【技术实现步骤摘要】
本专利技术涉及工业生产现场安全管理，特别是涉及改进时间动态图神经网络的工业场景下人员动作识别方法。
技术介绍
1、工业生产在国民经济产业链中有着十分重要的地位，是推动我国经济高质量发展的关键和重点支柱，对稳定经济增长、满足居民日益增长的美好生活需要具有重要作用。然而在工业生产中一些原料具有易燃、易爆以及剧毒等危险特性，若在加工或存储时发生安全问题，则会造成不可估量的经济财产损失甚至是人员伤亡。
2、工业生产现场通常存在复杂的工作环境、密集的人员流动和多样化的安全风险。人员因素是造成工业生产现场安全事故的主要原因之一，因为工业生产的工艺流程大都较为复杂，如对进/出料口温度、流量的控制，对反应釜内温度、压力、流速的控制等，这对员工操作提出了较高要求。传统的人员安全管理依赖于人工巡查和固定规则监控，难以实时、全面地捕捉和响应各类安全威胁，尤其是在人员密集、动态变化的环境中。因此，迫切需要能动态感知人员行为、预测风险并及时发出预警的方法。
技术实现思路
1、本专利技术的目的是提供改进时间动态图神经网络的工业场景下人员动作识别方法，通过采用多尺度协同注意力卷积网络、动态图神经网络、可微分层图池化和组合损失函数方法，提升对时间序列数据中复杂时空模式的学习能力，实现工业生产过程操作人员动作的准确识别。
2、为实现上述目的，本专利技术提供了如下方案：
3、改进时间动态图神经网络的工业场景下人员动作识别方法，包括：
4、获取工业背景下待识别人员的身体关
5、将所述身体关键位置数据输入基于带多尺度协同注意力的时间动态图神经网络动作识别模型中，输出所述待识别人员的动作识别结果，其中，所述动作识别模型通过训练集训练获得，所述训练集包括工业背景下若干人员的身体关键位置数据及对应的动作类别标签，所述动作识别模型基于多尺度协同注意力卷积网络、动态图神经网络、可微分层图池化网络和组合损失函数构建。
6、可选地，通过训练集训练所述动作识别模型前还包括对所述训练集进行预处理，其中，进行所述预处理包括：
7、对所述训练集中工业背景下若干人员的身体关键位置数据进行滤波和划窗分割处理。
8、可选地，所述动作识别模型包括：多尺度协同注意力卷积模块、动态图神经模块、可微分层图池化模块、组合损失函数模块，其中，所述多尺度协同注意力卷积模块用于提取所述身体关键位置数据的多尺度时空特征向量；所述动态图神经模块用于基于所述多尺度时空特征向量进行动态图构建和变换，获取包含节点间关系的特征图；所述可微分层图池化模块用于对特征图进行可微分层图池化，获取输出特征；所述组合损失函数模块用于采用组合损失函数计算损失值以优化所述动作识别模型的表现，并利用softmax函数将所述输出特征转换为分类概率分布，输出各个动作类别的概率，获取动作分类结果。
9、可选地，所述多尺度协同注意力卷积模块包括：多尺度空洞卷积单元和协同注意力单元，其中，所述多尺度空洞卷积单元用于提取所述身体关键位置数据的平行信号特征向量并进行拼接，获取拼接后的信号特征向量；所述协同注意力单元用于对拼接后的信号特征向量进行协同注意力机制处理，获取所述多尺度时空特征向量。
10、可选地，所述多尺度空洞卷积单元包括3个平行分支，每个分支包括依次连接的空洞卷积层、批范数层和第一激活函数层。
11、可选地，所述动态图神经模块包括：图构建单元、动态图变换单元、动态图同构单元，其中，所述图构建单元用于通过编码邻接矩阵对所述多尺度时空特征向量进行图构建，获取图邻接矩阵；所述动态图变换单元用于进行节点间的信息传递和特征聚合，获取更新后的图邻接矩阵；所述动态图同构单元用于对更新后的图邻接矩阵进行信息聚合，获取包含节点间关系的特征图。
12、可选地，所述可微分层图池化模块采用二维卷积神经网络层，所述二维卷积神经网络层用于通过预设的池化比率将所述特征图的节点聚集成簇。
13、可选地，所述组合损失函数中包括交叉熵损失与中心损失，所述组合损失函数为：
14、总损失函数＝le+lc·λ
15、
16、
17、式中，le为交叉熵损失，lc为中心损失，λ为中心损失的权重，yij表示样本i属于第j类的概率，表示模型预测的概率分布中i属于第j类的概率值，表示类别为yi的所有特征的中心，xi表示第i个样本，k为类别总数，m为样本总数。
18、本专利技术的有益效果为：
19、本专利技术所采用的动作识别模型相较于传统的图神经网络方法，在捕捉节点间复杂的空间关系方面具有显著的优势，能够提取更加鲁棒的特征表示；
20、本专利技术所设计的动态图神经网络包括动态图变换和动态图同构网络，它们共同作用于捕捉时空相关性，动态图变换通过更新邻接矩阵来反映不同时间步之间图形结构的变化，这有助于捕捉动作随时间演化的动态特性。动态图同构网络则是在不同时间步之间建立初始关系，确保模型能够有效地处理不同时间点的数据，能够有效捕捉节点间复杂的空间关系。
21、本专利技术所设计的多度协同注意力卷积网络增强了对输入特征的捕获能力，从而提取更加丰富的隐藏信息。空洞卷积能够扩大感受野，捕获更远距离的空间依赖关系，这对于理解动作中关节之间的相互作用非常重要。协同注意力机制则有助于模型关注更相关的特征，减少无关信息的干扰，从而提取更丰富的隐藏信息。
22、本专利技术所设计的组合损失函数采用了交叉熵损失函数与中心损失函数结合，提高了模型的泛化能力和准确性。其中交叉熵损失用于优化分类任务本身，而中心损失则用于增加不同类别的分离度，使得同类样本在特征空间中更加紧凑。
本文档来自技高网...【技术保护点】
1.改进时间动态图神经网络的工业场景下人员动作识别方法，其特征在于，包括：
2.根据权利要求1所述的改进时间动态图神经网络的工业场景下人员动作识别方法，其特征在于，通过训练集训练所述动作识别模型前还包括对所述训练集进行预处理，其中，进行所述预处理包括：
3.根据权利要求1所述的改进时间动态图神经网络的工业场景下人员动作识别方法，其特征在于，所述动作识别模型包括：多尺度协同注意力卷积模块、动态图神经模块、可微分层图池化模块、组合损失函数模块，其中，所述多尺度协同注意力卷积模块用于提取所述身体关键位置数据的多尺度时空特征向量；所述动态图神经模块用于基于所述多尺度时空特征向量进行动态图构建和变换，获取包含节点间关系的特征图；所述可微分层图池化模块用于对特征图进行可微分层图池化，获取输出特征；所述组合损失函数模块用于采用组合损失函数计算损失值以优化所述动作识别模型的表现，并利用softmax函数将所述输出特征转换为分类概率分布，输出各个动作类别的概率，获取动作分类结果。
4.根据权利要求3所述的改进时间动态图神经网络的工业场景下人员动作识别方法，其特征
5.根据权利要求4所述的改进时间动态图神经网络的工业场景下人员动作识别方法，其特征在于，所述多尺度空洞卷积单元包括3个平行分支，每个分支包括依次连接的空洞卷积层、批范数层和第一激活函数层。
6.根据权利要求3所述的改进时间动态图神经网络的工业场景下人员动作识别方法，其特征在于，所述动态图神经模块包括：图构建单元、动态图变换单元、动态图同构单元，其中，所述图构建单元用于通过编码邻接矩阵对所述多尺度时空特征向量进行图构建，获取图邻接矩阵；所述动态图变换单元用于进行节点间的信息传递和特征聚合，获取更新后的图邻接矩阵；所述动态图同构单元用于对更新后的图邻接矩阵进行信息聚合，获取包含节点间关系的特征图。
7.根据权利要求3所述的改进时间动态图神经网络的工业场景下人员动作识别方法，其特征在于，所述可微分层图池化模块采用二维卷积神经网络层，所述二维卷积神经网络层用于通过预设的池化比率将所述特征图的节点聚集成簇。
8.根据权利要求3所述的改进时间动态图神经网络的工业场景下人员动作识别方法，其特征在于，所述组合损失函数中包括交叉熵损失与中心损失，所述组合损失函数为：
...【技术特征摘要】
1.改进时间动态图神经网络的工业场景下人员动作识别方法，其特征在于，包括：
2.根据权利要求1所述的改进时间动态图神经网络的工业场景下人员动作识别方法，其特征在于，通过训练集训练所述动作识别模型前还包括对所述训练集进行预处理，其中，进行所述预处理包括：
3.根据权利要求1所述的改进时间动态图神经网络的工业场景下人员动作识别方法，其特征在于，所述动作识别模型包括：多尺度协同注意力卷积模块、动态图神经模块、可微分层图池化模块、组合损失函数模块，其中，所述多尺度协同注意力卷积模块用于提取所述身体关键位置数据的多尺度时空特征向量；所述动态图神经模块用于基于所述多尺度时空特征向量进行动态图构建和变换，获取包含节点间关系的特征图；所述可微分层图池化模块用于对特征图进行可微分层图池化，获取输出特征；所述组合损失函数模块用于采用组合损失函数计算损失值以优化所述动作识别模型的表现，并利用softmax函数将所述输出特征转换为分类概率分布，输出各个动作类别的概率，获取动作分类结果。
4.根据权利要求3所述的改进时间动态图神经网络的工业场景下人员动作识别方法，其特征在于，所述多尺度协同注意力卷积模块包括：多尺度空洞卷积单元和协同注意力单元，其中，所述多尺度空洞卷积单元用于提取所述身体关键位置数据的平行信号特征向量并...
【专利技术属性】
技术研发人员：王海泉，王瑞琪，杨岳毅，翟家博，于浩玮，温金霞，胡雅博，
申请(专利权)人：中原工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。