Onderzoekers hebben een systeem ontwikkeld om riskant gedrag in fabrieken te monitoren

Onderzoekers aan de University of Washington hebben een nieuw systeem ontwikkeld dat in staat is om fabrieks- en magazijnwerkers te monitoren en te waarschuwen voor riskant gedrag in real-time. Het nieuwe systeem maakt gebruik van machine learning om dit te doen.

Er waren ongeveer 350.000 incidenten van werknemers die thuis moesten blijven vanwege spier-, zenuw-, ligament- of peesblessures, volgens de U.S. Bureau of Labor Statistics. De werknemers met het hoogste aantal incidenten waren die in fabrieken en magazijnen.

Deze incidenten zijn meestal musculoskeletale stoornissen die optreden wanneer mensen bepaalde taken uitvoeren die spanning op het lichaam veroorzaken. Deze onderzoekers zochten naar een manier om dit gedrag te detecteren, zodat werknemers zich meer bewust kunnen zijn.

De algoritme van het nieuwe systeem deelt bepaalde taken, zoals het optillen van dozen van hoge planken en het dragen van objecten, op in individuele acties. Een risicoscore wordt vervolgens berekend voor elk van deze acties.

Ashis Banerjee, een assistent-professor in zowel de industriële en systeemtechniek als de mechanische techniek aan de UW, is een van de senior auteurs.

“Op dit moment kunnen werknemers een zelfbeoordeling doen waarbij ze hun dagelijkse taken invullen op een tabel om te schatten hoe riskant hun activiteiten zijn,” zei ze. “Maar dat is tijdrovend en het is moeilijk voor mensen om te zien hoe het hen direct helpt. Nu hebben we dit hele proces volledig geautomatiseerd. Ons plan is om het in een smartphone-app te plaatsen, zodat werknemers zichzelf kunnen monitoren en onmiddellijke feedback kunnen krijgen.”

De huidige zelfbeoordelingen zijn gebaseerd op momentopnames van taken die worden uitgevoerd. De positie van elk gewricht wordt gescoord en ze worden allemaal opgeteld om een risicoscore te bepalen. Deze nieuwe algoritme zal het veel eenvoudiger maken, omdat het in staat is om een hele actie te scoren in plaats van alleen een momentopname.

Het team testte de algoritme door gebruik te maken van een dataset met 20 drie-minuten video’s van mensen die 17 activiteiten uitvoerden. Deze activiteiten zijn gebruikelijk in magazijnen en fabrieken.

“Een van de taken die we mensen lieten doen, was een doos van een rek oppakken en op een tafel plaatsen,” zei de eerste auteur Behnoosh Parsa, een UW-mechanica-doctoraalstudent. “We wilden verschillende scenario’s vastleggen, dus soms moesten ze hun armen uitstrekken, hun lichaam draaien of bukken om iets op te pakken.”

De onderzoekers gebruikten vervolgens een Microsoft (MSFT ) Kinect-camera om de dataset te verzamelen en 3D-video’s op te nemen. Ze bepaalden vervolgens wat er gebeurde met de gewrichten van de persoon tijdens de taken.

De algoritme was in staat om risicoscores te bepalen voor elke videoframe. Uiteindelijk kon het bepalen wanneer een taak begon en eindigde, zodat het een risicoscore kon geven voor de hele actie.

De volgende stap van het team is het ontwikkelen van een app die fabrieksarbeiders en toezichthouders kunnen gebruiken. Ze willen dat het in staat is om matig riskante acties en hoogrisicoacties te detecteren en te waarschuwen.

Op lange termijn hopen ze dat robots in deze fabrieken kunnen worden gebruikt en de algoritme kunnen gebruiken om werknemers veilig te houden.

“Fabrieken en magazijnen hebben al decennialang geautomatiseerd,” zei Banerjee. “Nu mensen beginnen te werken in omgevingen waar robots worden gebruikt, hebben we een unieke kans om het werk te splitsen, zodat robots de riskante banen doen. Robots en mensen kunnen samenwerken, waarbij een robot kan zeggen: ‘Ik zie dat je deze zware objecten van de bovenste plank oppakt en ik denk dat je dat vaak doet. Laat me helpen.'”

Het onderzoek werd gepubliceerd in IEEE Robotics and Automation Letters op 26 juni en zal worden gepresenteerd op de IEEE International Conference on Automation Science and Engineering in Vancouver, Brits-Columbia op 23 augustus.