Bilgisayarlı görü ve makine öğrenmesi ile ergonomik risk değerlendirme uygulaması
Bibliographic record
Abstract
Kas-iskelet sistemi rahatsızlıkları (KİSR), endüstride işle ilgili ölümcül olmayan hastalıkların büyük bölümünü oluşturmaktadır. Literatürde, KİSR bağlantılı hastalıkları önlemek için basit kontrol listelerinden karmaşık değerlendirmelere kadar birçok ergonomik risk değerlendirme yöntemleri ve bunları uygulayan yazılımlar mevcuttur. Ancak bu uygulamalarda genellikle açılar otomatik hesaplanırken, kol tutuş başarısı, omuz ve kolun destek alması gibi göreceli soruları kullanıcıya bir arayüz ile yöneltmeleridir. Bu çalışmada, MediaPipe makine öğrenmesi kütüphanesi ile REBA, RULA ve OWAS metotları için aynı anda ergonomik risk değerlendirme (ERD) raporu sunabilen web tabanlı bir platform geliştirilmiştir. Platformda yer alan değerlendirme ve kıyaslama algoritması ile ERD metotları içerisindeki göreceli sorular da geliştirilen uygulama tarafından cevaplanarak tutarlılık ve kullanım kolaylığı sağlanacaktır. Çalışmanın bu yönüyle literatürdeki boşluğu doldurması hedeflenmiştir. Önerilen platformun validasyonu amacıyla, poz tahmini algoritmalarında kullanılan Anahtar Nokta Benzerliği (OKS) testi uygulanmıştır. Test, 32 vücut anahtar noktasının her birine uygulanmış ve genel ortalamada %92 doğruluk oranı elde edilmiştir. Diğer test sürecinde ise ERD metotlarında kullanılmak üzere ölçülen vücut eklem açılarının doğruluğu hesaplanmıştır. 13 vücut eklemi açısının her biri gerçek olarak baz alınan açılarla karşılaştırılmış ve ortalamada 7,7°’lik RMSE (kök ortalama karesel hata) değeri elde edilmiştir. Elde edilen RMSE değeri ve OKS sonucu güncel literatür ile kıyaslandığında değerlerin tutarlı olduğu belirlenmiştir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.024 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".