La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Computer Vision-Based Tracking of Workers in Construction Sites Based on MDNet Suivi basé sur la vision par ordinateur des travailleurs sur les chantiers de construction basé sur MDNet

Wen LIU, Yixiao SHAO, Shihong ZHAI, Zhao YANG, Peishuai CHEN

  • Vues en texte intégral

    0

  • Citer

Résumé:

Un suivi automatique et continu des objets impliqués dans un projet de construction est nécessaire pour des tâches telles que l'évaluation de la productivité, la reconnaissance des comportements dangereux et le suivi des progrès. De nombreuses approches de suivi basées sur la vision par ordinateur ont été étudiées et testées avec succès sur des chantiers de construction ; cependant, leurs applications pratiques sont entravées par la précision du suivi limitée par la nature dynamique et complexe des chantiers de construction (c'est-à-dire encombrement d'arrière-plan, occlusion, échelle et pose variables). Pour obtenir de meilleures performances de suivi, une nouvelle approche de suivi basée sur l'apprentissage en profondeur appelée réseaux neuronaux convolutifs multi-domaines (MD-CNN) est proposée et étudiée. L'approche proposée comprend deux étapes clés : 1) représentation multi-domaines de l'apprentissage ; et 2) suivi visuel en ligne. Pour évaluer l'efficacité et la faisabilité de cette approche, elle est appliquée à un projet de métro à Wuhan en Chine, et les résultats démontrent de bonnes performances de suivi dans des scénarios de construction avec un contexte complexe. L'erreur de distance moyenne et la mesure F pour le MDNet sont respectivement de 7.64 pixels et 67. Les résultats démontrent que l'approche proposée peut être utilisée par les gestionnaires de chantier pour surveiller et suivre les travailleurs afin de prévenir les risques sur les chantiers de construction.

Publication
IEICE TRANSACTIONS on Information Vol.E106-D No.5 pp.653-661
Date de publication
2023/05/01
Publicisé
2022/10/20
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2022DLP0045
Type de manuscrit
Special Section PAPER (Special Section on Deep Learning Technologies: Architecture, Optimization, Techniques, and Applications)
Catégories
Industrie intelligente

Auteurs

Wen LIU
  CCCC Second Harbor Engineering Co., Ltd.
Yixiao SHAO
  Huazhong University of Science and Technology
Shihong ZHAI
  CCCC Second Harbor Engineering Co., Ltd.
Zhao YANG
  CCCC Second Harbor Engineering Co., Ltd.
Peishuai CHEN
  CCCC Second Harbor Engineering Co., Ltd.

Mots-clés

Table des matières