Технологии захвата движения MoCap на охране труда и здоровья в промышленном применении

Дата публикации 22.06.2022

Технологии захвата движения MoCap на охране труда и здоровья в промышленном примененииВ последние годы оптоэлектроника широко и последовательно используется в робототехнике, особенно в области исследований систем совместной работы человека и коллаборативного робота. Это повышает безопасность людей-операторов, занятых в роботизированном производстве. В будущем снижение цен на оптоэлектронные датчики и выпуск более компактных и, простых в реализации, гибридных решений и конфигураций для объединения данных, а также носимых камер/треккеров следующего поколения без объективов приведут к уменьшению препятствий на рабочих местах и повысят практичность подходов на основе оптоэлектронных датчиков в других отраслях промышленности.

В рамках реализации Индустрии 4.0 наиболее плодотворной областью исследований является охрана здоровья и безопасность работников при высоком уровне автоматизации производства. Носимые датчики уже сейчас широко используются в клинических условиях медицинских учреждений для дистанционного мониторинга физиологических параметров пациентов — например, частоты сердечных сокращений, артериального давления, температуры тела, уровня кислорода в крови. Но для проведения полноценных исследований для измерения таких показателей в промышленных условиях необходимо использовать несколько различных типов датчиков. Это можно объяснить тем, что вовлечённые в процесс внедрения технологии отрасли заинтересованы в предотвращении связанных с работой инцидентов, которые могут привести не только производственным травмам, но и к отсутствию на работе части занемогших сотрудников. Такое может произойти вследствие неправильной системы мониторинга условий труда или эксплуатации оборудования/приспособлений, которые нарушают нормативную функцию здоровья какого-либо органа работников.

Как и ожидалось, исследования в области охраны труда и техники безопасности были сосредоточены на наиболее распространённых заболеваниях опорно-двигательного аппарата (например, боли в спине) и травмах (например, спотыкания или травмы из-за плохой осанки), в то время как отрасли, в которых работники сталкиваются с тяжёлыми биомеханическими нагрузками или высоким риском несчастных случаев (например, строительство), были отраслями, которые спонсировали и руководили исследованиями. Усталость и нарушение осанки были успешно обнаружены с помощью носимых инерционных технологий MoCap. Когда системы захвата движения были объединены с датчиками электромиографии (ЭМГ ), оценка состояния опорно-двигательного аппарата и осанки работников во время обычных физических нагрузок была улучшена.

Инерциальные датчики также показали хорошие результаты при идентификации опасных событий, таких как спотыкания и падения в строительной отрасли, но выяснилось, что расположение используемых IMU, влияют на идентификацию внутриобъектной деятельности. Например, меньшее количество инерционных датчиков, размещённых на определённых анатомических участках (например, на бедре и шее), показало лучшую эффективность классификации задач, чем большее количество IMU, распределённых по всему телу. Классификатор задач, основанный всего на двух датчиках, прикреплённых на бедре и голове субъекта, достиг точности 0,7983 против 0,7617, полученных от 17 датчиков, размещённых по всему телу.

Распознавание активности также было хорошо определено и в сочетании инерционных датчиков с измерителем продолжительности активности, что сделало возможной оценку производительности работников на рабочих местах в зависимости от продолжительности рабочего времени. Эта тема была в центре внимания более чем в 10% исследований, заказанных строительными корпорациями за последние годы. Однако, когда оценка включала идентификацию или классификацию задач, в дополнение к IMU часто требовались дополнительные датчики (датчики температуры, усилий и т.д.). Но для эффективной обработки алгоритмов классификации данных, потребовались мощности анализа больших потоков информации, таких как классификаторы на основе машинного обучения. Использование таких алгоритмов было задокументировано в 11 работах из общего числа 59 и сопровождалось очень высоким уровнем точности. Результаты классификации рассмотренных алгоритмов сильно различались между рассмотренными работами и охватывали приложения от обнаружения активности и усталости до мониторинга состояния инструмента и распознавания объектов.

Однако необходимость больших обучающих наборов данных, которые обычно требуют создания экспертной ручной маркировки, противоречила очень небольшим размерам выборки, которые обычно набирались среди добровольцев, и, таким образом, потенциально препятствовала более широкому использованию машинного обучения за пределами проверки концепции прикладных случаев в промышленности.

Общее отсутствие информации о возможностях представленных алгоритмов классификации в режиме реального времени, было определено как потенциальный недостаток в реальном применении, предполагающий, что для решения этой проблемы требуется дополнительная работа. Тем не менее, выяснилась способность датчиков по технологии motion capture в сочетании с решениями искусственного интеллекта и машинного обучения предоставлять решения для распознавания действий, проверки инструментов и эргономической оценки на рабочем месте.

Эти результаты показали, как исследовательская деятельность в области носимых систем для промышленного применения продвигается к решениям, которые можно легко встроить в рабочую одежду. Поэтому, производителям инерционных датчиков крайне важно улучшить такие ключевые факторы, как удобство ношения, возможность стирки, время автономной работы, автономное хранение данных и способность передавать информацию для периферийных вычислений.

Усовершенствование конструкции аппаратного обеспечения окажет непосредственное влияние на объем и качество сбора данных. Это также окажет благотворное влияние на разработку программного обеспечения, особенно для приложений машинного обучения, где требуется подвергать аналитической обработке огромное количество информации. В этой связи следует предпринять попытки для дальнейшей разработки и коммерческого распространения алгоритмов обработки, которые позволили бы повысить простоту использования таких систем.

Непосредственная оценка точности и характеристик отслеживания разработанной системы MoCap, как правило, достигалась путём сравнения с высокоточной системой на базе оптических камер. На сегодняшний день это самый надёжный процесс, поскольку он гарантирует соответствующий результат. Тем не менее, производительность алгоритмических процессов (например, оценка положения тела или обнаружение падения с близкого расстояния) обычно проверялась на основе визуальных наблюдений видеозаписей или фактической информации, предоставленной экспертами в данной области, и, следовательно, потенциально искажала точность соответствующего метода. Что касается использования коммерчески доступных решений MoCap, было проведено сравнение их ограничений по функционалу, преимуществ и применимости для промышленного применения.

Концепция Индустрии 4.0 привела к постепенному внедрению инновационных решений в промышленных средах, главным образом для улучшения условий труда, сохранения здоровья и безопасности работников. Помогают новые технологии также для повышения производительности и улучшения производственного процесса. В основном исследования проводились в строительном, робототехническом и автомобильном секторах. Система с применением инерционных датчиков положения в пространстве (IMU) по-прежнему рассматриваются в качестве лучшего выбора для таких исследований, поскольку они относительно просты в эксплуатации, экономичны и оказывают минимальное влияние на производственный процесс в таких сценариях.

Кроме того, с годами инерциальные датчики приобрели характеристики (например, низкое энергопотребление, модульность) и требования к размерам, которые также могут применяться для мониторинга активности тела, в основном в виде носимых готовых систем.

В ближайшие годы датчики и системы, которые будут использоваться в передовых промышленных приложениях, станут более интеллектуальными благодаря встроенным функциям и алгоритмам, таким как машинное обучение и фильтры Калмана, которые будут включены в обработку потоков данных, получаемых от IMU, увеличивая их функциональность и представляя более высокоточные результаты, чем дорогостоящие системы MoCap на базе оптических камер.

Кроме того, ожидается, что системы станут ещё миниатюрнее и автономнее, чтобы не мешать работникам и не загромождать рабочее место, в то время как обратная связь в реальном времени должна сопровождать приложения в области охраны труда и техники безопасности, чтобы помочь в принятии таких технологий работниками отрасли.

Предыдущая
СтатьиЛучшие приложения для замены Google Picasa
Следующая
СтатьиСтолешницы из натурального камня: преимущества и недостатки
Помогла статья? Оцените её
1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд
Загрузка...
Добавить комментарий

двенадцать + 19 =

Adblock
detector