Automation in Construction· 2026Q1
Sentetik Veri ve GNN'ler İnşaat İşçisi İş Yükünü Tahmin Ediyor
Synthetic data-driven framework for estimating worker activity intensity using pose-based graph neural networks
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Sentetik görüntüler ve graf sinir ağları (GNN'ler) kullanan bir çerçeve, inşaat işçilerinin görev metabolik eşdeğer (MET) sınıflarını doğru bir şekilde tahmin ediyor; 5 karelik bir pencere tek karelere göre tahminleri iyileştiriyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- MET sınıfı tahmini için sentetik görüntü üretimi (Stable Diffusion) ve iskelet tabanlı GNN'leri (B-ResSkelGCN) birleştiren bir çerçeve geliştirildi.
- Alan bilgili komutlar kullanılarak sentetik görüntüler üretildi ve GCN girdileri olarak işlendi.
- 5 karelik bir pencere entegrasyonu, tek kare tahminlere kıyasla MET sınıfı tahmin doğruluğunu artırdı ve hatayı azalttı.
- Tahmin kararlılığı pencere uzunluğuna göre değişti, bu da uyarlanabilir entegrasyon stratejilerine duyulan ihtiyacı gösteriyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
This paper proposes a metabolic equivalent of task (MET) class prediction framework that combines Stable Diffusion-generated synthetic images with B-ResSkelGCN, which learns from skeleton graphs, for non-contact evaluation of construction workers' workload levels. Using domain-informed prompts, synthetic images were generated, followed by worker region of interest (ROI) alignment and skeleton transformation to construct graph convolutional network (GCN) inputs. The trained B-ResSkelGCN achieved high MET class prediction performance on frames in a test environment. However, predictions from single frames in real videos fluctuated during action transitions or momentary stillness, such as walking. To address this issue, mode-based window integration aggregated predictions within each window. A 5-frame window improved classification performance and MET error metrics compared with single-frame prediction, whereas excessively long windows diluted action-transition information and increased confusion, highlighting the need for operational strategies that adjust integration intervals according to action-transition characteristics and management objectives.
Yazarların özeti; kaynağından alınmıştır. Automation in Construction, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Radyolojik ve Ultrason Teknolojisi
Radiological and Ultrasound TechnologyHealth Professions