Unsupervised Work Behavior Pattern Extraction Based on Hierarchical Probabilistic Model

消费者需求和市场趋势的变化导致企业越来越倾向于采用注重灵活性和定制化的生产方式。因此，工厂工人必须从事比以前更为复杂的任务。因此，生产效率取决于每个工人在组装产品方面的技能。因此，分析工人的行为对于工作改进至关重要。然而，手动分析耗时且不能提供快速准确的反馈。机器学习已经尝试自动化分析；然而，这些方法大多需要多个标签进行训练。为此，我们扩展了高斯过程隐藏半马尔科夫模型(GP-HSMM)，以实现对工人行为的快速自动化分析，而无需预先训练。该模型不需要标记数据，并且可以自动准确地将连续运动分割成运动类别。所提出的模型是一种概率模型，它将GP-HSMM和HSMM层次连接起来，可以提取具有不同粒度的行为模式。此外，它在GP-HSMM和HSMM之间互相推断参数，从而实现准确的运动模式提取。我们将所提出的方法应用于工人在实际生产现场组装产品的运动数据中。使用标准化Levenshtein距离(NLD)评估了行为模式提取的准确性。NLD值越小，模式提取的准确性越高。我们所提出的方法中，GP-HSMM和HSMM层捕获的运动模式的NLD分别为0.50和0.33，与基线方法相比最小。

自动化分析工人行为的方法问题。

提出一种扩展高斯过程隐藏半马尔可夫模型（GP-HSMM）的方法，能够快速自动分析工人行为而不需要预先训练。该模型不需要标记数据，能够将连续运动自动准确地分割成运动类别。

论文提出的方法在实际生产现场中应用于工人组装产品的运动数据，通过规范化Levenshtein距离（NLD）评估了行为模式提取的准确性。该方法的NLD值分别为0.50和0.33，比基线方法更小。

最近在这个领域中，还有一些相关研究，例如“Automatic Recognition of Assembly Operations Using a Wearable Sensor and Deep Learning”和“Automated Recognition of Assembly Operations Using a Convolutional Neural Network and a Wearable Sensor”。