JP2020144504A - 分析支援装置、および、分析支援方法 - Google Patents

Abstract

【課題】 認識精度の低下をもたらすものとして、認識結果のクラス分類の曖昧さから、適切な識別に定義し直すとともに、曖昧さを含むデータを追加学習として取り込むことで精度向上を期待できるものではあるが、観察対象であるフィールドと期待される要件に対して、精度向上を試みるための対策は多数あり、それについては、様々な要因によって異なる。【解決手段】 センサが出力したフィールド情報を、学習データを参照する認識アプリケーションで処理し、フィールド内の状況を認識するフィールド認識部と、前記認識アプリケーションの認識結果を定量評価する認識評価部と、前記認識アプリケーションを改善するための対策を保存したプロセスデータベースと、該プロセスデータベースに保存された対策のうち、前記認識評価部による前記認識アプリケーションの定量評価に応じた対策を抽出して指示する対策抽出指示部と、を具備することを特徴とする分析支援装置。【選択図】 図１

Description

本発明は、人物や車両等の移動物体の検出や追跡を実行する空間（フィールド）上のデータ解析に関するもので、人物等の行動パターンを理解したり、施策を検討したりするための分析装置のうち、人物等の行動パターンの分析性能を効率的に向上させる分析支援装置に関わる。

人物や車両等の移動物体の検出方法として、監視カメラ等のセンサを用いる検出方法が知られている。例えば、監視カメラを用いる場合であれば、画像認識によって移動物体の位置や軌跡を算出し、監視エリア内の監視に活用されている。

このように、撮像機器から取得した画像に対して認識処理を施し、監視エリアに現れる移動物体を検出する画像監視システムの中は、移動物体の検出結果を利用することで、移動物体が出現した画像のみを記録したり、移動物体が出現したときに表示装置に警告アイコンを提示したり、ブザー等を鳴らして監視員に注意を促したりする機能を有するものがある。これらの機能により、画像監視システムの登場以前は常時監視が必要であった監視業務の大幅な負担低減が達成されている。また、この画像監視システムでは、窃盗などの犯罪行為や不正行為が発生した場合、記録した画像を事後の犯罪捜査などに役立てることも可能である。

近年では、上記の検出技術が、各種センサを活用した認識アプリケーションとともに様々なフィールドに適用されおり、その利用目的も、防犯用途に限られず、マーケティング目的や、公共空間の空間利用の利便性を高める目的にまで広まっている。また、その利用場所も、ビルや公共施設等の屋内から、街区等の屋外まで広まっており、例えば、都市開発のような分野であっても、フィールドの監視技術へのニーズが高まっている。

しかしながら、フィールドの監視のためには、移動物体の検出精度の向上が不可欠である。一般的に、認識アプリケーションは、カメラの設置方法やアプリケーションにおけるパラメータ調整が認識精度に影響を与え、また、機械学習による手法であれば、学習方法や選択されるモデル、学習データベースなどの構築などが、認識精度に影響を与える。

種々要因の影響を受けうる検出精度を向上させる従来技術としては、例えば、特許文献１に記載のものが知られている。同文献の要約書には、「ユーザにとって最適な画像認識を可能とする」ための手段として、「識別部は、入力された画像データのクラス認識処理を行う。認識結果出力部は、画像データと認識結果を表示装置に表示させる。認識結果修正部は、入力装置から入力されるユーザによる認識結果の評価に基づき、入力画像データの認識結果を修正し、識別部に転送する。識別部は、転送された修正認識結果と入力画像データから学習データを設定し、追加学習を行う。」と記載されており、認識結果の精度向上のために、ユーザによる評価を活用する方法が提案されている。

このように、特許文献１に記載の方法は、ユーザにとって最適な画像認識をするために、画像認識の結果に対し、ユーザ評価をさせることで、追加学習等を効率的に行うものである。これは、期待される認識結果に対して、想定と異なる結果が出てきた際に、その結果を期待されるカテゴリ（より適切と思われるカテゴリ）へと登録し直し（学習データベースでいうと正解データの付与と、追加学習データとしての登録）、再学習を試みるものである。

特開２０１２−１７４２２２号公報

しかしながら、特許文献１の手法には、以下の課題がある。

まず、認識精度の低下をもたらすものとして、認識結果のクラス分類の曖昧さから、適切な識別に定義し直すとともに、曖昧さを含むデータを追加学習として取り込むことで精度向上を期待できるものではあるが、観察対象であるフィールドと期待される要件に対して、精度向上を試みるための対策は多数あり、何れの対策が有効であるかは、様々な要因によって変化する。すなわち、適切な対策を選択するのが困難であり、適切な対策を選択しなければ、認識精度の向上が実現できないという課題がある。

また、機械学習を中心とする認識機能においては、開発フェーズにおいては有効な対策であっても、実際の現地での検証時には、何度も試行錯誤的に改善を試みることを余儀なくされることが多い。そのため、開発者や作業者の作業負担が膨大になるという課題がある。

さらには、作業者によって、その経験の差から対策に違いが生じ、熟練度の低い作業者であれば期待通りの性能向上が得られないという課題もある。特に、機械学習などの高度なアプリケーションが増加傾向にある昨今では、作業時間の増大や作業者確保の問題へとつながることが考えられる。

これらの問題は、あるプロジェクトによる作業に対して、試行錯誤した結果やその効果などが適切に保存されてないため、知識の共有がされず、類似事例に対して過去の知見を展開できないことによる。さらに具体的には、認識アプリケーションの認識精度を向上させようとしても、現状の課題への対策が適切に示されないため、現場での対策が場あたり的なものになり、その結果、改善の成功および失敗事例が形式知化されないことが主な要因として考えられる。このような事態を避けるには、単純に結果のみではなく、作業者がどのような判断でその対策をとったかなど、システムの判断と作業者の判断を含めた情報を保存すると共に、両者の判断を有機的に活用させることが有効である。

本発明は、上記のような問題点を解決するためになされたものであって、センサが認識した結果を用いて、予め構築したプロセスデータベースに基づき対策を抽出し、作業者に示すことで、適切な改善方法を選択可能とするとともに、分析条件の調整、学習データのデータ量改善、データ精度の向上などの改善作業プロセスを保存し、その有効性を含めプロセスを整理・保存することで、当該知見の類似事例への応用を可能とする、分析支援装置および分析支援方法を提供することを目的とする。

上記課題を解決するため、本発明の分析支援装置は、センサが出力したフィールド情報を、学習データを参照する認識アプリケーションで処理し、フィールド内の状況を認識するフィールド認識部と、前記認識アプリケーションの認識結果を定量評価する認識評価部と、前記認識アプリケーションを改善するための対策を保存したプロセスデータベースと、該プロセスデータベースに保存された対策のうち、前記認識評価部による前記認識アプリケーションの定量評価に応じた対策を抽出して指示する対策抽出指示部と、を具備するものとした。

本発明によれば、センサにより取得したフォールド認識データに対して、作業者の改善方法をプロセスデータベースから取得した対策を提示し、適切な方法を示すことによって、より効率的な改善を可能とすると共に、それらのプロセスを集約することによって、当該知見を類似事例の作業改善に応用することを可能とする。

一実施例の分析支援装置を示すシステムブロック図 一実施例の認識部における処理プロセスを示したもの 一実施例による、評価結果と改善のための対策プロセスを示した図 一実施例による、識別結果の判断を促すデータ表現を示した図 一実施例による、作業プロセスを集約したプロセスデータベースを示した図 一実施例による、作業プロセスの視点で、改善作業について示した図 一実施例による、最終的な作業プロセスを修正・整理する例を示した図 一実施例による、作業者への情報提示のインタフェースを示した図 一実施例による、作業者の評価情報の提示例を示した図

以下、本発明の一実施例の分析支援装置を、図面を参照し詳細に説明する。

図１は、本実施例の分析支援装置１０の全体像を表すシステムブロック図である。なお、以下では、所定のフィールド上の人物を監視する場合の改善プロセスを例に説明するが、監視対象は人物に限定されず、車両など他の移動物体であっても良い。

図１に示すように、本実施例の分析支援装置１０は、センサ１、認識部２、学習部３、作業支援部４、データ入力部５を備えている。これらの構成要素のうち、認識部２、学習部３、作業支援部４は、実際には、ＣＰＵ等の演算装置、半導体メモリ等の主記憶装置、ハードディスク等の補助記憶装置、および、通信装置などのハードウェアを備えたパソコン等の計算機により実現される機能であり、より具体的には、演算装置が主記憶装置にロードされた認識アプリケーション等のプログラムを実行することで実現される機能である。以下では、このような計算機分野における周知技術を適宜省略しながら説明する。

分析支援装置１０の処理内容を概説すると、まず、認識アプリケーションを用いてフィールド内の人物の検出や追跡等の解析を実行する。そして、認識アプリケーションの認識結果を評価した後、その評価結果を基に、事前に用意したプロセスデータベースに保存された対策を抽出し、作業者に適切な対策を指示する。さらに、作業者が実施した対策に対して、そのプロセスを複数の観点で集約、整理することで、そこで得られた知見を、その後の類似プロジェクトで活用し、以後は更に効率的な分析を可能とするというものである。

この分析支援装置１０は、より具体的には、認識アプリケーションの課題を３つのカテゴリに分類し、それぞれどのようなプロセスで実施していくべきかを対策として提示することで、過去事例での成功・失敗ケースに基づいて、改善方法を見出すことを支援する。

以上で概説した分析支援装置１０の処理を、図１に沿って換言していくと、次のように説明することができる。すなわち、センサ１の出力データに基づいて、認識部２で人物の行動を認識し、その認識結果に対する作業者の評価結果を作業支援部４へ入力し、過去の事例を踏まえて作業者に対策を提示する。そして、作業者は提示された対策を参考にして、学習部３の学習データベース３２の再構築や、認識部２のパラメータ変更を試みる。さらに、これらの作業内容と作業結果は、作業支援部４のプロセスデータベース４３に改善プロセスとして保存される。ここで概説した各構成の詳細を、以下、順次説明する。
＜センサ１＞
センサ１は、カメラ、距離センサ、レーザー、ビーコンセンサ、無線アクセスポイント等の、フィールド監視に利用可能な様々な機器の何れかであり、センサ１が取得したデータを用いることで、フィールド内の人物の状況を検出することができる。

例えば、センサ１が、レンズと画像センサを備えた監視カメラであれば、画像センサが撮像した画像データＰを用いて、フィールド内の人物の状況を検出することができる。この場合に用いられる画像センサは、例えば、ＣＭＯＳ（Complementary Metal Oxide Semiconductor）や、ＣＣＤ（Charge Coupled Device）等の撮像素子である。以下では、特筆しない限り、センサ１が監視カメラであり、フィールド情報の一種である画像データＰに基づいて、フィールド内を解析するものとする。
＜認識部２、学習部３＞
まず、図１と図２を用いて、認識部２と学習部３について説明する。

認識部２は、図１に示すように、フィールド認識部２１、パラメータデータベース２２、認識評価部２３、パラメータ調整部２４から構成され、センサ１が出力したフィールド情報（画像データＰ）に基づき、フィールド内の状況を認識するとともに、その認識結果を評価するものである。

センサ１から認識部２に入力された画像データＰは、フィールド認識部２１で所定の画像認識アプリケーションを活用して処理される。ここで用いられる画像認識技術は、人物検出技術や人物追跡技術等の、人物の移動軌跡を取得する基本的な画像認識技術である。そして、センサ１と画像データＰの既知の対応関係に基づいて、人物の位置座標を取得したり、それらを地図情報に重畳させることで人物の行動を実世界のフィールドと対応させて取得したりする。例えば、特定時間や特定エリアのフィールドデータを集約することで、特定期間の人流量や、特定エリアの人流軌跡を地図上に累積することができ、人流量や人流軌跡の統計情報を得ることができる。

ここで、フィールド認識部２１で利用するパラメータの生成プロセスの一例を説明する。この例は、学習部３でパラメータを生成する例であり、また、学習部３は、認識学習部３１、学習データベース３２、学習データ管理部３３を備えている例である。

ここに示すように、学習部３は、学習データベース３２のデータを活用して認識学習部３１で識別器や識別モデル等を生成する。以下では、認識学習部３１から出力される、識別器などの分析モジュールや、深層学習などでいう識別モデルや、畳込み等のパラメータなどを総称して単に「パラメータ」と呼ぶこととする。また、以下においては、これらのパラメータは、対象となるフィールドや認識要件に応じて開発者や作業者が任意に設定できるものとする。なお、本実施例の学習部３においては、作業者が学習データベース３２を改変したり、学習データベース３２に追加データを保存したりできるだけでなく、いわゆる教師データとよばれる、学習データと正解値をセットにしたデータの編集を学習データ管理部３３で実行することが可能である。

ここで、図２を用いて、認識部２の処理プロセスについて順を追って説明する。まず、フィールド認識部２１は、センサ１から画像データＰを取得する（Ｓ２１）、次に、フィールド認識部２１は、事前に学習データベース３２に登録された学習モデルや、作業者がパラメータデータベース２２に登録したパラメータを取得する（Ｓ２２）。

次に、フィールド認識部２１は、画像データＰを解析することで取得した人物検出の結果や、軌跡などの行動データを、認識評価部２３に送信する（Ｓ２３）。認識評価部２３では、認識率や追跡率、処理時間などの評価指標にそって、現状のフィールド認識部２１の処理の定量評価結果を出力する（Ｓ２４、Ｓ２５）。
＜作業支援部４＞
次に、作業支援部４について説明する。作業支援部４は、図１に示すように、対策抽出指示部４１、プロセス集約部４２、プロセスデータベース４３を備えている。

認識部２が出力したフィールドの認識結果は、対策抽出指示部４１に入力される。ここで、対策抽出指示部４１は、プロセスデータベース４３を参照し、類似事例とともに、適当と考えられる対策指示を作業者に情報提示する。作業支援部４からの情報提示は、例えば、分析支援装置１０に接続された液晶ディスプレイ等に、ＧＵＩ（Graphical User Interface）を表示することで行われる。

図３を用いて、作業支援部４による対策指示の具体事例について説明する。例えば、認識部２の出力が評価結果Ｒであった場合、その評価結果Ｒを様々な精度低下要因に関連付けることができる。ここでは、精度低下要因が、「遠方検出精度」、「環境変化による誤検出」、「性別認識精度 未達成」、「人物分離 未達成」の四要因である場合の、それぞれの要因への対策と、各対策の有効確率を示している。これにより、作業者は有効と思われる対策を施すことで、例え熟練度の低い作業者であっても、次回以降の認識処理の精度をより高めることができる。

ここで、上述したＧＵＩの詳細を説明する。図４は、分析支援装置１０に接続された液晶ディスプレイ等に表示されたＧＵＩの一例であり、機械学習により分類された精度低下要因を、３次元空間に配置してグラフィカルに示した例である。

ここでは、評価結果Ｒの精度低下要因を、Ｃ_１からＣ_５のクラスに分類している。このクラスとは、例えば、年齢、性別、行動パターンのような、人物の特徴であるペルソナのようなものである。図４の領域Ｄ_１では、クラスＣ_１とクラスＣ_２が近接しており、認識アプリケーションへの入力値によっては誤認識が発生すると考えられる。この場合は、これらの境界をより明確にするよう、学習データの再構築などを実施する必要がある。クラスＣ_３は領域Ｄ_２に示すように、非常にコンパクトな特徴空間になっており、特に対策を施さずとも現状の認識アプリケーションが有効であると判断できる。一方で領域Ｄ_３では、クラスＣ_４と判断される入力群が更に２つのクラスに分離される可能性を示している。その場合、例えば、識別結果をクラスＣ_４ａとクラスＣ_４ｂに分類し直すなどの、認識アプリケーション修正の対策が考えられる。さらに、領域Ｄ_４に示すように、クラスＣ_５と識別される入力データは広範囲に及んでいる。クラスＣ_５が広範囲に及ぶ要因は、例えば、教師データ付与の曖昧さであることが考えられる。そのような結果をもとに、作業支援部４は、学習データの再構築についての指針を示すと共に、作業者の判断を適切に誘導することも可能となる。

なお、図４に示す矢印マークは、マウス等の入力装置を用いて動かすことができるポインタを示しており、このポインタを任意のクラスの近傍に移動させ、マウスをクリックするなどすることで、当該のクラスに対してはどのような処理をしたら良いかの助言（図３の右側に列挙した対策）が表示されるようになっている。

ここで、学習データの追加・修正や、パラメータの変更等の、作業者が実際に行った対策とその結果については、プロセス集約部４２を介して、プロセスデータベース４３に保存されるものとする。プロセスデータベース４３に保存されるデータは、例えば、図５に示すように、作業時刻、プロセスの分類、作業カテゴリ、具体的な作業内容、その結果、および、詳細を集約したデータである。

以上が、本実施例の全体動作である。
＜分析支援装置１０の活用プロセス＞
次に、本実施例の分析支援装置１０の具体的な活用プロセスを、図６を用いて説明する。図６は、作業者による試行錯誤のプロセスを例示したもので、評価結果Ｒ_１〜Ｒ_３のそれぞれに対し、プロセス改善を実行した事例を図示している。

図６においては、プロセス改善のための対策を、「分析条件」、学習データの「データ量」、そのデータの質を示す「データ精度」の３つの観点に分類している。分析条件に関する対策は、例えば、センサ１の設置位置を変更する対策や、センサ１の感度などのパラメータを変更する対策、さらには分析対象を変更する対策である。センサ１におけるパラメータとはセンサのデータの取得間隔や解像度、受光感度などのパラメータであることや、認識のためのパラメータとして認識学習部３１に関連するパラメータも含まれる。分析対象の変更とは、人物全般を分析対象とした人物追跡処理を実行していることを例とすれば、成人のみを分析対象とするなど、目的に応じて分析対象の選定に制約を設けることが意味する。前述のパラメータの変更によって対象を絞り込むことも可能であるし、また、認識された結果そのものの信頼性が低いことを考慮して、最終的に考察する場合の注釈として分析対象を変更する旨を作業者に通知することを可能とする。

また、データ量に関する対策は、例えば、学習データを増やす、または、減らす対策である。この場合、データ量に関しては特定の認識結果に影響する所定のデータ群に対して、対策を実行する。図４で説明した通り、具体的なクラスの認識に影響のある学習データを操作することを意味する。さらに、データ精度に関する対策は、例えば、学習データの正解付け方法を変更する対策であり、例えば、人物など対象物の切り出し方法を変更する対策や、学習データのノイズを低減する対策である。

最初の評価結果Ｒ_１に対する第一プロセスは、「分析条件」の改善をプロセスＡ−１、プロセスＡ−２と２回実施した例である。例えば、図５の表中のデータのように、カメラ配置を変更（Ａ−１）した後に、認識パラメータ（Ａ−２）を変更するような例である。第一プロセスの結果、認識部２の認識評価部２３からは、評価結果Ｒ_２を得ることができる。

次いで、第一プロセスで得られた評価結果Ｒ_２に対し、第二プロセスを実行する。第二プロセスでは、まず、「データ量」に関連する改善方針として、三種類のプロセス（Ｂ−１〜Ｂ−３）を実行した後、「データ精度」に関連する改善方針として、学習データベース３２の正解データの切り出し方法変更の補正のプロセス（Ｃ−１）と、データ整理のノイズ低減のプロセス（Ｃ−２）を実行し、最後に、「分析条件」に関連する改善方針として、認識パラメータの感度を補正（Ａ−２）する。第二プロセスの結果、認識部２の認識評価部２３からは、評価結果Ｒ_３を得ることができる。

最後に、第二プロセスで得られた評価結果Ｒ_３に対し、第三プロセスを実行する。第三プロセスでは、「データ精度」に関連する改善方針として、プロセスＣ−１とプロセスＣ−２を実行し、「分析条件」に関連する改善方針として、プロセスＡ−２を実行する。第三プロセスの結果、認識部２の認識評価部２３からは、図示しない評価結果Ｒ_４を得ることができる。

以上で試行した各プロセスには、有効であったものと、そうでなかったものがあるため、図６に例示した改善作業の終了後に、作業者は図７に示すような、有効なプロセスを集約した対策プロセスを定義し、プロセスデータベース４３に保存する。この結果、分析支援装置１０は、以後、プロセスデータベース４３に新規に保存された図７の対策プロセスも提案できるようになる。

次に、図８を用いて、あるフィールドにおける認識アプリケーションの改善テスト時に、分析支援装置１０と接続された液晶ディスプレイ等の表示画面８０の一例を説明する。ここに示す表示画面８０は、いわゆるウィンドウ表示された画像であり、日付欄８１、改善テスト名称欄８２、条件入力欄８３、現状分析欄８４、作業プロセス集約欄８５、タイムシーケンス拡大欄８６、タイムシーケンス欄８７、サーチ釦８８を備えている。

この例では、条件入力欄８３に入力された、人物の検出精度や検出時間などの目標値に対して、現状の認識アプリケーションによる達成度を現状分析欄８４示し、それまでに実行されたプロセスをタイムシーケンス拡大欄８６のバー８６ａの左側に提示している。さらに、バー８６ａの右側には、今後の作業をタイムシーケンスで示し作業者の次の作業を提示することを可能としている。なお、この事例のフィールドに類似するフィールドでの対策方法を検索することで、本事例のタイムシーケンスを確定する際に参照することも可能である。

次に、本実施例の別の活用方法の他の例について図９の表示画面９０を用いて説明する。ここに示す表示画面９０は、いわゆるウィンドウ表示された画像であり、作業者指名欄９１、作業者基礎情報欄９２、現状分析欄９３、作業Ａ成績欄９４、作業Ｂ成績欄９５、メモ欄９６、編集釦９７を備えている。

この表示画面９０を利用することで、作業者の作業スキルについても分析することができる。つまり、作業者が実施した対策の改善率を考慮すれば、各作業者のスキルレベルを一定の尺度で評価することができる。これにより、各作業者の得手不得手を把握できるため、作業者を特定するための情報と、その作業者による認識アプリケーションの改善率を関連付けてプロセスデータベース４３に保存しておき、図９に例示する画面を介して、作業者毎の特異な状況を提示することで、現場作業の適切な人員選定にも役立てることができる。

以上、本実施例によれば、センサにより取得したフォールド認識データに対して、作業者の改善方法をプロセスデータベースから取得した対策を提示し、適切な方法を示すことによって、より効率的な改善を可能とすると共に、それらのプロセスを集約することによって、類似の事例における作業改善を更に効率的に実施することを可能とする。

本実施例では、作業者による入力をＰＣ上の画面での入力などとしているが、たとえばタブレット端末による現地でのリアルタイム入力を可能にする場合や、逆に紙面上での記入を元にスキャニングによってデータ化するようなプロセスであっても、観察データの入力等を可能とする事ができる。

１０ 分析支援装置、
１ センサ、
２ 認識部、
２１ フィールド認識部、
２２ パラメータ、
２３ 認識評価部、
２４ パラメータ調整部、
３ 学習部、
３１ 認識学習部、
３２ 学習データベース、
３３ 学習データ管理部、
４ 作業支援部、
４１ 対策抽出指示部、
４２ プロセス集約部、
４３ プロセスデータベース、
５ データ入力部

Claims (8)

1. センサが出力したフィールド情報を、学習データを参照する認識アプリケーションで処理し、フィールド内の状況を認識するフィールド認識部と、
   前記認識アプリケーションの認識結果を定量評価する認識評価部と、
   前記認識アプリケーションを改善するための対策を保存したプロセスデータベースと、
   該プロセスデータベースに保存された対策のうち、前記認識評価部による前記認識アプリケーションの定量評価に応じた対策を抽出して指示する対策抽出指示部と、
   を具備することを特徴とする分析支援装置。
2. 請求項１に記載の分析支援装置において、
   前記プロセスデータベースに保存されている対策は、
   前記フィールド情報の分析条件に関する対策と、
   前記学習データのデータ量に関する対策と、
   前記学習データのデータ精度に関する対策と、
   であることを特徴とする分析支援装置。
3. 請求項２に記載の分析支援装置において、
   前記分析条件に関する対策は、前記センサの設置位置を変更する対策、または、前記センサのパラメータを変更する対策、または、分析対象を変更する対策、であることを特徴とする分析支援装置。
4. 請求項２に記載の分析支援装置において、
   前記データ量に関する対策は、前記学習データにおける所定データを増やす対策、または、減らす対策であることを特徴とする分析支援装置。
5. 請求項２に記載の分析支援装置において、
   前記データ精度に関する対策は、前記学習データの正解付け方法を変更する対策、または、前記学習データのノイズを低減する対策であることを特徴とする分析支援装置。
6. 請求項１から請求項５の何れか一項に記載の分析支援装置において、
   前記認識アプリケーションの改善に有効であった対策は、その効果とともに前記プロセスデータベースに保存されることを特徴とする分析支援装置。
7. 請求項６に記載の分析支援装置において、
   前記認識アプリケーションの改善に有効であった対策は、その対策を選択した作業者を特定する情報とともに前記プロセスデータベースに保存されることを特徴とする分析支援装置。
8. センサが出力したフィールド情報を認識アプリケーションで処理し、フィールド内の状況を認識するステップと、
   前記認識アプリケーションの認識結果を定量評価するステップと、
   前記認識アプリケーションを改善するための対策を保存したプロセスデータベースに保存された対策のうち、前記認識アプリケーションの定量評価に応じた対策を抽出して指示するステップと、
   を具備することを特徴とする分析支援方法。

Images