Wearable sensor systems, specifically inertial measurement units (IMUs), are widely used for ergonomic posture and movement assessment, but their application in electric vehicle (EV) maintenance is limited due to safety concerns of body-mounted sensors in workshop environments for extended periods. At the same time, emerging and existing computer vision (CV) ergonomic systems provide automated analyses of recorded video, which are then used to track and quantify posture and movement without needing to wear and calibrate sensors or be exposed to conductive risks. This study aimed to evaluate the feasibility of a CV-based posture and movement assessment in simulated EV repair tasks and compare a novel CV-based ergonomic analysis system called AutoPostureCV’s outputs with wearable sensor measurements. A scoping review of five existing CV systems along with semi-structured interviews were conducted to identify current limitations and system requirements. Due to limitations in the reviewed CV systems which made them unsuitable for this analysis, AutoPostureCV workflow was implemented through the author’s collaboration with an external software developer resulting in the customization of the MediaPipe open-source platform into an ergonomic assessment CV system capable of extracting posture angles, movement velocities, percentile metrics, and exposure-based ergonomic outputs from video recordings. A comparative laboratory study involving four participants was conducted using simultaneous video recording and Wergonic sensor measurements during simulated EV repair tasks followed by video-based posture analysis in AutoPostureCV. Agreement between systems was assessed using descriptive statistics and Bland & Altman plots showing bias and limits of agreement. The results showed varying levels of agreement between AutoPostureCV and wearable sensor measurements, with differences depending on the specific ergonomic metric assessed. Systematic error (bias) was more noticeable across movement variables, while random error (variability) was more noticeable in velocity-based metrics, indicating lower precision for dynamic movements compared to static postures. These discrepancies were particularly evident in movements where rapid changes in posture were more pronounced and conditions where visual tracking may be less reliable. These findings indicate that AutoPostureCV can estimate posture and movement-related metrics from video recordings; however, the observed disagreement between systems limits its current use as an alternative to wearable sensor-based assessment methods. Overall, AutoPostureCV should currently be considered a developing tool for ergonomic exposure assessment, with further methodological refinement and validation required before it can be applied reliably in complex industrial environments. 

ärbara sensorsystem, särskilt inertial measurement units (IMUs), används i stor utsträckning för ergonomisk bedömning av kroppsställning och rörelse, men deras tillämpning i underhåll av elfordon (EV) är begränsad på grund av säkerhetsrisker med kroppsburna sensorer i verkstadsmiljöer under längre tidsperioder. Samtidigt tillhandahåller framväxande och befintliga datorseende (CV) ergonomiska system automatiserade analyser av inspelad video, som sedan används för att spåra och kvantifiera kroppsställning och rörelse utan behov av att bära och kalibrera sensorer eller att utsättas för konduktiv risker. 

Denna studie syftade till att utvärdera genomförbarheten av en CV-baserad bedömning av kroppsställning och rörelse i simulerade EV-reparationsuppgifter och att jämföra ett nytt CVbaserat ergonomiskt analyssystem kallat AutoPostureCV’s resultat med mätningar från bärbara sensorer. 

En scoping review av fem CV-system och semistrukturerade intervjuer genomfördes för att identifiera nuvarande begränsningar och systemkrav. På grund av begränsningar i de nuvarande CV-systemen, vilket gjorde dem olämpliga för denna analys, implementerades AutoPostureCV arbetsflödet genom författarens samarbete med en extern mjukvaruutvecklare, vilket resulterade i anpassning av den öppna källkodsplattformen MediaPipe till ett ergonomiskt CV-system som kan extrahera ledvinklar, rörelsehastigheter, percentilmått och exponeringsbaserade ergonomiska utdata från videoinspelningar. 

En jämförande laboratoriestudie med fyra deltagare genomfördes med samtidig videoinspelning och Wergonic-sensormätningar under simulerade EV-reparationsuppgifter, följt av videobaserad analys av arbetsställningar med AutoPostureCV. Överensstämmelse mellan systemen bedömdes med deskriptiv statistik och Bland & Altman-plotar som visade bias och gränser för överensstämmelse. 

Resultaten visade varierande nivåer av överensstämmelse mellan AutoPostureCV och de bärbara sensormätningarna, med skillnader beroende på den specifika ergonomiska metrik som bedömdes. Systematiskt fel (bias) var mer framträdande över rörelsevariabler, medan slumpmässigt fel (variabilitet) var mer framträdande i hastighetsbaserade metrik, vilket indikerar lägre precision för dynamiska rörelser jämfört med statiska kroppsställningar. Dessa avvikelser var särskilt tydliga i rörelser där snabba förändringar i kroppsställning var mer framträdande och i förhållanden där visuell spårning kan vara mindre tillförlitlig. 

Resultaten visar att AutoPostureCV kan uppskatta hållnings och rörelserelaterade mått från videoinspelningar; den observerade skillnaden mellan systemen begränsar dock dess nuvarande användning som ett alternativ till sensorbaserade mätmetoder. Sammantaget bör AutoPostureCV för närvarande betraktas som ett verktyg under utveckling för ergonomisk exponeringsbedömning, där ytterligare metodologisk utveckling och validering krävs innan det kan tillämpas på ett tillförlitligt sätt i komplexa industriella miljöer.