一种基于视觉轨迹的方法,用于在工业场景中识别人员行为
Houquan Wang1, Tao Song1, Zhipeng Xu1
1College of Metrology Measurement and Instrument, China Jiliang University, Hangzhou 310018, China.
Sensors (Basel, Switzerland)
|October 29, 2025
概括
本研究介绍了一种轻量级的框架,用于准确识别工业人员的行为,提高安全和资产保护. 该系统使用先进的AI模型在具有挑战性的环境中提高了检测准确性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 工业安全 工业安全 工业安全
背景情况:
- 工业环境对准确识别人员行为提出了复杂的挑战,影响了安全和资产保护.
- 现有的方法往往难以达到现实世界工业应用所需的准确性.
研究的目的:
- 开发一种新的,轻量级的框架,用于工业环境中强大而高效的实时人员行为识别.
- 为了提高行为识别的准确性,尽管环境条件复杂.
主要方法:
- 增强的YOLOv8n模型与感应场注意力卷积 (RFAConv) 和高效多尺度注意力 (EMA) 机制.
- BOT-SORT算法用于连续运动轨迹生成和视角转换,用于鸟视图创建.
- 随机森林模型用于分类歧视性轨迹特征.
主要成果:
- 与基线YOLOv8n模型相比,AP50增加了6.9%,AP50:95增加了4.2%.
- 通过几何校正生成高准确度的鸟视图轨迹.
- 在专有工业数据集上,所有行为都达到超过82%的F1分数.
结论:
- 拟议的框架为在具有挑战性的工业环境中实时识别人员行为提供了强大而高效的解决方案.
- 注意力机制和轨迹分析的整合显著提高了识别准确性.
- 未来的工作将涉及探索先进的算法和边缘设备验证.


