To address current limitations, a l

To address current limitations, a large body of research in the past few years has focused on methods that can automate the workface assessment process. These methods range from application of sensors such as Ultra Wide Band (UWB) systems [11-13], Radio Frequency Identification (RFID) tags [14], and Global Positioning Systems (GPS) [15,16] to computer vision methods using video cameras [17-19,71], Several existing methods that build on top of the non-visual sensors mainly track the locations of the workers. Without interpreting the activities of the workers and purely based on location information - which is the basis of the majority of the state-of-the-art methods - deriving workface assessment data is challenging. For example for interior drywall activi¬ties, distinguishing between idle time, picking up a gypsum board, and measuring and cutting purely based on location data will be very difficult as during these activities the location of the worker would not necessarily change. Because these solutions do not yet perform accurately and do not produce a detailed feedback, the construction industry is still reluc-tant to adopt these automated solutions.
To address the limitations of location-based activity recognition, Joshua and Varghese [20-23] proposed an accelerometer-based method that has the capability of recognizing various activities based on move¬ment of the body skeleton. Their method was tested for bricklaying op-erations at the task-level resolution and promising results have been reported. Using prior knowledge about activity locations on the jobsite, Cheng et al. [7] proposed an activity analysis method based on both location and body posture of the workers by integrating UWB - for location tracking - and commercially-available Physiological Status Monitors (PSM) with a wearable 3-axial thoracic accelerometer to de¬rive body posture data. This method uses a single body posture and location to model and infer each activity. Still distinguishing between two activities that have the same location and body pose, for example idle time and measuring dimensions of a gypsum board, would be challenging.
Our method is different from prior research, as we choose to use inexpensive RGB-D sensors (

Results (Vietnamese) 1:

Đến địa chỉ hiện tại giới hạn, một cơ thể lớn của các nghiên cứu trong vài năm qua đã tập trung vào phương pháp có thể tự động hoá quá trình đánh giá workface. Phương pháp bao gồm từ các ứng dụng của bộ cảm ứng chẳng hạn như hệ thống Ultra Wide Band (UWB) [11-13], thẻ nhận dạng tần số vô tuyến (RFID) [14] và toàn cầu vị trí hệ thống (GPS) [15,16] để máy tính tầm nhìn phương pháp bằng cách sử dụng máy quay video [17-19,71], một số phương pháp hiện có xây dựng trên đầu trang của các cảm biến hình ảnh phòng không chủ yếu là theo dõi các vị trí của công nhân. Mà không cần giải thích các hoạt động của công nhân và hoàn toàn dựa trên thông tin vị trí - đó là cơ sở của đa số các phương pháp nhà nước-of-the-art - bắt nguồn workface đánh giá dữ liệu là khó khăn. Ví dụ cho nội thất tường activi¬ties, phân biệt giữa thời gian nhàn rỗi, chọn lên một ban thạch cao, và đo lường và cắt hoàn toàn dựa trên vị trí dữ liệu sẽ rất khó khăn như trong các hoạt động vị trí của người lao động sẽ không nhất thiết phải thay đổi. Bởi vì các giải pháp này không được thực hiện một cách chính xác và không tạo ra một thông tin phản hồi chi tiết, các ngành công nghiệp xây dựng vẫn là Dan-ý để áp dụng các giải pháp tự động.Để giải quyết những hạn chế của công nhận vị trí dựa trên hoạt động, Joshua và Varghese [20-23] đề xuất một phương pháp dựa trên gia tốc có khả năng công nhận các hoạt động dựa trên move¬ment của bộ xương của cơ thể. Phương pháp của họ được thử nghiệm cho bricklaying op-erations ở độ phân giải nhiệm vụ cấp và hứa hẹn kết quả đã được báo cáo. Sử dụng kiến thức sẵn có về các vị trí hoạt động trên jobsite, Cheng et al. [7] đề xuất một phương pháp phân tích hoạt động dựa trên vị trí và tư thế cơ thể của công nhân bằng cách tích hợp UWB - cho theo dõi vị trí - và thương mại có sẵn sinh lý tình trạng màn hình (PSM) với một gia tốc 3-trục mặc ngực để de¬rive cơ thể tư thế dữ liệu. Phương pháp này sử dụng một tư thế cơ thể duy nhất và vị trí để mô hình và suy ra mỗi hoạt động. Vẫn còn phân biệt giữa các hoạt động hai có cùng một vị trí và cơ thể đặt ra, ví dụ: thời gian nhàn rỗi và đo kích thước của một hội đồng quản trị thạch cao, sẽ được thử thách.Phương pháp của chúng tôi là khác nhau từ nghiên cứu trước, như chúng tôi chọn để sử dụng không tốn kém RGB-D cảm biến (<$ 150) mà có thể cung cấp bảo mật trong thu thập dữ liệu, và có thể phát hiện và theo dõi các bộ xương cơ thể lên đến sáu nhân cùng một lúc và trong thời gian thực. Bảo mật ở đây có nghĩa là danh tính của công nhân vẫn chưa được biết như chúng tôi chỉ theo dõi các bộ xương của cơ thể. Để tổng hợp các ứng dụng của phương pháp của chúng tôi, chúng tôi không chịu bất kỳ kiến thức sẵn có về các hoạt động dự kiến trong vị trí nhất định trên jobsite. Cũng thay vì trực tiếp giải thích vị trí và tư thế cơ thể duy nhất để lấy được các hoạt động như trong [7], chúng tôi đề xuất histograms của tư thế cơ thể từ RGB-D trình tự để nắm bắt tabulated fre-quencies của một số lớn các tư thế cơ thể quan trọng cho các hoạt động xây dựng và sử dụng các phương pháp đào tạo và suy ra các hoạt động theo nguyên tắc học tập. Phương pháp của chúng tôi bao gồm: 1) một thuật toán phát hiện, theo dõi và trích xuất các tính năng bộ xương cơ thể

Results (Vietnamese) 2:

To address current limitations, a large body of research in the past few years has focused on methods that can automate the workface assessment process. These methods range from application of sensors such as Ultra Wide Band (UWB) systems [11-13], Radio Frequency Identification (RFID) tags [14], and Global Positioning Systems (GPS) [15,16] to computer vision methods using video cameras [17-19,71], Several existing methods that build on top of the non-visual sensors mainly track the locations of the workers. Without interpreting the activities of the workers and purely based on location information - which is the basis of the majority of the state-of-the-art methods - deriving workface assessment data is challenging. For example for interior drywall activi¬ties, distinguishing between idle time, picking up a gypsum board, and measuring and cutting purely based on location data will be very difficult as during these activities the location of the worker would not necessarily change. Because these solutions do not yet perform accurately and do not produce a detailed feedback, the construction industry is still reluc-tant to adopt these automated solutions.
To address the limitations of location-based activity recognition, Joshua and Varghese [20-23] proposed an accelerometer-based method that has the capability of recognizing various activities based on move¬ment of the body skeleton. Their method was tested for bricklaying op-erations at the task-level resolution and promising results have been reported. Using prior knowledge about activity locations on the jobsite, Cheng et al. [7] proposed an activity analysis method based on both location and body posture of the workers by integrating UWB - for location tracking - and commercially-available Physiological Status Monitors (PSM) with a wearable 3-axial thoracic accelerometer to de¬rive body posture data. This method uses a single body posture and location to model and infer each activity. Still distinguishing between two activities that have the same location and body pose, for example idle time and measuring dimensions of a gypsum board, would be challenging.
Our method is different from prior research, as we choose to use inexpensive RGB-D sensors (<$150) that can provide confidentiality in the data collection, and can detect and track body skeleton of up to six workers simultaneously and in real-time. Confidentiality here means that the identity of the workers remain unknown as we only track their body skeleton. To generalize the applicability of our method, we do not assume any prior knowledge about expected activities in certain locations on the jobsite. Also rather than directly interpreting location and single body posture to derive activities as in [7], we propose histograms of body posture from RGB-D sequences to capture tabulated fre-quencies of a large number of key body postures for construction activities and use learning methods to train and infer these activities in a principled way. Our method includes: 1) an algorithm for detecting, tracking, and extracting body skeleton features