Ergonomisches Risiko direkt aus Werkshallenvideo ableiten

TL;DR

Problem

• Manuelle ergonomische Bewertung skaliert nicht. RULA-, REBA- und EAWS-Bögen werden per Hand aus Stoppuhr-und-Klemmbrett-Beobachtung ausgefüllt, nur wenige Arbeitsplätze werden jemals bewertet, und dann nur einmal.
• Die Haltungsdaten, die eine Neugestaltung rechtfertigen würden, stecken in Video fest, das niemand Frame für Frame bewerten kann.

Kontext

• Dieselbe Aufnahme von oben, die wir bereits für Arbeitsanweisungen erfassen, enthält die Ganzkörperhaltung des Bedieners. Aktuelle 3D-Haltungsmodelle können diese Haltung aus einer einzigen Kamera rekonstruieren.
• Ergonomische Methoden (RULA, REBA, EAWS) sind im Kern Funktionen von Gelenkwinkeln und deren Haltedauer. Metrische 3D-Pose liefert genau diese Eingaben.

Lösung

• Wir rekonstruieren metrische 3D-Pose lokal (kein Video verlässt den Standort), leiten Gelenkwinkel ab und bewerten RULA, REBA und EAWS entlang der Run-Timeline.
• Ein Mensch bleibt in der Schleife: Die Werte sind ein Erstentwurf zum Prüfen und Korrigieren, kein automatisiertes Urteil.

Probleme

Bewertung skaliert nicht

Ergonomisches Risiko an einer Montagelinie ist real und teuer, aber wie es gemessen wird, hat sich kaum verändert. Ein geschulter Gutachter beobachtet eine Aufgabe, stoppt die Zeit und füllt per Hand einen RULA-, REBA- oder EAWS-Bogen aus. Das ist langsam, subjektiv zwischen Gutachtern und deckt höchstens eine Handvoll Arbeitsplätze ab. Nicht bewertete Plätze sind nicht risikoarm, sie sind schlicht unsichtbar. Und weil eine Bewertung eine einmalige Momentaufnahme ist, veraltet sie, sobald die Linie umgeplant wird oder sich ein Werkzeug verschiebt.

Die Daten existieren, sind aber unbrauchbar

Viele Standorte nehmen Montage bereits für Schulung oder Arbeitsanweisungen auf. Dieses Material enthält alles, was ein Gutachter suchen würde: wie weit der Bediener greift, wie lange eine Schulter oben bleibt, wie oft er sich bückt. Stunden Video mit dem Auge in Haltungsdaten zu verwandeln, ist genau der manuelle Aufwand, der Bewertung unskalierbar machte. Die Information ist da und gleichzeitig praktisch unbrauchbar.

2D reicht nicht

Der naheliegende Shortcut, ein günstiger 2D-Keypoint-Detektor über das Video, funktioniert für Ergonomie nicht. RULA und REBA sind in Gelenkwinkeln definiert: Rumpfbeugung, Schulterabduktion, Ellbogenwinkel. Die lassen sich aus 2D-Pixelkoordinaten nicht zuverlässig zurückgewinnen, weil dieselbe 2D-Projektion je nach Körperausrichtung zur Kamera sehr unterschiedlichen echten Haltungen entsprechen kann. Ergonomisches Scoring braucht echte metrische 3D, sonst sind die Zahlen selbstsicher falsch.

Kontext

Von Pixeln zu Gelenkwinkeln

Ein modernes 3D-Haltungsmodell rekonstruiert den Körper im metrischen Raum aus normalem Video. In unserer Pipeline ist die empfohlene Engine ein parametrisches Modell (ROMP), das pro Frame direkt ein vollständiges SMPL-ähnliches 24-Knochen-Rig regressiert, statt lose Keypoints zu detektieren. Den ganzen Körper auf einmal zu regressieren hält das Skelett anatomisch konsistent, auch bei teilweiser Verdeckung, der Normalfall an einer echten Linie, wo Vorrichtungen und der eigene Körper des Bedieners Gelenke verbergen. Die Ausgabe ist ein echtes metrisches 3D-Gelenkset plus Rotationen pro Gelenk, einmal pro Run kalibriert und anschließend zeitlich geglättet, damit das Skelett nicht Frame für Frame zittert.

MediaPipe BlazePose steht als schnellere, leichtere Alternative zur Verfügung. Beide liefern metrische 3D, die Eigenschaft, von der ergonomisches Scoring tatsächlich abhängt.

Was RULA, REBA und EAWS brauchen

Diese drei Methoden sind standardisierte ergonomische Bewertungswerkzeuge. RULA (Rapid Upper Limb Assessment) und REBA (Rapid Entire Body Assessment) bewerten Haltung anhand von Gelenkwinkeln und Last und markieren ungünstige Positionen von Rumpf, Nacken und Gliedmaßen. EAWS (European Assembly Worksheet) ist breiter angelegt und in der Automobilmontage weit verbreitet. Gemeinsam haben sie: Sie werden aus Geometrie und Dauer berechnet, welche Winkel, wie extrem, und wie lange. Sobald wir eine zuverlässige 3D-Gelenkserie haben, ist die Berechnung kein manueller Bogen mehr, sondern eine Rechnung über eine gesamte Aufnahme.

Lösung

Risiko über die Zeit, keine einzelne Momentaufnahme

Statt eines Scores pro Aufgabe liefert die Pipeline eine joint-risk-over-time-Spur über den gesamten Run. Die Timeline wird in Prüfsegmente in der von Ihnen gewählten Granularität unterteilt, und jedes Segment trägt seinen RULA-, REBA- oder EAWS-Wert. Ein statischer Bogen wird damit eher ein Monitor: Sie sehen, welche Zyklusphasen das Risiko treiben, nicht nur, dass die Aufgabe insgesamt schlecht abschnitt. Das ist der Unterschied zwischen „dieser Arbeitsplatz ist ein Problem“ und „der Griff in Schritt 4 ist das Problem“.

Ein Mensch bleibt in der Schleife

Automatisch abgeleitete Werte sind ein Ausgangspunkt, kein Urteil. Die Oberfläche ist für Korrekturen gebaut: Ein Gutachter kann die Timeline scrubben, das rekonstruierte Skelett Frame für Frame prüfen, Keypoints anpassen, wo das Modell ein Gelenk falsch hatte, und neu bewerten. Ziel ist, einen Experten deutlich schneller und konsistenter zu machen, bei einem Menschen bleibt das Endurteil. Audit-Tauglichkeit zählt: Änderungen werden nachverfolgt, statt die Modellausgabe still zu überschreiben.

On-premise als Standard

Haltung ist sensibel, und alles, was an einer Produktionslinie gefilmt wird, ebenso. Die Pose-Rekonstruktion läuft lokal auf der Edge-Maschine, auf gebündelten Inference-Runtimes, sodass das Video für ergonomisches Scoring den Standort nicht verlassen muss. Das ist dieselbe On-premise-Haltung wie im Rest unserer Capture-Pipeline, und für Ergonomie meist eine harte Anforderung, keine Präferenz.

Wo wir heute stehen

Das ist eine Labs-Untersuchung, kein fertiges Produkt. Pose-Rekonstruktion und RULA-, REBA- und EAWS-Berechnungen laufen heute auf echtem Montagematerial, und der Human-in-the-Loop-Prüfablauf steht. Was wir noch validieren, ist der Teil, der am meisten zählt: wie eng die automatisch abgeleiteten Werte mit einem geschulten Gutachter über einen gelabelten Aufgabensatz übereinstimmen, und wie robust die 3D-Rekonstruktion unter den härteren Verdeckungs- und Lichtbedingungen einer laufenden Linie bleibt. Hält diese Übereinstimmung, ist der Gewinn klar: Ergonomische Bewertung wird keine seltene, manuelle Einmalübung mehr, sondern etwas, das Sie an jedem Arbeitsplatz laufen lassen, und erneut, sobald sich die Linie ändert.

Weiterlesen

• Schnellere und präzisere Erfassung von Fertigungsprozessen mit VLMs: wie wir dasselbe Werkshallenvideo für die Erfassung von Arbeitsanweisungen nutzen.
• Mit Azumuta Labs zusammenarbeiten: co-entwickeln Sie ergonomisches Scoring oder andere Shopfloor-KI-Untersuchungen mit unserem Forschungsteam.