A Deep-Learning Classification Framework for Reducing Communication Errors in Dynamic Hand Signaling for Crane Operation
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
Crane operators and signalmen play an integral role in the safe and efficient operation of cranes on a construction site. Operating a crane is a complex and demanding task that requires careful coordination between operator and signalmen in order to avoid errors that could have dire consequences, including serious injury or loss of life. Therefore, special considerations should be taken to mitigate communication errors that could occur between the two parties. Technology can play an important role in enhancing communication, and, with recent advancements in technology, human–computer interaction has emerged as an active area of research within the field of computer vision. This paper presents a framework that integrates the YOLOv4 model (for object detection) and the long short-term memory (LSTM) model (a recurrent neural network) for dynamic hand signal classification in real time. The first step is the creation of a crane signalman dynamic hand signal data set with 18 classes. The YOLOv4 model is then customized for this application by modifying the activation function. Three modified YOLOv4 models are then integrated with the LSTM model. The modified YOLOv4 integrated with LSTM is found to achieve a maximum overall accuracy of 94.8% with an inference time of 55.1 frames per second. The model is further validated with real-time dynamic hand signal classification, achieving an accuracy of 93.5% and an inference time of 44 frames per second. The proposed models show improved quality in classification accuracy as well as in processing speed in comparison to some of the most widely used models currently in use. The proposed novel framework can be used as another layer of communication to supplement current practice and reduce communication errors between crane signalmen and crane operators.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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