【技术实现步骤摘要】
本专利技术智能头盔；尤其涉及一种基于北斗定位的头盔及安全系统。
技术介绍
1、在作业人员生产制造过程中，常常会因为操作失误，例如走错工作车间的位置、操作步骤遗漏或重复而导致出现工作事故。为此，人们将北斗芯片和智能传感器集成在头盔中，实时感知作业人员的位置和操作动作，帮助他们更加安全、高效地完成工作。
2、然而，目前的智能头盔较少能根据作业人员的操作信息如位置和操作动作，智能提醒当前的工作步骤，并对工作步骤进行智能监督。因此，需要开发识别作业人员操作信息与工作步骤的智能学习模型，以帮助作业人员在工作中防止错误操作。
技术实现思路
1、本专利技术要解决的技术问题是：提供一种基于北斗定位的头盔及安全系统，以解决目前的智能头盔较少能根据作业人员的操作信息如位置和操作动作，智能提醒当前的工作步骤，并对工作步骤进行智能监督等技术问题。
2、本专利技术技术方案是：
3、一种基于北斗的智能防误安全头盔及安全系统，包括北斗系统、摄像系统、智能学习系统、语音提醒系统和智能监督系统，其中：
4、所述北斗系统，用于获取作业人员操作信息，所述作业人员操作信息包括位置信息和操作动作信息；
5、所述摄像系统，用于记录作业人员的工作步骤；
6、所述智能学习系统，用于构建人工智能模型，以学习作业人员的操作信息和工作步骤之间的关系；
7、所述语音提醒系统，连接智能学习系统，用于将作业人员的操作信息输入构建的人工智能模型，输出作业人员的
8、所述智能监督系统，连接智能学习系统，用于将作业人员的操作信息输入构建的人工智能模型，输出作业人员的工作步骤，并与上个输出的工作步骤作比较，判断是否有遗漏或重复的工作步骤。
9、进一步地，所述智能学习系统中，所述构建人工智能模型，包括以下步骤：
10、s1、确定变量：以所述工作步骤作为输出变量，提取所述操作信息的图像特征数据作为输入变量；
11、s2、数据降噪处理：利用自编码器对图像特征数据进行压缩降噪处理；
12、s3、识别关键操作信息：以重构的图像特征数据为解释变量，工作步骤为响应变量，构建分类和回归树模型，识别工作步骤的关键操作信息；
13、s4、构建模型：以关键操作信息作为自变量，工作步骤作为因变量，构建人工智能模型。
14、进一步地，步骤s2中，所述利用自编码器对图像特征数据进行压缩降噪处理，包括以下步骤：
15、s21、采用自编码器的编码器隐藏层对图像特征数据进行压缩处理，获得压缩后的潜在变量数据；
16、s22、利用自编码器的解码器输出层对潜在变量数据进行处理，获得重构的图像特征数据。
17、进一步地，步骤s21中，所述潜在变量，计算公式为：
18、
19、式中：为潜在变量，是压缩处理后的输入变量；x为输入变量，即加载模块存储的原始数据；we和be表示自编码器编码部分的权重和偏置；σe表示隐藏层的激活函数。
20、进一步地，步骤s22中，所述重构的图像特征数据，计算公式如下：
21、
22、式中：为输出数据，是重构后的图像特征数据；为潜在变量；wd和bd表示自编码器解码部分的权重和偏置；σd表示输出层的激活函数。
23、进一步地，步骤s3中，所述构建分类和回归树模型，包括以下步骤：
24、s31、生成决策树：采用二元递归分解法对数据集进行划分，并计算不同划分方式的基尼系数，选择基尼系数最小的划分方式生成决策树；
25、s32、调整模型参数，并结合基尼系数与模型参数之间的关系，对决策树进行剪枝，获得最优子树；所述模型参数为表面误差率增益率；
26、s33、识别工作步骤的关键操作信息：确定最优子树分解节点上的解释变量，将其作为工作步骤的关键操作信息。
27、进一步地，步骤s31中，所述基尼系数，计算公式为：
28、
29、式中，gini为基尼系数，用于衡量一个随机选中的样本被错误分类为其它类别的概率，gini越小则表示节点的纯度越高；k为对数据集分类的类别数，k＝2；pn为第n个类别的样本量占总样本量的比例。
30、进一步地，步骤s32中，所述决策树剪枝，包括以下步骤：
31、s321、根据所述决策树二元递归分解的顺序，依次计算每次分解后的子树基尼系数和表面误差率增益率，所述表面误差率增益率，计算公式为：
32、α＝r(t)-r(tt)/tt-1，
33、式中，α为表面误差率增益率，α越小表示决策树的分解次数越多，树的节点越多；r(t)为以t为单节点的树的误差代价，在该节点树被剪枝，r(t)＝r(t)×p(t)，r(t)为节点t的误差率，p(t)为节点t上的样本数占总样本数的比例；tt为子树中包含的叶子节点个数，r(tt)则表示以t为根节点的子树t的误差代价，
34、其中m为节点数，i＝1，2，……，m；
35、s322，对比决策树不同分解次数的表面误差率增益率和基尼系数，当表面误差率增益率减小，而基尼系数减小的幅度变小时，对应分解次数的子树为决策树剪枝后的最优子树。
36、本专利技术提供了一种基于北斗的智能防误安全系统，应用于上述的一种基于北斗的智能防误安全头盔。
37、本专利技术的有益效果：
38、(1)通过自编码器对作业人员操作信息的图像特征数据进行降噪处理得到重构的图像特征数据，使数据集能够减少数据冗余并提取重要的数据特征，解决了现有技术中人工智能模型由于数据噪声而导致的精度差的问题；
39、(2)通过构建分类和回归树模型识别工作步骤的关键操作信息，剔除了不相关的操作信息，降低了数据集的维度，解决了现有技术中由于引入多个且不相关的变量而导致人工智能模型准确度和学习效率低的问题。
本文档来自技高网...【技术保护点】
1.一种基于北斗定位的头盔及安全系统，其特征在于：包括北斗系统、摄像系统、智能学习系统、语音提醒系统和智能监督系统，
2.根据权利要求1所述的一种基于北斗定位的头盔及安全系统，其特征在于：所述构建人工智能模型，包括以下步骤：
3.根据权利要求2所述的一种基于北斗定位的头盔及安全系统，其特征在于：步骤S2中，所述利用自编码器对图像特征数据进行压缩降噪处理，包括以下步骤：
4.根据权利要求3所述的一种基于北斗定位的头盔及安全系统，其特征在于：步骤S21中，所述潜在变量，计算公式为：
5.根据权利要求3所述的一种基于北斗定位的头盔及安全系统，其特征在于：步骤S22中，所述重构的图像特征数据，计算公式如下：
6.根据权利要求2所述的一种基于北斗定位的头盔及安全系统，其特征在于：步骤S3中，所述构建分类和回归树模型，包括以下步骤：
7.根据权利要求6所述的一种基于北斗定位的头盔及安全系统，其特征在于：步骤S31中，所述基尼系数，计算公式为：
8.根据权利要求6所述的一种基于北斗定位的头盔及安全系统，其特征在
...【技术特征摘要】
1.一种基于北斗定位的头盔及安全系统，其特征在于：包括北斗系统、摄像系统、智能学习系统、语音提醒系统和智能监督系统，
2.根据权利要求1所述的一种基于北斗定位的头盔及安全系统，其特征在于：所述构建人工智能模型，包括以下步骤：
3.根据权利要求2所述的一种基于北斗定位的头盔及安全系统，其特征在于：步骤s2中，所述利用自编码器对图像特征数据进行压缩降噪处理，包括以下步骤：
4.根据权利要求3所述的一种基于北斗定位的头盔及安全系统，其特征在于：步骤s21中，所述潜在变量，计算公式为：
【专利技术属性】
技术研发人员：赵健，余江顺，黄隆，蔡云，陈雨然，犹珀玉，余容，
申请(专利权)人：中国电建集团贵州电力设计研究院有限公司，
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。