Підхід до інтелектуалізації промислових підприємств на підставі розпізнавання складних видів діяльності персоналу.
Анотація
Проаналізовано технології, які базують на використанні носійних пристроїв (англ. Wearable Devices) для розпізнавання видів людської діяльності, що робить цей напрям дуже актуальним у контексті розроблення підходів до інтелектуалізації промислових підприємств. У межах проведених досліджень представлено метод на підставі нейромереж для виявлення видів діяльності промислового персоналу з метою подальшої інтеграції його в інформаційну технологію для інтелектуального управління виробничими процесами. Для цього розроблено: застосунок для смартгодинника, який збирає дані сенсорів; хмарну базу даних для зберігання цієї інформації; методи машинного навчання для визначення складних видів діяльності промислового персоналу. Для попереднього оброблення та розділення зібраного набору даних застосовано конвеєр, який фільтрує фрейми даних, агрегує їх в неперервні послідовності з фіксованою кількістю зразків базових активностей та тривалістю 60 с і перемішує їх. Отримані дані розділено на навчальні та тестові підмножини, за двома стратегіями. Далі до сигналів застосовано неперервне Вейвлет-перетворення. Встановлено, щоб підвищити здатність розпізнавати дуже складні послідовності операцій, можна за допомогою архітектури стекування класифікаторів, що дає змогу виявляти прості операції та класифікувати складенні дії на підставі аналізу послідовності простих операцій. Досліджено, що базовий класифікатор, побудований на DenseNet121, з перенесеним навчанням може розрізняти чотири базові види діяльності з точністю 90,90 %: сидіння, стояння, ходьба та перехід із положення сидячи в положення стоячи. Встановлено, що мета-класифікатор, який навчається на послідовностях передбачень із верхнього рівня базового класифікатора, може класифікувати агрегат з точністю 79,17 та 87,50 %% для першої і другої стратегій відповідно. З'ясовано, що переваги цього дослідження полягають у розробленні методів розпізнавання видів діяльності персоналу на підставі використання тільки смартгодинників, знімають обмеження щодо їх руху. Ці дослідження можна використовувати для інтелектуалізації промислових підприємств у таких напрямах: оптимізація виробничих процесів (автоматизація контролю за робочими процесами); управління ресурсами (розподіл робочого часу, використання енергії та матеріалів); безпека праці (запобігання нещасним випадкам та порушенню безпеки на робочому місці); виявлення недоліків у виробничому процесі та надання рекомендацій щодо їх усунення; аналіз тенденцій та прогнозування розвитку виробничих процесів.
Завантаження
Посилання
Abdel-Basset, M., Hawash, H., Chakrabortty, R., Ryan, M., Elhoseny, M., & Song, H. (2020). ST-DeepHAR: Deep Learning Model for Human Activity Recognition in IoHT Applications. IEEE Internet of Things Journal, 8(6), 4969–4979. https://doi.org/10.1109/JSEN.2019.2946095
Al-Amin, M., Tao, W., Doell, D., Lingard, R., Yin, Z., Leu, M. C., & Qin, R. (2019). Action recognition in manufacturing assembly using multimodal sensor fusion. Procedia Manufacturing, 39, 158–167. https://doi.org/10.1016/j.promfg.2020.01.288
Attal, F., Mohammed, S., Dedabrishvili, M., Chamroukhi, F., Oukhellou, L., & Amirat, Y. (2015). Physical Human Activity Recognition Using Wearable Sensors. Sensors, 15, 31314–31338. https://doi.org/10.3390/s151229858
Bennasar, M., Price, B. A., Gooch, D., Bandara, A. K., & Nuseibeh, B. (2022). Significant Features for Human Activity Recognition Using Tri-Axial Accelerometers. Sensors, 22. https://doi.org/10.3390/s22197482
Castro-García, J. A., Molina-Cantero, A. J., Gómez-González, I. M., Lafuente-Arroyo, S., & Merino-Monge, M. (2022). Towards Human Stress and Activity Recognition: A Review and a First Approach Based on Low-Cost Wearables. Electronics, 11. https://doi.org/10.3390/Electronics11010155
Cupek, R., Lin, J. C.-W., & Syu, J. H. (2022). Automated Guided Vehicles Challenges for Artificial Intelligence. In 2022 IEEE International Conference on Big Data, 6281–6289. https://doi.org/10.1109/BigData55660.2022.10021117
Li, H., Shrestha, A., Heidari, H., Le Kernec, J., & Fioranelli, F. (2020). Bi-LSTM Network for Multimodal Continuous Human Activity Recognition and Fall Detection. IEEE Sensors Journal, 20, 1191–1201. https://doi.org/10.1109/JSEN.2019.2946095
Mahmud, T., Sayyed, A. Q. M. S., Fattah, S. A., & Kung, S.-Y. (2021). A Novel Multi-Stage Training Approach for Human Activity Recognition From Multimodal Wearable Sensor Data Using Deep Neural Network. IEEE Sensors Journal, 21, 1715–1726. https://doi.org/10.1109/JSEN.2020.3015781
Mohsen, S., Elkaseer, A., & Scholz, S. G. (2021). Industry 4.0-Oriented Deep Learning Models for Human Activity Recognition. IEEE Access, 9, 150508–150521. https://doi.org/10.1109/ACCESS.2021.3125733
Nahorna, I. I. (2019). Labor intellectualization development at an industrial enterprise. Efektyvna ekonomika, 6. https://doi.org/10.32702/2307-2105-2019.6.61
Niemann, F., Lüdtke, S., Bartelt, C., & ten Hompel, M. (2022). Context-Aware Human Activity Recognition in Industrial Processes. Sensors, 22, 134 p. https://doi.org/10.3390/s22010134
Pavliuk, O., & Mishchuk, M. (2022). A novel Deep-Learning model for Human Activity Recognition based on Continuous Wavelet Transform. In 5th International Conference on Informatics & Data-Driven Medicine, 236–245. CEUR Workshop Proceedings. https://ceur-ws.org/Vol-3302/paper14.pdf
Pavliuk, O., Mishchuk, M., & Strauss, C. (2023). Transfer Learning Approach for Human Activity Recognition Based on Continuous Wavelet Transform. Algorithms, 16(2), 77 p. https://doi.org/10.3390/a16020077
Pavliuk, O., Steclik, T., & Biernacki, P. (2022). The forecast of the AGV battery discharging via the machine learning methods. In 2022 IEEE International Conference on Big Data (Big Data), 6315–24. https://doi.org/10.1109/BigData55660.2022.10020968
Sikder, N., Ahad, M. A. R., & Nahid, A.-A. (2021). Human Action Recognition Based on a Sequential Deep Learning Model. In 2021 Joint 10th International Conference on Informatics, Electronics & Vision (ICIEV) and 2021 5th International Conference on Imaging, Vision & Pattern Recognition (icIVPR), 1–7. https://doi.org/10.1109/ICIEVicIVPR52578.2021.9564234
Suh, S., Rey, V. F., Bian, S., Huang, Y. C., Rožanec, J. M., Ghinani, H. T., Zhou, B., & Lukowicz, P. (2023). Worker Activity Recognition in Manufacturing Line Using Near-body Electric Field. IEEE Internet of Things Journal, 1–1. https://doi.org/10.48550/arXiv.2308.03514
Tao, W., Leu, M. C., & Yin, Z. (2020). Multi-modal recognition of worker activity for human-centered intelligent manufacturing. Engineering Applications of Artificial Intelligence, 95. https://doi.org/10.1016/j.engappai.2020.103868
Xu, C., Chai, D., He, J., Zhang, X., & Duan, S. (2019). InnoHAR: A Deep Neural Network for Complex Human Activity Recognition. IEEE Access, 7, 9893–9902. https://doi.org/10.1109/ACCESS.2018.2890675
Zhuang, Z., & Xue, Y. (2019). Sport-Related Human Activity Detection and Recognition Using a Smartwatch. Sensors, 19. https://doi.org/10.3390/s19225001
Ziebinski, A., Mrozek, D., Cupek, R., Grzechca, D., Fojcik, M., Drewniak, M., Kyrkjebø, E., Lin, J. C.-W., Ovsthus, K., & Biernacki, P. (2021). Challenges associated with Sensors and data fusion. https://doi.org/10.1007/978-3-030-77970-2_45
