基于视线追踪的工艺操作人员人为失误识别方法及装置

摘要

本申请实施例提供了一种基于视线追踪的工艺操作人员人为失误识别方法及装置，该方法包括：实时获取待识别工艺操作人员的眼动数据；所述眼动数据包括各采样时刻所述待识别工艺操作人员在操作界面上的视线落点；确定所述视线落点在所述操作界面上对应的兴趣区域，并确定所述待识别工艺操作人员在所述操作界面上各兴趣区域中的视线注视时长百分比；根据所述视线注视时长百分比构建样本特征矩阵；确定所述样本特征矩阵与预设的认知状态特征矩阵之间的差异大小，并根据所述差异大小确定所述待识别工艺操作人员的认知状态。本申请实施例可提高对工艺操作人员的认知状态辨识的准确度。

说明书

技术领域

本申请涉及油气生产事故预防技术领域，尤其是涉及一种基于视线追踪的工艺操作人员人为失误识别方法及装置。

背景技术

根据资料统计，在油气生产过程中，70％的化工事故与人为工艺操作失误有关。人为操作失误主要包括操作人员的误操作和违规操作，其结果可能导致设备停运、工厂停产，甚至还会导致各种灾害类事故的发生。因此，为了确保生产过程的安全运行，对化工生产过程中工艺操作人员的人为操作失误进行研究是十分必要的。

目前，已有学者从定性或定量角度研究人为失误类型和失误概率。其中的定性分析方法包括安全检查表法和危险与可操作性分析(Hazard and Operability Analysis，简称HAZOP)法。该类定性分析方法主要分析工艺操作人员在生产过程中的作用和可能发生的人为失误类型。其中的定量方法主要是利用人为失误概率计算模型计算出工艺操作人员在特定任务中的操作可靠度。然而，上述方法严重依赖于分析者的主观经验，并且缺乏对人员认知行为的感知和测量，从而难以准确辨识工艺操作人员的异常认知行为。

发明内容

本申请实施例的目的在于提供一种基于视线追踪的工艺操作人员人为失误识别方法及装置，以提高对工艺操作人员的认知状态辨识的准确度。

为达到上述目的，一方面，本申请实施例提供了一种基于视线追踪的工艺操作人员人为失误识别方法，包括：

实时获取待识别工艺操作人员的眼动数据；所述眼动数据包括各采样时刻所述待识别工艺操作人员在操作界面上的视线落点；

确定所述视线落点在所述操作界面上对应的兴趣区域，并确定所述待识别工艺操作人员在所述操作界面上各兴趣区域中的视线注视时长百分比；

根据所述视线注视时长百分比构建样本特征矩阵；

确定所述样本特征矩阵与预设的认知状态特征矩阵之间的差异大小，并根据所述差异大小确定所述待识别工艺操作人员的认知状态。

优选的，所述实时获取待识别工艺操作人员的眼动数据，包括：

获取眼动仪实时采集的所述待识别工艺操作人员在操作界面上的视线落点，并将其转化为对应于所述操作界面的坐标信息。

优选的，所述确定所述待识别工艺操作人员在所述操作界面上各兴趣区域中的视线注视时长百分比，包括：

确定所述待识别工艺操作人员在所述操作界面上各兴趣区域中视线注视时长百分比的平均值和标准方差。

优选的，所述认知状态特征矩阵预先通过以下方式得到：

对所述操作界面进行兴趣区域划分，确定所述操作界面上各兴趣区域的范围；

根据不同工艺操作人员的历史眼动数据，确定所述历史眼动数中各个视线落点在所述操作界面上对应的兴趣区域；

确定在各类认知状态下，工艺操作人员在各个兴趣区域的注视时长百分比的平均值和标准差；

根据各类认知状态下，工艺操作人员在各个兴趣区域的注视时长百分比的平均值和标准差建立对应的认知状态特征矩阵其中，x_ni为工艺操作人员在第n类认知状态下注视第i类兴趣区的注视时长百分比。

优选的，所述认知状态特征矩阵的权重矩阵包括：

其中，w_ni为所述认知状态特征矩阵中第n行第i列元素的权重。

优选的，所述权重矩阵中的每个权重通过以下公式得到：

其中，V_ni为所述认知状态特征矩阵中第n行第i列元素的变异系数，且为工艺操作人员在第n类认知状态下注视第i类兴趣区的注视时长百分比均值；σ_ni为工艺操作人员在第n类认知状态下注视第i类兴趣区的注视时长百分比的标准差。

优选的，所述确定所述样本特征矩阵与预设的认知状态特征矩阵之间的差异大小，并根据所述差异大小确定所述待识别工艺操作人员的认知状态，包括：

确定所述样本特征矩阵与预设的认知状态特征矩阵之间的加权欧氏距离大小，并根据所述加权欧氏距离的大小确定所述待识别工艺操作人员的认知状态。

优选的，根据如下公式确定所述样本特征矩阵与预设的认知状态特征矩阵之间的加权欧氏距离：

其中，d_mn为样本特征矩阵m和认知状态特征矩阵n之间的加权欧氏距离，w_ni为所述认知状态特征矩阵中第n行第i列元素的权重，X_mi为样本特征矩阵中在第m类认知状态下注视第i类兴趣区的注视时长百分比，X_ni为所述认知状态特征矩阵中在第n类认知状态下注视第i类兴趣区的注视时长百分比。

优选的，所述根据所述加权欧氏距离的大小确定所述待识别工艺操作人员的认知状态，包括：

确定所述样本特征矩阵中各列向量与所述认知状态特征矩阵中各对应列向量之间的加权欧氏距离，获得加权欧氏距离集合；

确定所述加权欧氏距离集合中的最小者，并将所述最小者所对应的认知状态确定为所述待识别工艺操作人员的认知状态。

另一方面，本申请实施例还提供了一种基于视线追踪的工艺操作人员人为失误识别装置，包括：

眼动数据获取模块，用于实时获取待识别工艺操作人员的眼动数据；所述眼动数据包括各采样时刻所述待识别工艺操作人员在操作界面上的视线落点；

注视时长获取模块，用于确定所述视线落点在所述操作界面上对应的兴趣区域，并确定所述待识别工艺操作人员在所述操作界面上各兴趣区域中的视线注视时长百分比；

特征矩阵构建模块，用于根据所述视线注视时长百分比构建样本特征矩阵；

认知状态识别模块，用于确定所述样本特征矩阵与预设的认知状态特征矩阵之间的差异大小，并根据所述差异大小确定所述待识别工艺操作人员的认知状态。

由以上本申请实施例提供的技术方案可见，本申请实施例首先实时获取待识别工艺操作人员的眼动数据；眼动数据包括各采样时刻待识别工艺操作人员在操作界面上的视线落点；其次确定视线落点在操作界面上对应的兴趣区域，并确定待识别工艺操作人员在操作界面上各兴趣区域中的视线注视时长百分比；然后根据视线注视时长百分比构建样本特征矩阵；然后确定样本特征矩阵与预设的认知状态特征矩阵之间的差异大小，并根据差异大小确定所述待识别工艺操作人员的认知状态，由于认知状态特征矩阵反映了各认知状态的特征，因此通过比较样本特征矩阵与认知状态特征矩阵之间的差异大小，可以准确的识别出工艺操作人员的认知状态。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本申请一实施例基于视线追踪的工艺操作人员人为失误识别方法的流程图；

图2为本申请一实施例中的兴趣区域划分示意图；

图3为本申请一实施例中采集的眼动数据示意图；

图4为本申请一实施例中得到的加权欧氏距离示意图；

图5为本申请一实施例基于视线追踪的工艺操作人员人为失误识别装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

本申请一些实施例中，在对待识别工艺操作人员进行认知状态识别之前，需要预先建立各类认知状态特征的认知状态特征矩阵，从而可为后续识别待识别工艺操作人员的认知状态提供依据。其中，所述的认知状态可以包括正常状态和人为失误状态。在不同应用领域，关于人为失误有不同的定义，如在安全行为科学原理中，概念法将所有的人为失误分类为：偏离、疏忽和错误，在实际操作中，这些失误可以分别对应为精神涣散、高度紧张和操作生疏三类常见的人为失误状态。

下面就如何建立认知状态特征矩阵进行说明。

首先、对操作界面进行兴趣区域划分，确定所述操作界面上各兴趣区域的范围。由于同一种人为失误状态在不同兴趣区域内的表现可能是不一样的，因此，有必要对操作界面进行兴趣区域划分，以利于准确识别人为失误状态类型。一般的，对于操作界面，可根据其功能划分为不同的兴趣区域。以图2所示的某操作界面为例，根据功能不同，可将其划分为滑块兴趣区域、参数显示兴趣区域、趋势窗口兴趣区域和报警窗口兴趣区域。当兴趣区域划分完成后，各兴趣区域在操作界面上所占的范围也就确定。

其次，根据不同工艺操作人员的历史眼动数据，确定所述历史眼动数中各个视线落点在所述操作界面上对应的兴趣区域。这些历史眼动数据可以包括不同工艺操作人员的正常状态下和各类失误状态下的眼动数据。这些眼动数据的获取可以是基于眼动仪的视线追踪技术实现，例如在眼动仪的基础上，以瞳孔-角膜反射法实现对工艺操作人员眼动情况的追踪，从而获取工艺操作人员在操作界面上的视线落点，并可将视线落点转化为对应于操作界面的x，y坐标。

然后，确定在各类认知状态下，工艺操作人员在各个兴趣区域的注视时长百分比的平均值和标准差。以图2所示的某操作界面为例，分别以滑块兴趣区、参数标签兴趣区、趋势窗口兴趣区和报警窗口兴趣区为单位，将不同认知状态下的工艺操作人员分组到不同失误模式(即人为失误状态模式)，如工艺操作人员困倦，则可认为是精神涣散，工艺操作人员的操作不到位可认为是操作生疏等等。如此，可分组统计出在各类失误状态下，工艺操作人员在各个兴趣区域的注视时间分布，例如不同认知状态下，工艺操作人员在各个兴趣区域注视时间百分比的平均值和σ_ni标准差，如可表示在第一类失误状态下，所有工艺操作人员在第二类兴趣区域中视线注视时长百分比的平均值。其中，注视时长百分比指在各个兴趣区域注视时间占整个操作时间的百分比。

其次，根据各类认知状态下，工艺操作人员在各个兴趣区域的注视时长百分比的平均值和标准差建立对应的认知状态特征矩阵其中，x_ni为工艺操作人员在第n类认知状态下注视第i类兴趣区的注视时长百分比。认知状态特征矩阵的每一行分别表示不同的认知状态，认知状态的每一列分别表示工艺操作人员的视线在不同区域注视时长百分比，如x_ni表示工艺操作人员在第n类失误状态下视线注释在第i类兴趣区的注视时长百分比。

同时，还可以建立认知状态特征矩阵中各元素的权重矩阵，如下所示：

其中，w_ni为所述认知状态特征矩阵中第n行第i列元素的权重。权重矩阵的每一行分别表示不同的认知状态，权重矩阵的每一列分别表示对应认知状态下，在不同区域中注视时间长短的指标重要度。在本申请一示例性实施例中，可通过变异系数法确定认知状态特征矩阵中各元素的权重，其基本思路如下：

在特征参数构成的标准体系中，数值波动越明显的指标，就是越难实现的指标，那么这些指标的重要程度就越高，因为它们更能反映出参加评价的各单位之间的差距。因此，在本申请实施例中引入各指标的变异系数通过计算各指标的变异系数来衡量各项指标取值的差异程度。其中，V_ni为所述认知状态特征矩阵中第n行第i列元素的变异系数；为工艺操作人员在第n类认知状态下注视第i类兴趣区的注视时长百分比均值；σ_ni为工艺操作人员在第n类认知状态下注视第i类兴趣区的注视时长百分比的标准差。则所述认知状态特征矩阵中第n行第i列元素的权重w_ni可表示为

在建立认知状态特征矩阵的基础上，参见图1所示，本申请实施例的基于视线追踪的工艺操作人员人为失误识别方法可以包括如下步骤：

S101、实时获取待识别工艺操作人员的眼动数据；所述眼动数据包括各采样时刻所述待识别工艺操作人员在操作界面上的视线落点。

本申请一些实施例中，所述实时获取待识别工艺操作人员的眼动数据可包括：获取眼动仪实时采集的所述待识别工艺操作人员在操作界面上的视线落点，并将其转化为对应于所述操作界面的坐标信息。在本申请一示例性实施例中，采集的眼动数据例如图3所示。

S102、确定所述视线落点在所述操作界面上对应的兴趣区域，并确定所述待识别工艺操作人员在所述操作界面上各兴趣区域中的视线注视时长百分比。

在划分好兴趣区域并建立所述操作界面的平面坐标系，所述操作界面上各兴趣区域所包含的坐标范围是确定的，因此，在确定所述待识别工艺操作人员在操作界面上的视线落点的坐标信息后，就可以很容易的确定对应视线落点所属的兴趣区域。

S103、根据所述视线注视时长百分比构建样本特征矩阵。

本申请一些实施例中，构建的样本特征矩阵与预先建立的认知状态特征矩阵具有相同的维数，且对应的维度属性相同。因此，本步骤构建样本特征矩阵可参见上述建立认知状态特征矩阵部分。

S104、确定所述样本特征矩阵与预设的认知状态特征矩阵之间的差异大小，并根据所述差异大小确定所述待识别工艺操作人员的认知状态。

本申请一些实施例中，所述确定所述样本特征矩阵与预设的认知状态特征矩阵之间的差异大小，并根据所述差异大小确定所述待识别工艺操作人员的认知状态。所述的差异大小例如可以是所述样本特征矩阵与预设的认知状态特征矩阵之间的加权欧氏距离大小。相应的，可根据所述加权欧氏距离的大小确定所述待识别工艺操作人员的认知状态，具体可以包括：

根据公式确定所述样本特征矩阵中各列向量与所述认知状态特征矩阵中各对应列向量之间的加权欧氏距离，获得加权欧氏距离集合(例如图4所示)；

确定所述加权欧氏距离集合中的最小者，并将所述最小者所对应的认知状态确定为所述待识别工艺操作人员的认知状态。

其中，d_mn为样本特征矩阵m和认知状态特征矩阵n之间的加权欧氏距离，w_ni为所述认知状态特征矩阵中第n行第i列元素的权重，X_mi为样本特征矩阵中在第m类认知状态下注视第i类兴趣区的注视时长百分比，X_ni为所述认知状态特征矩阵中在第n类认知状态下注视第i类兴趣区的注视时长百分比。

在本申请一些实施例中，还可以确定所述样本特征矩阵与预设的认知状态特征矩阵之间的相似度大小，并根据相似度大小确定所述待识别工艺操作人员的认知状态。与所述差异大小不同的是，所述样本特征矩阵中各列向量与所述认知状态特征矩阵中各对应列向量之间的相似度最大的列所对应的认知状态，可以确定为所述待识别工艺操作人员的认知状态。

为便于理解本申请，下面介绍本申请一示例性实施例。本申请一示例性实施例以图2所示的操作界面进行兴趣区域划分为例，在图2中，V101、V102、V201、V301、V401均为阀门；P101为压缩机；均为流量计；均为温度计；为物质浓度计；为液面高度计；M为电动机；HX101为冷凝器；HX102为重沸器；CSTR为连续搅拌反应器。预设所需要识别的认知状态可以包括操作生疏、精神涣散和高度紧张等。在所划分的兴趣区域和认知状态的基础上，分组对待识别工艺操作人员的视线注视情况进行统计，计算得出各种认知状态在各个区域的注视时间百分比和在不同区域中注视时间长短的指标重要度。最终根据统计结果分别建立认知状态特征矩阵Y和认知状态特征矩阵Y中各元素的权重矩阵W。

在建立了认知状态特征矩阵Y和权重矩阵W之后，对下表1中的8个测试样本进行试验，其中样本1、5在试操作时的认知状态为正常状态，样本2、6在试操作时的认知状态为操作生疏，样本3、7在试操作时的认知状态为精神涣散，样本4、8在试操作时的认知状态为高度紧张。

表1操作人员操作状态测试样本

表2各组样本状态的识别结果

样本正常操作生疏紧张疲劳识别状态识别是否准确10.05770.11210.10280.1087正常是20.13160.02600.10800.0735操作生疏是30.14100.08010.10930.0486精神涣散是40.05390.13100.05360.1090高度紧张是50.04710.11680.10190.1202正常是60.14340.05050.13150.0832操作生疏是70.14990.10440.10990.0579精神涣散是80.06890.13400.04700.1120高度紧张是

基于视线追踪的工艺操作人员人为失误识别方法对部分工艺操作人员的操作样本进行识别，所获得的识别结果如上表2所示，由此可见验证其识别结果的准确。

虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。

参考图5所示，本申请实施例的基于视线追踪的工艺操作人员人为失误识别装置可以包括：

眼动数据获取模块51，可以用于实时获取待识别工艺操作人员的眼动数据；所述眼动数据包括各采样时刻所述待识别工艺操作人员在操作界面上的视线落点；

注视时长获取模块52，可以用于确定所述视线落点在所述操作界面上对应的兴趣区域，并确定所述待识别工艺操作人员在所述操作界面上各兴趣区域中的视线注视时长百分比；

特征矩阵构建模块53，可以用于根据所述视线注视时长百分比构建样本特征矩阵；

认知状态识别模块54，可以用于确定所述样本特征矩阵与预设的认知状态特征矩阵之间的差异大小，并根据所述差异大小确定所述待识别工艺操作人员的认知状态。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本发明是参照根据本发明实施例的方法和设备的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。