基于三维深度卷积神经网络的车间生产行为识别

传统的依赖视频监控的人员行为管理方式费时且易产生疏漏,难以适用复杂的生产制造环境,为了实现更加有效的人员行为管理,针对生产车间工作人员行为识别与智能监控问题,提出一种基于人体骨架信息的生产行为识别方法。基于三维深度视觉传感器采集人体骨架关节位置数据,用标准化重构方法对骨架关节数据进行归一化处理,合成人体行为的时空特征RGB图像。在此基础上构建深度卷积神经网络模型,进行时空域的生产行为识别。最后通过CUDA GPU加速环境下面向MSR-Action3D数据集和自建验证数据集NJUST3D进行实验验证,说明所提方法具有较高的准确率和实用价值。     

基于图卷积网络的数字孪生车间生产行为识别方法

车间人员行为的智能识别对规范生产过程、保障安全生产、实现车间生产行为数字孪生模型的快速构建具有重要的现实意义。提出一种融合注意力机制的图卷积网络的生产行为识别方法,对数字孪生车间生产行为进行数字化描述和快速识别。构建了一种基于拓扑图结构的人员数字孪生体特征,以及一种基于图卷积网络的注意力图卷积网络模型,将数字孪生体特征输入注意力网络模型,实现了对车间生产行为的识别。实验结果表明,该方法在车间生产行为数据集NJUST-3D上取得了较好的识别准确率,能够支持生产行为数字孪生模型的高效构建。     

基于视觉增强检测的车间人员数字孪生模型快速构建方法

作为车间制造资源的基本组成单位,人员主观活动具有高度不确定性,数字孪生车间中人员位置和分布信息的获取一直是难点。从现实生产生活的迫切需求出发,构建了一种自适应车间人员识别网络,并基于人在回路思想对车间复杂环境的检测效果进行增强。实验证明,所提方法与已有的三阶段级联卷积神经网络相比,检测效率和准确率更高、自适应性更强,可以为数字孪生模型提供稳定准确的支撑。