2019 Fiscal Year Annual Research Report
Study on automated work observation at shipyard by deep Learning
| Project/Area Number |
17K06967
|
|---|
| Research Institution | Kyushu University |
|---|
Principal Investigator |
田中 太氏 九州大学, 工学研究院, 准教授 (70432854)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | ディープラーニング / ディープニューラルネットワーク / 作業観測 / 画像解析 |
|---|
| Outline of Annual Research Achievements |
造船所における作業の進捗は現場の作業長などの経験により管理されており、場所では作業区、時間では一日単位など粗い単位で管理されており、定量的な把握が十分でない場合が多い。さらに、作業観測シートやビデオカメラを用いた目視による作業観測が行われていることが多い。目視による観測は時間・負担がかかることが課題である。代表者らはビデオ画像を用いた作業観測法・作業評価法を検討すると共に、ビデオ画像の作業観測の自動化についても検討してきた。本研究では、近年、画像識別への適用限界を超えた機械学習の手法、ディープ・ラーニング（深層学習、以下DL）を用いて、ビデオ画像の識別の自動化による作業観測法と作業評価法を検討する。
はじめに、DLにおける教示データの構築法と識別できる作業数の拡大に必要な教示データの分類法について検討した。過去の作業観測のデータの利用を考慮し、作業現場を俯瞰的に撮影したビデオの代わりに作業者のヘルメットに装着した作業者目線のビデオ画像を教示データに用いた。教示データの構築法については、画像が表す作業の画像コンテンツの定義がDLによる識別率の向上に有効であることを確認し、識別対象の作業の種類を増やした際の課題を整理した。作業の種類の拡大については、画像コンテンツの再定義が必要になるジレンマへの対策として、画像コンテンツの定義方法を検討し、他の作業の画像コンテンツに影響を受けにくい教示画像の分類法を検討した。少ない教示画像データ数でも高い識別率を得られることを確認した。
次に、作業観測の自動化に関する検討として、造船所の構内道路における作業者、車両の移動の観測と評価について検討した。構内道路を撮影したビデオ画像から作業者、車両をDLで検出し、それらの移動軌跡を抽出した。リスクアセスメントを目的に移動軌跡を評価し、抽出したハザードに対する安全対策を4M5E法を用いて検討した。
|
Research Products
(5 results)
