预设时长工人在岗状态检测系统技术方案

本发明专利技术涉及一种预设时长工人在岗状态检测，包括：坐标解析设备，用于针对每一个信号修正画面中的子画面执行以下动作：获取距离所述子画面的形心最近的像素在所述信号修正画面中的坐标值；信息输入机构，与所述坐标解析设备连接，用于将各个信号修正画面分别对应的各个坐标值作为深度神经网络模型的输入层的多个输入数据输入到所述深度神经网络模型；模型执行机构，与所述信息输入机构连接，用于运行所述深度神经网络模型以确定在预设时间长度内预设工人是否在岗。本发明专利技术的预设时长工人在岗状态检测监控有效、操作智能。由于能够采用人工智能模式对预设时间长度内预设工人在岗轨迹进行状态判断，从而对工人整体轨迹进行有效判断。

【技术实现步骤摘要】
预设时长工人在岗状态检测系统
本专利技术涉及人工智能领域，尤其涉及一种预设时长工人在岗状态检测系统。
技术介绍
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。当前，对工厂工人的在岗状态管理一般采用每一个时刻工人是否在岗位预设范围内的判断模式，这种判断模式过于拘泥于单时刻点的工人状态判断，没有从整体上对工人在岗状态进行判断，例如，当工人在预设时间长度内短暂离开岗位去相关岗位解决问题、协调工作时，当前的判断模式很有可能将判断工人不在岗位，从而造成误判。
技术实现思路
为了解决现有技术中的技术问题，本专利技术提供了一种预设时长工人在岗状态检测系统，能够采用人工智能模式对预设时间长度内预设工人的视觉采集位置是否符合在岗轨迹进行状态判断，并对判断结果进行无线上报，从而提升了对工人工作状态监控的智能化水平。为此，本专利技术至少需要具备以下两处重要的专利技术点：（1）采用深度神经网络模型以预设时间长度内各个定制处理画面中预设工人的各个坐标值作为所述深度神经网络模型的输入层的输入，对预设工人在预设时间长度是否在岗进行状态判断；（2）采用正面数据和负面数据对即将运行的深度神经网络模型依次执行第一次训练以及第二次训练，从而保证要使用的深度神经网络模型的输出数据的可靠性和有效性。根据本专利技术的一方面，提供了一种预设时长工人在岗状态检测系统，所述系统包括：超清捕获设备，设置在工厂的厂房内，用于对厂房内部环境执行图像信号捕获动作，以获得预设时间长度内各个捕获时刻分别对应的各个厂房内部画面。更具体地，在所述预设时长工人在岗状态检测系统中，所述系统还包括：直方图操作机构，与所述超清捕获设备连接，用于对接收到的每一个捕获时刻的厂房内部画面执行直方图均衡操作，以获得对应的当前操作画面。更具体地，在所述预设时长工人在岗状态检测系统中，所述系统还包括：信号修正机构，与所述直方图操作设备连接，用于对接收到的每一个当前操作画面执行图像信号的增强处理，以获得对应的信号修正画面；人员鉴别设备，与所述信号修正机构连接，用于基于预设人员外形图案识别所述信号修正画面中预设工人占据的子画面；坐标解析设备，与所述人员鉴别设备连接，用于针对每一个信号修正画面中的子画面执行以下动作：获取距离所述子画面的形心最近的像素在所述信号修正画面中的坐标值；信息输入机构，与所述坐标解析设备连接，用于将各个信号修正画面分别对应的各个坐标值作为深度神经网络模型的输入层的多个输入数据输入到所述深度神经网络模型；模型执行机构，与所述信息输入机构连接，用于运行所述深度神经网络模型以获得所述深度神经网络模型的输出层的输出即预设时间长度预设工人是否在岗；蓝牙通信设备，与所述模型执行机构连接，用于将所述深度神经网络模型的输出层的输出通过蓝牙通信链路发送给附近的管理服务器或者管理人员的便携式终端；其中，所述模型执行机构中内置有存储单元，用于存储所述深度神经网络模型，所述深度神经网络模型的输入层为预设时间长度内各个捕获时刻对应数量的多个输入坐标；其中，所述深度神经网络模型的输出层为预设时间长度预设工人在岗或者预设时间长度预设工人不在岗；其中，所述模型执行机构中内置有训练单元，用于采用在预设时间长度内预设工人在岗时各个捕获时刻对应数量的多个输入坐标作为所述深度神经网络模型的输入层的多个输入、以预设时间长度预设工人在岗为所述神经网络模型的输出层的输出对所述深度神经网络模型进行第一次训练，每一个输入坐标为预设工人在超清捕获设备捕获图像依次经过直方图操作机构和信号修正机构处理后获得图像中的形心附近最近的像素的坐标；其中，所述训练单元还用于采用在预设时间长度内预设工人不在岗时各个捕获时刻对应数量的多个输入坐标作为所述深度神经网络模型的输入层的多个输入、以预设时间长度预设工人不在岗为所述神经网络模型的输出层的输出对所述深度神经网络模型进行第二次训练，每一个输入坐标为预设工人在超清捕获设备捕获图像依次经过直方图操作机构和信号修正机构处理后获得图像中的形心附近最近的像素的坐标；其中，所述模型执行机构还包括运行单元，与所述训练单元连接，用于运行经过第一次训练以及第二次训练后的深度神经网络模型以获得所述深度神经网络模型的输出层的输出即预设时间长度预设工人是否在岗。本专利技术的预设时长工人在岗状态检测监控有效、操作智能。由于能够采用人工智能模式对预设时间长度内预设工人在岗轨迹进行状态判断，从而对工人整体轨迹进行有效判断。具体实施方式下面将对本专利技术的预设时长工人在岗状态检测系统的实施方案进行详细说明。深度神经网络是机器学习(ML,MachineLearning)领域中一种技术。多层的好处是可以用较少的参数表示复杂的函数。在监督学习中，以前的多层神经网络的问题是容易陷入局部极值点。如果训练样本足够充分覆盖未来的样本，那么学到的多层权重可以很好的用来预测新的测试样本。但是很多任务难以得到足够多的标记样本，在这种情况下，简单的模型，比如线性回归或者决策树往往能得到比多层神经网络更好的结果（更好的泛化性，更差的训练误差）。非监督学习中，以往没有有效的方法构造多层网络。多层神经网络的顶层是底层特征的高级表示，比如底层是像素点，上一层的结点可能表示横线，三角；而顶层可能有一个结点表示人脸。一个成功的算法应该能让生成的顶层特征最大化的代表底层的样例。如果对所有层同时训练，时间复杂度会太高；如果每次训练一层，偏差就会逐层传递。这会面临跟上面监督学习中相反的问题，会严重欠拟合。当前，对工厂工人的在岗状态管理一般采用每一个时刻工人是否在岗位预设范围内的判断模式，这种判断模式过于拘泥于单时刻点的工人状态判断，没有从整体上对工人在岗状态进行判断，例如，当工人在预设时间长度内短暂离开岗位去相关岗位解决问题、协调工作时，当前的判断模式很有可能将判断工人不在岗位，从而造成误判。为了克服上述不足，本专利技术搭建了一种预设时长工人在岗状态检测系统，能够有效解决相应的技术问题。根据本专利技术实施方案示出的预设时长工人在岗状态检测系统包括：超清捕获设备，设置在工厂的厂房内，用于对厂房内部环境执行图本文档来自技高网...

【技术保护点】
1.一种预设时长工人在岗状态检测系统，其特征在于，包括：/n超清捕获设备，设置在工厂的厂房内，用于对厂房内部环境执行图像信号捕获动作，以获得预设时间长度内各个捕获时刻分别对应的各个厂房内部画面。/n

【技术特征摘要】
1.一种预设时长工人在岗状态检测系统，其特征在于，包括：
超清捕获设备，设置在工厂的厂房内，用于对厂房内部环境执行图像信号捕获动作，以获得预设时间长度内各个捕获时刻分别对应的各个厂房内部画面。


2.如权利要求1所述的预设时长工人在岗状态检测系统，其特征在于，所述系统还包括：
直方图操作机构，与所述超清捕获设备连接，用于对接收到的每一个捕获时刻的厂房内部画面执行直方图均衡操作，以获得对应的当前操作画面。


3.如权利要求2所述的预设时长工人在岗状态检测系统，其特征在于，所述系统还包括：
信号修正机构，与所述直方图操作设备连接，用于对接收到的每一个当前操作画面执行图像信号的增强处理，以获得对应的信号修正画面；
人员鉴别设备，与所述信号修正机构连接，用于基于预设人员外形图案识别所述信号修正画面中预设工人占据的子画面；
坐标解析设备，与所述人员鉴别设备连接，用于针对每一个信号修正画面中的子画面执行以下动作：获取距离所述子画面的形心最近的像素在所述信号修正画面中的坐标值；
信息输入机构，与所述坐标解析设备连接，用于将各个信号修正画面分别对应的各个坐标值作为深度神经网络模型的输入层的多个输入数据输入到所述深度神经网络模型；
模型执行机构，与所述信息输入机构连接，用于运行所述深度神经网络模型以获得所述深度神经网络模型的输出层的输出即预设时间长度预设工人是否在岗；
蓝牙通信设备，与所述模型执行机构连接，用于将所述深度神经网络模型的输出层的输出通过蓝牙通信链路发送给附近的管理服务器或者管理人员的便携式终端；
其中，所述模型执行机构中内置有存储单元，用于存储所述深度神经网络模型，所述深度神经网络模型的输入层为预设时间长度内各个捕获时刻对应数量的多个输入坐标；
其中，所述深度神经网络模型的输出层为预设时间长度预设工人在岗或者预设时间长度预设工人不在岗；
其中，所述模型执行机构中内置有训练单元，用于采用在预设时间长度内预设工人在岗时各个捕获时刻对应数量的多个输入坐标作为所述深度神经网络模型的输入层的多个输入、以预设时间长度预设工人在岗为所述神经网络模型的输出层的输出对所述深度神经网络模型进行第一次训练，每一个输入坐标为预设工人在超清捕获设备捕获图像依次经过直方图操作机构和信号修正机构处理后获得图像中的形心附近最近的像素的坐标；
其中，所述训练单元还用于采用在预设时间长度内预设工人不在岗时各个捕获时刻对应数量的多个输入...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：泰州可以信息科技有限公司，
类型：发明
国别省市：江苏;32