Libreria dati di movimento delle costruzioni: un set di dati di movimento integrato per on

Oct 15, 2023

Dati scientifici, volume 9, numero articolo: 726 (2022) Citare questo articolo

2108 Accessi

1 Altmetrico

Dettagli sulle metriche

Identificare le attività dei lavoratori è fondamentale per garantire la sicurezza e la produttività della forza lavoro umana nei cantieri edili. Molti studi implementano sensori basati sulla visione o inerziali per costruire scheletri umani 3D per posture automatizzate e riconoscimento delle attività. I ricercatori hanno sviluppato set di dati enormi ed eterogenei per modelli di movimento generici e di intelligenza artificiale basati su questi set di dati. Tuttavia, il set di dati di movimento e le etichette relativi all’edilizia dovrebbero essere progettati specificamente, poiché i lavoratori edili sono spesso esposti a posture scomode e compiti fisici intensivi. Questo studio ha sviluppato un piccolo set di dati di attività legate all'edilizia con un esperimento in laboratorio e ha implementato i set di dati per etichettare manualmente una libreria di dati di movimento di costruzione (CML) su larga scala per il riconoscimento delle attività. Il set di dati LMC sviluppato contiene 225 tipi di attività e 146.480 campioni; tra questi, 60 tipologie di attività e 61.275 campioni sono altamente legati alle attività di costruzione. Per verificare il set di dati, sono stati adottati cinque algoritmi di deep learning ampiamente applicati per esaminare il set di dati e sono state riportate l'usabilità, la qualità e la sufficienza. La precisione media dei modelli senza tuning può raggiungere dal 74,62% ​​all'83,92%.

Misurazione(i)

movimento dei lavoratori edili

Tipi di tecnologia

sistema di rilevamento del movimento indossabile

Tipi di fattori

posizione delle articolazioni scheletriche

Caratteristica del campione: organismo

muratori

Caratteristica del campione - Ambiente

sito di costruzione

Il monitoraggio delle attività dei lavoratori è essenziale per garantire la sicurezza e monitorare la produttività dei progetti di costruzione, poiché quasi l'80% degli infortuni mortali e non mortali sono causati da comportamenti non sicuri in cantiere1. Inoltre, le attività associate a posture scomode, movimenti ripetitivi e sforzi energici hanno esiti impercettibili ma gravi per la salute a lungo termine dei lavoratori edili, come i disturbi muscoloscheletrici legati al lavoro (WMSD)2,3. Gli approcci convenzionali alla gestione della sicurezza basati sul comportamento4 si basano sull'autovalutazione, sull'osservazione manuale e sulla misurazione diretta per identificare comportamenti non sicuri5,6,7. Approcci simili sono diffusi anche per la valutazione della produttività del lavoro8. A causa dei costi elevati in termini di tempo e impegno9, i ricercatori hanno proposto soluzioni automatizzate e computazionali con sensori a basso costo e facili da usare. Le attività umane possono essere rappresentate come sequenze di modelli scheletrici 3D, che di solito possono essere costruiti da set di dati di acquisizione del movimento. Con i metodi di deep learning e basati sulla traiettoria10,11, gli output di rilevamento, come video RBG, video RGB-profondità (RGBD) e segnali inerziali, possono essere tradotti in posture e attività umane12. Questi metodi sono stati implementati con successo in vari settori, come quello sanitario13, dello sport14, dei giochi15 e della cucina16. Per il settore edile, i ricercatori hanno anche proposto diversi modelli per la classificazione delle attività basata sulla visione RGB17 e il rilevamento delle cadute basato su unità di misura inerziale (IMU)18.

Il riconoscimento delle attività di costruzione basato sulla visione è disponibile e conveniente. I ricercatori si affidano principalmente a telecamere RGB e RGBD. Ad esempio, Yang et al.19 hanno utilizzato video RGB per classificare 11 attività edili comuni. Roberts et al.20 hanno utilizzato 317 video annotati per analizzare le operazioni dei lavoratori di muratura e intonacatura. Khosrowpour et al. hanno proposto un approccio automatico supervisionato per prevedere le attività dei lavoratori con telecamere RGB-D e hanno riportato una precisione di riconoscimento del 76%21. Un altro percorso tecnico popolare prevede l'utilizzo di sistemi di rilevamento indossabili, come i sensori IMU18,22,23, gli smartphone24,25, gli orologi sportivi26,27 e i sistemi di pressione delle solette indossabili28,29,30. Ad esempio, Yang et al.18 hanno sviluppato un algoritmo di apprendimento semi-supervisionato per rilevare le cadute sfiorate degli operai siderurgici con sistemi IMU. Antwi-Afari et al.31 hanno valutato tre tipi di reti neurali ricorrenti per il riconoscimento automatizzato e la classificazione delle posture di lavoro scomode dei lavoratori edili utilizzando sensori di solette indossabili.