Understanding the state, behavior,

Understanding the state, behavior, and surrounding context of construction workers is essential to effective project management and control. Exploiting the integrated sensors of ubiquitous mobile phones offers an unprecedented opportunity for an automated approach to workers' activity recognition. In addition, machine learning (ML) methodologies provide the complementary computational part of the process. In this paper, smartphones are used in an unobtrusive way to capture body movements by collecting data using embedded accelerometer and gyroscope sensors. Construction activities of various types have been simulated and collected data are used to train five different types of ML algorithms. Activity recognition accuracy analysis has been performed for all the different categories of activities and ML classifiers in user-dependent and -independent ways. Results indicate that neural networks outperform other classifiers by offering an accuracy ranging from 87% to 97% for user-dependent and 62% to 96% for user-independent categories.

ผลลัพธ์ (ไทย) 1:

ทำความเข้าใจสถานะ พฤติกรรม และบริบทโดยรอบของคนงานก่อสร้างเป็นสิ่งสำคัญในการจัดการโครงการอย่างมีประสิทธิภาพและการควบคุม ใช้ประโยชน์จากเซ็นเซอร์รวมของโทรศัพท์มือถือแพร่หลายให้โอกาสประวัติการณ์สำหรับวิธีการอัตโนมัติเพื่อการรับรู้กิจกรรมของผู้ปฏิบัติงาน นอกจากนี้ วิธีการเรียนรู้ (ML) เครื่องให้คำนวณส่วนประกอบของกระบวนการ ในกระดาษนี้ สมาร์ทโฟนที่ใช้ในทางไม่เกะกะในการจับภาพเคลื่อนไหวร่างกาย โดยการรวบรวมข้อมูลโดยใช้เซ็นเซอร์ accelerometer และไจโรสโคปที่ฝังตัว จำลองกิจกรรมก่อสร้างประเภทต่าง ๆ และมีใช้ข้อมูลที่รวบรวมการรถไฟห้าชนิดต่าง ๆ ของอัลกอริทึม ML การวิเคราะห์กิจกรรมการรับรู้ความถูกต้องมีการดำเนินการสำหรับประเภทต่าง ๆ ของคำนามภาษา ML ในขึ้นอยู่ กับผู้ใช้ และ - อิสระ ผลระบุว่า เครือข่ายประสาทคำหลักภาษาอื่น ๆ ที่ดีกว่าโดยมีความแม่นยำถึง 87% 97% ขึ้นอยู่ กับผู้ใช้ และ 62-96% สำหรับประเภทอิสระผู้ใช้

ผลลัพธ์ (ไทย) 2:

ทำความเข้าใจเกี่ยวกับรัฐพฤติกรรมและรอบบริบทของคนงานก่อสร้างเป็นสิ่งจำเป็นเพื่อการบริหารจัดการโครงการที่มีประสิทธิภาพและการควบคุม การใช้ประโยชน์จากเซ็นเซอร์แบบบูรณาการของโทรศัพท์มือถือที่แพร่หลายมีโอกาสเป็นประวัติการณ์สำหรับวิธีการอัตโนมัติเพื่อการรับรู้กิจกรรมแรงงาน นอกจากนี้การเรียนรู้เครื่อง (ML) วิธีการให้มีส่วนร่วมในการคำนวณที่สมบูรณ์ของกระบวนการ ในบทความนี้มาร์ทโฟนที่มีการใช้ในทางที่ไม่สร้างความรำคาญในการจับภาพการเคลื่อนไหวร่างกายโดยการเก็บรวบรวมข้อมูลโดยใช้ฝัง accelerometer และเซ็นเซอร์วัดการหมุนวน กิจกรรมการก่อสร้างประเภทต่างๆได้รับการจำลองและการเก็บรวบรวมข้อมูลที่ใช้ในการฝึกอบรมห้าชนิดที่แตกต่างกันของขั้นตอนวิธี ML การวิเคราะห์ความเคลื่อนไหวการรับรู้ความถูกต้องได้รับการดำเนินการสำหรับทุกประเภทที่แตกต่างกันของกิจกรรมและลักษณนาม ML ในรูปแบบที่ใช้ขึ้นอยู่กับ -independent ผลการวิจัยพบว่าเครือข่ายประสาทดีกว่าลักษณนามอื่น ๆ โดยนำเสนอความถูกต้องตั้งแต่ 87% ถึง 97% สำหรับผู้ใช้ขึ้นอยู่กับ 62% ถึง 96% สำหรับประเภทที่ใช้เป็นอิสระ