一种工地出勤打卡的自适应认证方法与流程

本发明涉及信息，尤其涉及一种工地出勤打卡的自适应认证方法。

背景技术：

1、随着全球建筑业的快速发展，大量的建筑工地遍布各地。工地员工的安全与健康状况一直是各方关注的焦点，因为工地环境多变，存在许多未知的安全风险。传统的打卡系统主要用于管理员工的出勤时间，确保工资发放的准确性，但这种方法仅涉及时间管理，不能评估员工的实际健康状况和工作环境的质量。近年来，尘土、悬浮颗粒等污染物在建筑工地上的积累使得工地的空气质量日益恶化，增加了工人的健康风险。另外，工地的高频噪声、机械震动和其他环境因素也会对获取工人的实时生理健康数据造成影响，导致获取的数据不够准确。尽管已有一些监测设备和工具用于评估工地的环境状况，但大多数系统并不具备实时分析和反馈功能，难以为工人提供实时的健康预警和保护建议。同时，现有的健康监测设备大多关注单一的生理参数，如心率、体温等，而忽略了环境因素与生理反应之间的复杂关系。这种单一的数据监测方式无法为工地管理者提供全面的健康评估和调整策略。此外，工地的数据来源繁多、格式各异，数据清洗和融合成为一大难题。在没有统一的数据处理方法的情况下，单独的数据来源很难为决策者提供准确的参考。因此，现有技术中缺乏一种能够综合考虑工地环境、员工生理状况和工作内容的智能打卡方法，使得工地管理者难以做出准确的决策，也使得工人的健康和安全受到威胁。

技术实现思路

1、本发明提供了一种工地出勤打卡的自适应认证方法，主要包括：

2、员工在建筑工地的打卡系统中打卡时，空气过滤器自动调整过滤参数，减少尘土和其他悬浮颗粒；打卡系统通过内置的视频传感器和监测设备获取员工的实时心率、体温和精神状态数据；打卡系统通过内置声学模块监听周围环境，如果检测到高频噪声，系统自动应用快速傅里叶变换算法分析声波频率，并屏蔽噪声，并对获取到的所有生理和环境参数数据进行数据清洗，删除错误值并统一格式；打卡时对体温数据进行分析，检测是否存在异常健康状况，使用决策树算法分析清洗后的心率数据，评估员工的实际工作压力；打卡系统同步获取当日工地的工作内容和工作环境数据，包括噪音级别和空气质量；将获取到的环境数据与之前分析的体温和心率数据进行数据融合，使用决策树算法进行综合健康状态评估；根据综合健康状态评估的结果，分析员工当天的工作任务是否与当前健康状态匹配，是否需要进行预防工作相关疾病或意外情况；将融合后的健康数据与工地的实时工作内容和环境数据进行匹配，最终生成预防措施列表，并自动展示个性化预防建议给员工。

3、在一些实施例中，所述员工在建筑工地的打卡系统中打卡时，空气过滤器自动调整过滤参数，减少尘土和其他悬浮颗粒，包括：

4、若员工打卡系统记录到打卡行为，则通过api获取员工打卡信息，以及打卡时间，并通过api向空气过滤器发送启动请求；空气过滤器收到api发送的启动请求后，启动空气过滤器内置的清洁模式；打卡系统通过内部传感器实时获取当前工地的尘土和悬浮颗粒浓度数据；根据获取的实时尘土和悬浮颗粒浓度数据，实时调整空气过滤器的过滤器清洁模式、过滤级别、过滤器运行时间；空气过滤器运行结束后，通过打卡系统的内部传感器进行测定，得到处理后的尘土和悬浮颗粒浓度；根据员工打卡时间、实时测定的尘土和悬浮颗粒浓度数据，基于支持向量机算法，建立尘土和悬浮颗粒浓度预测模型，预测不同打卡时间的尘土和悬浮颗粒浓度；根据不同打卡时间的尘土和悬浮颗粒浓度预测结果，通过自动化控制系统调整空气过滤器的预设启动模式。

5、在一些实施例中，所述打卡系统通过内置的视频传感器和监测设备获取员工的实时心率、体温和精神状态数据，包括：

6、通过内置视频传感器获取员工面部图像，使用haar级联分类器，提取员工面部特征检测图像中的面部区域；使用dlib的68点模型在面部图像上定位关键标记点；根据关键标记点之间的距离和角度，计算得到一个特征向量；通过提取的员工面部特征与已知的员工面部数据库进行比对，确定匹配度最高的面部数据，并返回员工身份；使用监测设备，采集员工的实时体温数据和实时心率数据；通过内置视频传感器获取员工活动视频，提取员工活动视频中的图像帧；根据提取的员工活动图像帧获取员工的身体活动数据，包括身体活动范围，身体活动频率；根据身体活动数据，判断员工的精神状态；将采集到的实时员工心率、体温精神状态数据进行数据清洗，消除异常值或噪音；将员工心率、体温和精神状态数据合并，启动数据加密模块，随机生成一个加密密钥加密合并后的数据，并将合并后的数据传输到数据存储系统；数据成功存储到数据存储系统后，触发时间戳模块，记录数据存储的准确时间。

7、在一些实施例中，所述打卡系统通过内置声学模块监听周围环境，如果检测到高频噪声，系统自动应用快速傅里叶变换算法分析声波频率，并屏蔽噪声，并对获取到的所有生理和环境参数数据进行数据清洗，删除错误值并统一格式，包括：

8、通过打卡系统的内置声学模块获取周围的声音数据；使用傅里叶变换算法对周围的声音数据进行转换，将时间域上的信号转化为频率域，得到周围的声音的频率域数据；对于变换后的频率域数据，设置一个预先确定的阈值，若频率域数据中的某一频率的强度超过此阈值，则判定频率的强度超过阈值的频率为噪声；对于被判定为噪声的频率，触发噪声屏蔽滤波器进行噪声屏蔽处理；在噪声屏蔽后，获取员工生理参数数据和环境参数数据，其中生理参数为员工的心率、体温，环境参数数据为环境的温度、湿度、声音频率、尘土和悬浮颗粒浓度；同时，利用傅里叶变换算法识别出的声波频率特征对生理和环境数据进行标注；若标注完成，对生理和环境数据进行数据清洗，删除错误值并统一生理和环境数据的数据格式。

9、在一些实施例中，所述打卡时对体温数据进行分析，检测是否存在异常健康状况，使用决策树算法分析清洗后的心率数据，评估员工的实际工作压力，包括：

10、在打卡时，获取打卡员工标识，并通过api接收员工体温数据；通过预设的体温阈值，分析员工的体温数据，判断其是否存在发热或低体温情况；对出现异常体温的员工标识进行标记，将出现异常体温的员工标识录入特殊观察数据库；使用特殊观察数据库中的员工标识，再次通过api获取对应的心率数据；对心率数据进行数据清洗，利用中位数去噪法去除心率数据的异常值或噪点；根据员工心率、工作时长、休息时间、工作内容和工作环境数据，采用决策树算法，进行员工工作压力分类，判断员工当前的工作压力等级；将与员工标识相关联的工作压力分类结果存入分析结果数据库；如果工作压力评估结果指向高压状态，该员工标识将被标记为需要进一步的关注和观察；对特殊观察数据库和分析结果数据库执行交集操作，标记出同时存在体温和工作压力异常的员工标识；还包括：根据员工心率、工作时长、休息时间、工作内容和工作环境数据，采用决策树算法，确定员工的工作压力等级。

11、所述根据员工心率、工作时长、休息时间、工作内容和工作环境数据，采用决策树算法，确定员工的工作压力等级，具体包括：

12、根据员工的心率数据，获取心率的平均值、最大值、最小值和标准差。获取员工每天的工作时长和休息时间。根据员工的工作内容，获取员工的工作类型和工作强度。根据员工的工作环境，获取员工的工作环境条件和噪音水平。通过计算皮尔森相关系数的方法进行特征选择，确定对工作压力分类具有重要影响的属性，并进行筛选，得到最相关的属性集合；将数据集划分为训练集和测试集，采用决策树算法，根据训练集的属性标签，构建决策树模型；利用构建的决策树模型，预测员工的工作压力等级。

13、在一些实施例中，所述打卡系统同步获取当日工地的工作内容和工作环境数据，包括噪音级别和空气质量，包括：

14、通过数据接口同步获取当日工地的工作内容数据，并按照任务优先级进行自动排序；通过数据接口同步获取工地的噪音级别和空气质量数据，若噪音级别数据超过预设阈值，自动触发相应的警报系统，若空气质量数据低于预设水平，自动启动环境净化设备；通过数据接口同步获取工地上的工作人数，并根据工作内容及人数进行工作任务自动分配；获取工地与附近工地的位置，根据地理位置数据，评估资源共享可能性；通过传感器同步获取所有工作设备的状态，将处于非工作状态的工作设备自动标记为备用，并进行电量检测；数据接口同步获取工作任务的完成情况与工作时长，并根据工作时长和工作内容自动调整未来任务优先级。

15、在一些实施例中，所述将获取到的环境数据与之前分析的体温和心率数据进行数据融合，使用决策树算法进行综合健康状态评估，包括：

16、使用环境传感器获取工作环境数据；利用员工佩戴的可穿戴设备获取员工的体温和心率数据；运用均值填充法对环境数据、体温数据和心率数据的缺失值进行补全；使用z-score标准化对补全后的四组数据进行标准化处理；根据相关性矩阵选择标准化后的各项数据中与健康状态最相关的特征；利用选择的特征，将四组数据整合为一个统一的数据集；使用决策树算法，对整合后的数据集进行模型训练；根据训练好的决策树模型，对新获取的数据进行健康状态评估；如果输出结果低于预定阈值，则被标记为需要进一步分析；使用z-score标准化对被标记的数据进行标准化处理；利用新处理后的数据，重新训练决策树模型；根据重新训练好的决策树模型，对新获取的数据进行健康状态评估。

17、在一些实施例中，所述根据综合健康状态评估的结果，分析员工当天的工作任务是否与当前健康状态匹配，是否需要进行预防工作相关疾病或意外情况，包括：

18、从数据库中提取当天环境数据、体温和心率数据；利用训练好的决策树模型，对员工的健康状态数据进行初步分析，得到员工的健康状态评估结果；获取员工的当天工作任务数据，判断员工当天的工作任务是否与当前健康状态匹配；若员工当天的工作任务与当前健康状态不匹配，则重新分配工作任务；根据环境数据、体温和心率数据以及工作任务数据，判断员工当天工作任务类型是否属于高风险任务，如果是高风险任务，则员工处于高风险状态；判断员工当天工作任务强度是否超过身体或心理承受能力，如果超过承受能力，则员工处于高风险状态；判断员工当天工作任务环境是否存在安全隐患或有害物质，如果存在安全隐患或有害物质，则员工处于高风险状态；判断员工当天体温和心率是否达标，如果体温和心率不达标，则员工处于高风险状态；若存在高风险员工，触发高风险预警模块，并将员工的信息纳入监控列表，并预防处于高风险状态员工的相关疾病或意外情况。

19、在一些实施例中，所述将融合后的健康数据与工地的实时工作内容和环境数据进行匹配，最终生成预防措施列表，并自动展示个性化预防建议给员工，包括：

20、通过api从多个不同的数据库和传感器获取融合后的健康数据；通过工地日志获取工地的实时工作内容文本，采用tf-idf算法提取文本中的关键特征；根据提取的特征，将工作内容分类为预定的类别，并为每个工作任务分配一个或多个标签，描述任务的性质和要求；将分类和标签结果转化为数据库格式的结构化工作内容数据；通过环境监测设备获取工地环境数据，包括温度、湿度、污染物浓度；对融合后的健康数据、工作内容数据和环境数据进行预处理，统一数据格式，并将预处理后的数据匹配并融合，形成综合数据集；运用简单线性回归算法分析综合数据集，通过判断预防措施的执行情况和有效性，得到与预防措施相关的数据特征；根据得到的数据特征，制定预防措施列表；根据预防措施列表和工地员工实时工作内容，为每位员工制定个性化的预防建议；将每位员工的个性化预防建议发送到每个员工的移动设备。

21、本发明实施例提供的技术方案可以包括以下有益效果：

22、本发明公开了一种工地出勤打卡的自适应认证方法。通过内置的视频传感器和监测设备获取员工的实时心率、体温和精神状态数据，并通过内置声学模块监听周围环境，实时分析和屏蔽高频噪声。

23、在打卡时，系统对体温数据进行分析，检测是否存在异常健康状况，并使用决策树算法分析清洗后的心率数据，以评估员工的实际工作压力。同时，系统同步获取当日工地的工作内容和工作环境数据。

24、将获取到的环境数据与之前分析的体温和心率数据进行数据融合，使用决策树算法进行综合健康状态评估。根据评估结果，分析员工当天的工作任务是否与当前健康状态匹配，是否需要进行预防工作相关疾病或意外情况。

25、最终，系统将融合后的健康数据与工地的实时工作内容和环境数据进行匹配，生成预防措施列表，并自动展示个性化预防建议给员工。通过这种综合应用技术，员工可以及时了解自身健康状况并采取相应措施，从而提高工作效率和预防工作相关的健康问题和意外情况。