基于AI视觉动作捕捉技术的智能制造实践

研报总结

行业需求

• 肌肉骨骼疾病（MSDs）是全球工作场所最常见的职业健康问题之一，影响约三分之一的世界人口，导致员工缺勤、慢性残疾，并显著降低工作质量和生产效率。例如，在欧洲，超过一半的汽车制造工人报告了与工作相关的MSDS，导致缺勤率显著增加。
• 制造业推广人机工学面临的挑战包括技术成本高、缺乏系统化方法评估和改善工作条件、企业预算分配短视等。
• 智能技术解决方案可以帮助克服这些挑战，例如AI视觉动作捕捉技术，通过实时监测和分析人体动作，为优化工作环境和提高生产效率提供新的视角和解决方案。

AI视觉动作捕捉技术在人机工程学的应用

• AI驱动的动作捕捉技术，如MMpose，通过分析视频中的图像序列来识别和追踪物体或人体的运动轨迹，得益于深度学习的应用，动作捕捉技术已经实现了自动化和实时化。
• AI视觉动作捕捉技术正在推动制造业人机工程学的规模化转型，例如在半导体制造业中，通过MMPose技术，企业能够实时监测工人的姿态，识别出过度弯腰、长时间站立或不当姿势等问题，并采取措施降低工人因不当姿势而导致的伤病，同时提高生产效率。
• OpenVINO优化人机工学防护算法，提升实时性与部署效率，例如经过OpenVINO优化后的MMPose模型，其推理速度相比未优化模型提升了30%。

基于AI视觉动捕技术的人机工程守护系统

• 系统架构由视频采集模块、姿态识别模块以及REBA评估模块构成，通过智能化的监测和分析，实时评估工作环境中的人体姿态和动作风险。
• 英特尔认证AI边缘硬件，如华郢的BUAIAI边缘工控机，为系统高效运行提供关键支持。
• 从需求分析到持续改进，项目团队进行了详细的需求分析、环境评估、视觉硬件选择、网络基础设施规划、软件配置、系统测试、用户培训、持续的技术支持、数据分析和系统的持续改进等步骤，确保系统成功实施。
• 英特尔AI为制造：实时人机工学风险评估系统展现了其在人机工学风险评估中的显著优势，例如实时捕提员工的动态人体姿态，进行风险评估，提供即时反馈，预测员工可能面临潜在的肌肉骨骼疾病风险等。

未来展望

• 基于AI的视觉动作捕捉技术将扩展至机器人模仿学习、远程监控和智能分析等多个领域，例如通过运用机器学习算法来预测人体姿势，并将基转化为机器人的运动指令，实现更高效的人机协作和自动化生产流程。
• 未来可能实现自主学习，机器人能够自主捕捉和分析人类动作，进行自我学习和优化，减少对人工干预的依赖，并根据用户的动作习惯和偏好进行个性化学习和互动。