Minimum set of sensors for gesture classification in chainsaw cutting

In the context of increasing attention to workplace injury issues, the proposed thesis aims to provide support and a risk assessment tool for forestry operators engaged in chainsaw use. This category is exposed to various risks, including those caused by prolonged exposure to vibration through the hand-arm system. The proposed thesis consists of preliminary work with the goal of creating a setup for gesture recognition in chainsaw cutting operations to be able, as a future development, to detect a dangerous motion from a correct one. Parameters describing the motion were identified, and cutting signals were acquired using an Inertial Measurement Unit (IMU) for various operators and under different conditions (wood and chainsaw). An autoencoder-type artificial neural network optimized for the purpose and trained under different conditions is used. The autoencoder and a Random Forest algorithm will ultimately be able to establish whether a cutting operation being performed belong to a certain category of gesture or not. The proposed setup, consisting of a series of inertial sensors appropriately placed on the body and a combination of ANNs (Artifical Neural Networks) allows gesture recognition with fair accuracy. The results of the work lead to the conclusion that the use of 4 sensors placed on the right hand and forearm and left forearm and arm, respectively, enable efficient classification of cutting operations with an accuracy of 93,7%.

In un contesto di una crescente attenzione verso le problematiche legate agli infortuni sul lavoro, la tesi proposta si propone di fornire un supporto e uno strumento di valutazione dei rischi per gli operatori forestali impegnati nell’uso della motosega. Questa categoria è esposta a vari rischi, tra cui quelli causati dall’esposizione prolungata alle vibrazioni attraverso il sistema mano-braccio. La tesi proposta consiste in un lavoro preliminare con l’obiettivo di creare un setup per il riconoscimento dei gesti nelle operazioni di taglio con motosega e quindi essere in grado, in uno sviluppo futuro, di riconoscere un movimento pericoloso da uno corretto. Sono stati identificati i parametri che descrivono il movimento e i segnali di taglio sono stati acquisiti utilizzando un’unità di misura inerziale (IMU) per diversi operatori e in diverse condizioni (legno e motosega). È stata utilizzata una rete neurale artificiale di tipo autoencoder, ottimizzata per lo scopo e addestrata in diverse condizioni. L’autoencoder in collaborazione con un algoritmo di classificazione di tipo Random Forest sarà in grado di stabilire se l’operazione di taglio che si sta eseguendo appartenga o meno a una certa categoria di gesti. Il setup proposto, composto da una serie di sensori inerziali opportunamente posizionati sul corpo e una combinazione di RNA (Reti Neurali Artificiali), permette di riconoscere i gesti con una discreta precisione. I risultati del lavoro portano alla conclusione che l’uso di 4 sensori posizionati rispettivamente sulla mano e sull’avambraccio destro e sull’avambraccio e sul braccio sinistro consentono una classificazione efficiente delle operazioni di taglio con un’accuratezza del 93,7%.