Gabriel Osei Forkuo este doctorand la Facultatea de Silvicultură și Exploatări forestiere Brașov. Este din orașul Kumasi, Ghana, și a absolvit Universitatea de Științe și Tehnologie, cu diplomă în Managementul resurselor naturale și specializare în Silvicultură și Exploatare forestieră. A venit pentru master la Brașov în 2020 și a rămas și pentru doctorat.
Coordonat de prof. dr. ing. Stelian Alexandru Borz, Gabriel este preocupat de Știința muncii și Ergonomia forestieră, căutând să îmbunătățească modul de lucru al muncitorilor forestieri. Pentru că, spune el, munca în pădure afectează mușchii, ligamentele și oasele, este un mediu dur și nu numai din cauze legate de mediul de muncă cum ar fi vremea sau umezeala, ci şi din cauza modului în care oamenii lucrează.
E un domeniu special, despre care se vorbește prea puțin.
„Cercetarea mea se referă la dezvoltarea și evaluarea modelelor automate de clasificare posturală în operațiile forestiere folosind viziunea computerizată bazată pe învățarea automată (deep learning). Am dori să oferim o soluție inteligentă care să sprijine evaluarea și prevenirea bolilor musculo-scheletice legate de muncă (WMSD) rezultate din posturi incomode sau neadecvate și care să îmbunătățească sănătatea și siguranța muncitorilor forestieri””, explică el pentru forestmania.ro.
Gabriel participă la multe activități, a fost prezent inclusiv la una dintre conferințele ASFOR. Este interesat să vadă activitatea din parchete, acolo unde, spune el, echipamentele de protecție ar trebui utilizate obligatoriu, pentru că au fost create cu un scop precis. Inclusiv vibrațiile de la motofierăstrău și zgomotul afectează organismul uman. „Mulți spun că lasă, că nu mă vede nimeni în pădure! Dar ideea e că multe probleme de sănătate apar chiar din aceste cauze: poziția greșită și lipsa echipamentelor de protecție”.
Pentru că a petrecut mult timp în păduri, Gabriel crede că silvicultura românească este un „subiect fascinant și complex”.
„România se mândrește cu unele dintre cele mai mari și mai diverse suprafețe împădurite din Europa, ceea ce face sectorul său forestier crucial atât din punct de vedere ecologic, cât și din punct de vedere economic. Consider că practicile de management durabil și eforturile de protecție sunt esențiale pentru conservarea acestei resurse naturale valoroase pentru generațiile viitoare”.
Cercetarea sa analizează modul în care se lucreză în sector. Gabriel a observant forestierii la lucru și spune că sunt harnici și dedicați. Dar că există și probleme.
„Își îndeplinesc sarcinile cu mare profesionalism, dar există probleme generale, în special în operațiunile forestiere manuale (de exemplu, utilizarea ferăstrăului cu lanț) care le pot afecta eficiența. De exemplu, provocări precum posturile (pozițiile) proaste de lucru, lipsa mașinilor și echipamentelor moderne și ergonomice și, uneori, pregătirea insuficientă pot împiedica capacitatea lucrătorilor forestieri de a-și îndeplini sarcinile în mod optim”.
L-am întrebat ce ar fi de făcut.
„Trebuie asigurață o finanțare adecvată, mașini și echipamente moderne/ergonomice, precum și instruire în posturile de lucru și în utilizarea adecvată a mașinilor/echipamentelor pentru siguranța acestora și pentru a le crește bunăstarea generală. În plus, prevenirea tulburărilor musculo-scheletice legate de muncă – WMSD – și asigurarea conformității cu reglementările de siguranță necesită mecanisme solide de aplicare și sprijin din partea organizațiilor guvernamentale și neguvernamentale”.
Gabriel lucrează la modele de deep learning care clasifică posturile – pozițiile – în operațiunile forestiere.
„Am folosit și evaluat patru modele de deep learning bazate pe viziunea computerizată pentru clasificarea posturală în operațiunile forestiere: GoogLeNet, ResNet-50, ShuffleNet și MobileNet-v2. Toate modelele au obținut o precizie foarte mare de clasificare. GoogLeNet și ResNet-50 sunt rețele neuronale convoluționale mai profunde care au atins o precizie de validare de 92,33% și, respectiv, 89,29%. ShuffleNet și MobileNet-v2 sunt rețele neuronale convoluționale ușoare care au atins o precizie de validare de 87,57% și, respectiv, 85,45%. Cu toate acestea, am ales GoogLeNet deoarece a fost considerat a fi mai bun la clasificarea posturilor de lucru în operațiunile forestiere. Aplicarea acestor modele inteligente pentru clasificarea posturală în operațiunile forestiere oferă beneficii semnificative, inclusiv automatizare, fiabilitate mai mare, obiectivitate, viteză și acuratețe. Atunci când aceste modele sunt implementate, ele pot oferi feedback în timp real asupra posturilor de lucru și pot ajuta la măsurile de intervenție timpurie pentru WMSD, ceea ce duce la îmbunătățirea sănătății și siguranței lucrătorilor în operațiunile forestiere”.
Profesorul Borz: Muncitorii forestieri își desfășoară activitatea în condiții grele
Ca să fie totul cât mai clar, i-am solicitat profesorului Borz detalii.
„Cercetarile lui Gabriel sunt de mare actualitate si oportune în contextul în care forța de muncă din domeniul forestier este în descreștere pe mapamond. Pe lângă aspectele legate de protecția muncii, care clasifică sectorul forestier printre primele cele mai periculoase sectoare industriale din lume, muncitorii forestieri își desfășoară activitatea în condiții grele și sunt expuși unor boli asociate cu posturile pe care le adoptă în muncă. Unii le-au numit posturi vicioase, alții posturi incomode sau neadecvate, și așa mai departe. Ideea este că unele dintre acestea sunt rezultatul interacțiunii dintre om-unealtă și obiectul muncii, iar altele sunt rezultatul caracteristicilor antropomentrice. Există, prin urmare, o mare variabilitate în populația muncitorilor forestieri din punct de vedere postural, care reclamă tehnici de analiză ce pot fi utilizate cu un minim de resurse pentru seturi mari de date. Marea problemă legată de luarea deciziei cu privire la riscurile de natură ergonomică este aceea că evaluările posturale necesită și expertiză pentru clasificare. Frecvent, evaluările se realizează prin eșantionare randomizată sau sistematică și nu surprind secvența reală de desfășurare a muncii, ori o surprind nesatisfăcător. De aici și ideea utilizării învățării automate și a viziunii computerizate care a avansat foarte mult, făcând posibilă clasificarea unor semnale media (video, imagini) cu o acuratețe ridicată.
O a doua problemă este aceea că, deși avem astfel de modele de „deep-learning” ele sunt construite pentru a rezolva alte clase de probleme și trebuie adaptate pentru ceea ce vrem să rezolvăm noi. Ca atare, Gabriel a folosit cele patru modele printr-o tehnică numită „transfer learning” pentru a vedea într-o primă etapă care este cel mai performant. Munca lui a fost una cuprinzătoare pentru că am avut nevoie de un set foarte mare de date adnotate, date care nu au fost disponibile. Dacă nu mă înșel, a adnotat mai mult de 5.000 de fotografii. Ca tehnici şi metode, atât “Deep-learning” cât şi “Transfer learning” sunt inspirate din modul în care funcţinează creierul uman.
În viitor ne propunem să modificăm arhitectura rețelelor neuronale artificiale și parametrii lor de învățare pentru a vedea în ce măsură ne putem apropia mai mult de o acuratețe de clasificare de 100%. Apoi, vom încerca să dezvoltăm aplicaţii care să permită integrarea învăţării automate cu colectarea rapidă de date. Ce este cert până în prezent este faptul că modelele evaluate furnizează o acuratețe similară cu cea pe care o pot oferi experți în domeniu. Sunt mai bune în sensul că pot prelucra cantități enorme de date și rezolvă problema legată de variabilitatea posturală”.
