[论文解读] Computer-Vision-Enabled Worker Video Analysis for Motion Amount Quantification
本文提出了一种计算机视觉框架，通过姿态估计和霍特林的 $T^2$ 统计量，实时量化工人上下肢运动，以检测人体工程学风险。其在微任务中相较于宏观任务，运动量与 $T^2$ 的相关性高出35%，验证了其对细微运动差异的敏感性。
The performance of physical workers is significantly influenced by the extent of their motions. However, monitoring and assessing these motions remains a challenge. Recent advancements have enabled in-situ video analysis for real-time observation of worker behaviors. This paper introduces a novel framework for tracking and quantifying upper and lower limb motions, issuing alerts when critical thresholds are reached. Using joint position data from posture estimation, the framework employs Hotelling's $T^2$ statistic to quantify and monitor motion amounts. A significant positive correlation was noted between motion warnings and the overall NASA Task Load Index (TLX) workload rating ( extit{r} = 0.218, extit{p} = 0.0024). A supervised Random Forest model trained on the collected motion data was benchmarked against multiple datasets including UCF Sports Action and UCF50, and was found to effectively generalize across environments, identifying ergonomic risk patterns with accuracies up to 94\%.
研究动机与目标
- 为解决在工业环境中客观量化工人身体运动以提升安全性和生产效率的挑战。
- 开发一种非侵入性、实时的运动量监测方法，利用现场视频数据。
- 识别与人体工程学风险相关的运动模式，特别是在涉及重复性或不良姿势的任务中。
- 评估霍特林的 $T^2$ 统计量在捕捉不同任务类型间运动变异性的有效性。
- 通过检测预示潜在劳损或受伤风险的运动阈值，支持主动的人体工程学干预。
提出的方法
- 利用单人姿态估计从工人执行任务的现场视频中提取三维关节位置。
- 将霍特林的 $T^{2}$ 统计量应用于多变量关节位置数据，以量化上下肢整体运动量。
- 实时处理视频数据，计算运动统计量，并在运动超过预设临界阈值时发出警报。
- 采用双任务设置——宏观任务（搬运大箱子）和微任务（移动小木块）——以比较运动模式。
- 分析所有三个空间坐标（x, y, z）中关节运动的平均位置、标准差和范围，以评估人体工程学需求。
- 采用集成视频采集、姿态估计和统计运动量化处理的流程，实现持续监控。
实验结果
研究问题
- RQ1基于计算机视觉的姿态估计在多大程度上能准确捕捉并实时量化工人运动量？
- RQ2霍特林的 $T^{2}$ 统计量在多大程度上能有效反映不同任务类型间的运动变异性？
- RQ3宏观任务（大范围运动）与微任务（精细、重复性运动）的运动模式有何差异？
- RQ4该框架能否检测出与人体工程学风险或身体劳损相关的临界运动阈值？
- RQ5关节运动量与 $T^{2}$ 统计量之间的相关性在高变异性和低变异性的任务之间如何变化？
主要发现
- 微任务中关节运动量与霍特林的 $T^{2}$ 统计量的相关性比宏观任务高出约35%，表明其对细微运动差异具有更高的敏感性。
- 该框架仅通过视频数据和姿态估计即可实现实时运动量量化，支持主动风险检测。
- 运动变异性更高、运动范围更广的任务（如大范围无引导任务）表现出更高的运动需求和更高的潜在人体工程学风险。
- 空间特征如平均位置、标准差和运动范围在不同任务类型间存在显著差异，凸显了不同的人体工程学特征。
- 从特征点导出的运动轨迹的一致性验证了基于计算机视觉的运动量化方法的可靠性。
- 该系统在虚拟工作空间模拟和预防性人体工程学设计方面具有潜力，可通过在实际实施前识别高风险运动模式来发挥作用。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。