اكتشاف الوضع السيئ باستخدام التعلم الآلي – نحو الذكاء الاصطناعي

ستساعدك المقالة التالية: اكتشاف الوضع السيئ باستخدام التعلم الآلي – نحو الذكاء الاصطناعي

وفقًا لمنظمة الصحة العالمية ، تعد أمراض الجهاز العضلي الهيكلي المساهم الرئيسي في الإعاقة في جميع أنحاء العالم ، مع كون آلام أسفل الظهر هي المساهم الرئيسي [1]. باستخدام أحدث تقنيات التعلم الآلي ورؤية الكمبيوتر ، أصبح من الممكن الآن اكتشاف الوضع السيئ تلقائيًا وإعطاء الملاحظات في الوقت الفعلي ، مما قد يقلل بشكل كبير من مخاطر الاضطرابات العضلية الهيكلية [2].

في هذه المقالة ، ستتعرف أولاً على طرق المراقبة ذات الصلة لتقييم بيئة العمل. بعد ذلك ، سنطبق هذه المعرفة عمليًا لإنشاء مثال عملي في Python باستخدام كاميرا الويب ونماذج التعلم الآلي من MediaPipe من Google.

طرق تقييم بيئة العمل

في طرق التقييم المريحة للرصد ، يلاحظ الخبراء أن الأشخاص يؤدون وظيفتهم. وفي الوقت نفسه ، يقومون بملء أوراق العمل الموحدة مثل التقييم السريع للطرف العلوي (RULA) ، والتقييم السريع لكامل الجسم (REBA) ، ونظام تحليل وضعية العمل Ovako (OWAS) أو ورقة عمل التقييم المريح (EAWS). في هذه المقالة ، سنركز على RULA لأنه شائع الاستخدام في الممارسة ، وسريع وسهل التطبيق ، والنتائج مرتبطة بشكل جيد بالظروف العضلية الهيكلية المصاحبة [3].

تم نشر RULA بواسطة McAtamney و Corlett في المجلة العلمية في عام 1993 وتركز في الغالب على وضع الأطراف العلوية. تحدد RULA نطاقات زاوية المفصل للرقبة والجذع والذراعين والمعصمين والساقين. كلما كان الموقف أسوأ ، زادت النقاط التي تحصل عليها. في النهاية ، تتم إضافة جميع النقاط ، ويتم إعطاء مجموع النقاط ، في حين تتراوح النتيجة الإجمالية من “الوضع المقبول” إلى “التغييرات مطلوبة على الفور” [4].

التقييم التلقائي لزاوية الظهر باستخدام MediaPipe و OpenCV

في القسم التالي ، سنكتب نصًا بلغة Python لتقييم زاوية انثناء الجذع في الوقت الفعلي من كاميرا الويب ، كما هو موضح في العرض التوضيحي GIF أدناه.

أولاً ، نحتاج إلى نموذج تعلم آلي مدرب مسبقًا يكتشف مفاصل الجسم في صورة / فيديو. سنستخدم هنا MediaPipe Pose من Google ، والذي يعتمد على الشبكة العصبية التلافيفية BlazePose [5]. يقدر MediaPipe 33 نقطة أساسية للجسم تسمى معالم الوضعية ، مع إعطاء صورة RGB فقط كمدخل ولا يتطلب وحدة معالجة رسومات. يحتوي كل معلم على إحداثيات x و y و z في العالم الحقيقي بالأمتار التي تنشأ عند الوركين.

لتثبيت MediaPipe باستخدام Pip ، نحتاج فقط إلى تنفيذ الأمر pip install mediapipe. توفر الوثائق مثال Python التالي باستخدام كاميرا الويب ، والتي سنستخدمها ونتوسع فيها.

أهم سطر هو النتائج = pose.process (الصورة) ، والذي يحتوي على 33 نقطة أساسية للجسم. يمكننا الوصول إليها من خلال landmarks_3d = results.pose_world_landmarks.

يتوافق كل مؤشر مَعْلم مع نقطة رئيسية أساسية. للحصول على قائمة بجميع النقاط الرئيسية المتاحة ، راجع توثيق نموذج وضع المعلم. على سبيل المثال ، يمكننا الوصول إلى إحداثيات x و y و z للأنف باستخدام سطور التعليمات البرمجية التالية:

# الحصول على النقاط الرئيسية من نتائج نتائج mediapipe = pose.process (image) landmarks_3d = results.pose_world_landmarks # أنف يساوي الفهرس 0 x_nose = landmarks_3d.landmark[0].x y_nose = landmarks_3d.landmark[0].y z_nose = landmarks_3d.landmark[0].z

كما هو موضح في الشكل أدناه ، باستخدام MediaPipe Pose ، يمكننا الآن الحصول على مفاصل الكتفين والوركين والركبتين. باستخدام نقاط المنتصف عن طريق حساب متوسط ​​المفاصل اليمنى واليسرى ، نحصل على النقاط الثلاث التالية A و B و C بزاوية بينهما.

يمكن حساب الزاوية باستخدام الهندسة الأساسية:

وفقًا لـ RULA و REBA و EAWS ، يمكن تصنيف زاوية انثناء الجذع إلى ثلاث فئات: 0-20 درجة و 20 درجة -60 درجة و> 60 درجة. سنستخدم هذه الفئات الثلاث للتمييز بين وضعية الظهر المنخفضة والمتوسطة والعالية الخطورة. Note أن زاوية لدينا تبدأ من 180 درجة في وضع رأسي ، في حين أن طرق تقييم بيئة العمل تحدد هذا الموضع على أنه 0 درجة. لذلك ، يجب علينا تعديل الزاوية بطرح 180 درجة.

يُنشئ كود Python أدناه فئة Ergonomy ، حيث يقرأ update_joints () المعالم ثلاثية الأبعاد من MediaPipe ، ويحسب زاوية انثناء الجذع بنقاطنا الثلاث A و B و C باستخدام get_angle () ويتصور الفئات الثلاث باللون الأخضر والأصفر و الأحمر باستخدام get_trunk_color ().

يتوفر رمز العمل الكامل لعرض كاميرا الويب التجريبي على GitHub الخاص بي. لا تتردد في تجربة الكود والبناء عليه ، على سبيل المثال ، إضافة تقييم للرقبة والذراعين والساقين. بالإضافة إلى استخدامه لبيئة العمل في مكان العمل ، هناك مجال آخر للتطبيق في صناعة اللياقة البدنية ، على سبيل المثال ، للتحقق من الموقف أثناء القرفصاء أو حركات الضغط.

يُظهر الفيديو التوضيحي أدناه من رئيس الجامعة ، من TU Berlin ، تقييمًا تفصيليًا لبيئة العمل استنادًا إلى RULA باستخدام كاميرا Microsoft Azure Kinect [6]. يتم إجراء تقييم بيئة العمل التلقائي وفقًا للمنهجية الموضحة في هذه المقالة. تم نشر عمل بحثي مشابه مؤخرًا ، على سبيل المثال ، أداة ErgoSentinel [7] يعتمد على RULA و ErgoExplorer [8] يعتمد على REBA.

خاتمة

باستخدام التعلم الآلي الحديث ورؤية الكمبيوتر لتتبع الجسم ، يمكنك بسهولة إنشاء تطبيقات للحصول على تعليقات مريحة في الوقت الفعلي. مجالات التطبيق الممكنة موجودة في مكان العمل أو ، على سبيل المثال ، في صناعة اللياقة البدنية.

مصادر إضافية

من ErgoPlus: https://ergo-plus.com/rula-assessment-tool-guide/

من ErgoPlus: https://ergo-plus.com/wp-content/uploads/RULA.pdf

مراجع

[1] منظمة الصحة العالمية ، صحة الجهاز العضلي الهيكلي (2022) ، https://www.who.int/news-room/fact-sheets/detail/musculoskeletal-conditions

[2] N. Vignais et al. ، نظام مبتكر للتغذية الراجعة المريحة في الوقت الفعلي في التصنيع الصناعي (2013) ، https://doi.org/10.1016/j.apergo.2012.11.008

[3] كي ، مقارنة منهجية بين OWAS و RULA و REBA استنادًا إلى مراجعة الأدبيات (2022) ، https://doi.org/10.3390/ijerph19010595

[4] L. McAtamney and EN Corlett، RULA: طريقة مسح للتحقيق في اضطرابات الأطراف العلوية المتعلقة بالعمل (1993) ، https://doi.org/10.1016/0003-6870(93)90080-S

[5] V. Bazarevsky وآخرون ، BlazePose: تتبع وضعية الجسم في الوقت الفعلي على الجهاز (2020) ، https://arxiv.org/abs/2006.10204

[6] L. Eversberg ، C. Sohst ، J. Lambrecht ، Assistenzsystem zur Verbesserung der Ergonomie / نظام المساعدة لتحسين بيئة العمل – منع الاضطرابات العضلية الهيكلية في التصنيع باستخدام الذكاء الاصطناعي (2022) ، https://doi.org/10.37544/1436-4980- 2022-09-68

[7] VM Manghisi et al. ، مراقبة المخاطر البوستورالية التلقائية في متجر المصنع – أداة ERGOSENTINEL (2020) ، https://doi.org/10.1016/j.promfg.2020.02.091

[8] MM Fernandez وآخرون ، ErgoExplorer: تقييم تفاعلي للمخاطر المريحة من مجموعات الفيديو (2022) ، https://arxiv.org/abs/2209.05252

تم نشر اكتشاف الوضع السيئ باستخدام التعلم الآلي في الأصل في نحو AI on Medium ، حيث يواصل الأشخاص المحادثة من خلال تسليط الضوء على هذه القصة والرد عليها.