建設モーション データ ライブラリ: 建設用の統合モーション データセット

Apr 12, 2024

Scientific Data volume 9、記事番号: 726 (2022) この記事を引用

2012年のアクセス数

1 オルトメトリック

メトリクスの詳細

作業員の活動を特定することは、建設現場で働く労働者の安全と生産性を確保するために非常に重要です。 多くの研究では、ビジョンベースまたは慣性ベースのセンサーを実装して、自動化された姿勢とアクティビティ認識のために 3D 人間の骨格を構築しています。 研究者は、汎用モーションおよびこれらのデータセットに基づく人工知能モデルのための巨大で異種混合のデータセットを開発してきました。 ただし、建設作業員はしばしばぎこちない姿勢や集中的な肉体作業にさらされるため、建設関連のモーション データセットとラベルは特別に設計する必要があります。 この研究では、実験室実験により小規模な建設関連活動データセットを開発し、活動認識のために大規模な建設モーション データ ライブラリ (CML) に手動でラベルを付けるためにデータセットを実装しました。 開発された CML データセットには、225 種類のアクティビティと 146,480 のサンプルが含まれています。 そのうち、60 種類の活動と 61,275 のサンプルは建設活動に関連性が高いです。 データセットを検証するために、広く適用されている 5 つの深層学習アルゴリズムを採用してデータセットを調査し、使いやすさ、品質、十分性が報告されました。 チューニングなしのモデルの平均精度は 74.62% ～ 83.92% に達する可能性があります。

測定

建設作業員の動き

テクノロジーの種類

ウェアラブルモーションセンシングシステム

因子の種類

骨格関節の位置

サンプルの特徴 - 生物

建設労働者

サンプル特性 - 環境

建設現場

致命傷および非致命傷のほぼ 80% が現場での危険な行動によって引き起こされているため、建設プロジェクトの安全性を確保し、生産性を追跡するには、作業員の活動を監視することが不可欠です1。 さらに、ぎこちない姿勢、反復動作、力強い運動に関連する活動は、建設労働者の長期的な健康に、作業関連筋骨格障害 (WMSD) など、目に見えないながらも深刻な影響を及ぼします 2,3。 従来の行動ベースの安全管理アプローチ 4 は、自己報告、手動観察、および直接測定に依存して、不安全な行動を特定します 5、6、7。 同様のアプローチは、労働生産性の評価にも一般的です8。 時間と労力がかかるため9、低コストで使いやすいセンサーを備えた自動化された計算ソリューションが研究者によって提案されています。 人間の活動は 3D スケルトン モデルのシーケンスとして表すことができ、通常はモーション キャプチャ データセットから構築できます。 深層学習と軌跡ベースの手法 10、11 を使用すると、RBG ビデオ、RGB 深度 (RGBD) ビデオ、慣性信号などのセンシング出力を人間の姿勢や活動に変換できます 12。 これらの方法は、ヘルスケア 13、スポーツ 14、ゲーム 15、料理 16 などのさまざまな業界で導入され、成功を収めています。 建設業界向けに、研究者らは RGB 視覚ベースの活動分類 17 および慣性測定装置 (IMU) ベースの落下検出 18 のためのいくつかのモデルも提案しました。

ビジョンベースの建設活動認識を手頃な価格で利用できます。 研究者は主に RGB カメラと RGBD カメラに依存しています。 たとえば、Yang et al.19 は RGB ビデオを利用して 11 の一般的な建設活動を分類しました。 Roberts et al.20 は、317 本の注釈付きビデオを使用して、レンガ積みと左官工事の作業員の作業を分析しました。 コスロプールら。 は、RGB-D カメラを使用して作業者の活動を予測するための教師付きマシン アプローチを提案し、76% の認識精度を報告しました21。 もう 1 つの一般的な技術パスは、IMU センサー 18、22、23、スマートフォン 24、25、スポーツ ウォッチ 26、27、ウェアラブル インソール圧力システム 28、29、30 などのウェアラブル センシング システムを使用することです。 たとえば、Yang et al.18 は、IMU システムを使用して鉄工労働者の転倒のニアミスを検出するための半教師あり学習アルゴリズムを開発しました。 Antwi-Afari ら 31 は、ウェアラブル インソール センサーを使用して、建設作業員のぎこちない作業姿勢を自動認識および分類するための 3 種類のリカレント ニューラル ネットワークを評価しました。