一种多类型惯性传感器协同的建设工人工效监控方法技术

本发明专利技术涉及一种多类型惯性传感器协同的建设工人工效监控方法，包括：通过设置在工人身上的惯性传感器采集人体活动原始数据；将采集的原始数据进行过滤后用于信号分割以及特征提取以产生特征向量，将产生的特征向量通过惯性传感器类别及位置进行特征向量融合以组成特征向量集合；将工人的特征向量集合输入已训练好的分类器模型，预测出各项施工活动及对应的时间，并根据各项施工活动及对应的时间计算出各项施工活动的时间占比。本发明专利技术一种多类型惯性传感器协同的建设工人工效监控方法，能够自动识别出工人施工活动，并能够计算出工人各项施工活动时间占比，从而计算出工人执行施工任务的工作效率。

A method of work efficiency monitoring for construction workers based on multi type inertial sensors

【技术实现步骤摘要】
一种多类型惯性传感器协同的建设工人工效监控方法
本专利技术属于监控
，特别涉及一种多类型惯性传感器协同的建设工人工效监控方法。
技术介绍
现有的建设工人工作效率计算都依赖于手动计时计算，例如当工人执行一定工作量的施工任务，手动方法就是另外一个人手动计时计算完成时间，以间接计算该工人执行该项施工任务的工作效率。这种计时方式需要详细了解到工人执行工作所花费的时间，过程繁琐，且这种手动记录方法不仅耗时、容易出错以及易造成分析困难，而且需要额外劳动力参与，效率极低。基于上述原因，现有的建设工人工作效率的计算都是采用抽样调查计算，长时间的追踪调查及所需额外劳动力成本高，采集数据效率低，因此不能进行普遍的工人工效监控。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种多类型惯性传感器协同的建设工人工效监控方法，通过工人佩戴的惯性传感器采集工人人体数据，进行工人施工活动自动识别，并计算出工人各项施工活动的时间占比，从而计算出工人执行施工任务的工作效率。为了实现上述目的，本专利技术的技术方案是：一种多类型惯性传感器协同的建设工人工效监控方法，包括：通过设置在工人身上的惯性传感器采集人体活动原始数据；将采集的原始数据进行过滤后用于信号分割以及特征提取以产生特征向量，将产生的特征向量通过惯性传感器类别及位置进行特征向量融合以组成特征向量集合；将工人的特征向量集合输入已训练好的分类器模型，预测出各项施工活动及对应的时间，并根据各项施工活动及对应的时间计算出各项施工活动的时间占比。优选的，设置在工人身上的惯性传感器将采集的人体活动原始数据进行无线传输。优选的，对采集的原始数据进行过滤，具体包括：将采集到的原始惯性传感器信号数据，使用到低通滤波器，即巴特沃斯滤波器过滤掉15Hz以上的数据信号实现对原始数据的去噪；所有类别的惯性传感器数据都使用该滤波器进行去噪，去噪后的数据作为后续施工活动识别的原始数据流。优选的，所述信号分割以及特征提取，具体包括：对过滤后的原始数据使用固定尺寸重叠滑动窗口法并进行若干种特征提取。优选的，所述分类器模型的训练方法包括：对训练数据的特征向量集进行手动标记，标记出施工活动类别；将标记出的施工活动类别输入到协同分类算法构建出分类器模型。采用上述方案后，本专利技术的有益效果是：一种多类型惯性传感器协同的建设工人工效监控方法，通过工人佩戴的惯性传感器采集工人人体数据，进行工人施工活动自动识别，并计算出工人各项施工活动的时间占比，从而计算出工人执行施工任务的工作效率，解决了现有的施工现场工人工效手动计算方法存在的过程繁琐、耗时且容易出错以及成本高等问题。以下结合附图及实施例对本专利技术作进一步详细说明，但本专利技术的一种多类型惯性传感器协同的建设工人工效监控方法不局限于实施例。附图说明图1为本专利技术一种多类型惯性传感器协同的建设工人工效监控方法的流程图；图2为本专利技术的一种多类型惯性传感器协同的建设工人工效监控方法的具体实施步骤图；图3为本专利技术的数据过滤示意图。具体实施方式以下将结合本专利技术附图，对本专利技术实施例中的技术方案进行详细描述和讨论。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。工人执行某项施工任务时，存在必须消耗工作时间与损耗时间，所述必须消耗时间包括工人执行施工任务的施工活动所消耗的时间，所述损耗时间包括工人进行非生产性活动所损耗的时间。本专利技术通过在工人身体部位佩戴惯性传感器来采集执行施工任务的所有活动数据，通过并无线传输发送至(如蓝牙4.0)终端设备的数据处理模块中进行处理，所述数据处理模块包括：数据过滤(去噪)、信号分割及特征提取过程。所述终端设备包括手机、平板、电脑等，具体的，本专利技术实施了不做具体限制。具体的，参见图1和图2所示，专利技术的一种多类型惯性传感器协同的建设工人工效监控方法，包括：通过设置在工人身上的惯性传感器采集人体活动原始数据；将采集的原始数据进行过滤后用于信号分割以及特征提取以产生特征向量，将产生的特征向量通过惯性传感器类别及位置进行特征向量融合以组成特征向量集合；将工人的特征向量集合输入已训练好的分类器模型，预测出各项施工活动及对应的时间，并根据各项施工活动及对应的时间计算出各项施工活动的时间占比。进一步的，所述数据过滤，包括：针对原始惯性传感器采集到的信号数据，使用低通滤波器，即巴特沃斯滤波器(6阶、截止频率15Hz)。参见图3所示，通过MATLAB软件过滤掉15Hz以上的数据信号实现对原始数据的去噪。所有类别的惯性传感器数据都使用该滤波器进行去噪，去噪后的数据作为后续施工活动识别的原始数据流。进一步的，所述信号分割及特征提取，包括：对去噪后的原始数据使用固定尺寸重叠滑动窗口法并进行19类特征提取，总共63个特征，如表1所示。所有过程都通过R语言软件实现，特征计算后组成特征向量，并按照惯性传感器类别及位置组合进行特征融合组成特征向量集合，即不同位置与类别特征向量进行简单融合产生新的特征向量。表1惯性传感器数据提取的特征描述本实施例中，实际监控工人工作效率之前，先对该项施工任务进行施工活动识别模型建立，使用到一定训练数据集协同分类算法(机器学习算法)构建分类器模型，训练数据的特征向量通过手动附加施工活动类别并输入R语言软件协同分类算法(神经网络算法)构建出分类器模型。其整个信号分割、特征提取及模型训练及活动识别在R语言中如表2所设计：表2施工活动识别核心模块组成将工人的特征向量集输入已训练好的分类器模型中，就能预测计算出各项施工活动识别结果，包括：施工活动数量，时间等等信息，从而计算出各项施工活动时间占比，在了解到工人非生产性施工活动信息，就能够计算出该工人执行该项施工任务的工作效率。以上仅为本专利技术实例中一个较佳的实施方案。但是，本专利技术并不限于上述实施方案，凡按本专利技术所做的任何均等变化和修饰，所产生的功能作用未超出本方案的范围时，均属于本专利技术的保护范围。本文档来自技高网...

【技术保护点】
1.一种多类型惯性传感器协同的建设工人工效监控方法，其特征在于，包括：/n通过设置在工人身上的惯性传感器采集人体活动原始数据；/n将采集的原始数据进行过滤后用于信号分割以及特征提取以产生特征向量，将产生的特征向量通过惯性传感器类别及位置进行特征向量融合以组成特征向量集合；/n将工人的特征向量集合输入已训练好的分类器模型，预测出各项施工活动及对应的时间，并根据各项施工活动及对应的时间计算出各项施工活动的时间占比。/n

【技术特征摘要】
1.一种多类型惯性传感器协同的建设工人工效监控方法，其特征在于，包括：
通过设置在工人身上的惯性传感器采集人体活动原始数据；
将采集的原始数据进行过滤后用于信号分割以及特征提取以产生特征向量，将产生的特征向量通过惯性传感器类别及位置进行特征向量融合以组成特征向量集合；
将工人的特征向量集合输入已训练好的分类器模型，预测出各项施工活动及对应的时间，并根据各项施工活动及对应的时间计算出各项施工活动的时间占比。


2.根据权利要求1所述的多类型惯性传感器协同的建设工人工效监控方法，其特征在于，设置在工人身上的惯性传感器将采集的人体活动原始数据进行无线传输。


3.根据权利要求1所述的多类型惯性传感器协同的建设工人工效监控方法，其特征在于，对采集的原始数据进...

【专利技术属性】
技术研发人员：沈潮潮，王晨，丁灵华，张莉芳，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建;35