陳 飛
計量現(xiàn)場作業(yè)異常行為識別算法可以幫助工作人員穩(wěn)定自身動作,防止意外事故發(fā)生[1-2],因此計量現(xiàn)場作業(yè)異常行為識別成為當(dāng)前的研究重點[3]。王澤偉等基于時空融合卷積神經(jīng)網(wǎng)絡(luò),通過RGB圖像,對人體的異常行為進行了識別并輸出識別結(jié)果。但該方法無法有效過濾噪聲信號,識別準確性較差[4]。鄭浩等通過相機設(shè)計自適應(yīng)均值漂移的參數(shù),但該方法的數(shù)字信號處理能力不足,識別結(jié)果準確率較低[5]。因此,本文基于可穿戴的傳感信息,設(shè)計一個計量現(xiàn)場作業(yè)異常行為識別算法。
采用帶通濾波器對采集信號進行處理,將一維時域信號與高頻信號分別作為基性漂移的直流分量和噪聲干擾項。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)濾波器作為無信號、無噪聲的先驗期望。此時可以通過公式(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)點計算特征值屬性,計算不同特征集之間的距離,表示特征點在不同分類樣本中的差異,基礎(chǔ)差異函數(shù)為:
通過加權(quán)歐式距離的方式,優(yōu)化決策樹算法的判斷函數(shù),精準判斷該動作是否為異常行為,公式為:
將某計量測試檢定中心的計量現(xiàn)場作業(yè)項目作為實驗對象,獲得檢定中心的原始記錄數(shù)據(jù)。選擇4位測試人員:青年男性、青年女性、老年男性、老年女性。在測試人員的腕表、頭盔中配置ErgoLAB Motion無線可穿戴傳感器設(shè)備。測試人員穿著可穿戴式傳感器,獨立完成如表1所示的動作,采集計量現(xiàn)場作業(yè)過程中的人體活動數(shù)據(jù)。
表1 數(shù)據(jù)集描述
將表1中的六個動作分別重復(fù)若干次,以保證實驗結(jié)果的準確性。原始數(shù)據(jù)集的分布式采集平臺框架為Cloudera Hadoop 6.3,采集到的數(shù)據(jù)存儲在HDFS中。
將基于傳感器數(shù)據(jù)、基于時空融合卷積神經(jīng)網(wǎng)絡(luò)和基于混合算法的識別方法作為對比方法,對比本文設(shè)計的異常行為識別算法與其他對比方法的F1值,不同方法的異常行為識別準確率測試結(jié)果如圖1所示。
圖1 異常行為識別準確率測試
如圖1所示,本文算法針對不同的異常行為識別的F1值均高于96%,針對青年男性的站立異常行為識別的F1值達到了最高值,為98.7%。由此可知,文中異常行為識別方法相較于其他三種方法均具備更高的F1值,即該方法的識別準確率更高。
本文基于可穿戴傳感信息設(shè)計了一種計量現(xiàn)場作業(yè)的異常行為識別算法,通過采集可穿戴傳感信息的信號,利用決策樹算法提取異常行為信號特征,實現(xiàn)異常行為識別。在結(jié)合可穿戴式傳感信息處理初始傳感器信號的基礎(chǔ)上,針對不同測試人員異常行為的F1值均高于96%,識別準確率較高,可以提前識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)前研究沒有側(cè)重分析不同工作環(huán)境計量現(xiàn)場的差異化特點,因此在未來研究中,將以提升算法魯棒性為主要研究目標,通過結(jié)合多種傳感器數(shù)據(jù),利用深度學(xué)習(xí)等技術(shù)進行多模態(tài)數(shù)據(jù)融合,提高識別算法的魯棒性。