Het SEWAbility-systeem: een op video gebaseerde kader voor werkplaatsanalyse om taakspecifieke werkvereisten te begrijpen

Waarom dit belangrijk is voor werknemers en werkgevers

Veel mensen met gezondheidsproblemen willen werken maar hebben moeite om banen te vinden die echt overeenkomen met wat hun lichaam aankan. Tegelijk hebben fabrieken betrouwbare methoden nodig om te begrijpen wat elk werk fysiek van werknemers vraagt. Deze studie presenteert SEWAbility, een nieuw op video gebaseerd systeem dat kunstmatige intelligentie gebruikt om gewone fabriekscamera-opnamen te analyseren en naaiwerk te vertalen naar duidelijke, meetbare beschrijvingen van lichaamsbewegingen. Het lange-termijndoel is mensen — vooral degenen met een beperking — te helpen matchen met banen die beter, veiliger en eerlijker aansluiten op hun mogelijkheden.

Van fabriekscamera's naar bruikbare werkinformatie

Traditionele baananalyse berust vaak op experts die naar werknemers kijken, aantekeningen maken, focusgroepen houden en managers interviewen. Dit proces is traag, subjectief en niet gedetailleerd genoeg om de precieze bewegingen en inspanningen van een baan vast te leggen. In een Chinese naaiatelier zag het onderzoeksteam deze beperkingen uit de eerste hand: werknemers konden zeggen dat ze lakens of schooluniformen naaiden, maar konden niet elke stap helder en meetbaar omschrijven. Professionals in beroepsrehabilitatie konden herhaalde armbewegingen of buigingen aanwijzen, maar hadden geen precieze cijfers over hoe snel of hoe ver de gewrichten bewogen. SEWAbility is ontwikkeld om deze kloof te dichten door bovenhands opgenomen werkvideo's om te zetten in objectieve bewegingsdata die consequent geanalyseerd kunnen worden.

Naaiwerk opsplitsen in kleinere bouwstenen

SEWAbility richt zich op hoe naaisters hun armen en bovenlichaam gebruiken. Het begint met top-down camerabeelden die de privacy beschermen doordat gezichten niet zichtbaar zijn. Het systeem volgt schouders, ellebogen en polsen frame voor frame en vat daarna samen hoe deze gewrichten zich in de loop van de tijd bewegen met 88 bewegingskenmerken, zoals snelheid, richting en bewegingsbereik. Eerst groepeert het systeem video's in brede taaktypen — zoals het naaien van bovenkleding, beddengoed of broeken — uitsluitend op basis van bewegingspatronen. In tests met 21 echte fabriekvideo's kwam deze automatische groepering in ongeveer 86 procent van de gevallen overeen met het taaktype, wat aantoont dat verschillende naaiwerkzaamheden inderdaad herkenbare bewegings"handtekeningen" op camera achterlaten.

Herhaalde cycli en kleine herhaalde bewegingen vinden

Zodra een taaktype is geïdentificeerd, zoomt SEWAbility in. Het detecteert werkcycli, zoals het volledig naaien van één laken van begin tot eind. Bij naaien is een duidelijk teken het moment waarop de werknemer bukt om het voltooide stuk stof te verwijderen en een nieuw stuk op te pakken. Door te volgen waar de hand in de buurt van de tafelrand verschijnt, markeert het systeem het begin en einde van elke cyclus. Binnen elke cyclus verdeelt het vervolgens de video in vele korte, overlappende segmenten van één seconde en clustert die om het meest voorkomende bewegingspatroon te vinden. Een tweede, preciezere stap gebruikt de op-en-neer pieken van polsbewegingen om dat dominante patroon te splitsen in zeer kleine werkelementen — de basis herhaalde bewegingen, zoals het naar voren duwen van stof door de naald.

Beweging omzetten in cijfers die werkvereisten beschrijven

Voor deze herhaalde werkelementen berekent SEWAbility gedetailleerde kenmerken van het "herhalende bewegingspatroon". Deze omvatten hoe ver elk gewricht beweegt, hoe snel het beweegt en hoeveel de hoeken van elleboog en schouder veranderen. In één video van het naaien van een bovenstuk identificeerde het systeem zeven duidelijke werkcycli en, alleen al in de eerste cyclus, 18 stabiele herhaalde werkelementen van net iets meer dan een seconde per stuk. Voor geselecteerde voorbeelden liet het zien dat de armen van de werknemer veel meer horizontaal bewogen dan verticaal, wat overeenkomt met wat je zou verwachten bij het schuiven van stof door een naaimachine. Door bewegingen te schalen ten opzichte van de schouderbreedte, kunnen deze kenmerken in echte centimeters en graden worden geïnterpreteerd, waardoor ze voor clinici en ergonomie-experts beter als referentiepunten bruikbaar zijn.

Wat dit kan betekenen voor eerlijker en veiliger werk

Hoewel deze initiële studie zich richtte op één naaiwerknemer met een fysieke beperking, laat het SEWAbility-kader zien dat het technisch mogelijk is om rijke, taakspecifieke profielen te bouwen van hoe veeleisend een baan is, uitsluitend met behulp van werkplekvideo's. Naarmate meer werknemers en taken worden toegevoegd, kunnen deze bewegingsprofielen data-gedreven aanbevelingen voor werk ondersteunen en helpen om iemands fysieke capaciteit beter af te stemmen op de werkelijke eisen van fabrieksbanen. Vergeleken met traditionele, meer subjectieve baananalyse biedt SEWAbility een schaalbare manier om repetitief werk over langere perioden te monitoren, waarmee eerlijkere aanwerving, betere planning van beroepsrehabilitatie en beter geïnformeerd ontwerp van de werkplek mogelijk worden.

Bronvermelding: Hu, H., Ding, Z., Fu, E.Y. et al. The SEWAbility system: a video-based job analysis framework for understanding task-specific job demands. Sci Rep 16, 10370 (2026). https://doi.org/10.1038/s41598-026-41536-w

Trefwoorden: beroepsrehabilitatie, naaifabriekswerk, video-gebaseerde bewegingsanalyse, werkvereisten, werkplekergonomie