Assessing Workers’ Operational Postures via Egocentric Camera Mapping
Notice bibliographique
Résumé
Construction tasks involve extensive and repetitive physically demanding activities, which results in a higher risk of work-related musculoskeletal disorders (WMSDs) compared to other industries. Thus, assessing construction workers’ postural ergonomics during construction occupational tasks is critical to evaluating workers’ postural stresses and reducing the potential risk of WMSDs. Recent developments in machine learning-based computer vision methods have attracted an increasing attention of construction researchers as it is an effective tool for assessing postural ergonomics. However, existing computer vision-based ergonomic assessments in the construction research field are still mainly based on multiple-view motion tracking systems or fixed-position stand-alone cameras. These types of motion-tracking methods are limited by resource-expensive and serious occlusion issues. As an alternative approach, this paper proposes an economical and scalable machine learning enabled egocentric postural ergonomic assessment (EPEA) system that integrates the fisheye camera mounted to the hard hat to identify and assess workers’ postural ergonomics via a convolutional 3D pose estimation neural network. We tested the EPEA with multiple construction operational tasks. Results show that the EPEA can correctly identify users’ key joint parts and classify different postures. The results confirmed the usability and feasibility of the proposed system, and it has the potential to help construction workers to identify the potential WMSDs risks during repetitive and forceful construction works.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».