JP7779472B2 - 監視システムおよび監視方法 - Google Patents

Description

本発明は、複数の作業領域の作業を監視する撮影装置による監視システムおよび監視方法に関する。

作業現場では、作業効率の向上を検討するため、管理者などが作業者の作業状況をビデオカメラで撮影している。そして、その作業画像を基に作業者の作業内容を分析し、作業の無駄を見つける作業分析手法が実施されている。作業分析では、作業分析ができるスキルを有している分析者が、評価対象の動画を見ながら、撮影された作業内容の分割を行う必要がある。

特許文献１には、ビデオカメラで撮影した作業状態を記録したビデオテープを再生するビデオ再生装置と、このビデオ再生装置に接続されたコンピュータ本体とを用いて、作業状態の内容を工程別に分割し、作業内容を解析する技術が開示されている。特許文献２においても、作業者または管理者が作業画像と作業内容の紐づけを行う技術が開示されている。

非特許文献１には、作業の様子を撮影した動画ファイルの各フレームを、作業内容に応じて分類する処理の精度を高めることを目的として、画像特徴表現手法の一つであるBag-of-Featuresにおける局所特徴量抽出手法、およびパターン認識モデルの一つであるSupport Vector Machineによる多クラス識別器構成手法について、幾つかの手法を検討し、画像分類実験を行っている。また、分類結果に基づいて単位時間当たりの代表となる作業を選定し、時系列順に代表作業を並べることにより、作業チャートを生成するとともに、作業時間を算出したことが開示されている。

特開平６－２３１１３７号公報 特許第５４１６３２２号公報

渡辺博己，外２名，"機械学習を用いた作業時間推定システムの開発"，岐阜県情報技術研究所研究報告 第18号, pp15-21, 2016

特許文献１のビデオを用いたコンピュータ支援作業解析装置によれば、ディスプレイ装置上に俯瞰的に撮影された作業エリアが映し出され、作業内容を解析する解析者は、ディスプレイ装置のその画像を見て、作業の変わり目で細目ボタンエリアから該当する作業細目名を選び、マウスでクリックして作業情報の分割作業を実施している。しかしながら、一連の作業情報が長時間であれば、分割作業に要する時間も多大な時間を要し、分割作業が大変となることが問題であった。

非特許文献１では、作業の分類結果に基づき作業時間を算出しているが、検査工程を対象として作業画像を分類しており、検査工程では、作業者は椅子に座り、机上にすわったままの作業である。作業者が複数の作業領域を移動することを対象としていない。

本発明は、前記の課題を解決するための発明であって、作業者が移動を伴う複数の作業領域毎の作業時間を容易に管理することができる監視システムおよび監視方法を提供することを目的とする。

前記目的を達成するため、本発明の監視システムは、複数の作業領域を撮影する撮影装置と、前記撮影装置により得られた映像データを解析する解析装置と、を有し、前記解析装置は、前記映像データのフレーム中の作業員を検出する作業員検出部と、前記作業員検出部で検出された作業員がどの作業領域の定義領域に存在するかを判定し、前記判定されたフレームを積算して前記各作業領域の作業時間を計測する作業時間計測部と、を有し、前記作業員検出部は、前記映像データのフレーム中の作業員を矩形として検出し、前記作業時間計測部は、前記作業員検出部で検出された前記作業員に対応する矩形である検出矩形と各作業領域の定義領域の矩形との重なり度合いを示す評価指標を算出し、前記定義領域が一部重なっている場合、前記評価指標が所定の閾値以上かつ最も前記評価指標の大きい領域に作業員が存在すると判定することを特徴とする。本発明のその他の態様については、後記する実施形態において説明する。

本発明によれば、作業者が移動を伴う複数の作業領域毎の作業時間を容易に管理することができる。

第１実施形態に係る監視システムの構成を示す図である。 第１実施形態に係る複数の作業領域を示す図である。 第１実施形態に係る作業時間計測処理の概要を示す図である。 第１実施形態に係る作業員検出モデルを示す図である。 第１実施形態に係る人物領域と作業領域との関係を示す図である。 第１実施形態に係るＧＴとＰＤの関係を示す図であり、（ａ）はarea(ＧＴ∩ＰＤ)の領域であり、（ｂ）はarea(ＧＴ∪ＰＤ)の領域である。 第１実施形態に係るＩｏＵの例を示す図である。 第１実施形態に係る作業時間計測処理を示すフローチャートである。 第１実施形態に係る作業時間計測結果の一例を示す図である。 第１実施形態に係る作業工程毎の作業時間結果を示す図である。 第２実施形態に係る作業分類部の処理を示す図である。 第２実施形態に係る作業時間計測処理を示すフローチャートである。 第３実施形態に係る深度マップによる処理を示す図である。 第３実施形態に係る作業時間計測処理を示すフローチャートである。 第４実施形態に係る３Ｄモデルを用いた物体検出モデルを示す図である。 第４実施形態に係る多視点画像の例を示す図である。 第４実施形態に係るデータセットの組合せを示す図である。

以下、本発明の実施形態について図面を参照して詳細に説明する。
＜第１実施形態＞
図１は、第１実施形態に係る監視システムの構成を示す図である。監視システムМＳは、複数の作業領域を撮影する撮影装置６０と、撮影装置６０により得られた映像データを解析する解析装置１００と、を有する。撮影装置６０、解析装置１００は、ＬＡＮ(Local Area Network)などのネットワークＮＷで接続されている。本監視システムМＳは、製造現場、作業現場における複数の作業領域間の移動を伴う作業を対象とした俯瞰視点からの撮影映像を用いた監視システムである。

撮影装置６０には、作業エリアＡ１を撮影する撮影装置６１、作業エリアＡ２を撮影する撮影装置６２等を有する。撮影装置６０は、作業エリアを俯瞰的に撮影することができる。撮影装置６０は、例えば、Ｗｅｂカメラであり、撮影された映像を、解析装置１００に送信する。

解析装置１００は、処理部１０、記憶部２０、入力部３０、出力部４０、通信部５０を有する。処理部１０には、撮影装置６０から送付される映像データを記憶部２０に記憶する映像データ保存部１１、映像データのフレーム中の作業員を検出する作業員検出部１２、作業時間計測部１３等を有する。

作業時間計測部１３は、作業員検出部１２で検出された作業員がどの作業領域に存在するかを判定し、判定されたフレームを積算して前記各作業領域の作業時間を計測する。

記憶部２０には、映像データベース２１、作業時間計測結果２２（図９参照）、作業工程毎の作業時間結果２３（図１０参照）等が記憶されている。

映像データベース２１に記憶される映像データについて説明する。
撮影装置６０（例えば、Ｗｅｂカメラ）によって動画撮影する際、例えば、フレームレート３０ｆｐｓ(frame per second)と設定した場合、１秒間に３０枚の静止画が映像データベース３１に格納され、動画では、時間軸やタイムコードといった時間を利用した管理方法が採用される。ここではタイムコードを用いて説明する。タイムコードが「００：０７：５０：１０」の場合は、表示位置０時７分５０秒１０フレーム目の位置であることを意味する。

撮影装置６０によって撮影が開始されると、記憶部２０の映像データベース２１には、タイムコードが「００：００：００：００」、「００：００：００：０１」、・・・、「００：００：００：２９」、「００：００：０１：００」、・・・、「００：０７：５０：１０」の静止画（例えば、ＪＰＥＧ（Joint Photographic Experts Group）形式の画像）が格納されていく。

本実施形態では、各フレーム中における作業領域に作業員がいる場合は、その作業領域での作業時間とし、作業領域にいない場合は、作業外時間として判定し、作業領域毎の作業時間を計測する手法について説明する。本実施形態によれば、複数の作業領域毎の作業時間を容易に管理することができる。

図２は、第１実施形態に係る複数の作業領域を示す図である。作業エリアには、複数の作業領域（作業領域Ｒ１等）を有する。作業エリアでは１人の作業員が、その作業エリアの作業工程を担当する。例えば、作業エリアＡ１（図１参照）の中に複数の作業領域Ｒ１～Ｒ５があり、その複数の作業領域Ｒ１～Ｒ５の作業を一人の作業員が担当する。

生産工程に従事する作業者には、必然的に各種作業に対応した多能工化が要求されている。多能工とは１人で複数の業務や工程をこなすスキルを持った作業員のことを指し、作業ごとに扱う製品、作業場所が異なり、作業時間も異なる。

また、生産現場において作業効率化のために現状の生産性を把握したいという要望がある。これまでは、生産性を把握するために人手による計測が必要であった。しかし、人手による計測は、作業員の負担が大きく、長時間の計測が困難である。そこで、取得の容易な撮影装置６０の映像から生産現場の現状を自動で把握することは、作業員の負担を軽減しつつ、今まで見えていなかった問題点の見える化に繋がると考えられる。また、見える化によって、作業の高効率化や経営改善の気づきが得られる。

本実施形態では、図２に示すように、あらかじめ作業時間を計測したい領域をバウンディングボックスとして定義する。この領域を定義済み作業領域と呼ぶこととする（作業領域Ｒ１等）。なお、バウンディングボックスは、画像等を囲む長方形の枠線のことである。

図３は、第１実施形態に係る作業時間計測処理の概要を示す図である。作業時間計測部１３は、所定のフレームレート（例えば、１ｆｐｓ）で動画を入力し（ステップＳ１１）、作業員検出部１２は、入力動画を対象に作業員検出（人物検出）を行う（ステップＳ１２）。作業員検出部１２には、Faster Ｒ－ＣＮＮ（図４参照）を使用し、作業員を囲うように人物の検出領域を設定する。作業時間計測部１３は、人物の検出領域と図２に示した定義済み作業領域のＩｏＵ（Intersection over Union）を算出する（ステップＳ１３）。ＩｏＵは２つの領域の重なり率を表す．さらに、作業時間計測部１３は、これらの結果から、人物の検出領域と各定義済み作業領域のＩｏＵが所定の閾値を超えており、ＩｏＵが最大となる作業領域を決定する（ステップＳ１４）。作業時間計測部１３は、対象とする動画の全てのフレームが終了か否かを判定し（ステップＳ１５）、終了でなければ、ステップＳ１２に戻り、終了であれば、ステップＳ１６に進む。作業時間計測部１３は、作業領域毎の作業時間を算出し（ステップＳ１７）、算出結果を出力し（ステップＳ１７）、一連の処理を終了する。

図４は、第１実施形態に係る作業員検出モデルを示す図である。本実施形態では、ステップＳ１３において、Faster Ｒ－ＣＮＮを採用した。Faster Ｒ－ＣＮＮは、特徴マップから物体候補領域を推定するＲＰＮ（Region Proposal Net）と物体候補領域に存在する物体のクラスラベルと矩形位置を推定するネットワークの２ステージで構成される一般物体検出モデルである。

Backborn ＣＮＮ７１では入力された画像（入力画像７０）に対し、特徴マップを生成する。次に、ＲＰＮ７２では生成した特徴マップを入力として物体候補領域の推定を行う。推定した物体候補領域をROI Pooling７３で固定長の特徴ベクトルに変換する。最後にＦＣ７４，７５で各物体候補領域がどのような物体であるかのクラス確率（クラス７６）と物体位置のＢＢ（ＢＢ７７）を出力する。なお、ＦＣは、Fully connected layerの略称であり、ＢＢはBounding Boxの略称である。

詳細には、ROI Pooling７３により変換した固定長の特徴ベクトルを、２層のＦＣ７４，７５に入力し、中間特徴ベクトルを獲得する。その後、中間特徴ベクトルを物体クラス確率出力用のＦＣ７５Ａと物体位置のズレ用のＦＣ７５Ｂに入力し、物体クラス確率と物体の正確な矩形座標を出力する。ここでは、人クラスのクラス確率が、０．９以上を正しく人と検出されたとみなし、矩形を描画する。

図５は、第１実施形態に係る人物領域と作業領域との関係を示す図である。図５において、太い実線のバウンディングボックスは、作業員検出部１２の検出結果を示し、作業員全身を囲うようにバウンディングボックスが設定される。作業領域Ｒ１から作業領域Ｒ５のバウンディングボックスは作業員の作業場所である。作業場所のバウンディングボックスは、図２に示したように、事前に定義されている。作業員が作業領域Ｒ１から作業領域Ｒ５の内、どの作業場所で作業を行っているか配置する必要がある。この作業員配属は、前記したＩｏＵ（図３のステップＳ１３参照）を用いて処理を行う。

ＩｏＵとは物体検出における評価指標である。ＩｏＵ（Intersection over Union）の定義式を式(1)に示す．

式（１）のＧＴは、正解のバウンディングボックスを表し、ＰＤは予測した検出バウンディングボックスを表している。

図６は、第１実施形態に係るＧＴとＰＤの関係を示す図であり、（ａ）はarea(ＧＴ∩ＰＤ)の領域であり、（ｂ）はarea(ＧＴ∪ＰＤ)の領域を示す。図６と式（１）より、２つのバウンディングボックスの領域の積（Intersection）を領域の和（Union）で割る（over）ことで定まる値をＩｏＵとして定義している。以上のことから、ＩｏＵは、ＧＴとＰＤの２つの領域の重なり率を０から１の範囲で表す指標であると言える。

図７は、第１実施形態に係るＩｏＵの例を示す図である。図７（ａ）はＩｏＵが１の場合、図７（ｂ）はＩｏＵが約０．６８の場合、図７（ｃ）はＩｏＵが約０．１７の場合、図７（ｄ）はＩｏＵが０の場合である。

図７において、ＧＴとＰＤはそれぞれ１０×１０の正方形とする。図７の（ａ）において、ＧＴとＰＤは完全に一致しているためａｒｅａ（ＧＴ∩ＰＤ）とａｒｅａ（ＧＴ∪ＰＤ）どちらも１０×１０＝１００となるため、ＩｏＵ＝ａｒｅａ（ＧＴ∩ＰＤ）／ａｒｅａ（ＧＴ∪ＰＤ）＝１となる。図７の（ｂ）では、ｘ軸、ｙ軸方向にそれぞれ１ずつずれている。このとき、ａｒｅａ（ＧＴ∩ＰＤ）＝９×９＝８１、ａｒｅａ（ＧＴ∪ＰＤ）＝１０×１０＋１０×１０－９×９＝１１９より、ＩｏＵ＝ａｒｅａ（ＧＴ∩ＰＤ）／ａｒｅａ（ＧＴ∪ＰＤ）＝８１／１１９≒０．６８となる。図７（ｃ）では、ｘ軸、ｙ軸方向にそれぞれ５ずつずれている。（ｂ）と同様に計算すると、ＩｏＵ＝ａｒｅａ（ＧＴ∩ＰＤ）／ａｒｅａ（ＧＴ∪ＰＤ）≒０．１７となる。図７（ｄ）において、ＧＴとＰＤは完全に一致していないため、ａｒｅａ（ＧＴ∩ＰＤ）＝０となるため、ＩｏＵ＝ａｒｅａ（ＧＴ∩ＰＤ）／ａｒｅａ（ＧＴ∪ＰＤ）＝０となる。以上のことから、２つの領域が完全に重なっているときＩｏＵは１、２つの領域は完全に重なっていないときＩｏＵは０となり、重なり率が大きいほどＩｏＵが大きくなる。

本実施形態の提案手法の評価を、適合率と再現率で検討した。まず、True Positive（ＴＰ）、False Negative（ＦＮ）、False Positive（ＦＰ）、True Negative（ＴＮ）を定義する。予測値が１は、あるフレームのある作業領域において、提案手法の出力が作業中であると判断した場合を示し、正解値が１は、そのフレームでの正解が作業中である場合を示す。ＴＰは予測値が１かつ正解値も１のフレーム数，ＦＮは予測値が０かつ正解値が１のフレーム数，ＦＰは予測値が１かつ正解値が０のフレーム数，ＴＮは予測値が０かつ正解値が０のフレーム数を表す。

適合率は、式（２）、再現率は、式（３）に示す。
適合率＝ＴＰ／（ＴＰ＋ＦＰ） ・・・式（２）
再現率＝ＴＰ／（ＴＰ＋ＦＮ） ・・・式（３）

適合率は、予測値が１のうち実際に正解値が１である割合を示し，作業中の作業領域である予測精度を表現する。再現率は正解値が１のうち実際に予測値が１であった割合を示し，作業中の作業領域の検出精度を表現する。

その結果、図５に示した作業エリアのうち、作業領域Ｒ１の適合率は１であり、再現率は、０．９３を得ることができた。本実施形態の提案手法の有効性を確認することができた。

図８は、第１実施形態に係る作業時間計測処理を示すフローチャートである。図８では、図３のステップＳ１２からステップＳ１４を詳細に説明する。図３のステップＳ１２は、図８のステップＳ２１、Ｓ２７に対応する。図３のステップＳ１３は、図８のステップＳ２２に対応する。図３のステップＳ１４は、図８のステップＳ２３～Ｓ２５，Ｓ２８に対応する。

作業員検出部１２は、入力動画を対象に作業員検出（人物検出）を行う（ステップＳ２１）。フレーム中に人物が検出されなかった場合（ステップＳ２１，Ｎｏ）、作業時間計測部１３は、フレームアウトとしてフラグを立てる（ステップＳ２９）。

一方、フレーム中に人物が検出された場合（ステップＳ２１，Ｙｅｓ）、作業時間計測部１３は、人物の検出領域と図２に示した定義済み作業領域毎のＩｏＵ（Intersection over Union）を算出する（ステップＳ２２）。そして、作業時間計測部１３は、ＩｏＵが閾値以上のものがあるか否かを判定し（ステップＳ２３）、全てのＩｏＵが閾値未満である場合（ステップＳ２３，Ｎｏ）、フレームが作業時間外であるとしてフラグを立てる（ステップＳ２８）。

一方、ＩｏＵが閾値以上のものがある場合（ステップＳ２３，Ｙｅｓ）、フレームが作業時間内であるとし（ステップＳ２４）、動画内に１人の作業員が存在する条件下で監視システムを運用すること想定すると、複数の定義済み作業領域のＩｏＵが閾値以上の場合、ＩｏＵが最大の領域を、作業場所として決定する（ステップＳ２５）。これにより、動画の各フレームにおいて、作業時間内であるか、作業時間外であるか、フレームアウトであるかが判定できる。

図９は、第１実施形態に係る作業時間計測結果の一例を示す図である。図９に示す作業時間計測結果２２では、１ｆｐｓごとにフレームの作業領域を判定している。具体的に説明すると、「２０ＸＸ／０５／１０ ９：００：００：０１」（２０ＸＸ年５月１０日９時００分００秒第１フレーム）において、フレームアウトと判定されている。「２０ＸＸ／０５／１０ ９：００：０３：０１」（２０ＸＸ年５月１０日９時００分０３秒第１フレーム）において、作業時間外と判定されている。このフレームでは、人物が判定されているが、全てのＩｏＵが閾値未満である場合である。「２０ＸＸ／０５／１０ ９：０１：１０：０１」（２０ＸＸ年５月１０日９時０１分１０秒第１フレーム）において、作業員が作業領域Ｒ１と判定されている。

以上の判定結果を集計すると、作業領域Ｒ１では１８５秒の作業時間であり、作業領域Ｒ２では１１０秒の作業時間であり、作業領域Ｒ３では２５０秒の作業時間であり、作業領域Ｒ４では１７０秒の作業時間であり、作業領域Ｒ５では７０秒の作業時間であることがわかる。また、作業領域の移動等に１５５秒要していることがわかる。

図１０は、第１実施形態に係る作業工程毎の作業時間結果の一例を示す図である。図１０に示す作業工程毎の作業時間結果２３には、作業工程ＩＤ、作業領域、作業開始時刻、作業終了時刻、作業時間、カメラＩＤ、撮影装置６０により動画の格納先、作業者ＩＤを含んで構成されている。図１０によれば、作業工程Ａ０００１の場合、作業領域は５つあり、例えば、作業領域Ｒ１は作業を、９時１分１０秒に開始し、９時４分１５秒に終了している。すなわち、作業領域Ｒ１の作業時間は、３分５秒（１８５秒）であることがわかる。また、また、カメラＩＤがＣ０００１の撮影画像の格納のフォルダ先は、ｅ：￥Ｃ０００１￥２０ｘｘ０５１０￥０９０１１０であり、作業者ＩＤはＭＳ００１である。なお、作業者ＩＤは、作業開始前に、作業者証等を撮影装置６０にかざすようにすれば、自動的に登録することができる。

作業工程Ａ０００２の場合、作業領域は３つあり、例えば、作業領域Ｒ１は作業を、９時２０分１５秒に開始し、９時２５分２５秒に終了している。すなわち、作業領域Ｒ１の作業時間は、５分１０秒（３１０秒）であることがわかる。また、また、カメラＩＤがＣ０００２の撮影画像の格納のフォルダ先は、ｅ：￥Ｃ０００２￥２０ｘｘ０５１０￥０９２０１５であり、作業者ＩＤはＭＳ００２である。

図１０を参照すると、作業領域間の終了時間と開始時間が１分以上経過していることに着目すると、作業工程Ａ０００１の場合、作業領域Ｒ３と作業領域Ｒ４の間が１分２０秒要している。また、作業工程Ａ０００２の場合、作業領域Ｒ１と作業領域Ｒ２間が１分５０秒要している。このことから、作業領域間の距離、レイアウトの改善の余地等があることが推測される。

第１実施形態によれば、複数の作業領域毎の作業時間を容易に管理することができる。

＜第２実施形態＞
第２実施形態は、第１実施形態と比較して、処理部１０に、作業中であるか作業外であるかを分類する作業分類の処理を追加している。これにより、作業時間をさらに精度よく判定することができる。

図１１は、第２実施形態に係る作業分類の処理を示す図である。作業分類処理では、作業と非作業の２クラス分類を行う。この作業分類処理により、移動中の作業員が作業領域を横切る場合のような作業員が作業領域と重なるが作業中ではないようなパターンへの対応ができる。

作業分類部処理は、単一フレームを入力とする画像分類用の畳み込みニューラルネットワークにより作業分類を行う。画像分類に用いられるニューラルネットワークの代表的なアーキテクチャとしてＡｌｅｘＮｅｔ、ＶＧＧＮｅｔ、ＲｅｓＮｅｔを実装し、作業分類用データセットで学習を行い、精度比較を行うことで使用する作業分類部１４の選定を行った。その結果、本実施形態では、ＶＧＧＮｅｔを採用した。

なお、ＡｌｅｘＮｅｔは、Alex Krizhevsky, Ilya Sutskever and Geoffrey E. Hinton, “Imagenet classification with deep convolutional neural networks,” NIPS, 2012.を参照した。ＶＧＧＮｅｔは、Karen Simonyan and Andrew Zisserman, “Very deep convolutional networks for large-scale image recognition,” ICLR, 2015.を参照した。ＲｅｓＮｅｔは、Kaiming He, Georgia Gkioxari, Piotr Dollar and Ross Girshick, “Mask R-CNN,” ICCV, 2017.を参照した。

図１１中、ＦＣ（Fully connected layer）の２層（ＦＣ１、ＦＣ２）を用いている。また、ソフトマックス関数（Softmax function）を用い、複数の出力値の合計が1.0（＝100％）になるように変換して出力する。これにより、各出力値の範囲は0.0～1.0となる。

図１２は、第２実施形態に係る作業時間計測処理を示すフローチャートである。図１２は、図８と同様の処理については同一符号を付している。

作業員検出部１２は、入力動画を対象に作業員検出（人物検出）を行う（ステップＳ２１）。フレーム中に人物が検出されなかった場合（ステップＳ２１，Ｎｏ）、作業時間計測部１３は、フレームアウトとしてフラグを立てる（ステップＳ２９）。

一方、フレーム中に人物が検出された場合（ステップＳ２１，Ｙｅｓ）、作業時間計測部１３は、人物の検出領域と図２に示した定義済み作業領域毎のＩｏＵ（Intersection over Union）を算出する（ステップＳ２２）。そして、作業時間計測部１３は、ＩｏＵが閾値以上のものがあるか否かを判定し（ステップＳ２３）、全てのＩｏＵが閾値未満である場合（ステップＳ２３，Ｎｏ）、フレームが作業時間外であるとしてフラグを立てる（ステップＳ２８）。

一方、ＩｏＵが閾値以上のものがある場合（ステップＳ２３，Ｙｅｓ）、作業分類処理により作業中か否かの判定を行う（ステップＳ２６）。作業中でなければ（ステップＳ２６，Ｎｏ）、ステップＳ２８に進む。作業中であれば（ステップＳ２６，Ｙｅｓ）、フレームが作業時間内であるとし（ステップＳ２４）、動画内に１人の作業員が存在する条件下で監視システムを運用すること想定すると、複数の定義済み作業領域のＩｏＵが閾値以上の場合、ＩｏＵが最大の領域を、作業場所として決定する（ステップＳ２５）。これにより、動画の各フレームにおいて、作業時間内であるか、作業時間外であるか、フレームアウトであるかが判定できる。

第２実施形態によれば、作業分類処理の適用により、複数の作業領域毎の作業時間をさらに精度よく管理することができる。

＜第３実施形態＞
第３実施形態は、第１実施形態と比較して、撮影装置６０からの奥行を考慮して、深度マップのよる作業領域の判定処理を追加している。これにより、作業時間をさらに精度よく判定することができる。

図１３は、第３実施形態に係る深度マップによる処理を示す図である。入力フレームから深度マップおよび人領域の２値画像を推定し、両画像の要素ごとに積をとることで人物ピクセルのみの深度画像を出力し、検出矩形でクロップしたのち、深度ヒストグラムを生成する。生成した深度ヒストグラムをあらかじめ登録した各領域での作業画像の深度ヒストグラムテンプレートと比較することで滞留可否のフラグを出力する。これにより検出矩形と作業領域の重なりに加え、深度の情報を加味することで作業領域同士の重なりに対処することができる。

さらに、詳細に説明すると、図１３で示すようにセマンティックセグメンテーションモデルによる作業員ピクセル推定と深度推定モデルによる深度マップ推定を行い、２画像の積をとることで、作業員ピクセルのみの深度マップを抽出する。その後、検出矩形で作業員ピクセルのみの深度マップをクロップし深度ヒストグラムを計算する。算出した深度ヒストグラムとＩｏＵが閾値を超える全作業領域におけるテンプレート深度ヒストグラムのユークリッド距離を算出し、距離が最小の領域で作業中であるとしてフラグを出力する。これにより、奥行き方向を加味した作業時間計測が期待できる。

環境に合わせて深度マップのアノテーションとFine-tuningを行うことなく、深度推定が可能なモデルとしてＲａｎｆｔｌらが提案したＭｉＤａＳ（ｖ2.1）を使用する。Ｒａｎｆｔｌらの研究では深度推定の学習に用いられる複数のデータセットを１つの大きなデータセットとして扱えるようなロス関数と最適化方法を提案することで、屋内外などの環境的な要因や静止物体と移動物体のような撮影対象の違いや相対深度と絶対深度などの出力の数値データの違いを考慮した学習を可能とした。

作業員ピクセルを推定するためにセマンティックセグメンテーションモデルのデファクトスタンダードであるＭａｓｋ Ｒ－ＣＮＮを使用する。Ｍａｓｋ Ｒ－ＣＮＮは、物体検出モデルであるFaster Ｒ－ＣＮＮをインスタンスセグメンテーション用に改良したモデルである。Faster Ｒ－ＣＮＮでは最終のＦＣ（Fully Connected Layer）において物体位置とクラス確率を出力するが、Ｍａｓｋ Ｒ－ＣＮＮでは新たにインスタンスセグメンテーション用のブランチを追加することで候補領域内の対象物体ピクセルを推定する。

なお、ＭｉＤａＳは、Rene Ranftl, Katrin Lasinger, David Hafner, Konrad Schindler and Vladlen Koltun, “Towards Robust Monocular Depth Estimation: Mixing Datasets for Zero-shot Cross-dataset Transfer,” TPAMI, 2020. を参照した。
Ｍａｓｋ Ｒ－ＣＮＮは、Kaiming He, Georgia Gkioxari, Piotr Dollar and Ross Girshick, “Mask R-CNN,” ICCV, 2017. を参照した。

図１４は、第３実施形態に係る作業時間計測処理を示すフローチャートである。図１２は、図８と同様の処理については同一符号を付している。作業員検出部１２は、入力動画を対象に作業員検出（人物検出）を行う（ステップＳ２１）。フレーム中に人物が検出されなかった場合（ステップＳ２１，Ｎｏ）、作業時間計測部１３は、フレームアウトとしてフラグを立てる（ステップＳ２９）。

一方、フレーム中に人物が検出された場合（ステップＳ２１，Ｙｅｓ）、作業時間計測部１３は、人物の検出領域と図２に示した定義済み作業領域毎のＩｏＵ（Intersection over Union）を算出する（ステップＳ２２）。そして、作業時間計測部１３は、ＩｏＵが閾値以上のものがあるか否かを判定し（ステップＳ２３）、全てのＩｏＵが閾値未満である場合（ステップＳ２３，Ｎｏ）、フレームが作業時間外であるとしてフラグを立てる（ステップＳ２８）。

一方、ＩｏＵが閾値以上のものがある場合（ステップＳ２３，Ｙｅｓ）、フレームが作業時間内であるとし（ステップＳ２４）、深度マップによる判定により複数の定義済み作業領域のうち、生成した深度ヒストグラムをあらかじめ登録した各領域での作業画像の深度ヒストグラムテンプレートと比較することで近いものを作業場所として決定する（ステップＳ２７）。これにより、動画の各フレームにおいて、作業時間内であるか、作業時間外であるか、フレームアウトであるかが判定できる。

第３実施形態によれば、深度情報を加味することで、複数の作業領域毎の作業時間をさらに精度よく管理することができる。

＜第４実施形態＞
第１実施形態の作業員検出部１２では、物体検出手法であるFaster Ｒ－ＣＮＮを採用したことを説明した。物体検出前に実際の物体をアノテーションしたデータセットで学習している。本実施形態では、物体検出の精度向上を検討するため、実際の物体以外に３Ｄモデルを用いて作成したデータセットとの組合せについて検討した。ここでは、物体として作業現場にあるカートを用いている。

アノテーションとは、機械学習において、データにメタデータをつけて意味づけをすることを指す。膨大なデータに対して、アノテーションを行い、正解のデータ（＝教師データ）を付与することで、機械学習のモデルの何が正しいものかを判断できる。

図１５は、第４実施形態に係る３Ｄモデルを用いた物体検出モデルを示す図である。
物体検出モデルの流れとして、はじめに、撮影した動画内に存在するカートにアノテーションを付与することで学習用データセットを作成する。アノテーションはＢＢ（Bounding Box）を付与することで行う。次に、アノテーションしたデータセットを用いて、物体検出部であるFaster Ｒ－ＣＮＮで学習する。最後に、検出対象動画を学習済みの物体検出部に入力することで検出を行う。

図１６は、第４実施形態に係る多視点画像の例を示す図である。カートの３Ｄモデルは３ＤＣＡＤソフトウェアを用いて、図１６（ａ）～（ｄ）に示すように、各種モデルを作成した。３Ｄモデル作成後、データセットのバリエーションを増やすために、作成した３Ｄモデルを様々な視点から撮影し，多視点画像を作成する。本実施形態では、２００視点の画像を作成した。

図１７は、第４実施形態に係るデータセットの組合せを示す図である。生成したデータセットと実物のカートをアノテーションしたデータセットを組み合わせて学習を行う。図１７には、データセットの組み合わせとして、６通りの組み合わせで学習を行った。実物のカートのみ２５０枚を用いたもの、実物のカート２００枚と３Ｄモデル５０枚とを組み合わせたもの、実物のカート１５０枚と３Ｄモデル１００枚とを組み合わせたもの等である。

３Ｄモデルを用いたカート検出実験を行った結果として、６通りのデータセットを学習させ、複数の動画で検出を行った。実物のカートをアノテーションした画像の枚数が２５０枚と１５０枚のデータセットで学習結果を比較すると、実物のカートをアノテーションした画像のみで学習を行い検出した時と比べ、３Ｄモデル込みで学習を行い検出した方が検出したカートが多くなった。また、実物のカートの枚数が０枚の場合、カートは未検出であった。よって、３Ｄモデル込みの方が検出精度は高くなるが実物のカートのデータも必要であることが分かった。

第４実施形態によれば、物体検出部（例えば、作業員検出部１２）は、物体検出の学習過程において、実モデルと３次元モデルを組合せたアノテーション教示データを用いるのがよいことがわかった。

＜解析速度の検討＞
第１実施形態についての作業時間計測算出処理の速度を、小型かつ低価格でＧＰＵ（Graphics Processing Unit）を搭載している組み込みコンピュータＪｅｔｓｏｎＴＸ２（ＴＧ７３１－ＰＣ）を用いて検証した。処理時間は、撮影動画のうち、１０００枚のフレームの画像を入力したときの処理時間で検討した。フレームレートは、処理時間を入力画像数１０００で割ることで算出した。その結果、人物検出のみの処理速度は最高３．１ｆｐｓ，最低２．８ｆｐｓとなり、人物検出＋ＩｏＵ算出＋作業領域の決定の処理速度は、最高３．１ｆｐｓ，最低２．７ｆｐｓとなった。以上より、図９に示した作業時間計測算出処理は、入力動画１ｆｐｓの結果であるが、リアルタイム処理できることを確認し、本実施形態の監視システムМＳの有効性を確認した。

１０ 処理部
１１ 映像データ保存部
１２ 作業員検出部
１３ 作業時間計測部
２０ 記憶部
２１ 映像データベース
２２ 作業時間計測結果
２３ 作業工程毎の作業時間結果
３０ 入力部
４０ 出力部
５０ 通信部
６０，６１，６２ 撮影装置
７０ 入力画像
７１ Backborn ＣＮＮ
７２ ＲＰＮ
７３ ROI Pooling
７４，７５ ＦＣ（Fully connected layer）
７６ クラス
７７ ＢＢ（Bounding Box）
１００ 解析装置
Ａ１、Ａ２ 作業エリア
ＩｏＵ Intersection over Union
ＮＷ ネットワーク
Ｒ１、Ｒ２、Ｒ３、Ｒ４、Ｒ５ 作業領域
ＭＳ 監視システム

Claims (12)

1. 複数の作業領域を撮影する撮影装置と、
   前記撮影装置により得られた映像データを解析する解析装置と、を有し、
   前記解析装置は、
   前記映像データのフレーム中の作業員を検出する作業員検出部と、
   前記作業員検出部で検出された作業員がどの作業領域の定義領域に存在するかを判定し、前記判定されたフレームを積算して前記各作業領域の作業時間を計測する作業時間計測部と、を有し、
   前記作業員検出部は、前記映像データのフレーム中の作業員を矩形として検出し、
   前記作業時間計測部は、前記作業員検出部で検出された前記作業員に対応する矩形である検出矩形と各作業領域の定義領域の矩形との重なり度合いを示す評価指標を算出し、前記定義領域が一部重なっている場合、前記評価指標が所定の閾値以上かつ最も前記評価指標の大きい領域に作業員が存在すると判定する
   ことを特徴とする監視システム。
2. 前記作業時間計測部は、畳み込みニューラルネットワークにより、前記作業員が作業中か否かを判定する
   ことを特徴とする請求項１に記載の監視システム。
3. 複数の作業領域を撮影する撮影装置と、
   前記撮影装置により得られた映像データを解析する解析装置と、を有し、
   前記解析装置は、
   前記映像データのフレーム中の作業員を検出する作業員検出部と、
   前記作業員検出部で検出された作業員がどの作業領域の定義領域に存在するかを判定し、前記判定されたフレームを積算して前記各作業領域の作業時間を計測する作業時間計測部と、を有し、
   前記作業員検出部は、前記映像データのフレーム中の作業員を矩形として検出し、
   前記作業時間計測部は、前記作業員検出部で検出された前記作業員に対応する矩形である検出矩形と各作業領域の定義領域の矩形との重なり度合いを示す評価指標を算出し、前記評価指標が所定の閾値以上かつ最も前記評価指標の大きい領域に作業員が存在すると判定するに際し、
   前記作業時間計測部は、前記定義領域が重なっている場合、深度推定により、前記作業員の深度マップを計測し、該深度マップの深度ヒストグラムを計算し、その深度ヒストグラムにより奥行方向を分類する
   ことを特徴とする監視システム。
4. 前記作業時間計測部は、前記各フレームにおいて、前記各作業領域で作業中であるか、作業外であるか、撮影範囲外であるか、のフラグを設定する
   ことを特徴とする請求項１に記載の監視システム。
5. 前記作業員検出部は、物体検出の学習過程において、
   実モデルと３次元モデルを組合せたアノテーション教示データを用いる
   ことを特徴とする請求項１に記載の監視システム。
6. 前記作業時間計測部は、前記判定されたフレームに基づく各作業領域の作業開始時刻と作業終了時刻を用いて作業時間を計測する
   ことを特徴とする請求項１に記載の監視システム。
7. 複数の作業領域を撮影する撮影装置と、前記撮影装置により得られた映像データを解析する解析装置と、を有する監視システムの監視方法であって、
   前記解析装置は、前記映像データのフレーム中の作業員を矩形として検出し、検出された前記作業員に対応する矩形である検出矩形と各作業領域の定義領域の矩形との重なり度合いを示す評価指標を算出し、前記定義領域が一部重なっている場合、前記評価指標が所定の閾値以上かつ最も前記評価指標の大きい領域に作業員が存在すると判定し、前記判定されたフレームを積算して前記各作業領域の作業時間を計測する
   ことを特徴とする監視方法。
8. 前記解析装置は、畳み込みニューラルネットワークにより、前記作業員が作業中か否かを判定する
   ことを特徴とする請求項７に記載の監視方法。
9. 複数の作業領域を撮影する撮影装置と、前記撮影装置により得られた映像データを解析する解析装置と、を有する監視システムの監視方法であって、
   前記解析装置は、前記映像データのフレーム中の作業員を矩形として検出し、検出された前記作業員に対応する矩形である検出矩形と各作業領域の定義領域の矩形との重なり度合いを示す評価指標を算出し、前記評価指標が所定の閾値以上かつ最も前記評価指標の大きい領域に作業員が存在すると判定し、前記判定されたフレームを積算して前記各作業領域の作業時間を計測するに際し、
   前記解析装置は、前記定義領域が重なっている場合、深度推定により、前記作業員の深度マップを計測し、該深度マップの深度ヒストグラムを計算し、その深度ヒストグラムにより奥行方向を分類する
   ことを特徴とする監視方法。
10. 前記解析装置は、前記各フレームにおいて、前記各作業領域で作業中であるか、作業外であるか、撮影範囲外であるか、のフラグを設定する
    ことを特徴とする請求項７に記載の監視方法。
11. 前記解析装置は、物体検出の学習過程において、
    実モデルと３次元モデルを組合せたアノテーション教示データを用いる
    ことを特徴とする請求項７に記載の監視方法。
12. 前記解析装置は、前記判定されたフレームに基づく各作業領域の作業開始時刻と作業終了時刻を用いて作業時間を計測する
    ことを特徴とする請求項７に記載の監視方法。