一种基于多源数据融合的违章辨识方法及系统技术方案

本发明专利技术涉及大数据处理技术领域，公开了一种基于多源数据融合的违章辨识方法及系统，其方法通过获取作业流程中的多源历史异构数据，识别多源历史异构数据中的违章行为，并标记相应的违章标签，构建训练样本集，基于深度神经网络算法对训练样本集进行训练，构建违章辨识模型，通过违章辨识模型对实时数据进行违章辨识，从而提高了违章辨识的准确率，缩短了违章辨识的时间。辨识的时间。辨识的时间。

A method and system of violation identification based on multi-source data fusion

【技术实现步骤摘要】
一种基于多源数据融合的违章辨识方法及系统


[0001]本专利技术涉及大数据处理
，尤其涉及一种基于多源数据融合的违章辨识方法及系统。

技术介绍

[0002]安全督查是推动人身风险防控关口前移、防范化解现场作业风险的重要措施之一。目前安全督查主要采取现场督查和视频督查的方法，存在效率效能偏低、违章发现不全面、无法有效揭示人身安全管控薄弱环节等问题。
[0003]目前，对于违章辨识有应用人工智能进行辨识的，传统人工智能训练所需要的基础模型训练数据要求量大，特征分离明显，要求众多，这也成为了限制AI机器学习算法发展的一个重要因素，而收集真实的违规案例素材难度高、周期长、代价大，构成了人工智能技术在实际应用领域最大的一个瓶颈，从而导致违章辨识时间长、正确率低。

技术实现思路

[0004]本专利技术提供了一种基于多源数据融合的违章辨识方法及系统，解决了违章辨识时间长、正确率低的技术问题。
[0005]有鉴于此，本专利技术第一方面提供了一种基于多源数据融合的违章辨识方法，包括以下步骤：获取作业流程中的多源历史异构数据，所述多源历史异构数据包括文本数据、视频数据和图像数据；在所述多源历史异构数据中识别违章行为，标记相应的违章标签；基于所述多源历史异构数据及其对应的违章标签构建训练样本集，基于深度神经网络算法对所述训练样本集进行训练，构建违章辨识模型；获取作业流程中的实时数据，将所述实时数据输入至所述违章辨识模型，得到违章辨识结果。
[0006]优选地，所述在所述多源历史异构数据中识别违章行为，标记相应的违章标签的步骤具体包括：对所述视频数据进行分帧处理，得到若干帧图像数据；识别所有图像数据中的违章行为以及其违章位置；提取所述文本数据中的关键词，基于预设的词库对所述关键词进行识别，确定所述文本数据中的违章行为；将所有违章行为标记为违章标签。
[0007]优选地，所述获取作业流程中的实时数据，将所述实时数据输入至所述违章辨识模型，得到违章辨识结果的步骤具体包括：对实时数据进行过滤，按照违章行为对所述实时数据进行分组，得到多个分组数据；
基于所述违章辨识模型对每个所述分组数据进行迭代训练，输出违章标签辨识结果；将所有违章标签辨识结果进行加权计算，得到最终的违章标签辨识结果。
[0008]优选地，本方法还包括：将所述违章行为在预设的业务逻辑数据库中匹配相应的业务逻辑，所述预设的业务逻辑数据库包含违章行为与业务逻辑之间的映射关系，所述业务逻辑包括违章指定检修人员和违章指定作业日志。
[0009]第二方面，本专利技术还提供了一种基于多源数据融合的违章辨识系统，包括：数据获取模块，用于获取作业流程中的多源历史异构数据，所述多源历史异构数据包括文本数据、视频数据和图像数据；违章标记模块，用于在所述多源历史异构数据中识别违章行为，标记相应的违章标签；训练模块，用于基于所述多源历史异构数据及其对应的违章标签构建训练样本集，基于深度神经网络算法对所述训练样本集进行训练，构建违章辨识模型；违章辨识模块，用于获取作业流程中的实时数据，将所述实时数据输入至所述违章辨识模型，得到违章辨识结果。
[0010]优选地，所述违章标记模块具体包括：分帧模块，用于对所述视频数据进行分帧处理，得到若干帧图像数据；违章识别模块，用于识别所有图像数据中的违章行为以及其违章位置；提取模块，用于提取所述文本数据中的关键词，基于预设的词库对所述关键词进行识别，确定所述文本数据中的违章行为；标记模块，用于将所有违章行为标记为违章标签。
[0011]优选地，所述违章辨识模块具体包括：分组模块，用于对实时数据进行过滤，按照违章行为对所述实时数据进行分组，得到多个分组数据；训练子模块，用于基于所述违章辨识模型对每个所述分组数据进行迭代训练，输出违章标签辨识结果；加权计算模块，用于将所有违章标签辨识结果进行加权计算，得到最终的违章标签辨识结果。
[0012]优选地，本系统还包括：业务匹配模块，用于将所述违章行为在预设的业务逻辑数据库中匹配相应的业务逻辑，所述预设的业务逻辑数据库包含违章行为与业务逻辑之间的映射关系，所述业务逻辑包括违章指定检修人员和违章指定作业日志。
[0013]从以上技术方案可以看出，本专利技术具有以下优点：本专利技术通过获取作业流程中的多源历史异构数据，识别多源历史异构数据中的违章行为，并标记相应的违章标签，构建训练样本集，基于深度神经网络算法对训练样本集进行训练，构建违章辨识模型，通过违章辨识模型对实时数据进行违章辨识，从而提高了违章辨识的准确率，缩短了违章辨识的时间。
附图说明
[0014]图1为本专利技术实施例提供的一种基于多源数据融合的违章辨识方法的流程图；图2为本专利技术实施例提供的一种基于多源数据融合的违章辨识系统的结构示意图。
具体实施方式
[0015]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0016]为了便于理解，请参阅图1，本专利技术提供的一种基于多源数据融合的违章辨识方法，包括以下步骤：S1、获取作业流程中的多源历史异构数据，多源历史异构数据包括文本数据、视频数据和图像数据。
[0017]可以理解的是，在作业流程中，由于节点类型的不同，容易出现不同类型的源数据，其可以包含文本数据、视频数据（如监控视频）和图像数据。
[0018]S2、在多源历史异构数据中识别违章行为，标记相应的违章标签；可以理解的是，在步骤S1中获取到的多源历史异构数据中可以标记违章行为，故可以直接通过文本识别到违章行为。
[0019]S3、基于多源历史异构数据及其对应的违章标签构建训练样本集，基于深度神经网络算法对训练样本集进行训练，构建违章辨识模型；S4、获取作业流程中的实时数据，将实时数据输入至违章辨识模型，得到违章辨识结果。
[0020]可以理解的是，本实施例通过获取作业流程中的多源历史异构数据，识别多源历史异构数据中的违章行为，并标记相应的违章标签，构建训练样本集，基于深度神经网络算法对训练样本集进行训练，构建违章辨识模型，通过违章辨识模型对实时数据进行违章辨识，从而提高了违章辨识的准确率，缩短了违章辨识的时间。
[0021]在一个具体实施例中，步骤S2具体包括：S201、对视频数据进行分帧处理，得到若干帧图像数据；S202、识别所有图像数据中的违章行为以及其违章位置；S203、提取文本数据中的关键词，基于预设的词库对关键词进行识别，确定文本数据中的违章行为；S204、将所有违章行为标记为违章标签。
[0022]在一个具体实施例中，步骤S4具体包括：S401、对实时数据进行过滤，按照违章行为对所述实时数据进行分组，得到多个分组数据；S402、基于违章辨识模型对每个分组数据进行迭代训练，输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源数据融合的违章辨识方法，其特征在于，包括以下步骤：获取作业流程中的多源历史异构数据，所述多源历史异构数据包括文本数据、视频数据和图像数据；在所述多源历史异构数据中识别违章行为，标记相应的违章标签；基于所述多源历史异构数据及其对应的违章标签构建训练样本集，基于深度神经网络算法对所述训练样本集进行训练，构建违章辨识模型；获取作业流程中的实时数据，将所述实时数据输入至所述违章辨识模型，得到违章辨识结果。2.根据权利要求1所述的基于多源数据融合的违章辨识方法，其特征在于，所述在所述多源历史异构数据中识别违章行为，标记相应的违章标签的步骤具体包括：对所述视频数据进行分帧处理，得到若干帧图像数据；识别所有图像数据中的违章行为以及其违章位置；提取所述文本数据中的关键词，基于预设的词库对所述关键词进行识别，确定所述文本数据中的违章行为；将所有违章行为标记为违章标签。3.根据权利要求2所述的基于多源数据融合的违章辨识方法，其特征在于，所述获取作业流程中的实时数据，将所述实时数据输入至所述违章辨识模型，得到违章辨识结果的步骤具体包括：对实时数据进行过滤，按照违章行为对所述实时数据进行分组，得到多个分组数据；基于所述违章辨识模型对每个所述分组数据进行迭代训练，输出违章标签辨识结果；将所有违章标签辨识结果进行加权计算，得到最终的违章标签辨识结果。4.根据权利要求1所述的基于多源数据融合的违章辨识方法，其特征在于，还包括：将所述违章行为在预设的业务逻辑数据库中匹配相应的业务逻辑，所述预设的业务逻辑数据库包含违章行为与业务逻辑之间的映射关系，所述业务逻辑包括违章指定检修人员和违章指定作业日志。5.一种基于多源数据融合的违章辨识系统，其特...

【专利技术属性】
技术研发人员：吴海江，赵必舜，罗阳，黄锷，李聪，刘玲，李耀东，阳懿，朱孝军，吴小平，
申请(专利权)人：广东电网有限责任公司佛山供电局，
类型：发明
国别省市：