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システムの構築

• 研究課題/領域番号: 20K14988
• 研究種目: 若手研究
• 配分区分: 基金
• 審査区分: 小区分25010:社会システム工学関連
• 研究機関: 神奈川大学
• 研究代表者: 山崎 友彰 神奈川大学, 経営学部, 准教授 (30706891)
• 研究期間 (年度): 2020-04-01 – 2024-03-31
• 研究課題ステータス: 完了 (2023年度)
• 配分額: 4,160千円 (直接経費: 3,200千円、間接経費: 960千円); 2021年度: 520千円 (直接経費: 400千円、間接経費: 120千円); 2020年度: 3,640千円 (直接経費: 2,800千円、間接経費: 840千円)
• キーワード: 生産実績 / 作業進捗 / 深層学習 / 要素作業 / 進捗管理

研究開始時の研究の概要

最小単位である要素動作を深層学習で学習/予測させるレベルとし、その分類にサーブリッグ分析を用いる。サーブリッグは人間の動作を「つかむ、手をのばす、位置決めする」等の17の基本的な動作に分類したもので、作業評価や作業改善に用いられる分析手法である。それぞれの要素動作は、その動きや時間に個人差が現れにくい点から、“オーダーメイド”な分類モデルを作業ごと、作業者ごとに用意する必要がなくなる可能性が高い。様々な作業へ適用可能であり、作業位置や取り付ける部品が変わったとしても、再学習をすることなく、ひとつの分類モデルでそれぞれの要素作業を17のサーブリッグの組合せから表現することが可能となる。

研究成果の概要

作業進捗や作業ミス等の作業実績をリアルタイムに把握し、生産管理のレベル向上に寄与することを本研究の課題に設定した。この課題解決に深層学習が利用され始めている。深層学習では、作業の映像を用いることが多いが、作業内容が異なる場合は、都度その映像を用意する必要がある。本研究では、作業の最小単位である要素動作を学習に用いた。まずは、深層学習モデルによる人の骨格を検出する技術を用いて、研究室レベルのレゴブロックを用いた簡易作業で、単位時間が分類精度に与える影響を明らかにした。そして、一般的にモデル作業として利用されるボールペン組み立て作業で、単位時間が分類精度に与える影響を明らかにした。

研究成果の学術的意義や社会的意義

生産管理には「生産計画を立てること、そしてその通りに生産活動が行われるようにする」ことが求められる。この両面の活動の基となるものが、生産実績である。実施可能な生産計画でなければならないが、それを測る物差しが過去の生産実績となる。人による作業においては、作業自体が都度変化し、個人差も排除しきれないことから、単位の細かいデータを取得することが難しい。この問題に深層学習モデルが利用されているが、オーダーメイドであることが求められる。本研究によって都度学習の必要がない、より現実的に実装可能な解決策の導出に一定の前進があったと考える。