AI-Based Ergonomic Analysis of Workers in the Construction Industry. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF AI_Based_Ergonomic_Analysis_of_Workers_in_the_Construction_Industry.pdf Restricted to Repository staff only until 21 May 2027. Download (6MB)

Arabic Abstract

تُعدّ الاضطرابات العضلية الهيكلية (musculoskeletal disorders) المرتبطة بالعمل من أبرز التحديات في مجال السلامة والصحة المهنية في قطاع التشييد، ولا سيما في الأعمال المرتبطة بالهياكل الفولاذية، حيث يتعرض العمال بصورة متكررة لأوضاع جسمية غيرمعتدلة، وغير مستقرة، ومرهقة ضمن بيئات عمل معقدة بصريًا وتشغيليًا. وعلى الرغم من الأهمية التطبيقية لأساليب التقييم في هندسة العوامل البشرية التقليدية(Ergonomic Assessment)، مثل التقييم السريع للطرف العلوي (RULA) والتقييم السريع لكامل الجسم (REBA)، فإن استخدامها في مواقع البناء الديناميكية لا يزال محدودًا بسبب اعتمادها على الملاحظة اليدوية، وتأثرها بالحكم الشخصي للمقيِّم، وصعوبة توظيفها بصورة مستمرة وعلى نطاق واسع. ومن هذا المنطلق، تقدم هذه الدراسة إطارًا قائمًا على الذكاء الاصطناعي ومعالجة الصور لأتمتة تقييم مخاطر الوضعيات الجسدية في الأعمال الإنشائية المرتبطة بالصلب والفولاذ. تم تطوير النظام المقترح في صورة إطار عمل ثنائي المراحل. ففي المرحلة الأولى، جرى تصميم منظومة لتحليل الوضعية الجسدية يتولى تحديد موقع العامل داخل الصورة، واستخراج وضعية الجسم، وحساب زوايا المفاصل، ثم إسناد درجات إرجونومية مستندة إلى منهجية REBA كما استُخدم هذا الخط في توليد تسميات ثنائية تلقائية لفئتي خطر وغير خطر، بحيث أدى وظيفتين في آن واحد: تقييم المخاطر الإرجونومية، وإعداد بيانات التدريب بطريقة منظمة وقابلة للتكرار. ولتحقيق قدر أكبر من التنوع والواقعية، تم إعداد مجموعة بيانات مختلطة مكوّنة من 3,947 صورة مصنفة جُمعت من تسجيلات ميدانية حقيقية، ومشاهد مولدة بالحاسوب، ومقاطع فيديو متاحة عبر الإنترنت. وقد عالجة هذة المنظومة ما مجموعه 5,087 صورة، نجحة في تحويل 3,947 صورة منها إلى مخرجات نهائية قابلة للاستخدام، بينما فشل في معالجة 365 صورة، وتمت إحالة 775 صورة إلى فئة المراجعة أو غير المصنفة. أما في المرحلة الثانية، فقد تم تقييم عدد من نماذج (Deep Learning) لتحديد النموذج الأنسب لأداء مهمة الفحص الأولي السريع لمخاطر الوضعيات الجسدية اعتمادًا على مجموعة البيانات الناتجة. وأظهرت النتائج أن الإطار المقترح نجح في بناء مسار عملي وقابل للتفسير لتقييم المخاطر الإرجونومية بالاعتماد على الصور. ومن بين النماذج التي تم اختبارها، حقق نموذج DarkNet19 أفضل أداء إجمالي، حيث بلغ معدل F1 نحو 89.73%، والدقة 87.34%، وPrecision بمقدار 90.48%، وRecall بمقدار 89.00%، مما يجعله الأنسب ليكون نموذج الفحص الأولي السريع ضمن الإطار المقترح. وإضافة إلى ذلك، تم تطوير وحدة مخصصة لتحليل وضعية الخوذة بهدف تحسين تفسير وضعية الرأس والرقبة في الحالات التي يتعذر فيها الاعتماد على معالم الوجه، مثل حالات حجب الوجه، أو التصوير من الخلف، أو القيود البصرية الناتجة عن معدات الوقاية الشخصية. وقد حقق هذا النموذج نتائج قوية على مستوى الكشف وتحديد النقاط المفتاحية، حيث بلغ Box Precision = 0.97، وBox Recall = 0.96، وBox mAP@0.50 = 0.991، وPose Precision = 0.97، وPose Recall = 0.96، وPose mAP@0.50 = 0.991، وPose mAP@0.50:0.95 = 0.975، وهو ما يدل على كفاءته في كل من تحديد منطقة الخوذة واسترجاع التكوين الهندسي للنقاط المفتاحية المرتبطة بالرأس والكتفين بدقة مرتفعة. وبصورة عامة، تؤكد هذه الدراسة أن تقنيات الذكاء الاصطناعي المعتمدة على الصور يمكن أن تدعم الفحص شبه الآني لمخاطر الوضعيات الجسدية في بيئات العمل الفولاذية، مع الحفاظ على قدر مناسب من القابلية للتفسير الإرجونومي من خلال التحليل المبني على وضعية الجسم وزوايا المفاصل. وعليه، يسهم الإطار المقترح في بناء صلة عملية بين التقييم الإرجونومي و(machine learning)، ويقدم أساسًا منهجيًا وتطبيقيًا لتطوير أنظمة أكثر متانة وقابلية للنشر الميداني في مجال السلامة المهنية في قطاع التشييد.

English Abstract

Work-related musculoskeletal disorders (WMSDs) remain a major occupational safety concern in construction, particularly in steelwork-related tasks where workers frequently adopt awkward, unstable, and non-neutral postures under visually complex site conditions. Traditional ergonomic assessment methods such as Rapid Upper Limb Assessment (RULA) and Rapid Entire Body Assessment (REBA) are valuable, but their practical use in dynamic construction environments is limited by manual observation requirements, subjectivity, and difficulty of repeated large-scale application. This study proposes an AI-based image-processing framework for automated posture-risk assessment in steelwork-related construction tasks. The proposed system was developed as a two-stage framework. In the first stage, a posture-analysis pipeline was designed to localize workers, estimate body pose, extract joint angles, and assign REBA-based posture scores. This pipeline was then used to generate automatic binary labels of Risk and Non-risk, thereby serving both as an ergonomic assessment mechanism and as a dataset-labeling tool. A mixed dataset of 3,947 labeled images was prepared from real site footage, CGI-generated scenes, and publicly available online videos to increase posture diversity, viewpoint variation, and scene realism. The pipeline processed 5,087 input images, of which 3,947 were retained as successful final outputs, while 365 failed during processing and 775 were redirected to the review or unclassified group. In the second stage, multiple deep learning architectures were evaluated for first-stage posture-risk classification using the generated dataset. The results showed that the proposed framework was able to produce a practical and interpretable workflow for automated posture-risk assessment from image data. Among the evaluated models, DarkNet19 achieved the strongest overall performance, with an F1-score of 89.73%, accuracy of 87.34%, precision of 90.48%, and recall of 89.00%, and was therefore selected as the most suitable first-stage classifier for rapid posture-risk screening. In addition, a custom helmet-pose module was developed to improve head and neck interpretation in cases involving face occlusion, back views, or PPE-related visibility constraints. The final helmet-pose model achieved Box Precision = 0.97, Box Recall = 0.96, Box mAP@0.50 = 0.991, Pose Precision = 0.97, Pose Recall = 0.96, Pose mAP@0.50 = 0.991, and Pose mAP@0.50:0.95 = 0.975, indicating strong performance in both helmet-region detection and keypoint localization. Overall, the study demonstrates that image-based AI methods can support near real-time posture-risk screening in steelwork environments while preserving ergonomic interpretability through pose-based reasoning. The proposed framework contributes a practical bridge between ergonomic assessment and machine learning and provides a foundation for more robust and deployable safety-monitoring systems in construction.

Item Type:	Thesis (Masters)
Subjects:	Computer Management and Marketing Construction Civil Engineering Engineering
Department:	College of Design and Built Environment > Architectural Engineering and Construction Management
Thesis Advisor:	Awsan Mohammed,
Thesis Committee Members:	Hamzah Luqman, Abdullah Alsuhaibani,
Depositing User:	NAJI OSMAN (g202319590)
Date Deposited:	21 May 2026 07:19
Last Modified:	21 May 2026 07:19
URI:	https://eprints.kfupm.edu.sa/id/eprint/144425