人体行为是人受到外界环境刺激时做出的反馈,随着现代物联网技术和人工智能技术的不断发展,人体行为识别领域受到的关注不断地增加,基于行为识别技术的应用与人们的日常生活之间的联系也愈发紧密。按照数据源的不同,行为识别技术应用分为基于视频或图像的人体行为识别和基于传感器数据的人体行为识别,比如利用传感器设备制作交互性更强的体感游戏,使用Open Pose技术重建人体动态三维模型,使用智能运动手环监督人体运动情况和健康情况,通过人体行为识别监督工作中的危险动作防止出现意外等等。但是通过图像、视频监督人体行为的方式容易受到外界环境影响,限制较多而且可能会侵犯隐私;通过传感器数据监督人体行为的方式,其性能会受到特定应用领域的人体行为数据集缺乏、传感器佩戴位置选择的局限、所选传感器输出数据的类型和识别算法的不同等因素的影响。基于上述分析,本文对基于传感器的人体行为识别技术进行了研究,提出了基于非时序型传感器数据和时序型传感器数据的的人体行为识别方法,并将研究成果应用于电力检修人员违规操作行为识别,搭建了一套电力检修操作监控软件。主要的研究成果如下:第一,本文研究了基于非时序型传感器数据的人体行为识别方法。使用2DCNN网络实现人体行为识别算法,针对堆叠卷积层导致原始数据的特征信息不断丢失、存在过拟合和梯度消失的问题,以及传感器数据使用数据层融合导致算法实时性、可靠性降低的问题,提出按照传感器不同轴向数据分别进行特征提取再进行特征级融合的融合方式,引入能够保留原始数据信息的残差模块替代二维CNN网络的部分卷积模块,在网络中增加压缩激励模块对不同通道间相关性建模,增加了网络的表述性能,使用网络模型评价指标对不同网络模型进行评估可知,本文网络的F1值相对于其他网络模型提升了1.6%至15.3%,有效的提升了人体行为识别算法的准确性。第二,本文研究了基于时序型传感器数据的电力检修人员爬塔行为识别方法,设计和搭建了远程数据采集系统,用于采集不同杆塔同一行为和同一杆塔不同行为的数据,组建爬塔行为数据集。采用Transformer网络搭建爬塔行为识别框架,对数据片段进行特征提取和分类。针对网络局部信息获取不足、部分信息丢失、易产生过拟合进而导致识别准确率下降的问题,本文在Transformer网络框架的基础上采用相对位置编码添加当前位置与需要计算注意力的位置之间的相对距离,引入LSTM模块保留更多的人体行为数据文本细节信息,优化交叉熵损失函数,降低网络过拟合的风险,使用网络模型评价指标对不同网络模型进行评估可知,本文网络的F1值相对于其他网络模型提升了2.9%至7.2%,提高了检修人员爬塔行为识别的准确度。第三,针对检修人员野外工作环境的特殊性,设计实现了基于Django web框架的电力检修人员操作规范性监控软件,将爬塔行为传感器数据、传感器在线情况和身体健康数据传回后台进行分析,对检修人员爬塔行为是否违规以及健康数据是否超出正常值进行判决,若出现异常情况,系统将发出预警信息。