基于二维倾角判据的头部姿态异常检测安全帽的制作方法

技术特征：

1.一种基于二维倾角判据的头部姿态异常检测安全帽，包括安全帽本体，其特征在于：在安全帽本体上设置有倾角检测装置、定位模块、通信模块、控制器、报警装置及电源，所述的控制器与倾角检测装置、报警装置、定位模块及通信模块相连，电源给各装置供电，所述的控制器与信息中心通讯连接，控制器每隔一段时间将位置信息传输给信息中心，以便信息中心实时监控现场工作人员的位置。

2.根据权利要求1所述的基于二维倾角判据的头部姿态异常检测安全帽，其特征在于：所述的报警装置先于通信模块工作，报警装置持续一段时间后仍异常时，控制电路再将状态信息通过通信模块传输给信息中心。

3.根据权利要求2所述的基于二维倾角判据的头部姿态异常检测安全帽，其特征在于：所述的报警装置包括有声、光报警。

4.根据权利要求3所述的基于二维倾角判据的头部姿态异常检测安全帽，其特征在于：所述的报警装置还包括有主动报警按钮。

5.根据权利要求1至4任何一项所述的基于二维倾角判据的头部姿态异常检测安全帽，其特征在于：所述的倾角检测装置包括有前端倾角传感器、信号调节与过滤电路、A/D转换电路；倾角传感器感应x,y轴两个方向的倾角，倾角传感器与信号调节与过滤电路相连，信号调节电路的输出端与滤波电路相连，然后经过A/D转换电路转化成数字信号输出给控制器。

6.根据权利要求5所述的基于二维倾角判据的头部姿态异常检测安全帽，其特征在于：倾角检测装置、定位模块、通信模块、控制器和电源设置于安全帽本体的内部，报警装置设置于安全帽的侧面。

7.根据权利要求6所述的基于二维倾角判据的头部姿态异常检测安全帽，其特征在于：所述的基于二维倾角判据的头部姿态异常检测安全帽还包括有延时程序，报警电路启动时，同时启动延时程序，等待一段时间后继续检测。

8.根据权利要求1所述的基于二维倾角判据的头部姿态异常检测安全帽，其特征在于：

按照某一角度旋转的数字量转换为角度值的函数为：

其中：D_out表示X或Y通道的数字输出量，D_out@0°表示数值抵消，α表示角度，Sens表示芯片敏感度。

在离线状态下获取N组x,y方向的倾角数据，设描述对象为x,y方向的倾角θ_x,θ_y，倾角范围为x,y方向的倾角变化率为Δθ_x/Δt,Δθ_y/Δt，倾角变化率的计算方法为

$\begin{array}{cc}\left\{\begin{array}{c}\frac{{\mathrm{\Δ\θ}}_{x_i}}{\mathrm{\Δ}t}=\frac{{\mathrm{\θ}}_{x_i}-{\mathrm{\θ}}_{x_{i-1}}}{t_i-t_{i-1}}\\ \frac{{\mathrm{\Δ\θ}}_{y_j}}{\mathrm{\Δ}t}=\frac{{\mathrm{\θ}}_{y_j}-{\mathrm{\θ}}_{y_{j-1}}}{t_j-t_{j-1}}\end{array}\right.& i,j=1,2,3,\mathrm{...},N\end{array}---\left(2\right)$

首先对倾角数据进行预处理，训练样本的归一化，有

$\left\{\begin{array}{c}{\mathrm{\θ}}_x^{\′}=\frac{{\mathrm{\θ}}_x-min\left({\mathrm{\θ}}_x\right)}{\max \left({\mathrm{\θ}}_x\right)-\min \left({\mathrm{\θ}}_x\right)}\\ {\mathrm{\θ}}_y^{\′}=\frac{{\mathrm{\θ}}_y-min\left({\mathrm{\θ}}_y\right)}{\max \left({\mathrm{\θ}}_y\right)-\min \left({\mathrm{\θ}}_y\right)}\\ {\mathrm{\Δ\θ}}_x^{\′}/\mathrm{\Δ}t=\frac{{\mathrm{\Δ\θ}}_x/\mathrm{\Δ}t-min({\mathrm{\Δ\θ}}_x/\mathrm{\Δ}t)}{\max ({\mathrm{\Δ\θ}}_x/\mathrm{\Δ}t)-min({\mathrm{\Δ\θ}}_x/\mathrm{\Δ}t)}\\ {\mathrm{\Δ\θ}}_y^{\′}/\mathrm{\Δ}t=\frac{{\mathrm{\Δ\θ}}_y/\mathrm{\Δ}t-min({\mathrm{\Δ\θ}}_y/\mathrm{\Δ}t)}{\max ({\mathrm{\Δ\θ}}_y/\mathrm{\Δ}t)-min({\mathrm{\Δ\θ}}_y/\mathrm{\Δ}t)}\end{array}\right.---\left(3\right)$

其中倾角最小值min(θ_x),min(θ_y)为-90°，倾角最大值man(θ_x),man(θ_y)为90°，min(Δθ/Δt)表示倾角变化率的最小值，max(Δθ/Δt)表示倾角变化率的最大值。

将归一化后的数据在平面坐标系中分别表示成(θ′_x,θ′_y)，(Δθ′_x/Δt,Δθ′_y/Δt)的数据点，可以表示为

$\begin{array}{c}z=\left\{\begin{array}{ccc}({\mathrm{\θ}}_{x_i}^{\′},{\mathrm{\θ}}_{y_j}^{\′})|& i=1,2,...,N& j=1,2,...,N\end{array}\right\}\\ \mathrm{\Δ}z/\mathrm{\Δ}t=\left\{\begin{array}{ccc}({\mathrm{\Δ\θ}}_{x_i}^{\′}/\mathrm{\Δ}t,{\mathrm{\Δ\θ}}_{y_j}^{\′}/\mathrm{\Δ}t)|& i=1,2,...,N& j=1,2,...,N\end{array}\right\}\end{array}---\left(4\right)$

将预处理后的数据点分别在直角坐标系中表示成z＝(θ′_x,θ′_y),Δz/Δt＝(Δθ′_x/Δt,Δθ′_y/Δt)，然后根据数据大小将倾角和倾角变化率数据点各分成八类，z,Δz/Δt各类的中心为其中m,n＝1,2，采用基于距离分类方法，对头部姿态进行分类。

取各类的几何中心作为各类的中心，用各点到中心的距离来表征相似性，距离越远，相似性越小。通过对每个元组和各个类中心相似度来比较，从而可以找出他的最近的类中心，得到确定的类别标记，最终得到头部姿态可能情况，建立表格；

在线获取数据,重复上面的数据预处理步骤，计算数据点与各中心的距离，取最小的中心点所在的类别为该数据点所属类别，根据两个类别查询表格，确定头部姿态情况。