面向隐私的基于AI的人体姿态分析

肌肉骨骼障碍（MSDs）是制造业领域的主要伤害原因和生产力损失来源，造成巨大的经济成本。ergonomic assessment通过识别可改善姿势和减少疲劳的工作场所调整来缓解这些风险。基于摄像头的系统提供了一种非侵入性、成本效益高的持续ergonomic tracking方法，但也引发了显著的隐私 concerns。为此，我们提出一种利用机器学习技术的隐私感知ergonomic assessment框架。我们的methods employs adversarial training to develop a lightweight neural network that obfuscates video data, preserving only the essential information needed for human pose estimation.这种混淆确保了与标准姿态估计算法的兼容性，在保持高准确性的同时保护了隐私。混淆后的视频数据传输到中央服务器，在那里使用最先进的关键点检测算法提取身体 landmarks。通过多视角集成，重构3D关键点并使用Rapid Entire Body Assessment（REBA）方法进行评估。我们的系统为制造业中的ergonomic monitoring提供了一个安全、有效的解决方案，同时解决了隐私和workplace safety concerns。