Computer vision via gezichtsherkenning

Computer vision in ergonomie

Computer vision is een domein van AI, artificiële intelligentie, waarbij men de computer traint om betekenisvolle informatie af te leiden uit digitale beelden. De eerste toepassingen binnen ergonomie was de lichaamshouding om zo de fysieke belasting in te schatten. De nieuwste toepassing om gezichtsherkenning om op basis van gelaatsuitdrukkingen de fysieke zwaarte te kunnen bepalen.

Houding

De eerste stappen van computer vision binnen de risicoanalyse ergonomie was om de parameters van de NIOSH methode automatisch af te leiden uit digitale beelden. Reeds in 2014 slaagde men erin om automatisch de horizontale en verticale afstand van de last tot de voeten goed in te schatten. De verticale verplaatsingsafstand was dan een logisch gevolg. Met meerdere camera’s kon men ook de torsie betrouwbaar bepalen. Vandaag kan dit nog meer eenvoudig door twee camerastandpunten te combineren. De NIOSH methode berekent dan een maximaal aanvaardbaar gewicht.

Een uitdaging bij digitale beelden is het analyseren van het gewicht dat men aan het tillen is. Dit deed men ook op basis van houdingsanalyse. Een recente studie met hoeksnelheden kon zo reeds de grondreactiekrachten voorspellen. Een volgende stap kan zijn om daaruit het gewicht af te leiden. Een nieuwe stap is echter is om de zwaarte van het werk proberen in te schatten op basis van gezichtsherkenning.

Vier klassen van tillen op basis van horizontale en verticale afstand.

Gezichtsherkenning

De technologie staat niet stil en een nieuwe studie onderzocht of men op basis van gezichtsherkenning de fysieke zwaarte van het tillen kan inschatten. Met een GoPro camera filmde men het gezicht tijdens het uitvoeren van tiltaken aan een simulator. Daarmee werd een algoritme getraind.

Computer vision kon de gelaatsuitdrukkingen leren interpreteren en zo de horizontale (H) en verticale (V) afstanden te leren onderscheiden. Er waren vier klassen: H en V goed, H goed en V slecht, H slecht en V goed, H en V slecht. Het beste algoritme kon op basis van gezichtsherkenning 71% van de situaties juist classificeren. De onveilige tilsituaties werden in 84% van de situaties herkend.

Gezichtsherkenning en fysiologische data

De classificatie van het tillen op basis van de zwaarte kan men nog beter doen door de data van gezichtsherkenning te combineren met fysiologische parameters. Met draadloze sensoren kan men relatief eenvoudig de hartslagvariabiliteit (HRV) meten, alsook de huidgeleidingssnelheid (elektrodermale activiteit, EDA). Wanneer men meer zweet, is er meer elektrische geleiding.

Gezichtsherkenning in combinatie met HRV en EDA liet toe om 78% van de situaties met tillen in de juiste klasse te plaatsen. De situaties met fysieke overbelasting werden voor 92% correct geïdentificeerd.

Computer vision blijft verder ontwikkelen om op basis van digitale videobeelden automatisch de fysieke belasting te kunnen bepalen. Naast houdingsanalyse blijkt ook gezichtsherkenning ook een ontwikkelspoor met potentieel. Dit vertaling naar metingen op de werkvloer zal alvast een uitdaging zijn…  

* Bron:
Shakeri ea 2024. A Computer Vision approach for classifying the risk of a lifting task: by analyzing a worker’s facial expressions and physiological signals. Applied Ergonomics Conference 2024

* Lees meer:
LEA hartslagvariabiliteit