건설 모션 데이터 라이브러리: On을 위한 통합 모션 데이터 세트

Apr 12, 2024

과학 데이터 9권, 기사 번호: 726(2022) 이 기사 인용

2012 액세스

1 알트메트릭

측정항목 세부정보

근로자의 활동을 식별하는 것은 건설 현장에서 인력의 안전과 생산성을 보장하는 데 매우 중요합니다. 많은 연구에서는 자동화된 자세 및 활동 인식을 위한 3D 인체 골격을 구성하기 위해 비전 기반 또는 관성 기반 센서를 구현합니다. 연구자들은 일반 동작을 위한 거대하고 이질적인 데이터 세트와 이러한 데이터 세트를 기반으로 한 인공 지능 모델을 개발했습니다. 그러나 건설 작업자는 종종 어색한 자세와 강도 높은 신체 작업에 노출되므로 건설 관련 모션 데이터세트와 라벨은 구체적으로 설계되어야 합니다. 본 연구에서는 실험실 내 실험을 통해 소규모 건설 관련 활동 데이터 세트를 개발하고 활동 인식을 위해 대규모 건설 모션 데이터 라이브러리(CML)에 수동으로 라벨을 지정하는 데이터 세트를 구현했습니다. 개발된 CML 데이터 세트에는 225가지 활동 유형과 146,480개의 샘플이 포함되어 있습니다. 그 중 60개 활동 유형과 61,275개 샘플은 건설 활동과 관련성이 높습니다. 데이터 세트를 검증하기 위해 널리 적용되는 5가지 딥러닝 알고리즘을 채택하여 데이터 세트를 검사하고 유용성, 품질 및 충분성을 보고했습니다. 튜닝이 없는 모델의 평균 정확도는 74.62% ~ 83.92%에 도달할 수 있습니다.

측정

건설 노동자의 움직임

기술 유형

웨어러블 모션 감지 시스템

요인 유형

뼈대 관절 위치

샘플 특성 - 유기체

건설 노동자

샘플 특성 - 환경

건설 현장

건설 프로젝트의 안전을 보장하고 생산성을 추적하려면 작업자 활동을 모니터링하는 것이 필수적입니다. 치명적인 부상과 치명적이지 않은 부상의 거의 80%가 현장에서의 불안전한 행동으로 인해 발생하기 때문입니다1. 또한, 어색한 자세, 반복적인 동작, 무리한 노력과 관련된 활동은 작업 관련 근골격계 질환(WMSD)2,3과 같이 건설 노동자의 장기적 건강에 눈에 띄지 않지만 심각한 결과를 초래합니다. 기존의 행동 기반 안전 관리 접근법4은 자가 보고, 수동 관찰, 직접 측정에 의존하여 불안전한 행동을 식별합니다5,6,7. 노동 생산성 평가에도 유사한 접근 방식이 널리 사용됩니다8. 높은 시간과 노력 비용으로 인해 연구자들은 저렴하고 사용하기 쉬운 센서를 갖춘 자동화된 계산 솔루션을 제안했습니다. 인간 활동은 일반적으로 모션 캡처 데이터세트로 구성할 수 있는 3D 뼈대 모델의 시퀀스로 표현될 수 있습니다. 딥 러닝 및 궤도 기반 방법10,11을 사용하면 RBG 비디오, RGBD(RGBD) 비디오 및 관성 신호와 같은 감지 출력을 인간 자세 및 활동12으로 변환할 수 있습니다. 이러한 방법은 의료13, 스포츠14, 게임15, 요리16 등 다양한 산업에서 성공적으로 구현되었습니다. 건설 산업의 경우 연구원들은 RGB 비전 기반 활동 분류17 및 관성 측정 장치(IMU) 기반 추락 감지18를 위한 여러 모델도 제안했습니다.

비전 기반 건설 활동 인식이 가능하고 저렴합니다. 연구원들은 주로 RGB 및 RGBD 카메라에 의존합니다. 예를 들어 Yang et al.19은 RGB 비디오를 활용하여 11가지 일반적인 건설 활동을 분류했습니다. Roberts et al.20은 벽돌 쌓기 및 미장 작업자의 작업을 분석하기 위해 주석이 달린 317개의 비디오를 사용했습니다. Khosrowpouret al. RGB-D 카메라를 사용하여 작업자 활동을 예측하기 위한 감독 기계 접근 방식을 제안했으며 76%의 인식 정확도를 보고했습니다21. 또 다른 인기 있는 기술 경로는 IMU 센서18,22,23, 스마트폰24,25, 스포츠 시계26,27 및 웨어러블 깔창 압력 시스템28,29,30과 같은 웨어러블 감지 시스템을 사용하는 것입니다. 예를 들어 Yang et al.18은 IMU 시스템을 사용하여 철공 작업자의 낙상 위험을 감지하기 위한 준지도 학습 알고리즘을 개발했습니다. Antwi-Afari et al.31은 착용 가능한 깔창 센서를 사용하여 건설 노동자의 어색한 작업 자세를 자동으로 인식하고 분류하기 위한 세 가지 유형의 순환 신경망을 평가했습니다.