This work provides an innovative solution for monitoring fatigue for users behind workstations. A web camera was adjusted to work in near infrared range and a system of 880 nm IR diodes was implemented to create an IR vision system to localize and track the eye pupils. The software developed monitors and tracks eyes for signs of fatigue by measuring PERCLOS. The software developed runs on the workstation and is designed to draw limited computational power, so as to not interfere with the user task. To overcome low-frame rate imposed by the hardware limitations and to improve real time monitoring, two-phases detection and tacking algorithm is implemented. The proposed system successfully monitors fatigue at a rate of 8 fps. The system is well suited to monitor users in command centers, flight control centers, airport traffic dispatches, military operation and command centers, etc., but the work can be extended to wearable devices and other environments.

Produktivitätsmodelle geben Auskunft darüber, welche Leistung mit einem bestimmten Verfahren unter konkreten Rahmenbedingungen zu erwarten ist. In der Forstwirtschaft sind sie für Planungen und Kalkulationen notwendig. In bisherigen forstlichen Produktivitätsmodellen für den Maschineneinsatz wurde der Faktor Mensch, welcher einen wichtigen, bisher jedoch weitestgehend unbekannten Einfluss auf die Leistung hat, vernachlässigt. Ziel der vorliegenden Untersuchung ist es daher, den menschlichen Einfluss auf die Leistung von Harvestersystemen quantitativ zu erfassen und ihn in Produktivitätsmodelle einzubauen. Die Untersuchungsgrundlage bilden Leistungsmessungen, die mit vier verschiedenen Datenerhebungsverfahren an bis zu 32 Fahrern erfolgten. Neben einer neu entwickelten, sensorgestützten, semiautomatischen Zeitstudienmessung fand die Auswertung von summarischen Bordcomputer-Bestandesdaten über einen Zeitraum von drei Jahren Anwendung. Weiterhin erfolgte die (Weiter-)Entwicklung eines standardisierten Parcourstests, welcher auf einer Freifläche durchgeführt wird sowie eine Beurteilung der Leistung der Harvesterfahrer durch Gutachter. Alle vier Verfahren wurden miteinander verglichen und auf ihre Treffsicherheit und Aussagefähigkeit hin überprüft. Dabei konnten signifikante Korrelationen zwischen allen vier Datenerhebungsverfahren nachgewiesen werden, was eine Umrechnung untereinander grundsätzlich zulässt. Im Rahmen dieser Untersuchungen konnte die Vermutung quantitativ bestätigt werden, dass große, signifikant unterschiedliche Leistungshergaben zwischen den verschiedenen Harvesterfahrern existieren. Dies gilt nicht nur für den Vergleich zwischen so genannten „unerfahrenen“ und „erfahrenen“ Maschinenführern. Auch zwischen schon lange auf den Erntemaschinen arbeitenden Fahrern ist ein Leistungsunterschied von bis zu 80% zu verzeichnen. Somit ist die Beachtung des Parameters „Mensch“ für präzise Produktivitätsmodelle zwingend erforderlich. Der ursprüngliche Lösungsansatz, ein allgemein gültiges Produktivitätsmodell zu entwickeln, in dem der Einfluss des Menschen berücksichtigt wird, wurde aufgrund von Informationsdefiziten sowie zu starken Unterschieden und Komplexität der vorhandenen Modelle verworfen. Mit dem neu gewählten Lösungsansatz, der die Bestimmung eines Leistungswertes für jeden Fahrer vorsieht, ist es nun möglich, ein beliebig erstelltes Produktivitätsmodell linear auf ein Basisniveau zu normieren. Die Multiplikation des normierten Modells mit dem Leistungswert eines Fahrers ermöglicht es, die wahrscheinlich von ihm zu erwartende Produktivität zu berechnen. Dieser Wert kann auf verschiedene Weisen erhoben werden. Als Ergebnis dieser Arbeit kann dafür der entwickelte, schnell und einfach durchzuführende Parcourstest empfohlen werden. Er erreicht eine ungefähre Treffgenauigkeit von ±10%. Die Untersuchungen wiesen des Weiteren aus, dass beim Harvestereinsatz unter einfachen Umwelt- und Geländebedingungen der Fahrereinfluss auf die Produktivität bei 37% liegt. Er stellt somit nach Baumvolumen des ausscheidenden Bestandes (46%) den zweitwichtigsten Einflussfaktor dar. Die Leistungshergabe des einzelnen Harvesterfahrers ist nicht immer gleich, sondern verändert sich über der Zeit (Lernkurve). Die gemessenen Lerngeschwindigkeiten variieren dabei zwischen den Harvesterfahrern sehr stark. Das Anlernen eines unerfahrenen Harvesterfahrers dauerte bei den untersuchten Probanden im Mittel neun Monate, was einer Minderleistung von ca. 24% über diesen Zeitraum entspricht. Die bisherigen angenommenen Modelle der Lernkurve konnten bestätigt werden. Darüber hinaus zeigten sich Tendenzen, dass die Leistung der Fahrer nach der Lernphase ein konstantes Leistungsniveau erreicht, allerdings bei einer hohen Fehlerabweichung. Durch die Beurteilung und Berücksichtigung der Leistungen der Fahrer steht der Forstwirtschaft ein Werkzeug zur Verfügung, mit dem man in Zukunft die erstellten Produktivitätsmodelle für den Harvestereinsatz genauer auf die jeweiligen individuellen Gegebenheiten des eigenen Betriebes anpassen kann. Die Übertragung des gewählten Lösungsansatzes auf weitere Forstmaschinen, die von Menschen bedient werden, sollte geprüft werden. / Productivity models provide information about the expected performance of a given procedure under specific conditions. In forestry, they are essential to planning and cost estimation. In hitherto existing productivity models of forest machinery, however, the human being as an important yet mostly unknown factor influencing productivity has been disregarded. Therefore, the objectives of this study are the quantification of the human impact on the performance of forest harvesting systems and its integration into productivity models. The study is based on performance measurements collected using four different methods of data acquisition to monitor up to 32 machine operators: (i) a newly developed sensor-based semi-automatic time study, (ii) the extraction of on-board computer data accumulated over a 3-year period, (iii) an improved standardized machinery test course conducted in an open area, and (iv) the expert evaluation of operator performance. The four data acquisition methods were compared and tested for data accuracy and informational value. All correlations between data yielded by each of the four methods were significant, thus in principle allowing for data conversion between data rendered by different acquisition methods. The results of this study quantitatively corroborate the presumption of major, significantly different performances between harvester operators. This holds true not only for the comparison of so-called ‘inexperienced’ and ‘experienced’ machine operators, but also when exclusively comparing experienced operators with each other. A performance difference of up to 80% has been observed between individuals featuring long-term experience in operating harvesting machinery. The integration of the parameter ‘human being’ is thus an imperative for precise productivity models. The original aim of developing a general productivity model accounting for human influence had to be abandoned due to an information deficit, substantial differences between the existing models as well as their inherent complexity. Instead, the new approach of determining a performance indicator for each individual machine operator now allows for the linear standardisation of any productivity model. By multiplying the standardised model with the performance indicator of a particular operator the probable performance to be expected of this operator can be calculated. This value can be determined in various ways. Based on this study, the test course value can be recommended, which was explicitly developed for fast and simple assessment of operator performance and achieves an accuracy of ±10%. The study results show that under favourable environmental conditions and on easy terrain the influence of the machine operator on overall performance amounts to 37%. The human factor is thus second only to the average volume of harvested trees (46%) with respect to influencing performance. The performance of an individual harvester operator is not constant, but changes over time (learning curve). The measured rate of learning largely differed between operators. The initial training of an inexperienced harvester operator took on average nine months, which corresponds to a performance deficiency of approx. 24% throughout this time period. Hitherto developed models of learning curves were corroborated by the study results. Performance levels following the initial training period tended to remain constant over time, but were characterised by large error margins. The evaluation and consideration of operator performance presents a forest management tool which allows for future customization of existing productivity models of harvesting machinery to the specific conditions and economics of any individual forest enterprise. The extrapolation of the presented approach towards quantification and integration of machine operator performance to other human-operated forest machinery needs to be investigated in subsequent studies.

This thesis analyses tools for mobile web portal logs processing which could be used for reporting of required metrics. The area covers not only web analytics, but also mobile web and mobile handsets capabilities. The objective is to analyze possibilities of existing products which can be used to process web logs and choose appropriate existing or propose proprietary solution. This solution should comply with requirements and limitations given by the portal platform limitations. Theoretical part introduces the web analytics domain and the mobile web environment. Basic concepts and metrics are described as well as the fundamental data collection methods and mobile internet basic specifics. The knowledge of the web analytics and mobile web basics are crucial to be able to eruditely assess the tools capabilities introduced in the second part of this thesis. In the practical part, there are technical details on the mobile portal operating environment described. The requirements for the tool outputs are defined there and the prospective ready-to-use solutions are researched. The final part of the text addresses the final solution for the mobile portal reporting tool including the operational data processing. The secondary output of this thesis comprises of explanation of the mobile web analytics area for the broader audience. The main output of the practical part is analysis and specification of the requirements for mobile portal reporting tool and design of the solution with the supervision of the implementation and deployment within the production environment.

Produktivitätsmodelle geben Auskunft darüber, welche Leistung mit einem bestimmten Verfahren unter konkreten Rahmenbedingungen zu erwarten ist. In der Forstwirtschaft sind sie für Planungen und Kalkulationen notwendig. In bisherigen forstlichen Produktivitätsmodellen für den Maschineneinsatz wurde der Faktor Mensch, welcher einen wichtigen, bisher jedoch weitestgehend unbekannten Einfluss auf die Leistung hat, vernachlässigt. Ziel der vorliegenden Untersuchung ist es daher, den menschlichen Einfluss auf die Leistung von Harvestersystemen quantitativ zu erfassen und ihn in Produktivitätsmodelle einzubauen. Die Untersuchungsgrundlage bilden Leistungsmessungen, die mit vier verschiedenen Datenerhebungsverfahren an bis zu 32 Fahrern erfolgten. Neben einer neu entwickelten, sensorgestützten, semiautomatischen Zeitstudienmessung fand die Auswertung von summarischen Bordcomputer-Bestandesdaten über einen Zeitraum von drei Jahren Anwendung. Weiterhin erfolgte die (Weiter-)Entwicklung eines standardisierten Parcourstests, welcher auf einer Freifläche durchgeführt wird sowie eine Beurteilung der Leistung der Harvesterfahrer durch Gutachter. Alle vier Verfahren wurden miteinander verglichen und auf ihre Treffsicherheit und Aussagefähigkeit hin überprüft. Dabei konnten signifikante Korrelationen zwischen allen vier Datenerhebungsverfahren nachgewiesen werden, was eine Umrechnung untereinander grundsätzlich zulässt. Im Rahmen dieser Untersuchungen konnte die Vermutung quantitativ bestätigt werden, dass große, signifikant unterschiedliche Leistungshergaben zwischen den verschiedenen Harvesterfahrern existieren. Dies gilt nicht nur für den Vergleich zwischen so genannten „unerfahrenen“ und „erfahrenen“ Maschinenführern. Auch zwischen schon lange auf den Erntemaschinen arbeitenden Fahrern ist ein Leistungsunterschied von bis zu 80% zu verzeichnen. Somit ist die Beachtung des Parameters „Mensch“ für präzise Produktivitätsmodelle zwingend erforderlich. Der ursprüngliche Lösungsansatz, ein allgemein gültiges Produktivitätsmodell zu entwickeln, in dem der Einfluss des Menschen berücksichtigt wird, wurde aufgrund von Informationsdefiziten sowie zu starken Unterschieden und Komplexität der vorhandenen Modelle verworfen. Mit dem neu gewählten Lösungsansatz, der die Bestimmung eines Leistungswertes für jeden Fahrer vorsieht, ist es nun möglich, ein beliebig erstelltes Produktivitätsmodell linear auf ein Basisniveau zu normieren. Die Multiplikation des normierten Modells mit dem Leistungswert eines Fahrers ermöglicht es, die wahrscheinlich von ihm zu erwartende Produktivität zu berechnen. Dieser Wert kann auf verschiedene Weisen erhoben werden. Als Ergebnis dieser Arbeit kann dafür der entwickelte, schnell und einfach durchzuführende Parcourstest empfohlen werden. Er erreicht eine ungefähre Treffgenauigkeit von ±10%. Die Untersuchungen wiesen des Weiteren aus, dass beim Harvestereinsatz unter einfachen Umwelt- und Geländebedingungen der Fahrereinfluss auf die Produktivität bei 37% liegt. Er stellt somit nach Baumvolumen des ausscheidenden Bestandes (46%) den zweitwichtigsten Einflussfaktor dar. Die Leistungshergabe des einzelnen Harvesterfahrers ist nicht immer gleich, sondern verändert sich über der Zeit (Lernkurve). Die gemessenen Lerngeschwindigkeiten variieren dabei zwischen den Harvesterfahrern sehr stark. Das Anlernen eines unerfahrenen Harvesterfahrers dauerte bei den untersuchten Probanden im Mittel neun Monate, was einer Minderleistung von ca. 24% über diesen Zeitraum entspricht. Die bisherigen angenommenen Modelle der Lernkurve konnten bestätigt werden. Darüber hinaus zeigten sich Tendenzen, dass die Leistung der Fahrer nach der Lernphase ein konstantes Leistungsniveau erreicht, allerdings bei einer hohen Fehlerabweichung. Durch die Beurteilung und Berücksichtigung der Leistungen der Fahrer steht der Forstwirtschaft ein Werkzeug zur Verfügung, mit dem man in Zukunft die erstellten Produktivitätsmodelle für den Harvestereinsatz genauer auf die jeweiligen individuellen Gegebenheiten des eigenen Betriebes anpassen kann. Die Übertragung des gewählten Lösungsansatzes auf weitere Forstmaschinen, die von Menschen bedient werden, sollte geprüft werden. / Productivity models provide information about the expected performance of a given procedure under specific conditions. In forestry, they are essential to planning and cost estimation. In hitherto existing productivity models of forest machinery, however, the human being as an important yet mostly unknown factor influencing productivity has been disregarded. Therefore, the objectives of this study are the quantification of the human impact on the performance of forest harvesting systems and its integration into productivity models. The study is based on performance measurements collected using four different methods of data acquisition to monitor up to 32 machine operators: (i) a newly developed sensor-based semi-automatic time study, (ii) the extraction of on-board computer data accumulated over a 3-year period, (iii) an improved standardized machinery test course conducted in an open area, and (iv) the expert evaluation of operator performance. The four data acquisition methods were compared and tested for data accuracy and informational value. All correlations between data yielded by each of the four methods were significant, thus in principle allowing for data conversion between data rendered by different acquisition methods. The results of this study quantitatively corroborate the presumption of major, significantly different performances between harvester operators. This holds true not only for the comparison of so-called ‘inexperienced’ and ‘experienced’ machine operators, but also when exclusively comparing experienced operators with each other. A performance difference of up to 80% has been observed between individuals featuring long-term experience in operating harvesting machinery. The integration of the parameter ‘human being’ is thus an imperative for precise productivity models. The original aim of developing a general productivity model accounting for human influence had to be abandoned due to an information deficit, substantial differences between the existing models as well as their inherent complexity. Instead, the new approach of determining a performance indicator for each individual machine operator now allows for the linear standardisation of any productivity model. By multiplying the standardised model with the performance indicator of a particular operator the probable performance to be expected of this operator can be calculated. This value can be determined in various ways. Based on this study, the test course value can be recommended, which was explicitly developed for fast and simple assessment of operator performance and achieves an accuracy of ±10%. The study results show that under favourable environmental conditions and on easy terrain the influence of the machine operator on overall performance amounts to 37%. The human factor is thus second only to the average volume of harvested trees (46%) with respect to influencing performance. The performance of an individual harvester operator is not constant, but changes over time (learning curve). The measured rate of learning largely differed between operators. The initial training of an inexperienced harvester operator took on average nine months, which corresponds to a performance deficiency of approx. 24% throughout this time period. Hitherto developed models of learning curves were corroborated by the study results. Performance levels following the initial training period tended to remain constant over time, but were characterised by large error margins. The evaluation and consideration of operator performance presents a forest management tool which allows for future customization of existing productivity models of harvesting machinery to the specific conditions and economics of any individual forest enterprise. The extrapolation of the presented approach towards quantification and integration of machine operator performance to other human-operated forest machinery needs to be investigated in subsequent studies.