【技术实现步骤摘要】
本专利技术涉及人员行为识别，具体是一种基于卷积神经网络的多传感器数据融合智能行为识别算法。
技术介绍
1、在高压电线作业以及高空建筑施工时，工人需要佩戴安全帽、安全绳等防护措施才能开展高空作业。但是由于自身原因，如安全意识薄弱，身体健康状态不佳，马虎大意等，以及高空作业复杂的施工环境，如大风大雨、温差大等外部因素，使得作业人员在施工过程中，仍存在忘记佩戴、佩戴不规范、无法佩戴安全措施的情况，导致高空作业安全事故时有发生。随着无线传感器技术、多数据融合以及人工智能技术的发展，针对高空作业人员行为监测与安全防护的技术在过去的几年中取得了很大的发展。但是，传统的行为识别方法依赖于摄像头进行数据采集，需要极大的数据传输与处理资源，极大地限制了其在户外高空作业场景中的应用。针对当前行为识别方法存在的不足，有必要提出一种精确度高、部署简易、成本低的智能行为识别方法，从而有效保护作业工人的生命财产安全。
技术实现思路
1、针对现有行为识别技术的不足，本专利技术提供了一种基于卷积神经网络的多传感器数据融合智能行为算法。
2、为实现上述目的，本专利技术提供了如下技术方案：
3、本专利技术提供了一种基于卷积神经网络的多传感器数据融合智能行为识别算法，所述智能行为识别算法通过无线传感器网络采集目标监测对象的速度、加速度、旋转角度、角速度、振动等行为动作数据；将采集的行为动作数据进行预处理，包括滤波、数据分帧、去时延；将预处理后的数据作为卷积神经网络模型的输入，进行数据融合与特征提
4、本专利技术具体步骤如下：
5、步骤1：通过无线传感器网络中配备的加速度计、陀螺仪、振动传感器，采集目标监测对象的速度、加速度、角速度、振动等行为动作数据。涉及到的行为动作有正常的行走、下蹲、起立、转身等，还包括异常的跌倒、坠落等危险行为。
6、步骤2：对步骤1采集到的行为动作数据进行预处理，包括滤波、数据分帧以及去时延处理；
7、步骤3：将预处理后的行为动作数据，按照比例划分为训练集、测试集和验证集；
8、步骤4：构建面向多传感器数据融合智能行为识别的卷积神经网络模型，将预处理后的行为动作数据作为输入，将对应的行为动作作为标签。
9、步骤5：用步骤3所得的训练集训练步骤4的多传感器数据融合智能识别神经网络模型；
10、步骤6：用步骤3所得的测试集输入到步骤5所得的智能识别神经网络模型中，将其输出结果与测试集中对应的行为动作标签进行对比，得到模型的对比结果；
11、步骤7：根据步骤6所得的测试集的对比结果，对步骤5所得智能识别模型进行修正，包括每层神经元个数、权重等，得到最终的智能识别模型；
12、步骤8：用步骤3所得的验证集来验证步骤7所得模型的性能优劣，选取交叉熵最小的模型作为最终的智能行为识别模型；
13、步骤9：使用步骤8所得的最优模型预测出新的行为动作数据对应的行为，完成行为识别。
14、进一步地，步骤1所述的加速度计、陀螺仪、振动传感器可嵌入到安全帽、安全服、安全带等防护设施中，不增加作业人员的佩戴负担。
15、进一步地，步骤2所述的滤波方法采用小于50hz低通滤波器，所述的数据分帧是按照每一秒钟进行数据长度切割的方式，所述的去时延是通过傅里叶变换方法进展，以保证各传感器数据时间同步。
16、进一步地，步骤3按照70：15：15比例划分成训练集、测试集和验证集。
17、进一步地，步骤4所述的多传感器信息融合智能识别算法卷积神经网络模型，由卷积层、批归一化层、池化层、残差层、全连接层构成。
18、进一步地，所述的多传感器信息融合智能识别算法神经网络模型使用的目标损失函数为交叉熵损失函数。
19、本专利技术的有益效果：
20、本专利技术提供了一种基于卷积神经网络的多传感器数据融合智能行为识别算法，有效解决传统的基于视频识别的技术部署不便、成本高等不足。通过将采集的设备嵌入到安全帽、安全服以及安全绳中，无须佩戴额外的终端设备，不增加监测对象的佩戴负担，且不影响施工人员的正常作业。
21、特别指出的是，本专利技术所提供的一种基于卷积神经网络的传感器数据融合智能行为识别算法，不仅可用于高空作业场景，凡涉及多传感器行为识别领域都应受到保护。
本文档来自技高网...【技术保护点】
1.基于卷积神经网络的多传感器数据融合智能行为识别算法，其特征在于，所述智能行为识别算法通过无线传感器网络采集目标监测对象的速度、加速度、旋转角度、角速度、振动等行为动作数据；将采集的行为动作数据进行预处理，包括滤波、数据分帧、去时延；将预处理后的数据作为卷积神经网络模型的输入，进行数据融合与特征提取；最后将得到的特征经过一层全连接层输出最终的行为识别结果。
2.根据权利要求1所述基于卷积神经网络的多传感器数据融合智能行为识别算法，其特征在于，其具体步骤如下：
3.根据权利要求2所述基于卷积神经网络的多传感器数据融合智能行为识别算法，其特征在于，步骤1所述的加速度计、陀螺仪、振动传感器可嵌入到安全帽、安全服、安全带防护设施中。
4.根据权利要求2所述基于卷积神经网络的多传感器数据融合智能行为识别算法，其特征在于，步骤2所述的滤波方法采用小于50Hz低通滤波器，所述的数据分帧是按照每一秒钟进行数据长度切割的方式，所述的去时延是通过傅里叶变换方法进展，以保证各传感器数据时间同步。
5.根据权利要求2所述基于卷积神经网络的多传感器数据融合
6.根据权利要求5所述基于卷积神经网络的多传感器数据融合智能行为识别算法，其特征在于，所述的数据融合和特征提取模块包含了一个7xN的卷积层，N为输入的传感器种类数，一个批归一化层BatchNorm，使用ReLu激活函数，再加上一个3xN的最大池化层，3个结构一样的残差块，最后为一个平均池化层，平均池化层的结果输出到一个全连接层作为分离器。
7.根据权利要求6所述一种基于卷积神经网络的多传感器数据融合智能行为识别算法，其特征在于，所述残差块包含两个3xN的卷积层，并通过shortcut短路结构连接。
...【技术特征摘要】
1.基于卷积神经网络的多传感器数据融合智能行为识别算法，其特征在于，所述智能行为识别算法通过无线传感器网络采集目标监测对象的速度、加速度、旋转角度、角速度、振动等行为动作数据；将采集的行为动作数据进行预处理，包括滤波、数据分帧、去时延；将预处理后的数据作为卷积神经网络模型的输入，进行数据融合与特征提取；最后将得到的特征经过一层全连接层输出最终的行为识别结果。
2.根据权利要求1所述基于卷积神经网络的多传感器数据融合智能行为识别算法，其特征在于，其具体步骤如下：
3.根据权利要求2所述基于卷积神经网络的多传感器数据融合智能行为识别算法，其特征在于，步骤1所述的加速度计、陀螺仪、振动传感器可嵌入到安全帽、安全服、安全带防护设施中。
4.根据权利要求2所述基于卷积神经网络的多传感器数据融合智能行为识别算法，其特征在于，步骤2所述的滤波方法采用小于50hz低通滤波器，所述的数据分帧是按照每一...
【专利技术属性】
技术研发人员：聂程，黎颖，李瀚儒，张璞，刘健欣，潘巧，叶翔，孙嘉兴，方百里，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。