一种高速公路涉路作业安全智能预警系统及方法与流程

1.本发明涉及高速预警技术领域，特别涉及一种高速公路涉路作业安全智能预警系统及方法。

背景技术：

2.目前，随着高速公路运营年限的增长和使用里程的增加，公路出现故障的频率变高，高速公路的涉路作业也越来越多。因为涉路作业人员的不规范行为没有得到合理监测，导致涉路作业安全事故频发，使得高速公路涉路作业具有极高的风险性。
3.因此，亟需一种解决办法。

技术实现要素：

4.本发明目的之一在于提供了一种高速公路涉路作业安全智能预警系统及方法，通过获取作业人员在作业现场产生的作业行为，与构建的不规范作业行为库中的不规范作业行为进行匹配，确定作业行为不规范的作业人员进行预警提醒，提高了不规范行为识别的准确度，降低了作业风险，提升了高速公路涉路作业的安全性。
5.本发明实施例提供的一种高速公路涉路作业安全智能预警系统，包括：
6.获取模块，用于当至少一个作业人员在高速公路上的作业现场进行涉路作业时，获取所述作业人员产生的多个作业行为；
7.构建模块，用于构建不规范作业行为库；
8.确定模块，用于基于所述不规范作业行为库，确定所述作业行为是否规范；
9.预警模块，用于若所述作业行为不规范，对相应所述作业人员进行预警提醒。
10.优选的，一种高速公路涉路作业安全智能预警系统，所述获取模块执行如下操作：
11.获取所述作业人员进行所述涉路作业时的现场图像；
12.基于所述现场图像和行为识别技术，获取所述作业人员进行所述涉路作业时产生的多个作业行为。
13.优选的，一种高速公路涉路作业安全智能预警系统，所述构建模块执行如下操作：
14.基于大数据技术，获取多个第一不规范作业行为集；
15.尝试获取所述第一不规范作业行为集对应的至少一个第一历史事故事件；
16.若尝试获取成功，将对应的所述第一不规范作业行为集作为第二不规范作业行为集；
17.基于预设的真实性检测模型，对所述第二不规范作业行为集对应的所述第一历史事故事件进行真实性检测，获得真实值；
18.若所述真实值大于等于预设的真实值阈值，将对应所述一历史事故事件作为第二历史事故事件；
19.基于预设的因果性检测模型，对所述第二历史事故事件与对应所述第二不规范作业行为集之间的因果导致关系进行因果性检测，获得因果值；
20.若所述因果值大于等于预设的因果值阈值，将对应所述第二不规范作业行为作为集第三不规范作业行为集；若尝试失败，将对应所述第一不规范作业行为集作为第四不规范作业行为集；
21.获取所述第四不规范作业行为集对应的信息来源，所述来源类型包括：单一来源和组合来源；
22.当所述信息来源的来源类型为单一来源时，获取所述信息来源对应的第一准确值；
23.当所述信息来源的来源类型为组合来源时，对所述组合来源进行来源拆分，获得多个子来源；
24.获取所述子来源对应的第二准确值，同时，获取所述子来源对应于所述信息来源的来源权重，赋予所述第二准确值对应所述来源权重，获得第三准确值；
25.累加计算所述第一准确值和所述第三准确值，获得可信度；
26.若所述可信度大于等于预设的可信度阈值，将对应所述第四不规范作业行为集作为第五不规范作业行为集；
27.将所述第三不规范作业行为集和所述第五不规范作业行为集作为第六不规范作业行为集；
28.获取所述作业现场内所述作业人员进行作业类型对应的第一属性信息，同时，获取所述第六不规范作业行为集对应的第二属性信息；
29.对所述第一属性信息进行特征提取，获取多个第一属性特征；
30.对所述第二属性信息进行特征提取，获取多个第二属性特征；
31.将所述第一属性特征和所述第二属性特征进行特征匹配，若匹配符合，将匹配符合的所述第一属性特征或所述第二属性特征作为第三属性特征；
32.获取所述第三属性特征的属性类型；
33.查询预设的属性类型-价值度库，确定所述属性类型对应的价值度，并与对应所述第六不规范作业行为集进行关联；
34.累加计算所述第六不规范作业行为集关联的所述价值度，获得价值度和；
35.若所述关联值和大于等于预设的价值度和阈值，将所述第六不规范作业行为集作为第七不规范作业行为集；
36.获取预设的空白数据库，将所述第七不规范作业行为集进行集合拆分并存入所述空白数据库；
37.当需要存入所述空白数据库的所述所述第七不规范作业行为集全部进行集合拆分存入后，将所述空白数据库作为不规范作业行为库，完成构建。
38.优选的，一种高速公路涉路作业安全智能预警系统，所述确定模块执行如下操作：
39.将所述作业行为与不规范作业行为库中的第八不规范作业行为进行匹配，若匹配符合，确定所述作业行为不规范；
40.若所述作业行为均未与任一所述第八不规范作业行为匹配，确定所述作业行为规范。
41.优选的，一种高速公路涉路作业安全智能预警系统，所述预警模块执行如下操作：
42.基于预设的智能提醒终端设备，将预设的安全预警信息发送给所述不规范作业人
员。
43.优选的，一种高速公路涉路作业安全智能预警系统，所述预警模块执行如下操作：
44.获取所述作业现场周边预设范围内的第一地形信息，同时，获取多个触发地形信息；
45.对所述第一地形信息进行特征提取，获得多个第一地形特征；
46.对所述第二地形信息进行特征提取，获得多个第二地形特征；
47.将所述第一地形特征和所述第二地形特征进行特征匹配，若匹配符合，将对应的所述第一地形特征或所述第二地形特征作为第三地形特征；
48.查询预设的地形特征-风险值库，确定所述第三地形特征对应的风险值，并与对应所述第一地形信息进行关联；
49.累加计算所述风险值，获得风险值和；
50.若所述风险值和大于等于预设的风险值阈值，则确定所述作业现场为风险地形；
51.获取所述作业现场当前路桩分布；
52.训练标准路桩分布确定模型，根据所述作业现场的位置和所述第一地形信息，确定标准路桩分布；
53.将所述当前路桩分布和所述标准路桩分布进行匹配，获得所述当前路桩分布的匹配指数；
54.查询预设的匹配指数-提醒距离库，获得提醒距离；
55.获取所述作业现场对应车道来路上至少一个车辆的车辆标识；
56.查询预设的车辆标识-提醒节点库，确定提醒节点；
57.当所述车辆距离所述作业现场小于等于所述提醒距离时，将预设的提醒信息发送至所述提醒节点，对相应所述车辆进行提醒。
58.优选的，一种高速公路涉路作业安全智能预警系统，训练标准路桩分布确定模型，包括：
59.基于大数据技术，获取人工进行路桩分布确定的多个第一人工记录；
60.获取所述第一人工记录对应的至少一个确定人；
61.查询预设的确定人-经验值库，获取所述确定人的经验值，并与所述第一人工记录进行关联；
62.累加计算所述经验值，获得经验值和；
63.查询预设的确定人-信用值库，获取所述确定人的信用值，并与所述第一人工记录进行关联；
64.累加计算所述信用值，获得信用值和；
65.累加经验值和与信用值和，获得筛选值；
66.若所述筛选值大于等于预设的经验值阈值，则将对应所述第一人工记录作为第二人工记录；
67.获取所述第二人工记录对应的多个历史关联事件；
68.获取所述第二人工记录对所述历史关联事件的影响值，并与所述第二人工记录进行关联；
69.累加计算所述影响值，获得影响值和；
70.若所述第二人工记录关联的所述影响值和大于等于预设的影响值阈值，剔除对应的所述第二人工记录，将剩余的第二人工记录作为第三人工记录；
71.基于所述第三人工记录，训练标准路桩分布确定模型。
72.优选的，一种高速公路涉路作业安全智能预警方法，包括：
73.步骤1：当至少一个作业人员在高速公路上的作业现场进行涉路作业时，获取所述作业人员产生的多个作业行为；
74.步骤2：构建不规范作业行为库；
75.步骤3：基于所述不规范作业行为库，确定所述作业行为是否规范；
76.步骤4：若所述作业行为不规范，对相应所述作业人员进行预警提醒。
77.优选的，一种高速公路涉路作业安全智能预警方法，步骤1：当至少一个作业人员在高速公路上的作业现场进行涉路作业时，获取所述作业人员产生的多个作业行为，包括：
78.获取所述作业人员进行所述涉路作业时的现场图像；
79.基于所述现场图像和行为识别技术，获取所述作业人员进行所述涉路作业时产生的多个作业行为。
80.优选的，一种高速公路涉路作业安全智能预警方法，步骤2：当构建不规范作业行为库，包括：
81.基于大数据技术，获取多个第一不规范作业行为集；
82.尝试获取所述第一不规范作业行为集对应的至少一个第一历史事故事件；
83.若尝试获取成功，将对应的所述第一不规范作业行为集作为第二不规范作业行为集；
84.基于预设的真实性检测模型，对所述第二不规范作业行为集对应的所述第一历史事故事件进行真实性检测，获得真实值；
85.若所述真实值大于等于预设的真实值阈值，将对应所述一历史事故事件作为第二历史事故事件；
86.基于预设的因果性检测模型，对所述第二历史事故事件与对应所述第二不规范作业行为集之间的因果导致关系进行因果性检测，获得因果值；
87.若所述因果值大于等于预设的因果值阈值，将对应所述第二不规范作业行为作为集第三不规范作业行为集；若尝试失败，将对应所述第一不规范作业行为集作为第四不规范作业行为集；
88.获取所述第四不规范作业行为集对应的信息来源，所述来源类型包括：单一来源和组合来源；
89.当所述信息来源的来源类型为单一来源时，获取所述信息来源对应的第一准确值；
90.当所述信息来源的来源类型为组合来源时，对所述组合来源进行来源拆分，获得多个子来源；
91.获取所述子来源对应的第二准确值，同时，获取所述子来源对应于所述信息来源的来源权重，赋予所述第二准确值对应所述来源权重，获得第三准确值；
92.累加计算所述第一准确值和所述第三准确值，获得可信度；
93.若所述可信度大于等于预设的可信度阈值，将对应所述第四不规范作业行为集作
为第五不规范作业行为集；
94.将所述第三不规范作业行为集和所述第五不规范作业行为集作为第六不规范作业行为集；
95.获取所述作业现场内所述作业人员进行作业类型对应的第一属性信息，同时，获取所述第六不规范作业行为集对应的第二属性信息；
96.对所述第一属性信息进行特征提取，获取多个第一属性特征；
97.对所述第二属性信息进行特征提取，获取多个第二属性特征；
98.将所述第一属性特征和所述第二属性特征进行特征匹配，若匹配符合，将匹配符合的所述第一属性特征或所述第二属性特征作为第三属性特征；
99.获取所述第三属性特征的属性类型；
100.查询预设的属性类型-价值度库，确定所述属性类型对应的价值度，并与对应所述第六不规范作业行为集进行关联；
101.累加计算所述第六不规范作业行为集关联的所述价值度，获得价值度和；
102.若所述关联值和大于等于预设的价值度和阈值，将所述第六不规范作业行为集作为第七不规范作业行为集；
103.获取预设的空白数据库，将所述第七不规范作业行为集进行集合拆分并存入所述空白数据库；
104.当需要存入所述空白数据库的所述所述第七不规范作业行为集全部进行集合拆分存入后，将所述空白数据库作为不规范作业行为库，完成构建。
105.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。
106.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
107.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：
108.图1为本发明实施例中一种高速公路涉路作业安全智能预警系统的示意图；
109.图2为本发明实施例中一种高速公路涉路作业安全智能预警方法的示意图。
具体实施方式
110.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。
111.本发明实施例提供了一种高速公路涉路作业安全智能预警系统，如图1所示，包括：
112.获取模块1，用于当至少一个作业人员在高速公路上的作业现场进行涉路作业时，获取所述作业人员产生的多个作业行为；
113.构建模块2，用于构建不规范作业行为库；
114.确定模块3，用于基于所述不规范作业行为库，确定所述作业行为是否规范；
115.预警模块4，用于若所述作业行为不规范，对相应所述作业人员进行预警提醒。
116.上述技术方案的工作原理及有益效果为：
117.获取作业人员产生的多个作业行为(作业人员在作业现场进行涉路作业的行为，例如：维修高速公路上的监控设备)；不规范作业行为库(数据库，存储不规范的作业行为，例如：作业人员距离路桩过近)；将作业人员的作业行为和不规范行为库中的不规范行为进行匹配，判断作业人员是否规范作业，若否，对作业人员进行预警提醒(发送提醒信息给不规范作业人员，例如：作业人员距离路桩过近，提醒作业人员与路桩保持安全距离)；
118.本发明实例获取作业人员在作业现场产生的作业行为，与构建的不规范作业行为库中的不规范作业行为进行匹配，确定作业行为不规范的作业人员进行预警提醒，提高了不规范行为识别的准确度，降低了作业风险，提升了高速公路涉路作业的安全性。
119.本发明实例提供了一种高速公路涉路作业安全智能预警系统，所述获取模块执行如下操作：
120.获取所述作业人员进行所述涉路作业时的现场图像；
121.基于所述现场图像和行为识别技术，获取所述作业人员进行所述涉路作业时产生的多个作业行为。
122.上述技术方案的工作原理及有益效果为：
123.获取作业人员进行涉路作业时的现场图像(监控设备拍摄的作业现场图像)，基于行为识别技术(可检测出物体在空间坐标中的实际位置，结合行为识别算法实现对目标行为的高精度快速识别捕捉)，获取作业人员进行涉路作业时产生的作业行为；
124.本发明实例获取涉路作业的现场图像，基于行为识别技术获取作业人员产生的作业行为，提高了作业行为识别的准确度。
125.本发明实例提供了一种高速公路涉路作业安全智能预警系统，所述构建模块执行如下操作：
126.基于大数据技术，获取多个第一不规范作业行为集；
127.尝试获取所述第一不规范作业行为集对应的至少一个第一历史事故事件；
128.若尝试获取成功，将对应的所述第一不规范作业行为集作为第二不规范作业行为集；
129.基于预设的真实性检测模型，对所述第二不规范作业行为集对应的所述第一历史事故事件进行真实性检测，获得真实值；
130.若所述真实值大于等于预设的真实值阈值，将对应所述一历史事故事件作为第二历史事故事件；
131.基于预设的因果性检测模型，对所述第二历史事故事件与对应所述第二不规范作业行为集之间的因果导致关系进行因果性检测，获得因果值；
132.若所述因果值大于等于预设的因果值阈值，将对应所述第二不规范作业行为作为集第三不规范作业行为集；若尝试失败，将对应所述第一不规范作业行为集作为第四不规范作业行为集；
133.获取所述第四不规范作业行为集对应的信息来源，所述来源类型包括：单一来源和组合来源；
134.当所述信息来源的来源类型为单一来源时，获取所述信息来源对应的第一准确
值；
135.当所述信息来源的来源类型为组合来源时，对所述组合来源进行来源拆分，获得多个子来源；
136.获取所述子来源对应的第二准确值，同时，获取所述子来源对应于所述信息来源的来源权重，赋予所述第二准确值对应所述来源权重，获得第三准确值；
137.累加计算所述第一准确值和所述第三准确值，获得可信度；
138.若所述可信度大于等于预设的可信度阈值，将对应所述第四不规范作业行为集作为第五不规范作业行为集；
139.将所述第三不规范作业行为集和所述第五不规范作业行为集作为第六不规范作业行为集；
140.获取所述作业现场内所述作业人员进行作业类型对应的第一属性信息，同时，获取所述第六不规范作业行为集对应的第二属性信息；
141.对所述第一属性信息进行特征提取，获取多个第一属性特征；
142.对所述第二属性信息进行特征提取，获取多个第二属性特征；
143.将所述第一属性特征和所述第二属性特征进行特征匹配，若匹配符合，将匹配符合的所述第一属性特征或所述第二属性特征作为第三属性特征；
144.获取所述第三属性特征的属性类型；
145.查询预设的属性类型-价值度库，确定所述属性类型对应的价值度，并与对应所述第六不规范作业行为集进行关联；
146.累加计算所述第六不规范作业行为集关联的所述价值度，获得价值度和；
147.若所述关联值和大于等于预设的价值度和阈值，将所述第六不规范作业行为集作为第七不规范作业行为集；
148.获取预设的空白数据库，将所述第七不规范作业行为集进行集合拆分并存入所述空白数据库；
149.当需要存入所述空白数据库的所述所述第七不规范作业行为集全部进行集合拆分存入后，将所述空白数据库作为不规范作业行为库，完成构建。
150.上述技术方案的工作原理及有益效果为：
151.构建不规范作业行为库时，可以通过大数据获取多个不规范行为，但不是所有不规范行为都有利用价值，故需要筛选出利用价值高的不规范行为进行构建；
152.获取第一不规范作业行为集(基于大数据收集的高速公路涉路作业产生的所有作业不规范行为的集合)；判断第一不规范作业行为集中的行为是否导致第一历史事故事件(第一不规范作业行为集中行为在历史上导致事故的事件，例如：作业人员高空作业不系安全带导致跌落)，若是，获取对应的第二不规范作业行为集(历史上导致事故发生的第一不规范作业行为的集合)；根据预设的真实性检测模型(监测事件真实程度的模型)，获取第一历史事故事件的真实值(真实值越大，事件越可信)；若真实值大于等于预设的真实值阈值(例如：90)，将对应一历史事故事件第二历史事故事件(可信度高的第一历史事件)；基于预设的因果性检测模型(监测不规范作业行为与历史事故事件之间因果导致关系的模型)，获得因果值(因果值越大，历史事故事件越有可能是对应不规范作业行为导致的)；若所述因果值大于等于预设的因果值阈值(例如：85)，将对应第二不规范作业行为集作为第三不规
范作业行为集(易导致事故且事故真实性高的第二不规范作业行为的集合)；
153.若第一不规范作业行为集未导致第一历史事故事件，将对应所述第一不规范作业行为集作为第四不规范作业行为集；获取第四不规范作业行为集的信息来源(不规范作业行为集的提供方)，来源类型包括：单一来源(来源仅有一方，例如：来源仅有作业场所记录的不规范行为)和组合来源(来源有多方，例如：来源包括作业场所记录的不规范行为和发生事故时119的出警记录的不规范行为)；获取单一来源时信息来源的准确值(准确值越高，信息越可靠)；对组合来源进行来源拆分，获取多子来源项对应的第二准确值(组合来源中每个来源对应提供信息的准确程度)；同时，获取所子来源对应于所述信息来源的来源权重(子来源提供的信息越多，来源权重越大)，赋予所述第二准确值对应所述来源权重，获得第三准确值(例如：子来源为作业场所提供记录信息4条，子来源为119的出警时提供记录信息6条，赋予子来源为作业场所时提供记录信息第二准确值0.4的权重，赋予子来源为作业场所提供记录信息第二准确值0.4的权重，赋予子来源为119的出警时提供记录信息第二准确值0.6的权重)；累加计算所述第一准确值和所述第三准确值，获得可信度(可信度越大，信息来源越可靠)；将可信度大于等于预设的可信度阈值(例如：85)的第四不规范作业行为作为第五不规范作业行为；
154.获取施工人员进行施工类型对应的第一属性信息(作业持续时间，高度等)将第三不规范作业行为集和第五不规范作业行为集作为第六不规范作业行为集，获取第六不规范作业行为集的第二属性信息(不规范行为对应的持续时间，高度等)；对第一属性信息和第二属性信息进行特征提取并进行匹配，获取匹配符合的第三属性特征(例如：作业高度)；获取所述第三属性特征的属性类型(例如：施工类型属于高空作业)；基于预设的属性类型-价值度库(数据库，存储属性类型和其可用价值的对应关系)；确定作业类型对应的价值度(价值度越高，对应属性类型的可利用价值就越大)；累加计算所述价值度，获得价值度和；
155.将价值度大于等于预设的价值度和阈值(例如：75)的第六不规范作业集行为作为第七不规范作业行为集；获取预设的空白数据库(空数据库)，将全部第七不规范作业行为集进行集合拆分存入后，完成构建；
156.本发明实例基于真实性检测模型和因果性检测模型，获取导致真实历史事故事件的不规范作业行为集；基于信息来源的可信度，获取来源可靠的不规范作业行为集；将所述作业现场作业类型对应属性信息的属性特征与第六不规范作业行为集属性信息对应的属性特征进行匹配，筛选出价值度高的属性类型，体现了不规范作业行为库构建的合理性。
157.本发明实例提供了一种高速公路涉路作业安全智能预警系统，所述确定模块执行如下操作：
158.将所述作业行为与不规范作业行为库中的第八不规范作业行为进行匹配，若匹配符合，确定所述作业行为不规范；
159.若所述作业行为均未与任一所述第八不规范作业行为匹配，确定所述作业行为规范。
160.上述技术方案的工作原理及有益效果为：
161.将作业行为(在作业场所进行涉路作业产生的行为，例如：系安全带爬高，不带防护设备进行带电操作)和不规范作业行为库中的第八不规范作业行为(构建的不规范作业行为库中的行为)进行匹配，若匹配符合(例如：不带防护设备进行带电操作)，确定作业行
为不规范，若匹配不符合，确定作业行为规范。
162.本发明实例基于构建的不规范作业行为库，匹配作业行为和不规范作业行为库中的第八不规范作业行为，判定作业行为是否规范，提高了不规范作业行为的精确性。
163.本发明实例提供了一种高速公路涉路作业安全智能预警系统，所述预警模块执行如下操作：
164.基于预设的智能提醒终端设备，将预设的安全预警信息发送给所述不规范作业人员。
165.上述技术方案的工作原理及有益效果为：
166.通过预设的智能提醒终端设备(配备给作业人员的无线电收发装置，可用于传输文本消息)，将预设的安全预警信息(例如：提醒不规范人员与安全路桩保持距离)发送给不规范作业人员；
167.本发明实例基于智能提醒终端设备将安全预警信息发送给不规范作业人员，提高了预警的及时性。
168.本发明实例提供了一种高速公路涉路作业安全智能预警系统，所述预警模块执行如下操作：
169.获取所述作业现场周边预设范围内的第一地形信息，同时，获取多个触发地形信息；
170.对所述第一地形信息进行特征提取，获得多个第一地形特征；
171.对所述第二地形信息进行特征提取，获得多个第二地形特征；
172.将所述第一地形特征和所述第二地形特征进行特征匹配，若匹配符合，将对应的所述第一地形特征或所述第二地形特征作为第三地形特征；
173.查询预设的地形特征-风险值库，确定所述第三地形特征对应的风险值，并与对应所述第一地形信息进行关联；
174.累加计算所述风险值，获得风险值和；
175.若所述风险值和大于等于预设的风险值阈值，则确定所述作业现场为风险地形；
176.获取所述作业现场当前路桩分布；
177.训练标准路桩分布确定模型，根据所述作业现场的位置和所述第一地形信息，确定标准路桩分布；
178.将所述当前路桩分布和所述标准路桩分布进行匹配，获得所述当前路桩分布的匹配指数；
179.查询预设的匹配指数-提醒距离库，获得提醒距离；
180.获取所述作业现场对应车道来路上至少一个车辆的车辆标识；
181.查询预设的车辆标识-提醒节点库，确定提醒节点；
182.当所述车辆距离所述作业现场小于等于所述提醒距离时，将预设的提醒信息发送至所述提醒节点，对相应所述车辆进行提醒。
183.上述技术方案的工作原理及有益效果为：
184.不同地形的高速公路路段的地形不同，有可能造成作业现场对应车道的来车驾驶员的视野盲区，不能及时变换车道造成事故的发生，因此对不同的地形要适应性的调整提醒距离，保证安全性。
185.获取作业现场周边预设范围(例如：1km)内的第一地形信息(作业现场的地形信息，例如：地面坡度，地面摩擦系数等)；获取多个触发地形信息(基于大数据获取所有的高速公路涉路作业作业现场的地形信息)；对第一地形信息和触发地形信息进行特征提取并匹配获取匹配符合的第三地形特征(例如:地面坡度为30度-40度)；基于预设的地形特征-风险值库(数据库，存储地形特征和地形风险程度的对应关系)；确定第三地形特征对应的风险值(风险值越大，来车发生安全事故的可能性越高)；确定风险值和大于等于预设的风险值阈值(例如：60)的作业现场；获取作业现场的当前路桩分布(风险作业现场的路桩分布)；
186.训练标准路桩分布确定模型(利用机器学习算法学习训练的人工进行标准路桩分布制定的记录)，确定所述现场的标准路桩分布(作业现场合理的路桩分布)；获取当前路桩分布和标准路桩分布的匹配指数(匹配指数越高，当前路桩分布越合理)，查询预设的匹配指数-提醒距离库(数据库，存储匹配指数和提醒距离的对应关系，例如：匹配指数80，提醒距离1km)，获得提醒距离；获取作业现场对应车道来路上至少一个车辆的车辆标识(作业现场对应车道上来车的车牌号码)，查询预设的车辆标识-提醒节点库(数据库，存储车牌号码与车机或车载导航的对接关系)，当车辆距离作业现场小于等于提醒距离，发送预警信息到对应节点，引导车辆变道或减速；
187.本发明实例基于大数据对地形信息进行特征提取并匹配，对判定为风险地形的作业现场对应车道的来车进行提醒，同时，基于作业现场的当前路桩分布和训练的标准路桩分布的匹配程度确定提醒距离，提高了合理性。
188.本发明实例提供了一种高速公路涉路作业安全智能预警系统，包括，对所述车辆标识进行校验，包括：
189.获取所述车辆标识的倾斜角度；
190.若所述车辆标识对应的所述倾斜角度大于等于预设的角度阈值，将所述车辆标识作为第一校验号码；
191.对所述第一校验号码中进行相近字符替换和补全，获取所述第一校验号码的至少一个第二校验号码；
192.基于图像识别技术，遍历所述第二校验号码的第一字符，获取第一字符与所述车辆识别器对应的第二字符的相似度；
193.获取所述车辆标识对应车辆的车辆图像；
194.对所述车辆图像进行特征提取，获得多个第一图像特征；
195.获取预设的备选车辆价值特征库，将所述第一图像特征与所述备选车辆价值特征库中的第二图像特征进行匹配，获取匹配符合的第二图像特征对应的价值度和匹配度，并与所述第二校验号码进行关联；
196.基于所述相似度、所述匹配度和价值度，计算所述第二备选号码的匹配指数，计算公式如下：
[0197][0198]
其中，m为所述匹配指数，δn为所述第二校验号码第n个字符的相似度,n为所述第
二校验号码字符总数，c为所述价值度的总数目，α
t
为第t个所述价值度，μ
t
第t个所述匹配度，γ1和γ2为预设的权重值；
[0199]
将匹配指数最大的所述第二校验号码作为所述车牌标识；
[0200]
上述技术方案的工作原理及有益效果为：
[0201]
获取车辆标识的倾斜角度，若倾斜角度大于等于预设的角度阈值(例如：30度)，将所述车辆标识作为第一校验号码(需要进行校验的车牌号码，由于车辆标识倾斜，易造成识别错误，例如：切斜角度过大时“l”容易错误识别成“1”或者某个字符识别不清)；对第一校验号码中进行相近字符替换(例如：将“1”换成“l”)和补全作为第二校验号码；基于图像识别技术(对输入图像进行分析识别处理,获取图像中文字信息的技术)，获取第一字符与所述车辆识别器对应的第二字符的相似度；获取车辆标识对应车辆的车辆图像，并进行特征提取，获得多个第一图像特征(例如：颜和车型)，获取预设的备选车辆价值特征库(数据库，存储第二校验号码对应车辆的车辆特征和价值度的对应关系)，匹配第一图像特征与所述备选车辆价值特征库中的第二图像特征，获取匹配符合的第二图像特征对应的价值度和匹配度(价值度和匹配度越高，备选车辆特征越有参考价值)；
[0202]
基于所述相似度、所述匹配值和价值度，计算所述第二备选号码的匹配指数(匹配指数越大，第二校验号码越有可能是正确的车辆标识)；公式中：表示第二校验号码的相似度，相似度越大，第二校验号码的匹配指数越高；表示第二校验号码的价值度，价值度越高，第二校验号码的匹配指数越高，将匹配指数最大的所述第二校验号码作为所述车牌标识。
[0203]
本发明实例对倾斜角度过大的车辆标识进行相近字符替换和补全，获得多个待校验号码，基于待校验号码获取备选车辆价值特征库，获取匹配指数最大的第二校验号码，提高了车辆标识识别的精确度，提升了预警信息发送的准确性和及时性。
[0204]
本发明实例提供了一种高速公路涉路作业安全智能预警系统，训练标准路桩分布确定模型，包括：
[0205]
基于大数据技术，获取人工进行路桩分布确定的多个第一人工记录；
[0206]
获取所述第一人工记录对应的至少一个确定人；
[0207]
查询预设的确定人-经验值库，获取所述确定人的经验值，并与所述第一人工记录进行关联；
[0208]
累加计算所述经验值，获得经验值和；
[0209]
查询预设的确定人-信用值库，获取所述确定人的信用值，并与所述第一人工记录进行关联；
[0210]
累加计算所述信用值，获得信用值和；
[0211]
累加经验值和与信用值和，获得筛选值；
[0212]
若所述筛选值大于等于预设的经验值阈值，则将对应所述第一人工记录作为第二人工记录；
[0213]
获取所述第二人工记录对应的多个历史关联事件；
[0214]
获取所述第二人工记录对所述历史关联事件的影响值，并与所述第二人工记录进行关联；
[0215]
累加计算所述影响值，获得影响值和；
[0216]
若所述第二人工记录关联的所述影响值和大于等于预设的影响值阈值，剔除对应的所述第二人工记录，将剩余的第二人工记录作为第三人工记录；
[0217]
基于所述第三人工记录，训练标准路桩分布确定模型。
[0218]
上述技术原理的技术方案及有益效果为：
[0219]
基于大数据技术(通过大数据平台获取所需信息)，获取第一人工记录(人工进行路桩分布确定的多个人工记录，包括：地形信息，作业现场位置等)；获取第一人工记录的第一确定人(制定路桩分布的作业人员)；查询预设的缺定人-经验值库(数据库，存储确定人与经验值对应关系)；获取确定人的经验值(经验值越大，确定人历史进行路桩分布确定的次数越多)，累加计算经验值，获得经验值和，基于预设的确定人-信用值库(数据库，存储确定人与信用值对应关系)，获取确定人的信用值(信用值越大，确定人制定的记录越可靠)，累加计算所述信用值，获得信用值和，累加经验值和与信用值和，获得筛选值，将筛选值大于等于预设的筛选值阈值(例如：95)的第一人工记录作为第二人工记录；
[0220]
获取第二人工记录对应的多个历史关联事件(使用第二记录作参照设置路桩分布产生的事件)，获取第二人工记录对历史关联事件的影响值(第二人工记录对历史关联事件的影响程度，影响值越大，第二人工记录对历史关联事件的影响越恶劣)，累加计算所述影响值，获得影响值和，剔除影响值和大于等于预设的影响值阈值(例如：60)的第二人工记录，将剩余的第二人工记录作为第三人工记录；把第三人工记录作为训练数据对标准路桩分布确定模型进行训练；
[0221]
本发明基于路桩分布制定人的经验和信用，筛选出经验值高，提供记录可靠的路桩分布制定人人提供的第二人工记录，基于第二人工记录对产生历史关联事件的影响值，剔除影响恶劣的第二人工记录，用完成筛选的第三人工记录对标准路桩分布确定模型进行训练，体现了模型训练的合理性，提高了模型识别的精确性。
[0222]
本发明实例提供了一种高速公路涉路作业安全智能预警方法，如图2所示，包括：
[0223]
步骤1：当至少一个作业人员在高速公路上的作业现场进行涉路作业时，获取所述作业人员产生的多个作业行为；
[0224]
步骤2：构建不规范作业行为库；
[0225]
步骤3：基于所述不规范作业行为库，确定所述作业行为是否规范；
[0226]
步骤4：若所述作业行为不规范，对相应所述作业人员进行预警提醒。
[0227]
上述技术方案的工作原理及有益效果已在方法权要中说明，不再赘述。
[0228]
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：

1.一种高速公路涉路作业安全智能预警系统，其特征在于，包括：获取模块，用于当至少一个作业人员在高速公路上的作业现场进行涉路作业时，获取所述作业人员产生的多个作业行为；构建模块，用于构建不规范作业行为库；确定模块，用于基于所述不规范作业行为库，确定所述作业行为是否规范；预警模块，用于若所述作业行为不规范，对相应所述作业人员进行预警提醒。2.如权利要求1所述的一种高速公路涉路作业安全智能预警系统，其特征在于，所述获取模块执行如下操作：获取所述作业人员进行所述涉路作业时的现场图像；基于所述现场图像和行为识别技术，获取所述作业人员进行所述涉路作业时产生的多个作业行为。3.如权利要求1所述的一种高速公路涉路作业安全智能预警系统，其特征在于，所述构建模块执行如下操作：基于大数据技术，获取多个第一不规范作业行为集；尝试获取所述第一不规范作业行为集对应的至少一个第一历史事故事件；若尝试获取成功，将对应的所述第一不规范作业行为集作为第二不规范作业行为集；基于预设的真实性检测模型，对所述第二不规范作业行为集对应的所述第一历史事故事件进行真实性检测，获得真实值；若所述真实值大于等于预设的真实值阈值，将对应所述一历史事故事件作为第二历史事故事件；基于预设的因果性检测模型，对所述第二历史事故事件与对应所述第二不规范作业行为集之间的因果导致关系进行因果性检测，获得因果值；若所述因果值大于等于预设的因果值阈值，将对应所述第二不规范作业行为作为集第三不规范作业行为集；若尝试失败，将对应所述第一不规范作业行为集作为第四不规范作业行为集；获取所述第四不规范作业行为集对应的信息来源，所述来源类型包括：单一来源和组合来源；当所述信息来源的来源类型为单一来源时，获取所述信息来源对应的第一准确值；当所述信息来源的来源类型为组合来源时，对所述组合来源进行来源拆分，获得多个子来源；获取所述子来源对应的第二准确值，同时，获取所述子来源对应于所述信息来源的来源权重，赋予所述第二准确值对应所述来源权重，获得第三准确值；累加计算所述第一准确值和所述第三准确值，获得可信度；若所述可信度大于等于预设的可信度阈值，将对应所述第四不规范作业行为集作为第五不规范作业行为集；将所述第三不规范作业行为集和所述第五不规范作业行为集作为第六不规范作业行为集；获取所述作业现场内所述作业人员进行作业类型对应的第一属性信息，同时，获取所述第六不规范作业行为集对应的第二属性信息；
对所述第一属性信息进行特征提取，获取多个第一属性特征；对所述第二属性信息进行特征提取，获取多个第二属性特征；将所述第一属性特征和所述第二属性特征进行特征匹配，若匹配符合，将匹配符合的所述第一属性特征或所述第二属性特征作为第三属性特征；获取所述第三属性特征的属性类型；查询预设的属性类型-价值度库，确定所述属性类型对应的价值度，并与对应所述第六不规范作业行为集进行关联；累加计算所述第六不规范作业行为集关联的所述价值度，获得价值度和；若所述关联值和大于等于预设的价值度和阈值，将所述第六不规范作业行为集作为第七不规范作业行为集；获取预设的空白数据库，将所述第七不规范作业行为集进行集合拆分并存入所述空白数据库；当需要存入所述空白数据库的所述所述第七不规范作业行为集全部进行集合拆分存入后，将所述空白数据库作为不规范作业行为库，完成构建。4.如权利要求1所述的一种高速公路涉路作业安全智能预警系统，其特征在于，所述确定模块执行如下操作：将所述作业行为与不规范作业行为库中的第八不规范作业行为进行匹配，若匹配符合，确定所述作业行为不规范；若所述作业行为均未与任一所述第八不规范作业行为匹配，确定所述作业行为规范。5.如权利要求1所述的一种高速公路涉路作业安全智能预警系统，其特征在于，所述预警模块执行如下操作：基于预设的智能提醒终端设备，将预设的安全预警信息发送给所述不规范作业人员。6.如权利要求5所述的一种高速公路涉路作业安全智能预警系统，其特征在于，所述预警模块执行如下操作：获取所述作业现场周边预设范围内的第一地形信息，同时，获取多个触发地形信息；对所述第一地形信息进行特征提取，获得多个第一地形特征；对所述第二地形信息进行特征提取，获得多个第二地形特征；将所述第一地形特征和所述第二地形特征进行特征匹配，若匹配符合，将对应的所述第一地形特征或所述第二地形特征作为第三地形特征；查询预设的地形特征-风险值库，确定所述第三地形特征对应的风险值，并与对应所述第一地形信息进行关联；累加计算所述风险值，获得风险值和；若所述风险值和大于等于预设的风险值阈值，则确定所述作业现场为风险地形；获取所述作业现场当前路桩分布；训练标准路桩分布确定模型，根据所述作业现场的位置和所述第一地形信息，确定标准路桩分布；将所述当前路桩分布和所述标准路桩分布进行匹配，获得所述当前路桩分布的匹配指数；查询预设的匹配指数-提醒距离库，获得提醒距离；
获取所述作业现场对应车道来路上至少一个车辆的车辆标识；查询预设的车辆标识-提醒节点库，确定提醒节点；当所述车辆距离所述作业现场小于等于所述提醒距离时，将预设的提醒信息发送至所述提醒节点，对相应所述车辆进行提醒。7.如权利要求6所述的一种高速公路涉路作业安全智能预警系统，其特征在于，训练标准路桩分布确定模型，包括：基于大数据技术，获取人工进行路桩分布确定的多个第一人工记录；获取所述第一人工记录对应的至少一个确定人；查询预设的确定人-经验值库，获取所述确定人的经验值，并与所述第一人工记录进行关联；累加计算所述经验值，获得经验值和；查询预设的确定人-信用值库，获取所述确定人的信用值，并与所述第一人工记录进行关联；累加计算所述信用值，获得信用值和；累加经验值和与信用值和，获得筛选值；若所述筛选值大于等于预设的经验值阈值，则将对应所述第一人工记录作为第二人工记录；获取所述第二人工记录对应的多个历史关联事件；获取所述第二人工记录对所述历史关联事件的影响值，并与所述第二人工记录进行关联；累加计算所述影响值，获得影响值和；若所述第二人工记录关联的所述影响值和大于等于预设的影响值阈值，剔除对应的所述第二人工记录，将剩余的第二人工记录作为第三人工记录；基于所述第三人工记录，训练标准路桩分布确定模型。8.一种高速公路涉路作业安全智能预警方法，其特征在于，包括：步骤1：当至少一个作业人员在高速公路上的作业现场进行涉路作业时，获取所述作业人员产生的多个作业行为；步骤2：构建不规范作业行为库；步骤3：基于所述不规范作业行为库，确定所述作业行为是否规范；步骤4：若所述作业行为不规范，对相应所述作业人员进行预警提醒。9.如权利要求8所述的一种高速公路涉路作业安全智能预警方法，其特征在于，步骤1：当至少一个作业人员在高速公路上的作业现场进行涉路作业时，获取所述作业人员产生的多个作业行为，包括：获取所述作业人员进行所述涉路作业时的现场图像；基于所述现场图像和行为识别技术，获取所述作业人员进行所述涉路作业时产生的多个作业行为。10.如权利要求8所述的一种高速公路涉路作业安全智能预警方法，其特征在于，步骤2：当构建不规范作业行为库，包括：基于大数据技术，获取多个第一不规范作业行为集；
尝试获取所述第一不规范作业行为集对应的至少一个第一历史事故事件；若尝试获取成功，将对应的所述第一不规范作业行为集作为第二不规范作业行为集；基于预设的真实性检测模型，对所述第二不规范作业行为集对应的所述第一历史事故事件进行真实性检测，获得真实值；若所述真实值大于等于预设的真实值阈值，将对应所述一历史事故事件作为第二历史事故事件；基于预设的因果性检测模型，对所述第二历史事故事件与对应所述第二不规范作业行为集之间的因果导致关系进行因果性检测，获得因果值；若所述因果值大于等于预设的因果值阈值，将对应所述第二不规范作业行为作为集第三不规范作业行为集；若尝试失败，将对应所述第一不规范作业行为集作为第四不规范作业行为集；获取所述第四不规范作业行为集对应的信息来源，所述来源类型包括：单一来源和组合来源；当所述信息来源的来源类型为单一来源时，获取所述信息来源对应的第一准确值；当所述信息来源的来源类型为组合来源时，对所述组合来源进行来源拆分，获得多个子来源；获取所述子来源对应的第二准确值，同时，获取所述子来源对应于所述信息来源的来源权重，赋予所述第二准确值对应所述来源权重，获得第三准确值；累加计算所述第一准确值和所述第三准确值，获得可信度；若所述可信度大于等于预设的可信度阈值，将对应所述第四不规范作业行为集作为第五不规范作业行为集；将所述第三不规范作业行为集和所述第五不规范作业行为集作为第六不规范作业行为集；获取所述作业现场内所述作业人员进行作业类型对应的第一属性信息，同时，获取所述第六不规范作业行为集对应的第二属性信息；对所述第一属性信息进行特征提取，获取多个第一属性特征；对所述第二属性信息进行特征提取，获取多个第二属性特征；将所述第一属性特征和所述第二属性特征进行特征匹配，若匹配符合，将匹配符合的所述第一属性特征或所述第二属性特征作为第三属性特征；获取所述第三属性特征的属性类型；查询预设的属性类型-价值度库，确定所述属性类型对应的价值度，并与对应所述第六不规范作业行为集进行关联；累加计算所述第六不规范作业行为集关联的所述价值度，获得价值度和；若所述关联值和大于等于预设的价值度和阈值，将所述第六不规范作业行为集作为第七不规范作业行为集；获取预设的空白数据库，将所述第七不规范作业行为集进行集合拆分并存入所述空白数据库；当需要存入所述空白数据库的所述所述第七不规范作业行为集全部进行集合拆分存入后，将所述空白数据库作为不规范作业行为库，完成构建。

技术总结

本发明提供一种高速公路涉路作业安全智能预警系统及方法，其中，系统包括：获取模块，用于当至少一个作业人员在高速公路上的作业现场进行涉路作业时，获取所述作业人员产生的多个作业行为；构建模块，用于构建不规范作业行为库；确定模块，用于基于所述不规范作业行为库，确定所述作业行为是否规范；预警模块，用于若所述作业行为不规范，对相应所述作业人员进行预警提醒。本发明实例提供一种高速公路涉路作业安全智能预警系统及方法，基于作业员工产生的作业行为和构建的不规范作业行为库，对作业行为不规范的作业人员进行安全提醒，提升了识别不规范行为的准确性，提升了高速公路涉路作业的安全性。路作业的安全性。路作业的安全性。