Contributions à l'analyse biomécanique et physique ergonomique in situ des postes de travail à l'aide de techniques d'apprentissage automatique et d'apprentissage profond

Contributions to the in-situ biomechanical and physical ergonomic analysis of workstations using machine learning and deep learning techniques

• Auteur / Autrice : Hasnaa Ouadoudi Belabzioui
• Direction : Franck Multon, Charles Pontonnier
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 20/12/2024
• Etablissement(s) : Université de Rennes (2023-....)
• Ecole(s) doctorale(s) : Mathématiques, informatique, signal et électronique et télécommunications.
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en informatique et systèmes aléatoires (Rennes) - Institut de Recherche en Informatique et Systèmes Aléatoires / IRISA
• Partenaire(s) de recherche : Etablissement opérateur d'inscription : École normale supérieure (Rennes ; 2013-....)
• Jury : Président / Présidente : Élisa Fromont
• Jury : Examinateurs / Examinatrices : Élisa Fromont, Laetitia Fradet, Nasser Rezzoug, Jonathan Savin
• Jury : Rapporteurs / Rapporteuses : Laetitia Fradet, Nasser Rezzoug

Mots clés

Mots clés contrôlés

Apprentissage profond

Apprentissage automatique

Ergonomie

Hygiène du travail

Biomécanique

Mots clés libres

Analyse du mouvement humain

Estimation de la pose humaine

Estimation des coordonnées articulaires

Estimation des couples articulaires

Cinématique inverse

Dynamique inverse

Human motion analysis

Human pose estimation

Joint coordinates estimation

Joint torques estimation

Inverse kinematics

Inverse dynamics

Résumé

L’évaluation du risque de troubles musculosquelettiques en milieu industriel représente un défi en raison de la complexité des processus de fabrication modernes. Ces environnements comprennent divers facteurs influençant l’activité des opérateurs, tels que les éléments organisationnels, managériaux et environnementaux, ainsi que le rythme de travail. Il est crucial d’évaluer les contraintes physiques auxquelles sont soumis les opérateurs pour prévenir ces troubles. Bien que de nombreux systèmes monitorent actuellement les mouvements des opérateurs et évaluent les contraintes posturales pour fournir un aperçu de l’activité physique, ils échouent souvent à analyser les forces physiques subies ou générées par l’opérateur. Par conséquent, il est essentiel de quantifier ces forces afin d’identifier les facteurs de risque physique liés à l’effort. Cependant, les méthodes classiques de mesure impliquent souvent des processus complexes, invasifs et peu pratiques en milieu industriel. Cette thèse relève ces défis en évaluant des approches d’apprentissage pour estimer les contraintes physiques sans recourir à des mesures invasives, ce qui est fondamental pour améliorer les outils et les pratiques ergonomiques. Nous avons commencé par comparer la précision et la robustesse des systèmes de mesure basés sur la vision par ordinateur pour l’évaluation du RULA, en nous focalisant particulièrement sur les évaluations ergonomiques sur site. Notre analyse s’est principalement concentrée sur l’évaluation des systèmes basés sur la vision par ordinateur, y compris ceux dotés d’une ou plusieurs caméras, utilisant des images RVB ou des images de profondeur, et les systèmes qui s’appuient uniquement sur des données visuelles ou qui intègrent des capteurs portables (systèmes hybrides). Ensuite, nous avons développé et évalué plusieurs architectures d’apprentissage conçues pour émuler l’étape de la dynamique inverse dans l’analyse du mouvement. Ces dernières prédisent les couples articulaires à partir des données squelettiques de l’opérateur et son poids et la masse de la charge transportée, offrant ainsi une nouvelle alternative aux mé- thodes classiques de dynamique inverse. Enfin, nous avons examiné la généralisabilité des outils basés sur l’apprentissage profond, tels qu’OpenCap, dans les tâches industrielles. En utilisant le fine-tuning - une technique courante dans l’apprentissage profond pour adapter les modèles à de nouveaux ensembles de données avec des échantillons minimaux - nous avons cherché à adapter les modèles d’apprentissage d’OpenCap à un nouveau type de mouvement et à un nouvel ensemble de marqueurs.

Assessing the risk of musculoskeletal disorders in industrial environments is a challenging task, given the complexity of modern manufacturing processes. These environments include various factors influencing operator activity, such as organizational, managerial and environmental elements, as well as the pace of work. Assessing the physical constraints to which operators are subjected is crucial to preventing these disorders. Although many systems currently monitor operator movements and assess postural constraints to provide an overview of physical activity, they often fail to analyze the physical forces experienced or generated by the operator. Consequently, it is essential to quantify these forces in order to identify effort-related physical risk factors. However, conventional measurement methods are often complex, invasive and impractical in industrial environments. This thesis addresses these challenges by evaluating learning approaches for estimating physical stresses without resorting to invasive measurements, which is fundamental to improving ergonomic tools and practices. We began by comparing the accuracy and robustness of computer vision-based measurement systems for RULA assessment, focusing particularly on on-site ergonomic evaluations. Our analysis focused primarily on the evaluation of computer vision-based systems, including those with one or more cameras, using RGB or depth images, and systems that rely solely on visual data or incorporate wearable sensors (hybrid systems). Next, we developed and evaluated several learning architectures designed to emulate the inverse dynamics step in motion analysis. These predict joint torques from the operator’s skeletal data and the weight and mass of the load carried, thus offering a new alternative to classical inverse dynamics methods. Finally, we examined the generalizability of deep learningbased tools, such as OpenCap, in industrial tasks. Using fine-tuning - a common technique in deep learning for adapting models to new data sets with minimal samples - we sought to adapt OpenCap’s learning models to a new type of motion and a new set of markers.