산업 현장에서 반복적인 동작과 무거운 하중을 다루는 작업은 작업자의 근육 피로와 근골격계 질환 위험을 높인다.

근육 부하를 정확히 측정해 피로 누적을 예방하는 기술이 요구되지만, 근전도(EMG, Electromyography) 센서는 장시간 착용이 불편하고, 땀이나 작업복 등의 영향을 받아 현장 활용에 제약이 있다.

한국생산기술연구원(원장 이상목, 이하 생기원)이 카메라 영상만으로 근육 부하를 정밀 예측하는 인공지능 기술을 개발했다.

생기원 제조AI연구센터 태현철 수석연구원 연구팀은 작업 영상을 분석해 최대 근력 대비 현재 사용 비율*을 계산하는 ‘영상 기반 근활성도 추정 솔루션’을 개발했다고 밝혔다.

연구팀은 반복 작업 실험을 통해 영상과 근전도 신호를 정밀하게 동기화한 데이터셋을 구축했다.

실험 참여자의 주요 근육 부위에 근전도 센서를 부착하고, 집기·운반·들기 등 산업현장에서 빈번하게 수행되는 5가지 대표 동작을 반복 수행하도록 해 영상으로 촬영했다.

또한 영상 속 인체 움직임을 3차원 뼈대 데이터(3D Skeleton)로 변환하고 신장, 체중과 같은 신체정보를 함께 매칭해 영상 기반 근전도 추정을 위한 학습 데이터를 확보했다.

연구팀은 구축한 데이터를 기반으로 영상 정보와 인체 움직임 정보를 함께 학습시켜 인공지능 모델을 개발했다. 

영상에서 추출한 시각정보와 3차원 뼈대 움직임, 피험자의 신체 특성을 동시에 학습하는 멀티모달(Multimodal) 방식을 적용한 성과다. 

이를 통해 사람의 신체 특성과 작업 조건에 따른 근육 부하 차이까지 정밀하게 분석할 수 있게 됐다.

또한 연구팀은 작업 동작이 시간에 따라 변하는 흐름까지 분석할 수 있는 기술로 모델을 고도화했다.

시간 흐름을 인식하는 합성 신경망(Temporal CNN)과 다층신경망(MLP) 구조를 결합해 들기-이동-내려놓기와 같이 연속적으로 이어지는 작업 전 과정에서 근육 부하의 변화를 예측할 수 있도록 했다.

이 방식으로 순간 동작뿐 아니라 시간이 지남에 따라 누적되는 피로와 부하 변동까지 정밀하게 파악할 수 있다.

연구팀은 개발한 모델 성능을 검증하기 위해 작업 환경을 재현한 실험을 진행했다.

실험 대상자에게 근전도 센서를 부착해 실제 근육 부하를 측정하고, 이를 개발한 AI모델의 예측 값과 비교‧분석했다.

그 결과 평균 오차 0.05, 절대 오차 0.03 수준으로 실제 센서 측정값과 거의 유사한 값을 보였다.

이번 기술은 생기원 대표과제를 통해 창출된 성과로, 산업현장 내 근육 부하 모니터링과 스마트 안전관리 시스템으로의 확장을 목표한다.

태현철 수석연구원은 “영상 기반 근육 부하 추정은 센서 착용의 불편함을 넘어선 접근”이라고 설명하며, “향후 제조, 물류, 헬스케어 등 다양한 작업 조건에서 근로자의 피로‧부하를 관리할 수 있는 범용 모델로 확장해 나가겠다”고 밝혔다.