Sistema de control de postura del cuerpo al levantar objetos pesados en la industria automotriz mediante visión artificial

Autores/as

DOI:

https://doi.org/10.23857/dc.v11i2.4441

Palabras clave:

Visión artificial, redes neuronales convolucionales, openpose

Resumen

Las actividades desarrolladas en la industria en las cuales los trabajadores están propensos a las malas posturas del cuerpo al levantar objetos pesados pueden producir lesiones graves, por este motivo propongo un método de estimación porcentual de la posición ergonómica correcta del cuerpo al levantar objetos sin la supervisión de una persona. El sistema utiliza openpose para detectar la postura correcta mediante imágenes previamente grabadas para extraer los ángulos de las articulaciones, luego, se enciende el vídeo en tiempo real para determinar la pose del trabajador  para establecer la diferencia de los ángulos de las articulaciones entre la pose correcta y la del trabajador para determinar el porcentaje de similitud, cuyos resultados muestran que el porcentaje de estimación más adecuada es del 75% para cuidar la postura y evitar lesiones en el trabajador.

Biografía del autor/a

Fabián Celso Gunsha Maji, Escuela Superior Politécnica de Chimborazo

Facultad de Mecánica, Escuela Superior Politécnica de Chimborazo, EC060155, Ecuador.

Ángel José Quevedo Ríos, Escuela Superior Politécnica de Chimborazo

Facultad de Mecánica, Escuela Superior Politécnica de Chimborazo, EC060155, Ecuador.

Edgar Fabián Sánchez Carrión, Escuela Superior Politécnica de Chimborazo

Facultad de Mecánica, Escuela Superior Politécnica de Chimborazo, EC060155, Ecuador.

Elvis Enrique Argüello, Escuela Superior Politécnica de Chimborazo

Facultad de Mecánica, Escuela Superior Politécnica de Chimborazo, EC060155, Ecuador.

Citas

Cao, Z. et al. (2019) OpenPose: Realtime multi-person 2D pose estimation using part affinity fields, arXiv.org.

V. Bazarevsky, I. Grishchenko, K. Raveendran, T. Zhu, F. Zhang, and M. Grundmann, “BlazePose: On-device Real-time Body Pose tracking,” arXiv.org, Jun. 17, 2020

M. C. Thar, K. Z. N. Winn and N. Funabiki, "A Proposal of Yoga Pose Assessment Method Using Pose Detection for Self-Learning," 2019 International Conference on Advanced Information Technologies (ICAIT), Yangon, Myanmar, 2019, pp. 137-142

T. Kitamura, H. Teshima, D. Thomas and H. Kawasaki, "Refining OpenPose with a new sports dataset for robust 2D pose estimation," 2022 IEEE/CVF Winter Conference on Applications of Computer Vision Workshops (WACVW), Waikoloa, HI, USA, 2022, pp. 672-681

F. Rosique, F. Losilla and P. J. Navarro, "Using Artificial Vision for Measuring the Range of Motion," in IEEE Latin America Transactions, vol. 19, no. 7, pp. 1129-1136, July 2021

G. H. Martinez et al., "Single-Network Whole-Body Pose Estimation," 2019 IEEE/CVF International Conference on Computer Vision (ICCV), Seoul, Korea (South), 2019, pp. 6981-6990.

D. Osokin, “Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose,” arXiv.org, Nov. 29, 2018

A. Viswakumar, V. Rajagopalan, T. Ray and C. Parimi, "Human Gait Analysis Using OpenPose," 2019 Fifth International Conference on Image Information Processing (ICIIP), Shimla, India, 2019, pp. 310-314

Descargas

Publicado

2025-06-30

Cómo citar

Gunsha Maji, F. C., Quevedo Ríos, Ángel J., Sánchez Carrión, E. F., & Argüello, E. E. (2025). Sistema de control de postura del cuerpo al levantar objetos pesados en la industria automotriz mediante visión artificial. Dominio De Las Ciencias, 11(2), 2218–2226. https://doi.org/10.23857/dc.v11i2.4441

Número

Sección

Artí­culos Cientí­ficos