CN117496431A - 一种基于室内外定位***的户外作业安全监测方法 - Google Patents
一种基于室内外定位***的户外作业安全监测方法 Download PDFInfo
- Publication number
- CN117496431A CN117496431A CN202311456064.8A CN202311456064A CN117496431A CN 117496431 A CN117496431 A CN 117496431A CN 202311456064 A CN202311456064 A CN 202311456064A CN 117496431 A CN117496431 A CN 117496431A
- Authority
- CN
- China
- Prior art keywords
- staff
- data
- worker
- indoor
- risk
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 78
- 238000005516 engineering process Methods 0.000 claims abstract description 46
- 238000013468 resource allocation Methods 0.000 claims abstract description 43
- 238000012502 risk assessment Methods 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 58
- 238000011156 evaluation Methods 0.000 claims description 35
- 230000003993 interaction Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 13
- 230000003245 working effect Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000000547 structure data Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 208000030251 communication disease Diseases 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/12—Systems for determining distance or velocity not using reflection or reradiation using electromagnetic waves other than radio waves
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- 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
- G06Q50/08—Construction
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Radar, Positioning & Navigation (AREA)
- Electromagnetism (AREA)
- Biophysics (AREA)
Abstract
本申请提供一种基于室内外定位***的户外作业安全监测方法,包括:根据工作区域的实时监测数据,结合室内外定位技术,精确判断工作人员的位置分布;利用室内外定位技术的输出数据,结合时间序列分析,动态分析工作人员的移动轨迹,预测其短时间内的活动范围;根据工作人员的预测活动范围和室内外定位数据,构建工作区域风险评估模型,分析是否存在物体掉落风险;当物体掉落风险被检测出,立即向相关工作人员发送安全警告信息;根据工作人员的未来工作内容、安全影响和室内外定位数据,对工作区域进行资源分配和人员调度;结合障碍物检测结果、工作人员的活动范围和室内外定位数据,调整工作区域的资源分配,优化工作流程。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种基于室内外定位***的户外作业安全监测方法。
背景技术
随着现代工程和建筑业的快速发展,户外作业的安全问题日益受到重视。尤其在建筑工地、桥梁维修、大型设备安装等环境中,工作人员可能面临多种潜在风险,如设备碰撞、物体掉落和人员伤害。为了提高工作效率并确保工作安全,必须对这些风险因素进行实时监测和预警。过去,户外作业的安全主要依赖人工巡查和定期培训。但随着技术的进步,数字化和自动化技术在户外作业安全中的应用变得越来越普及。传统的安全监测方法如CCTV摄像头***,虽然能够提供实时视频监控,但往往在预测和预警方面存在局限性。它们通常无法准确地预测工作人员的下一步行动,更不用说对即将发生的危险进行预警。近年来,室内外定位技术的发展为户外作业安全监测带来了新的机会。通过精确地追踪工作人员和设备的位置,可以实时了解工地上的活动情况。然而,仅仅依靠定位数据仍然无法实现对动态盲区的预测,这些盲区是工作人员在某些情况下可能无法看到或预测的区域,如由移动设备或临时建筑物形成的视线遮挡。此外,传统的工作分配方式往往基于工作人员的经验和职责,而不是其实际的技能或当前的工作需求。这可能导致工作内容与工人技能的不匹配,从而影响工作效率和安全性。因此,结合最新的技术发展,为户外作业打造一个全面、智能的安全监测***已经成为行业的首要任务。
发明内容
本发明提供了一种基于室内外定位***的户外作业安全监测方法,主要包括:
根据工作区域的实时监测数据,结合室内外定位技术,精确判断工作人员的位置分布;利用室内外定位技术的输出数据,结合时间序列分析,动态分析工作人员的移动轨迹,预测其短时间内的活动范围;根据工作人员的预测活动范围和室内外定位数据,构建工作区域风险评估模型,分析是否存在物体掉落风险;使用物体掉落风险的分析结果,结合室内外定位数据,判断工作人员之间是否有上下作业关系,并实时监测物体掉落的可能性;当物体掉落风险被检测出,立即向相关工作人员发送安全警告信息;采用时间序列分析,利用室内外定位技术的数据和前述的工作人员活动范围预测,预测每个工作人员未来的工作内容,并判断其对其他人的安全影响;根据工作人员的未来工作内容、安全影响和室内外定位数据,对工作区域进行资源分配和人员调度;基于资源分配、人员调度的输出和室内外定位技术,对每个工作人员的工作区域进行障碍物检测,避免工作干扰和物体碰撞风险;结合障碍物检测结果、工作人员的活动范围和室内外定位数据,调整工作区域的资源分配,优化工作流程。
进一步地,所述根据工作区域的实时监测数据,结合室内外定位技术,精确判断工作人员的位置分布,包括:
通过高分辨率摄像头,获取实时监测数据;利用YOLOv3算法,标识视频中的人形轮廓,过滤出工作人员的特征,并与背景进行区分;采用室内外定位技术,获取人员的位置信息,将物体检测结果与人员定位数据相匹配;通过卡尔曼滤波器对位置信息进行修正;结合人形识别结果和修正后的定位数据,确认每位工作人员的精确坐标;根据区域、楼层或工作组的标签,对每位工作人员的位置进行归类,存储分类数据;使用核密度估计方法计算各区域的人员密度,对密度高于预设阈值的区域进行标记;针对高密度区域,应用Lucas-Kanade光流法,获取工作人员的移动路径,判断各工作人员的相互距离和潜在冲突点;获取每位工作人员在工作区域内的移动轨迹、停留点、互动点;使用Apriori算法,确定在相似环境和任务下,工作人员的常见行为模式;根据关联规则学习的结果,预测工作人员的未来位置和潜在行为;通过matplotlib生成最终的工作人员位置分布图,展现工作人员的实时和历史分布。
进一步地,所述利用室内外定位技术的输出数据,结合时间序列分析,动态分析工作人员的移动轨迹,预测其短时间内的活动范围,包括:
利用室内外定位技术,获取工作人员的室内移动数据和室外移动数据;将室内和室外的移动数据合并,获得完整的移动轨迹;对数据进行清洗,移除异常值或重复数据,进行时间标准化处理;使用指数平滑方法,确定工作人员的长期移动趋势,识别指定时间段内的重复移动模式;根据提取的活动模式和趋势,使用K-means算法进行模型训练,识别主要的活动区域;根据各活动区域的停留时间和访问频率,确定工作人员在指定时间段的主要活动点;根据工作人员的长期移动趋势,利用ARIMA算法,预测工作人员在短时间内的移动趋势;结合预测结果和已知的移动轨迹,确定工作人员的短期活动范围。
进一步地,所述根据工作人员的预测活动范围和室内外定位数据,构建工作区域风险评估模型,分析是否存在物体掉落风险,包括:
通过室内定位数据和室外定位数据,得到工作人员完整的定位数据;根据工作人员定位数据,应用长短期记忆网络算法,对工作人员在接下来时间的行动路线进行预测;对预测的行动路线进行与高风险区域的交集分析,确定可能进入的高风险区域,其中高风险区域包括楼梯口、窗户边、边缘、高空区域;利用传感器或视频监控,实时追踪工作人员在高风险区域的活动状态;当工作人员进入高风险区域时,实时评估物体掉落的概率;获取建筑工地的三维模型数据,识别其中的危险点,包括障碍物、悬空区域;结合工人的移动轨迹与危险点,评估物体掉落或其他风险;根据危险点的空间结构数据、工人活动和历史事故数据,使用支持向量机,构建工作区域风险评估模型,进行风险评估,包括高风险、中风险、低风险;若预测出高风险,实时警报并记录事件;定期根据实际发生的事件,调整和优化风险评估的标准和参数。
进一步地,所述使用物体掉落风险的分析结果,结合室内外定位数据,判断工作人员之间是否有上下作业关系,并实时监测物体掉落的可能性,包括:
使用工作区域风险评估模型,得到每个工作区域的风险评级;通过室内外定位数据,获取工作人员的实时位置;根据风险评级和工作人员的位置,构建输入数据集,将工作区域划分为上下两层,根据实时位置数据,为每个工作人员标记其所在的层级;使用KNN算法判断上层和下层之间的工作人员是否存在上下作业关系;采用实时监测机制,对工作区域进行持续的物体移动情况监测,采用光流法,实时识别物体的移动,并通过物体的当前位置、速度、加速度预测其落点;根据预测落点和工作人员位置,判断是否存在物体掉落的可能性和可能影响的工作人员;若物体的预测落点与工作人员的位置距离小于预设阈值,标记为高风险;根据预测落点和工作人员位置数据,结合风险评级,更新工作人员的安全状态;若检测到高风险状态,根据所有与检测到的高风险状态有关的信息,使用NLP的自动摘要技术生成完整的风险评估报告;还包括:预测即将形成的动态盲区,并对工作人员发出警告。
所述预测即将形成的动态盲区,并对工作人员发出警告,具体包括:
获取工作环境中的实时数据流,包括设备和人员的位置、速度和轨迹。使用SORT跟踪算法,实时检测可能产生动态盲区的活动或对象,得到动态盲区生成因素的实时记录。根据动态盲区生成因素的实时记录,利用长短期记忆网络算法,基于过去的数据预测未来可能形成的动态盲区,得到动态盲区的预测图。根据动态盲区的预测图和当前的工作流,重新配置工作流或人员的任务分配,得到优化后的工作流。根据动态盲区的预测图,若工作人员或设备进入预测的动态盲区或与预测的动态盲区距离小于预设阈值,立即发出警告。
进一步地,所述当物体掉落风险被检测出,立即向相关工作人员发送安全警告信息,包括:
获取过往的物体掉落事件数据,包括环境参数、物体特性,清洗、归一化和标注数据;根据处理过的数据,使用支持向量机算法,训练物体掉落风险检测模型;使用高精度传感器实时获取环境数据,根据物体掉落风险检测模型,得到物体掉落风险级别;判定物体掉落风险级别超过预设阈值,则触发安全警告生成流程;通过访问工作人员数据库,获取可能受到影响的工作人员的联系方式;使用推送服务,基于获取的联系方式,将安全警告传递给目标工作人员;若出现通讯障碍,***监控通讯状态,并自动重试发送警告,直到成功或达到预设的尝试次数。
进一步地,所述采用时间序列分析,利用室内外定位技术的数据和前述的工作人员活动范围预测,预测每个工作人员未来的工作内容,并判断其对其他人的安全影响,包括:
获取工作人员的历史活动范围数据,使用ARIMA算法,对历史数据进行处理,提取关键特征,包括活动持续时间、活动范围大小、频率;利用室内外定位技术,获取工作人员的实时位置信息;将实时位置数据与历史活动数据的关键特征进行融合,利用循环神经网络算法,构建工作人员行为模型,预测工作人员未来的工作内容;根据预测结果,绘制每个工作人员的未来活动轨迹;根据每个工作人员的未来活动轨迹,确定工作人员之间的空间交叉点,获取其互动关系并评估交互的复杂性,其中,交叉点为共同使用的工具或设备区域;根据工作人员的互动复杂性和安全评估因素,计算每个工作人员对其他人的安全影响指数;根据安全影响指数,将工作人员分类为安全或潜在风险;当工作人员状态为潜在风险时,自动生成安全建议,并通过通信渠道,将安全建议下发给相关工作人员;还包括:根据工作人员的位置、互动记录、工作性质数据,计算每个工作人员对其他人的安全影响指数。
所述根据工作人员的位置、互动记录、工作性质数据,计算每个工作人员对其他人的安全影响指数,具体包括:
根据工作人员之间的工作依赖性、相互接触的频率,确定互动复杂性;获取工作人员的安全评估因素,包括空间接近度、工作性质、历史安全记录,其中,通过工作人员之间的物理距离,确定空间接近度;根据每个因素对安全性的影响程度分配权重;获取工作人员的位置、互动记录、工作性质数据;对于每个工作人员,根据公式安全影响指数=∑(评估因素值×权重),将得到的值归一化到0-1范围内,得到每个工作人员的安全影响指数。
进一步地,所述根据工作人员的未来工作内容、安全影响和室内外定位数据,对工作区域进行资源分配和人员调度,包括:
获取所有的工作内容,根据工作内容的重要性和紧急程度为每个工作内容分配权重,根据重要性和紧急程度进行排序;根据室内外定位数据和安全影响数据,使用K-means算法,为每个工作区域分配一个安全级别标签,包括高风险、中风险、低风险;根据工作内容权重以及工作区域的安全级别标签,为每个资源分配一个优先级;根据工作内容分类与其权重,以及工作区域的安全级别标签,对资源进行优先级排序,并确定资源优先级,包括高优先级,中优先级,低优先级;分配高优先级的资源到相应的工作区域,并确保与安全级别标签匹配;若某个高优先级区域的资源不足,则从中优先级或低优先级区域调配;通过室内外定位数据,确定工作人员的初始位置;根据工作人员的初始位置和工作内容的权重,为每个工作人员分配具体的任务;根据任务分配结果,对工作人员进行调度,确保人员与资源之间的匹配性;还包括:评估工作内容与工作人员技能匹配度,根据工作的紧急程度和重要性进行微调。
所述评估工作内容与工作人员技能匹配度,根据工作的紧急程度和重要性进行微调,具体包括:
获取每个工作人员的技能评估表并验证其完整性。根据各项技能的实际应用频率和重要性,对技能评估表中的每项技能进行打分。使用加权平均法,根据每项技能的分数和其重要性,计算出工作人员的综合技能分数S(i)。根据每个工作内容,确定所需的技能类型和级别。设定技能需求指标,包括经验年数、证书,并为其设定权重。根据工作内容所需的技能指标和权重,计算出工作内容的技能需求度T(j)。从数据库中提取每个工作人员的技能分数和每个工作内容的技能需求度。评估工作人员过去完成相似工作内容的效率,计算其历史效率E(i,j)。使用公式M(i,j)=S(i)×T(j)×E(i,j),为每个工作人员和工作内容计算匹配度。将计算出的匹配度结果存储在矩阵中,并在***中可视化。基于匹配度矩阵为每个工作人员分配与其技能最匹配的工作内容。根据工作的紧急程度和重要性进行微调,在***中为每个工作人员生成其工作任务列表,并向工作人员发送工作任务通知。
进一步地,所述基于资源分配、人员调度的输出和室内外定位技术,对每个工作人员的工作区域进行障碍物检测,避免工作干扰和物体碰撞风险,包括:
获取资源分配数据,根据每个工作内容需要的资源数量和种类,为每位工作人员分配任务和工作区域;使用室内外定位技术的传感器,获取工作人员实时位置信息;根据工作区域内的图像,使用YOLO算法进行模型的预训练,识别工作区域内的障碍物;使用预训练的YOLO模型,对工作区域进行扫描,检测工作区域内的障碍物,并标记其位置;为卡尔曼滤波器设置初始状态,包括当前的位置和速度估计;使用卡尔曼滤波器,基于在上一时刻,工作人员或障碍物的估计位置以及速度和在当前时刻,工作人员或障碍物的估计位置以及速度,预测工作人员和障碍物在未来的位置,并获得预测的轨迹或路径,显示工作人员和障碍物预期移动的方向和速度;若在预测的轨迹中,工作人员和障碍物的距离小于预设的安全阈值,则判定为可能的碰撞风险;若某个工作区域的风险超过安全阈值,则重新进行该工作区域的资源分配;若资源重分配不可行,则根据风险评估结果,重新安排工作人员的任务位置和时间,确保避免高风险区域;当***预测到一个碰撞风险时,立即通过声音、振动或可视通知的方式,向相关工作人员发送警告通知。
进一步地,所述结合障碍物检测结果、工作人员的活动范围和室内外定位数据,调整工作区域的资源分配,优化工作流程,包括:
根据室内外的视频流或图像数据,使用预训练的YOLO模型,对视频或图像中的障碍物进行标记和分类,得到室内外的障碍物位置和类型;根据室内外的传感器数据,确定每位工作人员的实时位置和活动范围;根据障碍物位置、工作人员活动范围,计算工作区域中可用的空间和资源,与障碍物和工作人员的活动范围进行比较,确定资源利用率;根据资源利用率数据,预定的阈值比较,确定当前资源分配是否合理;若当前资源分配不合理,则根据当前的资源分配数据,使用线性规划算法,根据当前的障碍物分布和工作人员活动范围,调整资源分配,得到新的资源分配方案;模拟新的资源分配下的工作流程,确定是否有效率问题;若工作流程存在效率问题,根据工作人员定位和障碍物分布进行工作流程调整;根据工作人员活动范围、新的工作流程方案,使用工作流程模拟工具Arena,模拟工作流程,计算效率指标,得到新工作流程的效率评估;根据旧工作流程、新的工作流程、效率评估结果,对比两种工作流程的效率、风险,得到工作流程优化的效果评估。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明提供了一种基于室内外定位***的户外作业安全监测方法,能够实时、精确地捕捉到工作人员的位置及活动轨迹,并根据此数据进行动态盲区的预测和风险预警。更为先进的是,***还能根据预测数据对每位工作人员的未来工作内容进行预测,确保其与工作人员的技能和经验相匹配,从而降低潜在风险。此外,为了优化工作流程并提高效率,该方法还能进行智能资源分配和人员调度,同时通过物体检测避免潜在的工作干扰和碰撞风险。总的来说,本发明提供了一个全方位、多维度的户外作业安全解决方案,显著提高了工作效率和安全性,对现代工程和建筑业的安全管理带来了革命性的创新。
附图说明
图1为本发明的一种基于室内外定位***的户外作业安全监测方法的流程图。
图2为本发明的一种基于室内外定位***的户外作业安全监测方法的示意图。
图3为本发明的一种基于室内外定位***的户外作业安全监测方法的又一示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
本实施例一种基于室内外定位***的户外作业安全监测方法具体可以包括:
S101、根据工作区域的实时监测数据,结合室内外定位技术,精确判断工作人员的位置分布。
通过高分辨率摄像头,获取实时监测数据。利用YOLOv3算法,标识视频中的人形轮廓,过滤出工作人员的特征,并与背景进行区分。采用室内外定位技术,获取人员的位置信息,将物体检测结果与人员定位数据相匹配。通过卡尔曼滤波器对位置信息进行修正。结合人形识别结果和修正后的定位数据,确认每位工作人员的精确坐标。根据区域、楼层或工作组的标签,对每位工作人员的位置进行归类,存储分类数据。使用核密度估计方法计算各区域的人员密度,对密度高于预设阈值的区域进行标记。针对高密度区域,应用Lucas-Kanade光流法,获取工作人员的移动路径,判断各工作人员的相互距离和潜在冲突点。获取每位工作人员在工作区域内的移动轨迹、停留点、互动点;使用Apriori算法,确定在相似环境和任务下,工作人员的常见行为模式;根据关联规则学***方米。对密度高于预设阈值的区域进行标记,如将"B区域,2楼"标记为高密度区域。针对高密度区域,应用Lucas-Kanade光流法,获取工作人员的移动路径,判断各工作人员的相互距离和潜在冲突点,根据光流法分析得到两个工作人员之间的距离为2米,存在潜在冲突点。获取每位工作人员在工作区域内的移动轨迹、停留点、互动点,得到记录工作人员A在"B区域,2楼"的移动轨迹为[(5,8),(7,9),(9,0)],停留点为[(7,9)],与工作人员B的互动点为[(7,9)]。使用Apriori算法,确定在相似环境和任务下,工作人员的常见行为模式,根据Apriori算法分析,工作人员在"B区域,2楼"的常见行为模式为先移动到(7,9)停留,然后再移动到其他位置。根据关联规则学习的结果,预测工作人员的未来位置和潜在行为,得到根据学习得到的关联规则,预测工作人员A下一步可能移动到(0,1)的位置,并可能与工作人员C发生互动。通过matplotlib生成最终的工作人员位置分布图,展现工作人员的实时和历史分布,生成一张图表,横轴表示时间,纵轴表示位置坐标,通过连线和标记点展示工作人员的移动轨迹和停留点。
S102、利用室内外定位技术的输出数据,结合时间序列分析,动态分析工作人员的移动轨迹,预测其短时间内的活动范围。
利用室内外定位技术,获取工作人员的室内移动数据和室外移动数据。将室内和室外的移动数据合并,获得完整的移动轨迹。对数据进行清洗,移除异常值或重复数据,进行时间标准化处理。使用指数平滑方法,确定工作人员的长期移动趋势,识别指定时间段内的重复移动模式;根据提取的活动模式和趋势,使用K-means算法进行模型训练,识别主要的活动区域;根据各活动区域的停留时间和访问频率,确定工作人员在指定时间段的主要活动点。根据工作人员的长期移动趋势,利用ARIMA算法,预测工作人员在短时间内的移动趋势。结合预测结果和已知的移动轨迹,确定工作人员的短期活动范围。例如,有一家大型办公楼,想要分析工作人员在室内外的移动轨迹和活动范围。利用室内外定位技术,可以获取每个工作人员的位置数据。获取到室内移动数据,工作人员在办公室内移动到位置A、位置B。获取到室外移动数据,工作人员在楼外移动到位置X、位置Y。将室内和室外的移动数据进行合并,得到完整的移动轨迹,因此,工作人员在时间段1内先在办公室内移动到位置A,然后在时间段2内在室外移动到位置X。对于移动数据中的异常值或重复数据进行清洗,确保数据的准确性和完整性。将不同时间段的移动数据进行标准化处理,如将时间段1和时间段2的时间转换为统一的时间单位,比如分钟。使用指数平滑方法确定工作人员的长期移动趋势,如通过对工作人员在不同时间段的移动数据进行指数平滑,得到每个时间段的移动趋势。通过分析工作人员的移动数据,发现某个时间段内工作人员每天都在同一位置附近移动,可以识别为重复移动模式。使用K-means算法进行模型训练,识别工作人员的主要活动区域,如将工作人员的移动数据进行聚类分析,得到不同的活动区域。根据各活动区域的停留时间和访问频率,确定工作人员在指定时间段的主要活动点,因此通过分析工作人员在不同活动区域的停留时间和访问频率,确定工作人员在某个时间段的主要活动点为位置A和位置X。通过ARIMA模型分析工作人员的长期移动趋势,预测接下来的短期移动趋势。结合预测结果和已知的移动轨迹,确定工作人员的短期活动范围,如根据预测的移动趋势和已知的移动轨迹,可以确定工作人员在接下来的时间段内可能会在位置B和位置Y附近活动。
S103、根据工作人员的预测活动范围和室内外定位数据,构建工作区域风险评估模型,分析是否存在物体掉落风险。
通过室内定位数据和室外定位数据,得到工作人员完整的定位数据。根据工作人员定位数据,应用长短期记忆网络算法,对工作人员在接下来时间的行动路线进行预测。对预测的行动路线进行与高风险区域的交集分析,确定可能进入的高风险区域,其中高风险区域包括楼梯口、窗户边、边缘、高空区域。利用传感器或视频监控,实时追踪工作人员在高风险区域的活动状态。当工作人员进入高风险区域时,实时评估物体掉落的概率。获取建筑工地的三维模型数据,识别其中的危险点,包括障碍物、悬空区域。结合工人的移动轨迹与危险点,评估物体掉落或其他风险。根据危险点的空间结构数据、工人活动和历史事故数据,使用支持向量机,构建工作区域风险评估模型,进行风险评估,包括高风险、中风险、低风险。若预测出高风险,实时警报并记录事件。定期根据实际发生的事件,调整和优化风险评估的标准和参数。例如,根据工作人员的移动轨迹数据,预测工作人员的下一步行动路线。根据历史数据分析,工作人员在某一时间段内往往会从办公区域移动到工作区域,然后再移动到储物区域。根据室内定位数据和室外定位数据,确定工作人员当前位置。通过Wi-Fi信号强度和蓝牙信号强度分析,确定工作人员当前在某一区域内。使用长短期记忆网络算法,对工作人员接下来的时间内的行动路线进行预测。根据过去一小时内的行动路线和时间,预测工作人员在接下来半小时内会前往办公区域。根据预测的行动路线与高风险区域的交集分析,确定可能进入的高风险区域。根据建筑工地的三维模型数据,识别楼梯口、窗户边、边缘、高空区域为高风险区域。利用传感器或视频监控,实时追踪工作人员在高风险区域的活动状态。通过视频监控检测工作人员是否进入高风险区域,并记录活动状态。当工作人员进入高风险区域时,实时评估物体掉落的概率。通过传感器检测工作人员是否接近悬空区域,并结合物体重量和高度评估物体掉落的概率。结合工人的移动轨迹与危险点,评估物体掉落或其他风险。根据工人的移动轨迹和悬空区域的位置,评估物体掉落的可能性。使用支持向量机,构建工作区域风险评估模型,进行风险评估。根据危险点的空间结构数据、工人活动和历史事故数据,建立风险评估模型,将工作区域划分为高风险、中风险、低风险区域。若预测出高风险,实时警报并记录事件。当预测出工作人员将进入高风险区域时,发送警报通知相关人员并记录事件。定期根据实际发生的事件,调整和优化风险评估的标准和参数。根据实际发生的物体掉落事件,对风险评估模型中的物体掉落概率和危险点位置进行调整和优化。
S104、使用物体掉落风险的分析结果,结合室内外定位数据,判断工作人员之间是否有上下作业关系,并实时监测物体掉落的可能性。
使用工作区域风险评估模型,得到每个工作区域的风险评级。通过室内外定位数据,获取工作人员的实时位置。根据风险评级和工作人员的位置,构建输入数据集,将工作区域划分为上下两层,根据实时位置数据,为每个工作人员标记其所在的层级。使用KNN算法判断上层和下层之间的工作人员是否存在上下作业关系。采用实时监测机制,对工作区域进行持续的物体移动情况监测,采用光流法,实时识别物体的移动,并通过物体的当前位置、速度、加速度预测其落点。根据预测落点和工作人员位置,判断是否存在物体掉落的可能性和可能影响的工作人员。若物体的预测落点与工作人员的位置距离小于预设阈值,标记为高风险。根据预测落点和工作人员位置数据,结合风险评级,更新工作人员的安全状态。若检测到高风险状态,根据所有与检测到的高风险状态有关的信息,使用NLP的自动摘要技术生成完整的风险评估报告。例如,使用工作区域风险评估模型对一个工作区域进行评估,得到该工作区域的风险评级为3,风险等级从1到5,5为最高风险。根据室内外定位数据,得到工作人员A的实时位置为(20,30)。根据风险评级和工作人员位置,构建输入数据集,将工作区域划分为上下两层。若上层的工作区域为坐标范围(0,0)到(50,50),下层的工作区域为坐标范围(0,0)到(100,100);使用KNN算法判断工作人员A所在的层级。计算工作人员A与上下层的距离,若上层与工作人员A的距离为10,下层与工作人员A的距离为5。根据最近邻算法,工作人员A距离下层更近,因此将其标记为下层的工作人员。采用实时监测机制,使用光流法进行物体移动情况监测。若监测到一个物体的光流向量为(2,-1),表示物体在X轴方向上的速度为2,Y轴方向上的速度为-1,根据物体的当前位置、速度、加速度预测其落点。若物体当前位置为(50,40),速度为(2,-1),加速度为(0,0),根据物体的速度和加速度,预测其在下一时刻的位置为(52,39)。根据预测落点和工作人员A的位置,判断是否存在物体掉落的可能性和可能影响的工作人员,若预测落点与工作人员A的位置距离为8,小于预设阈值10,因此认为可能存在物体掉落的风险。根据预测落点和工作人员A的位置数据,结合风险评级,更新工作人员A的安全状态,因此将工作人员A的安全状态标记为高风险。若检测到高风险状态,根据所有与检测到的高风险状态有关的信息,使用NLP的自动摘要技术生成完整的风险评估报告。生成的报告中包括工作区域的风险评级为3,工作人员A位于下层,存在物体掉落风险等信息。
预测即将形成的动态盲区,并对工作人员发出警告。
获取工作环境中的实时数据流,包括设备和人员的位置、速度和轨迹。使用SORT跟踪算法,实时检测可能产生动态盲区的活动或对象,得到动态盲区生成因素的实时记录。根据动态盲区生成因素的实时记录,利用长短期记忆网络算法,基于过去的数据预测未来可能形成的动态盲区,得到动态盲区的预测图。根据动态盲区的预测图和当前的工作流,重新配置工作流或人员的任务分配,得到优化后的工作流。根据动态盲区的预测图,若工作人员或设备进入预测的动态盲区或与预测的动态盲区距离小于预设阈值,立即发出警告。例如,使用工作区域风险评估模型对一个工作区域进行评估,得到该工作区域的风险评级为3,风险等级从1到5,5为最高风险。根据室内外定位数据,得到工作人员A的实时位置为(20,30)。根据风险评级和工作人员位置,构建输入数据集,将工作区域划分为上下两层。若上层的工作区域为坐标范围(0,0)到(50,50),下层的工作区域为坐标范围(0,0)到(100,100);使用KNN算法判断工作人员A所在的层级。计算工作人员A与上下层的距离,若上层与工作人员A的距离为10,下层与工作人员A的距离为5。根据最近邻算法,工作人员A距离下层更近,因此将其标记为下层的工作人员。采用实时监测机制,使用光流法进行物体移动情况监测。若监测到一个物体的光流向量为(2,-1),表示物体在X轴方向上的速度为2,Y轴方向上的速度为-1,根据物体的当前位置、速度、加速度预测其落点。若物体当前位置为(50,40),速度为(2,-1),加速度为(0,0),根据物体的速度和加速度,预测其在下一时刻的位置为(52,39)。根据预测落点和工作人员A的位置,判断是否存在物体掉落的可能性和可能影响的工作人员,若预测落点与工作人员A的位置距离为8,小于预设阈值10,因此认为可能存在物体掉落的风险。根据预测落点和工作人员A的位置数据,结合风险评级,更新工作人员A的安全状态,因此将工作人员A的安全状态标记为高风险。若检测到高风险状态,根据所有与检测到的高风险状态有关的信息,使用NLP的自动摘要技术生成完整的风险评估报告。生成的报告中包括工作区域的风险评级为3,工作人员A位于下层,存在物体掉落风险等信息。
S105、当物体掉落风险被检测出,立即向相关工作人员发送安全警告信息。
获取过往的物体掉落事件数据,包括环境参数、物体特性,清洗、归一化和标注数据。根据处理过的数据,使用支持向量机算法,训练物体掉落风险检测模型。使用高精度传感器实时获取环境数据,根据物体掉落风险检测模型,得到物体掉落风险级别。判定物体掉落风险级别超过预设阈值,则触发安全警告生成流程。通过访问工作人员数据库,获取可能受到影响的工作人员的联系方式。使用推送服务,基于获取的联系方式,将安全警告传递给目标工作人员。若出现通讯障碍,***监控通讯状态,并自动重试发送警告,直到成功或达到预设的尝试次数。例如,在一个工作区域内安装高精度传感器来实时监测环境参数,如风速,温度、湿度、光照。安装摄像头或其他传感器来监测物体的位置和特性,如尺寸、重量。使用数据记录设备,记录过往的物体掉落事件,包括事件的时间、地点、物体特性、环境参数等信息。清洗数据,删除异常值或不完整的记录,对数据进行归一化处理,确保不同传感器的数据具有一致的尺度和单位。为每个事件标注风险级别,风险级别可以分为低、中、高等级。使用支持向量机算法训练物体掉落风险检测模型,输入包括环境参数和物体特性,输出为风险级别。划分数据集为训练集和测试集,用于评估模型性能。部署实时监测***,不断采集环境数据,并输入到训练好的SVM模型中,得到物体掉落风险级别。设定预设的阈值,如果风险级别超过阈值,则触发安全警告生成流程。访问工作人员数据库,根据监测到的风险级别,确定哪些工作人员可能受到影响。获取目标工作人员的联系方式,例如电子邮件地址或手机号码。使用推送服务,向目标工作人员发送安全警告,包括事件信息和建议行动。监控通讯状态,如果出现通讯障碍,***会自动重试发送警告,直到成功或达到预设的尝试次数为止,以确保工作人员能够及时获得警告信息。
S106、采用时间序列分析,利用室内外定位技术的数据和前述的工作人员活动范围预测,预测每个工作人员未来的工作内容,并判断其对其他人的安全影响。
获取工作人员的历史活动范围数据,使用ARIMA算法,对历史数据进行处理,提取关键特征,包括活动持续时间、活动范围大小、频率;利用室内外定位技术,获取工作人员的实时位置信息。将实时位置数据与历史活动数据的关键特征进行融合,利用循环神经网络算法,构建工作人员行为模型,预测工作人员未来的工作内容。根据预测结果,绘制每个工作人员的未来活动轨迹。根据每个工作人员的未来活动轨迹,确定工作人员之间的空间交叉点,获取其互动关系并评估交互的复杂性,其中,交叉点为共同使用的工具或设备区域。根据工作人员的互动复杂性和安全评估因素,计算每个工作人员对其他人的安全影响指数。根据安全影响指数,将工作人员分类为安全或潜在风险。当工作人员状态为潜在风险时,自动生成安全建议,并通过通信渠道,将安全建议下发给相关工作人员例如,获取了工作人员A的历史活动范围数据,并使用ARIMA算法对其进行处理。在分析中,提取了关键特征活动持续时间,根据历史数据,计算出工作人员A的平均活动持续时间为5小时。通过历史数据,确定工作人员A的活动范围平均为500平方米。根据历史数据,计算出工作人员A每天平均进行10次活动。同时,利用室内外定位技术获取工作人员A的实时位置信息,并将其与历史活动数据的关键特征进行融合。通过循环神经网络算法,构建了工作人员A的行为模型,以预测其未来的工作内容。根据预测结果,可以绘制工作人员A的未来活动轨迹。若根据模型预测,工作人员A将在下午2点到4点期间在A办公区域工作,然后在4点30分到6点30分期间前往B办公区域。根据工作人员A的未来活动轨迹,可以确定工作人员之间的空间交叉点,因此,A办公区域和B办公区域将是工作人员A和B的交叉点,因为他们将在相同的时间段内在这些区域工作,这些交叉点可以表示为共同使用的工具或设备区域。为了评估交互的复杂性,考虑了工作人员的互动复杂性和其他安全评估因素,计算了工作人员A对其他人的安全影响指数,若工作人员A的安全影响指数为0.8。根据安全影响指数,将工作人员分类为安全或潜在风险。如果工作人员A的安全影响指数高于某个阈值0.7,则将其分类为潜在风险。当工作人员被分类为潜在风险时,***会自动生成相应的安全建议,并通过通信渠道将安全建议下发给相关工作人员。对于工作人员A,***可能生成建议,要求他在交叉点区域使用防护设备,以减少潜在风险。
根据工作人员的位置、互动记录、工作性质数据,计算每个工作人员对其他人的安全影响指数。
根据工作人员之间的工作依赖性、相互接触的频率,确定互动复杂性;获取工作人员的安全评估因素,包括空间接近度、工作性质、历史安全记录,其中,通过工作人员之间的物理距离,确定空间接近度;根据每个因素对安全性的影响程度分配权重;获取工作人员的位置、互动记录、工作性质数据;对于每个工作人员,根据公式安全影响指数=∑(评估因素值×权重),将得到的值归一化到0-1范围内,得到每个工作人员的安全影响指数。例如,有一个大型工厂,工作人员之间工作依赖性和接触频率的情况为,工作员A与工作员B每天都需要紧密合作,他们的互动复杂性评估因素值为5。工作员A与工作员C只偶尔接触,他们的互动复杂性评估因素值为2。工作员B与工作员C每天都需要接触,他们的互动复杂性评估因素值为4。根据这些评估因素值,可以确定每对工作人员之间的互动复杂性,并分配权重,互动复杂性评估因素值为5的权重为4,互动复杂性评估因素值为4的权重为3,互动复杂性评估因素值为2的权重为2;接下来,需要获取工作人员的安全评估因素,包括空间接近度、工作性质、历史安全记录。若工作员A的空间接近度评估因素值为3,工作员A的工作性质评估因素值为4,工作员A的历史安全记录评估因素值为5;根据每个因素对安全性的影响程度分配权重为,空间接近度评估因素值为3的权重为3,工作性质评估因素值为4的权重为4,历史安全记录评估因素值为5的权重为3;根据工作人员之间的物理距离,可以确定空间接近度,若工作员A与工作员B的物理距离为10米,工作员A与工作员C的物理距离为20米。接下来,根据公式安全影响指数=∑(评估因素值×权重)计算每个工作人员的安全影响指数。最后,将得到的安全影响指数归一化到0-1范围内。若最大安全影响指数为10,最小安全影响指数为2,则归一化后的安全影响指数为,工作员A的归一化安全影响指数为0.571;通过以上计算,可以得到每个工作人员的安全影响指数,并了解他们在工作中对安全性的影响程度。
S107、根据工作人员的未来工作内容、安全影响和室内外定位数据,对工作区域进行资源分配和人员调度。
获取所有的工作内容,根据工作内容的重要性和紧急程度为每个工作内容分配权重,根据重要性和紧急程度进行排序。根据室内外定位数据和安全影响数据,使用K-means算法,为每个工作区域分配一个安全级别标签,包括高风险、中风险、低风险;根据工作内容权重以及工作区域的安全级别标签,为每个资源分配一个优先级。根据工作内容分类与其权重,以及工作区域的安全级别标签,对资源进行优先级排序,并确定资源优先级,包括高优先级,中优先级,低优先级。分配高优先级的资源到相应的工作区域,并确保与安全级别标签匹配。若某个高优先级区域的资源不足,则从中优先级或低优先级区域调配。通过室内外定位数据,确定工作人员的初始位置。根据工作人员的初始位置和工作内容的权重,为每个工作人员分配具体的任务。根据任务分配结果,对工作人员进行调度,确保人员与资源之间的匹配性。例如,有工作内容及其重要性和紧急程度的评估结果为,维修设备的重要性为8,紧急程度为9;数据分析的重要性为7,紧急程度为6,培训新员工的重要性为6,紧急程度为4,财务报表编制的重要性为9,紧急程度为5;根据重要性和紧急程度的评估,可以为每个工作内容分配权重。根据室内外定位数据和安全影响数据,使用K-means算法为每个工作区域分配一个安全级别标签。若有3个工作区域,它们的安全级别标签分别为高风险、中风险和低风险。接下来,根据工作内容权重和工作区域的安全级别标签,为每个资源分配一个优先级。若资源A在工作区域1,安全级别为高风险,资源B在工作区域2,安全级别为中风险,资源C在工作区域3,安全级别为低风险;根据工作内容分类与其权重、工作区域的安全级别标签,可以对资源进行优先级排序。得到排序结果为,资源A为高优先级,为高风险区域,资源B为中优先级,为中风险区域,资源C为低优先级,为低风险区域;根据优先级排序,可以将高优先级的资源分配到相应的工作区域,并确保与安全级别标签匹配。如果某个高优先级区域的资源不足,可以从中优先级或低优先级区域调配资源。最后,根据室内外定位数据,确定工作人员的初始位置。根据工作人员的初始位置和工作内容的权重,为每个工作人员分配具体的任务。若工作人员和他们的初始位置为,工作人员X的初始位置为工作区域1,工作人员Y的初始位置为工作区域2,工作人员Z的初始位置为工作区域3;根据任务分配结果,可以对工作人员进行调度,确保人员与资源之间的匹配性。因此工作人员X可以执行维修设备任务,工作人员Y可以执行数据分析任务,工作人员Z可以执行培训新员工任务。
评估工作内容与工作人员技能匹配度,根据工作的紧急程度和重要性进行微调。
具体的,获取每个工作人员的技能评估表并验证其完整性。三个工作人员A、B和C,的技能评估表为,工作人员A的技能评估表,技能1:7/10,技能2:8/10,技能3:6/10;工作人员B的技能评估表,技能1:9/10,技能2:5/10,技能3:8/10;工作人员C的技能评估表,技能1:6/10,技能2:7/10,技能3:9/10;根据各项技能的实际应用频率和重要性,对技能评估表中的每项技能进行打分,若技能1的重要性为4,技能2的重要性为3,技能3的重要性为3,则计算每个工作人员的综合技能分数,根据每个工作内容,确定所需的技能类型和级别。设定技能需求指标,包括经验年数、证书,并为其设定权重,若工作内容1需要技能类型A和技能类型B,其中技能类型A的重要性为6,技能类型B的重要性为4,经验年数和证书分别设定权重为7和3。根据工作内容所需的技能指标和权重,计算出工作内容的技能需求度,若工作内容1对技能类型A的需求度为8,对技能类型B的需求度为6,则工作内容1的技能需求度为(8*6)+(6*4)=48+24=72;从数据库中提取每个工作人员的技能分数和每个工作内容的技能需求度,若工作人员A的技能分数为7,工作人员B的技能分数为75,工作人员C的技能分数为72。评估工作人员过去完成相似工作内容的效率,计算其历史效率,若工作人员A对工作内容1的历史效率为9,工作人员B的历史效率为8,工作人员C的历史效率为85。使用公式M(i,j)=S(i)*T(j)*E(i,j),为每个工作人员和工作内容计算匹配度。因此,工作人员A和工作内容1的匹配度为7*72*9=4536,将计算出的匹配度结果存储在矩阵中,并在***中可视化。基于匹配度矩阵为每个工作人员分配与其技能最匹配的工作内容。根据工作的紧急程度和重要性进行微调,在***中为每个工作人员生成其工作任务列表,并向工作人员发送工作任务通知。获取每个工作人员的技能评估表并验证其完整性。三个工作人员A、B和C,的技能评估表为,工作人员A的技能评估表,技能1:7/10,技能2:8/10,技能3:6/10;工作人员B的技能评估表,技能1:9/10,技能2:5/10,技能3:8/10;工作人员C的技能评估表,技能1:6/10,技能2:7/10,技能3:9/10;根据各项技能的实际应用频率和重要性,对技能评估表中的每项技能进行打分,若技能1的重要性为4,技能2的重要性为3,技能3的重要性为3,则计算每个工作人员的综合技能分数,根据每个工作内容,确定所需的技能类型和级别。设定技能需求指标,包括经验年数、证书,并为其设定权重,若工作内容1需要技能类型A和技能类型B,其中技能类型A的重要性为6,技能类型B的重要性为4,经验年数和证书分别设定权重为7和3。根据工作内容所需的技能指标和权重,计算出工作内容的技能需求度,若工作内容1对技能类型A的需求度为8,对技能类型B的需求度为6,则工作内容1的技能需求度为(8*6)+(6*4)=48+24=72;从数据库中提取每个工作人员的技能分数和每个工作内容的技能需求度,若工作人员A的技能分数为7,工作人员B的技能分数为75,工作人员C的技能分数为72。评估工作人员过去完成相似工作内容的效率,计算其历史效率,若工作人员A对工作内容1的历史效率为9,工作人员B的历史效率为8,工作人员C的历史效率为85。使用公式M(i,j)=S(i)*T(j)*E(i,j),为每个工作人员和工作内容计算匹配度。因此,工作人员A和工作内容1的匹配度为7*72*9=4536,将计算出的匹配度结果存储在矩阵中,并在***中可视化。基于匹配度矩阵为每个工作人员分配与其技能最匹配的工作内容。根据工作的紧急程度和重要性进行微调,在***中为每个工作人员生成其工作任务列表,并向工作人员发送工作任务通知。
S108、基于资源分配、人员调度的输出和室内外定位技术,对每个工作人员的工作区域进行障碍物检测,避免工作干扰和物体碰撞风险。
获取资源分配数据,根据每个工作内容需要的资源数量和种类,为每位工作人员分配任务和工作区域。使用室内外定位技术的传感器,获取工作人员实时位置信息;根据工作区域内的图像,使用YOLO算法进行模型的预训练,识别工作区域内的障碍物;使用预训练的YOLO模型,对工作区域进行扫描,检测工作区域内的障碍物,并标记其位置。为卡尔曼滤波器设置初始状态,包括当前的位置和速度估计;使用卡尔曼滤波器,基于在上一时刻,工作人员或障碍物的估计位置以及速度和在当前时刻,工作人员或障碍物的估计位置以及速度,预测工作人员和障碍物在未来的位置,并获得预测的轨迹或路径,显示工作人员和障碍物预期移动的方向和速度。若在预测的轨迹中,工作人员和障碍物的距离小于预设的安全阈值,则判定为可能的碰撞风险。若某个工作区域的风险超过安全阈值,则重新进行该工作区域的资源分配。若资源重分配不可行,则根据风险评估结果,重新安排工作人员的任务位置和时间,确保避免高风险区域。当***预测到一个碰撞风险时,立即通过声音、振动或可视通知的方式,向相关工作人员发送警告通知。例如,有一个工作场所,有10名工作人员和5个工作区域,每个工作区域需要不同种类和数量的资源来完成工作任务。工作区域1需要2个激光测距传感器和3个摄像头传感器。工作区域2需要1个温度传感器和2个湿度传感器。工作区域3需要4个光线传感器和2个声音传感器。工作区域4需要3个压力传感器和1个气体传感器。工作区域5需要5个电流传感器和4个电压传感器。通过使用室内外定位技术的传感器,可以实时获取每个工作人员的位置信息。若工作人员1当前位于工作区域2,工作人员2位于工作区域4,工作人员3位于工作区域1,以此类推。使用预训练的YOLO模型,对每个工作区域的图像进行扫描和分析,以识别障碍物。在工作区域1中,YOLO算法检测到一个障碍物并标记其位置。为卡尔曼滤波器设置初始状态,包括工作人员的当前位置和速度估计,得到工作人员1的当前位置为(1,1),速度估计为2米/秒。使用卡尔曼滤波器,基于上一时刻的位置、速度估计和当前时刻的位置、速度估计,预测工作人员的未来位置,因此,根据上述初始状态和卡尔曼滤波器的计算,预测工作人员1将在下一时刻位于(2,3)。通过计算工作人员和障碍物的预测位置,可以得到预测的轨迹或路径,并显示工作人员和障碍物的预期移动方向和速度,若在预测的轨迹中,工作人员1和障碍物的距离小于预设的安全阈值,即5米,那么可以判定为可能的碰撞风险。如果某个工作区域的风险超过安全阈值,若工作区域1的碰撞风险超过了阈值,可以重新进行该工作区域的资源分配。如果资源重分配不可行,可以根据风险评估结果重新安排工作人员的任务位置和时间,以确保避免高风险区域,则将工作人员1从工作区域2重新安排到工作区域5。当***预测到一个碰撞风险时,立即通过声音、振动或可视通知的方式,向相关工作人员发送警告通知,则通过工作人员1的手机应用程序发送警告通知,提醒他避免碰撞风险。
S109、结合障碍物检测结果、工作人员的活动范围和室内外定位数据,调整工作区域的资源分配,优化工作流程。
根据室内外的视频流或图像数据,使用预训练的YOLO模型,对视频或图像中的障碍物进行标记和分类,得到室内外的障碍物位置和类型。根据室内外的传感器数据,确定每位工作人员的实时位置和活动范围。根据障碍物位置、工作人员活动范围,计算工作区域中可用的空间和资源,与障碍物和工作人员的活动范围进行比较,确定资源利用率。根据资源利用率数据,预定的阈值比较,确定当前资源分配是否合理。若当前资源分配不合理,则根据当前的资源分配数据,使用线性规划算法,根据当前的障碍物分布和工作人员活动范围,调整资源分配,得到新的资源分配方案。模拟新的资源分配下的工作流程,确定是否有效率问题。若工作流程存在效率问题,根据工作人员定位和障碍物分布进行工作流程调整。根据工作人员活动范围、新的工作流程方案,使用工作流程模拟工具Arena,模拟工作流程,计算效率指标,得到新工作流程的效率评估。根据旧工作流程、新的工作流程、效率评估结果,对比两种工作流程的效率、风险,得到工作流程优化的效果评估。例如,有一个室内的工作区域,内部有多个工作人员和障碍物。使用预训练的YOLO模型对该工作区域的视频进行分析,得到障碍物位置和类型。若视频中有3个障碍物,它们的位置分别为(1,1)、(2,2)和(3,3)。根据室内的传感器数据,可以确定每位工作人员的实时位置和活动范围,得到两位工作人员,他们的位置分别为(0,0)和(2,2),活动范围为半径为2的圆形区域。根据障碍物位置和工作人员活动范围,可以计算工作区域中可用的空间和资源,若工作区域大小为5x5,其中包含了3个障碍物和2位工作人员的活动范围,则可用空间为16个单位,资源利用率为(25-16)/25=36%,根据资源利用率与预定的阈值进行比较,判断当前资源分配是否合理,若阈值为70%,则当前资源分配不合理。根据当前的资源分配数据和工作区域中的障碍物分布和工作人员活动范围,使用线性规划算法调整资源分配,得到新的资源分配方案,若调整后的资源分配方案为将工作人员活动范围进行微调,使其不与障碍物重叠。根据新的资源分配方案,模拟工作流程,确定是否存在效率问题,若模拟结果显示工作人员在新的资源分配下没有效率问题。根据工作人员定位和障碍物分布,进行工作流程调整。调整后的工作流程是将某些任务的顺序进行重新安排,以避免工作人员与障碍物发生冲突。根据工作人员活动范围、新的工作流程方案,使用工作流程模拟工具Arena进行模拟,并计算效率指标,若新工作流程的效率指标为每小时完成任务数为10个。根据旧工作流程、新的工作流程和效率评估结果,对比两种工作流程的效率、风险,得到工作流程优化的效果评估。若与旧工作流程相比,新工作流程在效率上提升了20%,效率问题得到解决,风险降低。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于室内外定位***的户外作业安全监测方法,其特征在于,所述方法包括:
根据工作区域的实时监测数据,结合室内外定位技术,精确判断工作人员的位置分布;利用室内外定位技术的输出数据,结合时间序列分析,动态分析工作人员的移动轨迹,预测其短时间内的活动范围;根据工作人员的预测活动范围和室内外定位数据,构建工作区域风险评估模型,分析是否存在物体掉落风险;使用物体掉落风险的分析结果,结合室内外定位数据,判断工作人员之间是否有上下作业关系,并实时监测物体掉落的可能性;当物体掉落风险被检测出,立即向相关工作人员发送安全警告信息;采用时间序列分析,利用室内外定位技术的数据和前述的工作人员活动范围预测,预测每个工作人员未来的工作内容,并判断其对其他人的安全影响;根据工作人员的未来工作内容、安全影响和室内外定位数据,对工作区域进行资源分配和人员调度;基于资源分配、人员调度的输出和室内外定位技术,对每个工作人员的工作区域进行障碍物检测,避免工作干扰和物体碰撞风险;结合障碍物检测结果、工作人员的活动范围和室内外定位数据,调整工作区域的资源分配,优化工作流程。
2.根据权利要求1所述的方法,其中,所述根据工作区域的实时监测数据,结合室内外定位技术,精确判断工作人员的位置分布,包括:
采用高分辨率摄像头获取所述实时监测数据;通过YOLOv3算法得到视频中人形轮廓的标识,并过滤出工作人员特征,实现人员与背景的区分;获取室内外定位技术产出的人员位置信息,与物体检测结果进行匹配;通过卡尔曼滤波器对所述位置信息进行修正,确定工作人员的精确坐标;根据人形识别结果和修正后的定位数据,判断每位工作人员的具***置,并按区域、楼层或工作组标签进行归类,存储分类数据;利用核密度估计方法计算各区域的人员密度,并对超出预设阈值的区域进行标记;采用Lucas-Kanade光流法得到工作人员的移动路径,判断所述工作人员之间的相互距离和潜在冲突点;记录所述工作人员在工作区域内的移动轨迹、停留点和互动点;使用Apriori算法确定所述工作人员在相似环境和任务下的常见行为模式;根据关联规则学习的结果,预测工作人员的未来位置和潜在行为;最终通过matplotlib工具展现所述工作人员的位置分布图,包括实时和历史数据。
3.根据权利要求1所述的方法,其中,所述利用室内外定位技术的输出数据,结合时间序列分析,动态分析工作人员的移动轨迹,预测其短时间内的活动范围,包括:
采用室内外定位技术获取所述工作人员的室内外移动数据;通过合并室内和室外的移动数据,得到工作人员的完整移动轨迹;对所述数据进行清洗,移除异常或重复数据,并进行时间标准化处理;利用指数平滑方法确定工作人员的移动趋势,以及指定时间段内的重复移动模式;根据所提取的活动模式和趋势,使用K-means算法训练模型,识别主要的活动区域;根据各活动区域的停留时间和访问频率,判断工作人员在指定时间段的主要活动点;利用ARIMA算法,结合长期移动趋势,预测工作人员短时间内的移动趋势;结合预测结果和已知移动轨迹,确定所述工作人员的短期活动范围。
4.根据权利要求1所述的方法,其中,所述根据工作人员的预测活动范围和室内外定位数据,构建工作区域风险评估模型,分析是否存在物体掉落风险,包括:
通过室内定位数据和室外定位数据,得到工作人员完整的定位数据;根据工作人员定位数据,应用长短期记忆网络算法,对工作人员在接下来时间的行动路线进行预测;对预测的行动路线进行与高风险区域的交集分析,确定可能进入的高风险区域,其中高风险区域包括楼梯口、窗户边、边缘、高空区域;利用传感器或视频监控,实时追踪工作人员在高风险区域的活动状态;当工作人员进入高风险区域时,实时评估物体掉落的概率;获取建筑工地的三维模型数据,识别其中的危险点,包括障碍物、悬空区域;结合工人的移动轨迹与危险点,评估物体掉落或其他风险;根据危险点的空间结构数据、工人活动和历史事故数据,使用支持向量机,构建工作区域风险评估模型,进行风险评估,包括高风险、中风险、低风险;若预测出高风险,实时警报并记录事件;定期根据实际发生的事件,调整和优化风险评估的标准和参数。
5.根据权利要求1所述的方法,其中,所述使用物体掉落风险的分析结果,结合室内外定位数据,判断工作人员之间是否有上下作业关系,并实时监测物体掉落的可能性,包括:
使用工作区域风险评估模型,得到每个工作区域的风险评级;通过室内外定位数据,获取工作人员的实时位置;根据风险评级和工作人员的位置,构建输入数据集,将工作区域划分为上下两层,根据实时位置数据,为每个工作人员标记其所在的层级;使用KNN算法判断上层和下层之间的工作人员是否存在上下作业关系;采用实时监测机制,对工作区域进行持续的物体移动情况监测,采用光流法,实时识别物体的移动,并通过物体的当前位置、速度、加速度预测其落点;根据预测落点和工作人员位置,判断是否存在物体掉落的可能性和可能影响的工作人员;若物体的预测落点与工作人员的位置距离小于预设阈值,标记为高风险;根据预测落点和工作人员位置数据,结合风险评级,更新工作人员的安全状态;若检测到高风险状态,根据所有与检测到的高风险状态有关的信息,使用NLP的自动摘要技术生成完整的风险评估报告;还包括:预测即将形成的动态盲区,并对工作人员发出警告;
所述预测即将形成的动态盲区,并对工作人员发出警告,具体包括:获取工作环境中的实时数据流,包括设备和人员的位置、速度和轨迹;使用SORT跟踪算法,实时检测可能产生动态盲区的活动或对象,得到动态盲区生成因素的实时记录;根据动态盲区生成因素的实时记录,利用长短期记忆网络算法,基于过去的数据预测未来可能形成的动态盲区,得到动态盲区的预测图;根据动态盲区的预测图和当前的工作流,重新配置工作流或人员的任务分配,得到优化后的工作流;根据动态盲区的预测图,若工作人员或设备进入预测的动态盲区或与预测的动态盲区距离小于预设阈值,立即发出警告。
6.根据权利要求1所述的方法,其中,所述当物体掉落风险被检测出,立即向相关工作人员发送安全警告信息,包括:
获取并处理过往物体掉落事件数据,该数据包括环境参数与物体特性;通过所述数据,利用支持向量机算法训练出物体掉落风险检测模型;采用高精度传感器实时获取环境数据,并根据所述风险检测模型确定物体掉落风险级别;判断所得风险级别是否超过预设阈值,若是,则确定触发安全警告的生成;通过访问工作人员数据库,得到受影响工作人员的联系方式;利用推送服务,基于所获取的联系方式,将安全警告传递给目标工作人员;在通讯障碍的情况下,***将监控通讯状态,并自动尝试重新发送警告,直到传递成功或达到预定的尝试次数。
7.根据权利要求1所述的方法,其中,所述采用时间序列分析,利用室内外定位技术的数据和前述的工作人员活动范围预测,预测每个工作人员未来的工作内容,并判断其对其他人的安全影响,包括:
获取所述工作人员的历史活动范围数据,并利用ARIMA算法对所述数据进行处理,以提取关键特征,包括活动的持续时间、范围大小和频率;通过室内外定位技术,获取工作人员的实时位置信息;将所述实时位置数据与历史活动数据的关键特征融合,使用循环神经网络算法构建工作人员行为模型,以预测未来的工作内容;根据预测结果,绘制每个工作人员的未来活动轨迹;确定所述工作人员之间的空间交叉点,评估交互的复杂性,并据此计算每个工作人员对其他人的安全影响指数;根据安全影响指数,将工作人员分类为安全或潜在风险;还包括:根据工作人员的位置、互动记录、工作性质数据,计算每个工作人员对其他人的安全影响指数;
所述根据工作人员的位置、互动记录、工作性质数据,计算每个工作人员对其他人的安全影响指数,具体包括:根据工作人员之间的工作依赖性、相互接触的频率,确定互动复杂性;获取工作人员的安全评估因素,包括空间接近度、工作性质、历史安全记录,其中,通过工作人员之间的物理距离,确定空间接近度;根据每个因素对安全性的影响程度分配权重;获取工作人员的位置、互动记录、工作性质数据;对于每个工作人员,根据公式安全影响指数=∑(评估因素值×权重),将得到的值归一化到0-1范围内,得到每个工作人员的安全影响指数。
8.根据权利要求1所述的方法,其中,所述根据工作人员的未来工作内容、安全影响和室内外定位数据,对工作区域进行资源分配和人员调度,包括:
获取工作内容,采用权重分配方法为所述工作内容分配权重;通过排序算法根据所述权重对所述工作内容进行排序;采用K-means算法基于定位数据和安全影响数据为工作区域分配安全级别标签;结合所述工作内容权重和所述区域安全级别标签,得到资源优先级;将高优先级资源分配到对应的工作区域,并在资源不足时进行调配;确定所述工作人员的初始位置,并基于此为所述工作人员分配任务;还包括:评估工作内容与工作人员技能匹配度,根据工作的紧急程度和重要性进行微调;
所述评估工作内容与工作人员技能匹配度,根据工作的紧急程度和重要性进行微调,具体包括:获取每个工作人员的技能评估表并验证其完整性;根据各项技能的实际应用频率和重要性,对技能评估表中的每项技能进行打分;使用加权平均法,根据每项技能的分数和其重要性,计算出工作人员的综合技能分数S(i);根据每个工作内容,确定所需的技能类型和级别;设定技能需求指标,包括经验年数、证书,并为其设定权重;根据工作内容所需的技能指标和权重,计算出工作内容的技能需求度T(j);从数据库中提取每个工作人员的技能分数和每个工作内容的技能需求度;评估工作人员过去完成相似工作内容的效率,计算其历史效率E(i,j);使用公式M(i,j)=S(i)×T(j)×E(i,j),为每个工作人员和工作内容计算匹配度;将计算出的匹配度结果存储在矩阵中,并在***中可视化;基于匹配度矩阵为每个工作人员分配与其技能最匹配的工作内容;根据工作的紧急程度和重要性进行微调,在***中为每个工作人员生成其工作任务列表,并向工作人员发送工作任务通知。
9.根据权利要求1所述的方法,其中,所述基于资源分配、人员调度的输出和室内外定位技术,对每个工作人员的工作区域进行障碍物检测,避免工作干扰和物体碰撞风险,包括:
获取任务和区域分配数据;采用室内外定位技术获取所述工作人员的位置信息;通过使用预训练的YOLO算法,识别工作区域内的障碍物;通过卡尔曼滤波器,得到所述工作人员和障碍物未来位置的预测;判断预测轨迹中的碰撞风险,并在检测到碰撞风险时,重新分配资源或调整所述工作人员的任务位置和时间,获得调整后的工作流程;并通过声音、振动或可视通知的方式,向所述工作人员发送警告。
10.根据权利要求1所述的方法,其中,所述结合障碍物检测结果、工作人员的活动范围和室内外定位数据,调整工作区域的资源分配,优化工作流程,包括:
通过使用预训练的YOLO模型,得到室内外障碍物的标记和分类;确定所述工作人员的实时位置和活动范围;计算工作区域中可用空间和资源,与所述障碍物和工作人员的活动范围进行比较,得到资源利用率;通过使用线性规划算法调整当前资源分配,获得新的资源分配方案;模拟新工作流程,计算效率指标,进行效率评估;比较旧工作流程和新工作流程的效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311456064.8A CN117496431B (zh) | 2023-11-03 | 2023-11-03 | 一种基于室内外定位***的户外作业安全监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311456064.8A CN117496431B (zh) | 2023-11-03 | 2023-11-03 | 一种基于室内外定位***的户外作业安全监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117496431A true CN117496431A (zh) | 2024-02-02 |
CN117496431B CN117496431B (zh) | 2024-06-14 |
Family
ID=89675793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311456064.8A Active CN117496431B (zh) | 2023-11-03 | 2023-11-03 | 一种基于室内外定位***的户外作业安全监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117496431B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8548838B1 (en) * | 2005-09-28 | 2013-10-01 | Kyyba, Inc. | Method, software and/or process for optimizing the distribution of labor in a manufacturing environment |
CN107609835A (zh) * | 2017-07-28 | 2018-01-19 | 国网辽宁省电力有限公司 | 一种电网人力配置应用***及方法 |
CN109819208A (zh) * | 2019-01-02 | 2019-05-28 | 江苏警官学院 | 一种基于人工智能动态监控的密集人群安防监控管理方法 |
CN113902237A (zh) * | 2021-06-01 | 2022-01-07 | 贵州电网有限责任公司 | 一种现场作业风险管控*** |
US20220051807A1 (en) * | 2020-07-29 | 2022-02-17 | Accenture Global Solutions Limited | Dynamic risk assessment |
CN115661755A (zh) * | 2022-11-08 | 2023-01-31 | 大连理工大学 | 一种基于计算机视觉和轨迹预测的工人安全动态评估方法 |
KR20230079680A (ko) * | 2021-11-29 | 2023-06-07 | 한국생산기술연구원 | 산업 안전지능 기반 안전관리자 지원 통합 서비스 시스템 및 이를 이용한 안전관리 방법 |
KR20230087383A (ko) * | 2021-12-09 | 2023-06-16 | 한국가스안전공사 | 위험도 기반 근로자 안전거리 제시를 위한 리스크 그라데이션 시스템 |
WO2023131095A1 (zh) * | 2022-01-04 | 2023-07-13 | 武汉路特斯汽车有限公司 | 交通环境风险评估方法、风险评估方法及装置 |
CN116485021A (zh) * | 2023-04-20 | 2023-07-25 | 内蒙古科技大学 | 一种煤炭企业技术技能人才人岗匹配预测方法与*** |
CN116798272A (zh) * | 2023-08-23 | 2023-09-22 | 威海爱思特传感技术有限公司 | 基于车辆通信的道路十字路口盲区车辆预警***及方法 |
CN116822715A (zh) * | 2023-05-30 | 2023-09-29 | 北京东方通网信科技有限公司 | 一种基于人工智能的安全生产监测预警*** |
CN116882735A (zh) * | 2023-06-28 | 2023-10-13 | 刘汉波 | 一种基于工艺安全指标的化工风险修正预警方法 |
-
2023
- 2023-11-03 CN CN202311456064.8A patent/CN117496431B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8548838B1 (en) * | 2005-09-28 | 2013-10-01 | Kyyba, Inc. | Method, software and/or process for optimizing the distribution of labor in a manufacturing environment |
CN107609835A (zh) * | 2017-07-28 | 2018-01-19 | 国网辽宁省电力有限公司 | 一种电网人力配置应用***及方法 |
CN109819208A (zh) * | 2019-01-02 | 2019-05-28 | 江苏警官学院 | 一种基于人工智能动态监控的密集人群安防监控管理方法 |
US20220051807A1 (en) * | 2020-07-29 | 2022-02-17 | Accenture Global Solutions Limited | Dynamic risk assessment |
CN113902237A (zh) * | 2021-06-01 | 2022-01-07 | 贵州电网有限责任公司 | 一种现场作业风险管控*** |
KR20230079680A (ko) * | 2021-11-29 | 2023-06-07 | 한국생산기술연구원 | 산업 안전지능 기반 안전관리자 지원 통합 서비스 시스템 및 이를 이용한 안전관리 방법 |
KR20230087383A (ko) * | 2021-12-09 | 2023-06-16 | 한국가스안전공사 | 위험도 기반 근로자 안전거리 제시를 위한 리스크 그라데이션 시스템 |
WO2023131095A1 (zh) * | 2022-01-04 | 2023-07-13 | 武汉路特斯汽车有限公司 | 交通环境风险评估方法、风险评估方法及装置 |
CN115661755A (zh) * | 2022-11-08 | 2023-01-31 | 大连理工大学 | 一种基于计算机视觉和轨迹预测的工人安全动态评估方法 |
CN116485021A (zh) * | 2023-04-20 | 2023-07-25 | 内蒙古科技大学 | 一种煤炭企业技术技能人才人岗匹配预测方法与*** |
CN116822715A (zh) * | 2023-05-30 | 2023-09-29 | 北京东方通网信科技有限公司 | 一种基于人工智能的安全生产监测预警*** |
CN116882735A (zh) * | 2023-06-28 | 2023-10-13 | 刘汉波 | 一种基于工艺安全指标的化工风险修正预警方法 |
CN116798272A (zh) * | 2023-08-23 | 2023-09-22 | 威海爱思特传感技术有限公司 | 基于车辆通信的道路十字路口盲区车辆预警***及方法 |
Non-Patent Citations (4)
Title |
---|
何承坤;赵虹;王东;韩文栋;: "基于层次分析法在船厂管加工车间生产绩效考核中的应用研究", 中国水运(下半月), no. 09, 15 September 2017 (2017-09-15) * |
孙兆亮;: "泛在无线信号辅助的室内外无缝定位方法与关键技术", 电子制作, no. 10, 15 May 2015 (2015-05-15) * |
王恩伟;曾惜;龙思璇;杨凤生;汪林;: "智能化电力巡检安全隐患监管技术应用研究", 电脑知识与技术, no. 22, 5 August 2020 (2020-08-05) * |
穆波;刘超;王廷春;慕?;王辉;***;李千登;: "危化品企业人员作业安全与风险智能管控平台建设研究", 安全与环境工程, no. 05, 25 September 2020 (2020-09-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117496431B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102005188B1 (ko) | 실시간 위치 추적 및 gis를 이용한 인공지능 기반 산업현장 안전관리 시스템, 그리고 산업현장 안전관리 방법 | |
CN111242574A (zh) | 一种基于gps技术的智慧工地现场巡检管理***及方法 | |
CN117172414A (zh) | 一种基于bim技术的建筑幕墙施工管理*** | |
CN116308960B (zh) | 基于数据分析的智慧园区物业防控管理***及其实现方法 | |
CN116739245B (zh) | 一种智慧消防城市接警调度*** | |
JP2017091008A (ja) | データ処理方法およびデータ処理システム | |
US11818801B2 (en) | System to monitor and process risk relationship sensor data | |
CN107610282A (zh) | 一种公交客流统计*** | |
CN117575334A (zh) | 公路施工安全监测*** | |
CN116862244B (zh) | 一种工业现场视觉ai分析与安全预警***和方法 | |
CN114841660A (zh) | 一种基于现场信息的企业智慧安全管控云平台 | |
CN117523451A (zh) | 一种基于智慧安防技术的视频数据分析***及方法 | |
Sun et al. | Dynamic human systems risk prognosis and control of lifting operations during prefabricated building construction | |
US20210271217A1 (en) | Using Real Time Data For Facilities Control Systems | |
CN117496431B (zh) | 一种基于室内外定位***的户外作业安全监测方法 | |
CN111709597B (zh) | 一种电网生产域运营监测*** | |
JP7244443B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
Fang et al. | Design and Development of Industrial Safety APPs | |
CN118071040B (zh) | 一种公路施工的安全检查评价方法及*** | |
Ali et al. | Tower crane safety technologies: A synthesis of academic research and industry insights | |
CN117853078B (zh) | 基于无人机的建筑工程施工现场动态安全报警***及方法 | |
Duan et al. | Safety Risk Diagnosis Based on Motion Trajectory for Construction Workers: An Integrated Approach | |
CN117979238B (zh) | 一种基于网络的电力施工现场信息化监理终端及其使用方法 | |
CN115334452B (zh) | 一种集中化建筑智能报警方法 | |
CN116633990B (zh) | 一种基于云计算的远程信息数字化监管***及方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240513 Address after: Room 302, No. 8 Xujing West Street, Tianhe District, Guangzhou City, Guangdong Province, 510000 Applicant after: Guangdong Hesheng Construction Engineering Co.,Ltd. Country or region after: China Address before: Room 601, No. 1035 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province, 510000 Applicant before: GUANGZHOU ZHUNJIE ELECTRONIC TECHNOLOGY Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |