![pageSearch](/themes/hestia/images/page-search.webp)
À medida que a digitalização do trabalho se expande, coloque
May 26, 2023Macacos com olhos superpoderosos podem ajudar a curar o daltonismo
May 27, 2023Explosões do passado
May 28, 2023Os melhores tornos de bancada testados em 2023
May 29, 2023Tendências na produção de tubos hidráulicos em tempos de escassez, Parte II
May 30, 2023Biblioteca de dados de movimento de construção: um conjunto de dados de movimento integrado para
![Oct 15, 2023](/themes/hestia/images/news-details-icon1.webp)
Dados científicos volume 9, número do artigo: 726 (2022) Citar este artigo
2108 Acessos
1 Altmétrico
Detalhes das métricas
A identificação das atividades dos trabalhadores é crucial para garantir a segurança e a produtividade da força de trabalho humana nos canteiros de obras. Muitos estudos implementam sensores baseados em visão ou inerciais para construir esqueletos humanos 3D para posturas automatizadas e reconhecimento de atividades. Os pesquisadores desenvolveram conjuntos de dados enormes e heterogêneos para movimentos genéricos e modelos artificialmente inteligentes baseados nesses conjuntos de dados. No entanto, o conjunto de dados e rótulos de movimento relacionados com a construção devem ser especificamente concebidos, uma vez que os trabalhadores da construção são frequentemente expostos a posturas inadequadas e tarefas físicas intensivas. Este estudo desenvolveu um pequeno conjunto de dados de atividades relacionadas à construção com um experimento em laboratório e implementou os conjuntos de dados para rotular manualmente uma biblioteca de dados de movimento de construção (CML) em grande escala para reconhecimento de atividades. O conjunto de dados CML desenvolvido contém 225 tipos de atividades e 146.480 amostras; entre eles, 60 tipos de atividades e 61.275 amostras estão altamente relacionadas às atividades de construção. Para verificar o conjunto de dados, cinco algoritmos de aprendizagem profunda amplamente aplicados foram adotados para examinar o conjunto de dados, e a usabilidade, qualidade e suficiência foram relatadas. A acurácia média dos modelos sem ajuste pode chegar a 74,62% a 83,92%.
Medidas)
movimento dos trabalhadores da construção civil
Tipo(s) de tecnologia
sistema de detecção de movimento vestível
Tipo(s) de fator(es)
posição das articulações do esqueleto
Característica da Amostra - Organismo
trabalhadores da construção
Característica da Amostra - Meio Ambiente
local de construção
A monitorização das atividades dos trabalhadores é essencial para garantir a segurança e acompanhar a produtividade dos projetos de construção, uma vez que quase 80% das lesões fatais e não fatais são causadas por comportamentos inseguros no local1. Além disso, atividades associadas a posturas inadequadas, movimentos repetitivos e esforços vigorosos têm resultados imperceptíveis, mas graves para a saúde dos trabalhadores da construção civil a longo prazo, como distúrbios osteomusculares relacionados ao trabalho (DORT)2,3. As abordagens convencionais de gestão da segurança baseadas no comportamento4 baseiam-se no autorrelato, na observação manual e na medição direta para identificar comportamentos inseguros5,6,7. Abordagens semelhantes também são populares para a avaliação da produtividade do trabalho8. Devido ao seu alto custo de tempo e esforço9, soluções automatizadas e computacionais com sensores de baixo custo e fáceis de usar têm sido propostas por pesquisadores. As atividades humanas podem ser representadas como sequências de modelos de esqueletos 3D, que geralmente podem ser construídos a partir de conjuntos de dados de captura de movimento. Com aprendizagem profunda e métodos baseados em trajetória10,11, os resultados de detecção, como vídeos RBG, vídeos de profundidade RGB (RGBD) e sinais inerciais, podem ser traduzidos em posturas e atividades humanas12. Esses métodos foram implementados com sucesso em vários setores, como saúde13, esportes14, jogos15 e culinária16. Para a indústria da construção, os pesquisadores também propuseram vários modelos para classificação de atividades baseadas na visão RGB17 e detecção de quedas baseada em unidades de medição inercial (IMU)18.
O reconhecimento da atividade de construção baseado na visão está disponível e é acessível. Os pesquisadores contam principalmente com câmeras RGB e RGBD. Por exemplo, Yang et al.19 utilizaram vídeo RGB para classificar 11 atividades comuns de construção. Roberts et al.20 utilizaram 317 vídeos anotados para analisar as operações dos operários de alvenaria e reboco. Khosrowpour et al. propuseram uma abordagem de máquina supervisionada para prever as atividades dos trabalhadores com câmeras RGB-D e relataram uma precisão de reconhecimento de 76%21. Outro caminho técnico popular é o uso de sistemas de detecção vestíveis, como sensores IMU18,22,23, smartphones24,25, relógios esportivos26,27 e sistemas de pressão de palmilha vestíveis28,29,30. Por exemplo, Yang et al.18 desenvolveram um algoritmo de aprendizagem semissupervisionado para detectar quedas quase acidentais de metalúrgicos com sistemas IMU. Antwi-Afari et al.31 avaliaram três tipos de redes neurais recorrentes para reconhecimento e classificação automatizados de posturas de trabalho inadequadas de trabalhadores da construção civil usando sensores de palmilha vestíveis.