サーブリッグ分析を用いた深層学習による作業実績把握のためのデータポイントの特定

2023 Fiscal Year Research-status Report

• Project/Area Number: 23K04295
• Research Institution: Kanagawa University
• Principal Investigator: 山崎 友彰 神奈川大学, 経営学部, 准教授 (30706891)
• Project Period (FY): 2023-04-01 – 2026-03-31
• Keywords: 作業進捗 / 生産管理 / 深層学習

Outline of Annual Research Achievements

生産管理においては、「生産計画を策定すること」と「計画通りに生産活動を実行すること」が要求される。これらの活動の基礎となるのが生産実績である。実行可能な生産計画であることが求められ、計画と実績の差異を最小化するための管理も極めて重要である。生産実績には、1日あたりの生産量のデータのみならず、各生産プロセスにおける多様なデータも含まれる。これらのデータは高精度であり、かつ詳細な単位であることが重要となる。生産設備に設置されたセンサーからリアルタイムでデータを収集するシステムの開発が進行中であるが、人的作業においては、作業内容の変化やばらつき、個人差などにより、微細なデータ取得が難しいという課題が存在する。これに対応するために深層学習が利用され始めている。深層学習では作業映像の利用が一般的であり、作業内容が異なる場合、新たな映像の準備が必須となる。また、作業者の体格差や時間経過による熟練度の変化への対応も、都度の映像更新を必要とする。これに対して、本研究では作業研究の分野で導出された個人差の少ない「要素動作」を学習素材として採用する。令和5年度の研究では、レゴブロックを活用した簡易作業を設定し、分類精度に影響を及ぼすデータ収集の環境整備を行った。

Current Status of Research Progress

3: Progress in research has been slightly delayed.

Reason

当初は要素動作を把握するために、20程度のセンサーによって手や指の関節角度をリアルタイムに取得することが可能なデータグローブを用いることを計画していた。補助金額に合わせて、購入を予定していたデータグローブの変更が必要となった。取得できるデータ自体にも変更が生じることになり、実験計画の見直しも行なった。

Strategy for Future Research Activity

単純なモデル作業を通した実験であり、研究室での作業が中心となる。必要機材についても購入済みであるため、想定外の遅れは今後生じないと予想する。
これまで画像ベースの深層学習を採用してきたが、取得するデータの特性上、グラフネットワークについても検討する必要がある。CNNとGNNの比較についても進めていく。

Causes of Carryover

補助金額に合わせて、購入を予定していたデータグローブの変更が必要となったことで、次年度使用額が生じた。使用計画に大きな変更は必要ない。2年目に研究協力企業での実証実験を行うための、持ち運び可能なGPU搭載ノートパソコンを購入予定であったが、次年度使用額を考慮し購入する仕様の見直しを行う予定である。