JP2008077424A - 作業分析システム及び方法 - Google Patents

Abstract

【課題】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。
【解決手段】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、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とともに、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、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、基準軌跡データ中の類似区間・非類似区間の開始時及び終了時を含む情報を記憶する。
【選択図】 図１

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。

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。

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）。
特開２０００−１８０１６２

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。

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。

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。

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。

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。

本発明によれば、作業分析の大幅な効率化を可能とする。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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Ｔｒ_iとを取得するとともに、当該軌跡データＴｒ_iから抽出された基準サイクルパターンＰ_i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。

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。

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。

ステップＳ６では、記憶エリアＴｒ_baseに、当該ｉ番目の軌跡データＴｒ_i、記憶エリアＮ_base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。

記憶エリアＴｒ_base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Ｎ_baseは、記憶エリアＴｒ_base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。

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Ｎ_base、記憶エリアＴｒ_baseに記憶される値の初期値に設定している。

ステップＳ６では、Ｎ_base、Ｔｒ_base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。

Ｔｒ_baseは、最初の処理対象であった軌跡データＴｒ_i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、Ｔｒ_base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。

Ｎ_baseは、Ｔｒ_baseが上記のように更新される度に、当該Ｔｒ_base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。

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。

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、Ｎ_baseの値とを比較し、ＮがＮ_base以上か否かをチェックする。ＮがＮ_base以上であればステップＳ６に移行し、前述したように、Ｎ_base、Ｔｒ_baseの更新を行う。ＮがＮ_base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。

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。

ステップＳ９では、選択部１０４は、Ｔｒ_base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。

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Ｔｒ_i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。

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。

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Ｔｒ_i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。

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ｓｔａｒｔ_min及び終了時刻ｅｎｄ_minを検出する。ここで、検出する区間の開始時刻ｓｔａｒｔ_min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ｅｎｄ_min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。

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。

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。

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。

また、図６に示す処理動作では、処理対象の軌跡データＴｒ_i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Ｄ_min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（ｓｔａｒｔ_min，ｅｎｄ_min）を区間として検出する。

図６の説明に戻り、ステップＳ４０１では、Ｄ_minに∞、ｓｔａｒｔにｓｔａｒｔ₀、ｅｎｄにｅｎｄ₀をそれぞれ代入して初期化する。Ｄ_min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Ｄ_min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。

次に、ステップＳ４０２へ進み、記憶エリアＰ_Tr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Ｐ_Trに記憶された仮区間Ｔｒ（ｓｔａｒｔ，ｅｎｄ）内の軌跡データＰ_Tr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Ｐ_TrとＰとの間の距離Ｄ（Ｐ，Ｐ_Tr）を算出する。さらに、算出した距離Ｄ（Ｐ，Ｐ_Tr）とＤ_minとを比較し、距離Ｄ（Ｐ，Ｐ_Tr）がＤ_min未満であれば、Ｄ_min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，Ｐ_Tr）は、例えば式（１）に従って算出する。なお、距離Ｄ（Ｐ，Ｐ_Tr）の値が小さいほど、ＰとＰ_Trとの間の類似度が高いことを意味し、距離Ｄ（Ｐ，Ｐ_Tr）の値が高いほど、ＰとＰ_Trとの間の類似度が低いことを意味する。

ここで、ｃは分割数であり、ｘ（ｋ）及びｘ_Tr（ｋ）はそれぞれＰ及びＰ_Tr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Ｐ_Tr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，Ｐ_Tr）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。

ステップＳ４０４では、ｓｔａｒｔ_min及びｅｎｄ_min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、Ｄ_minをステップＳ４０３で算出された距離Ｄ（Ｐ，Ｐ_Tr）で更新する。ｓｔａｒｔ_min及びｅｎｄ_min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、Ｄ_min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。

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。

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。

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。

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ｅｎｄ_{0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。

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。

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。

区間検出範囲内の区間の探索が終了した場合、Ｄ_min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（ｓｔａｒｔ_min，ｅｎｄ_min）に記憶されている。すなわち、当該区間検出範囲内から、ｓｔａｒｔ_minからｅｎｄ_minまでの区間が検出されたことになる。

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Ｄ_min）と、予め定められた閾値Ｄ_cycleとを比較し、Ｄ_minがＤ_cycle以下の場合には、当該区間を類似区間と判定する。一方、Ｄ_minがＤ_cycle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。

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。

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。

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ｅｎｄ_minを代入した後、ｅｎｄ₀にｓｔａｒｔ₀＋｜Ｐ｜を代入する。

次に、ステップＳ４１２では、更新後のｅｎｄ₀が軌跡データＴｒ_i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。

ステップＳ４１２において、更新後のｅｎｄ₀が軌跡データＴｒ_i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Ｔｒ_i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Ｔｒ_i中の類似区間の総数Ｎが得られる。

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Ｔｒ_i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Ｎ_baseとを比較して、ＮがＮ_base以上の場合に、Ｎ_baseを当該Ｎで更新する。さらに、ステップＳ６において、Ｔｒ_baseの更新を行う。

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、Ｔｒ_base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、Ｔｒ_base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。

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ｓｔａｒｔ_min及び終了時刻ｅｎｄ_min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。

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。

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。

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。

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。

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。

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。

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。

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。

（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。

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。

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。

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。

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。

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。

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。

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。

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。

本発明の第１実施形態に従う作業分析システムを示すブロック図。 作業部位にマーカを装着した作業者を示す図。 頭、右手、左手のｘ座標及びｙ座標の軌跡データの例を示すグラフ図。 基準サイクルを点線により特定したグラフ図。 基準軌跡データの選択処理の流れを示すフローチャート。 図５のＳ４におけるＮの算出処理の流れを示すフローチャート。 図６のＳ４０１からＳ４０８における区間検出の参考図。 類似区間と非類似区間に分割された基準軌跡データのグラフ図。 本発明の第２実施形態に従う作業分析システムを示すブロック図。 軌跡データ記憶部の軌跡データの記憶例を示した図。 基準サイクル記憶部の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図。 基準軌跡データ記憶部の情報記憶例を示した図。 分析結果の表示例を示した図。 分析結果の他の表示例を示した図。

符号の説明

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

Claims (13)

1. 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の記憶手段と、
   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。
2. 前記検出手段は、前記基準サイクルの長さに基づき設定された開始時から終了時までの軌跡データと前記基準サイクルパターンとを比較することにより、前記区間の開始時及び終了時を検出することを特徴とする請求項１記載の作業分析システム。
3. 前記基準軌跡データ中の前記複数の区間のなかから、予め定められた条件を満たす要改善区間を検出する要改善区間検出手段をさらに含む請求項１記載の作業分析システム。
4. 前記要改善区間検出手段は、前記非類似区間を前記要改善区間として検出することを特徴とする請求項３記載の作業分析システム。
5. 前記条件は、区間長に対する条件であることを特徴とする請求項３記載の作業分析システム。
6. 前記要改善作業を特定するための定義情報を基に、前記要改善区間内の要改善作業を特定する要改善作業特定手段をさらに含む請求項３記載の作業分析システム。
7. 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第１の記憶手段に記憶するステップと、
   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。
8. 前記検出ステップは、前記基準サイクルの長さに基づき設定された開始時から終了時までの軌跡データと前記基準サイクルパターンとを比較することにより、前記区間の開始時及び終了時を検出することを特徴とする請求項７記載の作業分析方法。
9. 前記基準軌跡データ中の前記複数の区間のなかから、予め定められた条件を満たす要改善区間を検出する要改善区間検出ステップをさらに含む請求項７記載の作業分析方法。
10. 前記要改善区間検出ステップは、前記非類似区間を前記要改善区間として検出することを特徴とする請求項９記載の作業分析方法。
11. 前記条件は、区間長に対する条件であることを特徴とする請求項９記載の作業分析方法。
12. 前記要改善作業を特定するための定義情報を基に、前記要改善区間内の要改善作業を特定する要改善作業特定ステップをさらに含む請求項９記載の作業分析方法。
13. コンピュータを、
    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。

Images