Eine kamerabasierte Methode zur Ergonomieanalyse |
Methodenentwicklung für den Einsatz in der manuellen Montage
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 41. Jahrgang, 2025, Ausgabe 5, Seite 120-126 |
| Open Access | https://doi.org/10.30844/I4SD.25.5.120 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Hauptgegenstand dieses Beitrags ist die Entwicklung und Validierung einer Methode zur automatisierten Bewertung der Ergonomie von Montagearbeiten in der Industrie. Es soll untersucht werden, wie ein Informationssystem unergonomische Bewegungen in verschiedenen Prozessabläufen aufzeigen kann, um so Verbesserungsansätze der Ergonomie zu ermitteln. Ergonomie am Arbeitsplatz wurde von Unternehmen als hochrelevant anerkannt. Daher wurden bereits Maßnahmen wie z. B. der Einsatz von Exoskeletten und fahrerlosen Transportfahrzeugen untersucht [1, 2].
Um erhöhte Belastungen am Arbeitsplatz zu erkennen und zu vermeiden, kann die Ergonomie betroffener Arbeitsplätze untersucht und bewertet werden. Hierfür werden Methoden wie das Rapid Upper Limb Assessment (RULA) oder das Ovako Working Posture Analysing System (OWAS) angewendet. Da die Bewertung der Beobachtung manuell durchgeführt wird, ist diese zeit- und ressourcenintensiv. Hier wäre es zum Beispiel denkbar die RULA-Methode durch Ansätze wie Bildverarbeitung zu automatisieren.
Ergonomiebewertung in der Praxis
Die am häufigsten angewendeten und somit etabliertesten Methoden zur Bewertung von Arbeitshaltungen in der Montage sind das OWAS, Rapid Entire Body Assessment (REBA) und RULA, wobei RULA sowohl in der Literatur als auch in der Praxis am häufigsten Anwendung findet [3]. Da sich diese Methode auf den Oberkörper fokussiert, welcher bei Montagearbeiten stärker belastet wird, gilt diese als Grundlage für die weitere Betrachtung.
Die RULA-Methode wurde 1993 von McAtamney und Nigel Corlett entwickelt und dient der schnellen und einfachen Ergonomiebewertung. Die Methode erfordert kein spezielles Equipment und erlaubt, auf Basis der Ergebnisse eine Liste mit Maßnahmen zur Verbesserung der Ergonomie abzuleiten [4]. Sie basiert auf einem Zahlensystem, welches die Haltung der jeweiligen Personen auf einer Skala zwischen 1 (akzeptabel, wenn nicht über längere Zeit wiederholt wird) und 7 (Untersuchung und Anpassung muss sofort durchgeführt werden, um das Risiko einer Verletzung der betroffenen Person zu reduzieren) einordnet. Hierfür werden verschiedene Körperregionen betrachtet und die Haltung wird anhand von Gelenkwinkeln bewertet.
Neben der Bewertung einer Pose wirkt sich die von außen auf den Menschen einwirkende Kraft (beispielsweise ein zu tragendes Gewicht) ebenfalls auf die Ergonomiebewertung aus. Eine Pose, die besonders häufig oder statisch durchgeführt wird, hat ebenfalls einen negativen Einfluss auf das Verletzungsrisiko und somit auf die Bewertung durch RULA. Diese Bewertungen werden mithilfe verschiedener Lookup-Tabellen in eine Gesamtbewertung übersetzt.
Es existieren bereits verschiedene Vorarbeiten, die darauf abzielen, die Bewertung der Ergonomie zu automatisieren. Hierfür wurden insbesondere Inertial Measurement Units (IMUs) und in den letzten Jahren verstärkt Tiefenkameras untersucht [5]. In diesem Beitrag wird der Einsatz von markerlosen Tiefenkameras zur Bewertung von Montagearbeiten in einem anwendungsnahen Laborszenario untersucht, da diese Kamerasysteme praktikabler als IMUs sind und gleichzeitig flexibel in die Arbeitsumgebung integriert werden können [6]. Darüber hinaus wird für die Bewertung nach RULA erstmalig ein Autokorrelationsverfahren zur automatischen Erkennung von Wiederholungen einer Bewegung implementiert. Hierfür wird ein ganzheitliches Konzept ausgearbeitet und als Demonstrator implementiert.
Methodisches Konzept zur automatisierten Ergonomiebewertung
Das für die automatisierte RULA-Bewertung auf Basis von Bildverarbeitung entwickelte Konzept ist in Bild 1 exemplarisch dargestellt.
Das Konzept lässt sich in ein mehrstufiges Verfahren mit verschiedenen Modulen einteilen. Im ersten Schritt wird der Arbeitsablauf mit einer 3D-Kamera aufgezeichnet. Hierbei sollte darauf geachtet werden, dass der Kameraaufbau die entsprechenden Arbeiten nicht behindert.
Im zweiten Schritt werden die dabei aufgezeichneten Daten verwendet, um sogenannte „Keypoints“ der erfassten Person mithilfe eines künstlichen neuronalen Netzes (KNN) abzuleiten. Hierfür existieren bereits verschiedene Algorithmen und Modelle wie das Open Source-Projekt OpenPose [7]. In diesem Beitrag wurde zur Erfassung der Körperhaltungen die Softwarebibliothek der verwendeten 3D-Kamera eingesetzt. Die erkannten Punkte repräsentieren dabei die Gelenke des menschlichen Körpers in Form kartesischer Koordinaten. Aus den erfassten Positionen lassen sich in einem nachgelagerten Verarbeitungsschritt die für die RULA-Methode relevanten Gelenkwinkel algorithmisch ableiten.
Anschließend können die regelbasierten Bewertungskriterien von RULA angewandt und die entsprechenden Scores berechnet werden. Zur Analyse repetitiver Bewegungsabläufe wird ein Autokorrelationsverfahren verwendet. Hierbei werden die Bewegungsdaten über einen bestimmten Zeitraum hinweg aufgezeichnet und die zeitliche Entwicklung der Körperpunkte analysiert. Durch die Berechnung der Abstände zwischen verschiedenen Zeitfenstern innerhalb der erfassten Sequenz lassen sich wiederholende Bewegungen identifizieren. Dieser Sachverhalt führt dazu, dass die Bewegung, die die meisten Keypoints und somit Körperteile beeinflusst, die relevante Wiederholbewegung definiert. Auf diese Weise wurde ein Verfahren entwickelt, für das keine Trainingsdaten generiert werden müssen, wie es im Bereich des maschinellen Lernens der Fall ist.
Für die ganzheitliche Bewertung der Ergonomie wird dem Score für das gehandhabte Gewicht ein statischer Wert zugewiesen. Nach Abschluss der Auswertung werden alle berechneten Einzelwerte in einem übergeordneten Gesamtscore zusammengeführt. Die nötigen Voraussetzungen für eine solche Analyse sind minimal und beschränken sich auf Beleuchtung und geeignete Kamerapositionierung.
Zuverlässigkeit der Methode
Um die Zuverlässigkeit der Methode zu evaluieren, wurde unter Laborbedingungen ein simulierter Montageprozess eines Reifens an einem Personenkraftwagen durchgeführt. Hierbei ist zu erwähnen, dass keinerlei Maßnahmen zur Optimierung der Arbeitsumgebung, wie etwa eine verstärkte Beleuchtung oder das Platzieren von kontrastreichen Hintergründen, getroffen wurden, um so realistischen Rahmenbedingungen zu garantieren.
Die Simulation des Montageprozesses verlief in mehreren Teilschritten: Zunächst entnahmen die Teilnehmenden das benötigte Material und Werkzeug aus einem Regal und legten es in eine Kiste die auf dem Boden stand und für den Transport vorgesehen war. Anschließend trugen sie die Kiste über eine kurze Strecke zu einem Versuchsstand mit einer Radaufhängung und stellten sie dort wieder auf dem Boden ab.
Im nächsten Schritt wurde die Montage des Reifens am Versuchsstand simuliert. Um die Gesundheit der Probanden nicht zu gefährden, wurde statt eines echten Reifens eine Attrappe aus Holz verwendet. Hierbei wurden die Probanden angewiesen, jedes Bauteil einzeln aus der Kiste zu entnehmen, was zu einer wiederholten Bückbewegung führte. Nachdem der Reifen mit fünf Schrauben befestigt und die Montage überprüft worden war, wurde der Reifen wieder demontiert, das Material erneut in der Kiste verstaut und zum Regal zurückgebracht.
Der Prozess wurde in zwei Durchläufen absolviert, um Unterschiede im Bewegungsverhalten und deren Einfluss auf ergonomische Bewertungen zu untersuchen. Im ersten Durchgang führten die Teilnehmenden die Aufgaben gemäß ihrer individuellen, natürlichen Bewegungsmuster aus. Dabei blieb die wiederholte Bückbewegung Teil des Prozesses – eine aus ergonomischer Sicht ungünstige Belastung, die laut RULA-Bewertung so häufig auftrat, dass sie einen negativen Einfluss auf die Gesamtbewertung hatte.
Im zweiten Durchgang hingegen erhielten die Teilnehmenden gezielte Anweisungen, ergonomisch günstige Bewegungsmuster anzuwenden. Besonders das Heben aus dem Rücken wurde vermieden und die zuvor erzwungene Bückbewegung wurde aus dem Ablauf entfernt. So konnten die Auswirkungen dieser Haltungsanpassungen gezielt untersucht werden. Ein Versuchsdurchlauf erstreckte sich im Durchschnitt über ca. 3 Minuten.
Während dieser Versuchsreihe wurden zehn Probanden bei der Durchführung des Szenarios durch 3D-Kameras in einem Abstand von ca. 3,5m aufgezeichnet. Die Videoaufnahmen wurden sowohl automatisiert als auch manuell durch eine Ergonomieexpertin nach der RULA-Methode bewertet. Für die Analyse wurden 39 zufällige Momentaufnahmen aus den Videos ausgewählt. Die Ergebnisse der beiden Bewertungen wurden anschließend bezüglich ihrer Übereinstimmung untersucht. Hierfür wurde das linear gewichtete Cohens Kappa herangezogen, welches nach der Interpretation von Landis und Koch [8] die Stärke der Übereinstimmung von gering (κ<0,00) bis (fast) perfekt (0,81≤κ≤1,00) einordnen kann. Ein Wert von κ≥0,40 ist dabei als annehmbar anzusehen [9]. Der ergonomische Unterschied dieser Bewegung lässt sich in den Ergebnissen der Untersuchung erkennen (Bild 2).
Der obere linke Graph veranschaulicht die Unterschiede in der Bewertung aller Aufnahmen zwischen der Expertin und der hier aufgezeigten Automatisierungsmethode auf. Die Ordinaten der Grafiken im linken Bildbereich zeigen durch die normierte Darstellung, ob sich die Bewertungen der Einzelscores am oberen oder unteren Ende der Bewertungsskalen bewegen. Es lässt sich erkennen, dass die Expertin durchschnittlich einen etwas höheren Grand Score (GS) vergibt als das Automatisierungssystem.
Ein ähnliches Muster ist bei der Bewertung der Oberarme (UA), des Rumpfes (Trunk), der Beine (Legs) und des Wertes für die Wiederholbewegungen (Muscle) zu beobachten. Gegenteilig verhält es sich im Bereich der Unterarme (LA) sowie für die Bewertung der Handgelenke (Wrist) und der Handgelenksdrehung (Wrist twist). Insbesondere bei der Handgelenksverdrehung wird stets der höchstmögliche Score gewählt. Dies ist dem Algorithmus zum Ableiten der Skelettdaten geschuldet, da dieser die nötigen Keypoints im Handbereich in keiner Situation korrekt generieren konnte.
Das darunterliegende Säulendiagramm zeigt die durchschnittlichen Scores aller ausgewerteten Videoaufnahmen durch das Automatisierungssystem auf. Hierbei wurden die Bewertungen der ergonomischen Durchgänge (Ergo) denen der unergonomischen (Unergo) Durchgänge gegenübergestellt. Es lässt sich erkennen, dass der Grand Score des ergonomischen Durchgangs im Mittel etwas niedriger ist als der des unergonomischen. Dies fällt stärker für die Werte des Nackens und des Muskel Scores aus.
Oberarme, Unterarme, Rumpf und Beine haben höhere Scores im ergonomischen Durchgang erreicht. Der Boxplot auf der rechten Seite zeigt die Übereinstimmung der 39 Bewertungen zwischen der Expertin und der hier beschriebenen Methode auf. Der durchschnittliche Übereinstimmungswert liegt bei κ≈0,46, was auf eine akzeptable Übereinstimmung zwischen beiden Bewertungsansätzen hinweist.
Diskussion der Ergebnisse und Schlussbetrachtung
Eine implementierte Automatisierung der ergonomischen Bewertung erwies sich als effizienter im Vergleich zur manuellen Expertenschätzung. Die Gesamtauswertung aller Momentaufnahmen durch die Expertin hat ca. 90 Minuten gedauert, wobei die automatisierte Bewertung eine Rechenzeit von ca. 10 Minuten erforderte. Die manuelle Analyse einzelner Gelenkwinkel erwies sich als zeitaufwendig und unsicher, da sie auf subjektiven Schätzungen basiert. Dies kann dazu führen, dass die automatisierte Auswertung präzisere Ergebnisse liefert insofern die dreidimensionalen Keypoints der räumlich erfassten Person korrekt generiert wurden.
Außerdem erlaubt Automatisierung eine lückenlose Auswertung sämtlicher Videobilder, was manuell im selben Zeitrahmen nicht leistbar ist. Die vorliegenden Ergebnisse reihen sich in den bestehenden Forschungsstand ein, in dem markerlose Kamerasysteme bereits erfolgreich für die ergonomische Bewertung eingesetzt wurden. So liegt der Wert κ≈0,46 nah an dem von Humadi ermittelten Wert von κ=0,47, in dessen Arbeit die Übereinstimmung einer Ergonomiebewertung zwischen einem markerlosen mit einem markerbasierten Kamerasystem bestimmt wurde [10]. Dies zeigt, dass markerlose Systeme nicht nur mit markerbasierten Verfahren vergleichbare Ergebnisse liefern, sondern auch eine ähnliche Übereinstimmung mit Expertenbewertungen erreichen können.
Dennoch weist der κ-Wert auch auf einige Limitationen hin: Die durch die Expertin vorgenommene Bewertung ist subjektiv und daher nicht unbedingt als gültige Bezugsgröße zu verstehen. Dies schränkt die Aussagekraft dieser Kennzahl in Bezug auf die Validität der Automatisierungsmethode ein. Trotz dieser Einschränkung ist das Cohens κ dennoch ein nützliches Maß zur Beurteilung der Reliabilität zwischen der Automatisierungsmethode und einer Expertenbewertung, da es zufällige Übereinstimmungen berücksichtigt und die Konsistenz der Bewertungen objektiv misst.
Eine nähere Analyse einzelner Bewertungen zeigt zudem, dass die extrahierten Keypoints in manchen Fällen nicht exakt mit den realen Körperpositionen übereinstimmen. Diese Abweichungen führen zu Diskrepanzen zwischen der automatisierten Bewertung und der Einschätzung der Expertin, was sich beispielweise in Bild 2 nachvollziehen lässt. Einige mögliche Ursachen hierfür sind Probleme in der Bildverarbeitung, etwa durch Verdeckung oder geringe Kontraste. Insbesondere im Bereich der Hände traten wiederholt Fehler bei der Bestimmung der Keypoints auf. Dies könnte erklären, warum der κ -Wert mit 0,46 moderat ausfällt. Diese mittlere Übereinstimmung ist als akzeptabel einzuordnen [9].
Somit zeigt dieser Beitrag, dass eine automatisierte Ergonomiebewertung durch die RULA-Methode unter den genannten Systemspezifikationen mit einer algorithmischen Erkennung von wiederholten Bewegungen auch in anwendungsnahen Montageszenarien und komplexen Umgebungen annehmbare Ergebnisse liefern kann. Die Ungenauigkeiten der Keypoints führen jedoch zu Limitationen seitens der Erkennung von Wiederholungen. Durch ein starkes Rauschen der Bewegungsdaten über die Zeit wird die Verlässlichkeit der Bestimmung von wiederholten Bewegungen eingeschränkt.
Das in dieser Methode angewandte Verfahren der Autokorrelation zeigt unter bestimmten Voraussetzungen gute Ergebnisse, scheitert allerdings in komplexeren Szenarien. Trotzdem zeigen die Ergebnisse aus Bild 2, dass die Reduzierung der wiederholten Bewegungen des ergonomischen Durchgangs zu einem erwartet niedrigeren Muscle Score führen. Dieser Sachverhalt verdeutlicht, dass die verschiedenen Einzelwerte von RULA zur Bestimmung von Maßnahmen zur Verbesserung der Ergonomie und dessen Effektivität betrachtet werden können.
Im Rahmen der Evaluation zeigte sich jedoch auch Optimierungspotenzial. Hier können weiterführende Forschungsarbeiten Ansätze zur Erkennung von Wiederholungen in Bewegungsprofilen erproben, um die Bewertungsqualität durch eine automatisierte Anwendung der RULA-Methode zu erhöhen. Hierbei wäre beispielsweise eine umfänglichere Betrachtung der durchgeführten Aktivitäten und ihre Häufigkeiten denkbar, um eine präzisere Ermittlung des Muscle Scores im Gegensatz zum Autokorrelationsverfahren zu ermöglichen. Ähnliche Ansätze hierzu wurden bereits erprobt [11].
Darüber hinaus sollten weitere Studien zur Optimierung der Erfassung der Keypoints durch markerlose Kamerasysteme durchgeführt werden. Hierbei könnten zukünftig ausgereiftere Kamerasysteme mit optimierten Algorithmen zur Extraktion der Gelenkpunkte eingesetzt werden. Eine Fusion mehrerer Tiefenkameras zur Reduzierung von Verdeckungen und verbesserter Erfassungssicherheit ist ebenfalls denkbar.
Dieser Beitrag entstand im Rahmen des Projekts „Erfassung und KI-basierte Analyse von Ergonomiedaten in der manuellen Montage mittels körpernaher Sensorik und maschineller Sehverfahren“, das von der Senatorin für Wirtschaft, Arbeit und Europa des Landes Bremen unter dem Kennzeichen FUE0661B gefördert wird.
Dies ist ein Originalbeitrag. Die englische Übersetzung finden Sie unter der DOI: 10.30844/I4SE.25.5.116
Literatur
[1] Pupkes, B.; Petzoldt, C.; u. a.: (Im Druck) User Expectations, Requirements, and Applications of Exoskeletons: Insights from a Survey. In: Procedia CIRP.[2] Petzoldt, C.; Lütjen, M.; u. a.: Operator 5.0: Intelligente Arbeitsergonomie im Automobilumschlag. In: Zeitschrift für wirtschaftlichen Fabrikbetrieb 117 (2022) 10, S. 644–650.
[3] Kee, D.: Systematic Comparison of OWAS, RULA, and REBA Based on a Literature Review. In: International Journal of Environmental Research and Public Health 19 (2022) 1, S. 595.
[4] McAtamney, L.; Nigel Corlett, E.: RULA: a survey method for the investigation of work-related upper limb disorders. In: Applied Ergonomics 24 (1993) 2, S. 91–99.
[5] Antonaci, F.G.; Olivetti, E.C.; u.a.: Workplace Well-Being in Industry 5.0: A Worker-Centered Systematic Review. In: Sensors 17 (2024), Nr. 5473.
[6] Humadi, A.; Nazarahari, M.; u. a.: In-field instrumented ergonomic risk assessment: Inertial measurement units versus Kinect V2. In: International Journal of Industrial Ergonomics 84 (2021), S. 103147.
[7] Cao, Z.; Hidalgo Martinez, G.; u. a.: OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields. In: IEEE Transactions on Pattern Analysis and Machine Intelligence 43 (2019) 1, S. 172-186.
[8] Landis, J. R.; Koch, G. G.: The Measurement of Observer Agreement for Categorical Data. In: Biometrics 33 (1977) 1, S. 159-174.
[9] Greve, W.; Wentura, D.: Wissenschaftliche Beobachtung: Eine Einführung. Weinheim 1997.
[10] Jathe, N.; Lütjen, M.; u.a.: Intelligente Kontexterfassung im Automobilumschlag. In: Zeitschrift für wirtschaftlichen Fabrikbetrieb 118 (2023) 6, S. 376-381.
Ihre Downloads
Das könnte Sie auch interessieren
