陳 飛
計(jì)量現(xiàn)場(chǎng)作業(yè)異常行為識(shí)別算法可以幫助工作人員穩(wěn)定自身動(dòng)作,防止意外事故發(fā)生[1-2],因此計(jì)量現(xiàn)場(chǎng)作業(yè)異常行為識(shí)別成為當(dāng)前的研究重點(diǎn)[3]。王澤偉等基于時(shí)空融合卷積神經(jīng)網(wǎng)絡(luò),通過(guò)RGB圖像,對(duì)人體的異常行為進(jìn)行了識(shí)別并輸出識(shí)別結(jié)果。但該方法無(wú)法有效過(guò)濾噪聲信號(hào),識(shí)別準(zhǔn)確性較差[4]。鄭浩等通過(guò)相機(jī)設(shè)計(jì)自適應(yīng)均值漂移的參數(shù),但該方法的數(shù)字信號(hào)處理能力不足,識(shí)別結(jié)果準(zhǔn)確率較低[5]。因此,本文基于可穿戴的傳感信息,設(shè)計(jì)一個(gè)計(jì)量現(xiàn)場(chǎng)作業(yè)異常行為識(shí)別算法。
采用帶通濾波器對(duì)采集信號(hào)進(jìn)行處理,將一維時(shí)域信號(hào)與高頻信號(hào)分別作為基性漂移的直流分量和噪聲干擾項(xiàng)。將帶通濾波全部輸入到基線中[6],使用均方根誤差與信噪比,計(jì)算去噪結(jié)果。
校正后,所得到的數(shù)據(jù)即可被用于特征提取,此時(shí)其數(shù)據(jù)誤差已經(jīng)大幅度降低,可以直接使用。
本文選擇自適應(yīng)濾波器作為無(wú)信號(hào)、無(wú)噪聲的先驗(yàn)期望。此時(shí)可以通過(guò)公式(6)獲得二者的原理。
降低同類樣本的特征權(quán)重,匹配父子節(jié)點(diǎn)計(jì)算特征值屬性,計(jì)算不同特征集之間的距離,表示特征點(diǎn)在不同分類樣本中的差異,基礎(chǔ)差異函數(shù)為:
通過(guò)加權(quán)歐式距離的方式,優(yōu)化決策樹(shù)算法的判斷函數(shù),精準(zhǔn)判斷該動(dòng)作是否為異常行為,公式為:
將某計(jì)量測(cè)試檢定中心的計(jì)量現(xiàn)場(chǎng)作業(yè)項(xiàng)目作為實(shí)驗(yàn)對(duì)象,獲得檢定中心的原始記錄數(shù)據(jù)。選擇4位測(cè)試人員:青年男性、青年女性、老年男性、老年女性。在測(cè)試人員的腕表、頭盔中配置ErgoLAB Motion無(wú)線可穿戴傳感器設(shè)備。測(cè)試人員穿著可穿戴式傳感器,獨(dú)立完成如表1所示的動(dòng)作,采集計(jì)量現(xiàn)場(chǎng)作業(yè)過(guò)程中的人體活動(dòng)數(shù)據(jù)。
表1 數(shù)據(jù)集描述
將表1中的六個(gè)動(dòng)作分別重復(fù)若干次,以保證實(shí)驗(yàn)結(jié)果的準(zhǔn)確性。原始數(shù)據(jù)集的分布式采集平臺(tái)框架為Cloudera Hadoop 6.3,采集到的數(shù)據(jù)存儲(chǔ)在HDFS中。
將基于傳感器數(shù)據(jù)、基于時(shí)空融合卷積神經(jīng)網(wǎng)絡(luò)和基于混合算法的識(shí)別方法作為對(duì)比方法,對(duì)比本文設(shè)計(jì)的異常行為識(shí)別算法與其他對(duì)比方法的F1值,不同方法的異常行為識(shí)別準(zhǔn)確率測(cè)試結(jié)果如圖1所示。
圖1 異常行為識(shí)別準(zhǔn)確率測(cè)試
如圖1所示,本文算法針對(duì)不同的異常行為識(shí)別的F1值均高于96%,針對(duì)青年男性的站立異常行為識(shí)別的F1值達(dá)到了最高值,為98.7%。由此可知,文中異常行為識(shí)別方法相較于其他三種方法均具備更高的F1值,即該方法的識(shí)別準(zhǔn)確率更高。
本文基于可穿戴傳感信息設(shè)計(jì)了一種計(jì)量現(xiàn)場(chǎng)作業(yè)的異常行為識(shí)別算法,通過(guò)采集可穿戴傳感信息的信號(hào),利用決策樹(shù)算法提取異常行為信號(hào)特征,實(shí)現(xiàn)異常行為識(shí)別。在結(jié)合可穿戴式傳感信息處理初始傳感器信號(hào)的基礎(chǔ)上,針對(duì)不同測(cè)試人員異常行為的F1值均高于96%,識(shí)別準(zhǔn)確率較高,可以提前識(shí)別工作人員的異常行為,提醒工作人員,避免事故發(fā)生。但由于當(dāng)前研究沒(méi)有側(cè)重分析不同工作環(huán)境計(jì)量現(xiàn)場(chǎng)的差異化特點(diǎn),因此在未來(lái)研究中,將以提升算法魯棒性為主要研究目標(biāo),通過(guò)結(jié)合多種傳感器數(shù)據(jù),利用深度學(xué)習(xí)等技術(shù)進(jìn)行多模態(tài)數(shù)據(jù)融合,提高識(shí)別算法的魯棒性。