CN115004203A - 行动解析装置以及行动解析方法 - Google Patents

Abstract

行动解析装置具有：取得部，取得在规定的区域内进行规定的行动的人的位置信息；数据累积部，累积由所述取得部取得的位置信息的时序数据；以及数据解析部，通过从所述时序数据来解析位置信息的变化的周期性的图案，来生成表示1周期中的位置信息的平均变化的模型。

Description

行动解析装置以及行动解析方法

技术领域

本发明涉及用于解析人的行动的技术。

背景技术

在制造物品的现场中，生产效率的提升是重要的命题。如单元生产方式这样、基于人工的作业多且各作业者需要进行复杂的作业的现场中，作业的推进方式、动作方式等根据作业者而不同，每个作业者的作业效率容易产生偏差。从而，期望发现各作业者的动作的浪费、发现容易产生作业的延迟或错误的地方，来实现工序或作业内容的改善。但在过去，实情为只有监督者或熟练工监视各作业者的动作来发现动作的浪费或容易产生延迟、错误的作业的方法，对工序或作业内容的改善而言需要很多时间和高度的技能。

在专利文献1中，提出了通过准备能容易地检索熟练者的技术诀窍或事例的系统来支持作业者的方法。然而，仅提供这样系统，难以结合到作业效率的提升或工序改善中。

现有技术文献

专利文献

专利文献1:日本特开2007-148938号公报

发明内容

发明要解决的课题

本发明鉴于上述实情，其目的为提供用于支持人的行动的监视或需要改善的地方的发现的技术。

用于解决课题的手段

本公开包含一种行动解析装置，其特征在于，具有：取得部，取得在规定的区域内进行规定的行动的人的位置信息；数据累积部，累积由所述取得部取得的位置信息的时序数据；以及数据解析部，通过从所述时序数据来解析位置信息的变化的周期性的图案，生成表示1周期中的位置信息的平均变化的模型。

根据该结构，能够自动生成表示人的行动(位置信息的变化)的倾向的模型。该模型例如能够利用于以下各种各样的用途中，即，比较每个人的行动的差的目的、把握每个人的行动的特征(优点、缺点、浪费的动作等)的目的、找到规定的区域或规定的行动中需要改善的地方的目的等。

所述行动解析装置还可以具有通过将取得的1周期量的位置信息与所述模型进行比较，来检测非正常的(日文：非定常的)行动的评价部。根据该结构，能够在人进行非正常的行动的情况下自动检测，从而对人的行动监视而言有用。例如，所述评价部也可以在所述1周期量的位置信息和所述模型之间，对应的时间点中的位置信息的差和/或1周期的长度的差超过了规定的阈值的情况下，判定为非正常的行动。据此能够通过简单的处理来检测非正常的行动。此外，所述行动解析装置还可以具有在检测到非正常的行动的情况下进行通知的输出部。

所述数据累积部累积一人或多个人的时序数据，所述数据解析部也可以按每个人来解析位置信息的变化的周期性的图案，生成每个人的模型。据此，能够按每个人来分别把握不同的倾向。并且，所述评价部也可以按每个人进行所述1周期量的位置信息和所述模型的比较。据此，能够高精度地检测每个人的非正常行动。

所述行动解析装置还可以具有评价部，通过对从多个人的时序数据分别生成的多个模型相对地进行评价，来判定所述多个人各自对于所述规定的行动的熟练度。根据该结构，能够自动且简单地把握每个人的熟练度。进一步地，所述评价部也可以基于判定的熟练度来从所述多个模型之中选择熟练者的模型，并进行评价对象者的模型和所述熟练者的模型的比较。根据这样的比较，能够进行评价对象者的行动的好坏的评价、或评价对象者的行动中需要改善的地方的检测等。例如，所述行动解析装置还可以具有输出部，输出表示所述评价对象者的模型和所述熟练者的模型的差的信息。例如，通过向管理者或监督者提供这样的信息，能够支持需要改善的地方的发现、或工序改善的解决。

所述评价部也可以通过对所述多个模型各自的时间长度相对地进行评价来判定所述多个人的熟练度。据此，能够通过简单的处理来判定熟练度。例如，在所述规定的行动为由1个以上的工序构成的作业的情况下，所述评价部也可以分别从所述多个模型的每一个中求取每个工序的作业时间，按每个工序进行基于作业时间的长度的分级，从而判定所述多个人各自的每个工序的熟练度。据此，能把握每个工序的评价或需要改善的地方。

所述取得部也可以基于从感测存在于所述规定的区域的人的传感器获取的信息，来取得人的位置信息。例如，所述传感器既可以为图像传感器，也可以为人感传感器，或者，也可以是通过与人所持有的设备的组合来检测人的位置的传感器。此外，所述取得部既可以通过面部识别来识别正在进行所述规定的行动的人，也可以从外部取得用于识别正在进行所述规定的行动的人的识别信息。

本发明既可以作为具有上述手段的至少一部分的行动解析装置来掌握，也可以作为行动评价装置、行动监视装置、异常检测装置、熟练度评价装置、工序改善支持装置等来掌握。此外，本发明也可以作为包含上述处理的至少一部分的行动解析方法、行动评价方法、行动监视方法、异常检测方法、熟练度评价方法、工序改善支持方法等来掌握。此外，本发明也能够作为用于使处理器执行这样的方法的各步骤的程序、非临时性地存储了该程序的计算机可读取的记录介质来掌握。另外，上述手段以及处理各自在可能的范围内能够互相组合来构成本发明。

发明效果

根据本发明，能够提供一种用于支持人的行动的监视或需要改善的地方的发现的技术。

附图说明

图1为表示生产线中的作业者的行动解析的例子的图。

图2为表示具备行动解析装置的监视系统的结构例的框图。

图3为基于行动解析装置的数据解析以及模型生成的流程图。

图4为数据解析以及模型生成的流程的示意图。

图5为基于行动解析装置的异常检测的流程图。

图6为异常检测的流程的示意图。

图7为基于行动解析装置的熟练度判定的流程图。

图8为熟练度判定的流程的示意图。

图9为基于行动解析装置的模型比较的流程图。

具体实施方式

<应用例>

参考图1，作为本发明的应用例的1个，来说明在生产线中的作业者的行动解析中应用了本发明的例子。

在单元生产方式等生产线中，作业者一边在规定的作业区域内动作，一边按顺序完成多个作业工序。此时，作业者为了依据规定的过程来进行作业，作业者的行动可能出现一定的周期性和规则性。例如，图1的左侧是绘制了作业者的位置信息的时间的变化的图表(横轴表示时间、纵轴表示位置坐标。)，可知位置信息的变化中出现周期性的图案(pattern)(虚线)。在本方法中，通过从时序数据来解析位置信息的变化的周期性的图案，来生成表示各作业者的1周期中的位置信息的平均变化的模型。该模型表现该作业者的行动的统计性倾向，即正常的(日文：定常的)行动。

这样的模型，能够用于例如每个作业者的倾向的可见化、异常动作(非正常的行动)的判别和检测、对作业的熟练度的评价、作业者彼此的动作的比较等。图1的右侧表示模型的利用例。例如，若比较熟练者和新人A的模型，则虽然图案的形状大概相同，但新人A的图案为横宽的(即周期长)，因此可知新人A的作业的熟习度整体低。此外，若比较熟练者和新人B的模型，则可知新人B的与位置X对应的工序的熟习度低。此外，通过将逐次获取的作业者的行动与模型进行比较，能够简单地对作业者的异常动作进行判别和检测。若确认在相同位置(工序)上频发异常的动作，则该工序中有存在问题的可能性。例如，通过与在该工序中利用的机械的历史进行对照，则能够有助于发现机械的异常或故障，或者有助于该工序中的作业过程的改善。

<实施方式>

(监视系统的结构)

参考图2，对本发明的实施方式所涉及的行动解析装置进行说明。图2是表示具备行动解析装置的监视系统的结构例的框图。

监视系统1为用于监视工场的生产线中的作业者的作业状况的系统，作为主要结构，具有行动解析装置10和传感器11。行动解析装置10和传感器11的具体结构不限。例如，行动解析装置10和传感器11既可以通过有线或无线而能够互相通信地连接，也可以是一体构成(即1个框体内内置行动解析装置10和传感器11的结构)。在前者的结构的情况下，行动解析装置10的数量和传感器11的数量不限于1对1，也可以是1对N、N对1、N对N(N为2以上的整数)。在后者的结构的情况下，传感器11的控制系统和行动解析装置10的功能也可以安装在相同处理器。

(传感器)

传感器11为用于感测存在于生产线的作业者的位置的设备。若能感测作业者的位置，则传感器11的种类不限。例如，既可以是设置为拍摄作业者的行动区域的图像传感器，也可以是检测行动区域内的作业者的位置的人感传感器。作为人感传感器，有例如红外线传感器、电波式的传感器等。或者，也可以使用通过作业者所持有的设备(标签、智能电话、BLE设备、发信机等)和传感器11的组合来检测作业者的位置的构造。传感器11的感测结果被行动解析装置10逐次获取。

在本实施方式中，使用图像传感器作为传感器11。这是由于图像传感器具有能够通过1个传感器来监视广阔的区域、能够同时取得多个作业者的位置信息、能够进行位置信息的高精度的测量等优点。图像传感器具有广视野的摄像机(例如鱼眼摄像机、全景摄像机)以及处理由摄像机获取的图像的图像处理部。图像处理部可以具有例如从图像检测出人的面部或人体的功能、追踪检测出的面部或人体的功能、通过面部识别或人体识别来识别(确定)个人的功能等。图像处理部由例如处理器和存储器而构成，通过处理器读入并执行存储于存储器的程序来实现前述功能。另外，前述的功能的全部或一部分也可以由ASIC或FPGA等处理器来实现。

(行动解析装置)

行动解析装置10为使用从传感器11获取的感测结果来进行在生产线上正在进行作业的作业者的行动解析的装置。本实施方式的行动解析装置10作为主要结构，具有取得部101、数据累积部102、数据解析部103、评价部104、输出部105。行动解析装置10可以由具备例如处理器(CPU)、ROM、RAM、储存器(HDD、SSD等)、输入装置(键盘、定点设备等)、显示装置等的通用计算机构成。该情况下，图2所示的结构101～105通过处理器读入并执行存储于ROM或储存器的程序来实现。另外，结构101～105中的全部或一部分也可以通过ASIC、FPGA等处理器实现。此外，也可以利用云计算、分布式计算来实现行动解析装置10的功能。

取得部101具有从传感器11取得感测结果的数据的功能。感测结果包含例如检测到的作业者的位置信息和表示检测时刻的时间信息。此外，感测结果也可以包含位置信息和时间信息以外的信息，例如，作业者的ID(表示作业者是谁的识别信息)、生产线的编号等。位置信息为表示例如作业者存在的位置的坐标值。位置信息的坐标系既可以是传感器坐标系，也可以是全局坐标系。此外，也可以使用表示平面内的位置的2维坐标系，在作业者的动作可视为单纯的往返动作的情况下还可以使用1维坐标系。另外，在本实施方式中采用了在传感器11(图像传感器)侧算出作业者的位置信息的结构，但也可以从传感器11获取原始数据(图像传感器的情况下为图像数据)，取得部101进行原始数据的解析(图像数据的情况下为面部或人体的检测)来识别作业者的位置信息。此外，取得部101也可以通过面部认证等技术从图像数据进行作业者的识别。或者也可以与感测结果分开，作业者的识别信息从外部被获取到取得部101。例如，从作业者所持有的ID卡读取到的识别信息和时间信息也可以一起被获取至取得部101，基于时间信息进行与位置信息的关联。或者用户(行动解析装置10的操作者)也可以手动输入作业者的ID。

数据累积部102具有将由取得部101取得的感测结果的时序数据累积于非易失性的储存器内的功能。图2示意性地表示累积的时序数据的一例。在图2的例子中，按作业者的ID区别地累积生产线的编号、位置信息、以及表示检测日期和时间的时间信息。

数据解析部103具有通过从时序数据解析位置信息的变化的周期性的图案，来生成表示1周期中的位置信息的平均变化的模型的功能。此时，数据解析部103按每个作业者来进行时序数据的解析，生成每个作业者的模型。即，可以说数据解析部103生成表示每个作业者的行动的统计性倾向(正常的行动)的模型。

评价部104具有通过将由取得部101新取得的1周期量的位置信息与通过数据解析部103生成的模型进行比较，检测非正常的行动的功能。此外，评价部104具有通过对从多个作业者的时序数据分别生成的多个模型相对地进行评价来判定各作业者的熟练度的功能、比较熟练者和非熟练者之间的模型(行动的倾向)的功能等。

输出部105具有输出由数据解析部103或评价部104得到的信息的功能。输出部105既可以向行动解析装置10具备的显示装置输出信息，也可以向外部的装置传输信息。例如，既可以向管理者或监督者的终端发送通知消息，也可以对其他装置发送警告信号或控制信号，还可以发出声音、光、振动等。

(模型的生成)

参考图3以及图4，说明数据解析以及模型生成的处理例。图3为基于行动解析装置10的数据解析以及模型生成的流程图，图4为数据解析以及模型生成的流程的示意图。图3的处理可以在统计学上足够量的时序数据被累积在数据累积部102中的状态下执行。

在步骤S300中，数据解析部103决定解析对象者。例如，在数据累积部102中累积着多个作业者的数据的情况下，数据解析部103可以按作业者ID顺序来依次选择解析对象者。或者用户也可以指定解析对象者。以后的步骤S301～S304的处理按每个解析对象者来执行。

在步骤S301中，数据解析部103从数据累积部102读入解析对象者的位置信息的时序数据40。

在步骤S302中，数据解析部103将位置信息的时序数据按周期分割，提取出“1周期量的位置信息的变化”的许多的样本41。1周期的开始点以及结束点既可以通过位置信息的时序数据的峰值(极大或极小)来判别，也可以基于位置信息的值来判别。例如，作业由工序1～工序n这n个作业工序而构成，在作业者反复执行工序1～工序n的作业的情况下，则也可以在作业者的位置信息的值进入相当于工序1的作业场所的范围的时间点判定为1周期的结束(且为下一个1周期的开始)。

在步骤S303中，数据解析部103使用在步骤S302中提取出的多个样本41，生成表示1周期中的位置信息的平均变化的模型42。例如，数据解析部103也可以对匹配时间相位来绘制多个样本的位置信息而得的数据，通过使用最小二乘法等拟合曲线来生成模型。或者数据解析部103也可以算出多个样本之间相同相位(时间点)的位置信息的平均值，根据平均值的点列(或拟合于该点列的曲线)而生成模型。此外，也可以利用这里陈述的方法以外的方法来生成模型。另外，既可以是将在步骤S302中提取出的所有样本利用于模型生成，也可以是仅利用周期的长度大致相同的样本来进行模型生成。

在步骤S304中，数据解析部103将在步骤S303中生成的模型42和解析对象者的作业者ID以及用于数据解析中的时序数据的期间的信息一起登记到数据累积部102。以后，在定义作业者各自的正常的(均衡的(日文：平準的))行动的数据这样的意义上，将在此被登记的数据称为“个人均衡化(日文：平準化)数据”。另外，数据累积部102也可以设为对于相同作业者，能够登记时序数据的期间不同的多个个人均衡化数据。这是由于随着时间的经过，对于作业的熟习度增加，行动的方式可能变化。

在步骤S305中，数据解析部103确认所有的作业者的处理是否完成，若未完成则返回步骤S301，进行下一个作业者的数据解析。

(异常的检测)

参考图5以及图6，说明异常检测的处理例。图5为基于行动解析装置10的异常检测的流程图，图6为异常检测的流程的示意图。若个人均衡化数据被生成和登记，则图5的处理成为可执行。另外，图5的处理既可以在线(即，对于在生产线的运转中从传感器11逐次获取的数据)执行，也可以离线(即，以稍后评价累积于数据累积部102等的数据的目的)执行。在这里对在线的处理进行说明。

在步骤S500中，评价部104决定评价对象者。例如，在数据累积部102中登记着多个作业者的个人均衡化数据的情况下，评价部104可以按作业者ID顺序来依次选择评价对象者。或者用户也可以指定评价对象者。以后的步骤S501～S504的处理按每个评价对象者来执行。

在步骤S501中，评价部104从数据累积部102读取评价对象者的最近1周期量的位置信息的数据60。1周期的开始点以及结束点可以按与步骤S302中陈述的方法相同的方法来判别。评价部104也可以对于1周期量的位置信息的点列而拟合曲线。

在步骤S502中，评价部104从数据累积部102读入评价对象者的个人均衡化数据61，将在步骤S501中取得的1周期量的位置信息60与个人均衡化数据61进行比较。例如，评价部104在1周期量的位置信息60和个人均衡化数据61之间计算对应的时间点(相位)中的位置信息的值的差62或1周期的长度的差63等。在这些差62、63超过了规定的阈值的情况下(步骤S503的是)，输出部105通知检测到了异常(评价对象者的非正常的行动)的意思(步骤S504)。此时，不仅通知异常的有无，也可以是表示发生了异常的作业线或作业工序的信息也一并通知。例如，发生了异常的作业工序能够从1周期量的位置信息60和个人均衡化数据61的背离最大的位置64等来估计。

在步骤S505中，评价部104确认所有的作业者的处理是否完成，若未完成则返回步骤S501，进行下一个作业者的评价。

(熟练度的判定)

参考图7以及图8，说明熟练度判定的处理例。图7为基于行动解析装置10的熟练度判定的流程图，图8为熟练度判定的流程的示意图。若多个作业者的个人均衡化数据被生成和登记则图7的处理成为可执行。在本实施方式中，通过对多个作业者的个人均衡化数据相对地进行评价来判定多个作业者各自对于作业的熟练度。

在步骤S700中，评价部104从数据累积部102取得多个作业者的个人均衡化数据。然后，在步骤S701中，评价部104从个人均衡化数据计算每个工序的作业时间。由于预先知道了位置信息的值和各工序的作业场所的对应关系，如图8所示，能够基于位置信息的值来判别各工序的开始点和结束点。

在步骤S702中，评价部104从多个作业者的数据计算各工序的作业时间的平均值以及方差。然后，在步骤S703中，评价部104按每个工序设定用于基于作业者的熟练度的分级的阈值。例如，如图8所示，也可以按作业时间短于“平均值-1σ”(σ为标准偏差)的人为“熟练者”、作业时间处于“平均值-1σ”～“平均值+1σ”的范围的人为“平均者”、作业时间长于“平均值+1σ”的人为“新人”这样分类为3级。另外，阈值的设定方法或分级的数量并不限于此，也可以适当设计。

在步骤S704中，评价部104决定评价对象者。例如，评价部104按作业者ID的顺序依次选择评价对象者即可。或者用户也可以指定评价对象者。在步骤S705中，评价部104从评价对象者的个人均衡化数据计算各工序的作业时间(若在步骤S701中计算完毕，则也可以沿用该计算结果)，通过与步骤S703中设定的阈值进行比较，决定每个工序的熟练度。在本实施方式中，例如，每个工序的熟练度设定为2(熟练者)、1(平均者)、0(新人)。然后，在步骤S706中，评价部104通过将每个工序的熟练度相加来计算综合熟练度。例如在存在3个工序的情况下，综合熟练度的得分的最小值为0(每个工序的熟练度都为0(新人)的情况)、最大值成为6(每个工序的熟练度都为2(熟练者)的情况)。

在步骤S707中，评价部104将在步骤S705以及S706中计算出的每个工序的熟练度和综合熟练度的数据与评价对象者的作业者ID以及用于评价的个人均衡化数据的期间的信息一起登记到数据累积部102。将在此登记的数据在之后称为“熟练度数据”。另外，也可以设为在数据累积部102中，对于相同作业者能够登记个人均衡化数据的期间不同的多个熟练度数据。这是由于熟练度可以随着时间的经过而提升。

在步骤S708中，评价部104确认所有的作业者的处理是否完成，若未完成则返回步骤S704，进行下一个作业者的熟练度的计算。

(与熟练者的比较)

参考图9，说明与熟练者的模型比较的处理例。图9为基于行动解析装置10的模型比较的流程图。若个人均衡化数据以及熟练度数据被生成和登记，则图9的处理成为可执行。

在步骤S900中，评价部104决定评价对象者。例如，既可以是用户指定评价对象者，也可以是评价部104自动选择评价对象者。在步骤S901中，评价部104从数据累积部102读入评价对象者的个人均衡化数据。

此外，在步骤S902中，评价部104基于熟练度数据来选择一名熟练者，从数据累积部102读入该熟练者的个人均衡化数据。例如，既可以选择综合熟练度最高的作业者作为熟练者，若仅着眼于特定的工序，则也可以选择该工序的熟练度和综合熟练度两者都高的作业者作为熟练者。

在步骤S903中，评价部104对评价对象者的个人均衡化数据和熟练者的个人均衡化数据进行比较。然后，在步骤S904中，输出部105输出表示评价对象者的个人均衡化数据和熟练者的个人均衡化数据的差的信息。例如，如图1的右侧所示，也可以将评价对象者的个人均衡化数据和熟练者的个人均衡化数据在时间轴上重叠显示。此外，也可以输出表示每个工序的作业时间的差、整体的作业时间的差、作业时间的差最大的工序的信息等。

(本实施方式的优点)

根据以上陈述的本实施方式的装置，能够自动生成表示人的行动(位置信息的变化)的倾向的模型，即个人均衡化数据。该个人均衡化数据能够利用于各种各样的用途中，即，例如比较每个人的行动的差的目的、把握每个人的行动的特征(优点、缺点、浪费的动作等)的目的、找到规定的区域或规定的行动之中需要改善的地方的目的等。此外，由于能够在人进行了非正常的行动的情况下自动检测，因此对人的行动监视而言有用。此外，能够自动且简单地把握每个人的熟练度。进一步地，通过与熟练者的比较，评价对象者的行动的好坏的评价、或评价对象者的行动之中需要改善的地方的检测等成为可能。例如，通过向管理者或监督者提供这样的信息，能够支持需要改善的地方的发现或工序改善的解决。

<其他>

上述实施方式仅例示性地说明本发明的结构例。本发明并不限于上述的具体的方式，在其技术的思想的范围内能够进行各种各样的变形。例如，上述实施方式以生产线中的作业者的行动为解析以及评价的对象，但本发明也能够在其他的对象或用途中利用。可成为其他的对象的是人预定在规定的区域内进行规定的行动的情况。例如，本发明也能够应用于在车站的检票或设施的门处，解析通行者的行动的用途。

<附记1>

行动解析装置(10)，其特征为，具有：

(1)取得部(101)，取得在规定的区域内进行规定的行动的人的位置信息；

数据累积部(102)，累积由所述取得部(101)取得的位置信息的时序数据；以及

数据解析部(103)，通过从所述时序数据来解析位置信息的变化的周期性的图案，生成表示1周期中的位置信息的平均变化的模型。

标号说明

1：监视系统

10：行动解析装置

11：传感器

Claims (16)

1.一种行动解析装置，其特征在于，具有：

取得部，取得在规定的区域内进行规定的行动的人的位置信息；

数据累积部，累积由所述取得部取得的位置信息的时序数据；以及

数据解析部，通过从所述时序数据来解析位置信息的变化的周期性的图案，生成表示1周期中的位置信息的平均变化的模型。

2.如权利要求1所述的行动解析装置，其特征在于，还具有：

评价部，通过将取得的1周期量的位置信息与所述模型进行比较，检测非正常的行动。

3.如权利要求2所述的行动解析装置，其特征在于，

所述评价部在所述1周期量的位置信息和所述模型之间，对应的时间点中的位置信息的差、和/或1周期的长度的差超过了规定的阈值的情况下，判定为非正常的行动。

4.如权利要求3所述的行动解析装置，其特征在于，还具有：

输出部，在检测到非正常的行动的情况下进行通知。

5.如权利要求2～4中任一项所述的行动解析装置，其特征在于，

所述数据累积部累积一人或多个人的时序数据，

所述数据解析部按每个人来解析位置信息的变化的周期性的图案并生成每个人的模型，

所述评价部按每个人进行所述1周期量的位置信息和所述模型的比较。

6.如权利要求1所述的行动解析装置，其特征在于，还具有：

评价部，通过对从多个人的时序数据分别生成的多个模型相对地进行评价，来判定所述多个人各自对于所述规定的行动的熟练度。

7.如权利要求6所述的行动解析装置，其特征在于，

所述评价部还基于判定出的熟练度来从所述多个模型中选择熟练者的模型，并进行评价对象者的模型与所述熟练者的模型的比较。

8.如权利要求7所述的行动解析装置，其特征在于，还具有：

输出部，输出表示所述评价对象者的模型和所述熟练者的模型的差的信息。

9.如权利要求6～8中任一项所述的行动解析装置，其特征在于，

所述评价部通过对所述多个模型各自的时间长度相对地进行评价，来判定所述多个人的熟练度。

10.如权利要求6～9中任一项所述的行动解析装置，其特征在于，

所述规定的行动为由1个以上的工序构成的作业，

所述评价部通过从所述多个模型的每一个模型求取每个工序的作业时间，并按每个工序来进行基于作业时间的长度的分级，来判定所述多个人各自的每个工序的熟练度。

11.如权利要求1～10中任一项所述的行动解析装置，其特征在于，

所述取得部以从感测存在于所述规定的区域的人的传感器获取的信息为基础，来取得人的位置信息。

12.如权利要求11所述的行动解析装置，其特征在于，

所述传感器为图像传感器、人感传感器、或者通过与人所持有的设备的组合来检测人的位置的传感器。

13.如权利要求1～12中任一项所述的行动解析装置，其特征在于，

所述取得部通过面部识别来识别正在进行所述规定的行动的人。

14.如权利要求1～12中任一项所述的行动解析装置，其特征在于，

所述取得部从外部取得用于识别正在进行所述规定的行动的人的识别信息。

15.一种行动解析方法，其特征在于，具有：

取得在规定的区域内进行规定的行动的人的位置信息的步骤；以及

通过从累积的位置信息的时序数据来解析位置信息的变化的周期性的图案，生成表示1周期中的位置信息的平均变化的模型的步骤。

16.一种程序，用于使处理器执行权利要求15中所述的行动解析方法的各步骤。

Images