摘要
挖掘机作业活动的有效监测与识别对于提高生产率、安全性和智能施工管理至关重要。传统的基于视觉的活动识别系统仍然对复杂的施工现场条件敏感，包括遮挡、灰尘、光照变化和能见度受限。本文提出了一种挖掘机活动识别框架，首次将格拉姆角场（GAF）编码应用于多传感器挖掘机操作数据，将其转换为空间图像表示，使深度卷积神经网络（CNN）能够提取判别性特征。所提出的方法整合了同步的挖掘机传感器信号，包括铲斗位置坐标、机身朝向、油耗、发动机转速和关节角度，以表征四种典型作业活动（挖掘、卸载、怠工和平整）期间的操作行为。与直接处理序列时间序列数据的传统传感器方法不同，我们的基于GAF的框架将操作信号转换为保留时间相关性的结构化空间表示，同时通过基于图像的深度学习架构实现有效的特征学习。实验结果表明，与LSTM网络相比，所提出的GAF-CNN-LSTM框架的识别准确率提高了8.24个百分点，比在同一传感器数据上训练的1D CNN基线提高了6.24个百分点。该方法能够有效地捕获数据集中多种挖掘机活动的判别性操作特征。本工作弥合了基于视觉和传统传感器方法的局限性，为施工和车队管理领域的挖掘机活动监测提供了一种有前景的框架，但仍需在实际部署条件下进一步验证。
