Ergonomisch risico rechtstreeks uit werkvloervideo aflezen

TL;DR

Probleem

• Handmatige ergonomische beoordeling schaalt niet. RULA-, REBA- en EAWS-werkbladen worden met de hand ingevuld op basis van stopwatch-en-klembord-observatie, waardoor slechts een handvol werkstations ooit wordt beoordeeld, en dan nog maar één keer.
• De houdingsdata die een herontwerp zou rechtvaardigen, zit opgesloten in video die niemand frame voor frame de tijd heeft om te scoren.

Context

• Dezelfde opname van bovenaf die we al vastleggen voor werkinstructies bevat de volledige lichaamshouding van de operator. Recente 3D-houdingsmodellen kunnen die houding reconstrueren vanuit één camera.
• Ergonomische methoden (RULA, REBA, EAWS) zijn in de kern functies van gewrichtshoeken en hoe lang ze worden aangehouden. Metrische 3D-pose levert precies die inputs.

Oplossing

• We reconstrueren metrische 3D-pose lokaal (geen video verlaat de site), leiden gewrichtshoeken af en scoren RULA, REBA en EAWS langs de run-timeline.
• Een mens blijft in de loop: de scores zijn een eerste versie om te beoordelen en te corrigeren, geen geautomatiseerd vonnis.

Problemen

Beoordeling schaalt niet

Ergonomisch risico op een assemblagelijn is reëel en kostbaar, maar de manier waarop het wordt gemeten is nauwelijks veranderd. Een getrainde beoordelaar bekijkt een taak, meet de tijd en vult handmatig een RULA-, REBA- of EAWS-werkblad in. Dat is traag, subjectief tussen beoordelaars, en dekt nooit meer dan een handvol werkstations. Werkstations die nooit worden beoordeeld, zijn niet laag risico, ze zijn simpelweg ongezien. En omdat een beoordeling een eenmalige momentopname is, is ze verouderd zodra de lijn wordt geherbalanceerd of een fixture verplaatst.

De data bestaat maar is onbruikbaar

Veel sites nemen assemblage al op voor training of werkinstructies. Die beelden bevatten alles wat een beoordelaar zou bekijken: hoe ver de operator reikt, hoe lang een schouder omhoog blijft, hoe vaak er gebogen wordt. Maar uren video met het oog omzetten in houdingsdata is precies de handmatige inspanning die beoordeling onschaalbaar maakte. De informatie is aanwezig en tegelijk praktisch onbruikbaar.

2D is niet genoeg

De voor de hand liggende shortcut, een goedkope 2D-keypointdetector over de video, werkt niet voor ergonomie. RULA en REBA zijn gedefinieerd in termen van gewrichtshoeken: rompflexie, schouderabductie, ellebooghoek. Die kun je niet betrouwbaar terugwinnen uit 2D-pixelcoördinaten, omdat dezelfde 2D-projectie kan corresponderen met heel verschillende echte houdingen, afhankelijk van hoe het lichaam ten opzichte van de camera staat. Ergonomische scoring heeft echte metrische 3D nodig, anders zijn de cijfers zelfverzekerd fout.

Context

Van pixels naar gewrichtshoeken

Een modern 3D-houdingsmodel reconstrueert het lichaam in metrische ruimte vanuit gewone video. In onze pipeline is de aanbevolen engine een parametrisch model (ROMP) dat per frame direct een volledig SMPL-achtig 24-botten-rig regresseert, in plaats van losse keypoints te detecteren. Het hele lichaam in één keer regresseren houdt het skelet anatomisch consistent, ook bij gedeeltelijke occlusie, de normale situatie op een echte lijn waar fixtures en het eigen lichaam van de operator gewrichten verbergen. De output is een echte metrische 3D-gewrichtsset plus rotaties per gewricht, eenmaal per run gekalibreerd en daarna temporeel gesmoothd zodat het skelet niet frame voor frame jittert.

MediaPipe BlazePose is beschikbaar als sneller, lichter alternatief. Beide leveren metrische 3D, de eigenschap waar ergonomische scoring daadwerkelijk op draait.

Wat RULA, REBA en EAWS nodig hebben

Deze drie methoden zijn standaard ergonomische beoordelingstools. RULA (Rapid Upper Limb Assessment) en REBA (Rapid Entire Body Assessment) scoren houding op basis van gewrichtshoeken en belasting, en markeren ongemakkelijke posities van romp, nek en ledematen. EAWS (European Assembly Worksheet) is breder en veel gebruikt in automotive-assemblage. Wat ze gemeen hebben: ze worden berekend uit geometrie en duur, welke hoeken, hoe extreem, en hoe lang. Zodra we een betrouwbare 3D-gewrichtsserie hebben, is het berekenen ervan geen handmatig werkblad meer, maar een berekening die we over een volledige opname kunnen draaien.

Oplossing

Risico over de tijd, geen enkele momentopname

In plaats van één score per taak levert de pipeline een joint-risk-over-time-track over de hele run. De timeline wordt opgedeeld in reviewsegmenten op een granulariteit die je kiest, en elk segment draagt zijn RULA-, REBA- of EAWS-score. Zo wordt een statisch werkblad iets dat dichter bij een monitor ligt: je ziet welke fasen van de cyclus het risico drijven, niet alleen dat de taak als geheel slecht scoorde. Dat is het verschil tussen “dit station is een probleem” en “de reikbeweging bij stap 4 is het probleem.”

Een mens blijft in de loop

Automatisch afgeleide scores zijn een startpunt, geen uitspraak. De interface is gebouwd voor correctie: een beoordelaar kan door de timeline scrubben, het gereconstrueerde skelet frame voor frame inspecteren, keypoints bijstellen waar het model een gewricht miste, en opnieuw scoren. Het doel is een expert-beoordelaar dramatisch sneller en consistenter te maken, terwijl het eindoordeel bij een mens blijft. Audit-gereedheid telt hier: wijzigingen worden bijgehouden in plaats van de modeloutput stil te overschrijven.

On-premise als standaard

Houding is gevoelig, en alles wat op een productielijn wordt gefilmd evenzeer. De pose-reconstructie draait lokaal op de edge-machine, op gebundelde inference-runtimes, zodat de video voor ergonomische scoring de site nooit hoeft te verlaten. Dat is dezelfde on-premise-lijn als de rest van onze capture-pipeline, en voor ergonomie is het meestal een harde eis, geen voorkeur.

Waar we vandaag staan

Dit is een Labs-onderzoek, geen af product. De pose-reconstructie en de RULA-, REBA- en EAWS-berekeningen draaien vandaag op echte assemblagebeelden, en de human-in-the-loop-reviewflow staat. Wat we nog valideren is het deel dat het meest telt: hoe nauw de automatisch afgeleide scores overeenkomen met een getrainde beoordelaar over een gelabelde set taken, en hoe robuust de 3D-reconstructie blijft onder de zwaardere occlusie- en lichtomstandigheden van een live lijn. Als die overeenstemming standhoudt, is de winst helder: ergonomische beoordeling wordt geen zeldzame, handmatige eenmalige oefening meer, maar iets dat je op elk station kunt draaien, en opnieuw, telkens wanneer de lijn verandert.

Verder lezen

• Snellere en nauwkeurigere procescaptatie in de productie met VLM’s: hoe we dezelfde werkvloervideo gebruiken voor werkinstructie-capture.
• Samenwerken met Azumuta Labs: co-ontwikkel ergonomische scoring of ander shopfloor-AI-onderzoek met ons researchteam.