一种基于巡检过程中的违规操作分析方法与流程

1.本发明涉及违规操作分析技术领域，尤其涉及一种基于巡检过程中的违规操作分析方法。


背景技术：

2.在电站的日常巡检工作中,保障工作人员的人身安全以及安全生产是重中之重，安全管理稍不注意就容易导致重大的人身伤亡等安全责任事故。若巡检过程中工作人员存在违规操作则会极大的增加作业安全风险，影响工作人员的人身安全。在安全作业的监管工作中,由于隐患点多、覆盖面大,难以做到全方位全周期的监管。尤其无法进行违规操作的实时监测，对于工作人员的违规操作缺乏预警能力,对于安全事件记录与回溯难度大。
3.现有技术中常用的巡检违规操作往往通过视频监测，实时发现操作人员是否有违规操作，或在巡检过程完成以后，通过监控回溯之前巡检过程，查看是否存在违规操作。通过视频监控实时查看巡检人员是否存在违规操作的方法，需要人为监控，并且过程中容易出现遗漏，导致某些违规操作无法发现。这种方法也是效率极其低下的。而通过监控进行回溯则不具备时效性，无法及时发现巡检人员的违规操作，具有一定的滞后性。
4.现在急需一种用于巡检过程中的智能化实时监控违规操作的方法解决这类难题。


技术实现要素：

5.本发明提供了一种基于巡检过程中的违规操作分析方法，以解决现有技术中存在的在电站的日常巡检工作中,保障工作人员的人身安全以及安全生产是重中之重，安全管理稍不注意就容易导致重大的人身伤亡等安全责任事故。若巡检过程中工作人员存在违规操作则会极大的增加作业安全风险，影响工作人员的人身安全。在安全作业的监管工作中,由于隐患点多、覆盖面大,难以做到全方位全周期的监管。尤其无法进行违规操作的实时监测，对于工作人员的违规操作缺乏预警能力,对于安全事件记录与回溯难度大的上述问题。
6.为了达到上述目的，本发明提供如下技术方案：
7.一种基于巡检过程中的违规操作分析方法，包括：
8.s101：基于巡检人员佩戴智能设备采集工作过程中的巡检操作数据，将巡检操作数据传输至巡检操作存储库中；
9.s102：基于巡检违规操作告警学习模型对当前的巡检操作数据进行分析，通过分析自动识别违规操作；
10.s103：对自动识别的违规操作进行风险评估，获取风险评估等级，基于风险评估等级对当前的违规操作进行对应的预警管控。
11.其中，所述s101步骤包括：
12.s1011：根据巡检操作监控的不同对巡检工作区域进行场景层次划分，将不同层次区域的监控范围与待采集的巡检操作数据进行关联，获取采集关联模型；
13.s1012：基于巡检人员所在对应层次区域，智能设备根据采集关联模型获取待采集
数据，待采集数据包括语义分割数据和目标检测数据；
14.s1013：智能设备通过语义分割数据获取当前巡检人员需完成的巡检任务，通过语音提醒巡检人员进行对应的操作，再通过目标检测数据采集巡检人员操作的视频数据，该视频数据传输至巡检操作存储库中。
15.其中，所述s102步骤包括：
16.s1021：基于巡检操作存储库中存储的数据进行场景特征数据提取，基于场景特征数据中违规操作数据构建巡检违规操作告警学习模型；
17.s1022：基于巡检违规操作告警学习模型设定对应违规操作阀值，通过对应违规操作阀值对当前采集巡检操作数据进行判断；
18.s1023：若当前采集巡检操作数据到达对应违规操作阀值，则判定为违规操作，输出对应的违规分析报告，若当前采集巡检操作数据小于或等于对应违规操作阀值，则判定为正常巡检操作，输出下一步巡检指导报告。
19.其中，所述s103步骤包括：
20.s1031：提取巡检操作存储库中存储的违规操作数据以及对应的安全风险事故数据，通过智能管控平台对安全风险事故数据进行层层分析，构建违规操作数据与安全风险事故数据的逻辑关系；
21.s1032：基于安全风险事故数据划分安全风险评估等级，安全风险评估等级包括低风险、较低风险、中等风险、较高风险和高风险；
22.s1033：基于当前自动识别的违规操作以及对应的逻辑关系获取当前的安全风险事故，再将当前的安全风险事故进行风险评估等级划分，基于风险评估等级进行预警提醒并采取对应管理措施。
23.其中，所述s1013步骤包括：
24.在通过目标检测数据采集巡检人员操作的视频数据过程中，根据目标检测数据对视频数据进行目标图像截取处理，再对目标图像进行预处理操作，其中，预处理操作包括将彩色的图像转化为灰度图像、对图像进行数据增强。
25.其中，通过神经网络算法对预处理后的图像与巡检操作存储库中对应标准图像进行分析与对比，若对比结果一致则无需校正，若对比结果不一致则通过神经网络算法进行自动校正，通过用于记录校正过程中所采集的控制点实际值和理论值的坐标信息以及通过对图像点、线、区各方面收录数据进行逐层对比、逐层校正。
26.其中，所述s1022步骤包括：
27.在设定对应违规操作阀值之前先进行操作图像目标预测，将巡检操作存储库中选定的图像划分为不重合的小方格，目标的中心点落在哪个小方格内，则由这个小方格负责检测这个目标，并预测出目标的边界框；
28.基于目标的边界框获取边界框的置信度，再采用非极值抑制算法对每个边界框进行排序，将每个框的置信度与设定阈值进行比较，小于设定阈值则置为0；然后再分类别进行非极大值抑制算法，从所有的检测框中找到置信度最大的框，计算此框与其他框的交并比，若交并比大于设定阈值，则将该框置于0；每个检测框只保留置信度大于0且预设值的类，检测出对应的各类目标。
29.其中，通过对应的各类目标获取目标检测模型，将目标检测模型和场景识别模型
进行融合，根据识别到的场景以及目标进行当前场景下的安全判定，目标检测模型包括特定对象，根据特定对象生成对象列表，该对象列表记录目标检测模型参数，参数包括中心点位置、边框大小、类别标记，该参数被其他程序读取和调用。
30.其中，所述s1033步骤包括：
31.将当前的安全风险事故进行风险评估等级划分过程中，将安全风险事故划分为不同层级，再建立安全风险事故与违规操作因素之间的从属关系，最后构建层次结构模型，以层次结构模型为基础，确定层次结构模型中每个层次元素相对应的重要性，用数值表示，构建判断矩阵；再根据判断矩阵进行层次单排序操作，通过层次单排序操作获取本层次与之有联系的各层集之间重要性次序的权值，最后通过权值判断矩阵的一致性指标。
32.其中，根据判断矩阵进行层次单排序操作包括：
33.对判断矩阵的每一列进行归一化处理，再将每一列经过归一化后的判断矩阵元素按行相加，获取对应向量，将对应向量进行归一化处理，获取特征向量，再计算判断矩阵的特征根数值，通过特征根数值进行层次单排序。
34.与现有技术相比，本发明具有以下优点：
35.一种基于巡检过程中的违规操作分析方法，包括：基于巡检人员佩戴智能设备采集工作过程中的巡检操作数据，将巡检操作数据传输至巡检操作存储库中；基于巡检违规操作告警学习模型对当前的巡检操作数据进行分析，通过分析自动识别违规操作；对自动识别的违规操作进行风险评估，获取风险评估等级，基于风险评估等级对当前的违规操作进行对应的预警管控。通过智能设备实现监控全范围覆盖，通过巡检违规操作告警学习模型准确识别违规操作行为，通过风险评估对违规操作行为进行有效的风险预警提醒，从而达到违规操作实时监控以及预警防范的目的。
36.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
37.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
38.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
39.图1为本发明实施例中一种基于巡检过程中的违规操作分析方法的流程图；
40.图2为本发明实施例中采集工作过程中的巡检操作数据的流程图；
41.图3为本发明实施例中通过分析自动识别违规操作的流程图。
具体实施方式
42.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
43.本发明实施例提供了一种基于巡检过程中的违规操作分析方法，包括：
44.s101：基于巡检人员佩戴智能设备采集工作过程中的巡检操作数据，将巡检操作数据传输至巡检操作存储库中；
45.s102：基于巡检违规操作告警学习模型对当前的巡检操作数据进行分析，通过分析自动识别违规操作；
46.s103：对自动识别的违规操作进行风险评估，获取风险评估等级，基于风险评估等级对当前的违规操作进行对应的预警管控。
47.上述技术方案的工作原理为：为保障巡检人员的人身安全以及安全生产，通过给巡检人员佩戴智能设备实现巡检人员随走随拍对整个工作过程的实时监控，巡检人员可将设备佩戴于胸前或者头顶,对于巡检操作的整个过程都清晰可见，近距离监控人员操作步骤。同时智能设备采集的画面将实时传输存于本地服务器的巡检操作存储库中，不同地点设备的巡检画面分别归类存储，在同一地点设备的巡检画面中提取出基础图像特征，前期可人为对视频中的违规操作及操作风险进行异常标记告警，并生成基础图像的告警训练集用以构建巡检违规操作告警学习模型。后期调整告警阈值，对整个巡检过程的监控图像完成自动分析。在巡检工作结束时自动生成巡检违规操作报告并附以视频截图为证，以此达到违规操作实时监控以及预警防范的目的。
48.上述技术方案的有益效果为：基于巡检人员佩戴智能设备采集工作过程中的巡检操作数据，将巡检操作数据传输至巡检操作存储库中；基于巡检违规操作告警学习模型对当前的巡检操作数据进行分析，通过分析自动识别违规操作；对自动识别的违规操作进行风险评估，获取风险评估等级，基于风险评估等级对当前的违规操作进行对应的预警管控。通过智能设备实现监控全范围覆盖，通过巡检违规操作告警学习模型准确识别违规操作行为，通过风险评估对违规操作行为进行有效的风险预警提醒，从而达到违规操作实时监控以及预警防范的目的。
49.在另一实施例中，所述s101步骤包括：
50.s1011：根据巡检操作监控的不同对巡检工作区域进行场景层次划分，将不同层次区域的监控范围与待采集的巡检操作数据进行关联，获取采集关联模型；
51.s1012：基于巡检人员所在对应层次区域，智能设备根据采集关联模型获取待采集数据，待采集数据包括语义分割数据和目标检测数据；
52.s1013：智能设备通过语义分割数据获取当前巡检人员需完成的巡检任务，通过语音提醒巡检人员进行对应的操作，再通过目标检测数据采集巡检人员操作的视频数据，该视频数据传输至巡检操作存储库中。
53.上述技术方案的工作原理为：根据巡检操作监控的不同对巡检工作区域进行场景层次划分(场景层次是指不同的巡检场景有不同的操作要求)，将不同层次区域的监控范围与待采集的巡检操作数据进行关联，获取采集关联模型(为了检测特定场景下巡检人员是否符合安全操作规定需要检测不同的目标，待采集的巡检操作数据指需要检测的不同目标)；基于巡检人员所在对应层次区域，智能设备根据采集关联模型获取待采集数据(以电焊场景为例，需要检测工作人员是否佩戴安全帽、安全手套、护目镜以及身穿工作服)，待采集数据包括语义分割数据和目标检测数据；智能设备通过语义分割数据获取当前巡检人员需完成的巡检任务(先对当前巡检场景进行识别，可采取特定环境下的固定对象场景识别、上下文场景识别、区域场景识别)，通过语音提醒巡检人员进行对应的操作，再通过目标检测数据采集巡检人员操作的视频数据，该视频数据传输至巡检操作存储库中。
54.上述技术方案的有益效果为：根据巡检操作监控的不同对巡检工作区域进行场景
层次划分，将不同层次区域的监控范围与待采集的巡检操作数据进行关联，获取采集关联模型；基于巡检人员所在对应层次区域，智能设备根据采集关联模型获取待采集数据，待采集数据包括语义分割数据和目标检测数据；智能设备通过语义分割数据获取当前巡检人员需完成的巡检任务，通过语音提醒巡检人员进行对应的操作，再通过目标检测数据采集巡检人员操作的视频数据，该视频数据传输至巡检操作存储库中。从而实现对特定巡检场景进行全面的数据采集，达到违规操作实时监控以及预警防范的目的。
55.在另一实施例中，所述s102步骤包括：
56.s1021：基于巡检操作存储库中存储的数据进行场景特征数据提取，基于场景特征数据中违规操作数据构建巡检违规操作告警学习模型；
57.s1022：基于巡检违规操作告警学习模型设定对应违规操作阀值，通过对应违规操作阀值对当前采集巡检操作数据进行判断；
58.s1023：若当前采集巡检操作数据到达对应违规操作阀值，则判定为违规操作，输出对应的违规分析报告，若当前采集巡检操作数据小于或等于对应违规操作阀值，则判定为正常巡检操作，输出下一步巡检指导报告。
59.上述技术方案的工作原理为：基于巡检操作存储库中存储的数据进行场景特征数据提取，基于场景特征数据中违规操作数据构建巡检违规操作告警学习模型(通过深度学习的方法提取对象特征，识别对应操作场景)；基于巡检违规操作告警学习模型设定对应违规操作阀值，通过对应违规操作阀值对当前采集巡检操作数据进行判断；若当前采集巡检操作数据到达对应违规操作阀值，则判定为违规操作，输出对应的违规分析报告，若当前采集巡检操作数据小于或等于对应违规操作阀值，则判定为正常巡检操作，输出下一步巡检指导报告。
60.基于巡检操作存储库中存储的数据获取对应的目标检测数据和场景识别数据，再将构建的目标检测模型和场景识别模型进行融合，根据识别到的场景以及目标进行当前场景下的安全判定，目标检测模型在图像上标记特定对象，特定对象包括头盔、工作服、护目镜，并生成对应的对象列表，该对象列表记录了中心点位置、边框大小、类别标记等参数，可被其他程序读取和调用。例如：当识别出电焊场景时，调用图像对应的对象列表，确保头盔、手套、护目镜、工作服的识别框同时存在。同时对各个识别框的坐标信息进行位置判断，引入交并比来构造逻辑判断函数。
61.上述技术方案的有益效果为：基于巡检操作存储库中存储的数据进行场景特征数据提取，基于场景特征数据中违规操作数据构建巡检违规操作告警学习模型；基于巡检违规操作告警学习模型设定对应违规操作阀值，通过对应违规操作阀值对当前采集巡检操作数据进行判断；若当前采集巡检操作数据到达对应违规操作阀值，则判定为违规操作，输出对应的违规分析报告，若当前采集巡检操作数据小于或等于对应违规操作阀值，则判定为正常巡检操作，输出下一步巡检指导报告。通过智能设备实现监控全范围覆盖，通过巡检违规操作告警学习模型准确识别违规操作行为，从而达到违规操作实时监控以及预警防范的目的。
62.在另一实施例中，所述s103步骤包括：
63.s1031：提取巡检操作存储库中存储的违规操作数据以及对应的安全风险事故数据，通过智能管控平台对安全风险事故数据进行层层分析，构建违规操作数据与安全风险
事故数据的逻辑关系；
64.s1032：基于安全风险事故数据划分安全风险评估等级，安全风险评估等级包括低风险、较低风险、中等风险、较高风险和高风险；
65.s1033：基于当前自动识别的违规操作以及对应的逻辑关系获取当前的安全风险事故，再将当前的安全风险事故进行风险评估等级划分，基于风险评估等级进行预警提醒并采取对应管理措施。
66.上述技术方案的工作原理为：提取巡检操作存储库中存储的违规操作数据以及对应的安全风险事故数据，通过智能管控平台对安全风险事故数据进行层层分析，构建违规操作数据与安全风险事故数据的逻辑关系；基于安全风险事故数据划分安全风险评估等级，安全风险评估等级包括低风险、较低风险、中等风险、较高风险和高风险；基于当前自动识别的违规操作以及对应的逻辑关系获取当前的安全风险事故，再将当前的安全风险事故进行风险评估等级划分，基于风险评估等级进行预警提醒并采取对应管理措施。
67.其中，在通过智能管控平台对安全风险事故数据进行层层分析过程中，分析近十年来因违规操作造成的安全事故案例，将事故致因分类归纳，并结合事故树将事故致因层层分析，使得巡检过程中的违规操作导致的安全风险因素识别结果更具有合理性、科学性、全面性和系统性。事故树包括四大类：人为因素、机械设备因素、管理因素和环境因素。
68.上述技术方案的有益效果为：提取巡检操作存储库中存储的违规操作数据以及对应的安全风险事故数据，通过智能管控平台对安全风险事故数据进行层层分析，构建违规操作数据与安全风险事故数据的逻辑关系；基于安全风险事故数据划分安全风险评估等级，安全风险评估等级包括低风险、较低风险、中等风险、较高风险和高风险；基于当前自动识别的违规操作以及对应的逻辑关系获取当前的安全风险事故，再将当前的安全风险事故进行风险评估等级划分，基于风险评估等级进行预警提醒并采取对应管理措施。使得巡检过程中的违规操作导致的安全风险因素识别结果更具有合理性、科学性、全面性和系统性。
69.在另一实施例中，所述s1013步骤包括：
70.在通过目标检测数据采集巡检人员操作的视频数据过程中，根据目标检测数据对视频数据进行目标图像截取处理，再对目标图像进行预处理操作，其中，预处理操作包括将彩色的图像转化为灰度图像、对图像进行数据增强。
71.上述技术方案的工作原理为：图像质量的好坏对于识别算法的设计与效果的精度有直接的影响。因此，在进行图像分析(特征提取、分割、匹配和识别等)前，需要进行图像预处理，以消除图像中无关的信息，尽可能保留有用的真实信息，从而增强需要的信息的可检测性，增多图像样本，提高算法的准确度和可靠性。
72.根据目标检测数据对视频数据进行目标图像截取处理，获取初始化图像，初始化图像，通常分为rgb和cmyk类型，在rgb模型中，每个像素点都由r、g、b这三个分量共同决定，每个分量都有255种选择，为了减少计算量，将彩色的图像转化为灰度图像，即图像的灰度化，是非常有必要的。灰度化后的图像每一个像素都由0～255的亮度值来进行表示，代表不同的灰度级，因此将图像灰度化处理后，后续的图像处理计算量会大大减少，且灰度化后的图像仍然可以表征图像的特征.
73.上述技术方案的有益效果为：在通过目标检测数据采集巡检人员操作的视频数据过程中，根据目标检测数据对视频数据进行目标图像截取处理，再对目标图像进行预处理
操作，其中，预处理操作包括将彩色的图像转化为灰度图像、对图像进行数据增强。从而增强需要的信息的可检测性，增多图像样本，提高算法的准确度和可靠性。
74.在另一实施例中，通过神经网络算法对预处理后的图像与巡检操作存储库中对应标准图像进行分析与对比，若对比结果一致则无需校正，若对比结果不一致则通过神经网络算法进行自动校正，通过用于记录校正过程中所采集的控制点实际值和理论值的坐标信息以及通过对图像点、线、区各方面收录数据进行逐层对比、逐层校正。
75.上述技术方案的工作原理为：通过神经网络算法对预处理后的图像与巡检操作存储库中对应标准图像进行分析与对比，若对比结果一致则无需校正，若对比结果不一致则通过神经网络算法进行自动校正，通过用于记录校正过程中所采集的控制点实际值和理论值的坐标信息以及通过对图像点、线、区各方面收录数据进行逐层对比、逐层校正。
76.上述技术方案的有益效果为：通过神经网络算法对预处理后的图像与巡检操作存储库中对应标准图像进行分析与对比，若对比结果一致则无需校正，若对比结果不一致则通过神经网络算法进行自动校正，通过用于记录校正过程中所采集的控制点实际值和理论值的坐标信息以及通过对图像点、线、区各方面收录数据进行逐层对比、逐层校正。从而解决智能设备在进行录像过程中产生的视觉误差问题。
77.在另一实施例中，所述s1022步骤包括：
78.在设定对应违规操作阀值之前先进行操作图像目标预测，将巡检操作存储库中选定的图像划分为不重合的小方格，目标的中心点落在哪个小方格内，则由这个小方格负责检测这个目标，并预测出目标的边界框；
79.基于目标的边界框获取边界框的置信度，再采用非极值抑制算法对每个边界框进行排序，将每个框的置信度与设定阈值进行比较，小于设定阈值则置为0；然后再分类别进行非极大值抑制算法，从所有的检测框中找到置信度最大的框，计算此框与其他框的交并比，若交并比大于设定阈值，则将该框置于0；每个检测框只保留置信度大于0且预设值的类，检测出对应的各类目标。
80.上述技术方案的工作原理为：在设定对应违规操作阀值之前先进行操作图像目标预测，将巡检操作存储库中选定的图像划分为不重合的小方格，目标的中心点落在哪个小方格内，则由这个小方格负责检测这个目标，并预测出目标的边界框；基于目标的边界框获取边界框的置信度，再采用非极值抑制算法对每个边界框进行排序，将每个框的置信度与设定阈值进行比较，小于设定阈值则置为0；然后再分类别进行非极大值抑制算法，从所有的检测框中找到置信度最大的框，计算此框与其他框的交并比，若交并比大于设定阈值，则将该框置于0；每个检测框只保留置信度大于0且预设值的类，检测出对应的各类目标。
81.上述技术方案的有益效果为：通过智能设备实现监控全范围覆盖，通过巡检违规操作告警学习模型准确识别违规操作行为，通过风险评估对违规操作行为进行有效的风险预警提醒，从而达到违规操作实时监控以及预警防范的目的。
82.在另一实施例中，通过对应的各类目标获取目标检测模型，将目标检测模型和场景识别模型进行融合，根据识别到的场景以及目标进行当前场景下的安全判定，目标检测模型包括特定对象，根据特定对象生成对象列表，该对象列表记录目标检测模型参数，参数包括中心点位置、边框大小、类别标记，该参数被其他程序读取和调用。
83.上述技术方案的工作原理为：通过对应的各类目标获取目标检测模型，将目标检
测模型和场景识别模型进行融合，根据识别到的场景以及目标进行当前场景下的安全判定，目标检测模型包括特定对象，根据特定对象生成对象列表，该对象列表记录目标检测模型参数，参数包括中心点位置、边框大小、类别标记，该参数被其他程序读取和调用。
84.上述技术方案的有益效果为：通过对应的各类目标获取目标检测模型，将目标检测模型和场景识别模型进行融合，根据识别到的场景以及目标进行当前场景下的安全判定，目标检测模型包括特定对象，根据特定对象生成对象列表，该对象列表记录目标检测模型参数，参数包括中心点位置、边框大小、类别标记，该参数被其他程序读取和调用。有效保证巡检人员的安全，降低了操作风险。
85.在另一实施例中，所述s1033步骤包括：
86.将当前的安全风险事故进行风险评估等级划分过程中，将安全风险事故划分为不同层级，再建立安全风险事故与违规操作因素之间的从属关系，最后构建层次结构模型，以层次结构模型为基础，确定层次结构模型中每个层次元素相对应的重要性，用数值表示，构建判断矩阵；再根据判断矩阵进行层次单排序操作，通过层次单排序操作获取本层次与之有联系的各层集之间重要性次序的权值，最后通过权值判断矩阵的一致性指标。
87.上述技术方案的工作原理为：将当前的安全风险事故进行风险评估等级划分过程中，将安全风险事故划分为不同层级，再建立安全风险事故与违规操作因素之间的从属关系，最后构建层次结构模型，以层次结构模型为基础，确定层次结构模型中每个层次元素相对应的重要性，用数值表示，构建判断矩阵；再根据判断矩阵进行层次单排序操作，通过层次单排序操作获取本层次与之有联系的各层集之间重要性次序的权值，最后通过权值判断矩阵的一致性指标。
88.上述技术方案的有益效果为：将当前的安全风险事故进行风险评估等级划分过程中，将安全风险事故划分为不同层级，再建立安全风险事故与违规操作因素之间的从属关系，最后构建层次结构模型，以层次结构模型为基础，确定层次结构模型中每个层次元素相对应的重要性，用数值表示，构建判断矩阵；再根据判断矩阵进行层次单排序操作，通过层次单排序操作获取本层次与之有联系的各层集之间重要性次序的权值，最后通过权值判断矩阵的一致性指标。将定性因素定量化、思维过程量化，能够帮助分析结果保持思维过程的一致性。
89.在另一实施例中，根据判断矩阵进行层次单排序操作包括：
90.对判断矩阵的每一列进行归一化处理，再将每一列经过归一化后的判断矩阵元素按行相加，获取对应向量，将对应向量进行归一化处理，获取特征向量，再计算判断矩阵的特征根数值，通过特征根数值进行层次单排序。
91.上述技术方案的工作原理为：对判断矩阵的每一列进行归一化处理，相应元素标记为公式表示为：
[0092][0093]
其中，表示相应元素；b
ij
表示相对标度值，即bi对bj相对重要性并用数值；b
kj
表示第k个中间层要素bk对bj元素的相对标度值。
[0094]
再将每一列经过归一化后的判断矩阵元素按行相加，获取对应向量，将对应向量进行归一化处理，获取特征向量，再计算判断矩阵的特征根数值，通过特征根数值进行层次单排序。
[0095]
层次单排序概念为根据判断矩阵计算针对上一层某单元而言，本层次与之有联系的各单元之间重要性次序的权值，是重要性排序的基础。
[0096]
上述技术方案的有益效果为：对判断矩阵的每一列进行归一化处理，再将每一列经过归一化后的判断矩阵元素按行相加，获取对应向量，将对应向量进行归一化处理，获取特征向量，再计算判断矩阵的特征根数值，通过特征根数值进行层次单排序。将定性因素定量化、思维过程量化，能够帮助分析结果保持思维过程的一致性。
[0097]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种基于巡检过程中的违规操作分析方法，其特征在于，包括：s101：基于巡检人员佩戴智能设备采集工作过程中的巡检操作数据，将巡检操作数据传输至巡检操作存储库中；s102：基于巡检违规操作告警学习模型对当前的巡检操作数据进行分析，通过分析自动识别违规操作；s103：对自动识别的违规操作进行风险评估，获取风险评估等级，基于风险评估等级对当前的违规操作进行对应的预警管控。2.根据权利要求1所述的一种基于巡检过程中的违规操作分析方法，其特征在于，所述s101步骤包括：s1011：根据巡检操作监控的不同对巡检工作区域进行场景层次划分，将不同层次区域的监控范围与待采集的巡检操作数据进行关联，获取采集关联模型；s1012：基于巡检人员所在对应层次区域，智能设备根据采集关联模型获取待采集数据，待采集数据包括语义分割数据和目标检测数据；s1013：智能设备通过语义分割数据获取当前巡检人员需完成的巡检任务，通过语音提醒巡检人员进行对应的操作，再通过目标检测数据采集巡检人员操作的视频数据，该视频数据传输至巡检操作存储库中。3.根据权利要求1所述的一种基于巡检过程中的违规操作分析方法，其特征在于，所述s102步骤包括：s1021：基于巡检操作存储库中存储的数据进行场景特征数据提取，基于场景特征数据中违规操作数据构建巡检违规操作告警学习模型；s1022：基于巡检违规操作告警学习模型设定对应违规操作阀值，通过对应违规操作阀值对当前采集巡检操作数据进行判断；s1023：若当前采集巡检操作数据到达对应违规操作阀值，则判定为违规操作，输出对应的违规分析报告，若当前采集巡检操作数据小于或等于对应违规操作阀值，则判定为正常巡检操作，输出下一步巡检指导报告。4.根据权利要求1所述的一种基于巡检过程中的违规操作分析方法，其特征在于，所述s103步骤包括：s1031：提取巡检操作存储库中存储的违规操作数据以及对应的安全风险事故数据，通过智能管控平台对安全风险事故数据进行层层分析，构建违规操作数据与安全风险事故数据的逻辑关系；s1032：基于安全风险事故数据划分安全风险评估等级，安全风险评估等级包括低风险、较低风险、中等风险、较高风险和高风险；s1033：基于当前自动识别的违规操作以及对应的逻辑关系获取当前的安全风险事故，再将当前的安全风险事故进行风险评估等级划分，基于风险评估等级进行预警提醒并采取对应管理措施。5.根据权利要求2所述的一种基于巡检过程中的违规操作分析方法，其特征在于，所述s1013步骤包括：在通过目标检测数据采集巡检人员操作的视频数据过程中，根据目标检测数据对视频数据进行目标图像截取处理，再对目标图像进行预处理操作，其中，预处理操作包括将彩色
的图像转化为灰度图像、对图像进行数据增强。6.根据权利要求5所述的一种基于巡检过程中的违规操作分析方法，其特征在于，通过神经网络算法对预处理后的图像与巡检操作存储库中对应标准图像进行分析与对比，若对比结果一致则无需校正，若对比结果不一致则通过神经网络算法进行自动校正，通过用于记录校正过程中所采集的控制点实际值和理论值的坐标信息以及通过对图像点、线、区各方面收录数据进行逐层对比、逐层校正。7.根据权利要求3所述的一种基于巡检过程中的违规操作分析方法，其特征在于，所述s1022步骤包括：在设定对应违规操作阀值之前先进行操作图像目标预测，将巡检操作存储库中选定的图像划分为不重合的小方格，目标的中心点落在哪个小方格内，则由这个小方格负责检测这个目标，并预测出目标的边界框；基于目标的边界框获取边界框的置信度，再采用非极值抑制算法对每个边界框进行排序，将每个框的置信度与设定阈值进行比较，小于设定阈值则置为0；然后再分类别进行非极大值抑制算法，从所有的检测框中找到置信度最大的框，计算此框与其他框的交并比，若交并比大于设定阈值，则将此框置于0；每个检测框只保留置信度大于0且预设值的类，检测出对应的各类目标。8.根据权利要求7所述的一种基于巡检过程中的违规操作分析方法，其特征在于，通过对应的各类目标获取目标检测模型，将目标检测模型和场景识别模型进行融合，根据识别到的场景以及目标进行当前场景下的安全判定，目标检测模型包括特定对象，根据特定对象生成对象列表，该对象列表记录目标检测模型参数，参数包括中心点位置、边框大小、类别标记，该参数被其他程序读取和调用。9.根据权利要求4所述的一种基于巡检过程中的违规操作分析方法，其特征在于，所述s1033步骤包括：将当前的安全风险事故进行风险评估等级划分过程中，将安全风险事故划分为不同层级，再建立安全风险事故与违规操作因素之间的从属关系，最后构建层次结构模型，以层次结构模型为基础，确定层次结构模型中每个层次元素相对应的重要性，用数值表示，构建判断矩阵；再根据判断矩阵进行层次单排序操作，通过层次单排序操作获取本层次与之有联系的各层集之间重要性次序的权值，最后通过权值判断矩阵的一致性指标。10.根据权利要求9所述的一种基于巡检过程中的违规操作分析方法，其特征在于，根据判断矩阵进行层次单排序操作包括：对判断矩阵的每一列进行归一化处理，再将每一列经过归一化后的判断矩阵元素按行相加，获取对应向量，将对应向量进行归一化处理，获取特征向量，再计算判断矩阵的特征根数值，通过特征根数值进行层次单排序。

技术总结
本发明公开了一种基于巡检过程中的违规操作分析方法，包括：基于巡检人员佩戴智能设备采集工作过程中的巡检操作数据，将巡检操作数据传输至巡检操作存储库中；基于巡检违规操作告警学习模型对当前的巡检操作数据进行分析，通过分析自动识别违规操作；对自动识别的违规操作进行风险评估，获取风险评估等级，基于风险评估等级对当前的违规操作进行对应的预警管控。通过智能设备实现监控全范围覆盖，通过巡检违规操作告警学习模型准确识别违规操作行为，通过风险评估对违规操作行为进行有效的风险预警提醒，从而达到违规操作实时监控以及预警防范的目的。以及预警防范的目的。以及预警防范的目的。


技术研发人员：肖宇 徐云生 曾依明 郭小冬 曾超 李峘 赵梓轩 聂道翔 吴肖 周凤麒 鄢宗清 余炜
受保护的技术使用者：三峡长电大数据科技（宜昌）有限公司 三峡高科信息技术有限责任公司
技术研发日：2023.05.15
技术公布日：2023/8/14