論文の概要: Worker Activity Recognition in Manufacturing Line Using Near-body Electric Field

• arxiv url: http://arxiv.org/abs/2308.03514v1
• Date: Mon, 7 Aug 2023 12:10:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 14:03:57.130401
• Title: Worker Activity Recognition in Manufacturing Line Using Near-body Electric Field
• Title（参考訳）: 近接電界を用いた製造ラインにおける作業者の活動認識
• Authors: Sungho Suh, Vitor Fortes Rey, Sizhen Bian, Yu-Chi Huang, Jo\v{z}e M. Ro\v{z}anec, Hooman Tavakoli Ghinani, Bo Zhou, Paul Lukowicz
• Abstract要約: 本稿では、IMUとボディキャパシタンス検知モジュールを組み合わせたウェアラブルセンシングプロトタイプを試作し、製造ラインにおける作業者の活動を認識する。 本稿では,マルチチャネル時系列畳み込みニューラルネットワークと深部畳み込みLSTMのための早期・後期センサデータ融合手法を提案する。 実験の結果,提案手法はベースライン法よりも優れた性能を示すことがわかった。
• 参考スコア（独自算出の注目度）: 7.83768412814433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manufacturing industries strive to improve production efficiency and product quality by deploying advanced sensing and control systems. Wearable sensors are emerging as a promising solution for achieving this goal, as they can provide continuous and unobtrusive monitoring of workers' activities in the manufacturing line. This paper presents a novel wearable sensing prototype that combines IMU and body capacitance sensing modules to recognize worker activities in the manufacturing line. To handle these multimodal sensor data, we propose and compare early, and late sensor data fusion approaches for multi-channel time-series convolutional neural networks and deep convolutional LSTM. We evaluate the proposed hardware and neural network model by collecting and annotating sensor data using the proposed sensing prototype and Apple Watches in the testbed of the manufacturing line. Experimental results demonstrate that our proposed methods achieve superior performance compared to the baseline methods, indicating the potential of the proposed approach for real-world applications in manufacturing industries. Furthermore, the proposed sensing prototype with a body capacitive sensor and feature fusion method improves by 6.35%, yielding a 9.38% higher macro F1 score than the proposed sensing prototype without a body capacitive sensor and Apple Watch data, respectively.
• Abstract（参考訳）: 製造業は高度なセンシングと制御システムを導入することで生産効率と製品品質の向上に努めている。 ウェアラブルセンサーはこの目標を達成するための有望なソリューションとして登場しており、製造ラインにおける労働者の活動の連続的で控えめな監視を提供することができる。 本稿では, imuとボディキャパシタンスセンシングモジュールを組み合わせて, 製造ラインにおける作業者の活動を認識する新しいウェアラブルセンシングプロトタイプを提案する。 これらのマルチモーダルセンサデータを扱うために,マルチチャネル時系列畳み込みニューラルネットワークと深部畳み込みLSTMのための早期・後期センサデータ融合手法を提案する。 製造ラインのテストベッドにおいて,提案するセンシングプロトタイプとapple watchを用いてセンサデータを収集し,アノテートすることにより,提案ハードウェアおよびニューラルネットワークモデルを評価する。 実験の結果,提案手法はベースライン法と比較して優れた性能を示し,製造業における実世界の応用の可能性を示している。 さらに、ボディコンデンサセンサと機能融合法によるセンシングプロトタイプは6.35%向上し、ボディコンデンサセンサとApple Watchデータを使用せずに、提案したセンシングプロトタイプよりも9.38%高いマクロF1スコアが得られる。

関連論文リスト

• MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
  我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。 そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T13:32:59Z)
• Language-centered Human Activity Recognition [8.925867647929088]
  Inertial Measurement Unit(IMU)センサーを用いたHAR(Human Activity Recognition)は、医療、安全、産業生産における応用において重要である。 アクティビティパターン、デバイスタイプ、センサー配置の変化は、データセット間の分散ギャップを生成する。 本稿では,センサの読み書きとアクティビティラベルのセマンティック解釈を生成するシステムであるLanHARを提案する。
  論文  参考訳（メタデータ） (2024-09-12T22:57:29Z)
• Data-Based Design of Multi-Model Inferential Sensors [0.0]
  産業プロセスの非線形特性は、通常、単純な線形推論センサーを設計する主な制限である。 本稿では,マルチモデル推論センサの設計のための2つの新しいアプローチを提案する。 その結果、単モデル/複数モデル推論センサの最先端設計技術よりも大幅に改善された。
  論文  参考訳（メタデータ） (2023-08-05T12:55:15Z)
• A Real-time Human Pose Estimation Approach for Optimal Sensor Placement in Sensor-based Human Activity Recognition [63.26015736148707]
  本稿では,人間の行動認識に最適なセンサ配置の課題を解決するための新しい手法を提案する。 得られた骨格データは、最適なセンサ位置を特定するためのユニークな戦略を提供する。 本研究は,センサ配置の視覚的手法が従来のディープラーニング手法と同等の結果をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2023-07-06T10:38:14Z)
• Detection of Sensor-To-Sensor Variations using Explainable AI [2.2956649873563952]
  化学抵抗性ガス検知装置は製造中のセンサの変動の問題に悩まされている。 本研究では、SHAP(SHAP)のAI(XAI)法を用いて、センサデバイスにおけるセンサとセンサの変動を検出する新しい手法を提案する。 本手法は,GRU(Gated Recurrent Unit)モデルをトレーニングするために,人工的および現実的なオゾン濃度プロファイルを用いて試験する。
  論文  参考訳（メタデータ） (2023-06-19T11:00:54Z)
• Unsupervised Statistical Feature-Guided Diffusion Model for Sensor-based Human Activity Recognition [3.2319909486685354]
  ウェアラブルセンサーによる人間の活動認識の進歩を支えている重要な問題は、多様なラベル付きトレーニングデータの利用不可能である。 本研究では,ウェアラブルセンサを用いた人間行動認識に特化して最適化された,教師なしの統計的特徴誘導拡散モデルを提案する。 平均,標準偏差,Zスコア,歪などの統計情報に拡散モデルを適用し,多種多様な合成センサデータを生成する。
  論文  参考訳（メタデータ） (2023-05-30T15:12:59Z)
• Soft Sensing Regression Model: from Sensor to Wafer Metrology Forecasting [2.8992789044888436]
  本研究は,入射検査測定の予測にセンサデータを用いるソフトセンシング回帰の課題に焦点を当てた。 我々はLSTMベースの回帰器を提案し、モデルトレーニングのための2つの損失関数を設計した。 実験により, 複雑な製造工程における各種検査の精度と早期予測が得られた。
  論文  参考訳（メタデータ） (2023-01-21T16:54:05Z)
• Output Feedback Tube MPC-Guided Data Augmentation for Robust, Efficient Sensorimotor Policy Learning [49.05174527668836]
  シミュレーション学習(IL)は、計算コストのかかるモデルベースセンシングと制御アルゴリズムによって提供されるデモから、計算効率のよいセンセータポリシーを生成することができる。 本研究では,ILと出力フィードバック頑健な管モデル予測コントローラを組み合わせることで,実演とデータ拡張戦略を併用し,ニューラルネットワークに基づくセンサモジュレータポリシーを効率的に学習する。 提案手法は,従来のIL法と比較して,実演効率が2桁向上した1つの実演から,ロバストなビズモータポリシーを学習できることを数値的に示す。
  論文  参考訳（メタデータ） (2022-10-18T19:59:17Z)
• Data Heterogeneity-Robust Federated Learning via Group Client Selection in Industrial IoT [57.67687126339891]
  FedGSは5Gのエンパワーメント産業のための階層的なクラウド・エッジ・エンドのFLフレームワークである。 自然にクラスタ化されたファクトリデバイスを利用することで、FedGSは勾配ベースのバイナリ置換アルゴリズムを使用する。 実験によると、FedGSは精度を3.5%改善し、トレーニングラウンドを平均59%削減している。
  論文  参考訳（メタデータ） (2022-02-03T10:48:17Z)
• Federated Learning with Correlated Data: Taming the Tail for Age-Optimal Industrial IoT [55.62157530259969]
  本稿では,ピークAoI要求に基づくセンサの送信電力最小化と待ち時間に対する確率的制約について検討する。 本稿では,センサのトレーニングデータ間の相関を考慮した局所モデル選択手法を提案する。 数値計算の結果,送信電力,ピークAoI,遅延尾部分布のトレードオフが示された。
  論文  参考訳（メタデータ） (2021-08-17T08:38:31Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。