IA, VISIÓN ARTIFICIAL, REALIDAD AUMENTADA 79 desafíos, como variaciones de iluminación y oclusiones, al tiempo que se protege la privacidad, b) desarrollar un método que cree un gemelo digital (réplica) preciso del cuerpo humano para extraer datos antropométricos y biomecánicos, y c) convertir datos antropométricos y biomecánicos en TMERT y factores de riesgo de caídas de forma automatizada. Para lograr todos los objetivos de investigación perseguidos por el proyecto DI-RISK, se propone un marco interdisciplinario innovador, que implica una combinación ambiciosa de visión por computadora, aprendizaje automático, componentes biomecánicos y ergonómicos. El proyecto DI-RISK procesará de forma innovadora todos aquellos datos en los que se basan las herramientas ergonómicas operativas para lograr dicha evaluación de riesgos. La investigación en visión por computadora sobre la estimación de la postura humana en 3D es bastante extensa, debido a su relevancia para muchos campos de aplicación. Sin embargo, ninguna de estas tecnologías ha logrado alcanzar una alta precisión a la hora de extraer una réplica digital representativa del cuerpo humano (postura 3D), debido principalmente a la limitada información proporcionada por las imágenes 2D. Recientemente, los métodos de aprendizaje profundo se han introducido como una solución prometedora, pero el principal desafío al implementar dichos enfoques sigue siendo el requisito de anotar manualmente en 3D a partir de imágenes 2D, una cantidad extremadamente grande de datos de entrenamiento. El proyecto DI-RISK investigará todas estas tecnologías para ofrecer una herramienta eficiente de evaluación de riesgos. DI-RISK define todos los requisitos específicos de un entorno de monitorización basado en visión remota, haciéndolo más diverso y cercano posible a los entornos de fabricación de la vida real, al tiempo que garantiza la Prevención a través del Diseño (Prevention through Design - PtD) mediante la incorporación de gemelos digitales de las instalaciones de fabricación. Las actividades de investigación e innovación constan de cuatro pasos científicos básicos. Con más detalle, el paso 1, ‘Detección y configuración remota de la postura’, está dedicado a desarrollar los requisitos necesarios para monitorear sin etiquetas la postura 3D de los trabajadores de fabricación a través de métodos de visión por computadora/aprendizaje automático. El resultado del paso 1 se utiliza luego como entrada en el paso 2 posterior, ‘Estimación de la postura 3D mediante aprendizaje profundo’, que se dedica a desarrollar un algoritmo novedoso basado en el aprendizaje profundo que convierte datos de imágenes 2D en los datos biomecánicos y antropométricos necesarios para extraer la réplica digital del cuerpo humano. La réplica digital del cuerpo humano del paso 2 se utiliza luego como entrada en los pasos 3 ‘Detección y evaluación de factores de riesgo para TMERT’ y 4 ‘Detección y evaluación de factores de riesgo para caídas’ que se dedican a evaluar los factores de riesgo para los trabajadores desarrollar TMERT y caer desde una altura o al mismo nivel. La figura 2 ilustra el diagrama de flujo del método general propuesto. BIBLIOGRAFÍA [1] European Commission, Causes and circumstances of accidents at work in the EU, (2008). doi:10.2767/39711. [2] European Agency for Safety and Health at Work (EU-OSHA), Workrelated accidents and injuries cost EU €476 billion a year according to new global estimates, Press Release. (2017). [3] J. De Kok, P. Vroonhof, J. Snijders, G. Roullis, M. Clarke, K. Peereboom, P. van. Dorst, I. Isusi, Work-related musculoskeletal disorders: prevalence, costs and demographics in the EU, Eur. Agency Saf. Heal. Work. (2019). doi:10.2802/66947. [4] P.N. Kale, R.T. Vyavahare, Ergonomic Analysis Tools: A Review, Int. J. Curr. Eng. Technol. (2016) 1271–1280. [5] D. Wang, F. Dai, X. Ning, Risk Assessment of Work-Related Musculoskeletal Disorders in Construction: State-of-the-Art Review, J. Civ. Eng. Manag. ASCE. (2015). doi:10.1061/(ASCE)CO.1943-7862.0000979. [6] E. Konstantinou, J. Lasenby, I. Brilakis, Adaptive computer visionbased 2D tracking of workers in complex environments, Autom. Constr. 103 (2019) 168–184. [7] C. Maurer-Grubinger, F. Holzgreve, L. Fraeulin, W. Betz, C. Erbe, D. Brueggmann, E.M. Wanke, A. Nienhaus, D.A. Groneberg, D. Ohlendorf. Combining ergonomic risk assessment (Rula) with inertial motion capture technology in dentistry—using the benefits from two worlds, Sensors. 21 (2021) 1–17. doi:10.3390/s21124077. [8] European Commission, EU strategic framework on health and safety at work 2021-2027. Occupational safety and health in a changing world of work., (2021). [9] European Construction Sector Observatory, Improving the human capital basis, (2017).
RkJQdWJsaXNoZXIy Njg1MjYx