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

• 研究課題/領域番号: 23K04295
• 研究種目: 基盤研究(C)
• 配分区分: 基金
• 応募区分: 一般
• 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): 2023-04-01 – 2026-03-31
• 研究課題ステータス: 交付 (2023年度)
• 配分額: 4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円); 2025年度: 2,210千円 (直接経費: 1,700千円、間接経費: 510千円); 2024年度: 260千円 (直接経費: 200千円、間接経費: 60千円); 2023年度: 2,210千円 (直接経費: 1,700千円、間接経費: 510千円)
• キーワード: 作業進捗 / 生産管理 / 深層学習 / 人工知能

研究開始時の研究の概要

近年、作業実績の把握に画像解析技術が用いられてきたが、特徴量の決定とそのパラメータ化には多くの準備時間を要するため、実用化には課題が残った。この課題解決に深層学習が利用され始めている。深層学習を利用することで、人の介在なしに特徴量を決定し、パラメータ化することが可能である。しかし、深層学習を利用する場合においても、学習に用いる作業の映像に基づいて作業内容が予測されるため、作業が異なる場合は再学習する必要がある等、実用化への課題は残されている。こうした学術的背景のもと、あらゆる作業、作業者に対応可能な汎用性の高い作業実績把握システムを構築し実用化させることを目指した研究といえる。

研究実績の概要

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。

現在までの達成度 (区分)

3: やや遅れている

理由

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。

今後の研究の推進方策

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。