WMSDsNet: A Sensor-Based Deep Learning Framework for Real-Time Ergonomic Risk Assessment in Human-Robot Collaborative Disassembly

Les troubles musculosquelettiques liés au travail (TMS) demeurent l’une des principales causes de blessures professionnelles dans le monde, en particulier dans les environnements industriels où les tâches répétitives et les postures contraignantes sont fréquentes. Avec l’essor de la collaboration homme-robot (HRC) dans les processus de fabrication et de désassemblage, le besoin d’outils intelligents de surveillance ergonomique en temps réel, capables de s’adapter à des conditions de travail dynamiques et de soutenir des pratiques de travail durables, devient de plus en plus important. Ce mémoire propose WMSDsNet, un cadre novateur d’évaluation des risques de TMS basé sur l’apprentissage profond, qui combine une architecture à double sortie avec des unités de mesure inertielle (IMU) portables pour l’application spécifique du désassemblage collaboratif homme-robot. Le système effectue simultanément la classification des sous-tâches physiques et des niveaux de risque ergonomique, avec un étiquetage basé sur deux méthodes d’évaluation de TMS: RULA (Rapid Upper Limb Assessment) et REBA (Rapid Entire Body Assessment). Le cadre comprend également une analyse comparative de six modèles d’apprentissage automatique, réseau de neurones convolutifs (CNN), réseau de neurones profonds (DNN), machine à vecteurs de support (SVM), K plus proches voisins (KNN), arbre de décision (DT) et forêt aléatoire (RF), afin de déterminer le modèle optimal pour ces deux tâches. Cette intégration assure une évaluation complète et validée, permettant une surveillance ergonomique précise et en temps réel dans des environnements industriels collaboratifs. Les données expérimentales ont été collectées dans un scénario de HRC en laboratoire, où un participant a exécuté une série de sous-tâches de désassemblage, telles que le dévissage, le tri des composants et la manipulation d’outils, tout en portant un ensemble de capteurs IMU. Le modèle le plus performant (DNN) a atteint une précision macro-moyenne de 92 % pour la classification des sous-tâches et de 90 % pour la classification des risques ergonomiques. Une carte thermique a été utilisée pour identifier les relations posture-risque, mettant en évidence les tâches présentant un niveau plus élevé de sollicitation biomécanique. Les résultats démontrent que l’intégration de la technologie des capteurs portables avec des modèles d’apprentissage automatique permet des évaluations ergonomiques précises et en temps réel. Le cadre proposé, WMSDsNet, permet une identification précoce des situations à haut risque, offrant aux ingénieurs industriels un outil proactif pour la prévention des blessures et l’optimisation des flux de travail. Ce travail contribue aux domaines de l’ergonomie professionnelle, de la fabrication intelligente et de l’Industrie 4.0, en présentant une solution évolutive, interprétable et adaptée à l’automatisation pour la gestion des risques ergonomiques dans les environnements collaboratifs homme-robot. Les travaux futurs porteront sur une validation multi-sujets et un déploiement en milieu industriel réel afin d’évaluer plus en profondeur la généralisabilité et l’intégration pratique du cadre proposé.

Abstract

Work-related musculoskeletal disorders (WMSDs) remain a leading cause of workplace injuries worldwide, particularly in industrial environments where repetitive tasks and awkward postures are common. With the rise of human-robot collaboration (HRC) in manufacturing and disassembly, there is an increasing need for intelligent, real-time ergonomic monitoring systems that can adapt to dynamic working conditions and support sustainable labour practices. This thesis proposes WMSDsNet is a novel deep learning-based ergonomic risk assessment framework that combines a dual-output architecture with wearable inertial measurement units (IMUs) for the specific application of human-robot collaborative (HRC) disassembly. It performs simultaneous classification of physical subtasks and ergonomic risk levels, with risks labelled using two methods: RULA (Rapid Upper Limb Assessment) and REBA (Rapid Entire Body Assessment). The framework also includes a comparative analysis of six machine learning models, Convolutional Neural Network (CNN), Deep Neural Network (DNN), Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Decision Tree (DT), and Random Forest (RF), to determine the optimal model for both tasks. This integration ensures a comprehensive and validated assessment, supporting accurate, real-time ergonomic monitoring in collaborative industrial environments. Experimental data were collected from a laboratory-based HRC scenario in which a participant performed a series of disassembly subtasks, such as unscrewing, sorting components, and handling tools, while wearing a set of IMU sensors. The best-performing model (DNN) achieved a macro-average accuracy of 92% for subtask classification and 90% for ergonomic risk classification. A heatmap visualization was used to identify posture-risk relationships, highlighting which tasks involved higher levels of biomechanical strain. The findings demonstrate that integrating wearable sensor technology with machine learning models can lead to accurate, real-time assessments of ergonomic conditions. The proposed WMSDsNet framework enables early identification of high-risk conditions, offering industrial engineers a proactive tool for injury prevention and workflow optimization. This work contributes to the fields of occupational ergonomics, smart manufacturing, and Industry 4.0 by presenting a scalable, interpretable, and automation-friendly solution for ergonomic risk management in human-robot collaborative settings. Future work will focus on multi-subject validation and real-world industrial deployment to further assess the framework’s generalizability and practical integration.