利用基础模型自动数据增强策略与骨骼点进行工业装配线手部动作识别

在现代工业装配线上，已经开发了许多智能算法来替代或监督工人。然而，我们发现在实际装配线上部署算法时，训练数据集和实时性能都存在瓶颈。因此，我们开发了一种有前景的工业数据集扩展策略，利用具有强泛化能力的大型模型来实现高效、高质量和大规模的数据集扩展，解决了工业数据集不足和质量低的问题。我们还将此策略应用于视频动作识别。我们提出了一种将手部动作识别问题转化为手部骨骼轨迹分类问题的方法，解决了工业算法的实时性能问题。在实际装配线上的“插线过程中的手部动作”场景中，手部动作识别的准确率达到了 98.8\%。我们进行了详细的实验分析以证明该方法的有效性和优越性，并将整个流程部署在美的的实际装配线上。