基于AI视觉技术的作业人员合规性检测方法与流程

基于ai视觉技术的作业人员合规性检测方法
技术领域
1.发明涉及合规性检测的领域,尤其涉及基于ai视觉技术的作业人员合规性检测方法。


背景技术：

2.工厂作业人员在进行生产过程中，作业的合规性是不可避免的，合规性包括多个范围，如机器操作的合规性、时间管理的合规性、衣着的合规性等等，这些对于生产都起着极其重要的作用。
3.专利cn111915407a公开了一种对象合规性检测方法及系统，根据输入的待检测对象的对象标识，获取所述待检测对象的对象信息；确定输入所述对象标识的用户对应的目标合规性检测模型，并将所述对象信息输入所述目标合规性检测模型；根据所述目标合规性检测模型的输出，确定所述待检测对象的检测结果。本说明书中针对每个用户，可以采用针对性的目标合规性检测模型进行合规性检测，且只需要输入待检测对象的对象标识，即可自动得到待检测对象的检测结果，不需要用户一一检测，极大的解放了人力，且提供了待检测对象的检测效率。
4.现有方法中并未对合规性建立统一的标准体系，合规性具体包括的范围有哪些，建立标准体系后如何对数据进行准确的识别与处理，从而判断作业人员的合规与否是亟需解决的问题。


技术实现要素：

5.为了克服现有技术存在的缺点与不足,本发明提供基于ai视觉技术的作业人员合规性检测方法。
6.本发明所采用的技术方案是，该方法包括步骤为：
7.步骤s1：构建作业人员合规性检测标准体系，检测标准体系是对作业人员合规性进行检测的基准，当作业人员的标准要求数据高于基准时，则作业人员合规，否则，不合规。
8.步骤s2：收集作业人员标准体系数据，利用数据收集器进行收集；
9.步骤s3：通过利用执行改进的k-means聚类算法确定作业人员特征检测指标，该步骤是作业人员合规性检测的核心，利用算法对作业人员的大量数据进行特征提取与分类；
10.步骤s4：实现作业人员合规性检测，将检测结果以日常合规性曲线的方式呈现，方便查阅。
11.所述步骤s1中，合规性检测标准体系分为六个部分，包括穿着标准要求、语言标准要求、机器操作标准要求、行为动作标准要求、时间标准要求、定位标准要求。
12.进一步地，所述步骤s2中，在作业人员合规性检测中利用的检测工具是合规性检测标准体系数据收集器，检测工作通过扫描的方式获取作业人员合规性检测标准体系内容数据，进入步骤s3得出作业人员标准要求特征的选择聚类结果；终端逐个启动检查，并对比合规性检测标准体系标准，符合检查标准，则进入下一项检查；不符合标准，则违规扣分，然
后进行下一项扫描，直到所有标准要求扫描完成，检测工具的基础上，接入一个存储条，当整个扫描项目结束后，在存储条里记录整个扫描结果项目，该记录可以导出或者上报控制台。
13.进一步地，所述步骤s3中，作业人员数据特征提取与分类的步骤为：首先利用kl变换对作业人员数据进行压缩与简化，同时对简化后的数据进行比对，判断是否有异常数据，若有，剔除后进行分析；然后利用基于kl散度和k-means算法进行用作业人员数据信息的特征提取与分类，对不同类型的作业人员数据进行划分；最后对分类后的所有作业人员的数据进行综合，绘制出工作人员的综合日常合规性曲线。
14.进一步地，所述k-means算法的关键步骤为确定聚类的个数i和初始聚类中心，初始聚类中心影响到同一簇内数据点的平均距离z；
15.聚类的个数i的确定步骤为：首先，i值取1，2，4，6，8，
…
，k，通过k-means算法计算平均距离z值；
16.然后，平均距离z的变化趋势表达式为：
[0017][0018]
最后，通过比较δe的大小，从而确定簇内平均距离率变换最快的区间，即确定：
[0019]
i∈[2
e-2
，2e]
[0020]
利用2分法，进一步缩小其区间范围，最终可求得i值。
[0021]
进一步地，所述初始聚类中心的确定利用基于kl散度的方法确认初始聚类中心，具体步骤为：
[0022]
w＝{f1，f2，f3，
…
，fi}为对象集合，n对象对m对象的kl散度表达式为：
[0023][0024]
差异值矩阵x由元素z
nm
构成，表示n对象与m对象的距离，对其每一行元素升序排序；
[0025]
分别按行计算每个对象到其他对象的平均距离,表达式为:
[0026][0027]
删除差异值矩阵x第n行中与fn距离大于的对象，计算剩余对象到fn的平均距离并统计出和fn距离小于的个数in,所有对象的密度值的表达式为:
[0028][0029]
比较所有对象的密度值hn，表示平均距离的平方值，当其为最大值时，确定其为第一个中心点；
[0030]
根据每一个对象hn的大小，对fn降序排序；按照重新排序得到的序列依次处理其他对象，直至选取了i个中心点；
[0031]
若上述步骤选取的中心点不够，说明密度选的较大，将减少一半，重新选取，直至可以选取满足要求的初始聚类中心。
[0032]
进一步地，所述步骤s3中，将选择出的每一个作业人员标准要求特征看做一簇，假设选择出的特征数量为a，则两个特征间的相似度即为特征簇之间的距离，两个随机特征变量n与m之间的相似度可以表示为：
[0033][0034]
其中，函数var(n)表示的是变量n的方差，而函数cov(n,m)则表示特征变量m的协方差，公式中特征变量n与m均属于a，根据相似度的计算结果设置阙值θ。
[0035]
进一步地，判断a(n，m)的计算结果满足如下公式中的条件：
[0036]
a(n，m)＞θ
[0037]
若得出的相似度计算结果满足公式中的约束条件，则将n和m对应的两个特征簇合并成为一簇，实现选择特征的聚类处理，并在当前簇数量a的基础上减一，通过循环迭代计算选择的所有特征之间的相似度，直到类之间的相似度均小于设置的阙值θ时聚类结果，得出的结果即为作业人员标准要求特征的选择聚类结果。
[0038]
本发明提出一种基于al视觉技术的作业人员合规性检测方法，对现有方法中建立合规性统一的标准体系，包括六个标准要求，通过利用算法对采集的作业人员数据进行特征提取与分类处理，最后与基准进行比较，判断出作业人员规性与否，该方法简单、快捷、准确率高可进行大规模的推广。
附图说明
[0039]
图1为本发明方法流程图；
[0040]
图2为本发明的检测标准体系架构图；
[0041]
图3为本发明的算法流程图。
具体实施方式
[0042]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本技术作进一步详细说明。
[0043]
如图1所示,基于ai视觉技术的作业人员合规性检测方法，利用ai视觉设备获取作业人员的基础数据，本发明中的ai视觉设备指高清摄像头，随后利用边缘网络对基础数据进行智能解算、对比、判断。该方法包括步骤为：
[0044]
步骤s1：构建作业人员合规性检测标准体系，检测标准体系是对作业人员合规性进行检测的基准，当作业人员的标准要求数据高于基准时，则作业人员合规，否则，不合规。
[0045]
步骤s2：收集作业人员标准体系数据，利用数据收集器进行收集；
[0046]
步骤s3：通过利用执行改进的k-means聚类算法确定作业人员特征检测指标，该步骤是作业人员合规性检测的核心，利用算法对作业人员的大量数据进行特征提取与分类；
[0047]
步骤s4：实现作业人员合规性检测，将检测结果以日常合规性曲线的方式呈现，方便查阅。
[0048]
步骤s1中，合规性检测标准体系分为六个部分，包括穿着标准要求、语言标准要
求、机器操作标准要求、行为动作标准要求、时间标准要求、定位标准要求。
[0049]
穿着标准要求指作业人员有没有按照规定要求穿着特定的工作服装、以及穿着是否规范；语言标准要求指作业人员与作业人员之间的表述、以及相应的文档记录是否规范；机器操作标准要求指作业人员对机器的操作是否符合安全生产规范，出现违规操作的情况；行为动作标准要求指作业人员的行为举止是否符合生产要求的规范；时间标准要求指作业人员是否按时进行作业，作业时是否出现误打卡的情况；定位标准要求指作业人员在作业时的定位是否准确，出现替定位的情况。
[0050]
如图2所示，步骤s2中，在作业人员合规性检测中利用的检测工具是合规性检测标准体系数据收集器，检测工作通过扫描的方式获取作业人员合规性检测标准体系内容数据，进入步骤s3得出作业人员标准要求特征的选择聚类结果；终端逐个启动检查，并对比合规性检测标准体系标准，符合检查标准，则进入下一项检查；不符合标准，则违规扣分，然后进行下一项扫描，直到所有标准要求扫描完成，检测工具的基础上，接入一个存储条，当整个扫描项目结束后，在存储条里记录整个扫描结果项目，该记录可以导出或者上报控制台。
[0051]
步骤s3中，作业人员数据特征提取与分类的步骤为：首先利用kl变换(karhunen-loeve变换)对作业人员数据进行压缩与简化，同时对简化后的数据进行比对，判断是否有异常数据，若有，剔除后进行分析；然后利用基于kl散度和k-means算法进行用作业人员数据信息的特征提取与分类，对不同类型的作业人员数据进行划分；最后对分类后的所有作业人员的数据进行综合，绘制出工作人员的综合日常合规性曲线。
[0052]
传统的k-means算法简单，效率高，是一种适用性较高的聚类算法。但是该算法同时存在聚类个数和初始聚类中心困难的问题，最终可能导致聚类结果陷入局部最优解的缺陷。因此，为改进k-means算法的性能，结kl散度，提出了一种新的分类特征提取算法。
[0053]
如图3所示，k-means算法的关键步骤为确定聚类的个数i和初始聚类中心，初始聚类中心影响到同一簇内数据点的平均距离z；
[0054]
聚类的个数i的确定步骤为：首先，i值取1，2，4，6，8，
…
，k，通过k-means算法计算平均距离z值；
[0055]
然后，平均距离z的变化趋势表达式为：
[0056][0057]
最后，通过比较δe的大小，从而确定簇内平均距离率变换最快的区间，即确定：
[0058]
i∈[2
e-2
，2e]
[0059]
利用2分法，进一步缩小其区间范围，最终可求得i值。
[0060]
对于初始聚类中心的问题，基于距离度量的特征分类方法，一般采用数据密度进行分析。一般情况下，同簇内数据点分布比较密集而离中心点近处的密度比较大，离中心较远处的密度会相对较小。如果某一数据对象附近的数据密度较大，同时其它对象与其距离越小，说明该对象能够较好地反映数据分布特征，比较适合作为初始聚类中心。
[0061]
初始聚类中心的确定利用基于kl散度的方法确认初始聚类中心，具体步骤为：
[0062]
w＝{f1，f2，f3，
…
，fi}为对象集合，n对象对m对象的kl散度表达式为：
[0063]
[0064]
差异值矩阵x由元素z
nm
构成，表示n对象与m对象的距离，对其每一行元素升序排序；
[0065]
分别按行计算每个对象到其他对象的平均距离，表达式为：
[0066][0067]
删除差异值矩阵x第n行中与fn距离大于的对象，计算剩余对象到fn的平均距离并统计出和fn距离小于均个数in，所有对象的密度值的表达式为：
[0068][0069]
比较所有对象的密度值hn，表示平均距离的平方值，当其为最大值时，确定其为第一个中心点；
[0070]
根据每一个对象hn的大小，对fn降序排序；按照重新排序得到的序列依次处理其他对象，直至选取了i个中心点；
[0071]
若上述步骤选取的中心点不够，说明密度选的较大，将减少一半，重新选取，直至可以选取满足要求的初始聚类中心。
[0072]
步骤s3中，将选择出的每一个作业人员标准要求特征看做一簇，假设选择出的特征数量为a，则两个特征间的相似度即为特征簇之间的距离，两个随机特征变量n与m之间的相似度可以表示为：
[0073][0074]
其中，函数var(n)表示的是变量n的方差，而函数cov(n，m)则表示特征变量m的协方差，公式中特征变量n与m均属于a，根据相似度的计算结果设置阙值θ。
[0075]
判断a(n，m)的计算结果满足如下公式中的条件：
[0076]
a(n，m)＞θ
[0077]
若得出的相似度计算结果满足公式中的约束条件，则将n和m对应的两个特征簇合并成为一簇，实现选择特征的聚类处理，并在当前簇数量a的基础上减一，通过循环迭代计算选择的所有特征之间的相似度，直到类之间的相似度均小于设置的阙值θ时聚类结果，得出的结果即为作业人员标准要求特征的选择聚类结果。
[0078]
将作业人员标准要求特征的选择聚类结果与基准进行对比，判断出作业人员的合规性实现作业人员合规性检测。
[0079]
本发明提出一种基于ai视觉技术的作业人员合规性检测方法，对现有方法中建立合规性统一的标准体系，包括六个标准要求，通过利用算法对采集的作业人员数据进行特征提取与分类处理，最后与基准进行比较，判断出作业人员的合规性与否，该方法简单、快捷、准确率高可进行大规模的推广。
[0080]
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。