کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8878717 1624393 2017 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Worker posture recognition for understanding agricultural worker behaviors
ترجمه فارسی عنوان
به رسمیت شناختن موقعیت کارگر برای درک رفتارهای کارگر کشاورزی
کلمات کلیدی
ترجمه چکیده
در این مطالعه، دو نوع سیستم های تشخیص موقعیت بدنی کارگران به منظور شناسایی 18 نوع بشر کارگر مورد استفاده قرار گرفت. این دو سیستم با استفاده از ویژگی های شبح کارگر و انواع هشت رنگ نشانگر رنگ برای بیان حالت های کارگر هدف مورد استفاده قرار می گیرد. در سیستم اول، یک جدول جستجوی موقعیت مکانی برای اصلاح حالت های غلط شناخته شده طراحی شده بود. در سیستم دوم، یک الگوریتم تصادفی جنگل الگوریتم یادگیری ماشین برای آموزش درخت تصمیم برای تشخیص موقعیت های هدف مورد استفاده قرار گرفت. علاوه بر این، دو سیستم کمک کارگری که سیستم مانیتورینگ کارهای مزرعه و یک سیستم تشخیص پوسیدگی کانتینری بود، برای نشان دادن قابلیت استفاده از دو سیستم تشخیص پوزیشن برای یک مزرعه کشاورزی توسعه یافت. در آزمایشات ما، میزان تشخیص کلی دو سیستم تشخیص موقعیت بدنی کارگر به ترتیب حدود 90٪ بود. علاوه بر این، سیستم مانیتورینگ کارهای مزرعه میتواند جریان کار آبیاری و کاشت برای تولید نخود را ردیابی کند. کانتینر سیستم تشخیص صحیح میتواند موقعیتهای حمل را به طور جدی تشخیص دهد. نتایج تجربی نشان داد که عملکرد بالا و قابلیت استفاده از دو سیستم تشخیص چهره کارگر برای ایجاد یک روبات کشاورزی مستقل.
موضوعات مرتبط
علوم زیستی و بیوفناوری علوم کشاورزی و بیولوژیک علوم زراعت و اصلاح نباتات
پیش نمایش مقاله
به رسمیت شناختن موقعیت کارگر برای درک رفتارهای کارگر کشاورزی
چکیده انگلیسی
In this study, two types of worker posture recognition systems were developed to recognize 18 fundamental worker posture types. The two systems used worker silhouette features and the eight color marker posture types to express the targeted worker posture types. In the first system, a posture lookup table was designed to correct the misrecognized postures. In the second system, a random forests algorithm of a machine learning algorithm was used to train the decision trees to recognize targeted postures. Additionally, two worker assistance systems, which were a pea field task monitoring system and a container carrying posture recognition system, were developed to demonstrate an applicability of the two posture recognition systems for an agricultural field. In our experiments, the total recognition rates of the two worker posture recognition systems were respectively around 90%. Moreover, the pea field task monitoring system could robustly track the workflow of watering and seeding for producing peas. The container carrying posture recognition system could robustly detect the carrying postures. The experimental results demonstrated the high performance and applicability of the two worker posture recognition systems for developing an autonomous agricultural robot.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering in Agriculture, Environment and Food - Volume 10, Issue 3, July 2017, Pages 208-222
نویسندگان
, , , ,