电子信息技术

本发明公开了一种化工厂工人异常行为识别与预警方法及系统，包含化工厂工人异常行为数据集建立，工人骨骼关节点检测，工人异常行为识别，异常行为显示与预警四个部分。针对化工厂工人异常行为特点，建立异常行为数据集；将获取的视频数据进行帧化，并对图片进行处理。采用OpenPose算法获取工人骨骼关节点信息；利用改进的STGCN训练行为识别模型，通过改进的AO算法优化STGCN超参数提高模型性能；利用训练完成的模型进行工人行为识别；最终对识别得到的异常行为进行前端展示与预警，便于监管人员查看并处理。与现有技术相比，本发明可以有效的对化工厂工人异常行为进行识别，及时发现隐患，降低风险发生，对工人安全以及生产安全有着重大意义。

成果亮点

发明目的：为了有效的提高化工厂工人异常行为识别效率，降低化工生产事故发生的概率，减少人员的伤亡，也为了降低监管成本，本发明公开了一种化工厂工人异常行为识别与预警方法及系统，通过改进的AO优化加入注意力机制的STGCN实现对化工厂工人异常行为识别。 技术方案：本发明提供一种化工厂工人异常行为识别与预警方法，包括如下步骤： 步骤1：针对化工厂工人异常行为特点，采集视频数据，建立异常行为数据集； 步骤2：对采集到的视频数据，将其转化为图片帧，通过OpenPose算法获取到人体骨骼数据； 步骤3：建立改进的STGCN模型，所述改进的STGCN模型为在GCN和TCN中加入Self-Attention机制； 步骤4：通过步骤2获取的数据送入改进的STGCN模型训练，并使用改进的天鹰优化器算法AO对STGCN模型中的超参数进行优化，得到化工厂工人异常行为识别模型；所述改进的AO算法为在AO算法的初始化过程中，使用拉丁超立方代替其原始初始化方法，在天鹰第三种捕食方法中引进社会自由觅食策略；

在化工厂，工人的异常行为可能会导致安全事故和环境污染等问题。因此，化工厂存在对工人异常行为识别的需求。针对该需求，提出了多种化工厂工人异常行为识别与预警方法。这些方法可以应用于不同类型的工厂，包含但不仅限于化工厂。下面列举了其中几种方法和它们的应用前景。

基于机器学习的方法：这种方法通过采集工人历史行为数据，并使用分类等机器学习算法进行训练，从而识别出异常行为。由于该方法具有良好的泛化能力，因此可以应用于不同类型的工厂，并且随着数据量的增加，算法的准确性也可以不断提高。

基于传感器的方法：这种方法利用各种传感器（如摄像头、加速度计等）来监测工人的行为，并基于传感器数据来识别异常行为。这种方法适用于需要实时监测的场景，如工人的身体状况发生变化时。

基于生物特征的方法：这种方法利用工人的生物特征（如心率、呼吸等）来识别异常行为。这种方法具有较高的精度，但是需要对工人进行一定的身体监测。

总的来说，化工厂工人异常行为识别与预警方法具有广泛的应用前景，可以应用于不同类型的工厂，并提高工厂的安全性和生产效率。

有益效果：

(1)本发明应用OpenPose算法获取人体骨骼关节点信息，不再需要人体外貌特征信息的情况下实现行为识别，受外界环境影响较小。

(2)建立改进的STGCN的化工厂工人异常行为识别模型，加入Self-Attention机制，使得模型对工人骨骼信息有用的部分进行重点关注，提高模型准确度。

(3)在模型训练过程中使用改进的AO算法进行参数优化，针对AO算法局部开发能力较弱，易陷入局部最优的问题提出一种改进策略，通过拉丁超立方进行种群初始化，在优化过程中引进社会自由觅食策略，使得天鹰在个体最优的前提下，加强对社会个体学习的能力，提升寻优能力。

(4)通过开发简易的前端界面，实现模型识别结果的展示与预警，监管人员通过前端界面提示获取工人是否有异常行为，并进行判断是否需要需要通过警铃提醒工人行为状态是否正确。