Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Machine Activity Recognition" wg kryterium: Wszystkie pola

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Machine Activity Recognition Using Clustering Method
    Rozpoznawanie czynności maszyn z użyciem metody grupowania
    Autorzy:
    Kęsek, Marek
    Ogrodnik, Romuald
    Podobińska-Staniec, Marta
    Powiązania:
    https://bibliotekanauki.pl/articles/28763225.pdf
    Data publikacji:
    2023
    Wydawca:
    Polskie Towarzystwo Przeróbki Kopalin
    Tematy:
    Machine Activity Recognition
    clustering, process mining
    performance of individual machines
    operational efficiency
    rozpoznawanie czynności maszyn
    grupowanie
    process mining
    stopień wykorzystania maszyn
    wydajność operacyjna
    Opis:
    Machine activity recognition is important for benchmarking and analysing the performance of individual machine, machine maintenance needs and automated monitoring of work progress. Additionally, it can be the basis for optimizing manufacturing processes. This article presents an attempt to use object clustering algorithms for recognizing the type of activity in the production complex. For this purpose, data from the production process and the k-means algorithm were used. The most common object clustering algorithms were also discussed. The results and the presented analysis approach demonstrate that this method can be successfully utilized in practice.
    Rozpoznawanie czynności realizowanych przez maszyny jest bardzo istotne dla porównania i analizy wydajności poszczególnych maszyn, potrzeb konserwacji maszyn oraz automatycznego monitorowania postępu prac. Dodatrkowo, może być ono podstawą do optymalizacji realizowanych procesw produkcyjnych. SW niniejszym artykule przedstawiono próbę wykorzystania algorytmów grupowania obiektów do rozpoznawania rodzaju aktywności kompleksu urabiającego. Do tego celu użyto danych pochodzących z procesu produkcyjnego oraz algorytmu k-means. Przyblizono także najpowszechniejsze algorytmy grupowania obiektów. Wyniki olraz zaprezentowany sposb przeprowadzania analizy pokazują, że taki sposob postępowania może być z powodzeniem wykorzystywany w praktyce.
    Źródło:
    Inżynieria Mineralna; 2023, 1; 327--332
    1640-4920
    Pojawia się w:
    Inżynieria Mineralna
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Lifelogging system based on averaged Hidden Markov Models: dangerous activities recognition for caregiver support
    Autorzy:
    Postawka, A.
    Rudy, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/305668.pdf
    Data publikacji:
    2018
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    lifelogging
    abnormal human activity recognition
    machine vision
    Microsoft Kinect
    Hidden Markov Models
    Opis:
    In this paper, a prototype lifelogging system for monitoring people with cognitive disabilities and elderly people as well as a method for the automatic detection of dangerous activities are presented. The system allows for the remote monitoring of observed people via an Internet website and respects the privacy of the people by displaying their silhouettes instead of their actual images. The application allows for the viewing of both real-time and historical data. The lifelogging data (skeleton coordinates) needed for posture and activity recognition are acquired using Microsoft Kinect 2.0. Several activities are marked as potentially dangerous and generate alarms sent to caregivers upon detection. Recognition models are developed using Averaged Hidden Markov Models with multiple learning sequences. Action recognition includes methods for dierentiating between normal and potentially dangerous activities (e.g., self-aggressive autistic behavior) using the same motion trajectory. Some activity recognition examples and results are presented.
    Źródło:
    Computer Science; 2018, 19 (3); 257-278
    1508-2806
    2300-7036
    Pojawia się w:
    Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Recognition of sports exercises using inertial sensor technology
    Autorzy:
    Krutz, Pascal
    Rehm, Matthias
    Schlegel, Holger
    Dix, Martin
    Powiązania:
    https://bibliotekanauki.pl/articles/30148258.pdf
    Data publikacji:
    2023
    Wydawca:
    Polskie Towarzystwo Promocji Wiedzy
    Tematy:
    human activity recognition
    machine learning
    neural networks
    classifier
    Opis:
    Supervised learning as a sub-discipline of machine learning enables the recognition of correlations between input variables (features) and associated outputs (classes) and the application of these to previously unknown data sets. In addition to typical areas of application such as speech and image recognition, fields of applications are also being developed in the sports and fitness sector. The purpose of this work is to implement a workflow for the automated recognition of sports exercises in the Matlab® programming environment and to carry out a comparison of different model structures. First, the acquisition of the sensor signals provided in the local network and their processing is implemented. Realised functionalities include the interpolation of lossy time series, the labelling of the activity intervals performed and, in part, the generation of sliding windows with statistical parameters. The preprocessed data are used for the training of classifiers and artificial neural networks (ANN). These are iteratively optimised in their corresponding hyper parameters for the data structure to be learned. The most reliable models are finally trained with an increased data set, validated and compared with regard to the achieved performance. In addition to the usual evaluation metrics such as F1 score and accuracy, the temporal behaviour of the assignments is also displayed graphically, allowing statements to be made about potential causes of incorrect assignments. In this context, especially the transition areas between the classes are detected as erroneous assignments as well as exercises with insufficient or clearly deviating execution. The best overall accuracy achieved with ANN and the increased dataset was 93.7 %.
    Źródło:
    Applied Computer Science; 2023, 19, 1; 152-163
    1895-3735
    2353-6977
    Pojawia się w:
    Applied Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies