一种基于大数据的生产安全识别方法及云管理系统

本发明涉及安全生产，具体来说，涉及一种基于大数据的生产安全识别方法及云管理系统。

背景技术：

1、安全生产是社会经济发展的基础，国家通过一系列有效措施可以保证各企业进行稳定有序地安全生产；但仍然有很多企业在生产经营活动中，存在可能导致安全事故发生的危险状态、职工的不安全行为和管理上的缺陷等安全生产问题，在上报安全生产隐患时，存在不同企业录入规范不同、同一隐患内容描述方式不同、一条文本包含多类隐患、工作人员录入习惯不同、大量的用语不规范等情况，这些情况将导致监管部门在分析隐患发生趋势、隐患集中区域、隐患对象归类时存在极大的困难。

2、目前，在安全电动切割设备生产车间内，安全隐患的上报仅限于拍照上传，对于电动切割设备隐患的类型是依赖于人工经验进行评判的，无法根据上传照片自动识别隐患类型提醒工作人员，无法通过安全生产隐患识别模型对待识别的安全生产隐患文本进行分类识别，无法直接展示隐患对象存在的安全生产隐患，导致在电动切割设备在安全生产中的识别效果较差，容易在车间引发的安全事故。

3、针对现有隐患管理中的问题，急需通过生产安全识别方法，弥补人员工作的不足，提高安全管理水平。

技术实现思路

1、针对相关技术中的问题，本发明提出一种基于大数据的生产安全识别方法及云管理系统，以克服现有相关技术所存在的上述技术问题。

2、为此，本发明采用的具体技术方案如下：

3、根据本发明的一个方面，提供了一种基于大数据的生产安全识别方法，该生产安全识别方法包括以下步骤：

4、s1、获取生产车间的工作图像，构建车间危险标识数据库，并将所述工作图像存储至所述车间危险标识数据库中；

5、s2、提取所述车间危险标识数据库中切割设备生产过程中的切割图像，并对所述切割图像进行标记，形成标记样本；

6、s3、将所述标记样本按采集时段进行分组，并获得标记序列；

7、s4、引入模糊聚类神经网络模型对所述标记序列进行去混叠处理，并生成带标记序列的清晰图像；

8、s5、构建串联式稠密膨胀网络，利用膨胀卷积方法对所述带标记序列的清晰图像进行k空间的修正处理，并获取所述带标记序列的清晰图形的全局特征；

9、s6、构建特征识别模型，并对所述带标记序列的清晰图形的全局特征代入所述特征识别模型中进行运算，并输出识别结果；

10、在具体应用时，可以根据识别结果，识别安全隐患，并通知企业进行整改。

11、其中，所述提取所述车间危险标识数据库中切割设备生产过程中的切割图像，并对所述切割图像进行标记，形成标记样本还包括以下步骤：

12、s21、对车间危险标识数据库中切割图形进行缺失值、噪声及数据紊乱进行预处理操作；

13、s22、对切割设备实体进行识别，处理所述切割设备实体与所述切割图形中数据值之间的冲突，并进行维度变换与数值规约；

14、s23、通过规范化处理，得到标准化的标记样本；

15、所述预处理操作包括图像数据清晰、图像数据集成、图像数据规约及图像数据变换；

16、其中，所述图像数据清晰包括图像缺失值处理、图像噪声处理、图像离群点处理及图像不一致数据处理；

17、所述图像数据集成包括切割设备实体识别问题、冗余问题及数据值的冲突；

18、所述图像数据规约包括图像维度规约、图像维度变换及图像数值规约；

19、所述图像数据变换包括图像规范化处理、图像离散化处理及图像稀疏化处理。

20、进一步的，所述获取生产车间的工作图像，构建车间危险标识数据库，并将所述工作图像存储至所述车间危险标识数据库中还包括以下步骤：

21、s11、采用若干摄像头对车间内各个区域分别进行拍照，并获得整个生产车间的工作图像；

22、s12、对所述工作图像进行压缩及滤波处理，并得到所述工作图像。

23、进一步的，所述将所述标记样本按采集时段进行分组，并获得标记序列还包括以下步骤：

24、s31、将所述标记样本按采集时段进行分组；

25、s32、每隔一定时间段，利用摄像头进行切割设备图片的拍摄；

26、s33、若时间段内拍摄的图片为m个，将m个图像划分至同一时间段的小组内，并进行不同时间段的分组；

27、s34、在各个分组的图片进行候选框标记，并将所述分组的图片中特殊动作或特征动作进行相应的特征提取，并根据时段划分的动作进行顺序排列，获得标记序列。

28、进一步的，所述引入模糊聚类神经网络模型对所述标记序列进行去混叠处理，并生成带标记序列的清晰图像还包括以下步骤：

29、s41、引入模糊聚类神经网络模型，串联多个模糊聚类神经网络，并引入膨胀卷积技术；

30、s42、在每个子网络中经过多次重建后再进行真值替换，通过重复利用权重参数减少空间开销，在同等参数条件下进行重建；

31、s43、构建gan构架，引入同步更新的判别器与u-net生成器进行对抗训练，并引入多种损失函数对所述切割图像进行去混叠处理，并生成清晰图像。

32、进一步的，所述模糊聚类神经网络模型的构建公式如下：

33、

34、其中，θ表示网络的可学习参数，xu表示网络输入，λ表示权重系数，fcnn()表示模糊聚类神经网络，表示函数，|| ||表示范数，fx表示傅里叶变换，x表示当前图像。

35、进一步的，所述构建串联式稠密膨胀网络，利用膨胀卷积方法对所述带标记序列的清晰图像进行k空间的修正处理，并获取所述带标记序列的清晰图形的全局特征还包括以下步骤：

36、s51、通过卷积神经网络对输入的图像进行去混叠处理；

37、s52、数据一致性模块利用原始k空间信号对去混叠模块的去混叠结果进行频域修正操作；

38、s53、通过修正结果，将子网络的重建结果作为输入源再次进行重建，并获取所述清晰图形的全局特征。

39、进一步的，所述去混叠结果由特征抽取层、稠密块、特征过渡层及图像还原层构成。

40、进一步的，所述构建特征识别模型，并对所述带标记序列的清晰图形的全局特征代入所述特征识别模型中进行运算，并输出识别结果还包括以下步骤：

41、s61、构建特征识别模型，并建立所述车间危险标识数据库与所述特征识别模型的连接；

42、s62、将图像数据转化为参数代入所述特征识别模型中进行运算，并利用所述特征识别模型读取所述车间危险标识数据库的信息，并进行滤波与平滑处理；

43、s63、计算所述切割图像的水平与垂直方向的梯度，并计算每个像素位置的harris矩阵和harris角点响应值；

44、s64、对以时段划分的标记序列进行定义，形成序列a、序列b、序列c及序列d；

45、s65、将序列a、序列b、序列c及序列d输入特征识别模型中，通过harris矩阵进行计算其角点响应；

46、s66、将harris角点响应值大于设定阈值且局部最大的位置作为特征点；

47、s67、将所述特征点与所述车间危险标识数据库中对应存储的切割图像进行匹配，得到识别结果；

48、s68、对以时段划分的标记序列进行定义，形成序列a、序列b、序列c及序列d。

49、进一步的，所述harris矩阵进行计算的计算公式如下：

50、

51、

52、

53、

54、r＝(ab-cd)2-k(a+b)2

55、式中，m为harris矩阵，r为harris角点响应，k取值范围为0.04-0.06，ix为x方向的差分，iy为y方向的差分，w(x,y)为高斯函数，序列a、序列b、序列c及序列d均为标记序列的序列数。

56、根据本发明的另一个方面，还提供了一种基于大数据的生产安全识别的云管理系统，该系统包括：

57、图像采集模块，获取生产车间的工作图像，构建车间危险标识数据库，并将所述工作图像存储至所述车间危险标识数据库中；

58、图像标记模块，提取所述车间危险标识数据库中切割设备生产过程中的切割图像，并对所述切割图像进行标记，形成标记样本；

59、图像分类模块，将所述标记样本按采集时段进行分组，并获得标记序列；

60、图像处理模块，引入模糊聚类神经网络模型对所述标记序列进行去混叠处理，并生成带标记序列的清晰图像；

61、图像分析模块，构建串联式稠密膨胀网络，利用膨胀卷积方法对所述带标记序列的清晰图像进行k空间的修正处理，并获取所述带标记序列的清晰图形的全局特征；

62、图像识别模块，构建特征识别模型，并对所述带标记序列的清晰图形的全局特征代入所述特征识别模型中进行运算，并输出识别结果。

63、本发明的有益效果为：

64、1、本发明通过对采样时段进行分组获得标记序列，其采用改进的特殊手法进行处理，在满足特征提取的同时，能够避免动作错漏的问题，本发明中的改进识别模型，结合采样时段对特征动作进行识别运算，读取数据库的信息进行判定，由此获得分析结果，并可以根据分析结构与车间危险标识数据库中的危险图像进行比对，并分析该过程是否安全。

65、2、本发明通过预处理切割设备运动的切割图像，分组采样时段的标记样本；本发明在实际的欠采样情形下混叠伪影确定其类型与分布方式，网络在不同感受下能抽取出形态各异的特征，将膨胀卷积与稠密块结合，通过稠密的捷径连接，不同尺度下的特征能够共同作用，而将各层的结果拼接在一起也能使多尺度特征信息直接为图像重建所用，膨胀稠密块能够很好地应对随机采样所产生的复杂性与不确定性，并获取切割图形的全局特征，可提供更加精准的机械设备的运动图形，从而及时分析危险运动图像，保障生产过程中的安全。