DOI: https://doi.org/10.1038/s41598-024-79373-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39537717
تاريخ النشر: 2024-11-13
المؤلف: Thomas Agostinelli وآخرون
الموضوع الرئيسي: أبحاث الصحة والسلامة المهنية
نظرة عامة
تستكشف هذه الدراسة تطبيق تقييمات المخاطر الهندسية شبه الآلية في التصنيع الصناعي، مع التأكيد على الحاجة إلى أدوات تعزز سلامة العمال وكفاءة العمليات في سياق الصناعة 5.0. تبرز الأبحاث عدم كفاية طرق التقييم الهندسي التقليدية في البيئات الديناميكية، داعية إلى استخدام أنظمة التقاط الحركة RGB ثنائية الأبعاد (MoCap). يُفترض أن هذه الأنظمة هي تقنيات منخفضة التكلفة وغير متطفلة قادرة على مراقبة الوضعيات بشكل مستمر، وهو أمر ضروري لتقييم المخاطر الهندسية المرتبطة بالاضطرابات العضلية الهيكلية المتعلقة بالعمل (MSDs). تم اختبار فعالية هذه الأنظمة عبر بيئات تصنيع مختلفة، مما كشف أن دقتها في تقييم المخاطر الهندسية تتأثر بالظروف البيئية، وإعدادات محطات العمل، وتكوينات الكاميرات.
تشير النتائج إلى أنه بينما لا توفر أنظمة MoCap بعد الموثوقية المطلوبة لشهادة هندسية على مستوى الخبراء، إلا أنها يمكن أن تساعد بشكل كبير في المراقبة المستمرة لوضعيّات العمال. قد تسهل هذه القدرة عملية التحليل الهندسي، مما قد يحدث ثورة في سلامة وكفاءة مكان العمل. تقترح الدراسة أن تنفيذ شبكة من الكاميرات على طول خطوط الإنتاج يمكن أن يسهل مراقبة مستويات المخاطر الهندسية، مما يمكّن من تحديد الانزعاج مبكرًا وتقليل حدوث MSDs. قد تتضمن التحسينات المستقبلية دمج تقنيات التعلم الآلي لتعزيز دقة التقييمات الهندسية، ومعالجة القيود الحالية المتعلقة بتحديد الوضعيات من الصور ثنائية الأبعاد.
الطرق
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة لإجراء تقييم مقارن لمختلف أنظمة التقاط الحركة RGB ثنائية الأبعاد (MoCap) لتقييم المخاطر الهندسية. بدأت الأبحاث بمسح شامل للأدبيات الحالية، باستخدام Google Scholar لتحديد الدراسات ذات الصلة المنشورة بين عامي 2017 و2023. تم توجيه البحث بواسطة كلمات رئيسية محددة تتعلق بأنظمة MoCap RGB وتقييم المخاطر الهندسية في سياقات التصنيع الصناعي. كشفت النتائج، الملخصة في الجدول 1، عن تباين كبير في كيفية الإبلاغ عن النتائج عبر الدراسات، مما يعقد المقارنات المباشرة لأداء الأدوات.
لاحظ المؤلفون أن بعض الدراسات قدمت نتائج مقارنة ضد التقييمات الحقيقية من قبل خبراء الهندسة، بينما ركزت أخرى فقط على مؤشرات إحصائية للدقة، مثل درجات الدقة. لتوحيد تقييمهم، اختار المؤلفون حساب درجات الدقة لتقييم المخاطر الهندسية (ERA) ومستوى المخاطر، مع استبعاد كابا كوهين بسبب المخاوف المتعلقة بالموثوقية والتوزيع غير المتوازن للمؤشرات المبلغ عنها. بالإضافة إلى ذلك، اعترفوا بوجود دراسات تفتقر إلى مؤشرات إحصائية أو نتائج شاملة، على الرغم من عدم إجراء أي حسابات إحصائية لهذه الأوراق. تهدف هذه المنهجية إلى توفير إطار أوضح لتقييم فعالية أنظمة MoCap المختلفة في التقييمات الهندسية.
النتائج
في هذا القسم، يتم تقديم نتائج التجربة، مع التركيز على تحليلات REBA وRULA لخطوط الإنتاج L1 وL2 وL3، كما هو مفصل في الأقسام الفرعية 5.1 و5.2 و5.3. يتم تقييم التحليلات بناءً على الدقة وجذر متوسط مربع الخطأ (RMSE). توفر القسم الفرعي 5.4 تحليلًا مقارنًا لخطوط الإنتاج الثلاثة مقابل الدراسات المحددة مسبقًا في الأدبيات، وتقييمها من حيث دقة درجات ERA ومستوى المخاطر. بالإضافة إلى ذلك، تلخص الجداول 4 و5 الإحصائيات الوصفية، بما في ذلك الوسيط والانحراف المعياري، لتحليلات REBA وRULA، على التوالي.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطور الحالة الحالية لأنظمة التقاط الحركة (MoCap) المستخدمة في التقييمات الهندسية في البيئات الصناعية. في البداية، تم استخدام أنظمة استشعار وعلامات عالية الجودة، والتي، على الرغم من موثوقيتها، واجهت تحديات مثل التكاليف العالية، والتطفل، والاحتمالية لتغيير سلوك المشغل بسبب الوعي بالمراقبة. منعت هذه القيود تطبيقها العملي في البيئات الواقعية. في المقابل، تقدم أنظمة MoCap المعتمدة على الذكاء الاصطناعي التي تستخدم التعلم الآلي، وخاصة نماذج التعلم العميق مثل OpenPose وMediaPipe، بديلاً غير متطفل يتطلب فقط كاميرات RGB القياسية. لقد أظهرت هذه الأنظمة وعدًا في التعرف بدقة على أوضاع وحركات الجسم البشري، مما يعزز إمكانية التقييمات الهندسية في سياقات التصنيع المختلفة.
ومع ذلك، تم التحقق من صحة هذه الأنظمة المعتمدة على الذكاء الاصطناعي بشكل أساسي في بيئات مختبرية محكومة، مع تجارب محدودة في العالم الحقيقي. تحدد الورقة فجوة كبيرة في المراجعات الأدبية المنهجية أو التحليلات التلوية التي تقارن فعالية أنظمة MoCap RGB المختلفة عبر بيئات صناعية متنوعة. يؤكد المؤلفون على الحاجة إلى مزيد من الدراسات لتقييم نضج وموثوقية هذه الأنظمة للتقييمات الهندسية، خاصة في مشاهد التصنيع المعقدة. تهدف الأبحاث إلى معالجة هذه الفجوة من خلال تقييم أداء أنظمة MoCap المختارة في بيئات صناعية حقيقية، ومقارنة تقييمات المخاطر الهندسية الخاصة بها مع التقييمات اليدوية التقليدية، واستكشاف إمكانياتها للمراقبة المستمرة وتنبيه المهندسين إلى المخاطر المحتملة.
القيود
تُبرز قيود نظام التقاط الحركة RGB ثنائي الأبعاد (MoCap) في بيئات التصنيع الصناعي من خلال مقاييس أدائه، خاصة في توقع درجة تقييم المخاطر الهندسية (ERA). تشير النتائج إلى أن دقة النظام غير متسقة، حيث تتجاوز قيم جذر متوسط مربع الخطأ (RMSE) 2 في عدة حالات (مثل L2W1 REBA، L3W1، وL3W5 RULA) وتصل إلى أكثر من 3 في حالات أخرى (مثل L1W2 REBA، L1W2 RULA، وL3W5 REBA). حقق ستة فقط من 24 حالة RMSE أقل من 1، مما يشير إلى موثوقية تنبؤية محدودة لدرجة ERA. من ناحية أخرى، يظهر النظام أداءً أفضل في تقدير مستويات المخاطر، حيث تكون قيم RMSE عمومًا أقل من 1، باستثناء حالات معينة تتعلق بـ L1W2 وL3W5.
بالإضافة إلى ذلك، تتأثر قابلية التغيير في أداء النظام بشكل كبير بالعوامل الخارجية مثل التخطيط المكاني، ومستويات الأتمتة، وحركة المشغل. تختلف دقة توقع درجات ERA بشكل كبير، من 9.09% (L3 REBA) إلى 60.00% (L2 REBA)، بينما تتراوح دقة مستويات مخاطر ERA من 40.00% (L2 RULA) إلى 80.00% (L2 REBA). على الرغم من أنه لا يزال غير مؤكد ما إذا كانت أنظمة MoCap RGB ثنائية الأبعاد الأخرى ستظهر تباينًا مشابهًا تحت نفس الظروف، تشير النتائج إلى أن أدائها من المحتمل أن يكون قابلاً للمقارنة، نظرًا لأنها تستخدم نماذج التعلم العميق المماثلة (OpenPose CMU وMediapipe BlazePose) لاكتشاف معالم الجسم. بشكل عام، بينما يوفر النظام مؤشرًا تقريبيًا للحاجة إلى تحليل أكثر تفصيلاً لمحطات العمل، فإن قيوده في الدقة والتباين تستدعي الحذر في تطبيقه.
DOI: https://doi.org/10.1038/s41598-024-79373-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39537717
Publication Date: 2024-11-13
Author(s): Thomas Agostinelli et al.
Primary Topic: Occupational Health and Safety Research
Overview
This study investigates the application of semi-automated ergonomic risk assessments in industrial manufacturing, emphasizing the need for tools that enhance worker safety and operational efficiency in the context of Industry 5.0. The research highlights the inadequacy of traditional ergonomic assessment methods in dynamic environments, advocating for the use of 2D RGB Motion Capture (MoCap) systems. These systems are posited as low-cost, non-intrusive technologies capable of continuous posture monitoring, which is essential for evaluating ergonomic risks associated with work-related musculoskeletal disorders (MSDs). The effectiveness of these MoCap systems was tested across various manufacturing environments, revealing that their accuracy in assessing ergonomic risks is influenced by environmental conditions, workstation setups, and camera configurations.
The findings indicate that while the MoCap systems do not yet provide the reliability needed for expert-level ergonomic certification, they can significantly aid in continuous monitoring of workers’ postures. This capability may streamline the ergonomic analysis process, potentially revolutionizing workplace safety and efficiency. The study suggests that implementing a network of cameras along production lines could facilitate the monitoring of ergonomic risk levels, thereby enabling early identification of discomfort and reducing the incidence of MSDs. Future improvements could involve integrating machine learning techniques to enhance the accuracy of ergonomic assessments, addressing current limitations related to posture identification from 2D images.
Methods
In this section, the authors outline the methodology employed to conduct a comparative evaluation of various 2D RGB Motion Capture (MoCap) systems for ergonomic assessment. The research began with a comprehensive survey of existing literature, utilizing Google Scholar to identify relevant studies published between 2017 and 2023. The search was guided by specific keywords related to RGB MoCap systems and ergonomic risk assessment in industrial manufacturing contexts. The findings, summarized in Table 1, revealed significant heterogeneity in how results were reported across studies, complicating direct comparisons of tool performance.
The authors noted that some studies provided comparative results against ground-truth assessments by ergonomists, while others focused solely on statistical indicators of accuracy, such as accuracy scores. To standardize their evaluation, the authors opted to compute accuracy scores for the Ergonomic Risk Assessment (ERA) Score and Risk Level, deliberately excluding Cohen’s kappa due to concerns about reliability and the unbalanced distribution of reported indices. Additionally, they acknowledged the inclusion of studies lacking statistical indicators or comprehensive results, although no statistical calculations were performed for these papers. This methodological approach aims to provide a clearer framework for evaluating the effectiveness of different MoCap systems in ergonomic assessments.
Results
In this section, the results of the experimentation are presented, focusing on the REBA and RULA analyses for production lines L1, L2, and L3, as detailed in subsections 5.1, 5.2, and 5.3. The analyses are evaluated based on Accuracy and Root Mean Square Error (RMSE). Subsection 5.4 provides a comparative analysis of the three production lines against previously identified studies in the literature, assessing them in terms of ERA Score and Risk Level accuracy. Additionally, Tables 4 and 5 summarize the descriptive statistics, including median and standard deviation, for the REBA and RULA analyses, respectively.
Discussion
The discussion section of the research paper highlights the evolution and current state of motion capture (MoCap) systems used for ergonomic assessments in industrial settings. Initially, high-end sensor and marker-based systems were employed, which, despite their reliability, posed challenges such as high costs, invasiveness, and the potential for altered operator behavior due to awareness of monitoring. These limitations hindered their practical application in real-world environments. In contrast, AI-based MoCap systems utilizing machine learning, particularly deep learning models like OpenPose and MediaPipe, offer a non-invasive alternative that requires only standard RGB cameras. These systems have shown promise in accurately recognizing human body positions and movements, thus enhancing the feasibility of ergonomic assessments in various manufacturing contexts.
However, the validation of these AI-based systems has predominantly occurred in controlled laboratory settings, with limited real-world experimentation. The paper identifies a significant gap in systematic literature reviews or meta-analyses that compare the effectiveness of different RGB MoCap systems across diverse industrial environments. The authors emphasize the need for further studies to evaluate the maturity and reliability of these systems for ergonomic assessments, particularly in complex manufacturing landscapes. The research aims to address this gap by benchmarking the performance of selected MoCap systems in real industrial settings, comparing their ergonomic risk assessments with traditional manual evaluations, and exploring their potential for continuous monitoring and alerting ergonomists to potential risks.
Limitations
The limitations of the 2D RGB Motion Capture (MoCap) system in industrial manufacturing environments are highlighted through its performance metrics, particularly in predicting the Ergonomic Risk Assessment (ERA) Score. The results indicate that the system’s accuracy is inconsistent, with Root Mean Square Error (RMSE) values exceeding 2 in several instances (e.g., L2W1 REBA, L3W1, and L3W5 RULA) and reaching above 3 in others (e.g., L1W2 REBA, L1W2 RULA, and L3W5 REBA). Only six out of 24 cases achieved an RMSE below 1, suggesting limited predictive reliability for the ERA Score. Conversely, the system demonstrates better performance in estimating Risk Levels, with RMSE values generally below 1, except for specific cases involving L1W2 and L3W5.
Additionally, the variability in the system’s performance is significantly influenced by external factors such as spatial layout, automation levels, and operator mobility. The accuracy of predicting ERA Scores varies widely, from 9.09% (L3 REBA) to 60.00% (L2 REBA), while the accuracy for ERA Risk Levels ranges from 40.00% (L2 RULA) to 80.00% (L2 REBA). Although it remains uncertain whether other 2D RGB MoCap systems would exhibit similar variability under the same conditions, the findings suggest that their performance is likely comparable, given that they utilize similar Deep Learning models (OpenPose CMU and Mediapipe BlazePose) for body landmark detection. Overall, while the system provides a rough indication of the need for more detailed workstation analysis, its limitations in accuracy and variability warrant caution in its application.