基于区块链的绩效考核系统

技术领域

本发明涉及绩效考核技术领域，具体涉及一种基于区块链的绩效考核系统。

背景技术

无论是对于企业还是工厂，绩效考核都是人力资源管理中极其重要的一环。良好的绩效考核方法，可以有效地起到激励作用，避免人力资源的浪费，从而降低人力成本。目前，常见的绩效考核方法有平衡记分卡、关键绩效指标等，这些绩效考核方法透明度低，数据容易被篡改，故而可信度低。

区块链技术的发展，为建立透明度、可信度高且数据不容易被篡改的绩效考核方法提供了新的思路。比如说，中国专利CN111275395A公开了一种基于区块链的去中心化的企业绩效考核方法，包括步骤：搭建公司内部的私有区块链；每名员工都成为区块链中的用户节点；上传每名员工的每月工作记录、考勤记录等信息到区块链中；员工在区块链中互相查看他人的工作记录，并且相互对他人的工作情况进行评分；评分表作为绩效考核分数结果，汇总保存到区块链中，不可篡改。

在上述技术方案中，员工之间对彼此的工作情况相互进行打分，将得到的评分表作为绩效考核分数结果，并将其汇总保存到区块链中，相较于传统的绩效考核方式而言，这种绩效考核方法透明度高，数据也不容易被篡改，故而可信度高。但是，员工彼此之间通常无法准确了解对方的工作量，即使了解，很多时候也是大致的、大概的了解，这使得员工之间的评分无法精确地反映对应的工作量。也即，现有技术只能对员工的绩效进行定性考核，不能对员工的绩效进行定量的考核。

发明内容

本发明提供一种基于区块链的绩效考核系统，解决了现有技术只能对员工的绩效进行定性考核，不能对员工的绩效进行定量的考核的技术问题。

本发明提供的基础方案为：基于区块链的绩效考核系统，包括：

输入单元，用于上传每个员工的工作记录，工作记录包括打卡数据和监控视频；

统计单元，用于员工在区块链中互相查看工作记录，根据工作记录相互进行评分得到评分表，并将评分表保存到区块链中；还用于从员工的工作记录中获取痕迹信息，根据痕迹信息计算有效工作时长，并将有效工作时长保存到区块链中；

判断单元，用于将有效工作时长与预设的额定工作时长进行对比，得到对比结果，并根据对比结果判断评分表中的评分是否有效：如果有效工作时长大于、等于预设的额定工作时长，判定评分有效；如果有效工作时长小于预设的额定工作时长，判定评分无效；

修正单元，用于提取评分表中有效的评分以及对应的监控视频，分析监控视频中工作状态满足预设要求的合理工作时长，并根据合理工作时长与有效工作时长对有效的评分进行修正，得到修正后的评分表；

输出单元，用于以可视化的方式输出修正后的评分表。

本发明的工作原理及优点在于：

(1)如果员工的有效工作时长大于、等于预设的额定工作时长，表明工作量是过饱和、饱和的，在此基础上进行评分才有意义；反之，如果员工的有效工作时长小于预设的额定工作时长，表明工作量是不饱和的，这样的评分并没有参考价值。通过这样的方式，从评分表中挑选出有效的评分，才能对员工的绩效进行准确的评价。

(2)即使在员工的有效工作时长大于、等于预设的额定工作时长的情况下，也难以确保员工一直处于高质量的工作状态，而低质量的工作状态更加隐蔽，不容易被其他同事所发现，低质量的工作状态的影响难以反映在评分中。故而，有必要根据监控视频确定工作状态满足预设要求的合理工作时长，也即高质量的工作状态的时长，并以此为依据对评分进行修正。通过这样的方式，可以使得修正后的评分表能够精确地反映高质量的工作状态对应的工作时长，从而确保绩效考核更加公平。

本发明得到的修正后的评分表能够精确地反映高质量的工作状态对应的工作时长，解决了现有技术只能对员工的绩效进行定性考核，不能对员工的绩效进行定量的考核的技术问题。

进一步，还包括储存单元，用于储存员工在工作状态满足预设要求时的动作行为的标准图像；修正单元还用于获取标准图像，对标准图像进行训练获得有效工作状态识别模型，并通过有效工作状态识别模型对监控视频中的动作行为进行识别，剔除监控视频中不能被有效工作状态识别模型识别的动作行为。

有益效果在于：通过这样的方式，由标准图像进行训练获得的有效工作状态识别模型能够对监控视频中的动作行为进行识别，剔除掉监控视频中不能被有效工作状态识别模型识别的动作行为后，能够准确地获得监控视频中工作状态满足预设要求的合理工作时长。

进一步，修正单元还用预先剔除监控视频中不在识别范围内的视频帧，不在识别范围内的视频帧为没有动作行为的视频帧。

有益效果在于：通过这样的方式，能够避免发生误判，从而影响监控视频中工作状态满足预设要求的合理工作时长的判定。

进一步，修正单元还用于预先设置精度阈值，并通过有效工作状态识别模型过滤掉监控视频中精度值小于精度阈值的视频帧。

有益效果在于：通过这样的方式，通过预先设置精度阈值对监控视频中的视频帧进行过滤，可以确保被有效工作状态识别模型识别出的动作行为具有较高的精度。

进一步，修正单元还用于从监控视频中提取对话语音，识别对话语音的内容；并在对话语音的内容不可以对监控视频中小于精度阈值的视频帧进行合理化解释时，剔除监控视频中小于精度阈值的视频帧。

有益效果在于：通过这样的方式，能够避免因为监控视频拍摄不清楚导致的误判，从而提高对评分表修正的准确性。

进一步，修正单元还用于根据有效工作状态识别模型识别出得动作行为的数量，生成有效工作量，并根据有效工作量对评分进行修正。

有益效果在于：通过这样的方式，由动作行为统计有效工作量，能够极大地扣除掉偷懒、开小差的影响。

进一步，修正单元还用于采用人脸识别算法对监控视频进行人脸检测得，到人脸信息；并根据人脸信息确定员工身份标识，并将能够被有效工作状态识别模型识别的动作行为与员工身份标识进行关联。

有益效果在于：通过这样的方式，将动作行为与员工身份标识对应起来，有利于后续进行核查。

附图说明

图1为本发明基于区块链的绩效考核系统实施例的系统结构框图。

具体实施方式

下面通过具体实施方式进一步详细的说明：

实施例1

实施例基本如附图1所示：包括：

输入单元，用于上传每个员工的工作记录，工作记录包括打卡数据和监控视频；

统计单元，用于员工在区块链中互相查看工作记录，根据工作记录相互进行评分得到评分表，并将评分表保存到区块链中；还用于从员工的工作记录中获取痕迹信息，根据痕迹信息计算有效工作时长，并将有效工作时长保存到区块链中；

判断单元，用于将有效工作时长与预设的额定工作时长进行对比，得到对比结果，并根据对比结果判断评分表中的评分是否有效：如果有效工作时长大于、等于预设的额定工作时长，判定评分有效；如果有效工作时长小于预设的额定工作时长，判定评分无效；

修正单元，用于提取评分表中有效的评分以及对应的监控视频，分析监控视频中工作状态满足预设要求的合理工作时长，并根据合理工作时长与有效工作时长对有效的评分进行修正，得到修正后的评分表；

输出单元，用于以可视化的方式输出修正后的评分表。

在本实施例中，输入单元、统计单元、判断单元、修正单元、储存单元和输出单元均集成在服务器上，通过软件/程序/代码实现其功能；服务器上搭建有公司内部的私有区块链，每名员工都成为区块链中的节点，各节点之间使用P2P通信传输。

具体实施过程如下：

首先，上传全体员工的工作记录，每个员工的工作记录都包括上班、下班、外出等打卡数据以及在工作区域(比如办公室、车间)实时拍摄的监控视频。其中，每名员工的工作记录都被打包成一个区块，保存到区块链的链尾，再分布式的存储在私有区块链中每一个节点处，所有员工的计算机节点都能查看到每个员工的工作记录。

然后，员工在区块链中互相查看工作记录，根据工作记录相互进行评分以得到评分表，并将评分表保存到区块链中。比如说，员工用自己的计算机节点来链接私有区块链，查看私有区块链里其他员工上传的工作记录，对其他员工的工作贡献进行评分，每名员工的评分都可以生成一个评分表，并计算评分表里每名员工的平均得分。与此同时，从员工的工作记录中获取痕迹信息，根据痕迹信息计算有效工作时长，并将有效工作时长保存到区块链中。在工作的过程中都会留下痕迹信息，比如说，外出时会进行打卡，外出结束时也会打卡，以及某天的工作地点与平时的工作地点不一致时会有外勤打卡；通过这些打卡的时间点，可以得到每天以及每月的有效工作时长。

接着，将有效工作时长与预设的额定工作时长进行对比，得到对比结果，并根据对比结果逐个判断评分表中的评分是否有效：如果有效工作时长大于、等于预设的额定工作时长，判定评分有效；如果有效工作时长小于预设的额定工作时长，判定评分无效。比如说，每天的预设的额定工作时长设定为7.5小时，如果有效工作时长为8小时、7.5小时，大于、等于预设的额定工作时长，表明工作量是过饱和、饱和的，判定该评分有效；反之，如果有效工作时长为7.2小时，小于预设的额定工作时长，表明工作量是不饱和的，判定该评分无效。

再接着，提取评分表中有效的评分以及对应的监控视频，分析监控视频中工作状态满足预设要求的合理工作时长，并根据合理工作时长与有效工作时长对有效的评分进行修正，得到修正后的评分表。具体而言，服务器上预先储存有每个员工在工作状态满足预设要求时的动作行为的标准图像，比如说，预先通过全体摆拍的方式进行拍摄。获取这些标准图像，采用神经网络算法对标准图像进行反复训练，获得有效工作状态识别模型。得到有效工作状态识别模型后，预先剔除掉监控视频中不在识别范围内的视频帧，也即没有动作行为的视频帧；同时，根据预先设置的精度阈值，通过有效工作状态识别模型过滤掉监控视频中精度值小于精度阈值的视频帧；并通过有效工作状态识别模型对监控视频(已经剔除掉没有动作行为以及精度值小于精度阈值的视频帧)中的动作行为进行识别，剔除监控视频中不能被有效工作状态识别模型识别的动作行为，剩下的动作行为对应的监控视频中的时长即为合理工作时长。如果说合理工作时长为7.2小时、有效工作时长为7.5小时，某个有效评分为8分，修正后的有效评分的计算公式为，修正后的有效评分＝合理工作时长/有效工作时长×有效评分＝7.2/7.5×8＝7.7分。

最后，以可视化的方式输出修正后的评分表，比如说Excel表格的形式。

实施例2

与实施例1不同之处仅在于，在剔除监控视频中小于精度阈值的视频帧之前，从监控视频中提取对话语音，识别对话语音的内容；对其中的内容进行语义识别，在对话语音的内容不可以对监控视频中小于精度阈值的视频帧进行合理化解释时，才剔除监控视频中小于精度阈值的视频帧。比如说，对话语音的内容表明，当天办公室停电或者灯坏了一只导致光线不足，监控视频中某些视频帧小于精度阈值是合理的，故而不进行剔除；反之，则进行剔除。

此外，根据有效工作状态识别模型识别出得动作行为的数量，生成有效工作量，并根据有效工作量对评分进行修正。比如说，如果有效工作量少于平时的平均工作量，在评分的基础上进行减分；如果有效工作量多于平时的平均工作量，在评分的基础上进行加分。与此同时，采用人脸识别算法对监控视频进行人脸检测得到人脸信息，并根据人脸信息确定员工身份标识，并将能够被有效工作状态识别模型识别的动作行为与员工身份标识进行关联，也即对应起来，便于后续进行核实、查证。

实施例3

与实施例2不同之处仅在于，在本实施例中，需要预先采集员工的打卡数据。在采集员工的打卡数据时，逐步采集员工单位时间的运动量、面部状态以及打卡的背景。具体而言，当员工走到打卡终端时，首先，采集员工单位时间的运动量。在本实施例中，员工单位时间的运动量为员工单位时间的运动步数，可以由员工自己输入微信上的运动数据然后计算得到。比如说，从家里到单位花费时间20分钟，运动的步数为3600步，那么员工单位时间的运动量就为180步/分。如果单位时间的运动量超过预设阈值，比如说预设阈值为150步/分，就通过语音的方式提醒员工合理规划出行时间。然后，采集员工的面部状态。在本实施例中，通过摄像头采集员工的面部图像，并通过FaceReader软件识别员工的面部状态，也即面部情绪表情。如果员工的面部状态是负面的，比如“悲伤”、“愤怒”，则通过红外测温器检测员工的体温：如果员工的体温超过温度阈值，比如说温度阈值为37.2℃，就提醒员工戴口罩，并上报体温数据。最后，采集员工打卡的背景画面。在本实施例中，通过摄像头采集员工打卡时预设帧数的照片，比如说10张，通过动作识别算法判断员工的身体是静止的，还是运动的。如果员工的身体是运动的，说明员工可能比较忙，通过语音提示其先行打卡；反之，如果员工的身体是静止的，说明员工可能不是特别忙，通过语音提示其让他人先行打卡。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。