基于计算机视觉的RULA工效学风险评估自动化解决方案

《International Journal of Industrial Ergonomics》：A computer vision–based automated solution for ergonomic risk assessment using the RULA method

　　

本研究提出了一种基于计算机视觉的自动化RULA工效学风险评估解决方案。该方案整合了OpenCV与MediaPipe Pose进行上半身姿态分析，旨在克服传统人工观察评估方法中存在的主观性强、可重复性差及难以实现连续监测等局限性。研究人员采用设计科学研究方法（DSRM），在八种真实场景（包括站立与坐姿任务）中采集了3316帧视频数据，通过姿态估计技术计算关节角度，并将其映射至RULA评分标准。研究将自动化系统输出的上臂、下臂、颈部及躯干分段评分与两名工效学专家的独立评估结果进行了比较，采用Fleiss' κ系数量化三者间的一致性。结果显示，在标准化场景中，下臂、颈部及躯干等身体节段取得了完全一致（Fleiss' κ = 1.0000），整体评估一致性介于公平至完全一致之间（Fleiss' κ: 0.2081–1.0000）。该系统仅需标准RGB摄像头即可运行，具有低成本、非侵入性及可扩展性等优势，适用于大规模、连续性的姿势监测与纵向工效学分析，为职业健康与安全（OHS）实践提供了一种客观、高效且可及的技术工具。

**基于计算机视觉的RULA工效学风险评估自动化方案解读**

**一、研究背景与问题提出**

工作相关肌肉骨骼疾患（WMSDs）是一类影响人体肌肉、肌腱、韧带、神经及其他结构成分的职业健康问题，其成因涉及生物力学负荷、任务特征、组织约束与工人体能之间的复杂交互。全球范围内WMSDs的患病率持续上升，据2021年全球疾病负担（GBD）研究预测，到2050年全球受影响人数将达约10.6亿，较2020年增长115%。在巴西，2011至2021年间因重复性劳损和WMSDs导致的离岗病例超过60万例。WMSDs已成为欧盟60%职业病、美国约30%非致命性缺勤工伤病例的成因，造成巨大的直接医疗成本与生产力损失。

在此背景下，职业健康与安全（OHS）项目将工效学风险评估列为预防策略的核心要素。快速上肢评估（RULA）是应用最广泛的姿势评估工具之一，通过结构化评分系统评估上肢、颈部及躯干的姿势负荷。然而，传统RULA评估依赖专家目视观察，存在主观性强、可重复性差等问题。观察者经验、视线遮挡、动态姿势捕捉困难等因素均可能导致评分不一致甚至错误的风险估计。

随着工业4.0范式的兴起，计算机视觉与姿态估计技术的进步为非侵入式、可扩展的自动化工效学评估提供了新可能。然而，现有自动化方案或需穿戴设备干扰自然作业，或依赖深度传感器等专用硬件，或仅在受控环境下表现可靠。因此，开发一种能够在真实工作条件下运行、成本低廉、非侵入且可扩展的自动化RULA评估工具具有重要的现实需求。

**二、研究内容与总体结论**

本研究旨在开发和评估一种基于计算机视觉的RULA工效学风险评估自动化解决方案。具体目标包括：(i) 构建整合OpenCV与MediaPipe Pose的自动化RULA评估模型；(ii) 通过与工效学专家评估对比，验证模型在评估上臂、下臂、颈部及躯干姿势时的准确性与一致性；(iii) 提供一种低成本、非侵入且可扩展的工具，支持连续姿势监测与纵向工效学分析。

研究遵循设计科学研究方法（DSRM），历经问题识别、目标定义、人工制品设计与开发、演示、评估及沟通六个阶段。该方案利用标准RGB摄像头采集视频，通过MediaPipe Pose检测24个解剖关键点，采用矢量三角公式计算关节角度，并根据RULA预定义角度阈值将角度映射为分段RULA评分。系统最终输出包含每帧关节角度与RULA评分的Excel表格，以及带评分叠加注释的处理后视频。

研究在巴西某大学环境内的八个场景（涵盖实验室站立任务、家庭办公、办公室、行政、图书馆及初级咨询等坐姿或坐站结合任务）中对系统进行了演示与评估。最终数据集包含3316帧达标视频帧。以两名工效学专家（ES1、ES2）的独立评估为基准，采用Fleiss' κ系数量化系统（CS）与专家间的一致性。结果显示，在标准化场景（如实验室、办公室2）中，下臂、颈部、躯干等节段κ值达1.0000（完全一致），整体各场景一致性介于公平至完全一致之间（κ: 0.2081–1.0000），证明该系统能够以客观、可重复的方式生成与专家判断高度吻合的RULA分段评分。

**三、关键技术方法**

本研究基于DSRM框架，在八种大学环境场景（实验室、家庭办公室、办公室、大学行政、图书馆、初级咨询，巴西，2023年11月至2025年11月）中采集视频，共8名参与者（4女4男，19–24岁，无WMSDs病史），获得3316帧有效数据。核心流程为：使用MediaPipe Pose进行24点人体关键点检测，通过矢量三角函数（atan2）计算躯干、上臂、下臂关节角度，依据RULA角度阈值表映射为分段评分，使用OpenCV完成视频采集与界面可视化，并以Fleiss' κ系数评估与专家评分的一致性。系统采用Python 3.10、OpenCV 4.x、MediaPipe 0.10.x及NumPy构建，运行于Dell OptiPlex 5000（Intel Core i7）平台。项目经巴西研究伦理委员会（CONEP，CAAE 79680324.0.0000.0121）批准。

**四、研究结果**

**4.1 实时姿势分类与可视化**

系统通过图形界面按上臂、下臂、躯干和颈部四个身体区域呈现RULA评分。对站立姿势的示例分析表明，系统能够区分细微的节段性排列差异。例如，姿势(a)中躯干屈曲8°（RULA评分2）、颈部屈曲28°（评分3），而下臂接近完全伸展（178°，评分2）、上臂仅轻度抬高（11°，评分1），反映了集中在颈部的局部负荷。姿势(c)和(d)分别显示躯干屈曲达69°和82°（均评为4分），上臂角升至94°和104°（均评为4分），系统成功识别出包含深度前屈和大幅度伸臂动作在内的严重风险姿势。

**4.2 帧级时间序列输出**

表2展示了系统对11秒视频逐帧处理的输出示例（本研究按文字转述）。时间分辨测量结果显示，上臂抬高范围22°–73°（RULA评分2–3），下臂位置主要在53°–153°之间波动（低风险评分），颈部屈曲范围35°–99°，躯干屈曲从13°变化至96°，风险分类从可接受到高风险不等。这些数据表明系统能够捕捉随时间逐渐发生的姿势变化，将原始视频输入转化为可量化的工效学指标。

**4.3 专家评估一致性分析**

共处理3316帧视频帧。针对四个身体节段，表3报告了两名专家（ES1、ES2）与计算系统（CS）的分类结果及相应的Fleiss' κ值。在实验室（站立任务）和办公室2（坐姿任务）等标准化场景中，下臂、颈部及躯干节段的κ值达到1.0000（完全一致）。家庭办公室1（κ=0.2081）和图书馆（κ=0.2625）场景呈公平一致性；大学行政（κ=0.5095）、办公室3（κ=0.4444）和初级咨询（κ=0.4505）场景呈中等一致性。总体而言，自动化分类与人类专家共识之间呈现公平至完全一致的一致性水平。

**五、讨论总结与研究结论**

**讨论部分总结：** 本研究的创新点在于将计算机视觉与规则化RULA分类相结合，以标准RGB摄像头替代穿戴式传感器或深度相机，在真实工作条件下实现了低成本、非侵入的姿态风险评估。与既有文献对比，该方案在非侵入性、硬件要求、成本及实时性方面表现更优。上臂节段在某些场景中显示出较大变异性，这与已知的肩关节姿态估计挑战（如遮挡、衣物干扰、视角约束）一致，但得益于RULA的层级结构，分段层面的微小差异对最终风险分类影响有限。实际应用方面，该系统在初步风险识别和连续监测场景中具有推广潜力，尤其适合资源受限环境。局限性方面，研究仅在教育及办公环境中验证，未涉及工业场景；依赖单目RGB相机，对躯干旋转和颈部侧屈的估计精度有限；未纳入力负荷、肌肉使用及任务重复性等RULA综合评分因素；专家数量仅两名，可能增加随机评估误差的敏感性。未来研究应扩展至更多样化的职业环境，整合深度传感或多相机配置，并纳入更全面的工效学评估模型。

**研究结论翻译：** 本研究呈现了：(i) 开发了整合OpenCV与MediaPipe Pose的自动化RULA评估模型，用于上半身姿势分析；(ii) 通过与工效学专家对比，验证了该模型在评估上臂、下臂、颈部及躯干姿势时的准确性和一致性；(iii) 提供了一种低成本、非侵入性且可扩展的解决方案，能够支持连续姿势监测和纵向工效学分析。在DSRM指导下，研究系统地完成了问题识别、目标定义、人工制品设计、演示和实证评估。结果表明，所开发的方案能够以一致且可重复的方式自动检测上半身姿势、估计关节角度并生成RULA评分。演示阶段表明，该方案能够区分站立任务中不同工效学风险等级的姿势，提供连续的视觉和定量反馈。从科学角度看，本研究为自动化RULA评估贡献了一种可复现的计算方法，并提供了经验证据，表明当代姿态估计技术有潜力增强基于姿势的工效学分析的客观性和可扩展性。从实践角度看，该方案为工效学家、物理治疗师和职业健康从业者提供了一种辅助工具，支持更快速、更标准化的评估，并强化了肌肉骨骼风险管理的预防性方法。尽管如此，研究结果的解读需要考虑若干局限性，包括环境范围有限、单摄像头依赖以及对力、肌肉使用和重复性等因素的未纳入，未来研究应在更多样化的职业环境、更广泛的工人群体和更多专家评审中进一步验证并整合更多工效学风险因素，以增强方案的适用性和稳健性。