Bibliothèque de données de mouvement de construction : un ensemble de données de mouvement intégré pour

Oct 15, 2023

Données scientifiques volume 9, Numéro d'article : 726 (2022) Citer cet article

2108 Accès

1 Altmétrique

Détails des métriques

L'identification des activités des travailleurs est cruciale pour garantir la sécurité et la productivité de la main-d'œuvre humaine sur les chantiers de construction. De nombreuses études mettent en œuvre des capteurs basés sur la vision ou sur l’inertie pour construire des squelettes humains en 3D pour une reconnaissance automatisée des postures et des activités. Les chercheurs ont développé des ensembles de données énormes et hétérogènes pour des modèles génériques de mouvement et d’intelligence artificielle basés sur ces ensembles de données. Cependant, l’ensemble de données et les étiquettes sur les mouvements liés à la construction doivent être spécifiquement conçus, car les ouvriers du bâtiment sont souvent exposés à des postures inconfortables et à des tâches physiques intensives. Cette étude a développé un petit ensemble de données sur les activités liées à la construction avec une expérience en laboratoire et a mis en œuvre les ensembles de données pour étiqueter manuellement une bibliothèque de données de mouvement de construction (CML) à grande échelle pour la reconnaissance des activités. L'ensemble de données CML développé contient 225 types d'activités et 146 480 échantillons ; parmi eux, 60 types d'activités et 61 275 échantillons sont fortement liés aux activités de construction. Pour vérifier l'ensemble de données, cinq algorithmes d'apprentissage profond largement appliqués ont été adoptés pour examiner l'ensemble de données, et la convivialité, la qualité et la suffisance ont été signalées. La précision moyenne des modèles sans réglage peut atteindre 74,62 % à 83,92 %.

Des mesures)

mouvement des ouvriers du bâtiment

Type(s) de technologie

système de détection de mouvement portable

Type(s) de facteur

position des articulations du squelette

Caractéristique de l'échantillon - Organisme

ouvriers du bâtiment

Caractéristique de l'échantillon - Environnement

chantier de construction

La surveillance des activités des travailleurs est essentielle pour garantir la sécurité et suivre la productivité des projets de construction, car près de 80 % des blessures mortelles et non mortelles sont causées par des comportements dangereux sur le chantier1. De plus, les activités associées à des postures inconfortables, des mouvements répétitifs et des efforts intenses ont des conséquences imperceptibles mais graves sur la santé à long terme des travailleurs de la construction, comme les troubles musculo-squelettiques liés au travail (TMS)2,3. Les approches conventionnelles de gestion de la sécurité basées sur le comportement4 s'appuient sur l'auto-évaluation, l'observation manuelle et la mesure directe pour identifier les comportements dangereux5,6,7. Des approches similaires sont également populaires pour l’évaluation de la productivité du travail8. En raison de son coût élevé en temps et en efforts9, des solutions automatisées et informatiques dotées de capteurs peu coûteux et faciles à utiliser ont été proposées par les chercheurs. Les activités humaines peuvent être représentées sous forme de séquences de modèles de squelette 3D, qui peuvent généralement être construits à partir d'ensembles de données de capture de mouvement. Grâce à l'apprentissage profond et aux méthodes basées sur la trajectoire10,11, les résultats de détection, tels que les vidéos RBG, les vidéos en profondeur RVB (RGBD) et les signaux inertiels, peuvent être traduits en postures et activités humaines12. Ces méthodes ont été mises en œuvre avec succès dans diverses industries, telles que la santé13, le sport14, les jeux vidéo15 et la cuisine16. Pour le secteur de la construction, les chercheurs ont également proposé plusieurs modèles de classification des activités basée sur la vision RVB17 et de détection des chutes basée sur les unités de mesure inertielle (IMU)18.

La reconnaissance des activités de construction basée sur la vision est disponible et abordable. Les chercheurs s’appuient principalement sur les caméras RVB et RGBD. Par exemple, Yang et al.19 ont utilisé la vidéo RVB pour classer 11 activités de construction courantes. Roberts et al.20 ont utilisé 317 vidéos annotées pour analyser les opérations des ouvriers en maçonnerie et en plâtrage. Khosrowpour et al. a proposé une approche machine supervisée pour prédire les activités des travailleurs avec des caméras RVB-D et a rapporté une précision de reconnaissance de 76 %21. Une autre voie technique populaire consiste à utiliser des systèmes de détection portables, tels que les capteurs IMU18,22,23, les smartphones24,25, les montres de sport26,27 et les systèmes de pression de semelle intérieure portables28,29,30. Par exemple, Yang et al.18 ont développé un algorithme d’apprentissage semi-supervisé pour détecter les chutes évitées de justesse des monteurs de métaux équipés de systèmes IMU. Antwi-Afari et al.31 ont évalué trois types de réseaux neuronaux récurrents pour la reconnaissance et la classification automatisées des postures de travail inconfortables des ouvriers du bâtiment à l'aide de capteurs portables à semelle intérieure.