一种危险感知的智能头盔及感知系统的制作方法

1.本发明涉及危险感知领域，具体涉及一种危险感知的智能头盔及感知系统。


背景技术：

2.施工场景下，环境比较嘈杂，多种器械工作发出的声音一直影响着在场的工人，而长期处于声音较高的环境内，听力水平或多或少出现损害，这导致有些人注意不到周围的危险情况；或骑行场景下，因头戴头盔导致听力受阻或观察能力受阻而不能及时感知周围环境状况；上述场景下均会由于不能及时察觉周围状况导致事故的发生，而现有的头盔仅仅具有保护功能，没有危险感知功能，从而不能提前感知危险并避免事故的发生。


技术实现要素：

3.为了解决上述技术问题，本发明的目的在于提供一种危险感知的智能头盔及感知系统，所采用的技术方案具体如下：第一方面，本发明一个实施例提供了一种危险感知的智能头盔，该智能头盔包括：头盔本体、声音采集装置、处理器和危险预警装置；所述声音采集装置部署在头盔本体上，用于采集至少一个方向上的声音信号；所述处理器分别与声音采集装置和危险预警装置相连接，处理器包括预处理单元和预测单元；其中，预处理单元用于基于声音信号获取声音特征信息，以及基于声音信号获取头盔与声源的距离；预测单元用于利用tcn网络对所述声音特征信息和距离进行处理，获取危险状况的危险程度和人员感知到危险时所需的反应时间；其中，根据训练样本中距离样本的准确度和训练样本对应的反应时间训练标签的代表性计算每组训练样本的重要程度，利用训练样本的重要程度对均方误差损失加权得到训练tcn网络所用损失；所述危险预警装置部署在头盔本体上，用于在反应时间内未检测到人员做出反应动作时，基于危险状况的危险程度执行相应的危险预警动作。
4.所述声音特征信息为对声音采集装置采集的声音信号进行处理后得到的声压数据。
5.根据声压数据的最大值获取危险状况的危险程度训练标签。
6.根据计算得到的头盔与声源的距离与头盔与声源间的实际距离的差值计算训练样本中距离样本的准确度。
7.反应时间训练标签的代表性的获取具体为：获取不同人员对不同的危险状况进行危险感知时所需的反应时间，得到反应时间训练标签；计算任意两种危险状况的危险程度差异，基于所述危险程度差异对危险状况进行分组，进而将反应时间训练标签分为若干个反应时间组，以组为单位，根据反应时间组内每个反应时间与组内其他反应时间的差异，计算每个反应时间训练标签的代表性。
8.所述任意两种危险状况的危险程度差异的获取具体为：
每种危险状况对应一个声源，以声源为轨迹参考点，每个轨迹参考点对应一个人员轨迹，基于相同的人员轨迹，获取每种危险状况对应的危险程度序列；根据所述任意两种危险状况对应的危险程度序列的相似度计算所述任意两种危险状况的危险程度差异。
9.第二方面，本发明另一个实施例提供了一种感知系统，该系统用于智能头盔，具体包括：数据获取模块，用于基于至少一个方向上的声音信号获取声音特征信息以及头盔与声源间的距离；数据处理模块，用于利用tcn网络对所述声音特征信息和距离进行处理，获取危险状况的危险程度和人员感知到危险时所需的反应时间；其中，根据训练样本中距离样本的准确度和训练样本对应的反应时间训练标签的代表性计算每组训练样本的重要程度，利用训练样本的重要程度对均方误差损失加权得到训练tcn网络所用损失；危险预警模块，用于在反应时间内未检测到人员做出反应动作时，基于危险状况的危险程度生成相应的危险预警提示。
10.本发明实施例至少具有如下有益效果：本发明的智能头盔可基于声音信号和头盔距声源的距离预测危险状况的危险程度和人员感知危险所需反应时间，且可根据危险状况的危险程度执行相应的危险预警动作，因此本发明的智能头盔具有危险感知功能。此外，本发明训练tcn网络时考虑了训练样本的重要程度，对不准确的训练样本和不具有代表性的训练样本进行剔除，使tcn更好的进行特征学习，因此，本发明中训练得到的tcn网络可以实现危险状况危险程度和所述反应时间的精准预测。
附图说明
11.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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它附图。
12.图1为本发明智能头盔的示意图；图2为本发明tcn网络的训练流程示意图；图3为本发明系统实施例的模块构成图。
具体实施方式
13.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种危险感知的智能头盔及感知系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
14.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
15.本发明适用于需要佩戴头盔的施工场景以及骑行场景，优选地，本发明实施例以
施工场景为例进行详细说明。
16.下面结合附图具体的说明本发明所提供的一种危险感知的智能头盔及感知系统的具体方案。
17.本发明一个实施例提供了一种危险感知的智能头盔，该智能头盔包括：头盔本体、声音采集装置、处理器和危险预警装置；所述声音采集装置部署在头盔本体上，用于采集至少一个方向上的声音信号；所述处理器分别与声音采集装置和危险预警装置相连接，处理器包括预处理单元和预测单元；其中，预处理单元用于基于声音信号获取声音特征信息，以及基于声音信号获取头盔与声源的距离；预测单元用于利用tcn网络对所述声音特征信息和距离进行处理，获取危险状况的危险程度和人员感知到危险时所需的反应时间；其中，根据训练样本中距离样本的准确度和训练样本对应的反应时间训练标签的代表性计算每组训练样本的重要程度，利用训练样本的重要程度对均方误差损失加权得到训练tcn网络所用损失；所述危险预警装置部署在头盔本体上，用于在反应时间内未检测到人员做出反应动作时，基于危险状况的危险程度执行相应的危险预警动作。如图1所示为本发明智能头盔示意图，图中1为头盔本体，2为声音采集装置，3为危险预警装置。处理器可设置于头盔本体内部。
18.下面对上述内容进行详细展开：由于施工环境过于嘈杂，经常有各式各样的声音影响人的判断，同时有些大型机械由于视角原因存在视野盲区，从而导致工程事故的发生；因此，在工地员工的头盔上设置声音采集装置来检测周围声音，基于所采集的声音来提醒佩戴者注意安全。
19.优选地，实施例中包括四个声音采集装置，且声音采集装置均匀的分布在头盔的四周，即采用方形分布方法，前后左右各安装一个声音采集装置，其中，除了位于头盔前方的声音采集装置，位于其他三个方向上的声音采集装置采集的声音信号需要进行一定程度上的物理降噪，降噪程度取决于能够和前方声音采集装置采集到的声音区别出来，从而能够简单区分出声音方向。实施例中声音采集装置采用10khz的采样频率，对周期环境的声音进行检测。声音的采集为常规的录音，定期对录音进行分析处理，实施例中处理的窗时间为3秒一次；实施例中基于机械发出的声音进行危险程度的预测，因此，实施例对获取到的声音进行滤波处理，消除人声等常规声音，保留由机械发出的声音。
20.所述声音特征信息为对声音采集装置采集的声音信号进行处理后得到的声压数据；基于声音采集装置采集到的声音信号序列，可得到相应的声压序列，需要说明的是，每个声音采集装置对应一个声压序列。
21.优选地，实施例中基于声音信号获取头盔与声源的距离的方法为，根据四个声音采集装置采集声音信号的相位差可粗略估计头盔与声源之间的距离；具体地：由于声音传播的特性，在不同方位会先后接收到该声音信号，因此，对声音信号的前后差异，进行处理，得到每个声音采集装置所采集声音信号相对于其他声音采集装置所采集声音信号的相位时间差；声速已知，由相位差产生的距离也已知，声音采集装置之间的差异距离也已知，根据这些信息，将差异距离加上一未知数，以各个声音采集装置自身位置为圆心做圆，从而大致确定头盔与声源之间的距离；需要注意，计算距离的方法类比于三点定位法。需要说明，本发明中声源即表示危险源。
22.tcn网络的训练过程可以在处理器上完成，也可在服务器或云端完成；由于在处理器上完成tcn的训练过程对处理器的要求较高，因此，实施例中在服务器或云端完成tcn网络的训练过程；具体地，图2为本发明tcn网络的训练流程示意图，tcn网络的训练过程为：(1)获取训练样本和训练样本对应的训练标签：tcn网络的输入为声音特征信息和头盔与声源间的距离，因此每组训练样本中包括声音特征信息样本和距离样本；不同危险状况下，不同人员佩戴头盔在不同位置，进行声音信号的采集，基于采集的声音信号可得到多组训练样本。
23.tcn网络的输出为危险状况的危险程度和人员感知到危险时所需的反应时间，因此，每组训练样本对应的训练标签包括危险状况的危险程度训练标签和反应时间训练标签。
24.一种实施方式中，根据声压数据的最大值获取危险状况的危险程度训练标签，即：dg表示危险状况的危险程度，v
max
表示声压序列中数据的最大值。
25.另一种实施方式中，根据声源相对于头盔的位置为声音采集装置设置方向系数，与声源距离近的声音采集装置间的方向系数要大于与声源距离远的声音采集装置，且方向系数和声源所在位置被发现的难易程度也有关，利用方向系数为声压序列中的声压数据进行加权，即根据声压大小和声源的方位信息计算危险状况的危险程度：dg表示危险状况的危险程度，v表示声压序列中的声压数据，下标a、b、c、d表示位于头盔前、左、右、后四个方向的声音采集装置，α、β、γ、δ为声音采集装置对应的方向系数；实施例中，若声源在头盔前方(a方向)，则α为1，其他方向系数为0.8；若声源在左或右方(b或c方向)，则β或γ为1.5，其他方向系数为1；若声源在后方(d方向)，则δ为3，其他方向系数为1。
26.反应时间训练标签的获取具体为：佩戴者在听到一个比较危险的声音时，正常情况下会下意识的做出反应动作，例如抬头或扭头观察，获取人员做出反应动作的时间；根据声音采集装置最早采集到危险声音时的时间和人员做出反应动作的时间可以得到人员感知到危险时所需的反应时间。优选地，所述智能头盔上还包括振动传感器，振动传感器位于危险预警装置内，利用所述振动传感器检测人员是否做出反应动作，具体地，当振动传感器的数据发生大幅度变化时，本发明认为人员做出反应动作。
27.(2)计算每组训练样本的重要程度：根据训练样本中距离样本的准确度和训练样本对应的反应时间训练标签的代表性计算每组训练样本的重要程度，具体地，训练样本中距离样本的准确度和训练样本对应的反应时间训练标签的代表性的乘积为训练样本的重要程度。
28.根据计算得到的头盔与声源的距离与头盔与声源间的实际距离的差值计算训练样本中距离样本的准确度，优选地：，e表示距离样本的准确度，e值越大，说明距离样本越准确，x表示头盔与声源间的实际距离，可在各个机械(危险源)上和智能头盔上
设置gps定位装置，gps定位装置具有数据发送功能，可将获取的距离信息发送给服务器或云端，基于gps信息获取x，x为基于声音信号估计的头盔与声源之间的距离。
29.反应时间训练标签的代表性的获取具体为：获取不同人员对不同的危险状况进行危险感知时所需的反应时间，得到反应时间训练标签；计算任意两种危险状况的危险程度差异，基于所述危险程度差异对危险状况进行分组，进而将反应时间训练标签分为若干个反应时间组，以组为单位，根据反应时间组内每个反应时间与组内其他反应时间的差异，计算每个反应时间训练标签的代表性，具体地：t表示一个反应时间训练标签的代表性，n表示反应时间组内反应时间的个数，t表示待计算代表性的反应时间，tn为组内其他第n个反应时间；t值越大，说明反应时间越具有代表性，越可以表示大多人员遇到该危险状况时的反应时间。计算反应时间代表性的原因为不同的人遇到同样一种危险情况时其反应时间是不一样的。
30.优选地，任意两种危险状况的危险程度差异的获取具体为：每种危险状况对应一个声源，以声源为轨迹参考点，每个轨迹参考点对应一个人员轨迹，基于相同的人员轨迹，获取每种危险状况对应的危险程度序列；根据所述任意两种危险状况对应的危险程度序列的相似度计算所述任意两种危险状况的危险程度差异：u表示所述任意两种危险状况的危险程度差异，u值越小，说明所述任意两种危险状况对应的危险程度的差异越小，也即所述任意两种危险状况对应的危险程度越相同，和分别为所述任意两种危险状况对应的危险程度序列；dtw为动态时间规整函数，ppmcc为皮尔逊相关系数。
31.优选地，实施例基于任意两种危险状况对应的危险程度差异，利用dbscan算法，对危险状况进行聚类分组，每个组内危险状况的危险程度相同或相近。
32.(3)结合训练样本的重要程度获取训练tcn所用损失函数，具体地，利用训练样本的重要程度对均方误差损失加权得到训练tcn网络所用损失：loss为训练tcn网络所用损失，lossi为第i个训练样本的均方误差损失，ei为第i个训练样本中距离数据的准确度，ti为第i个训练样本对应的反应时间训练标签的代表性；上述损失函数表征的意义为，训练样本中距离样本的准确度和训练样本对应的反应时间训练标签的代表性的乘积值越大，说明该训练样本越重要，越需要根据该训练样本进行tcn网络参数的调整；反之，乘积值越小，说明该训练样本越不重要，越不需要根据该训练样本进行tcn网络参数的调整。
33.一个实施方式中，当将训练样本分为多个训练批次时，训练tcn所用损失函数loss为：
i为一个训练批次中包括的训练样本数，lossi为一个训练批次中第i个训练样本的均方误差损失，ei为一个训练批次中第i个训练样本中距离数据的准确度，ti为一个训练批次中第个训练样本对应的反应时间训练标签的代表性。
34.(4)根据训练样本和所述损失函数完成tcn网络的训练，具体地，当损失函数收敛时，完成tcn网络的训练。
35.至此，完成tcn网络的训练。
36.所述危险预警装置部署在头盔本体上，用于在反应时间内未检测到人员做出反应动作时，基于危险状况的危险程度执行相应的危险预警动作。
37.危险预警装置包括动作检测单元和动作执行单元，动作检测单元与处理器中的预测单元相连接，用于检测在反应时间内人员是否做出反应动作，若没有，则根据危险状况的危险程度生成相应的预警指令；动作执行单元与动作检测单元相连接，用于接收预警指令，并基于预警指令执行危险预警动作。
38.一个实施方式中，检测人员是否做出反应动作的动作检测单元是基于振动传感器的。
39.一个实施方式中，动作执行单元执行的危险预警动作可以是声音提示，也可以是振动头盔，危险状况越危险，危险预警动作越紧急；具体地，动作执行单元可以是微型振动马达，实施例以振动头盔为例，说明人员在反应时间内未做出反应动作时，不同危险程度的危险状况对应的危险预警动作：对危险程度进行分级，轻度危险，对应轻微提醒，即动作执行单元产生轻微振动，频率较低，提醒佩戴者进行规避；中度危险，动作执行单元产生中度振动，振动频率适中；高度危险，动作执行单元产生高频振动，振动频率较高。需要说明，动作执行单元执行的危险预警动作可以由佩戴者自行取消。
40.请参阅图3，其示出了本发明一个实施例提供的一种感知系统的模块构成图，该系统用于智能头盔，具体地，该系统包括：数据获取模块，用于基于至少一个方向上的声音信号获取声音特征信息以及头盔与声源间的距离；数据处理模块，用于利用tcn网络对所述声音特征信息和距离进行处理，获取危险状况的危险程度和人员感知到危险时所需的反应时间；其中，根据训练样本中距离样本的准确度和训练样本对应的反应时间训练标签的代表性计算每组训练样本的重要程度，利用训练样本的重要程度对均方误差损失加权得到训练tcn网络所用损失；危险预警模块，用于在反应时间内未检测到人员做出反应动作时，基于危险状况的危险程度生成相应的危险预警提示。
41.所述感知系统可以应用于智能头盔上，也可嵌入到人员安全监控系统中；以将所述感知系统嵌入人员安全监控系统为例，所述危险预警提示可以是在监控显示端显示的危险预警信息，也可以是语音提醒。
42.需要说明的是：上述本发明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。
43.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
44.以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。