Forskere har utviklet et system for å overvåke risikofylt atferd på fabrikker

Forskere ved University of Washington har utviklet et nytt system som kan overvåke fabriks- og lagerarbeidere og advare dem om risikofylt atferd i sanntid. Det nye systemet bruker maskinlæring for å gjøre dette.

Det var omtrent 350 000 tilfeller av arbeidere som tok tid av på grunn av skader i muskler, nerver, ledd og senere, ifølge U.S. Bureau of Labor Statistics. Arbeiderne med flest tilfeller var de som arbeidet på fabrikker og i lager.

Disse tilfellene er vanligvis muskuloskeletale lidelser som skjer når mennesker utfører visse oppgaver som fører til belastning på kroppen. Disse forskerne søkte etter en måte å oppdage disse atferdene så arbeiderne kan være mer bevisste.

Algoritmen i det nye systemet deler opp visse oppgaver, som å løfte bokser fra høye hyller og bære objekter, i enkeltaksjoner. En risikopoengsum beregnes deretter for hver enkeltaksjon.

Ashis Banerjee, en assistentprofessor i både industri- og systemingeniøravdelingen og maskiningeniøravdelingen ved UW, er en av hovedforfatterne.

“For tiden kan arbeidere gjøre en selvutvurdering hvor de fyller ut sine daglige oppgaver på en tabell for å anslå hvor risikofylt deres aktiviteter er,” sa hun. “Men det er tidskrevende, og det er vanskelig for mennesker å se hvordan det direkte fordeler dem. Nå har vi gjort hele prosessen fullstendig automatisert. Planen vår er å sette det i en smartphone-app så arbeiderne kan overvåke seg selv og få umiddelbar tilbakemelding.”

De nåværende selvutvurderingene baserer seg på øyeblikksbilder av oppgaver som utføres. Posisjonen til hver ledd får en poengsum, og de adderes opp for å bestemme en risikopoengsum. Denne nye algoritmen vil gjøre det mye enklere, da den kan score en hel aksjon i stedet.

Teamet testet algoritmen ved å bruke en datasett med 20 tre-minutters videoer av mennesker som utfører 17 aktiviteter. Disse aktivitetene er vanlige i lager og fabrikker.

“En av oppgavene vi hadde mennesker gjøre var å plukke opp en boks fra en hyll og plassere den på en tabell,” sa første forfatter Behnoosh Parsa, en UW maskiningeniør-doktorand. “Vi ville fange forskjellige scenarioer, så noen ganger måtte de strekke armene, vri kroppene eller bøye seg for å plukke noe opp.”

Forskerne brukte deretter en Microsoft (MSFT ) Kinect-kamera for å fange datasett, og 3D-videoer ble innspilt. De bestemte deretter hva som skjedde med personens ledd under oppgavene.

Algoritmen var først i stand til å bestemme risikopoengsum for hver video-ramme. Til slutt var den i stand til å si når en oppgave startet og sluttet, så den kunne gi en risikopoengsum for hele aksjonen.

Teamets neste skritt er å utvikle en app som fabriksarbeidere og tilsynshavere kan bruke. De ønsker at den skal kunne oppdage og advare om moderat risikofylt atferd og høyrisikofylt atferd.

På lang sikt håper de at roboter kan brukes i disse fabrikkene og bruke algoritmen for å holde arbeiderne trygge.

“Fabrikker og lager har brukt automatisering i flere tiår. Nå som mennesker begynner å arbeide i omgivelser hvor roboter brukes, har vi en unik mulighet til å dele opp arbeidet så robotene gjør de risikofylte jobbene,” sa Banerjee. “Robotene og menneskene kunne ha en aktiv samarbeid, hvor en robot kan si: ‘Jeg ser at du plukker opp disse tunge objektene fra topphyllen og jeg tror du gjør det ofte. La meg hjelpe deg.'”

Forskningen ble publisert i IEEE Robotics and Automation Letters den 26. juni, og den vil bli presentert på IEEE International Conference on Automation Science and Engineering i Vancouver, British Columbia den 23. august.