Desarrollo de un modelo de reconocimiento de acciones en procesos industriales

Fuente Casal, Javier de la. (2023). Desarrollo de un modelo de reconocimiento de acciones en procesos industriales Master Thesis, Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
delaFuenteCasalJavier-TFM.pdf delaFuenteCasalJavier-TFM.pdf application/pdf 7.89MB
Título Desarrollo de un modelo de reconocimiento de acciones en procesos industriales
Autor(es) Fuente Casal, Javier de la
Resumen El reconocimiento de acciones humanas ha sido una problemática de gran interés en las últimas décadas debido a su gran cantidad de aplicaciones. Entre ellas, la aplicación a entornos industriales, que hasta ahora había sido más limitada debido a las dificultades de recolección de datos, brinda grandes oportunidades en cuanto a un aumento de la trazabilidad, control de seguridad, de protocolo y rendimiento del operario. El conjunto de datos OpenPack ofrece gran cantidad de datos para clasificar acciones en ambientes industriales recogidos a partir de múltiples sensores en un entorno controlado y propone un concurso para desarrollar un sistema capaz de reconocer la acción realizada por un operario. En este trabajo se ha pretendido utilizar una serie de modelos combinados multimodales que procesan los datos de sensores inerciales y cámaras visibles para clasificar cada acción realizada por el operario alcanzando resultados equiparables a los del top de competidores que han participado en el concurso propuesto por los creadores del conjunto de datos. Para ello se han aprovechado las características de las redes neuronales convolucionales y redes neuronales recurrentes para datos provenientes de sensores incerciales y redes neuronales basadas en grafos para la etapa visual a través de estimación de pose con keypoints dados.
Abstract Human action recognition has been a topic of great interest in recent decades due to its wide range of applications. Among them, its application in industrial environments, which had been more limited until now due to data collection difficulties, offers significant opportunities in terms of increased traceability, safety control, protocol adherence, and operator performance. The OpenPack dataset provides a wealth of data for classifying actions in industrial settings, collected from multiple sensors in a controlled environment, and proposes a competition to develop a system capable of recognizing the actions performed by an operator. This work aimed to employ a series of multi-modal combined models that process data from inertial sensors and visible cameras to classify each action performed by the operator, achieving results comparable to those of the top competitors who participated in the competition proposed by the dataset creators. To achieve this, we leveraged the features of convolutional neural networks and recurrent neural networks for data from inertial sensors, and graph-based neural networks for the visual stage through keypoint-based pose estimation.
Notas adicionales Trabajo de Fin de Máster Universitario en Ingeniería y Ciencia de Datos. UNED
Materia(s) Ingeniería Informática
Palabra clave reconocimiento de acciones humanas
dataset
deep learning
aprendizaje automático
redes neuronales convolucionales
redes neuronales recurrentes
redes neuronales convolucionales basadas en grafos
keypoints
estimación de pose
sensores inerciales
LiDAR
imagen en profundidad
human action recognition
machine learning
convolutional neural networks
recurrent neural networks
graph convolutional networks
pose estimation
inertial sensors
depth image
Editor(es) Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Director/Tutor Santos Martín, Olga
Fecha 2023-09
Formato application/pdf
Identificador bibliuned:master-ETSInformatica-ICD-Jfuente
http://e-spacio.uned.es/fez/view/bibliuned:master-ETSInformatica-ICD-Jfuente
Versión de la publicación acceptedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso master Thesis
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 67 Visitas, 32 Descargas  -  Estadísticas en detalle
Creado: Fri, 01 Dec 2023, 05:15:31 CET