Research on Machine Vision–Based Intelligent Tracking System for Maintenance Personnel
Notice bibliographique
Résumé
Upon returning to the depot, rail transit vehicles require necessary maintenance. The working condition of train maintenance personnel directly impacts the safety of both staff and equipment. Therefore, effective monitoring and control of activities within train roof access platforms are essential. Traditional manual monitoring demands substantial manpower and is prone to human error, whereas machine vision–based intelligent monitoring offers a promising alternative, reducing the dispatch control center (DCC) workload while enhancing safety management. Our intelligent monitoring approach involves three key steps: train maintenance personnel identification, tracking of maintenance activities to generate movement trajectories, and analysis of movement patterns to detect anomalous behavior. This study primarily addresses the challenges of personnel identification and process tracking. In the scenario of train maintenance, facial recognition is limited by posture variations, making direct video tracking impractical. Pedestrian reidentification (Re‐ID) also struggles with posture and attire changes. To address these issues, we propose a hybrid approach: facial recognition confirms personnel identity upon entry, followed by pedestrian feature extraction for Re‐ID‐based tracking throughout the maintenance process. To handle occlusion, we designed a Re‐ID method based on body part recognition, segmenting features into head–shoulder, body, arm, and leg components, with higher weights assigned to visible parts. This method achieved improved mean average precision (mAP) and Rank‐1 values of 87.6% and 95.7%, respectively, on the Market1501 dataset. A tracking and monitoring system was developed, effectively identifying and tracking maintenance activities, demonstrating a strong practical value. Furthermore, this work lays the groundwork for future research into trajectory‐based abnormal behavior detection.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».