基于大数据的人员安全智能管理系统的制作方法

本发明属于人员安全智能管理领域，具体是基于大数据的人员安全智能管理系统。

背景技术：

1、随着现代社会的发展，各种生产活动对人员安全的要求越来越高。在建筑、矿山、化工等行业中，由于作业环境复杂、危险因素众多，容易导致人员伤亡事故。因此，如何有效降低人员伤亡、提高生产安全性成为当前亟待解决的问题。

2、针对上述问题，现有的技术方案主要包括：一是通过安全培训、加强管理等手段提高人员的安全意识；二是通过优化作业环境等手段降低危险因素的产生；三是通过监测、报警等手段及时发现危险因素并采取相应措施；然而，以上方案均存在一定的局限性，如安全培训效果因人而异、优化作业环境效率低、监测报警系统误报漏报等。

3、因此本发明提出基于大数据的人员安全智能管理系统。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于大数据的人员安全智能管理系统，用于解决现有技术中低效的安全管理手段，以及对危险评估不准确造成误报或漏报的技术问题。

2、为实现上述目的，本发明的第一方面提供了基于大数据的人员安全智能管理系统，包括安全检测模块，以及与之相连接的身份识别模块和服务终端模块；

3、身份识别模块：基于历史数据训练人工智能模型，得到身份识别模型；其中，人工智能模型包括cnn神经网络模型或者rbf神经网络模型；以及，

4、通过摄像头采集待识别人员的标准头部图像；从标准头部图像中识别提取戴有安全帽的标准头部图像，标记为待识别图像，并输入至身份识别模型中，识别员工身份信息是否存在；否，则通道闸门不开启；是，则通道闸门开启；其中，摄像头用于监测闸门的进出区域；

5、安全检测模块：通过生命体征检测仪采集员工的生命体征信息，并分析生命体征危险系数，通过超声波传感器探测员工的作业高度，并分析作业高度危险系数，以及摄像头采集员工的作业环境图像，识别作业环境图像中的危险区域图像和危险区域图像，并分析作业环境危险系数；基于生命体征危险系数、作业高度危险系数，以及作业环境危险系数，综合分析得到员工的人身危险系数，并判断人身危险系数是否超过预设阈值；是，则服务终端模块发出预警；否，服务终端模块显示正常；其中，生命体征信息包括体温、心率和血压。

6、本发明生命体征检测仪可为健康检测手表，可佩戴在手腕处，实时监测各项生命体征；超声波传感器可选用如微型超声波传感器，这种传感器体积小，重量轻，可以方便地安置在安全帽上，同时，它们通常具有较高的灵敏度和分辨率，能够提供准确的距离信息；采集作业环境图像的摄像头选用3600旋转的微型摄像头，如：gopro运动摄像机等；本技术中，超声波传感器安置在帽檐上和摄像头安置在安全帽顶部。

7、优选的，所述身份识别模型，包括：

8、从数据库中提取员工戴有安全帽的标准头部图像标记为标准训练图像；将标准训练图像作为标准输入数据，将标准训练图像对应的身份编号标记为标准输出数据；其中，身份编号由数字组成，可通过rfid进行读取，包括员工的姓名、性别、年龄；

9、通过标准输入数据和标准输出数据对人工智能模型进行训练，得到身份识别模型。

10、本发明数据库存储有员工的身份信息，包括姓名、性别、年龄、照片等；通过直接使用现成的数据库资源，可以大大减少数据收集和标注的时间，提高训练效率；同时身份编号为员工的唯一标识，且与员工的安全行为和事件相关联，方便管理和追溯员工的个人信息和历史数据，实现安全事件的追踪和管理，提高安全性。

11、优选的，所述分析生命体征危险系数，包括：

12、在评估周期内，对得到的生命体征信息进行均值处理，得到体温均值、心率均值和血压均值，并分别标记为ti、xi和yi；

13、通过公式si＝(qi-q0)/q0计算得到生命体征危险系数si；其中，i表示身份编号，i取大于0的自然数；qi为员工生命体征值，通过公式qi＝α×ti+β×xi+δ×yi计算得到；q0为标准生命体征值，通过公式q0＝α×t0+β×x0+δ×y0计算得到，且t0为正常体温值、x0为正常心率值、y为正常血压值；α、β、δ为大于0的权重系数。

14、优选的，所述分析作业高度危险系数，包括：

15、通过超声波传感器垂直向路面发送超声波信号，并提取超声波发射信号与接收信号的时间差，标记为δti；通过公式hi＝(δti×v)/2计算得到员工作业高度，并将评估周期内的作业高度进行均值处理，得到平均作业高度，标记为hzi；通过公式li＝(hzi-h0)/h0计算得到作业高度危险系数li；其中，h0为标准作业高度。

16、优选的，所述从作业环境图像中分离出危险区域图像和危险区域图像，包括：

17、预先收集若干张原始作业环境图像；将原始作业环境图像输入至cnn神经网络模型中进行图像特征分离训练；训练得到的cnn神经网络模型标记为cnn神经网络分离模型；其中，危险区域特征标记为0，危险区域特征标记为1；

18、将采集的作业环境图像输入至cnn神经网络分离模型中；通过cnn神经网络分离模型分离得到危险区域图像和危险区域图像。

19、本发明将采集的作业环境图像输入至cnn神经网络分离模型中，分离出危险区域图像和安全区域图像；其中，cnn神经网络分离模型由人工智能模型训练得到，该模型具有良好的图像特征学习能力，可以准确地识别和区分危险区域图像和安全区域图像，提高检测准确性，且可快速分离危险区域图像和安全区域图像，提高检测效率。

20、优选的，分析作业环境危险系数，包括：

21、统计评估周期内危险区域图像，以及危险区域图像的数量，分别标记为wi、ai，通过公式di＝wi/(wi+ai)计算得到环境危险系数di。

22、优选的，所述基于生命体征危险系数、高度危险系数，以及周围环境危险系数，综合分析得到员工的人身危险系数，包括：

23、员工的人身危险系数通过公式pi＝γ×si+η×li+θ×di计算得到；其中，γ、η、θ为大于0的权重系数。

24、优选的，所述服务终端模块，包括：

25、服务终端模块对识别成功的员工进行工作计时，当工作时长超过标准时长时，将发出超时预警，提醒员工休息。

26、与现有技术相比，本发明的有益效果是：

27、1.本发明采集员工的作业环境图像，并提取作业环境中的危险区域，分析危险区域占据整体作业环境的比例，同时分析员工的作业高度；基于作业环境和作业高度，可实时了解员工的作业环境，并评估员工作业环境的危险性，及时发现和预防潜在的安全隐患，避免员工长时间高度工作或者在不清楚的情况下误入危险场地，减少意外事故的发生；

28、2.本发明通过身份识别模块对进入工地的人员进行身份识别和验证，提高工地安全性；对进入工地的员工进行生命体征信息的采集，作业高度的采集，以作业环境图像的采集，分析员工在评估周期内的生命体征危险系数、作业高度危险系数，以及作业环境危险系数；基于各项危险系数，综合分析员工的人身安全系数，可全面了解员工的身体状况和工作状态，提高评估的准确性和全面性；并将人身安全系数与预设阈值比较，当人身安全系数大于预设阈值时，服务终端模块将发送预警信号至员工，员工撤离工作区域或者休息；本发明及时发送预警信号提醒员工采取预防措施，减少安全事故的发生。