一种基于智能穿戴设备的施工人员管理系统的制作方法

1.本发明涉及人员管理技术领域，具体为一种基于智能穿戴设备的施工人员管理系统。


背景技术：

2.在项目施工过程中，对施工人员的管理时重要的一项工作，在此过程中，不仅要合理安排好施工人员的任务，还需要及时对人员的安全状态及身体状态进行及时的监测，进而能最大限度地规避或降低企业和相关人员因生产事故带来的伤害。
3.随着智能硬件及计算机技术的快速发展，通过智能化的监测方式对施工人员的工作状态及身体状态进行判断，进而能够更加准确和及时的对人员状态进行判断，例如通过人员佩戴相关的智能检测设备，例如智能手环等形式，对施工人员的生理参数进行获取分析，进而在施工人员的身体状况出现异常时及时进行预警。
4.然而，此种检测生理参数的方式难以对参数比对的标准进行统一，具体的，施工人员在不同的状态下，其生理参数会存在明显的差异，而若统一使用较大的标准范围，虽然能够在施工人员极限身体状态下进行判断，但此种方式大大的限制了其对施工人员在不同场景下的状态监测，进而具有较大的局限性。


技术实现要素：

5.本发明的目的在于提供一种基于智能穿戴设备的施工人员管理系统，解决以下技术问题：
6.如何在不同场景下实现对施工人员状态的准确判断。
7.本发明的目的可以通过以下技术方案实现：
8.一种基于智能穿戴设备的施工人员管理系统，所述系统包括：
9.智能穿戴设备，包括人体姿态监测模块及生理状况监测模块；
10.所述人体姿态监测模块用于获取人员的动作姿势，生成姿态数据；
11.所述生理监测模块用于实时监测人员的生理参数，生成生理参数数据；
12.分析识别模块，用于接收姿态数据及生理参数数据，根据姿态数据判断人员是否出现危险动作并生成第一预警信号，及通过用户累计的姿态数据及实时的生理参数数据，判断人员工作时的身体状态并生成第二预警信号；
13.预警模块，用于执行第一预警信号及第二预警信号。
14.于一实施例中，所述第一预警信号生成的过程为：
15.基于大数据获取施工过程安全动作姿态样本及危险动作姿态样本；
16.分别提取安全动作姿态样本及危险动作姿态样本中的身体关键点对应的三维数据集；
17.将安全动作姿态样本的三维数据集作为正样本，将危险动作姿态样本的三维数据集作为负样本进行卷积神经网络学习，获得识别模型；
18.将用户实时姿态数据对应的三维数据集输入至识别模型进行判断，获取用户动作的安全风险。
19.于一实施例中，所述安全动作姿态样本包括工作状态样本及非工作状态样本；
20.所述识别模型还用于根据用户实时姿态数据对应的三维数据集，判断用户的工作状态。
21.于一实施例中，所述第二预警信号生成的过程为：
22.获取人员的生理参数数据，对生理参数数据进行分析，获取人员生理状态值v
phy
；
23.将人员的生理状态值v
phy
与第一预设阈值及第二预设阈值进行比对：
24.若生理状态值v
phy
＞第二预设阈值，则生成第二预警信号；
25.若第二预设阈值≥生理状态值v
phy
≥第一预设阈值，则进行状态分析：
26.所述状态分析的过程为：
27.获取人员当前班次的状态信息及对应的时间信息；
28.通过公式获取状态系数v
state
；
29.其中，[ti，tj]为人员处于工作状态的时段，[t
x
，ty]为人员处于非工作状态的时段，δ、ε为预设权重系数，且δ＞ε＞0；
[0030]
将生理状态值v
phy
与阈值函数v
thr
(v
state
)进行比对：
[0031]
若v
phy
≥v
thr
(v
state
)，则生成第二预警信号；
[0032]
所述第二预警信号用于对人员的身体状态进行预警。
[0033]
于一实施例中，所述生理状态值获取的过程为：
[0034]
通过生理状况监测模块获取人员的心跳、体温及血氧；
[0035]
通过公式通过公式计算出生理状态值v
phy
；
[0036]
其中，h为心跳数值，h0为心跳标准值；w为体温数值，w0为体温标准值；o为血氧数值，o0为血氧标准值；δh为预设心跳偏差值；δw为预设体温偏差值；δo为预设血氧偏差值；t为环境温度，h为环境湿度；θ(t，h)为心跳环境因素影响函数；μ(t，h)为体温环境因素影响函数；σ(t，h)为血氧环境因素影响函数。
[0037]
于一实施例中，所述分析识别模块还用于根据状态系数v
state
调整人员休整时间，所述休整时间调整的过程为：
[0038]
将状态系数v
state
与设定阈值v
set
进行比对，当状态系数v
state
达到设定阈值v
set
时，对相关人员发送休整信号。
[0039]
于一实施例中，所述系统还包括智能调度模块，所述智能调度模块用于根据人员的状态系数v
state
进行任务调配。
[0040]
于一实施例中，所述任务调配的过程为：
[0041]
获取任务的需求人员数量n及预计用时s；
[0042]
对临时休整的人员按低到高进行状态系数v
state
排序，选取排序前n名人员；
[0043]
对排序第n名人员进行s时间段后的状态系数v
state
预测分析，判断状态系数v
state
是否超过预设状态系数阈值v
thr
：
[0044]
若超过，则推迟当前任务，直至第n名人员s时间段后的状态系数v
state
≤预设状态系数阈值v
thr
；
[0045]
否则，立即开始该任务。
[0046]
于一实施例中，所述人体姿态监测模块包括分布安装于工作服关键位置点的空间位置定位器；
[0047]
所述生理状况监测模块包括智能手环。
[0048]
本发明的有益效果：
[0049]
(1)本发明在利用生理状况监测模块实时监测人员的生理参数数据的同时，还通过人体姿态监测模块实时获取人员的动作姿势，进而通过用户累计的姿态数据及实时的生理参数数据进行综合分析，能够根据施工人员的施工实际工作状态来对其生理参数数据进行适应性的判断分析，进而实现不同场景下的人员状态准确判断。
附图说明
[0050]
下面结合附图对本发明作进一步的说明。
[0051]
图1是本发明中施工人员管理系统的概要框示意图。
具体实施方式
[0052]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0053]
请参阅图1所示，在一个实施例中，提供了一种基于智能穿戴设备的施工人员管理系统，系统包括：
[0054]
智能穿戴设备，包括人体姿态监测模块及生理状况监测模块；
[0055]
人体姿态监测模块用于获取人员的动作姿势，生成姿态数据；
[0056]
生理监测模块用于实时监测人员的生理参数，生成生理参数数据；
[0057]
分析识别模块，用于接收姿态数据及生理参数数据，根据姿态数据判断人员是否出现危险动作并生成第一预警信号，及通过用户累计的姿态数据及实时的生理参数数据，判断人员工作时的身体状态并生成第二预警信号；
[0058]
预警模块，用于执行第一预警信号及第二预警信号。
[0059]
通过上述技术方案，在利用生理状况监测模块实时监测人员的生理参数数据的同时，还通过人体姿态监测模块实时获取人员的动作姿势，进而通过用户累计的姿态数据及实时的生理参数数据进行综合分析，能够根据施工人员的施工实际工作状态来对其生理参数数据进行适应性的判断分析，进而实现不同场景下的人员状态准确判断，具体的，人体姿态监测模块包括分布安装于工作服关键位置点的空间位置定位器；通过对空间位置定位器的检测，进而针对每个施工人员形成对应的数据，而生理状况监测模块可通过现有技术中智能手环的方式实现，能够对人体的多种生理参数进行实时的监测。
[0060]
另外，还可以单独根据姿态数据来判断人员是否出现危险动作，并在出现危险动作时生成第一预警信号，及时对施工人员的违规行为进行处理，例如，在工作时段抽烟时，
可通过抽烟对应的姿态数据与实际姿态数据进行相似度匹配，进而能够对该行为进行判断。
[0061]
作为本发明的一种实施方式，第一预警信号生成的过程为：
[0062]
基于大数据获取施工过程安全动作姿态样本及危险动作姿态样本；
[0063]
分别提取安全动作姿态样本及危险动作姿态样本中的身体关键点对应的三维数据集；
[0064]
将安全动作姿态样本的三维数据集作为正样本，将危险动作姿态样本的三维数据集作为负样本进行卷积神经网络学习，获得识别模型；
[0065]
将用户实时姿态数据对应的三维数据集输入至识别模型进行判断，获取用户动作的安全风险。
[0066]
通过上述技术方案，本实施例提供了第一预警信号生成的过程，具体的，首先基于大数据获取常见施工过程中的危险动作姿态数据及安全动作姿态数据，然而针对不同数据进行关键位置点数据识别，进而获取针对每个数据获取对应的单位数据集，之后再将安全动作姿态样本的三维数据集作为正样本，将危险动作姿态样本的三维数据集作为负样本进行卷积神经网络学习，进而获得识别模型；通过识别模型，进而能够根据用户实时的姿态数据判断用户的安全风险。
[0067]
需要说明的是，上述技术方案中识别模型训练以及样本数据采集相关的具体过程均可采用机器学习领域相关的现有技术实现，在此不作赘述。
[0068]
作为本发明的一种实施方式，安全动作姿态样本包括工作状态样本及非工作状态样本；
[0069]
识别模型还用于根据用户实时姿态数据对应的三维数据集，判断用户的工作状态。
[0070]
进一步地，本实施例在识别模型建立过程中，还针对施工人员的工作状态进行划分，具体的，安全动作姿态样本包括工作状态样本及非工作状态样本，因此通过工作状态样本及非工作状态样本进行训练学习，进而能够利用识别模型，根据用户实时姿态数据对应的三维数据集，判断用户的工作状态。
[0071]
作为本发明的一种实施方式，第二预警信号生成的过程为：
[0072]
获取人员的生理参数数据，对生理参数数据进行分析，获取人员生理状态值v
phy
；
[0073]
将人员的生理状态值v
phy
与第一预设阈值及第二预设阈值进行比对：
[0074]
若生理状态值v
phy
＞第二预设阈值，则生成第二预警信号；
[0075]
若第二预设阈值≥生理状态值v
phy
≥第一预设阈值，则进行状态分析：
[0076]
所述状态分析的过程为：
[0077]
获取人员当前班次的状态信息及对应的时间信息；
[0078]
通过公式获取状态系数v
state
；
[0079]
其中，[ti，tj]为人员处于工作状态的时段，[t
x
，ty]为人员处于非工作状态的时段，δ、ε为预设权重系数，且δ＞ε＞0；
[0080]
将生理状态值v
phy
与阈值函数v
thr
(v
state
)进行比对：
[0081]
若v
phy
≥v
thr
(v
state
)，则生成第二预警信号；
[0082]
所述第二预警信号用于对人员的身体状态进行预警。
[0083]
通过上述技术方案，本实施例给出了一种第二预警信号的生成过程，具体地，首先获取人员的生理参数数据并对其进行分析获取人员生理状态值，之后再将生理状态值与第一预设阈值及第二预设阈值进行比对，其中，第二预设阈值根据人员的极限状态下设定，因此当生理状态值＞第二预设阈值时，无论人员所处的状态如何，均说明其身体状态出现异常，因此生成第二预警信号；而当第二预设阈值≥生理状态值≥第一预设阈值时，由于第一预设阈值根据人员非工作状态下的生理参数设定，因此此时通过状态分析来进一步判断，具体的，通过公式具体的，通过公式获取状态系数v
state
，通过状态系数v
state
来对人员的工作状态进行判断，具体地，状态系数v
state
反映出人员在当前班次下工作与休息时间的整体状况，之后通过阈值函数v
thr
(v
state
)，进而能够建立状态系数与该状态系数下生理参数的状况，进而通过生理状态值v
phy
与阈值函数v
thr
(v
state
)的比对，实现适应性判断人员身体状态的效果，提高判断的准确性。
[0084]
对状态系数进一步的说明，状态系数公式根据工作状态的持续时长及非工作状态的持续时长进行分析判断计算，且工作状态持续时长越长，状态系数越大，非工作状态持续时长越长，状态系数越小，进而通过状态系数能够反映出人员的累计工作状态；另外，阈值函数中状态系数与生理状态值参数的对应关系根据历史数据选择性设定，在此不作详述。
[0085]
作为本发明的一种实施方式，生理状态值获取的过程为：
[0086]
通过生理状况监测模块获取人员的心跳、体温及血氧；
[0087]
通过公式通过公式计算出生理状态值v
phy
；
[0088]
其中，h为心跳数值，h0为心跳标准值；w为体温数值，w0为体温标准值；o为血氧数值，o0为血氧标准值；δh为预设心跳偏差值；δw为预设体温偏差值；δo为预设血氧偏差值；t为环境温度，h为环境湿度；θ(t，h)为心跳环境因素影响函数；μ(t，h)为体温环境因素影响函数；σ(t，h)为血氧环境因素影响函数。
[0089]
通过上述技术方案，本实施例提供了一种生理状态值的获取过程，具体地，结合人员的心跳、体温及血氧参数进行分析，通过公式计算出生理状态值v
phy
，生理状态值v
phy
能够反映出人员的各项生理参数与标准参数的差值状况，而θ(t，h)、μ(t，h)及σ(t，h)会根据当前环境因素的变换而调整，进而在不同的环境状态下，生理状态值v
phy
会进行对应的调整，提高不同环境状态下判断的准确性。
[0090]
上述技术方案中，θ(t，h)、μ(t，h)及σ(t，h)与环境温度t及环境湿度h的关系根据人体在不同环境下各项参数的平均数值选定获取，δh、δw、δo根据经验数据选择设定，在此不作详述。
[0091]
作为本发明的一种实施方式，分析识别模块还用于根据状态系数v
state
调整人员休整时间，休整时间调整的过程为：
[0092]
将状态系数v
state
与设定阈值v
set
进行比对，当状态系数v
state
达到设定阈值v
set
时，对相关人员发送休整信号。
[0093]
通过上述技术方案，本实施例根据上述方案中获取的状态系数v
state
对人员的休整时间进行调整，当状态系数v
state
达到设定阈值v
set
时，说明人员即将要超负荷工作，因此及时使其进行休整，进而使得人员的管理更加合理。
[0094]
作为本发明的一种实施方式，系统还包括智能调度模块，智能调度模块用于根据人员的状态系数v
state
进行任务调配。
[0095]
作为本发明的一种实施方式，任务调配的过程为：
[0096]
获取任务的需求人员数量n及预计用时s；
[0097]
对临时休整的人员按低到高进行状态系数v
state
排序，选取排序前n名人员；
[0098]
对排序第n名人员进行s时间段后的状态系数v
state
预测分析，判断状态系数v
state
是否超过预设状态系数阈值v
thr
：
[0099]
若超过，则推迟当前任务，直至第n名人员s时间段后的状态系数v
state
≤预设状态系数阈值v
thr
；
[0100]
否则，立即开始该任务。
[0101]
通过上述技术方案，本实施例中的系统还包括智能调度模块，智能调度模块能够基于人员的状态系数v
state
实现任务的智能调配，具体地，首先获取任务相关的信息，包括需求人员数量n及预计用时s，之后对临时休整的人员按低到高进行状态系数v
state
排序，选取排序前n名人员；对排序第n名人员进行s时间段后的状态系数v
state
预测分析，显然，当排名第n的人员的状态系数未超过预设状态系数阈值时，说明整体的人员都能直接开启工作，而若超过预设状态系数阈值时，则推迟当前任务，保证所有人员在完整任务时的状态。
[0102]
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。