Biblioteca de dados de movimento de construção: um conjunto de dados de movimento integrado para

Apr 12, 2024

Dados científicos volume 9, número do artigo: 726 (2022) Citar este artigo

Acessos 2012

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.