Detecting the Hazards of Lifting and Carrying in Construction through a Coupled 3D Sensing and IMUs Sensing System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Construction companies in Hong Kong suffer huge losses due to labor fatalities and injuries. More than 25% of all of the injuries and fatalities in all industries in Hong Kong are caused by the construction industry. This is different from the U.S., whose top injury cause for fatal injuries is a fall to a lower level (34%) and nonfatal injuries (23%). The most frequent type of injuries in Hong Kong is due to lifting and carrying (19.2%). Recently, automated 3D sensing systems (Kinect) have been employed to identify motion-related hazards to improve construction safety conditions. However, limitations (such as extreme light conditions, occlusions and misrepresentations) of 3D sensing systems hinder its application in engineering practices. To resolve those limitations, this research proposed a coupled system which integrates and synchronizes the Kinect with Inertial Measurement Unit (IMUs). With the help of the coupled system, IMUs could uninterruptedly collect motion data (accelerations and angular rates), even under extreme light conditions or under occlusions, while Kinect could provide a reference system for IMUs to construct postures. The whole sensor network will be able to capture complete and reliable data even if Kinect fails to work properly. Moreover, the proposed coupled system will also promote other human related research, such as productivity and labor tracking.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle