本发明涉及数据处理,具体为一种基于人工智能的数据分类维护监管系统及方法。
背景技术:
1、随着时代的发展,企业员工上班时用于打卡的设备越来越智能,打卡方式也越来越多样,例如:指纹识别打卡方式和人脸识别打卡方式等,打卡设备的智能化为工作带来了很大的便利性,因此,对用于打卡的智能设备进行维护的必要性也越来越高,及时进行设备维护,能够减少因设备问题对工作上班造成的影响;
2、在利用指纹识别设备进行打卡时,部分员工可能会因指纹多次识别不上导致成功打上卡的时间延迟甚至上班迟到的问题,进行多次的无效打卡识别也在无形中增加了指纹识别设备不必要的能耗。
3、所以,人们需要一种基于人工智能的数据分类维护监管系统及方法来解决上述问题。
技术实现思路
1、本发明的目的在于提供一种基于人工智能的数据分类维护监管系统及方法,以解决上述背景技术中提出的问题。
2、为了解决上述技术问题,本发明提供如下技术方案:一种基于人工智能的数据分类维护监管系统,所述系统包括:设备信息采集模块、数据库、设备信息分析模块、替换目标筛选模块和设备维护管理模块;
3、所述设备信息采集模块的输出端连接所述数据库的输入端,所述数据库的输出端连接所述设备信息分析模块和设备维护管理模块的输入端,所述替换目标筛选模块的输出端连接所述设备维护管理模块的输入端;
4、所述设备信息采集模块用于采集不同员工通过指纹识别设备进行打卡的历史信息和指纹识别信息,将采集到的全部数据传输到所述数据库中;
5、所述数据库用于存储采集到的全部数据;
6、所述设备信息分析模块用于分析打卡历史信息,建立通过指纹识别设备进行打卡的打卡数据分析模型;
7、所述替换目标筛选模块用于依据打卡数据分析模型筛选出需要替换用于匹配的指纹图像的目标;
8、所述设备维护管理模块用于将目标的以往用于匹配的指纹图像进行替换。
9、进一步的,所述设备信息采集模块包括打卡信息采集单元、指纹图像采集单元和识别信息采集单元;
10、所述打卡信息采集单元、指纹图像采集单元和识别信息采集单元的输出端连接所述数据库的输入端;
11、所述打卡信息采集单元用于采集不同员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的间隔时长信息,并采集不同员工因进行不止一次打卡导致迟到的次数;
12、因进行不止一次打卡导致迟到指的是员工到达指纹识别设备前时还未迟到,但是因为指纹识别设备未能一次性识别到员工的指纹、员工经多次按压后才打卡成功且打卡成功时间超出了正常上班时间而导致的迟到现象;
13、所述指纹图像采集单元用于采集不同员工以往打卡时生成的指纹图像;
14、所述识别信息采集单元用于采集指纹识别设备以往每天在成功识别到不同员工指纹前,不同员工需要在指纹识别设备上的手指按压次数;
15、成功识别到员工指纹代表员工打卡成功。
16、进一步的,所述设备信息分析模块包括打卡识别信息调取单元和迟到概率分析单元;
17、所述打卡识别信息调取单元的输入端连接所述数据库的输出端,所述打卡识别信息调取单元的输出端连接所述迟到概率分析模型的输入端;
18、所述打卡识别信息调取单元用于调取间隔时长信息、迟到次数信息以及手指按压次数信息至所述迟到概率分析单元;
19、所述迟到概率分析单元用于分析员工以往打卡迟到的概率,建立通过指纹识别设备进行打卡的打卡数据分析模型。
20、进一步的,所述替换目标筛选模块包括数据比较单元和目标筛选单元;
21、所述数据比较单元的输入端连接所述迟到概率分析单元的输出端,所述数据比较单元的输出端连接所述目标筛选单元的输入端;
22、所述数据比较单元用于设置迟到概率阈值和手指按压次数阈值,将迟到概率阈值和手指按压次数阈值代入打卡数据分析模型中,得到间隔时长阈值,分析不同员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长,比较平均间隔时长和间隔时长阈值;
23、所述目标筛选单元用于筛选出平均间隔时长小于间隔时长阈值的员工作为需要替换指纹库中用于匹配的指纹图像的目标;
24、指纹库中用于匹配的指纹图像指的是指纹库中存储的与对应员工以往每次打卡时生成的指纹图像进行匹配的指纹图像。
25、进一步的,所述设备维护管理模块包括指纹图像分析单元和匹配指纹替换单元;
26、所述指纹图像分析单元的输入端连接所述目标筛选单元和数据库的输出端,所述指纹图像分析单元的输出端连接所述匹配指纹替换单元的输入端;
27、所述指纹图像分析单元用于将不同目标以往进行打卡时生成的指纹图像进行分类,同一个目标生成的指纹图像归为一类,分析随机一个目标以往进行打卡时生成的指纹图像,提取每一个指纹图像,分析剩余指纹图像与提取的指纹图像的相似系数,设置相似系数阈值,统计与提取的每一个指纹图像的相似系数高于阈值的图像数量;
28、所述匹配指纹替换单元用于比较与每一个指纹图像相似系数高于阈值的图像数量,选择与之相似系数高于阈值的图像数量最多的指纹图像作为替换指纹图像,将指纹库中以往默认设置的对应目标的用于匹配的指纹图像替换为替换指纹图像。
29、一种基于人工智能的数据分类维护监管方法,包括以下步骤:
30、s1:采集不同员工通过指纹识别设备进行打卡的历史信息和指纹识别信息;
31、s2:分析打卡历史信息,建立通过指纹识别设备进行打卡的打卡数据分析模型;
32、s3:依据打卡数据分析模型筛选出需要替换用于匹配的指纹图像的目标;
33、s4:将目标的以往用于匹配的指纹图像进行替换。
34、进一步的,在步骤s1中:采集到不同员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长集合为t={t1,t2,...,tn},采集到不同员工因进行不止一次打卡导致迟到的次数集合为u={u1,u2,...,un},员工上班天数集合为v={v1,v2,...,vn},其中,n表示员工数量,采集不同员工以往打卡时生成的指纹图像,采集指纹识别设备以往每天在成功识别到员工指纹前,不同员工需要在指纹识别设备上的手指按压次数,统计到n个员工的手指按压平均次数集合w={w1,w2,...,wn}。
35、进一步的,在步骤s2中:根据公式计算随机一个员工因进行不止一次打卡导致迟到的概率pi,得到n个员工因进行不止一次打卡导致迟到的概率集合为p={p1,p2,...,pn},生成训练样本数据为{(t1,w1,p1),(t2,w2,p2),...,(tn,wn,pn)},其中,ui表示随机一个员工因进行不止一次打卡导致迟到的次数,vi表示随机一个员工的上班天数,将训练样本数据进行拟合,建立打卡数据分析模型:z=γ1*x+γ2*y+k,其中,γ1、γ2和k表示拟合系数,x和y表示模型的自变量,z表示模型的因变量,根据下列公式分别求解γ1、γ2和k:
36、
37、
38、
39、其中,ti表示随机一个员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长,wi表示以往在成功识别到员工指纹前,随机一个员工需要在指纹识别设备上的手指按压平均次数;
40、通过大数据技术采集员工以往通过指纹识别设备进行打卡的历史信息,分析员工因进行不止一次打卡导致迟到的概率,除此之外,考虑到员工开始进行指纹识别的时间,即到达公司的时间以及打卡成功前的手指按压次数会对概率产生影响,结合概率、时间和次数这三个参数生成训练样本,依据训练样本建立打卡数据分析模型,目的在于判断在迟到概率和手指按压次数达到一定程度时,员工通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长为多少时,大概率会导致迟到,筛选出对应员工作为需要替换指纹库中用于匹配的指纹图像的目标,依据由历史数据训练生成的模型来进行筛选,提高了目标筛选结果的准确性和合理性。
41、进一步的,在步骤s3中:设置迟到概率阈值为p阈,手指按压次数阈值为w,将p阈和w代入打卡数据分析模型中:令z=p阈、y=w,得到间隔时长阈值为t,比较ti和t:若ti<t,将ti对应的员工作为需要替换指纹库中用于匹配的指纹图像的目标;若ti≥t,则不作为目标,比较n个员工以往通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长和t,筛选出所有需要替换指纹库中用于匹配的指纹图像的目标。
42、进一步的,在步骤s4中:调取目标以往打卡时生成的指纹图像,将筛选出的目标以往进行打卡时生成的指纹图像进行分类,同一个目标生成的指纹图像归为一类,统计到随机一类指纹图像数量为m,m个图像尺寸相同,在m个图像上设置相同的等间距采样点,相邻两个采样点间距为d,利用opencv技术提取m个指纹图像的轮廓,从同一类图像中提取出随机一个图像,将剩余的m-1个图像一一与提取出的图像进行重合叠加,根据下列公式计算提取出的图像与同一类中剩余的随机一个图像的相似系数rj:
43、
44、其中,a表示提取出的图像的轮廓区域,b表示剩余的随机一个图像的轮廓区域,na∩b表示同时落入区域a和b的采样点数量,na∩b表示落入区域a或b的采样点数量,得到剩余m-1和图像与提取出的图像的相似系数集合为r={r1,r2,...,rj,...,rm-1},设置相似系数阈值为q,统计到m-1个图像中与提取出的图像相似系数高于q的图像数量为fe,一一提取m个图像,统计到提取每个图像后剩余图像与提取出的图像相似系数高于q的图像数量集合为f={f1,f2,...,fm},比较图像数量,选择剩余图像与之相似系数高于q的图像数量最多的提取出来的指纹图像作为替换指纹图像,将指纹库中以往默认设置的对应目标的用于匹配的指纹图像替换为替换指纹图像;
45、从目标以往打卡时生成的指纹图像中选择替换的图像,并选择生成的指纹图像中有多数与之相似的图像作为替换指纹图像,将原先指纹库中用于识别匹配的指纹图像进行替换,有利于提高替换图像后识别出目标指纹的概率,减少了后期指纹识别设备无效识别目标指纹的次数,降低了指纹识别设备的能耗,同时减少了员工因成功打卡延时导致迟到的现象。
46、与现有技术相比,本发明所达到的有益效果是:
47、本发明通过通过大数据技术采集员工以往通过指纹识别设备进行打卡的历史信息,分析员工因进行不止一次打卡导致迟到的概率,除此之外,考虑到员工开始进行指纹识别的时间,即到达公司的时间以及打卡成功前的手指按压次数会对概率产生影响,结合概率、时间和次数这三个参数生成训练样本,依据训练样本建立打卡数据分析模型,目的在于判断在迟到概率和手指按压次数达到一定程度时,员工通过指纹识别设备进行打卡上班的时间到上班迟到时间之间的平均间隔时长为多少时,大概率会导致迟到,筛选出对应员工作为需要替换指纹库中用于匹配的指纹图像的目标,依据由历史数据训练生成的模型来进行筛选,提高了目标筛选结果的准确性和合理性;
48、从目标以往打卡时生成的指纹图像中选择替换的图像,并选择生成的指纹图像中有多数与之相似的图像作为替换指纹图像,将原先指纹库中用于识别匹配的指纹图像进行替换,有利于提高替换图像后识别出目标指纹的概率,减少了后期指纹识别设备无效识别目标指纹的次数,降低了指纹识别设备的能耗,同时减少了员工因成功打卡延时导致迟到的现象。