Crane Signalman Hand-Signal Classification Framework Using Sensor-Based Smart Construction Glove and Machine-Learning Algorithms
Notice bibliographique
Résumé
On construction sites, the principal means of communication between crane operator and crane signalman is mainly hand signaling. Often these hand signals are received and interpreted incorrectly, leading to communication errors and accidents. This paper describes the development of a sensor-based smart construction glove that uses a 3-axis accelerometer, 3-axis gyroscope, and 3-axis magnetometer to measure the hand’s orientation with the help of quaternions, and flex-sensors to measure the intensity of bend in the fingers. The noises in the sensors are removed using a complementary filter fusion algorithm. Four machine-learning models—k-nearest neighbor, support vector machine, decision tree, and convolutional neural network–long short-term memory (CNN-LSTM)—are proposed for crane signalman hand-signal classification. The models are trained, validated, and tested using the sensor data collected from the smart construction glove. The best performance in the test data set is achieved by CNN-LSTM, which is found to achieve a precision of 84.3%, recall of 83.9%, an F1-score of 84%, and an average accuracy of 94.22% in the test data set. For real-time crane signalman hand-signal classification, an Android-based mobile application is developed. The application receives the data in text format from the smart construction glove via Bluetooth and converts it into speech output. The smart construction glove can classify 18 different crane signalman hand signals used on construction sites. The CNN-LSTM model is found to achieve the highest overall accuracy (93.87%) in real-time implementation.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».