Forskere har udviklet et system til at overvåge risikofyldt adfærd på fabrikker

Forskere ved University of Washington har udviklet et nyt system, der kan overvåge fabriks- og lagerarbejdere og advare dem om risikofyldt adfærd i realtid. Det nye system afhænger af maskinlæring for at opnå dette.

Der var omkring 350.000 tilfælde af arbejdere, der tog tid af på grund af muskel-, nerve-, led- eller senerskader, ifølge U.S. Bureau of Labor Statistics. Arbejderne med det højeste antal tilfælde var dem, der arbejdede på fabrikker og i lager.

Disse tilfælde er normalt muskuloskeletale lidelser, der opstår, når mennesker udfører visse opgaver, der belaster kroppen. Disse forskere ledte efter en måde at registrere disse adfærder på, så arbejderne kan være mere bevidste.

Algoritmen i det nye system deler visse opgaver, såsom at løfte kasser ned fra høje hylder og bære objekter, op i enkeltstående handlinger. En risikoværdi beregnes derefter for hver af dem.

Ashis Banerjee, en adjunktprofessor i både det industri- og systemingeniør- og maskiningeniørdepartement ved UW, er en af de seniorforfattere.

“I øjeblikket kan arbejdere udføre en selv-vurdering, hvor de udfylder deres daglige opgaver på en tabel for at anslå, hvor risikofyldt deres aktiviteter er,” sagde hun. “Men det er tidskrævende, og det er svært for mennesker at se, hvordan det direkte kan gavne dem. Nu har vi gjort hele processen fuldstændig automatiseret. Vores plan er at placere det i en smartphone-app, så arbejderne kan overvåge sig selv og få øjeblikkelig feedback.”

De nuværende selv-vurderinger afhænger af snapshots af opgaver, der udføres. Positionen af hver led beregnes og scoren opsummeres for at bestemme en risikoværdi. Denne nye algoritme vil gøre det meget mere enkelt, da den kan score en hel handling i stedet.

Holdet testede algoritmen ved at bruge en dataset med 20 tre-minutters videoer af mennesker, der udfører 17 aktiviteter. Disse aktiviteter er almindelige på lager og fabrikker.

“En af opgaverne, vi havde mennesker udføre, var at samle en kasse fra en hylder og placere den på en bord,” sagde første forfatter Behnoosh Parsa, en UW-maskiningeniør-doktorand. “Vi ville fange forskellige scenarier, så nogle gange skulle de strække deres arme, dreje deres krop eller bøje for at samle noget op.”

Forskerne brugte derefter en Microsoft (MSFT ) Kinect-kamera til at fange datasettet, og 3D-videoer blev optaget. De bestemte derefter, hvad der skete med personens leder under opgaverne.

Algoritmen kunne først bestemme risikoværdier for hver video-ramme. Til sidst kunne den fortælle, når en opgave startede og sluttede, så den kunne give en risikoværdi for hele handlingen.

Holdets næste skridt er at udvikle en app, som fabriksarbejdere og tilsynsførende kan bruge. De vil have, at den kan registrere og advare om moderat risikofyldt adfærd og høj-risikofyldt adfærd.

På lang sigt håber de, at robotter kan bruges på disse fabrikker og udnytte algoritmen til at hjælpe med at holde arbejderne sikre.

“Fabrikker og lager har brugt automation i flere årtier. Nu, hvor mennesker begynder at arbejde i omgivelser, hvor robotter bruges, har vi en unik mulighed for at splitte arbejdet, så robotterne udfører de risikofyldte job,” sagde Banerjee. “Robotter og mennesker kan have en aktiv samarbejdende relation, hvor en robot kan sige: ‘Jeg ser, at du samler disse tunge objekter fra toppen af hylden, og jeg tror, du gør det mange gange. Lad mig hjælpe dig.'”

Forskningen blev offentliggjort i IEEE Robotics and Automation Letters den 26. juni og vil blive præsenteret på IEEE International Conference on Automation Science and Engineering i Vancouver, British Columbia den 23. august.