Forskare har utvecklat ett system för att övervaka riskfyllt beteende på fabriker

Forskare vid University of Washington har utvecklat ett nytt system som kan övervaka fabriks- och lagerarbetare och varna dem för riskfyllt beteende i realtid. Det nya systemet använder maskinlärning för att uppnå detta.

Det fanns ungefär 350 000 incidenter där arbetare tog ledigt på grund av muskel-, nerv-, ligament- eller senbesvär, enligt USA:s arbetsstatistikbyrå. Arbetarna med det högsta antalet incidenter var de som arbetade på fabriker och lager.

Dessa incidenter är vanligtvis muskuloskeletala störningar som uppstår när människor utför vissa uppgifter som orsakar belastning på kroppen. Dessa forskare letade efter ett sätt att upptäcka dessa beteenden så att arbetarna kan vara mer medvetna.

Algoritmen i det nya systemet delar upp vissa uppgifter, som att lyfta lådor från höga hyllor och bära föremål, i enskilda handlingar. En riskpoäng beräknas sedan för var och en.

Ashis Banerjee, biträdande professor vid både industri- och systemteknik och maskinteknik vid UW, är en av seniorförfattarna.

“Just nu kan arbetare göra en självbedömning där de fyller i sina dagliga uppgifter i en tabell för att uppskatta hur riskfyllt deras aktiviteter är”, sa hon. “Men det är tidskrävande, och det är svårt för människor att se hur det direkt gynnar dem. Nu har vi gjort hela processen helt automatiserad. Vår plan är att lägga det i en smartphone-app så att arbetare kan övervaka sig själva och få omedelbar återkoppling.”

De nuvarande självbedömningarna bygger på ögonblicksbilder av uppgifter som utförs. Positionen för varje led beräknas och de adderas sedan för att bestämma en riskpoäng. Den nya algoritmen kommer att göra det mycket enklare eftersom den kan poängsätta en hel handling.

Teamet testade algoritmen genom att använda en dataset med 20 treminutersvideor av människor som utförde 17 aktiviteter. Dessa aktiviteter är vanliga på lager och fabriker.

“En av uppgifterna vi hade människor göra var att plocka upp en låda från en hylla och placera den på ett bord”, sa första författaren Behnoosh Parsa, en UW-maskinteknikdoktorand. “Vi ville fånga olika scenarier, så ibland var de tvungna att sträcka ut armarna, vrida kroppen eller böja sig för att plocka upp något.”

Forskarna använde sedan en Microsoft (MSFT ) Kinect-kamera för att fånga datamängden, och 3D-videor spelades in. De bestämde sedan vad som hände med personens leder under uppgifterna.

Algoritmen kunde först bestämma riskpoäng för varje videoframe. Till slut kunde den säga när en uppgift började och slutade, så att den kunde ge en riskpoäng för hela handlingen.

Teamets nästa steg är att utveckla en app som fabriksarbetare och chefer kan använda. De vill att den ska kunna upptäcka och varna för måttligt riskfyllt beteende och högriskbeteende.

På lång sikt hoppas de att robotar ska kunna användas på dessa fabriker och använda algoritmen för att hjälpa till att hålla arbetarna säkra.

“Fabriker och lager har använt automation under flera decennier. Nu när människor börjar arbeta i miljöer där robotar används har vi en unik möjlighet att dela upp arbetet så att robotarna utför de riskfylla jobben”, sa Banerjee. “Robotar och människor kunde ha ett aktivt samarbete, där en robot kan säga: ‘Jag ser att du plockar upp dessa tunga föremål från den övre hyllan och jag tror att du gör det många gånger. Låt mig hjälpa dig.'”

Forskningen publicerades i IEEE Robotics and Automation Letters den 26 juni och kommer att presenteras på IEEE International Conference on Automation Science and Engineering i Vancouver, British Columbia den 23 augusti.