In 2017 waren er bijna 350, 000 incidenten van werknemers die ziekteverlof namen als gevolg van verwondingen aan de spieren, zenuwen, ligamenten of pezen - zoals carpaaltunnelsyndroom - volgens het Amerikaanse Bureau of Labor Statistics. Onder de arbeiders met het hoogste aantal incidenten:mensen die in fabrieken en magazijnen werken.

Aandoeningen van het bewegingsapparaat treden op op het werk wanneer mensen ongemakkelijke houdingen gebruiken of herhaalde taken uitvoeren. Dit gedrag veroorzaakt in de loop van de tijd spanning op het lichaam. Het is dus belangrijk om risicovol gedrag te signaleren en te minimaliseren om werknemers gezond aan het werk te houden.

Onderzoekers van de Universiteit van Washington hebben machine learning gebruikt om een ​​nieuw systeem te ontwikkelen dat fabrieks- en magazijnmedewerkers kan volgen en hen in realtime kan vertellen hoe riskant hun gedrag is. Het algoritme verdeelt een reeks activiteiten, zoals het optillen van een doos van een hoge plank, draagt ​​het naar een tafel en zet het neer - in individuele acties en berekent vervolgens een risicoscore die aan elke actie is gekoppeld.

Het team publiceerde zijn resultaten op 26 juni in IEEE Robotica en automatiseringsbrieven en zal de bevindingen op 23 augustus presenteren op de IEEE International Conference on Automation Science and Engineering in Vancouver, Brits-Columbia.

"Op dit moment kunnen werknemers een zelfbeoordeling uitvoeren waarbij ze hun dagelijkse taken op een tafel invullen om in te schatten hoe riskant hun activiteiten zijn, " zei senior auteur Ashis Banerjee, een assistent-professor in zowel de afdelingen Industrial &Systems Engineering als Werktuigbouwkunde aan de UW. “Maar dat kost tijd, en het is moeilijk voor mensen om te zien hoe het hen direct ten goede komt. Nu hebben we dit hele proces volledig geautomatiseerd. Ons plan is om het in een smartphone-app te plaatsen, zodat werknemers zichzelf kunnen volgen en onmiddellijk feedback kunnen krijgen."

Voor deze zelfbeoordelingen mensen gebruiken momenteel een momentopname van een taak die wordt uitgevoerd. De positie van elk gewricht krijgt een score, en de som van alle scores bepaalt hoe riskant die pose is. Maar werknemers voeren meestal een reeks bewegingen uit voor een specifieke taak, en de onderzoekers wilden dat hun algoritme een algemene score voor de hele actie kon berekenen.

Verplaatsen naar video is nauwkeuriger, maar het vereist een nieuwe manier om de scores op te tellen. Om het algoritme te trainen en te testen, het team heeft een dataset gemaakt met 20 video's van drie minuten van mensen die 17 activiteiten uitvoeren die gebruikelijk zijn in magazijnen of fabrieken.

"Een van de taken die we mensen lieten doen, was een doos van een rek halen en op een tafel zetten, " zei eerste auteur Behnoosh Parsa, een UW-promovendus werktuigbouwkunde. "We wilden verschillende scenario's vastleggen, dus soms moesten ze hun armen strekken, hun lichaam draaien of buigen om iets op te rapen."

De onderzoekers legden hun dataset vast met een Microsoft Kinect-camera, die 3D-video's opnam waarmee ze in kaart konden brengen wat er tijdens elke taak met de gewrichten van de deelnemers gebeurde.

Met behulp van de Kinect-gegevens, het algoritme leerde eerst risicoscores voor elk videoframe te berekenen. Daarna ging het verder met het identificeren wanneer een taak begon en eindigde, zodat het een risicoscore voor een hele actie kon berekenen.

Het algoritme bestempelde drie acties in de dataset als risicovol gedrag:een doos van een hoge plank oppakken, en het plaatsen van een doos of een staaf op een hoge plank.

Nu ontwikkelt het team een ​​app waarmee fabrieksarbeiders en supervisors realtime de risico's van hun dagelijkse handelingen kunnen monitoren. De app geeft waarschuwingen voor matig risicovolle acties en waarschuwingen voor acties met een hoog risico.

Uiteindelijk willen de onderzoekers dat robots in magazijnen of fabrieken het algoritme kunnen gebruiken om werknemers gezond te houden. Om te zien hoe goed het algoritme zou kunnen werken in een hypothetisch magazijn, de onderzoekers lieten een robot twee deelnemers monitoren die dezelfde activiteiten uitvoerden. Binnen drie seconden na het einde van elke activiteit, de robot toonde een score op zijn display.

"Fabrieken en magazijnen maken al tientallen jaren gebruik van automatisering. Nu mensen gaan werken in omgevingen waar robots worden gebruikt, we hebben een unieke kans om het werk op te splitsen, zodat de robots het riskante werk doen, " zei Banerjee. "Robots en mensen zouden een actieve samenwerking kunnen hebben, waar een robot kan zeggen, 'Ik zie dat je deze zware voorwerpen van de bovenste plank aan het oppakken bent en ik denk dat je dat heel vaak zult doen. Laat me je helpen.'"