KITECH

영상만으로 근육 부하 측정한다

- 생기원, 센서 없이 근육 부하 예측하는 영상 기반 AI모델 개발

- 근로자 피로·부하 관리 위한 스마트 안전관리 기술로 발전 계획

□ 산업 현장에서 반복적인 동작과 무거운 하중을 다루는 작업은 작업자의 근육 피로와 근골격계 질환 위험을 높인다.

ㅇ 근육 부하를 정확히 측정해 피로 누적을 예방하는 기술이 요구되지만, 근전도(EMG, Electromyography) 센서는 장시간 착용이 불편하고, 땀이나 작업복 등의 영향을 받아 현장 활용에 제약이 있다.

□ 한국생산기술연구원(원장 이상목, 이하 생기원)이 카메라 영상만으로 근육 부하를 정밀 예측하는 인공지능 기술을 개발했다.

ㅇ 생기원 제조AI연구센터 태현철 수석연구원 연구팀은 작업 영상을 분석해 최대 근력 대비 현재 사용 비율*을 계산하는 ‘영상 기반 근활성도 추정 솔루션’을 개발했다고 밝혔다.

 * %MVC(Maximum Voluntary Contraction), 개인 최대 근력 대비 현재 쓰는 힘비율

□ 연구팀은 반복 작업 실험을 통해 영상과 근전도 신호를 정밀하게 동기화한 데이터셋을 구축했다.

ㅇ 실험 참여자의 주요 근육 부위에 근전도 센서를 부착하고, 집기·운반·들기 등 산업현장에서 빈번하게 수행되는 5가지 대표 동작을 반복 수행하도록 해 영상으로 촬영했다.

ㅇ 또한 영상 속 인체 움직임을 3차원 뼈대 데이터(3D Skeleton)로 변환하고 신장, 체중과 같은 신체정보를 함께 매칭해 영상 기반 근전도 추정을 위한 학습 데이터를 확보했다.

□ 연구팀은 구축한 데이터를 기반으로 영상 정보와 인체 움직임 정보를 함께 학습시켜 인공지능 모델을 개발했다. 

ㅇ 영상에서 추출한 시각정보와 3차원 뼈대 움직임, 피험자의 신체 특성을 동시에 학습하는 멀티모달(Multimodal) 방식을 적용한 성과다. 

ㅇ 이를 통해 사람의 신체 특성과 작업 조건에 따른 근육 부하 차이까지 정밀하게 분석할 수 있게 됐다.

□ 또한 연구팀은 작업 동작이 시간에 따라 변하는 흐름까지 분석할 수 있는 기술로 모델을 고도화했다.

ㅇ 시간 흐름을 인식하는 합성 신경망(Temporal CNN*)과 다층신경망(MLP**) 구조를 결합해 들기-이동-내려놓기와 같이 연속적으로 이어지는 작업 전 과정에서 근육 부하의 변화를 예측할 수 있도록 했다.

ㅇ 이 방식으로 순간 동작뿐 아니라 시간이 지남에 따라 누적되는 피로와 부하 변동까지 정밀하게 파악할 수 있다.

 * Temporal CNN(Temporal Convolutional Neural Network) : 시간 흐름 분석 네트워크

 ** MLP(Multi-Layer Perceptron) : 여러 층의 뉴런으로 복잡한 입력 정보를 처리해 최종 예측값을 도출하는 신경망

□ 연구팀은 개발한 모델 성능을 검증하기 위해 작업 환경을 재현한 실험을 진행했다.

ㅇ 실험 대상자에게 근전도 센서를 부착해 실제 근육 부하를 측정하고, 이를 개발한 AI모델의 예측 값과 비교‧분석했다.

ㅇ 그 결과 평균 오차* 0.05, 절대 오차** 0.03 수준으로 실제 센서 측정값과 거의 유사한 값을 보였다.

 * RMSE(Root Mean Square Error): 예측값과 실제값의 평균 제곱근 오차

 ** MAE(Mean Absolute Error): 예측값과 실제값의 평균 절대 오차

□ 이번 기술은 생기원 대표과제를 통해 창출된 성과로, 산업현장 내 근육 부하 모니터링과 스마트 안전관리 시스템으로의 확장을 목표한다.

ㅇ 태현철 수석연구원은 “영상 기반 근육 부하 추정은 센서 착용의 불편함을 넘어선 접근”이라고 설명하며, “향후 제조, 물류, 헬스케어 등 다양한 작업 조건에서 근로자의 피로‧부하를 관리할 수 있는 범용 모델로 확장해 나가겠다”고 밝혔다.