The Journal of Bigdata (한국빅데이터학회지)

Korea Bigdata Society (한국빅데이터학회)
권호 표지
DOI QR코드

DOI QR Code

Class Classification and Validation of a Musculoskeletal Risk Factor Dataset for Manufacturing Workers

제조업 노동자 근골격계 부담요인 데이터셋 클래스 분류와 유효성 검증

  • 강영진 (동의대학교 인공지능그랜드ICT연구센터) ;
  • 노태경 (동의대학교 대학원 인공지능학과, 부산IT융합부품연구소) ;
  • 김기환 (동의대학교 인공지능그랜드ICT연구센터) ;
  • 정석찬 (동의대학교 e비즈니스학과, 인공지능그랜드ICT연구센터, 부산IT융합부품연구소)
  • Received : 2023.05.22
  • Accepted : 2023.06.16
  • Published : 2023.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

There are various items in the safety and health standards of the manufacturing industry, but they can be divided into work-related diseases and musculoskeletal diseases according to the standards for sickness and accident victims. Musculoskeletal diseases occur frequently in manufacturing and can lead to a decrease in labor productivity and a weakening of competitiveness in manufacturing. In this paper, to detect the musculoskeletal harmful factors of manufacturing workers, we defined the musculoskeletal load work factor analysis, harmful load working postures, and key points matching, and constructed data for Artificial Intelligence(AI) learning. To check the effectiveness of the suggested dataset, AI algorithms such as YOLO, Lite-HRNet, and EfficientNet were used to train and verify. Our experimental results the human detection accuracy is 99%, the key points matching accuracy of the detected person is @AP0.5 88%, and the accuracy of working postures evaluation by integrating the inferred matching positions is LEGS 72.2%, NECT 85.7%, TRUNK 81.9%, UPPERARM 79.8%, and LOWERARM 92.7%, and considered the necessity for research that can prevent deep learning-based musculoskeletal diseases.

제조업의 안전보건 기준은 다양한 항목이 존재하지만, 질병 재해자 기준에서 업무상 질병과 근골격계 질환으로 나눌 수 있다. 이 중 근골격계 질환은 제조업에서 가장 많이 발생하며, 나아가서 제조 현장의 노동생산성감소 및 경쟁력 약화까지 유발할 수 있어서 이를 사전에 확인할 수 있는 시스템이 필요한 실정이다. 본 논문에서는 제조업 노동자의 근골격계 유해 요인을 검출하기 위하여 근골격계 부담작업 요인 분석 데이터 속성, 유해 요인 작업자세, 관절 키포인트를 정의하고 인공지능 학습용 데이터를 구축하였다. 구축한 데이터의 유효성을 판단하기 위해서 YOLO, Dite-HRNet, EfficientNet 등의 AI 알고리즘을 활용하여 학습하고 검증하였다. 실험 결과 사람 탐지 정확도는 99%, 탐지된 사람의 관절 위치 추론 정확도는 @AP0.5 88%, 추론된 관절 위치를 종합하여 자세를 평가한 정확도는 LEGS 72.2%, NECT 85.7%, TRUNK 81.9%, UPPERARM 79.8%, LOWERARM 92.7%를 도출하였으며, 추가로 딥러닝 기반의 근골격계 질병을 예방할 수 있는 연구에 필요한 요소를 고찰하였다.

Keywords

Acknowledgement

본 연구는 과학기술정보통신부 및 정보통신기획평가원의 지역지능화혁신인재양성(GrandICT연구센터, IITP-2023-2020-0-01791)사업의 연구 결과로 수행되었음.

References

  1. 한국산업안전보건공단 보고서, "연령대별 산업재해자", 2020.
  2. 산업안전보건연구원 보고서, "산업재해 질병자중 근골격계 질환자 발생 현황", 2020.
  3. KOSIS 국가통계포털, "업종별 근골격계 질환자", 2020.
  4. 한국산업안전보건공단 보고서, "제조 및 건설업 재해 발생율", 2020.
  5. 권영진, 김도현, 손병창, "딥러닝기반 작업자 자세 추론 및 근골격계 유해요인 평가 기술", 대한인간공학회 학술대회논문집, Vol.2020, No. 10, pp.184-184, 2020.
  6. 권영진, 김도현, 곽성복, 손병창, "딥러닝기반 작업자 근골격계부담작업 유해요인 분석 기술", 대한인간공학회 학술대회논문집, Vol.2021, No.11, pp.240-241, 2021
  7. Zhu, M., Men, Q., Ho, E. S., Leung, H., & Shum, H. P., "A Two-stream Convolutional Network for Musculoskeletal and Neurological Disorders Prediction", Journal of Medical Systems", Vol.46, No.11, 2022.
  8. Yu, Z., Zhang, J., Lu, Y., Zhang, N., Wei, B., He, R., & Mao, Y., "Musculoskeletal Disorder Burden and Its Attributable Risk Factors in China: Estimates and Predicts from 1990 to 2044", International Journal of Environmental Research and Public Health, Vol.20, No.1, 2023
  9. O. Karhu, P. Aansi, I. Ilka Kuorinka, "Correcting working postures in industry: A practical method for analysis", Applied Ergonomics, Vol. 8, NO. 4, pp.199-201, 1977. https://doi.org/10.1016/0003-6870(77)90164-8
  10. Karhu, O., Harkonen, R., Sorvali, P. and Vepsalainen, P., "Observing working postures in industry: Examples of OWAS application", Applied Ergonomics, Vol. 12, No. 1, pp.13-17, 1981. https://doi.org/10.1016/0003-6870(81)90088-0
  11. L. McAtamney, E. N. Corlett, "RULA: a survey method for the investigation of work-related upper limb disorders", Applied Ergonomics, Vol. 24, No. 2, pp.91-99, 1993. https://doi.org/10.1016/0003-6870(93)90080-S
  12. S. Hignett, L. McAtamney, "Rapid Entire Body Assessment(REBA)", Applied Ergonomics, Vol. 31, pp.201-205, 2000. https://doi.org/10.1016/S0003-6870(99)00039-3
  13. OpenPOSE, https://github.com/CMU-PerceptualComputing-Lab/openpose
  14. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A., "You only look once: Unified, real-time object detection", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.779-788, 2016.
  15. Sun, K., Xiao, B., Liu, D., & Wang, J., "Deep high-resolution representation learning for human pose estimation", In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pp.5693-5703, 2019.
  16. Tan, M., & Le, Q., "Efficientnet: Rethinking model scaling for convolutional neural networks", In International conference on machine learning, pp.6105-6114, 2019.