Workface assessment - the process o

Workface assessment - the process of determining rhe overall activity rates of onsite construction workers throughout a day - typically involves manual visual observations which are time-consuming and labor- intensive. To minimize subjectivity and the time required for conducting detailed assessments, and allowing managers to spend their time on the more important task of assessing and implementing improvements, we propose a new inexpensive vision-based method using RGB-D sensors that is applicable to interior construction operations. This is a particularly challenging task as construction activities have a large range of intra*class variability including varying sequences of body posture and time-spent on each individual activity. The skeleton extraction algorithms from RGB-D sequences produce noisy outputs when workers interact with tools or when there is a significant body occlusion within the camera's field-of-view. Existing vision-based methods are also limited as they can primarily classify “atomic" activities from RGB-D sequences involving one worker conducting a single activity. To address these limitations, our method includes three components:
1) an algorithm for detecting, tracking, and extracting body skeleton features from depth images;
2) a dis criminative bag-of-poses activity classifier for classifying single visual activities from a given body skeleton sequence: and
3) a Hidden Markov Model to represent emission probabilities in the form of a statistical distribution of single activity classifiers. For training and testing purposes, we introduce a new dataset of eleven RGB-D sequences for interior drywall construction operations involving three actual construction workers conducting eight different activities in various interior locations. Our results with an average accuracy of 76$ on the testing dataset show the promise of vision-based methods using RGB-D sequences for facilitating the activity analysis workface assessment.

Kết quả (Việt) 1:

Đánh giá Workface - quá trình xác định rhe tổng thể hoạt động tỷ giá của công nhân xây dựng tại chỗ trong suốt một ngày - thường bao gồm việc hướng dẫn sử dụng quan sát trực quan mà là tốn thời gian và lao động chuyên sâu. Để giảm thiểu chủ quan và thời gian cần thiết để tiến hành đánh giá chi tiết, và cho phép quản lý chi tiêu thời gian của họ về công việc quan trọng của việc đánh giá và thực hiện các cải tiến, chúng tôi đề xuất một không tốn kém tầm nhìn dựa trên phương pháp mới bằng cách sử dụng bộ cảm biến RGB-D phù hợp với hoạt động thi công nội thất. Đây là một nhiệm vụ đặc biệt khó khăn là xây dựng các hoạt động có một phạm vi rộng lớn của nội * lớp biến đổi bao gồm các trình tự khác nhau của tư thế cơ thể và dành thời gian trên mỗi hoạt động cá nhân. Các thuật toán khai thác bộ xương từ RGB-D Chuỗi sản xuất kết quả đầu ra ồn ào khi người lao động tương tác với các công cụ, hoặc khi có một cơ thể đáng kể tắc trong lĩnh vực của máy ảnh-of-view. Phương pháp dựa trên tầm nhìn hiện có cũng được giới hạn như họ chủ yếu có thể phân loại các hoạt động "hạt nhân" từ RGB-D chuỗi liên quan đến một công nhân tiến hành một hoạt động duy nhất. Để giải quyết những hạn chế này, phương pháp của chúng tôi bao gồm ba thành phần: 1) một thuật toán phát hiện, theo dõi và trích xuất các tính năng bộ xương cơ thể từ hình ảnh sâu; 2) một loại criminative túi đặt ra hoạt động dis cho phân loại các hoạt động trực quan duy nhất từ một trình tự bộ xương cơ thể nhất định: và 3) một mô hình Markov ẩn để đại diện cho xác suất phát thải trong các hình thức của một phân phối thống kê của máy phân loại duy nhất hoạt động. Đối với đào tạo và mục đích thử nghiệm, chúng tôi giới thiệu một bộ dữ liệu mới của mười một trình tự RGB-D cho các hoạt động xây dựng tường nội thất liên quan đến ba công nhân xây dựng thực tế tiến hành tám các hoạt động khác nhau ở nhiều vị trí nội thất. Các kết quả với độ chính xác trung bình là 76 $ trên bộ dữ liệu thử nghiệm Hiển thị lời hứa của tầm nhìn dựa trên phương pháp bằng cách sử dụng RGB-D chuỗi để tạo điều kiện cho việc đánh giá workface hoạt động phân tích.