获得多个组合评分区间和对应的多个样本第一评级;
根据所述多个组合评分区间和对应的多个样本第一评级,构建所述车间安全评分表;
将所述第一分数和所述第二分数输入所述车间安全评分表进行遍历,获得对应的所述第一评级。
5.根据权利要求1所述的方法,其特征在于,将所述图像信息输入物料堆放安全评分模型,获得第二评级,包括:
获取所述目标车间此前的多个样本图像信息;
根据所述多个样本图像信息内易燃物的堆放安全程度,进行安全等级标识,获得多个样本第二评级;
采用所述多个样本图像信息和多个样本第二评级,构建所述物料堆放安全评分模型;
将所述图像信息输入所述物料堆放安全评分模型,获得所述第二评级。
6.根据权利要求5所述的方法,其特征在于,采用所述多个样本图像信息和多个样本第二评级,构建所述物料堆放安全评分模型,包括:
基于卷积神经网络,构建所述物料堆放安全评分模型,所述物料堆放安全评分模型的输入数据为目标车间的图像信息,输出数据为第二评级;
采用所述多个样本图像信息和多个样本第二评级,对所述物料堆放安全评分模型进行监督训练和验证,直到收敛或模型的准确率达到预设要求,获得所述物料堆放安全评分模型。
7.根据权利要求1所述的方法,其特征在于,将所述第一评级和第二评级输入车间安全评价模型,获得车间安全监测结果,包括:
获取多个样本第一评级和多个样本第二评级;
对所述多个样本第一评级和多个样本第二评级进行随机组合和安全评估,获得多个样本车间安全监测结果;
采用所述多个样本第一评级、多个样本第二评级进行随机组合和安全评估和多个样本车间安全监测结果,基于BP神经网络,构建并监督训练获得所述车间安全评价模型;
将所述第一评级和第二评级输入所述车间安全评价模型,获得所述车间安全监测结果。
8.一种服装生产车间安全监测预警***,其特征在于,所述***包括:
第一分数获得模块,所述第一分数获得模块用于获取生产服装的目标车间内工人对于消防安全的了解程度,并获得第一分数;
第二分数获得模块,所述第二分数获得模块用于获取所述目标车间内电力线路安全程度的第二分数;
第一评级获得模块,所述第一评级获得模块用于将所述第一分数和所述第二分数输入车间安全评分表,获得第一评级;
图像信息获得模块,所述图像信息获得模块用于获取所述目标车间内的图像信息;
第二评级获得模块,所述第二评级获得模块用于将所述图像信息输入物料堆放安全评分模型,获得第二评级;
报警模块,所述报警模块用于将所述第一评级和第二评级输入车间安全评价模型,获得车间安全监测结果,并在所述车间安全监测结果超过报警阈值时,进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310039423.3A CN116720727A (zh) | 2023-01-12 | 2023-01-12 | 一种服装生产车间安全监测预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310039423.3A CN116720727A (zh) | 2023-01-12 | 2023-01-12 | 一种服装生产车间安全监测预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116720727A true CN116720727A (zh) | 2023-09-08 |
Family
ID=87870266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310039423.3A Pending CN116720727A (zh) | 2023-01-12 | 2023-01-12 | 一种服装生产车间安全监测预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720727A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140456A (zh) * | 2007-10-17 | 2008-03-12 | 王志杰 | 安全生产监控预警*** |
CN110458482A (zh) * | 2019-09-16 | 2019-11-15 | 中电科新型智慧城市研究院有限公司 | 一种基于大数据的消防安全评价能力构建方法 |
CN111523755A (zh) * | 2020-03-14 | 2020-08-11 | 广州融信管理咨询有限公司 | 一种面向生产企业的安全隐患风险定量评估*** |
CN111815177A (zh) * | 2020-07-10 | 2020-10-23 | 杭州海康消防科技有限公司 | 消防安全评估方法、服务器、***及存储介质 |
CN112578748A (zh) * | 2020-11-18 | 2021-03-30 | 马鞍山因特莱信息科技有限公司 | 一种用于电缆生产流程的远程维管*** |
CN112926864A (zh) * | 2021-03-05 | 2021-06-08 | 浪潮云信息技术股份公司 | 基于配置化的风险评估方法及*** |
CN114862167A (zh) * | 2022-04-24 | 2022-08-05 | 张林林 | 一种制造业生产线的生产安全评估管理方法及*** |
CN114973133A (zh) * | 2022-05-25 | 2022-08-30 | 河南鑫安利安全科技股份有限公司 | 一种消防隐患处理方法 |
CN115034571A (zh) * | 2022-05-18 | 2022-09-09 | 山东中烟工业有限责任公司 | 一种烟草安全生产管理监控*** |
CN115311592A (zh) * | 2022-04-02 | 2022-11-08 | 清华大学 | 一种基于计算机视觉技术的施工现场物料安全评估*** |
CN115345228A (zh) * | 2022-08-05 | 2022-11-15 | 航天神舟智慧***技术有限公司 | 一种消防风险识别方法与*** |
CN115394033A (zh) * | 2022-08-26 | 2022-11-25 | 华能核能技术研究院有限公司 | 用于核电厂的智慧消防方法和装置 |
-
2023
- 2023-01-12 CN CN202310039423.3A patent/CN116720727A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140456A (zh) * | 2007-10-17 | 2008-03-12 | 王志杰 | 安全生产监控预警*** |
CN110458482A (zh) * | 2019-09-16 | 2019-11-15 | 中电科新型智慧城市研究院有限公司 | 一种基于大数据的消防安全评价能力构建方法 |
CN111523755A (zh) * | 2020-03-14 | 2020-08-11 | 广州融信管理咨询有限公司 | 一种面向生产企业的安全隐患风险定量评估*** |
CN111815177A (zh) * | 2020-07-10 | 2020-10-23 | 杭州海康消防科技有限公司 | 消防安全评估方法、服务器、***及存储介质 |
CN112578748A (zh) * | 2020-11-18 | 2021-03-30 | 马鞍山因特莱信息科技有限公司 | 一种用于电缆生产流程的远程维管*** |
CN112926864A (zh) * | 2021-03-05 | 2021-06-08 | 浪潮云信息技术股份公司 | 基于配置化的风险评估方法及*** |
CN115311592A (zh) * | 2022-04-02 | 2022-11-08 | 清华大学 | 一种基于计算机视觉技术的施工现场物料安全评估*** |
CN114862167A (zh) * | 2022-04-24 | 2022-08-05 | 张林林 | 一种制造业生产线的生产安全评估管理方法及*** |
CN115034571A (zh) * | 2022-05-18 | 2022-09-09 | 山东中烟工业有限责任公司 | 一种烟草安全生产管理监控*** |
CN114973133A (zh) * | 2022-05-25 | 2022-08-30 | 河南鑫安利安全科技股份有限公司 | 一种消防隐患处理方法 |
CN115345228A (zh) * | 2022-08-05 | 2022-11-15 | 航天神舟智慧***技术有限公司 | 一种消防风险识别方法与*** |
CN115394033A (zh) * | 2022-08-26 | 2022-11-25 | 华能核能技术研究院有限公司 | 用于核电厂的智慧消防方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445106B (zh) | 一种用电采集设备故障处理作业现场安全控制方法及*** | |
CN109726652B (zh) | 一种基于卷积神经网络检测值班人员睡觉行为的方法 | |
CN112580995A (zh) | 施工安全大数据监督***与安全风险动态评估方法 | |
CN114140094B (zh) | 一种食品企业智能化风险监控预警*** | |
CN112488483A (zh) | 一种基于ai技术的ehs透明管理***及管理方法 | |
CN114841660B (zh) | 一种基于现场信息的企业智慧安全管控云平台 | |
CN115550609B (zh) | 一种可实现自动适配的楼宇物联网监控*** | |
CN113283753A (zh) | 施工现场人员安全管理*** | |
CN113344745A (zh) | 基于远程视频监控和云计算的工程项目智慧工地数据采集分析一体化云平台 | |
CN117057644A (zh) | 一种基于特性匹配的设备生产质量检测方法及*** | |
CN117151478B (zh) | 一种基于卷积神经网络的化工企业风险预警方法及*** | |
CN115394036A (zh) | 一种用于建筑火灾的监测和预警方法及*** | |
CN116665401A (zh) | 一种化工生产用防事故报警*** | |
CN115660922A (zh) | 一种基于物联网的智慧安消一体化预警管理*** | |
CN112365186A (zh) | 一种电力信息***健康度评估方法及其评估*** | |
CN116862244A (zh) | 一种工业现场视觉ai分析与安全预警***和方法 | |
CN106327103A (zh) | 一种配电室运行状态的评价***及评价方法 | |
CN116302809A (zh) | 边缘端数据分析计算装置 | |
CN113935571A (zh) | 一种加油站安全风险评估分级方法及*** | |
CN111177468A (zh) | 一种基于机器视觉的实验室人员不安全行为安全检查方法 | |
CN108776453B (zh) | 一种基于计算机的建筑安全监控*** | |
CN117035412A (zh) | 基于bim的预制梁场安全管理模拟*** | |
CN116720727A (zh) | 一种服装生产车间安全监测预警方法及*** | |
CN112613476A (zh) | 一种基于机器视觉自动检测工人不安全行为的方法 | |
CN116859842A (zh) | 一种化工生产线安全评估*** |
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 |