检索结果

期刊

出版年

关键词

Please wait a minute...

选择:

导出引用
EndNote Ris BibTeX

显示/隐藏图片

Select

1. 基于三维深度卷积神经网络的车间生产行为识别

刘庭煜,陆增,孙毅锋,刘芳,何必秒,钟杰

计算机集成制造系统 2020, 26 (8): 2143-2156. DOI: 10.13196/j.cims.2020.08.015

摘要（379）

PDF （9390KB）（314）

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。

相关文章 | 多维度评价

Select

2. 面向车间人员宏观行为数字孪生模型快速构建的小目标智能检测方法

刘庭煜,钟杰,刘洋,何必秒,段华,陆增

计算机集成制造系统 2019, 25 (第6): 1463-1473. DOI: 10.13196/j.cims.2019.06.014

摘要（391）

PDF （1539KB）（447）

作为制造过程中的重要影响因素,人员的活动具有很高的自主性和不确定性,因此人员行为的数字孪生模型构建已成为阻碍数字孪生车间技术发展的瓶颈之一。同时,出于火工品生产安全考虑,航天装备等许多产品的制造对车间中不同区域人员的宏观分布有严格的控制需求。鉴于此,针对人员宏观行为数字孪生模型构建问题提出一种三阶段级联卷积神经网络(3-Stage CCNN)的深度学习算法,对车间现场视频中的车间人员进行识别,以支撑人员在图像中的位置信息提取,并为后续构建人员的宏观行为数字孪生模型的实现提供基础。实验证明,该方法在国际公开数据集Caltech Pedestrian和复杂机电产品某院实际数据集上都达到了较好的执行效果和效率,具有较好的实用价值。