[0001] 本发明属于智能管理领域，涉及智能巡检管理技术，具体是基于人脸识别技术的智能巡检管理系统。

[0002] 智能巡检管理是指通过预设巡检路线和检查点，结合GPS定位、RFID识别、物联网、大数据等技术，对设备或设施进行自动化巡检、检测与分析，以实现对巡检工作的全面、精确管理；人脸识别技术能够准备识别巡检人员的身份，避免冒充、替岗等不法行为，从而提高巡检的安全性；智能巡检管理系统能够自动收集巡检过程中产生的数据，包括巡检人员的定位信息、巡检时间以及巡检顺序等，便于管理人员进行后续分析和处理，从而提高管理效率；系统能够根据巡检情况生成巡检报告，能够为管理人员提供全面的工作概况，有助于管理人员了解巡检工作的整体情况，并做出更加科学合理的决策。

[0003] 现有技术中(公开号为CN115631547A的专利文件申请)公开了一种智能消防巡查管理系统及方法，该方法包括通过将采集的各项数据进行数字化表示，并将处理后的巡查对象消防巡查时的各项数据进行整合获取巡查系数来对其消防状态进行整体评估；通过将巡查对象的巡查权重与不同消防的巡查结果进行整合，可以为巡查对象的消防状态差异化分析提供可靠的数据支持，通过对区域中不同的巡查对象实时数据采集以及相对应的数据分析，判断不同类型的巡查对象的消防状态是否异常以及异常的程度，通过对比分析发现的异常进行针对性的追溯和调整，可以提高区域内整体消防安全的巡查效果；现有技术通过对异常进行针对性的追溯和调整，提高消防安全的巡检效果；然而，现有技术通过对异常进行针对性分析提高巡检效果，未考虑在巡检过程中，可能会出现巡检人员出现替岗的情况，难以对巡检人员进行管理。

[0004] 本发明提供了基于人脸识别技术的智能巡检管理系统，以解决以上技术问题。

[0055] 下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0056] 请参阅图1，本发明第一方面实施例提供了基于人脸识别技术的智能巡检管理系统，包括：管理验证模块，以及与之相连的人脸采集模块、异常处理模块；

[0057] 人脸采集模块：通过人脸识别技术采集巡检人员的面部特征信息，根据面部特征信息构建巡检人员的身份验证库；

[0058] 管理验证模块：获取巡检时间，根据巡检时间对巡检人员进行排班；根据排班信息对巡检人员的考勤信息进行管理；当巡检人员在进行巡检工作前，通过人脸识别技术对巡检人员的身份进行验证；定期对巡检人员的评级进行调整；

[0059] 异常处理模块：获取巡检人员上传的异常图像，根据异常图像分析得到异常原因；根据异常原因对异常进行处理，并将处理结果反馈给管理人员。

[0060] 请参阅图2，获取巡检时间，将巡检时间平均分成若干时间段，得到巡检换班次数；根据巡检换班次数确定对应巡检时间段的巡检人员人数；获取巡检人员的评级，根据巡检人员的评级将巡检人员进行分类；根据巡检人员人数从每个类型的巡检人员中选择巡检人员组成巡检小组；将巡检小组按照巡检时间段进行排班；根据排班信息对对应巡检人员的打卡记录进行检测，得到检测结果；判断是否存在未打卡的巡检人员；是，则分析未打卡的原因；否，则持续对巡检人员的打卡记录进行检测。

[0061] 例如：假设现对区域A进行巡检，巡检时间为8:00‑20:00；将巡检时间按照4小时一划分，划分成三段巡检时间8:00‑12:00；12:00‑16:00；16:00‑20:00；获取巡检人员的评级，从三个评级中分别选取一名巡检人员组成巡检小组；每个巡检小组为3人，巡检时间8:00‑12:00由巡检小组A进行巡检工作，巡检时间12:00‑16:00由巡检小组B进行巡检工作；巡检时间16:00‑20:00由巡检小组C进行巡检工作。

[0062] 并在对应的时间分别对巡检人员的打卡记录进行检测，分析得到巡检小组B和巡检小组C中均存在一人未打卡。

[0063] 调取未打卡人员的巡检人员信息，判断巡检人员是否到岗；是，则将对应巡检人员的打卡记录改为已打卡；否，则对巡检人员的请假信息进行分析；判断巡检人员是否请假，是，则将对应巡检人员的打卡记录改为请假；否，则将对应巡检人员的打卡记录改为缺勤；将已打卡、请假和缺勤整合成对应巡检人员的考勤信息。

[0064] 例如：假设现对巡检小组B和巡检小组C中为打卡的巡检人员的未打卡信息进行分析，得到巡检小组B中的巡检人员未到岗，但有请假记录，将巡检人员的打卡记录标记为请假；巡检小组C中的巡检人员未到岗，也没有请假记录，则将巡检人员的打卡记录标记为缺勤。

[0065] 请参阅图3，通过人脸识别技术采集巡检人员的面部特征信息，根据面部特征信息构建巡检人员的身份验证库；获取巡检人员的打卡图像，提取打卡图像中的面部特征信息；根据面部特征信息将打卡图像与身份验证库中的图像进行匹配，得到匹配结果；其中，匹配结果包括匹配成功或者匹配失败；判断匹配结果是否为匹配成功；是，则判定巡检人员的身份验证通过；否，则判定巡检人员的身份验证不通过，生成报警信号，并通知管理人员；将身份验证通过和身份验证不通过整合成验证信息。

[0066] 例如：假设现有巡检小组A的三名巡检人员的打卡图像，将打卡图像与身份验证库进行匹配，其中，有一名巡检人员的打卡图像匹配失败，则将该名巡检人员的信息发送给管理人员。

[0067] 定期获取巡检人员的考勤信息以及验证信息；将考勤信息中的请假次数和缺勤次数分别标记为JC，QC；将身份验证不通过次数标记为YC；通过公式TX＝α×(JC+QC)+β×exp(YC)计算对应巡检人员的调整系数；根据调整系数对巡检人员的评级进行调整；其中，α和β是大于0的比例系数；

[0068] 调取对应巡检人员的调整系数以及对应的评级；判断巡检人员的调整系数是否大于一级阈值，是，则将巡检人员的评级往下调整一级；否，则将调整系数与二级阈值进行比较；判断调整系数是否小于二级阈值，是，则将巡检人员的评级往上调整一级；否，则对应巡检人员的评级不作调整；其中，一级阈值与二级阈值根据经验进行设置，且一级阈值大于二级阈值。

[0069] 例如：假设现对三名巡检人员的调整系数进行计算，α＝1；β＝1；具体步骤如下：

[0070] 巡检人员1：请假次数JC＝3，缺勤次数QC＝2；身份验证不通过次数YC＝5；则调整系数TX＝153.41；大于一级阈值10，则将该巡检人员的评级从二等降低为三等；

[0071] 巡检人员2：请假次数JC＝1，缺勤次数QC＝0；身份验证不通过次数YC＝0；则调整系数TX＝1；小于二级阈值3，则将该巡检人员的评级从二等提升至一等；

[0072] 巡检人员3：请假次数JC＝2，缺勤次数QC＝3；身份验证不通过次数YC＝2；则调整系数TX＝7.38；则不对该巡检人员的评级做出调整。

[0073] 请参阅图4，获取巡检人员上传的异常图像，对异常图像进行预处理后得到输入图像；其中，预处理包括格式转化，灰度化，去噪；调用异常分析模型，将输入图像输入异常分析模型中，得到异常标签；基于异常标签匹配对应的异常原因；其中，异常分析模型基于人工智能模型构建；异常标签设置为正整数；

[0074] 获取异常处理库；将异常原因与异常处理库进行匹配，得到对应异常原因的处理措施，根据处理措施对异常进行处理；设定时间段后，对出现异常的点位进行检测，并将检测结果反馈给管理人员；其中，检测结果包括正常或者异常。

[0075] 值得注意的是，异常分析模型基于人工智能模型构建，包括：

[0076] 获取异常数据集；其中，异常数据集中包括与输入图像内容属性相一致的标准输入数据，以及与异常标签内容属性相一致的标准输出数据；

[0077] 将异常数据集划分成训练集以及验证集，利用训练集对人工智能模型进行训练，利用验证集对训练好的人工智能模型的参数进行评估；当人工智能模型的参数大于参数阈值时，则将人工智能模型标记为异常分析模型；否则，重新对人工智能模型进行训练；其中，人工智能模型包括卷积神经网络模型或者BP神经网络模型。

[0078] 例如：现有采集到的2张异常图像，分别对2张异常图像进行预处理，得到2张输入图像，调用异常分析模型，将输入图像输入异常分析模型中，得到异常标签，匹配对应的异常原因分别为D和G；将异常原因与异常处理库进行匹配，得到处理措施，采用对应的处理措施分别对异常D和异常G进行处理；在2小时后，对处理后的异常进行检测，得到异常D的检测结果为正常；异常G的检测结果为异常，则重新对异常G进行异常分析处理。

[0079] 上述公式中的部分数据是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。

[0080] 本发明的工作原理：本发明通过人脸识别技术采集巡检人员的面部特征信息，根据面部特征信息构建巡检人员的身份验证库；获取巡检时间，根据巡检时间对巡检人员进行排班；根据排班信息对巡检人员的考勤信息进行管理；当巡检人员在进行巡检工作前，通过人脸识别技术对巡检人员的身份进行验证；定期对巡检人员的评级进行调整；获取巡检人员上传的异常图像，根据异常图像分析得到异常原因；根据异常原因对异常进行处理，并将处理结果反馈给管理人员。

[0081] 以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。