一个空间时间多功能网络 (STMF-Net) 用于基于骨架的建筑工人行动识别
Yuanyuan Tian1, Sen Lin2, Hejun Xu3
1School of Civil Engineering and Architecture, Wuyi University, Jiangmen 529020, China.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
这项研究引入了一种新的深度学习模型,用于使用3D骨架数据识别建筑工人的行为. 空间时间多功能网络 (STMF-Net) 改善了工作现场的安全和效率监测.
科学领域:
- 建设管理建设管理.
- 人工智能的人工智能
- 人与计算机的交互
背景情况:
- 监测建筑工人的生产力,健康和安全是全球关注的问题.
- 现有的动作识别方法通常依赖于单流数据,限制了特征捕获.
- 位置估计和深度学习的进步为自动化工人行动评估提供了潜力.
研究的目的:
- 开发一种有效的方法,以持续监测和及时识别建筑工人的行动.
- 解决先前的行动识别研究中单一数据流的局限性.
- 提出一种新的深度学习模型,用于加强员工行动评估.
主要方法:
- 利用建筑工地3D骨架和关节轨迹数据.
- 开发了一个时空多功能网络 (STMF-Net).
- 包含六种类型的基于3D骨架的功能,用于全面的运动捕捉.
主要成果:
- 在识别建筑工人的行为方面,STMF-Net的准确率达到了79.36%.
- 该模型有效地捕获和处理多功能3D骨架数据.
- 证明了深度学习对于强大的劳动力行动评估的能力.
结论:
- 拟议的STMF-Net提高了监控和识别建筑工人的行动的能力.
- 这项技术有可能改善建筑行业的管理模式.
- 最终,这项研究的目的是通过先进的监测来提高工人健康和工作效率.
