SEWAbility-systemet: ett videobaserat ramverk för arbetsanalys för att förstå uppgifts-specifika arbetskrav

Varför detta är viktigt för arbetstagare och arbetsgivare

Många personer med hälsoproblem vill arbeta men har svårt att hitta jobb som verkligen motsvarar vad deras kropp klarar av. Samtidigt behöver fabriker tillförlitliga sätt att förstå vad varje arbete fysiskt kräver av de anställda. Denna studie presenterar SEWAbility, ett nytt videobaserat system som använder artificiell intelligens för att tolka vanlig fabriksövervakningsfilm och översätta sömnadsarbete till tydliga, mätbara beskrivningar av hur kroppen rör sig. Det långsiktiga målet är att bättre matcha människor—särskilt de med funktionsnedsättningar—till jobb som passar deras förmågor säkrare och mer rättvist.

Från fabrikskameror till användbar arbetsinformation

Traditionell arbetsanalys förlitar sig ofta på experter som observerar arbetstagare, antecknar, håller fokusgrupper och intervjuar chefer. Denna process är långsam, subjektiv och inte tillräckligt detaljerad för att fånga de exakta rörelser och ansträngningar som ett arbete kräver. I en kinesisk sömnadsfabrik stötte forskarteamet på dessa begränsningar: arbetare kunde säga att de sydde lakan eller skoluniformer men kunde inte beskriva varje steg på ett klart, mätbart sätt. Yrkesrehabiliteringsproffs kunde peka ut upprepade armrörelser eller framåtböjningar, men de hade inga precisa siffror på hur snabbt eller hur långt lederna rörde sig. SEWAbility skapades för att fylla detta gap genom att omvandla övervakningsvideor till objektiva rörelsedata som kan analyseras konsekvent.

Att dela upp sömnadsarbete i mindre byggstenar

SEWAbility fokuserar på hur sömnadsarbetare använder armar och överkropp. Det börjar med takifrån-videor som skyddar integriteten genom att inte visa ansikten. Systemet spårar axlar, armbågar och handleder bildruta för bildruta och summerar sedan hur dessa leder rör sig över tid med 88 rörelsesegenskaper, såsom hastighet, riktning och rörelseomfång. Först grupperar systemet videor i breda arbetstyper—som att sy överdelar, sängkläder eller underdelar—endast baserat på rörelsemönster. I tester på 21 verkliga fabriksvideor matchade denna automatiska gruppering uppgifttyp korrekt i cirka 86 procent av fallen, vilket visar att olika sömnadsjobb faktiskt lämnar distinkta rörelse-“signaturer” på kameran.

Att hitta upprepade cykler och mycket små upprepade rörelser

När en arbetstyp har identifierats zoomar SEWAbility in. Det detekterar arbetscykler, såsom att sy ett helt lakan från början till slut. I sömnad är en tydlig ledtråd det ögonblick när arbetaren böjer sig för att ta bort färdigt tyg och plocka upp en ny bit. Genom att spåra när handen syns nära bordskanten markerar systemet början och slut på varje cykel. Inom varje cykel skär det sedan videon i många korta, överlappande ettsekunderssegment och klustrar dem för att hitta det vanligaste rörelsemönstret. Ett andra, mer precist steg använder handledens upp- och nedgångstoppar för att dela upp det dominerande mönstret i mycket små arbetsinslag—de grundläggande upprepade rörelserna, som att skjuta tyget fram genom nålen.

Att omvandla rörelse till siffror som beskriver arbetskrav

För dessa upprepade arbetsinslag beräknar SEWAbility detaljerade ”repetitiva rörelsemönster”-egenskaper. Dessa inkluderar hur långt varje led färdas, hur snabbt den rör sig och hur mycket armbågs- och axelvinklarna ändras. I en video av sömnad av en överdel identifierade systemet sju tydliga arbetscykler och, enbart i den första cykeln, 18 stabila repetitiva arbetsinslag som varade strax över en sekund vardera. För utvalda exempel visade det att arbetstagarens armar rörde sig betydligt mer horisontellt än vertikalt, vilket stämmer överens med vad man väntar sig när man skjuter tyg genom en symaskin. Genom att skala rörelser i förhållande till axelbredd kan dessa egenskaper tolkas i verkliga centimeter och grader, vilket gör dem lättare för kliniker och ergonomer att använda som referenser.

Vad detta kan innebära för rättvisare och säkrare arbete

Även om denna inledande studie fokuserade på en enda sömnadsarbetare med en fysisk funktionsnedsättning visar SEWAbility-ramverket att det är tekniskt möjligt att bygga rikhaltiga, uppgifts-specifika profiler av hur krävande ett arbete är, enbart med arbetsplatsvideor. När fler arbetstagare och fler uppgifter läggs till kan dessa rörelseprofiler stödja datadrivna anställningsrekommendationer och hjälpa till att matcha människors fysiska kapaciteter med de verkliga kraven i fabriksjobb. Jämfört med traditionell, mer subjektiv arbetsanalys erbjuder SEWAbility ett skalbart sätt att övervaka repetitivt arbete över längre perioder, vilket banar väg för mer rättvis rekrytering, bättre yrkesrehabiliteringsplanering och mer välgrundad arbetsplatsdesign.

Citering: 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

Nyckelord: yrkesrehabilitering, sömnadsfabrik, videobaserad rörelseanalys, arbetskrav, arbetsplatsens ergonomi