[发明专利]基于AI视觉技术的作业人员合规性检测方法

说明书

本发明公开了基于AI视觉技术的作业人员合规性检测方法,通过步骤S1：构建作业人员合规性检测标准体系；步骤S2：收集作业人员标准体系数据；步骤S3：通过利用执行改进的K‑means聚类算法确定作业人员特征检测指标；步骤S4：实现作业人员合规性检测，本发明提出一种基于AI视觉技术的作业人员合规性检测方法，对现有方法中建立合规性统一的标准体系，包括六个标准要求，通过利用算法对采集的作业人员数据进行特征提取与分类处理，最后与基准进行比较，判断出作业人员没想标准要求的合规性与否，该方法简单、快捷、准确率高可进行大规模的推广。

技术领域

发明涉及合规性检测的领域,尤其涉及基于AI视觉技术的作业人员合规性检测方法。

背景技术

工厂作业人员在进行生产过程中，作业的合规性是不可避免的，合规性包括多个范围，如机器操作的合规性、时间管理的合规性、衣着的合规性等等，这些对于生产都起着极其重要的作用。

专利CN111915407A公开了一种对象合规性检测方法及系统，根据输入的待检测对象的对象标识，获取所述待检测对象的对象信息；确定输入所述对象标识的用户对应的目标合规性检测模型，并将所述对象信息输入所述目标合规性检测模型；根据所述目标合规性检测模型的输出，确定所述待检测对象的检测结果。本说明书中针对每个用户，可以采用针对性的目标合规性检测模型进行合规性检测，且只需要输入待检测对象的对象标识，即可自动得到待检测对象的检测结果，不需要用户一一检测，极大的解放了人力，且提供了待检测对象的检测效率。

现有方法中并未对合规性建立统一的标准体系，合规性具体包括的范围有哪些，建立标准体系后如何对数据进行准确的识别与处理，从而判断作业人员的合规与否是亟需解决的问题。

发明内容

为了克服现有技术存在的缺点与不足,本发明提供基于AI视觉技术的作业人员合规性检测方法。

本发明所采用的技术方案是，该方法包括步骤为：

步骤S1：构建作业人员合规性检测标准体系，检测标准体系是对作业人员合规性进行检测的基准，当作业人员的标准要求数据高于基准时，则作业人员合规，否则，不合规。

步骤S2：收集作业人员标准体系数据，利用数据收集器进行收集；

步骤S3：通过利用执行改进的K-means聚类算法确定作业人员特征检测指标，该步骤是作业人员合规性检测的核心，利用算法对作业人员的大量数据进行特征提取与分类；

步骤S4：实现作业人员合规性检测，将检测结果以日常合规性曲线的方式呈现，方便查阅。

所述步骤S1中，合规性检测标准体系分为六个部分，包括穿着标准要求、语言标准要求、机器操作标准要求、行为动作标准要求、时间标准要求、定位标准要求。

进一步地，所述步骤S2中，在作业人员合规性检测中利用的检测工具是合规性检测标准体系数据收集器，检测工作通过扫描的方式获取作业人员合规性检测标准体系内容数据，进入步骤S3得出作业人员标准要求特征的选择聚类结果；终端逐个启动检查，并对比合规性检测标准体系标准，符合检查标准，则进入下一项检查；不符合标准，则违规扣分，然后进行下一项扫描，直到所有标准要求扫描完成，检测工具的基础上，接入一个存储条，当整个扫描项目结束后，在存储条里记录整个扫描结果项目，该记录可以导出或者上报控制台。

进一步地，所述步骤S3中，作业人员数据特征提取与分类的步骤为：首先利用KL变换对作业人员数据进行压缩与简化，同时对简化后的数据进行比对，判断是否有异常数据，若有，剔除后进行分析；然后利用基于KL散度和k-means算法进行用作业人员数据信息的特征提取与分类，对不同类型的作业人员数据进行划分；最后对分类后的所有作业人员的数据进行综合，绘制出工作人员的综合日常合规性曲线。

进一步地，所述k-means算法的关键步骤为确定聚类的个数i和初始聚类中心，初始聚类中心影响到同一簇内数据点的平均距离z；