CN117828335B - 海上升压站远程作业人员轨迹管控***及方法 - Google Patents
海上升压站远程作业人员轨迹管控***及方法 Download PDFInfo
- Publication number
- CN117828335B CN117828335B CN202410044541.8A CN202410044541A CN117828335B CN 117828335 B CN117828335 B CN 117828335B CN 202410044541 A CN202410044541 A CN 202410044541A CN 117828335 B CN117828335 B CN 117828335B
- Authority
- CN
- China
- Prior art keywords
- feature
- time sequence
- physiological
- cross
- track
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000033001 locomotion Effects 0.000 claims abstract description 105
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 77
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 91
- 230000004927 fusion Effects 0.000 claims description 76
- 230000004044 response Effects 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 56
- 238000000605 extraction Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000036541 health Effects 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 15
- 230000001276 controlling effect Effects 0.000 claims description 10
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000003862 health status Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 23
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000007499 fusion processing Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 19
- 239000007789 gas Substances 0.000 description 8
- 238000007689 inspection Methods 0.000 description 8
- 239000003921 oil Substances 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种海上升压站远程作业人员轨迹管控***及方法,其结合基于深度学习的人工智能技术,将作业人员的轨迹数据和生理数据进行综合分析与特征交互融合处理,以从轨迹数据中学习作业人员的运动状态的同时,从生理数据中学习作业人员的生理状态,从而对作业人员的身体状况进行实时监测和管控。
Description
技术领域
本申请涉及智能化轨迹管控技术领域,尤其涉及一种海上升压站远程作业人员轨迹管控***及方法。
背景技术
海上升压站是一种用于提高油气井产量的设备,它需要定期进行维护和检修,以保证其安全和稳定运行。然而,海上升压站的作业环境复杂且危险,作业人员需要穿戴防护服、头盔、氧气瓶等装备,同时还要承受高温、高压、高湿等恶劣条件。因此,如何有效地监控和管理作业人员的实时状态,是保障海上升压站运行安全的重要问题。
传统的监控手段主要依靠人工观察和巡检,无法实时获取作业人员的状态信息。这种方式存在盲区和延迟,无法及时发现和处理紧急情况。
因此,期待一种优化的方案。
发明内容
本申请提供一种海上升压站远程作业人员轨迹管控***及方法,其可以从轨迹数据中学习作业人员的运动状态的同时,从生理数据中学习作业人员的生理状态,从而对作业人员的身体状况进行实时监测和管控。
本申请还提供了一种海上升压站远程作业人员轨迹管控方法,其包括:
获取由定位设备采集的作业人员的轨迹数据,所述轨迹数据为位置时序序列;
获取由智能手环采集的所述作业人员的生理信号时序序列;
提取所述轨迹数据的人员运动特征以得到运动模式语义理解特征向量;
提取所述生理信号时序序列的人员生理状态特征以得到生理状态时序关联特征图;
基于所述运动模式语义理解特征向量和所述生理状态时序关联特征图之间的跨模态交互特征,确定所述作业人员的健康状况等级。
本申请还提供了一种海上升压站远程作业人员轨迹管控***,其包括:
轨迹数据获取模块,用于获取由定位设备采集的作业人员的轨迹数据,所述轨迹数据为位置时序序列;
生理信号获取模块,用于获取由智能手环采集的所述作业人员的生理信号时序序列;
运动模式语义理解特征提取模块,用于提取所述轨迹数据的人员运动特征以得到运动模式语义理解特征向量;
人员生理状态特征提取模块,用于提取所述生理信号时序序列的人员生理状态特征以得到生理状态时序关联特征图;
健康状况等级确定模块,用于基于所述运动模式语义理解特征向量和所述生理状态时序关联特征图之间的跨模态交互特征,确定所述作业人员的健康状况等级。
与现有技术相比,本申请提供的海上升压站远程作业人员轨迹管控***及方法,其可以从轨迹数据中学习作业人员的运动状态的同时,从生理数据中学习作业人员的生理状态,从而对作业人员的身体状况进行实时监测和管控。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的一些实施例,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。在附图中:
图1为本申请实施例中提供的一种海上升压站远程作业人员轨迹管控方法的流程图。
图2为本申请实施例中提供的一种海上升压站远程作业人员轨迹管控方法的***架构的示意图。
图3为本申请实施例中提供的一种海上升压站远程作业人员轨迹管控***的框图。
图4为本申请实施例中提供的一种海上升压站远程作业人员轨迹管控方法的应用场景图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本申请实施例做进一步详细说明。在此,本申请的示意性实施例及其说明用于解释本申请,但并不作为对本申请的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
海上升压站是一种位于海上的设备,旨在提高油气井的产量和流动性,通常由多个组件组成,包括压缩机、压力容器、管道***、控制***和安全设备等。海上升压站的主要功能是将来自油气井的低压天然气或原油通过压缩机提高其压力,并将其送往陆上处理设施,通过提高油气的压力,升压站可以增加其产量,并确保其在管道中的流动性。此外,升压站还可以通过分离油气混合物中的固体和液体杂质,提高油气的质量。
海上升压站的维护和检修非常重要,以确保其安全和稳定运行,定期的维护工作包括清洁设备、更换磨损部件、检查和校准仪器、检查管道***的漏损等。此外,还需要定期进行安全检查,以确保设备符合相关的安全标准和规定。海上升压站的安全性也是至关重要的。必须具备防火、防爆和防腐蚀等功能,以应对海上环境的恶劣条件和潮湿的气候。此外,升压站还必须配备安全设备,如火灾报警***、气体检测***和紧急停机装置等,以应对可能发生的紧急情况。
确保海上升压站运行安全的关键之一是有效地监控和管理作业人员的实时状态,由于海上升压站的作业环境复杂且危险,作业人员必须穿戴防护服、头盔、氧气瓶等装备,并承受高温、高压、高湿等恶劣条件。因此,采用先进的监控和管理***可以提高工作人员的安全性,并及时应对紧急情况。
以下是一些有效监控和管理作业人员实时状态的方法:
实时监测:使用传感器和监测设备来实时监测作业人员的生理参数,如体温、心率、血氧饱和度等,这些监测设备可以将数据传输到中央控制室,以便工作人员的健康状况得到及时评估。
位置跟踪:通过使用全球定位***(GPS)和无线通信技术,可以实时跟踪作业人员的位置,这可以确保在紧急情况下能够快速定位到作业人员,并采取相应的救援措施。
紧急呼叫***:在升压站的关键位置和作业区域设置紧急呼叫按钮或紧急呼叫设备,作业人员可以通过按下按钮或触发设备来发出紧急呼叫信号,以便中央控制室能够快速响应和采取行动。
视频监控:在关键区域安装摄像头,实时监控作业人员的工作状态和环境,有助于发现潜在的安全隐患,并及时采取措施。
通过以上方法,可以有效地监控和管理作业人员的实时状态,及时发现潜在的安全风险,并采取相应的措施,以确保海上升压站的安全运行。
传统的监控手段主要依靠人工观察和巡检,其存在一些弊端:由于人力资源有限,人工观察和巡检无法实时覆盖整个升压站的各个区域,可能存在盲区。同时,由于人工操作的限制,监控信息的获取和处理存在一定的延迟,无法及时反馈和响应。人工观察和巡检往往依赖于操作人员的主观判断和经验,存在主观性和个体差异,容易造成误判或忽视一些关键的安全隐患。在复杂和危险的海上升压站环境中,人工观察和巡检很可能让作业人员暴露在高风险的工作环境中,增加了他们的安全风险。人工观察和巡检需要大量的人力资源和时间,效率低下,特别是对于大型海上升压站来说,人工监控往往无法满足实时监控和管理的需求。
为了解决传统监控手段的弊端,现代海上升压站监控***通常采用自动化和智能化技术,如传感器网络、视频监控、远程监控和数据分析等,这些技术可以实时获取作业人员的状态信息,并通过智能算法和实时数据分析来识别和预警潜在的安全风险,提高监控的准确性和效率。此外,还可以结合人工智能和大数据分析,对监控数据进行深度挖掘和分析,提供更全面的安全管理和决策支持,这些先进的监控手段可以有效地弥补传统监控的不足,提高海上升压站的安全性和运行效率。
在本申请的一个实施例中,图1为本申请实施例中提供的一种海上升压站远程作业人员轨迹管控方法的流程图。图2为本申请实施例中提供的一种海上升压站远程作业人员轨迹管控方法的***架构的示意图。如图1和图2所示,根据本申请实施例的海上升压站远程作业人员轨迹管控方法,包括:110,获取由定位设备采集的作业人员的轨迹数据,所述轨迹数据为位置时序序列;120,获取由智能手环采集的所述作业人员的生理信号时序序列;130,提取所述轨迹数据的人员运动特征以得到运动模式语义理解特征向量;140,提取所述生理信号时序序列的人员生理状态特征以得到生理状态时序关联特征图;150,基于所述运动模式语义理解特征向量和所述生理状态时序关联特征图之间的跨模态交互特征,确定所述作业人员的健康状况等级。
针对上述技术问题,本申请的技术构思为结合基于深度学习的人工智能技术,将作业人员的轨迹数据和生理数据进行综合分析与特征交互融合处理,以从轨迹数据中学习作业人员的运动状态的同时,从生理数据中学习作业人员的生理状态,从而对作业人员的身体状况进行实时监测和管控。
基于此,在本申请的技术方案中,首先获取由定位设备采集的作业人员的轨迹数据,所述轨迹数据为位置时序序列;同时,获取由智能手环采集的所述作业人员的生理信号时序序列。应可以理解,轨迹数据可以反映作业人员的运动状态。具体来说,通过定位设备采集作业人员的轨迹数据,可以了解其在海上升压站内的位置和运动轨迹。这些数据可以用于分析和判断作业人员的活动范围、速度、频率等信息,进而了解其运动状态和工作强度。而生理信号可以反映作业人员的生理状态。具体来说,智能手环可以采集作业人员的生理信号,如心率、血压、体温等。这些生理信号可以反映作业人员的身体状况和健康状态。通过监测生理信号的变化,可以及时发现作业人员在面对高温、高压、高湿等恶劣环境时可能出现的身体不适或疲劳情况。
接着,将所述轨迹数据按照时间维度规整为位置时序输入向量后通过基于多尺度邻域特征提取模块的运动模式特征提取器以得到运动模式语义理解特征向量;同时,将所述生理信号时序序列按照时间维度和样本维度规整为生理信号时序输入矩阵后通过基于卷积神经网络模型的生理状态特征提取器以得到生理状态时序关联特征图。也就是,利用多尺度邻域特征提取模块来构建运动模式特征提取器,以捕捉所述轨迹数据中所蕴含的关于作业人员的运动模式特征,理解其运动状态和行为。于此同时,利用卷积神经网络模型来构建生理状态特征提取器,以从生理信号时序序列中提取出作业人员的时序生理状态特征,以更准确地了解其身体状况和健康状态。
在本申请的一个具体实施例中,提取所述轨迹数据的人员运动特征以得到运动模式语义理解特征向量,包括:将所述轨迹数据按照时间维度规整为位置时序输入向量;将所述位置时序输入向量通过基于多尺度邻域特征提取模块的运动模式特征提取器以得到所述运动模式语义理解特征向量。
在本申请的一个具体实施例中,提取所述生理信号时序序列的人员生理状态特征以得到生理状态时序关联特征图,包括:将所述生理信号时序序列按照时间维度和样本维度规整为生理信号时序输入矩阵;将所述生理信号时序输入矩阵通过基于卷积神经网络模型的生理状态特征提取器以得到所述生理状态时序关联特征图。
应可以理解,在本申请中,所述基于多尺度邻域特征提取模块的运动模式特征提取器,包括:相互并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在本申请的一个具体实施例中,将所述位置时序输入向量通过基于多尺度邻域特征提取模块的运动模式特征提取器以得到所述运动模式语义理解特征向量,包括:使用所述基于多尺度邻域特征提取模块的运动模式特征提取器的第一卷积层对所述位置时序输入向量进行一维卷积编码以得到第一尺度位置特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;使用所述基于多尺度邻域特征提取模块的运动模式特征提取器的第二卷积层对所述位置时序输入向量进行一维卷积编码以得到第二尺度位置特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;将所述第一尺度位置特征向量和所述第二尺度位置特征向量进行级联以得到所述运动模式语义理解特征向量。
在本申请的一个实施例中,基于所述运动模式语义理解特征向量和所述生理状态时序关联特征图之间的跨模态交互特征,确定所述作业人员的健康状况等级,包括:对所述运动模式语义理解特征向量和所述生理状态时序关联特征图进行跨模态特征分布融合以得到轨迹-生理跨模态响应融合特征图;将所述轨迹-生理跨模态响应融合特征图通过分类器以得到分类结果,所述分类结果用于表示所述作业人员的健康状况等级标签。
进一步地,将所述运动模式语义理解特征向量和所述生理状态时序关联特征图通过基于MetaNet模型的跨模态逐通道响应融合模块以得到轨迹-生理跨模态响应融合特征图。应可以理解,轨迹数据和生理信号来自于不同的数据源和传感器,代表了作业人员的运动状态和生理状态。通过跨模态融合,可以将两种不同模态的特征分布进行整合和交互,从而得到更全面的作业人员状态特征。这样可以更好地理解作业人员的整体状态,即将运动模式和生理状态相结合,提供更精确的健康状况表征。其中,MetaNet模块使一维特征向量,即所述运动模式语义理解特征向量与高维特征图,即所述生理状态时序关联特征图进行交互,直接控制每个特征通道的相关特性,帮助网络专注于每个特征通道的特定部分,以在特征融合过程中考虑不同特征通道之间的关联性和重要性。这有助于更好地融合运动模式和生理状态的特征,使得融合后的特征更具有代表性和区分度。
在本申请的一个具体实施例中,对所述运动模式语义理解特征向量和所述生理状态时序关联特征图进行跨模态特征分布融合以得到轨迹-生理跨模态响应融合特征图,包括:将所述运动模式语义理解特征向量和所述生理状态时序关联特征图通过基于MetaNet模型的跨模态逐通道响应融合模块以得到所述轨迹-生理跨模态响应融合特征图。
更具体地,将所述运动模式语义理解特征向量和所述生理状态时序关联特征图通过基于MetaNet模型的跨模态逐通道响应融合模块以得到所述轨迹-生理跨模态响应融合特征图,包括:将所述生理状态时序关联特征图通过所述基于MetaNet模型的跨模态逐通道响应融合模块的卷积神经网络以得到生理状态特征图;将所述运动模式语义理解特征向量通过所述基于MetaNet模型的跨模态逐通道响应融合模块的一维卷积层以得到运动模式关联特征向量;以及,以所述运动模式关联特征向量对所述生理状态特征图进行通道加权以得到所述轨迹-生理跨模态响应融合特征图。
然后,将所述轨迹-生理跨模态响应融合特征图通过分类器以得到分类结果,所述分类结果用于表示作业人员的健康状况等级标签。在本申请的实际应用场景中,通过所述分类器得到的分类结果,可以将作业人员划分为不同的健康状况等级。这些等级标签可以用于表示作业人员的身体状况和健康状态,如优秀、正常、警示等级。根据不同的等级,管理人员可以采取相应的措施,例如提供额外的休息时间、调整工作强度等,以保障作业人员的健康和安全。
在本申请的一个实施例中,所述海上升压站远程作业人员轨迹管控方法,还包括训练步骤:对所述基于多尺度邻域特征提取模块的运动模式特征提取器、所述基于卷积神经网络模型的生理状态特征提取器、所述基于MetaNet模型的跨模态逐通道响应融合模块和所述分类器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括由定位设备采集的作业人员的训练轨迹数据,由智能手环采集的所述作业人员的训练生理信号时序序列,以及,作业人员的健康状况等级标签的真实值,所述训练轨迹数据为训练位置时序序列;将所述训练轨迹数据按照时间维度规整为训练位置时序输入向量后通过所述基于多尺度邻域特征提取模块的运动模式特征提取器以得到训练运动模式语义理解特征向量;将所述训练生理信号时序序列按照时间维度和样本维度规整为训练生理信号时序输入矩阵后通过所述基于卷积神经网络模型的生理状态特征提取器以得到训练生理状态时序关联特征图;将所述训练运动模式语义理解特征向量和所述训练生理状态时序关联特征图通过所述基于MetaNet模型的跨模态逐通道响应融合模块以得到训练轨迹-生理跨模态响应融合特征图;对所述训练轨迹-生理跨模态响应融合特征图进行特征分布校正以得到校正后轨迹-生理跨模态响应融合特征图;将所述校正后轨迹-生理跨模态响应融合特征图通过分类器以得到分类损失函数值;以所述分类损失函数值来对所述基于多尺度邻域特征提取模块的运动模式特征提取器、所述基于卷积神经网络模型的生理状态特征提取器、所述基于MetaNet模型的跨模态逐通道响应融合模块和所述分类器进行训练。
在本申请的技术方案中,将所述训练生理信号时序序列按照时间维度和样本维度规整为训练生理信号时序输入矩阵后通过基于卷积神经网络模型的生理状态特征提取器后,得到的所述训练生理状态时序关联特征图的每个特征矩阵表达生理信号的时序-样本交叉维度局部关联特征,而各个特征矩阵间具有卷积神经网络模型的通道关联,而将所述训练运动模式语义理解特征向量和所述训练生理状态时序关联特征图通过基于MetaNet模型的跨模态逐通道响应融合模块后,所述训练生理状态时序关联特征图的各个特征矩阵间会进一步由所述训练运动模式语义理解特征向量所表达的位置信息多尺度局部时序关联特征分布约束,使得所述训练轨迹-生理跨模态响应融合特征图的通道维度上具有通道-时序混合分布约束,从而导致所述训练轨迹-生理跨模态响应融合特征图的特征矩阵间的通道分布相关性变差,使得所述训练轨迹-生理跨模态响应融合特征图通过分类器进行分类回归训练时,需要提升所述训练轨迹-生理跨模态响应融合特征图的通道维度特征分布整体性。
因此,本申请的申请人首先对所述训练轨迹-生理跨模态响应融合特征图进行线性变换以使得特征矩阵的宽度和高度相等,然后对转换后的轨迹-生理跨模态响应融合特征图进行基于特征矩阵的优化,表示为:对所述训练轨迹-生理跨模态响应融合特征图进行线性变换以使得特征矩阵的宽度和高度相等以得到转换后的轨迹-生理跨模态响应融合特征图;以及 ,以如下优化公式对所述转换后的轨迹-生理跨模态响应融合特征图进行特征分布校正以得到校正后轨迹-生理跨模态响应融合特征图;其中,所述优化公式为:,其中,/>和分别是所述转换后的轨迹-生理跨模态响应融合特征图的沿通道方向的第/>和第位置的特征矩阵,且/>是尺度调节超参数,/>是所述校正后轨迹-生理跨模态响应融合特征图的沿通道方向的第/>位置的特征矩阵,/>是所述转换后的轨迹-生理跨模态响应融合特征图的沿通道方向的第/>位置的特征矩阵的转置矩阵,是所述转换后的轨迹-生理跨模态响应融合特征图的沿通道方向的第/>位置的特征矩阵的倒数,/>表示按位置加法,/>表示按位置点乘,/>表示矩阵乘法。
这里,通过所述转换后的轨迹-生理跨模态响应融合特征图的具有通道相邻分布的特征矩阵的递进式结构化嵌入计算,来在高维特征空间内预测所述转换后的轨迹-生理跨模态响应融合特征图的局部特征分布沿通道的耦合分布方向,从而以分布递进中心为基础来确定基于通道耦合的迭代生成的传递图式表示,以经由细化所述转换后的轨迹-生理跨模态响应融合特征图整体沿通道维度由下而上的投影规范化提议的方式,来重建所述转换后的轨迹-生理跨模态响应融合特征图的以特征矩阵的场景布局为基础的上下文关系,从而提升所述转换后的轨迹-生理跨模态响应融合特征图的特征表示的通道维度整体性,以提升模型整体的训练效率。
综上,基于本申请实施例的海上升压站远程作业人员轨迹管控方法被阐明,其结合基于深度学习的人工智能技术,将作业人员的轨迹数据和生理数据进行综合分析与特征交互融合处理,以从轨迹数据中学习作业人员的运动状态的同时,从生理数据中学习作业人员的生理状态,从而对作业人员的身体状况进行实时监测和管控。
图3为本申请实施例中提供的一种海上升压站远程作业人员轨迹管控***的框图。如图3所示,所述海上升压站远程作业人员轨迹管控***200,包括:轨迹数据获取模块210,用于获取由定位设备采集的作业人员的轨迹数据,所述轨迹数据为位置时序序列;生理信号获取模块220,用于获取由智能手环采集的所述作业人员的生理信号时序序列;运动模式语义理解特征提取模块230,用于提取所述轨迹数据的人员运动特征以得到运动模式语义理解特征向量;人员生理状态特征提取模块240,用于提取所述生理信号时序序列的人员生理状态特征以得到生理状态时序关联特征图;健康状况等级确定模块250,用于基于所述运动模式语义理解特征向量和所述生理状态时序关联特征图之间的跨模态交互特征,确定所述作业人员的健康状况等级。
本申请提出了一种海上升压站远程作业人员轨迹管控***,该海上升压站远程作业人员轨迹管控***利用无线传感器网络、GPS定位、RFID识别等技术,实现了对作业人员的实时定位、轨迹跟踪、状态监测和异常报警等功能。该海上升压站远程作业人员轨迹管控***由以下几个部分组成:
作业人员终端:每个作业人员都配备一个终端设备,该设备包含一个无线传感器节点、一个GPS接收器、一个RFID标签和一个可穿戴式显示器。无线传感器节点用于采集作业人员的生理信号,如心率、血压、体温等,并通过无线通信将数据发送给基站。GPS接收器用于获取作业人员的位置信息,并与生理信号一起发送给基站。RFID标签用于在进出升压站时进行身份识别,以记录作业人员的进出时间和次数。可穿戴式显示器用于接收基站的指令和信息,如作业任务、路线规划、安全提示等,并显示在作业人员的视野内。
基站:基站是一个无线传感器网络的协调器,它负责接收和转发作业人员终端的数据,并将其通过有线或无线网络发送给远程监控中心。基站还负责向作业人员终端发送指令和信息,如作业任务、路线规划、安全提示等。
远程监控中心:远程监控中心是一个位于陆地上的服务器,它负责接收和处理基站发送的数据,并通过图形化界面显示给监控人员。远程监控中心可以实现以下功能:
实时定位:通过GPS定位数据,可以在地图上显示每个作业人员的位置,并用不同颜色表示其状态,如正常、异常、紧急等。
轨迹跟踪:通过GPS定位数据,可以绘制每个作业人员的运动轨迹,并用不同颜色表示其速度和方向。
状态监测:通过生理信号数据,可以监测每个作业人员的健康状况,并用不同颜色表示其风险等级,如低风险、中风险、高风险等。
异常报警:当检测到某个作业人员的位置或状态异常时,可以自动触发报警机制,并向相关人员发送报警信息,如短信、电话、邮件等。
数据分析:通过对历史数据进行统计和分析,可以评估海上升压站的运行效率和安全性能,并提出改进建议。
本申请提出的海上升压站远程作业人员轨迹管控***,可以有效地提高海上升压站的运行安全和作业效率,为海上油气开采提供了一种新的技术支撑。
本领域技术人员可以理解,上述海上升压站远程作业人员轨迹管控***中的各个步骤的具体操作已经在上面参考图1到图2的海上升压站远程作业人员轨迹管控方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的海上升压站远程作业人员轨迹管控***200可以实现在各种终端设备中,例如用于海上升压站远程作业人员轨迹管控的服务器等。在一个示例中,根据本申请实施例的海上升压站远程作业人员轨迹管控***200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该海上升压站远程作业人员轨迹管控***200可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该海上升压站远程作业人员轨迹管控***200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该海上升压站远程作业人员轨迹管控***200与该终端设备也可以是分立的设备,并且该海上升压站远程作业人员轨迹管控***200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图4为本申请实施例中提供的一种海上升压站远程作业人员轨迹管控方法的应用场景图。如图4所示,在该应用场景中,首先,获取由定位设备采集的作业人员的轨迹数据(例如,如图4中所示意的C1);以及,获取由智能手环采集的所述作业人员的生理信号时序序列(例如,如图4中所示意的C2);然后,将获取的轨迹数据和生理信号时序序列输入至部署有海上升压站远程作业人员轨迹管控算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于海上升压站远程作业人员轨迹管控算法对所述轨迹数据和所述生理信号时序序列进行处理,以确定所述作业人员的健康状况等级。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (4)
1.一种海上升压站远程作业人员轨迹管控方法,其特征在于,包括:
获取由定位设备采集的作业人员的轨迹数据,所述轨迹数据为位置时序序列;
获取由智能手环采集的所述作业人员的生理信号时序序列;
提取所述轨迹数据的人员运动特征以得到运动模式语义理解特征向量;
提取所述生理信号时序序列的人员生理状态特征以得到生理状态时序关联特征图;
基于所述运动模式语义理解特征向量和所述生理状态时序关联特征图之间的跨模态交互特征,确定所述作业人员的健康状况等级;
其中,提取所述轨迹数据的人员运动特征以得到运动模式语义理解特征向量,包括:
将所述轨迹数据按照时间维度规整为位置时序输入向量;
将所述位置时序输入向量通过基于多尺度邻域特征提取模块的运动模式特征提取器以得到所述运动模式语义理解特征向量;
其中,所述基于多尺度邻域特征提取模块的运动模式特征提取器,包括:相互并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核;
其中,将所述位置时序输入向量通过基于多尺度邻域特征提取模块的运动模式特征提取器以得到所述运动模式语义理解特征向量,包括:
使用所述基于多尺度邻域特征提取模块的运动模式特征提取器的第一卷积层对所述位置时序输入向量进行一维卷积编码以得到第一尺度位置特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;
使用所述基于多尺度邻域特征提取模块的运动模式特征提取器的第二卷积层对所述位置时序输入向量进行一维卷积编码以得到第二尺度位置特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;
将所述第一尺度位置特征向量和所述第二尺度位置特征向量进行级联以得到所述运动模式语义理解特征向量;
其中,基于所述运动模式语义理解特征向量和所述生理状态时序关联特征图之间的跨模态交互特征,确定所述作业人员的健康状况等级,包括:
对所述运动模式语义理解特征向量和所述生理状态时序关联特征图进行跨模态特征分布融合以得到轨迹-生理跨模态响应融合特征图;
将所述轨迹-生理跨模态响应融合特征图通过分类器以得到分类结果,所述分类结果用于表示所述作业人员的健康状况等级标签;
其中,对所述运动模式语义理解特征向量和所述生理状态时序关联特征图进行跨模态特征分布融合以得到轨迹-生理跨模态响应融合特征图,包括:
将所述运动模式语义理解特征向量和所述生理状态时序关联特征图通过基于MetaNet模型的跨模态逐通道响应融合模块以得到所述轨迹-生理跨模态响应融合特征图;
其中,将所述运动模式语义理解特征向量和所述生理状态时序关联特征图通过基于MetaNet模型的跨模态逐通道响应融合模块以得到所述轨迹-生理跨模态响应融合特征图,包括:
将所述生理状态时序关联特征图通过所述基于MetaNet模型的跨模态逐通道响应融合模块的卷积神经网络以得到生理状态特征图;
将所述运动模式语义理解特征向量通过所述基于MetaNet模型的跨模态逐通道响应融合模块的一维卷积层以得到运动模式关联特征向量;以及
以所述运动模式关联特征向量对所述生理状态特征图进行通道加权以得到所述轨迹-生理跨模态响应融合特征图。
2.根据权利要求1所述的海上升压站远程作业人员轨迹管控方法,其特征在于,提取所述生理信号时序序列的人员生理状态特征以得到生理状态时序关联特征图,包括:
将所述生理信号时序序列按照时间维度和样本维度规整为生理信号时序输入矩阵;
将所述生理信号时序输入矩阵通过基于卷积神经网络模型的生理状态特征提取器以得到所述生理状态时序关联特征图。
3.根据权利要求2所述的海上升压站远程作业人员轨迹管控方法,其特征在于,还包括训练步骤:对所述基于多尺度邻域特征提取模块的运动模式特征提取器、所述基于卷积神经网络模型的生理状态特征提取器、所述基于MetaNet模型的跨模态逐通道响应融合模块和所述分类器进行训练;其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括由定位设备采集的作业人员的训练轨迹数据,由智能手环采集的所述作业人员的训练生理信号时序序列,以及,作业人员的健康状况等级标签的真实值,所述训练轨迹数据为训练位置时序序列;
将所述训练轨迹数据按照时间维度规整为训练位置时序输入向量后通过所述基于多尺度邻域特征提取模块的运动模式特征提取器以得到训练运动模式语义理解特征向量;
将所述训练生理信号时序序列按照时间维度和样本维度规整为训练生理信号时序输入矩阵后通过所述基于卷积神经网络模型的生理状态特征提取器以得到训练生理状态时序关联特征图;
将所述训练运动模式语义理解特征向量和所述训练生理状态时序关联特征图通过所述基于MetaNet模型的跨模态逐通道响应融合模块以得到训练轨迹-生理跨模态响应融合特征图;
对所述训练轨迹-生理跨模态响应融合特征图进行特征分布校正以得到校正后轨迹-生理跨模态响应融合特征图;
将所述校正后轨迹-生理跨模态响应融合特征图通过分类器以得到分类损失函数值;
以所述分类损失函数值来对所述基于多尺度邻域特征提取模块的运动模式特征提取器、所述基于卷积神经网络模型的生理状态特征提取器、所述基于MetaNet模型的跨模态逐通道响应融合模块和所述分类器进行训练。
4.一种海上升压站远程作业人员轨迹管控***,其特征在于,包括:
轨迹数据获取模块,用于获取由定位设备采集的作业人员的轨迹数据,所述轨迹数据为位置时序序列;
生理信号获取模块,用于获取由智能手环采集的所述作业人员的生理信号时序序列;
运动模式语义理解特征提取模块,用于提取所述轨迹数据的人员运动特征以得到运动模式语义理解特征向量;
人员生理状态特征提取模块,用于提取所述生理信号时序序列的人员生理状态特征以得到生理状态时序关联特征图;
健康状况等级确定模块,用于基于所述运动模式语义理解特征向量和所述生理状态时序关联特征图之间的跨模态交互特征,确定所述作业人员的健康状况等级;
其中,提取所述轨迹数据的人员运动特征以得到运动模式语义理解特征向量,包括:
将所述轨迹数据按照时间维度规整为位置时序输入向量;
将所述位置时序输入向量通过基于多尺度邻域特征提取模块的运动模式特征提取器以得到所述运动模式语义理解特征向量;
其中,所述基于多尺度邻域特征提取模块的运动模式特征提取器,包括:相互并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核;
其中,将所述位置时序输入向量通过基于多尺度邻域特征提取模块的运动模式特征提取器以得到所述运动模式语义理解特征向量,包括:
使用所述基于多尺度邻域特征提取模块的运动模式特征提取器的第一卷积层对所述位置时序输入向量进行一维卷积编码以得到第一尺度位置特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;
使用所述基于多尺度邻域特征提取模块的运动模式特征提取器的第二卷积层对所述位置时序输入向量进行一维卷积编码以得到第二尺度位置特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;
将所述第一尺度位置特征向量和所述第二尺度位置特征向量进行级联以得到所述运动模式语义理解特征向量;
其中,基于所述运动模式语义理解特征向量和所述生理状态时序关联特征图之间的跨模态交互特征,确定所述作业人员的健康状况等级,包括:
对所述运动模式语义理解特征向量和所述生理状态时序关联特征图进行跨模态特征分布融合以得到轨迹-生理跨模态响应融合特征图;
将所述轨迹-生理跨模态响应融合特征图通过分类器以得到分类结果,所述分类结果用于表示所述作业人员的健康状况等级标签;
其中,对所述运动模式语义理解特征向量和所述生理状态时序关联特征图进行跨模态特征分布融合以得到轨迹-生理跨模态响应融合特征图,包括:
将所述运动模式语义理解特征向量和所述生理状态时序关联特征图通过基于MetaNet模型的跨模态逐通道响应融合模块以得到所述轨迹-生理跨模态响应融合特征图;
其中,将所述运动模式语义理解特征向量和所述生理状态时序关联特征图通过基于MetaNet模型的跨模态逐通道响应融合模块以得到所述轨迹-生理跨模态响应融合特征图,包括:
将所述生理状态时序关联特征图通过所述基于MetaNet模型的跨模态逐通道响应融合模块的卷积神经网络以得到生理状态特征图;
将所述运动模式语义理解特征向量通过所述基于MetaNet模型的跨模态逐通道响应融合模块的一维卷积层以得到运动模式关联特征向量;以及
以所述运动模式关联特征向量对所述生理状态特征图进行通道加权以得到所述轨迹-生理跨模态响应融合特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410044541.8A CN117828335B (zh) | 2024-01-12 | 2024-01-12 | 海上升压站远程作业人员轨迹管控***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410044541.8A CN117828335B (zh) | 2024-01-12 | 2024-01-12 | 海上升压站远程作业人员轨迹管控***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117828335A CN117828335A (zh) | 2024-04-05 |
CN117828335B true CN117828335B (zh) | 2024-06-04 |
Family
ID=90519131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410044541.8A Active CN117828335B (zh) | 2024-01-12 | 2024-01-12 | 海上升压站远程作业人员轨迹管控***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117828335B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115002903A (zh) * | 2022-07-28 | 2022-09-02 | 中集海洋工程有限公司 | 用于海上装备内部空间的人员轨迹定位***及测试方法 |
WO2023226228A1 (zh) * | 2022-05-27 | 2023-11-30 | 福建天甫电子材料有限公司 | 用于电子级双氧水制备的智能化有毒有害气体报警*** |
CN117257302A (zh) * | 2023-09-20 | 2023-12-22 | 湖北万维科技发展有限责任公司 | 人员心理健康状态评估方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4413500A1 (en) * | 2021-10-05 | 2024-08-14 | Neumora Therapeutics, Inc. | Machine learning systems for processing multi-modal patient data |
-
2024
- 2024-01-12 CN CN202410044541.8A patent/CN117828335B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023226228A1 (zh) * | 2022-05-27 | 2023-11-30 | 福建天甫电子材料有限公司 | 用于电子级双氧水制备的智能化有毒有害气体报警*** |
CN115002903A (zh) * | 2022-07-28 | 2022-09-02 | 中集海洋工程有限公司 | 用于海上装备内部空间的人员轨迹定位***及测试方法 |
CN117257302A (zh) * | 2023-09-20 | 2023-12-22 | 湖北万维科技发展有限责任公司 | 人员心理健康状态评估方法及*** |
Non-Patent Citations (2)
Title |
---|
产品设计中的触觉体验研究;曾栋;周砖;程海峰;李坤刚;仇式鹏;;包装工程;20200120(02);全文 * |
基于物联网技术的电力作业安全管控平台设计;倪蕙;王玉丽;;电力安全技术;20191220(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117828335A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113673459B (zh) | 基于视频的生产施工场所安全巡检方法、***、设备 | |
CN116165981B (zh) | 一种工业行业安全生产智能监控*** | |
CN117035419B (zh) | 企业项目实施智能管理***及方法 | |
CN116228186A (zh) | 基于人因工程的船舶机舱智能运维*** | |
US20230186634A1 (en) | Vision-based monitoring of site safety compliance based on worker re-identification and personal protective equipment classification | |
CN118071159B (zh) | 一种基于gpt的智慧园区安全应急管理***及方法 | |
CN114926778A (zh) | 一种生产环境下的安全帽与人员身份识别*** | |
CN115223249A (zh) | 一种基于机器视觉的井下人员不安全行为快速分析与识别方法 | |
Sun et al. | Dynamic human systems risk prognosis and control of lifting operations during prefabricated building construction | |
CN117828335B (zh) | 海上升压站远程作业人员轨迹管控***及方法 | |
CN117523499A (zh) | 基于北斗定位与感知的森林防火监测方法及*** | |
CN113095160A (zh) | 基于人工智能和5g的电力***人员安全行为识别方法及*** | |
CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
CN116708152A (zh) | 基于机器学习的无线网路设备故障根因定位方法及*** | |
CN111353465A (zh) | 基于深度学习技术的变电站人员行为分析方法及*** | |
CN115829324A (zh) | 一种人员安全风险静默监视方法 | |
CN115909645A (zh) | 一种车间生产安全预警***和预警方法 | |
CN117975372B (zh) | 一种基于YOLOv8和Transformer编码器相结合的工地安全检测***及方法 | |
CN116579609B (zh) | 一种基于巡检过程中的违规操作分析方法 | |
CN220526358U (zh) | 一种基于ar眼镜的煤矿下智能化作业指导及监测*** | |
CN118350652B (zh) | 用于变电站作业人员的安全防护方法及*** | |
CN113780224B (zh) | 一种变电站无人化巡视方法及*** | |
CN114067437B (zh) | 一种基于定位和视频监控数据的脱管检测方法及*** | |
CN117854007A (zh) | 一种基于人工智能技术突发事故检测的方法 | |
Menghao et al. | Research on the Application of Artificial Intelligence Technology in Safety Control of Electric Power Operation Site |
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 |