本发明属于安全监测，具体涉及一种基于人工智能的安全作业监测方法及系统。
背景技术：
1、随着工业化和自动化的发展，工厂等作业场所的安全问题日益凸显。在工厂的高危工作车间内，往往设置有安全作业监测区域，在这个区域中，需要实时对工人的作业动作和行为进行监测，确保工人在工作时不存在违规行为，包括危险动作和不合格操作等，确保工人的人身安全，并对潜在的安全事故进行预警。
2、传统的安全作业监测技术，大多依靠安全员在场地进行不间断巡逻，这种方式人力成本投入大，工作量大，监测效率低下；随着人工智能技术的发展，一系列人工智能算法被引入安全作业监测领域，但是现有的人工智能算法大多为二维图像识别算法，无法对工人进行准确定位，对于违规行为的识别准确性低，并且无法适应复杂的作为环境。
技术实现思路
1、为了解决现有技术存在的定位效果差、违规行为识别准确性低以及复杂环境适应性差的问题，本发明目的在于提供一种基于人工智能的安全作业监测方法及系统。
2、本发明所采用的技术方案为：
3、一种基于人工智能的安全作业监测方法，包括如下步骤：
4、基于云计算中心，使用人工智能算法，构建数据预处理模型、人脸识别模型以及违规行为识别模型，并将数据预处理模型、人脸识别模型以及违规行为识别模型部署至所有连接至云计算中心的边缘计算网关；
5、基于边缘计算网关，根据数据采集装置发送的安全作业监测区域的实时三维点云数据和实时二维监控图像数据，使用数据预处理模型，进行数据预处理，得到对应的预处理后实时三维点云数据和预处理后实时二维监控图像数据；
6、根据预处理后实时二维监控图像数据，使用人脸识别模型，进行人脸识别，得到对应的实时人员目标，并对实时人员目标进行实时跟踪监测；
7、根据预处理后实时三维点云数据和预处理后实时二维监控图像数据，使用违规行为识别模型，进行违规行为识别，得到对应的实时违规行为识别结果，若存在违规行为，则向对应的实时人员目标的移动终端发送实时警报信号。
8、进一步地，基于云计算中心，使用人工智能算法，构建数据预处理模型、人脸识别模型以及违规行为识别模型，并将数据预处理模型、人脸识别模型以及违规行为识别模型部署至所有连接至云计算中心的边缘计算网关，包括如下步骤：
9、基于云计算中心，采集若干安全作业监测区域的历史三维点云数据和历史二维监控图像数据；
10、根据历史三维点云数据和历史二维监控图像数据，使用数据预处理流程，构建数据预处理模型，并得到若干预处理后历史三维点云数据和若干预处理后历史二维监控图像数据；
11、根据若干预处理后历史二维监控图像数据，使用图像识别算法，构建人脸识别模型，得到对应的若干历史人员目标，并根据若干历史人员目标，构建对应的人员数据库；
12、根据若干预处理后历史三维点云数据和若干预处理后历史二维监控图像数据，使用基于深度学习的多模态数据融合算法，构建违规行为识别模型；
13、获取数据预处理模型的第一模型元数据、人脸识别模型的第二模型元数据以及违规行为识别模型的第三模型元数据，将第一模型元数据、第二模型元数据以及第三模型元数据发送至所有连接至云计算中心的边缘计算网关；
14、基于边缘计算网关，根据第一模型元数据、第二模型元数据以及第三模型元数据，进行模型重构，得到对应的重构的数据预处理模型、重构的人脸识别模型以及重构的违规行为识别模型。
15、进一步地，数据预处理模型包括三维数据预处理子模型和二维数据预处理子模型。
16、进一步地，三维点云数据预处理子模型包括三维点云数据清洗模块、三维点云数据特征提取模块以及三维点云数据降噪模块；
17、二维图像数据预处理子模型包括二维图像数据清洗模块、二维图像数据特征提取模块以及二维图像数据降噪模块。
18、进一步地，根据若干预处理后历史二维监控图像数据，使用图像识别算法，构建人脸识别模型，得到对应的若干历史人员目标，并根据若干历史人员目标，构建对应的人员数据库，包括如下步骤：
19、根据若干预处理后历史二维监控图像数据，使用图像识别算法，构建人脸识别模型，得到对应的若干历史人员目标；
20、采集历史人员目标对应的人员基本信息和移动终端联系方式；
21、根据若干历史人员目标、人员基本信息以及移动终端联系方式，构建对应的人员数据库。
22、进一步地，图像识别算法为yolo-v8算法。
23、进一步地，根据若干预处理后历史三维点云数据和若干预处理后历史二维监控图像数据，使用基于深度学习的多模态数据融合算法，构建违规行为识别模型，包括如下步骤：
24、根据预处理后历史三维点云数据和预处理后历史二维监控图像数据，使用特征匹配算法，进行特征匹配，得到对应的匹配特征点对；
25、将预处理后历史二维监控图像数据转化为预处理后历史三维化监控图像数据，并根据匹配特征点对，与对应的预处理后历史三维点云数据进行融合，得到对应的历史三维融合数据；
26、根据若干历史三维融合数据，使用深度学习算法，构建违规行为识别模型。
27、进一步地，所述的深度学习算法为3d-cnn-bilstm算法。
28、一种基于人工智能的安全作业监测系统，用于实现安全作业监测方法，系统包括云计算中心、若干边缘计算网关、若干数据采集装置以及若干移动终端，云计算中心分别与若干边缘计算网关通信连接，若干边缘计算网关一一对应的设置于若干安全作业监测区域，且边缘计算网关与对应的安全作业监测区域内的若干数据采集装置和若干移动终端通信连接。
29、进一步地，数据采集装置包括激光雷达和监控摄像头，激光雷达和监控摄像头均与安全作业监测区域内的边缘计算网关通信连接。
30、本发明的有益效果为：
31、本发明提供的一种基于人工智能的安全作业监测方法及系统，引入了人工智能算法，对安全作业监测区域的违规行为进行自动化、智能化的监测并发出警报信号，提高了作业安全性，避免了依靠人工进行巡视，降低了人力成本投入，减轻了工作量，提高了监测效率；采用三维点云识别技术，能够提供准确的三维空间信息，对工人进行准确定位，提高监测的准确性和实时性，三维点云技术能够更好地适应复杂的作业环境；结合图像识别技术的补充，实现二维图像和三维点云数据的融合，提高了对于违规行为的识别准确性，进一步提高监测的准确性和可靠性。
32、本发明的其他有益效果将在具体实施方式中进一步进行说明。
1.一种基于人工智能的安全作业监测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于人工智能的安全作业监测方法，其特征在于：基于云计算中心，使用人工智能算法，构建数据预处理模型、人脸识别模型以及违规行为识别模型，并将数据预处理模型、人脸识别模型以及违规行为识别模型部署至所有连接至云计算中心的边缘计算网关，包括如下步骤：
3.根据权利要求2所述的一种基于人工智能的安全作业监测方法，其特征在于：所述的数据预处理模型包括三维数据预处理子模型和二维数据预处理子模型。
4.根据权利要求3所述的一种基于人工智能的安全作业监测方法，其特征在于：所述的三维点云数据预处理子模型包括三维点云数据清洗模块、三维点云数据特征提取模块以及三维点云数据降噪模块；
5.根据权利要求2所述的一种基于人工智能的安全作业监测方法，其特征在于：根据若干预处理后历史二维监控图像数据，使用图像识别算法，构建人脸识别模型，得到对应的若干历史人员目标，并根据若干历史人员目标，构建对应的人员数据库，包括如下步骤：
6.根据权利要求5所述的一种基于人工智能的安全作业监测方法，其特征在于：所述的图像识别算法为yolo-v8算法。
7.根据权利要求2所述的一种基于人工智能的安全作业监测方法，其特征在于：根据若干预处理后历史三维点云数据和若干预处理后历史二维监控图像数据，使用基于深度学习的多模态数据融合算法，构建违规行为识别模型，包括如下步骤：
8.根据权利要求7所述的一种基于人工智能的安全作业监测方法，其特征在于：所述的深度学习算法为3d-cnn-bilstm算法。
9.一种基于人工智能的安全作业监测系统，用于实现如权利要求书1-8任一所述的安全作业监测方法，其特征在于：所述的系统包括云计算中心、若干边缘计算网关、若干数据采集装置以及若干移动终端，所述的云计算中心分别与若干边缘计算网关通信连接，若干所述的边缘计算网关一一对应的设置于若干安全作业监测区域，且边缘计算网关与对应的安全作业监测区域内的若干数据采集装置和若干移动终端通信连接。
10.根据权利要求9所述的一种基于人工智能的安全作业监测系统，其特征在于：所述的数据采集装置包括激光雷达和监控摄像头，所述的激光雷达和监控摄像头均与安全作业监测区域内的边缘计算网关通信连接。
