Библиотека данных о движении при строительстве: интегрированный набор данных о движении для

Apr 12, 2024

Научные данные, том 9, Номер статьи: 726 (2022) Цитировать эту статью

Доступы 2012 г.

1 Альтметрика

Подробности о метриках

Определение деятельности работников имеет решающее значение для обеспечения безопасности и производительности рабочей силы на строительных площадках. Во многих исследованиях используются датчики на основе зрения или инерции для построения трехмерных человеческих скелетов для автоматического распознавания поз и активности. Исследователи разработали огромные и разнородные наборы данных для общего движения и модели искусственного интеллекта, основанные на этих наборах данных. Однако набор данных и метки движений, связанных со строительством, должны быть специально разработаны, поскольку строителям часто приходится принимать неловкие позы и выполнять интенсивные физические задачи. В ходе этого исследования был разработан небольшой набор данных о деятельности, связанной со строительством, с помощью лабораторного эксперимента и реализованы наборы данных для ручной маркировки крупномасштабной библиотеки данных о движении строительства (CML) для распознавания активности. Разработанный набор данных ХМЛ содержит 225 видов деятельности и 146 480 образцов; из них 60 видов деятельности и 61 275 образцов тесно связаны со строительной деятельностью. Для проверки набора данных были приняты пять широко применяемых алгоритмов глубокого обучения для проверки набора данных, и были сообщены об удобстве использования, качестве и достаточности. Средняя точность моделей без настройки может достигать 74,62–83,92%.

Измерение(я)

движение строителей

Тип(ы) технологии

носимая система обнаружения движения

Тип(ы) фактора

положение суставов скелета

Характеристика образца – Организм

строители

Пример характеристики — окружающая среда

строительная площадка

Мониторинг деятельности рабочих имеет важное значение для обеспечения безопасности и отслеживания производительности строительных проектов, поскольку почти 80% смертельных и несмертельных травм вызваны небезопасным поведением на строительной площадке1. Кроме того, действия, связанные с неуклюжими позами, повторяющимися движениями и сильными нагрузками, имеют незаметные, но печальные последствия для долгосрочного здоровья строителей, такие как профессиональные расстройства опорно-двигательного аппарата (WMSD)2,3. Традиционные подходы к управлению безопасностью на основе поведения4 основаны на самоотчетах, ручном наблюдении и прямом измерении для выявления небезопасного поведения5,6,7. Подобные подходы также популярны для оценки производительности труда8. Из-за высоких затрат времени и усилий9 исследователями были предложены автоматизированные и вычислительные решения с недорогими и простыми в использовании датчиками. Человеческую деятельность можно представить как последовательность трехмерных моделей скелета, которые обычно могут быть построены на основе наборов данных захвата движения. С помощью методов глубокого обучения и траекторий10,11 результаты зондирования, такие как видео RBG, видео RGB-глубины (RGBD) и инерционные сигналы, могут быть преобразованы в позы и действия человека12. Эти методы успешно реализованы в различных отраслях, таких как здравоохранение13, спорт14, игры15 и кулинария16. Для строительной отрасли исследователи также предложили несколько моделей классификации активности на основе RGB-видения17 и обнаружения падения на основе инерциальных единиц измерения (IMU)18.

Признание строительной деятельности на основе видения доступно и доступно. Исследователи в основном полагаются на камеры RGB и RGBD. Например, Ян и др.19 использовали видео RGB для классификации 11 распространенных видов строительной деятельности. Робертс и др.20 использовали 317 аннотированных видеороликов для анализа операций каменщиков и штукатурщиков. Хосровпур и др. предложил контролируемый машинный подход для прогнозирования действий работников с помощью камер RGB-D и сообщил о точности распознавания 76%21. Другой популярный технический путь — использование носимых сенсорных систем, таких как датчики IMU18,22,23, смартфоны24,25, спортивные часы26,27 и носимые системы измерения давления в стельках28,29,30. Например, Ян и др.18 разработали алгоритм полуконтролируемого обучения для обнаружения возможных падений металлургов с системами IMU. Антви-Афари и др.31 оценили три типа рекуррентных нейронных сетей для автоматического распознавания и классификации неудобных рабочих поз строителей с использованием носимых датчиков стельки.