JP2008077424A - Operation analysis system and method - Google Patents
Operation analysis system and method Download PDFInfo
- Publication number
- JP2008077424A JP2008077424A JP2006256315A JP2006256315A JP2008077424A JP 2008077424 A JP2008077424 A JP 2008077424A JP 2006256315 A JP2006256315 A JP 2006256315A JP 2006256315 A JP2006256315 A JP 2006256315A JP 2008077424 A JP2008077424 A JP 2008077424A
- Authority
- JP
- Japan
- Prior art keywords
- section
- trajectory data
- reference cycle
- work
- improvement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- General Factory Administration (AREA)
- Image Analysis (AREA)
Abstract
Description
本発明は、工場の生産ラインにおける作業分析システムに関する。 The present invention relates to a work analysis system in a production line of a factory.
工場の生産現場では作業者の作業効率の改善、製品の品質向上のために作業者の作業分析(IE:Industrial Engineering)が行われている。作業分析は生産現場において欠かせない業務の一つである。作業分析では作業改善業務担当者(IEr)が作業者を観測して問題点を分析し、業務の改善を行っている。作業分析は、作業動作の観測、作業動作の分析、要改善作業の特定、改善策の実施などの段階で構成される。例えば、作業動作の観測は、ストップウォッチ等を用いて直接的に、またはビデオ映像等を用いて間接的に行われる。従来、このような作業分析は経験を積んだ作業改善業務担当者が手作業で行っているが、特に作業動作の分析、要改善作業の特定は、観測された膨大な作業動作の映像を対象に行うため、必要とされるコストは莫大なものになる。 In the factory production site, worker's work analysis (IE: Industrial Engineering) is performed in order to improve worker's work efficiency and product quality. Work analysis is an indispensable task at production sites. In the work analysis, a work improvement work manager (IEr) observes the worker, analyzes problems, and improves work. The work analysis is composed of stages such as observation of work movement, analysis of work movement, identification of work requiring improvement, and implementation of improvement measures. For example, the work operation is observed directly using a stopwatch or the like or indirectly using a video image or the like. Traditionally, such work analysis has been performed manually by experienced work improvement personnel, but analysis of work movements and identification of work that requires improvement are particularly targeted at images of a large number of observed work movements. Therefore, the required cost is enormous.
従って、このような作業分析では分析効率を向上させるための様々なシステムが利用されている。従来の作業分析システムでは、作業者をビデオカメラ等の撮影装置で撮影した映像に作業情報を付加することにより作業を分析するものがある。また、作業者の身体の複数箇所につけたマーカを追跡することで得られた軌跡と予めテンプレートとして用意された作業動作の軌跡とのマッチングを行うことにより作業分析するものもある(例えば、特許文献1参照)。
特許文献1に示される作業分析システムでは、予めテンプレートが必要となる。しかしながら、同じ作業動作であっても、個々の作業者により各部位の作業軌跡は異なる。従って、複数の作業者の作業分析を行うためには、1つの作業に対して1つのテンプレートを用意するだけでは必ずしも有効な分析は行えない。
In the work analysis system disclosed in
また、作業、作業動作、或いは作業動作の観測の態様(マーカを撮影する方向など)によって、作業軌跡に特徴の現れやすい部位が異なる。従って、1つの作業に対して1つの部位のテンプレートを用意するだけでは必ずしも有効な分析は行えない。 In addition, depending on the work, the work action, or the mode of observation of the work action (such as the direction in which the marker is photographed), the part where the feature is likely to appear in the work locus varies. Therefore, it is not always possible to perform effective analysis only by preparing a template for one part for one work.
また、これらのテンプレートを作業分析者が用意しなければならないため、作業分析者の負担が依然として大きい。 In addition, since the work analyst must prepare these templates, the burden on the work analyst is still large.
このように、従来は、個々の作業者で異なる作業軌跡から、改善を要する作業のムダを容易に検出することはできないという問題点があった。 そこで本発明は上記問題点に鑑み、作業者の作業軌跡から改善を要する作業のムダを容易に検出することができ、もって、作業分析の大幅な効率化を可能とする作業分析システムを提供することを目的とする。 As described above, conventionally, there has been a problem that waste of work requiring improvement cannot be easily detected from work tracks that are different for individual workers. Therefore, in view of the above problems, the present invention provides a work analysis system that can easily detect waste of work that needs improvement from the work trajectory of the worker, and can greatly improve the efficiency of work analysis. For the purpose.
本発明の作業分析システムは、(a)予め定められた作業を繰り返し行う作業者の複数の部位のそれぞれの動きの軌跡を表す複数の軌跡データのそれぞれから、基準サイクルとして指定された1サイクル分の軌跡データを基準サイクルパターンとして抽出し、(b)前記基準サイクルの長さ及び各軌跡データから抽出された基準サイクルパターンを基に、各軌跡データから時系列な複数の区間の開始時及び終了時を検出し、(c)各区間内の軌跡データと前記基準サイクルパターンとの間の類似度を基に、当該区間が当該基準サイクルパターンに類似する類似区間であるか当該基準サイクルパターンとは非類似の非類似区間であるかを求め、(d)前記複数の軌跡データのなかから、前記類似区間の数が最も多い軌跡データを基準軌跡データとして選択し、(e)前記基準軌跡データ中の類似区間及び非類似区間の開始時及び終了時を含む情報を記憶する。 The work analysis system according to the present invention includes (a) one cycle specified as a reference cycle from each of a plurality of trajectory data representing a trajectory of movement of each of a plurality of parts of a worker who repeatedly performs a predetermined work. (B) based on the length of the reference cycle and the reference cycle pattern extracted from each trajectory data, the start and end of a plurality of time-series sections from each trajectory data (C) based on the similarity between the trajectory data in each section and the reference cycle pattern, whether the section is a similar section similar to the reference cycle pattern or what is the reference cycle pattern It is determined whether the segment is dissimilar or dissimilar, and (d) trajectory data having the largest number of similar segments is selected from the plurality of trajectory data as reference trajectory data. To select it, it stores information including at the beginning and at the end of (e) similarity section and dissimilar section in the reference trajectory data.
本発明によれば、作業分析の大幅な効率化を可能とする。 According to the present invention, the efficiency of work analysis can be greatly improved.
以下、図面を参照して、本発明の実施形態について説明する。
(第1実施形態)
図1に示されるように、本発明の第1実施形態に従う作業分析システムは、軌跡データ抽出部101、基準サイクルパターン抽出部102、区間検出部103、選択部104、分析部105、映像データ記憶部110、軌跡データ記憶部111、基準サイクル記憶部112、基準軌跡データ記憶部113、要改善区間定義記憶部114、映像取得部120、入力部121、表示部122を有する。
Embodiments of the present invention will be described below with reference to the drawings.
(First embodiment)
As shown in FIG. 1, the work analysis system according to the first embodiment of the present invention includes a trajectory
映像データ記憶部110には、予め定められた作業(定型作業)を繰り返し行う作業者の映像データが記憶されている。
The video
ここでは、予め作業手順書で決められた定型作業の一周期を1サイクルと呼ぶ。例えば、組立作業であれば、ラインの前工程から流れてきた製品を受け取り、自分の工程の受け持ちである部品を取り付け、次の工程に製品を渡し、次の製品を前の工程から受け取るまでの一巡の作業が1サイクルに相当する。 Here, one cycle of the standard work determined in advance in the work procedure manual is called one cycle. For example, in the case of assembly work, it takes the product flowing from the previous process on the line, attaches the parts that are responsible for the process, passes the product to the next process, and receives the next product from the previous process. One cycle of work corresponds to one cycle.
軌跡データ抽出部101は、映像データ記憶部110に記憶されている映像データから軌跡データを抽出する。軌跡データとは、定型作業を繰り返し行う作業者の身体の複数の部位(作業部位)のそれぞれの動きの軌跡を時系列の座標データとして表したものである。
以下、この軌跡データを抽出する流れの一例について説明する。図2に示されるように、作業者は身体の任意の部位にマーカを装着する。このマーカは例えば、頭に関しては帽子、左右の手に関してはリストバンドであって、それぞれ異なる色を有している。この状態で作業者は定型作業を行い、その様子を撮影した映像データがビデオカメラ等映像取得部120で取得され、映像データ記憶部110に記憶される。 軌跡データ抽出部101は、公知の画像分析手法によって、映像から1フレーム毎に上記各マーカに対応する色を持つ画素をそれぞれ抽出する。これらの画素の重心位置を各マーカの座標として定義する。尚、この例では画像の左上端を原点とし、横方向をx座標、縦方向をy座標としている。この各マーカの座標抽出が全フレームについて行われることにより、座標の時系列データとしての軌跡データが抽出される。尚、軌跡データ記憶部111に、予め定められた作業を繰り返し行う作業者の複数の部位のそれぞれの動きの軌跡を表す複数の軌跡データが記憶されていれば、上記軌跡データ抽出部101は不要となる。
The trajectory
Hereinafter, an example of a flow for extracting the trajectory data will be described. As shown in FIG. 2, the worker wears a marker on an arbitrary part of the body. For example, the marker is a hat for the head and a wristband for the left and right hands, and has different colors. In this state, the worker performs a routine work, and video data obtained by photographing the situation is acquired by the
軌跡データ抽出部101で抽出された軌跡データは、軌跡データ記憶部111に記憶される。軌跡データ記憶部111は、前述した軌跡データを例えば、図10に示すように、テーブル形式で格納する。
The trajectory data extracted by the trajectory
図10において、1行目のデータは、時刻「330」に「頭」が画面上の座標(229,122)に、「右手」が座標(205,72)に、「左手」が座標(178,76)にそれぞれあることを表す。また、各軌跡データには、例えば「頭」のx座標にはTr1、「頭」のy座標にはTr2のように番号付けされている。 In FIG. 10, the data in the first row is as follows. At time “330”, “head” is at coordinates (229, 122) on the screen, “right hand” is at coordinates (205, 72), and “left hand” is at coordinates (178). , 76). Each trajectory data is numbered, for example, Tr1 for the x coordinate of “head” and Tr2 for the y coordinate of “head”.
基準サイクルパターン抽出部102は、軌跡データ記憶部111に記憶されている複数の軌跡データのそれぞれから、1サイクル分の区間の軌跡データを抽出する。
The reference cycle
1サイクル分の区間の指定は、ユーザにより行われる。例えば、軌跡データ記憶部111に記憶される「頭」「右手」「左手」のそれぞれのx座標及びy座標の軌跡データが表示部122に図3に示すように表示される。このとき、作業者が定型作業を行う様子を撮影した映像(映像データ記憶部110に記憶されている映像)も、表示部122に表示されていてもよい。ユーザは、例えばこの映像を参照して、図3に示した複数の軌跡データに対し、図4に示すように、1サイクル分の区間を指定する情報を入力部121から入力する。図4では、表示された軌跡データに対し入力された、1サイクル分の区間範囲の開始時刻及び終了時刻を点線で示している。基準サイクルパターン抽出部102は、指示された区間範囲の開始時刻及び終了時刻を基準サイクル記憶部112に記憶する。なお、入力部121から1サイクル分の区間の開始時刻及び終了時刻が入力されて、それを基準サイクルパターン抽出部102は、基準サイクル記憶部112に記憶してもよい。
The designation of the section for one cycle is performed by the user. For example, the trajectory data of each of the “head”, “right hand”, and “left hand” stored in the trajectory
ここでは、このようにして軌跡データに対しユーザにより指定された1サイクル分の区間を基準サイクルと呼ぶ。例えば図4では、点線で挟まれた区間が基準サイクルを表す。 Here, the section for one cycle designated by the user for the trajectory data in this way is referred to as a reference cycle. For example, in FIG. 4, a section between dotted lines represents a reference cycle.
図11は、ユーザにより指定された基準サイクルの開始時刻及び終了時刻の記憶例を示したものである。 FIG. 11 shows a storage example of the start time and end time of the reference cycle designated by the user.
基準サイクルパターン抽出部102は、軌跡データ記憶部111に記憶されている各軌跡データから、基準サイクルとして指定された区間(基準サイクル記憶部112に記憶された開始時刻から終了時刻までの区間)内の軌跡データを基準サイクルパターンとして抽出する。例えば、図4に示した各軌跡データから、点線で挟まれた区間の軌跡データが基準サイクルパターンとして抽出される。
The reference cycle
基準サイクルパターン抽出部102は、各軌跡データから抽出した基準サイクルパターンを、当該軌跡データを識別する情報に対応付けて基準サイクル記憶部112に記憶する。
The reference cycle
区間検出部103は、基準サイクルとして指定された区間の長さ及び各軌跡データから抽出された基準サイクルパターンを用いて、当該軌跡データから、時系列な複数の区間の開始時刻及び終了時刻を検出する。さらに、当該複数の区間から、当該軌跡データから抽出された基準サイクルパターンに類似する類似区間、基準サイクルパターンとは非類似の非類似区間を求める。
The
選択部104は、区間検出部103で各軌跡データから検出された類似区間の数を基に、軌跡データ記憶部111に記憶された複数の軌跡データのうちの1つを基準軌跡データとして選択する。すなわち、複数の軌跡データの、類似区間の数が最も多い軌跡データを基準軌跡データとして選択する。
The
次に、図5及び図6に示すフローチャートを参照して、区間検出部103及び選択部104の処理動作について説明する。
区間検出部103は、まず、変数iに軌跡データ記憶部111に記憶されている軌跡データの総数を代入して、変数iを初期化し(ステップS1)ステップS2に移行する。例えば、軌跡データ記憶部111に、図10に示すような情報が記憶されている場合、軌跡データの総数は、頭、左手、右手のx座標及びy座標に関する軌跡データを対象とするので、「6」となる。
Next, processing operations of the
The
ステップS2では、iが「0」に等しいか否かを判定する。iが「0」に等しければ、すなわち、全ての軌跡データに対する処理が終了した場合には、ステップS9に移行し、そうでなければステップS3に移行する。 In step S2, it is determined whether i is equal to “0”. If i is equal to “0”, that is, if the processing for all the trajectory data is completed, the process proceeds to step S9; otherwise, the process proceeds to step S3.
ステップS3では、区間検出部103は、軌跡データ記憶部111からi番目の軌跡データTriとを取得するとともに、当該軌跡データTriから抽出された基準サイクルパターンPiを基準サイクル記憶部112から取得し、ステップS4に移行する。
In step S3,
ステップS4では、区間検出部103は当該i番目の軌跡データから時系列な複数の区間の開始時刻及び終了時刻を検出するとともに、当該複数の区間から、当該軌跡データから抽出された基準サイクルパターンに類似する類似区間、基準サイクルパターンとは非類似の非類似区間を検出する。さらに、当該i番目の軌跡データ中から検出された類似区間の数Nを算出する。ここで各軌跡データから算出されるNは、基準軌跡データを選択する際に用いられる。ステップS4の処理は後述する。
In step S4, the
ステップS5において、iが軌跡データの総数に等しい場合、すなわち、最初の軌跡データに対する処理を行っている場合のみ、ステップS6に移行する。iが軌跡データの総数と異なる場合、すなわち、2番目以降の軌跡データに対する処理の場合には、ステップS7に移行する。 In step S5, the process proceeds to step S6 only when i is equal to the total number of trajectory data, that is, when processing for the first trajectory data is being performed. If i is different from the total number of trajectory data, that is, in the case of processing for the second and subsequent trajectory data, the process proceeds to step S7.
ステップS6では、記憶エリアTrbaseに、当該i番目の軌跡データTri、記憶エリアNbaseに、当該i番目の軌跡データから検出された類似区間の総数Nをそれぞれ代入する。 In step S6, the storage area Tr base, the i-th trajectory data Tr i, the storage area N base, it substitutes the i-th detected from the trajectory data was the total number N of similar interval, respectively.
記憶エリアTrbaseは、現時点までに処理した軌跡データのうち、検出された類似区間の数Nが最も多い軌跡データを一時記憶するための一時記憶エリアである。記憶エリアNbaseは、記憶エリアTrbaseに、一時記憶されている軌跡データから検出された類似区間の数Nを一時記憶するための一時記憶エリアである。 The storage area Tr base is a temporary storage area for temporarily storing the trajectory data having the largest number of detected similar sections N among the trajectory data processed so far. Storage area N base is in the storage area Tr base, a temporary storage area for temporarily storing a number N of similar interval detected from the locus data temporarily stored.
ステップS6では、最初の軌跡データに対する処理を行っている場合、当該軌跡データ及び当該軌跡データから検出された類似区間の数Nを、記憶エリアNbase、記憶エリアTrbaseに記憶される値の初期値に設定している。 In step S6, if performing the processing for the first path data, the number N of the trajectory data and similar interval detected from the trajectory data, storage area N base, the initial value stored in the storage area Tr base Set to value.
ステップS6では、Nbase、Trbaseの更新を行うとともに、iを「1」だけデクリメントして更新し、ステップS2に戻り、次の軌跡データに対し、上記ステップS3〜ステップS4と同様の処理を行う。 In step S6, N base and Tr base are updated, i is decremented by "1" and updated, and the process returns to step S2, and the same processing as in steps S3 to S4 is performed on the next trajectory data. Do.
Trbaseは、最初の処理対象であった軌跡データTriで初期化された後、各軌跡データに対しステップS3〜ステップS4に示す処理を行うことにより、より大きなNが算出された軌跡データで更新される。軌跡データ記憶部111に記憶されている全ての(ここでは例えば6つの)軌跡データに対しステップS3〜ステップS4の処理を行った場合には、Trbaseには、例えば6つの軌跡データのうち類似区間の数Nが最も多い軌跡データが記憶されている。選択部104は、この類似区間の数Nが最も多い軌跡データを基準軌跡データとして選択する。
Tr base, after being initialized by the locus data Tr i was the first to be processed, by performing the process shown in step S3~ step S4 for each locus data, a more locus data large N is calculated Updated. When the processing of step S3 to step S4 is performed on all (for example, six in this case) trajectory data stored in the trajectory
Nbaseは、Trbaseが上記のように更新される度に、当該Trbaseに新たに記憶された軌跡データ中の類似区間の総数Nで更新される。 N base is, Tr base is each time it is updated as described above, is updated by the total number of similar interval in the newly stored locus data to the Tr base N.
2番目以降の軌跡データの処理の場合には、ステップS4からステップS5へ進み、ここでステップS7へ進む。 In the case of processing of the second and subsequent trajectory data, the process proceeds from step S4 to step S5, and here, the process proceeds to step S7.
ステップS7では、選択部104は、ステップS4において2番目以降の各軌跡データから得られた当該軌跡データ中の類似区間の数Nと、Nbaseの値とを比較し、NがNbase以上か否かをチェックする。NがNbase以上であればステップS6に移行し、前述したように、Nbase、Trbaseの更新を行う。NがNbaseより小さい場合には、ステップS8へ進み、iを1つデクリメントし、ステップS2に移行し、次の軌跡データに対する処理を開始する。
In step S7, the
ステップS6、ステップS8でiを1つデクリメントした結果、iが「0」となった場合には(ステップS2)、軌跡データ記憶部111に記憶された全ての(ここでは例えば6つの)軌跡データに対する処理が終了したので、ステップS9へ進む。
When i is “0” as a result of decrementing i by 1 in step S6 and step S8 (step S2), all (for example, six in this case) trajectory data stored in the trajectory
ステップS9では、選択部104は、Trbaseに記憶されている軌跡データを基準軌跡データとして選択し、選択を終了する。
In step S9, the
次に、図5のステップS4の処理動作について、図6のフローチャートを参照して詳しく説明する。ここでは、処理対象のi番目の軌跡データTriから、当該軌跡データから抽出された基準サイクルパターンと比較することにより、当該i番目の軌跡データから時系列な複数の区間の開始時刻及び終了時刻を検出するとともに、当該複数の区間に対し、基準サイクルパターンに類似する類似区間であるか、基準サイクルパターンとは非類似の非類似区間であるかを判定する。さらに、当該i番目の軌跡データ中の類似区間の総数Nを求める。 Next, the processing operation in step S4 in FIG. 5 will be described in detail with reference to the flowchart in FIG. Here, the i-th trajectory data Tr i to be processed, by comparing a reference cycle pattern extracted from the trajectory data, start time and end time series a plurality of sections when the the i-th trajectory data Is detected, and it is determined whether the plurality of sections are similar sections similar to the reference cycle pattern or dissimilar sections similar to the reference cycle pattern. Further, the total number N of similar sections in the i-th trajectory data is obtained.
区間検出部103は、まず、Nに「0」を代入して初期化する(ステップS400)。次に、区間検出部103は、以下のステップS401からステップS408までの区間検出処理を行う。区間検出には、例えば、動的計画法(Dynamic Programming;DP)を用いることができる。
The
ここで区間検出処理の概略を、図7を参照して説明する。処理対象の軌跡データTriから抽出された基準サイクルパターンをPとする。そして、この基準サイクルパターンの長さ、すなわち、基準サイクルの区間長を|P|と表す。 Here, an outline of the section detection process will be described with reference to FIG. The reference cycle pattern extracted from the trajectory data Tr i to be processed and P. The length of the reference cycle pattern, that is, the section length of the reference cycle is represented as | P |.
図7に示すように、区間検出処理では、まず区間の仮の開始時刻start0と仮の終了時刻end0を設定する。start0からend0までの仮の区間の長さは、基準サイクルの区間長|P|を基に決定される。例えば、ここでは、仮の開始時刻start0からの区間長が|P|となるように仮の終了時刻end0を設定する。さらに、仮の開始時刻start0から予め定めされた時間αまでの範囲を、検出すべき区間の開始時刻の有効範囲に設定し、仮の終了時刻end0から予め定めされた時間βまでの範囲を、検出すべき区間の終了時刻の有効範囲に設定する。そして、仮の開始時刻start0から仮の終了時刻end0+βまでの区間(区間検出範囲)内で、終了時刻endをend0からend0+βまで所定時間bずつ変化させながら、また開始時刻startをstart0からstart0+αまで所定時間aずつ変化させながら、startとendまでの軌跡データと、基準サイクルパターンPとの類似度を求めて、当該区間検出範囲で基準サイクルパターンと最も類似する区間の開始時刻startmin及び終了時刻endminを検出する。ここで、検出する区間の開始時刻startminは、仮の開始時刻start0から時間αまでの有効範囲内の時刻であり、検出する区間の終了時刻endminは、仮の終了時刻end0から時間βまでの有効範囲内の時刻である。 As shown in FIG. 7, in the section detection process, first, a provisional start time start 0 and a provisional end time end 0 of the section are set. The length of the temporary section from start 0 to end 0 is determined based on the section length | P | of the reference cycle. For example, the provisional end time end 0 is set so that the section length from the provisional start time start 0 is | P |. Furthermore, the range from the temporary start time start 0 to the predetermined time α is set as the effective range of the start time of the section to be detected, and the range from the temporary end time end 0 to the predetermined time β Is set to the effective range of the end time of the section to be detected. Then, within the section from the temporary start time start 0 to the temporary end time end 0 + β (section detection range), while changing the end time end from end 0 to end 0 + β by a predetermined time b, the start time start , The degree of similarity between the trajectory data from start to end and the reference cycle pattern P and the reference cycle pattern P while changing from start 0 to start 0 + α by a predetermined time a, and the interval most similar to the reference cycle pattern in the interval detection range The start time start min and end time end min are detected. Here, the start time start min of the section to be detected is a time within the effective range from the temporary start time start 0 to the time α, and the end time end min of the detected section is the time from the temporary end time end 0 to time Time within the effective range up to β.
なお、以下の説明では、仮の開始時刻start0から仮の終了時刻end0までの時間長を基準サイクルの区間長|P|としたが、この場合に限らず、当該区間長は、基準サイクルの区間長|P|よりも長くとも短くともよい。要は、基準サイクルパターンPと類似・非類似の区間を検出するために最適な長さであればよい。 In the following description, the time length from the provisional start time start 0 to the provisional end time end 0 is the section length | P | of the reference cycle. However, the present invention is not limited to this, and the section length is not limited to the reference cycle. May be longer or shorter than the section length | P |. In short, it may be an optimum length for detecting a section similar to or not similar to the reference cycle pattern P.
図6に示す処理動作では、開始時刻startが仮の開始時刻start0であり、終了時刻endが仮の終了時刻end0である区間と基準サイクルパターンとの類似度を調べる処理と、終了時刻endを仮の終了時刻end0からその有効範囲内で予め定められた単位時間(b)ずつに後ろにずらすとともに、開始時刻startを仮の開始時刻start0からその有効範囲内で予め定められた単位時間(a)ずつに後ろにずらしながら、startからendまでの区間と基準サイクルパターンとの類似度を調べる処理とを含み、当該区間検出範囲のなかから基準サイクルパターンPと最も類似度の高い区間(区間検出に、動的計画法(DP)を用いる場合、最も距離値が小さい区間)を探索するようにしている。 In the processing operation shown in FIG. 6, a process for checking the similarity between a section in which the start time start is the tentative start time start 0 and the end time end is the tentative end time end 0 and the reference cycle pattern, and the end time end Is shifted backward from the provisional end time end 0 by a predetermined unit time (b) within the effective range, and the start time start is determined from the provisional start time start 0 within the effective range. A section having the highest similarity to the reference cycle pattern P in the section detection range, including a process of examining the similarity between the section from start to end and the reference cycle pattern while shifting backward by time (a) (When using dynamic programming (DP) for section detection, the section having the smallest distance value) is searched.
このようにend及びstartの値をずらすのは、同じ作業者であっても、作業に要する時間が常に同一であるとは限らないので、個々の区間時間(区間の開始時刻から終了時刻までの時間)のばらつきを考慮して区間検出を行うためである。 Since shifting the values of end and start is not always the same even for the same operator, the time required for the work is not always the same. This is because the section detection is performed in consideration of the variation in time.
また、図6に示す処理動作では、処理対象の軌跡データTriのうち開始時刻start、終了時刻endで区切られる仮区間Tr(start,end)の軌跡データについて後述する距離D(当該仮区間と基準サイクルパターンとの間の類似度)の算出を行う。この算出は、開始時刻start及び終了時刻endの値を少しずつずらしながら、start及びendの有効範囲で定まる区間検出範囲内で繰り返し行われる。この結果、最小の距離Dminを有する(すなわち、基準サイクルパターンとの類似度が最も高い)仮区間Tr(startmin,endmin)を区間として検出する。 Further, in the processing operation shown in FIG. 6, the start time start of the trajectory data Tr i to be processed, the temporary interval Tr (start, end) which is delimited by the end time end and the distance D (the provisional interval will be described later trajectory data (Similarity with reference cycle pattern) is calculated. This calculation is repeatedly performed within the section detection range determined by the effective range of start and end while gradually shifting the values of the start time start and end time end. As a result, the provisional section Tr (start min , end min ) having the minimum distance D min (that is, the highest similarity to the reference cycle pattern) is detected as a section.
図6の説明に戻り、ステップS401では、Dminに∞、startにstart0、endにend0をそれぞれ代入して初期化する。DminはステップS403で仮区間について算出された距離Dが、当該Dminの値よりも小さい場合に、算出された距離Dにより更新される。start及びendは、仮区間の開始時刻及び終了時刻である。start0及びend0は、仮区間の開始時刻及び終了時刻の初期値を示し、上述の区間検出範囲から1区間の検出が終わる度にステップS411において更新される。 Returning to FIG. 6, in step S401, initialization is performed by substituting ∞ for D min , start 0 for start, and end 0 for end. D min is updated with the calculated distance D when the distance D calculated for the provisional section in step S403 is smaller than the value of the D min . start and end are the start time and end time of the provisional section. start 0 and end 0 indicate initial values of the start time and end time of the temporary section, and are updated in step S411 every time detection of one section is completed from the above-described section detection range.
次に、ステップS402へ進み、記憶エリアPTrに仮区間Tr(start,end)内の軌跡データを格納し、ステップS403に移行する。
ステップS403では、記憶エリアPTrに記憶された仮区間Tr(start,end)内の軌跡データPTrと、基準サイクルパターンPとの間の類似度、すなわち、ここではPTrとPとの間の距離D(P,PTr)を算出する。さらに、算出した距離D(P,PTr)とDminとを比較し、距離D(P,PTr)がDmin未満であれば、Dminを更新すべく、ステップS404に移行し、そうでなければステップS405に移行する。距離D(P,PTr)は、例えば式(1)に従って算出する。なお、距離D(P,PTr)の値が小さいほど、PとPTrとの間の類似度が高いことを意味し、距離D(P,PTr)の値が高いほど、PとPTrとの間の類似度が低いことを意味する。
In step S403, between the trajectory data P Tr in temporary interval Tr stored in the storage area P Tr (start, end The), the similarity between the reference cycle pattern P, i.e., where the P Tr and P The distance D (P, P Tr ) is calculated. Further, the calculated distance D (P, P Tr ) and D min are compared. If the distance D (P, P Tr ) is less than D min , the process proceeds to step S404 to update D min , so Otherwise, the process proceeds to step S405. The distance D (P, P Tr ) is calculated according to the formula (1), for example. Note that the smaller the value of the distance D (P, P Tr ), the higher the similarity between P and P Tr, and the higher the value of the distance D (P, P Tr ), the more P and P It means that the similarity between Tr is low.
ここで、cは分割数であり、x(k)及びxTr(k)はそれぞれP及びPTrをc分割したうちのk番目のフレームにおけるPならびにPTrの部分データである。分割数cは、基準サイクルパターンPのフレーム数であってもよいし、予め定められた定数(例えば「100」)であってもよい。また、距離D(P,PTr)は、両者の類似度を表すためのものであり、式(1)以外の定義も可能である。 Here, c is the number of divisions, x (k) and x Tr (k) is the partial data of the P and P Tr in the k-th frame among the P and P Tr and c respectively divided. The division number c may be the number of frames of the reference cycle pattern P, or may be a predetermined constant (for example, “100”). The distance D (P, P Tr ) is for expressing the similarity between the two, and can be defined other than the expression (1).
ステップS404では、startmin及びendminを現在の仮区間Tr(start,end)内の開始時刻start及びendでそれぞれ更新し、DminをステップS403で算出された距離D(P,PTr)で更新する。startmin及びendminは、現時点までで距離Dが最小となる仮区間の開始時刻start及び終了時刻endであり、Dminが更新される度にこれらの値も更新される。
ステップS405では、仮区間の終了時刻endを更新する。すなわち、現在の終了時刻end予め定められた時間を加算して、新たな終了時刻next(end)に更新する。その後ステップS406に移行する。ここでnext(end)とは、時刻endを予め定められた時間b進める関数とする。例えばb=10とすると、next(end)=end+10などとする。
In step S404, start min and end min are updated with the start times start and end in the current provisional section Tr (start, end), respectively, and D min is the distance D (P, P Tr ) calculated in step S403. Update. The start min and end min are the start time start and end time end of the provisional section in which the distance D is the smallest up to the present time, and these values are updated each time D min is updated.
In step S405, the end time end of the temporary section is updated. That is, the current end time end is added to a predetermined time, and updated to a new end time next (end). Thereafter, the process proceeds to step S406. Here, “next (end)” is a function that advances time “end” by a predetermined time “b”. For example, when b = 10, next (end) = end + 10 is set.
ステップS406では、更新後の新たな終了時刻endが、終了時刻の有効範囲(図7のβ)内であるかどうかをチェックする。ここでは、isValid(end)の値がtrueか否かを判定する。isValid(end)の値がtrueであれば(すなわち、終了時刻の有効範囲内である場合には)、ステップS402に移行し、そうでなければステップS407に移行する。ここでisValid(end)とは、endが有効範囲にあるか否かを判定する関数とする。isValid(end)であれば、更新後のendが、例えばend0≦end≦end0+β(βは例えば200)を満たせばtrueを返し、そうでなければfalseを返すこととする。 In step S406, it is checked whether or not the updated new end time end is within the valid range of end time (β in FIG. 7). Here, it is determined whether or not the value of isValid (end) is true. If the value of isValid (end) is true (that is, if it is within the valid range of the end time), the process proceeds to step S402; otherwise, the process proceeds to step S407. Here, isValid (end) is a function for determining whether or not end is in the valid range. If isValid (end), true is returned if the updated end satisfies, for example, end 0 ≦ end ≦ end 0 + β (β is 200, for example). Otherwise, false is returned.
以上のステップS402〜ステップS406の処理を、更新後の新たな終了時刻endが「end0+β」を越えるまで、すなわち、ステップS406で、isValid(end)がfalseとなるまで繰り返す。 The processes in steps S402 to S406 are repeated until the new updated end time end exceeds “end 0 + β”, that is, in step S406, isValid (end) becomes false.
ステップS406で、isValid(end)がfalseとなったとき、次に、ステップS407へ進み、以降、開始時刻startを所定時間(a)だけずらして、ステップS402〜ステップS406の処理を行い、区間の探索を行う。 When isValid (end) becomes false in step S406, the process proceeds to step S407. Thereafter, the start time start is shifted by a predetermined time (a), and the processing of steps S402 to S406 is performed. Perform a search.
ステップS407では、start及びendを更新する。すなわち、現在の開始時刻startに予め定められた時間aを加算して、新たな終了時刻next(start)に更新する。例えばa=10とすると、next(start)=start+10などとする。また、現在の終了時刻endをend0に戻す。
次にステップS408に移行し、更新後の新たな開始時刻startが、開始時刻の有効範囲(図7のα)内であるかどうかをチェックする。ここでは、isValid(start)の値がtrueか否かを判定する。isValid(start)の値がtrueであれば(すなわち、開始時刻の有効範囲内である場合には)、ステップS402に移行し、そうでなければステップS409に移行する。isValid(start)は、更新後のstartが、例えばstart0≦start≦start0+α(αは例えば200)を満たせばtrueを返し、そうでなければfalseを返す。
In step S407, start and end are updated. That is, a predetermined time “a” is added to the current start time “start”, and updated to a new end time “next (start)”. For example, when a = 10, next (start) = start + 10 is set. Also, the current end time end is returned to end 0.
Next, the process proceeds to step S408, and it is checked whether or not the updated new start time start is within the effective range of the start time (α in FIG. 7). Here, it is determined whether or not the value of isValid (start) is true. If the value of isValid (start) is true (that is, if it is within the valid range of the start time), the process proceeds to step S402; otherwise, the process proceeds to step S409. isValid (start) returns true if the updated start satisfies, for example, start 0 ≦ start ≦ start 0 + α (α is 200, for example), and returns false otherwise.
以上のステップS402〜ステップS408の処理を、更新後の新たな開始時刻starが「start0+α」を越えるまで、すなわち、ステップS408で、isValid(start)がfalseとなるまで繰り返す。 The processes from step S402 to step S408 are repeated until the updated new start time start exceeds “start 0 + α”, that is, in step S408, until isValid (start) becomes false.
ステップS408で、isValid(start)がfalseとなったとき、今回の区間検出範囲内の区間の探索は終了し、次に、ステップS409へ進む。 When isValid (start) becomes false in step S408, the search for the section within the current section detection range is completed, and the process proceeds to step S409.
区間検出範囲内の区間の探索が終了した場合、Dminには、当該区間検出範囲内で探索された仮区間のうち、基準サイクルパターンとの距離が最も小さい(最も類似する)仮区間の距離値が記憶されている。そして、当該仮区間の開始時刻及び終了時刻が(startmin,endmin)に記憶されている。すなわち、当該区間検出範囲内から、startminからendminまでの区間が検出されたことになる。 When the search for the section within the section detection range is completed, the distance of the temporary section having the smallest (most similar) distance from the reference cycle pattern among the temporary sections searched for within the section detection range when D min is searched. The value is stored. The start time and end time of the temporary section are stored in (start min , end min ). That is, a section from start min to end min is detected from the section detection range.
ステップS409では、当該検出された区間が、実際に基準サイクルパターンと類似する類似区間である否かを判定する。ここでは当該検出された区間と基準サイクルパターンとの間の類似度(ここでは距離Dmin)と、予め定められた閾値Dcycleとを比較し、DminがDcycle以下の場合には、当該区間を類似区間と判定する。一方、DminがDcycleより大きい場合には、当該区間は基準サイクルパターンとは非類似の非類似区間と判定し、ステップS411に移行する。 In step S409, it is determined whether or not the detected section is a similar section that is actually similar to the reference cycle pattern. Here, the similarity (here, distance Dmin ) between the detected section and the reference cycle pattern is compared with a predetermined threshold value Dcycle, and if Dmin is equal to or less than Dcycle , The section is determined as a similar section. On the other hand, if D min is greater than D cycle , the section is determined to be a dissimilar section that is dissimilar to the reference cycle pattern, and the process proceeds to step S411.
ステップS409において、類似区間と判定した場合、ステップS410へ進む。 If it is determined in step S409 that it is a similar section, the process proceeds to step S410.
ステップS410では、Nを「1」だけインクリメントし、ステップS411に移行する。 In step S410, N is incremented by “1”, and the process proceeds to step S411.
ステップS411では、次の区間を検出するために、start0、end0を更新する。この更新は、例えばstart0にendminを代入した後、end0にstart0+|P|を代入する。 In step S411, start 0 and end 0 are updated in order to detect the next section. This update, for example, by substituting the end min to start 0, start 0 + to end 0 | Substituting | P.
次に、ステップS412では、更新後のend0が軌跡データTriの範囲内かどうかを判定する。end0が軌跡データの範囲内であればステップS401に戻り、当該次の区間の検出するために、上述のステップS401〜ステップS411を繰り返す。 Next, in step S412, end The 0 of the updated determines whether the range of the locus data Tr i. If end 0 is within the range of the trajectory data, the process returns to step S401, and the above-described steps S401 to S411 are repeated in order to detect the next section.
ステップS412において、更新後のend0が軌跡データTriの範囲を越えた場合には、処理を終了する。以上の処理により、当該軌跡データTriから時系列な複数の区間のそれぞれの開始時刻及び終了時刻と、各区間が類似区間か非類似区間かの判定結果と、当該軌跡データTri中の類似区間の総数Nが得られる。 In step S412, if the end The 0 of the updated beyond the scope of the locus data Tr i, the process is terminated. By the above process, the respective start and end times of the time series a plurality of sections from the trajectory data Tr i, and the determination result of each section are either similar interval or dissimilar section, similar in the locus data Tr i A total number N of sections is obtained.
図5のステップS7では、図6に示したような処理により軌跡データTriから当該軌跡データ中の類似区間の総数Nが算出される度に、当該NとNbaseとを比較して、NがNbase以上の場合に、Nbaseを当該Nで更新する。さらに、ステップS6において、Trbaseの更新を行う。 At step S7 in FIG. 5, each time the total number N of similar interval in the locus data is calculated from the processing by the trajectory data Tr i as shown in FIG. 6, by comparing the said N and N base, N There the case of more than N base, updates the N base in the N. In step S6, Tr base is updated.
ステップS2で、軌跡データ記憶部111に記憶された全ての(ここでは例えば6つの)軌跡データに対する処理が終了した場合、Trbaseには、当該6つの軌跡データのうち、類似区間の総数が最も多い軌跡データが記憶されている。ステップS9では、選択部104は、Trbaseに記憶されている軌跡データを基準軌跡データとして選択する。
When the processing for all (for example, six in this case) trajectory data stored in the trajectory
選択部104は、基準軌跡データとして選択した軌跡データから検出された各区間の開始時刻及び終了時刻や、各区間が類似区間であるか非類似区間であるかを示す情報を、例えば図12に示すような形式で基準軌跡データ記憶部113に記憶する。この基準軌跡データの情報はユーザに表示部122を介して表示してもよい。
図12において、1列目は基準軌跡データから検出されたれた各区間を識別するための番号、2列目及び3列目は当該区間の開始時刻startmin及び終了時刻endminを示している。また、4列目は当該区間が類似区間か非類似区間であるかを示しており、類似区間は「1」、非類似区間は「0」で示している。
For example, FIG. 12 shows information indicating whether each section is a similar section or a dissimilar section, and the start time and end time of each section detected from the trajectory data selected as the reference trajectory data. The data is stored in the reference trajectory
In FIG. 12, the first column is a number for identifying each section detected from the reference trajectory data, and the second and third columns indicate the start time start min and end time end min of the section. The fourth column indicates whether the section is a similar section or a dissimilar section. The similar section is “1” and the dissimilar section is “0”.
選択部104によって選択された基準軌跡データからは図8に示すように類似区間と非類似区間が抽出されており、類似区間において作業者は定型作業を行っている可能性が高い。逆に、非類似区間において作業者は改善を要する作業(要改善作業)を行っている可能性が高い。従って、ユーザは非類似区間における映像を集中的に観測することで作業者の要改善作業を効率よく分析することが可能となる。これにより、ユーザが作業分析に要する負担は軽減される。
As shown in FIG. 8, similar sections and dissimilar sections are extracted from the reference trajectory data selected by the
分析部105は、基準軌跡データ記憶部113に記憶された基準軌跡データの情報を用いて分析を行う。ここでは一例として図12に示した基準軌跡データの情報が基準軌跡データ記憶部113に格納されているものとする。
The
分析部105は、分析の一例として各区間の時間長(区間時間)を算出する。各区間の区間時間は当該区間の終了時刻から開始時刻を減算して導出する。従って、図12の例であれば3列目の要素から2列目の同一行の要素をそれぞれ減算して導出する。また、分析部105は区間時間の平均、分散等を算出する。
The
分析部105は、図12に示した基準軌跡データから改善を要する区間(要改善区間)を特定する。具体的には、分析部105は後述する要改善区間定義記憶部114に格納される要改善区間の定義情報を参照し、各区間に対して分析を行う。
The
要改善区間定義記憶部114は、要改善区間の定義(改善を要する区間(要改善区間)と判定するための条件)情報を格納する。要改善区間の定義はユーザが定義してもよいし、予め用意されたものでもよい。また、要改善区間定義記憶部114は、要改善区間の定義情報をユーザが必要に応じて追加、修正、削除等できるよう構成されてもよい。要改善区間の定義情報の例としては以下に示すものがある。
・非類似区間
・区間時間が平均区間時間の1.1倍以上の区間
要改善区間の定義情報は、上記のような区間時間に対する条件に限るものではなない。例えば、この場合、区間内の軌跡データのパターンの特徴により要改善区間を検出するための、区間内の軌跡データ(パターン)に対する条件であってもよい。
The improvement area
・ Dissimilar section
-The section information whose section time is 1.1 times or more of the average section time is not limited to the conditions for the section time as described above. For example, in this case, a condition for the trajectory data (pattern) in the section for detecting the improvement-necessary section based on the feature of the pattern of the trajectory data in the section may be used.
非類似区間は、定型作業と大きく異なる作業動作を行っているものと推定されるため、要改善区間とする。また、区間時間が平均区間時間の1.1倍以上もあれば、仮に類似区間であったとしても改善の余地があるものと考えられるため、要改善区間とする。 The dissimilar section is assumed to be a work requiring improvement because it is presumed that the work operation is significantly different from the routine work. Further, if the section time is 1.1 times or more of the average section time, it is considered that there is room for improvement even if it is a similar section.
上記要改善区間の定義の少なくとも1つに該当する区間は要改善区間と判定する。
分析部105は、前述した分析の結果を、表示部122を介して例えば図13に示す形式でユーザに表示する。
以上説明したように、上記第1実施形態によれば、要改善区間や要改善作業を特定するための基礎となる類似区間及び非類似区間を、作業軌跡データ中の1サイクル分の(基準サイクルの)軌跡データ(基準サイクルパターン)を用いて、当該作業軌跡データから検出している。そのため、作業者によって作業軌跡が異なる場合も、検出された類似区間・非類似区間から容易に作業のムダ(要改善区間)を特定することができる。
A section corresponding to at least one of the definitions of the improvement required section is determined to be an improvement required section.
The
As described above, according to the first embodiment, the similar section and the non-similar section that serve as the basis for specifying the improvement required section and the improvement required work are represented by one cycle (reference cycle) in the work trajectory data. )) Using the trajectory data (reference cycle pattern) and detecting from the work trajectory data. Therefore, even when the work trajectory differs depending on the worker, the waste of work (improvement required section) can be easily identified from the detected similar section / dissimilar section.
また、観測された作業者の作業部位の軌跡データから、要改善区間を自動的に特定し、ユーザに提示することが容易に行える。これによって、ユーザは膨大な軌跡データを対象として効率的な分析が可能となる。 In addition, it is possible to easily identify the improvement required section from the observed locus data of the work site of the worker and present it to the user. As a result, the user can efficiently analyze a large amount of trajectory data.
(第2実施形態)
図9は、本発明の第2実施形態に係る作業分析システムの構成例を示したものである。なお、図9において、図1と同一部分には同一符号を付し、異なる部分についてのみ説明する。すなわち、図9では、要改善作業定義記憶部915が新たに追加されている。
(Second Embodiment)
FIG. 9 shows a configuration example of a work analysis system according to the second embodiment of the present invention. 9, the same parts as those in FIG. 1 are denoted by the same reference numerals, and only different parts will be described. That is, in FIG. 9, an improvement work
第1実施形態によれば、要改善区間が特定される。要改善区間において、作業者は何らかの要改善作業を行っている可能性が高い。ユーザが自ら要改善区間における映像から作業分析を行ってもよいが、第2実施形態では、後述する要改善作業定義記憶部915に要改善作業の定義情報を予め記憶しておき、分析部105によって作業者の行っている要改善作業が何であるかを特定する。
According to the first embodiment, an improvement required section is specified. It is highly possible that the worker is performing some kind of improvement work in the improvement required section. Although the user may perform work analysis from the video in the improvement required section by himself / herself, in the second embodiment, the improvement required work definition storage unit 915 (to be described later) stores the definition information of improvement required work in advance, and the
要改善作業定義記憶部915は、要改善作業の定義情報を格納する。要改善作業の定義情報は、要改善作業を含む区間を検出するための条件である。要改善作業の定義情報はユーザが定義してもよいし、予め用意されたものでもよい。また、要改善作業定義記憶部915は、要改善作業の定義情報をユーザが必要に応じて追加、修正、削除等できるよう構成されてもよい。要改善作業の定義情報の例としては以下に示すものがある。
・「区間時間>100秒」となる要改善区間は、「台車待ち」の要改善作業を含む。
・「区間時間≦100秒」となる要改善区間は、「部材補充」の要改善作業を含む。
The improvement work
・ A required improvement section with “section time> 100 seconds” includes improvement work required for “waiting for a carriage”.
-The required improvement section where “section time ≦ 100 seconds” includes the improvement work required for “component replenishment”.
当改善作業の定義情報は、上記のような区間時間に対する条件に限るものではなない。例えば、どのような要改善作業であるかを、区間内の軌跡データのパターンの特徴により特定するための、区間内の軌跡データ(パターン)に対する条件であってもよい。 The definition information of the improvement work is not limited to the conditions for the section time as described above. For example, it may be a condition for the trajectory data (pattern) in the section for specifying what kind of improvement work is required by the feature of the pattern of the trajectory data in the section.
分析部105は、第1実施形態における分析部105の動作に加えて、要改善作業定義記憶部915に記憶された要改善作業の定義情報に基づく分析を更に行う。即ち、分析部105は、第1実施形態によって特定した要改善区間を、上記要改善作業の定義と照合する。要改善区間が上記要改善作業の定義情報に該当すれば、この要改善区間には定義に対応する要改善作業が含まれていると分析する。
In addition to the operation of the
例えば、図13に示す分析結果を第2実施形態に従って更に分析した結果は、表示部122を介して、図14に示すような形式でユーザに提示される。
第2実施形態によれば、作業者によって作業軌跡が異なる場合も、分析部105により、検出された類似区間・非類似区間から容易に作業のムダ(要改善区間や要改善作業)を特定することができる。従って、ユーザは作業者の要改善作業を効率よく分析することが可能となり、ユーザが作業分析に要する負担は軽減される。
For example, the result of further analyzing the analysis result shown in FIG. 13 according to the second embodiment is presented to the user in the format shown in FIG.
According to the second embodiment, even when the work trajectory varies depending on the worker, the
なお、上記第1及び第2実施形態では、一般的な製造工場の組立作業ラインにおいて用いられる場合について説明したが、製造作業や検査作業、梱包作業等、一般的な定型作業に適用しても同様の効果を得られる。 In the first and second embodiments described above, the case where it is used in an assembly work line of a general manufacturing factory has been described. However, even when applied to general routine work such as manufacturing work, inspection work, and packing work. Similar effects can be obtained.
また、本発明の実施の形態に記載した本発明の手法は、コンピュータに実行させることのできるプログラムとして、磁気ディスク(フレキシブルディスク、ハードディスクなど)、光ディスク(CD−ROM、DVDなど)、半導体メモリなどの記録媒体に格納して頒布することもできる。例えば、軌跡データ抽出部101,基準サイクルパターン抽出部102,区間検出部103、選択部104、分析部105、及び各記憶部等の各機能は、コンピュータにプログラムを実行させることにより実現するこができる。
The method of the present invention described in the embodiment of the present invention is a program that can be executed by a computer, such as a magnetic disk (flexible disk, hard disk, etc.), an optical disk (CD-ROM, DVD, etc.), a semiconductor memory, etc. It can also be stored and distributed on a recording medium. For example, the functions such as the trajectory
なお、この発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また上記実施形態に開示されている複数の構成要素を適宜組み合わせることによって種々の発明を形成できる。また例えば、実施形態に示される全構成要素からいくつかの構成要素を削除した構成も考えられる。さらに、異なる実施形態に記載した構成要素を適宜組み合わせてもよい。 Note that the present invention is not limited to the above-described embodiment as it is, and can be embodied by modifying the constituent elements without departing from the scope of the invention in the implementation stage. In addition, various inventions can be formed by appropriately combining a plurality of constituent elements disclosed in the embodiment. Further, for example, a configuration in which some components are deleted from all the components shown in the embodiment is also conceivable. Furthermore, you may combine suitably the component described in different embodiment.
101…軌跡データ抽出部
102…基準サイクルパターン抽出部
103…区間検出部
104…選択部
105…分析部
110…映像データ記憶部
111…軌跡データ記憶部
112…基準サイクル記憶部
113…基準軌跡データ記憶部
114…要改善区間定義記憶部
120…映像取得部
121…入力部
122…表示部
915…要改善作業定義記憶部
DESCRIPTION OF
Claims (13)
各軌跡データから、基準サイクルとして指定された1サイクル分の軌跡データを基準サイクルパターンとして抽出する抽出手段と、
前記基準サイクルの長さ及び各軌跡データから抽出された基準サイクルパターンを基に、各軌跡データから時系列な複数の区間の開始時及び終了時を検出する検出手段と、
各区間内の軌跡データと前記基準サイクルパターンとの間の類似度を基に、当該区間が当該基準サイクルパターンに類似する類似区間であるか当該基準サイクルパターンとは非類似の非類似区間であるかを求める手段と、
前記複数の軌跡データのなかから、前記類似区間の数が最も多い軌跡データを基準軌跡データとして選択する選択手段と、
前記基準軌跡データ中の類似区間及び非類似区間の開始時及び終了時を含む情報を記憶する第2の記憶手段と、
を具備することを特徴とする作業分析システム。 First storage means for storing a plurality of trajectory data representing trajectories of movements of a plurality of parts of a worker who repeatedly performs a predetermined operation;
Extraction means for extracting, as a reference cycle pattern, trace data for one cycle designated as a reference cycle from each locus data;
Based on the length of the reference cycle and the reference cycle pattern extracted from each trajectory data, detection means for detecting the start time and end time of a plurality of time-series sections from each trajectory data;
Based on the similarity between the trajectory data in each section and the reference cycle pattern, the section is a similar section similar to the reference cycle pattern or a dissimilar section that is dissimilar to the reference cycle pattern. A means of seeking
Selecting means for selecting, as reference trajectory data, trajectory data having the largest number of similar sections from the plurality of trajectory data;
Second storage means for storing information including a start time and an end time of a similar section and a dissimilar section in the reference trajectory data;
A work analysis system comprising:
各軌跡データから、基準サイクルとして指定された1サイクル分の軌跡データを基準サイクルパターンとして抽出する抽出ステップと、
前記基準サイクルの長さ及び各軌跡データから抽出された基準サイクルパターンを基に、各軌跡データから時系列な複数の区間の開始時及び終了時を検出する検出ステップと、
各区間内の軌跡データと前記基準サイクルパターンとの間の類似度を基に、当該区間が当該基準サイクルパターンに類似する類似区間であるか当該基準サイクルパターンとは非類似の非類似区間であるかを求めるステップと、
前記複数の軌跡データのなかから、前記類似区間の数が最も多い軌跡データを基準軌跡データとして選択する選択ステップと、
前記基準軌跡データ中の類似区間及び非類似区間の開始時及び終了時を含む情報を第2の記憶手段に記憶するステップと、
を含む作業分析方法。 Storing a plurality of trajectory data representing trajectories of movements of a plurality of parts of a worker who repeatedly performs a predetermined operation in the first storage means;
An extraction step for extracting, as a reference cycle pattern, trace data for one cycle designated as a reference cycle from each locus data;
A detection step of detecting the start time and end time of a plurality of time-series sections from each trajectory data based on the length of the reference cycle and the reference cycle pattern extracted from each trajectory data;
Based on the similarity between the trajectory data in each section and the reference cycle pattern, the section is a similar section similar to the reference cycle pattern or a dissimilar section that is dissimilar to the reference cycle pattern. The step of seeking
A selection step of selecting, as reference trajectory data, trajectory data having the largest number of the similar sections from the plurality of trajectory data;
Storing information including a start time and an end time of a similar section and a dissimilar section in the reference trajectory data in a second storage unit;
Work analysis method including.
予め定められた作業を繰り返し行う作業者の複数の部位のそれぞれの動きの軌跡を表す複数の軌跡データを記憶する第1の記憶手段、
各軌跡データから、基準サイクルとして指定された1サイクル分の軌跡データを基準サイクルパターンとして抽出する抽出手段、
前記基準サイクルの長さ及び各軌跡データから抽出された基準サイクルパターンを基に、各軌跡データから時系列な複数の区間の開始時及び終了時を検出する検出手段、
各区間内の軌跡データと前記基準サイクルパターンとの間の類似度を基に、当該区間が当該基準サイクルパターンに類似する類似区間であるか当該基準サイクルパターンとは非類似の非類似区間であるかを求める手段、
前記複数の軌跡データのなかから、前記類似区間の数が最も多い軌跡データを基準軌跡データとして選択する選択手段、
前記基準軌跡データ中の類似区間及び非類似区間の開始時及び終了時を含む情報を記憶する第2の記憶手段、
として機能させるためのプログラム。 Computer
First storage means for storing a plurality of trajectory data representing trajectories of movements of a plurality of parts of a worker who repeatedly performs a predetermined operation;
Extraction means for extracting, from each trajectory data, trajectory data for one cycle designated as a reference cycle as a reference cycle pattern;
Detection means for detecting the start time and end time of a plurality of time-series sections from each trajectory data based on the reference cycle length and the reference cycle pattern extracted from each trajectory data;
Based on the similarity between the trajectory data in each section and the reference cycle pattern, the section is a similar section similar to the reference cycle pattern or a dissimilar section that is dissimilar to the reference cycle pattern. A means of seeking
Selecting means for selecting, as reference trajectory data, trajectory data having the largest number of similar sections from the plurality of trajectory data;
Second storage means for storing information including a start time and an end time of a similar section and a dissimilar section in the reference trajectory data;
Program to function as.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006256315A JP2008077424A (en) | 2006-09-21 | 2006-09-21 | Operation analysis system and method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006256315A JP2008077424A (en) | 2006-09-21 | 2006-09-21 | Operation analysis system and method |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2008077424A true JP2008077424A (en) | 2008-04-03 |
Family
ID=39349406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006256315A Pending JP2008077424A (en) | 2006-09-21 | 2006-09-21 | Operation analysis system and method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2008077424A (en) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016167265A (en) * | 2015-03-03 | 2016-09-15 | 株式会社ブロードリーフ | Program, information processing apparatus, and information processing method |
JPWO2017104372A1 (en) * | 2015-12-18 | 2018-08-30 | 株式会社リコー | Image processing apparatus, image processing system, image processing method, and program |
WO2019021592A1 (en) * | 2017-07-24 | 2019-01-31 | 株式会社日立製作所 | Task refinement assistance system and method |
JP2019159885A (en) * | 2018-03-14 | 2019-09-19 | オムロン株式会社 | Operation analysis device, operation analysis method, operation analysis program and operation analysis system |
JP2019175268A (en) * | 2018-03-29 | 2019-10-10 | 株式会社リコー | Behavior recognition device, behavior recognition method, program therefor, and computer-readable medium with the program recorded therein |
JP6789590B1 (en) * | 2020-08-14 | 2020-11-25 | 株式会社キャッシュフローリノベーション | Productivity improvement system and productivity improvement method |
WO2021131552A1 (en) * | 2019-12-27 | 2021-07-01 | パナソニックIpマネジメント株式会社 | Operation analyzing device and operation analyzing method |
WO2021250931A1 (en) * | 2020-06-12 | 2021-12-16 | 株式会社ダイセル | Skeleton detection system and work management device |
CN113811908A (en) * | 2019-09-02 | 2021-12-17 | 西门子(中国)有限公司 | Method and device for determining production cycle of production facility |
WO2023218557A1 (en) * | 2022-05-11 | 2023-11-16 | 三菱電機株式会社 | Action analysis device, action analysis method, action analysis program, and action analysis system |
DE102023118159A1 (en) | 2022-07-11 | 2024-01-11 | Panasonic Intellectual Property Management Co., Ltd. | Operations management system and operations management procedures |
WO2024018856A1 (en) * | 2022-07-21 | 2024-01-25 | オムロン株式会社 | Task cycle inference device, task cycle inference method, and task cycle inference program |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10257436A (en) * | 1997-03-10 | 1998-09-25 | Atsushi Matsushita | Automatic hierarchical structuring method for moving image and browsing method using the same |
JP2002310617A (en) * | 2001-04-18 | 2002-10-23 | Matsushita Electric Works Ltd | Work analysis system and method therefor |
JP2005107867A (en) * | 2003-09-30 | 2005-04-21 | Nec Corp | Album preparing device and method |
JP2006209468A (en) * | 2005-01-28 | 2006-08-10 | Yakahi Kikuko | Work operation analysis device, work operation analysis method and work operation analysis program |
-
2006
- 2006-09-21 JP JP2006256315A patent/JP2008077424A/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10257436A (en) * | 1997-03-10 | 1998-09-25 | Atsushi Matsushita | Automatic hierarchical structuring method for moving image and browsing method using the same |
JP2002310617A (en) * | 2001-04-18 | 2002-10-23 | Matsushita Electric Works Ltd | Work analysis system and method therefor |
JP2005107867A (en) * | 2003-09-30 | 2005-04-21 | Nec Corp | Album preparing device and method |
JP2006209468A (en) * | 2005-01-28 | 2006-08-10 | Yakahi Kikuko | Work operation analysis device, work operation analysis method and work operation analysis program |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016167265A (en) * | 2015-03-03 | 2016-09-15 | 株式会社ブロードリーフ | Program, information processing apparatus, and information processing method |
JPWO2017104372A1 (en) * | 2015-12-18 | 2018-08-30 | 株式会社リコー | Image processing apparatus, image processing system, image processing method, and program |
US10949983B2 (en) | 2015-12-18 | 2021-03-16 | Ricoh Company, Ltd. | Image processing apparatus, image processing system, image processing method, and computer-readable recording medium |
WO2019021592A1 (en) * | 2017-07-24 | 2019-01-31 | 株式会社日立製作所 | Task refinement assistance system and method |
JP2019023803A (en) * | 2017-07-24 | 2019-02-14 | 株式会社日立製作所 | Work Improvement Support System and Method |
CN110945444A (en) * | 2017-07-24 | 2020-03-31 | 株式会社日立制作所 | Work improvement support system and method |
JP2019159885A (en) * | 2018-03-14 | 2019-09-19 | オムロン株式会社 | Operation analysis device, operation analysis method, operation analysis program and operation analysis system |
JP7210890B2 (en) | 2018-03-29 | 2023-01-24 | 株式会社リコー | Behavior recognition device, behavior recognition method, its program, and computer-readable recording medium recording the program |
JP2019175268A (en) * | 2018-03-29 | 2019-10-10 | 株式会社リコー | Behavior recognition device, behavior recognition method, program therefor, and computer-readable medium with the program recorded therein |
CN113811908B (en) * | 2019-09-02 | 2023-01-31 | 西门子(中国)有限公司 | Method and device for determining production cycle of production facility |
CN113811908A (en) * | 2019-09-02 | 2021-12-17 | 西门子(中国)有限公司 | Method and device for determining production cycle of production facility |
WO2021131552A1 (en) * | 2019-12-27 | 2021-07-01 | パナソニックIpマネジメント株式会社 | Operation analyzing device and operation analyzing method |
WO2021250931A1 (en) * | 2020-06-12 | 2021-12-16 | 株式会社ダイセル | Skeleton detection system and work management device |
JP7464451B2 (en) | 2020-06-12 | 2024-04-09 | 株式会社ダイセル | Skeleton detection system and work management device |
JP2022032848A (en) * | 2020-08-14 | 2022-02-25 | 株式会社キャッシュフローリノベーション | Productivity improvement system and productivity improvement method |
JP6789590B1 (en) * | 2020-08-14 | 2020-11-25 | 株式会社キャッシュフローリノベーション | Productivity improvement system and productivity improvement method |
WO2023218557A1 (en) * | 2022-05-11 | 2023-11-16 | 三菱電機株式会社 | Action analysis device, action analysis method, action analysis program, and action analysis system |
JP7462857B1 (en) | 2022-05-11 | 2024-04-05 | 三菱電機株式会社 | Motion analysis device, motion analysis method, motion analysis program, and motion analysis system |
DE102023118159A1 (en) | 2022-07-11 | 2024-01-11 | Panasonic Intellectual Property Management Co., Ltd. | Operations management system and operations management procedures |
WO2024018856A1 (en) * | 2022-07-21 | 2024-01-25 | オムロン株式会社 | Task cycle inference device, task cycle inference method, and task cycle inference program |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2008077424A (en) | Operation analysis system and method | |
JP5525202B2 (en) | Motion analysis apparatus, motion analysis method, and motion analysis program | |
EP3062263A1 (en) | Method and apparatus for work quality control | |
JP4752721B2 (en) | Movement pattern identification device, movement pattern identification method, movement pattern identification program, and recording medium recording the same | |
US7756293B2 (en) | Movement capture and analysis apparatus and method | |
JP4373840B2 (en) | Moving object tracking method, moving object tracking program and recording medium thereof, and moving object tracking apparatus | |
JP2009015529A (en) | Operation analyzing device and method | |
JPH05108730A (en) | Retrieval of dynamic image database | |
WO2016021411A1 (en) | Image processing device, image processing method, and program | |
WO2021131552A1 (en) | Operation analyzing device and operation analyzing method | |
WO2017104372A1 (en) | Image processing apparatus, image processing system, image processing method, and program | |
JP2008250746A (en) | Mobile object tracking device | |
US20190385318A1 (en) | Superimposing position correction device and superimposing position correction method | |
JP2008225704A (en) | Work evaluation device, work evaluation method and control program | |
CN111164622B (en) | Work analysis device and work analysis method | |
JP7236694B2 (en) | Information processing method and information processing system | |
JP2014033429A (en) | Image processing program and image processing apparatus | |
CN110858302B (en) | System and method for editing monitoring script in picture image | |
JP2019159885A (en) | Operation analysis device, operation analysis method, operation analysis program and operation analysis system | |
CN110826383B (en) | Analysis system, analysis method, program, and storage medium | |
JP4449483B2 (en) | Image analysis apparatus, image analysis method, and computer program | |
JP2009110239A (en) | System and method for analysis of working operation | |
JP4914260B2 (en) | Template matching apparatus and method | |
JP7383152B2 (en) | Work support device and work support method | |
WO2022249277A1 (en) | Image processing device, image processing method, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080926 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20101224 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110111 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20110705 |