Contributions à l'analyse biomécanique et ergonomique physique in situ des postes de travail à l'aide des techniques de Machine Learning et de Deep Learning

Résumé :
L’évaluation du risque de troubles musculo-squelettiques dans les milieux industriels, constitue un véritable défi en raison de la complexité croissante des processus de production modernes. Ces environnements intègrent divers facteurs influençant les activités des opérateurs, notamment des aspects organisationnels, managériaux, environnementaux, ainsi que des éléments liés aux rythmes de travail et aux outils utilisés. Afin de prévenir ces troubles, il est essentiel de mesurer les contraintes physiques exercées sur les opérateurs. Bien que plusieurs systèmes actuels monitorent les mouvements des opérateurs et fournissent une évaluation posturale de leur activité physique, ces outils négligent souvent l’analyse des forces physiques appliquées ou générées par l’opérateur. Il devient donc impératif de quantifier ces forces pour identifier les facteurs de risque physique liés à l’effort. Cependant, les méthodes de mesure traditionnelles présentent souvent des contraintes complexes, invasives et peu adaptées aux environnements de travail réels. Cette thèse propose de relever ce défi en développant des approches basées sur des algorithmes d’apprentissage pour estimer les contraintes physiques de manière non invasive. Nous avons d’abord évalué la précision des systèmes de vision par ordinateur pour l’évaluation du RULA, en nous concentrant sur leur application en milieu de travail. Nous avons évalué et comparé des systèmes basés sur des caméras RVB et des caméras à profondeur, avec ou sans capteurs portables (systèmes hybrides) pour les tâches industrielles. Ensuite, nous avons développé et évalué plusieurs modèles d’apprentissage pour estimer les couples articulaires à partir de données disponibles in situ, en alternative aux méthodes classiques de dynamique inverse. Enfin, nous avons étudié la généralisabilité des outils d’apprentissage profond comme OpenCap dans les tâches de manutention bimanuelle, en appliquant le fine-tuning afin d’adapter ces modèles à de nouveaux types de mouvements et de marqueurs.

Mot clés : Évaluation des risques biomécaniques, santé au travail, analyse du mouvement hu-main, ergonomie, estimation de la pose humaine, apprentissage automatique, apprentissageprofond, estimation des coordonnées articulaires, estimation des couples articulaires, cinéma-tique inverse, dynamique inverse

Contributions to the In-Situ Biomechanical and Physical Ergonomic Analysis of Workstations Using Machine Learning and Deep Learning Techniques.

Keywords:  Biomechanical risk assessment, occupational health, human motion analysis, er-gonomics, human pose estimation, machine learning, deep learning, joint coordinates estima-tion, joint torques estimation, inverse kinematics, inverse dynamics.