WO2022071349A1 - 仕分先特定装置、仕分先特定方法、及びプログラム - Google Patents

仕分先特定装置、仕分先特定方法、及びプログラム Download PDF

Info

Publication number
WO2022071349A1
WO2022071349A1 PCT/JP2021/035725 JP2021035725W WO2022071349A1 WO 2022071349 A1 WO2022071349 A1 WO 2022071349A1 JP 2021035725 W JP2021035725 W JP 2021035725W WO 2022071349 A1 WO2022071349 A1 WO 2022071349A1
Authority
WO
WIPO (PCT)
Prior art keywords
record
supplier
recorded
work
data
Prior art date
Application number
PCT/JP2021/035725
Other languages
English (en)
French (fr)
Inventor
勝彦 ▲高▼橋
克己 森川
泰敏 西
Original Assignee
コベルコ建機株式会社
国立大学法人広島大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by コベルコ建機株式会社, 国立大学法人広島大学 filed Critical コベルコ建機株式会社
Priority to CN202180065308.2A priority Critical patent/CN116194361A/zh
Priority to US18/246,858 priority patent/US11987307B2/en
Priority to EP21875650.0A priority patent/EP4206062A1/en
Publication of WO2022071349A1 publication Critical patent/WO2022071349A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D67/00—Systematic disassembly of vehicles for recovery of salvageable components, e.g. for recycling
    • 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
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/56—Reuse, recycling or recovery technologies of vehicles

Definitions

  • the present invention relates to a supplier identification device and related technology.
  • a work machine (demolition machine) equipped with a crusher (nibbler) at the tip of the work attachment is known.
  • a crusher 9 is attached to the tip of an arm (8) constituting a part of the attachment (4) (FIG. 1 of Patent Document 1). reference).
  • an automobile dismantling machine equipped with a nibbler is used for collecting recyclable parts (demolition parts) such as harnesses and small parts contained in scrapped cars.
  • parts are collected from the scrapped vehicle, and the collected parts are sorted to one of a plurality of suppliers.
  • parts are grabbed from scrapped cars with a nibbler, the parts are swiveled while being grabbed, the parts are released to one of multiple suppliers, and the operation is repeated. Is done.
  • the inventors of the present application are studying a method capable of analyzing work using only work data (time series data) acquired by a work machine (automobile dismantling machine, etc.) during the above-mentioned work.
  • work data time series data
  • One of the problems is to accurately identify the supplier to which the object (disassembled parts, etc.) is sorted by using only the work data.
  • the inventors of the present application initially examined a method of specifying the supplier of the disassembled part (object) based on the coordinates of the open point of the nibbler, but sufficient accuracy could not be obtained. .. After analyzing the cause of the inability to obtain accuracy, when the dismantled parts grasped by the nibbler are sorted to each supplier, the dismantled parts are thrown to each supplier using the momentum of turning. There was found. As a result, it was found that the dismantled parts held by the nibbler were released in front of each supplier.
  • Nibbler open point is likely to be in front of the actual supplier, and if you try to identify the supplier based on the coordinates of the Nibbler open point, it is unlikely that you will be able to pinpoint it accurately. Became.
  • an object of the present invention is to accurately identify the supplier of the object from the work data of the work machine that performs the sorting work of sorting the object to one of a plurality of suppliers according to the operation of the operator. It is to provide the technology that can be done.
  • one aspect of the present disclosure is a supplier specifying device that identifies a supplier of an object from the work data of the work machine, and the work machine holds a swivel body and the object. It is configured to be equipped with a holding body to perform sorting work for sorting the object to one of a plurality of suppliers according to the operation of the operator, and records a plurality of records in chronological order.
  • the acquisition unit for acquiring the work data and each record are associated with the turning angle of the turning body and the holding state of the holding body, and the record is based on the turning angle recorded in the work data.
  • the first record indicating that the turning direction of the swivel body was reversed was extracted, and the second record in which the release was recorded as the holding state was extracted from the records recorded immediately before the first record.
  • Identification that specifies the supplier of the object based on the extraction unit that extracts the third record in which the second record is recorded immediately before the first record and the turning angle recorded in the third record. It has a department.
  • the supplier of the object is accurately specified from the work data of the work machine that sorts the object to one of a plurality of suppliers according to the operation of the operator. Is possible.
  • the side view which shows the dismantling machine by embodiment of this invention Schematic plan view for explaining the sorting work of dismantled parts by the dismantling machine.
  • the functional block diagram which shows the supplier identification apparatus by embodiment of this invention. A flowchart showing the supplier identification process by the supplier identification program.
  • the figure which shows the verification result by the prediction model sorting accuracy by a plurality of decision trees).
  • the figure which shows the verification result by the comparative example (prediction model which does not consider a turning angle).
  • the figure which shows the verification result by another comparative example prediction model which increased teacher data).
  • Embodiment> The supplier specifying device according to the embodiment of the present invention will be described with reference to FIGS. 1 to 10.
  • a working machine is a dismantling machine 10 (see FIG. 1) operated by an operator.
  • an example of the supplier specifying device is the supplier specifying device 1 (see FIG. 4) that executes the supplier specifying process described later.
  • the dismantling machine 10 includes a lower traveling body 11, an upper turning body 12, and an attachment 13. At the tip of the attachment 13, a nibbler 14 for sandwiching and taking out a dismantled part (harness or a small part) from a dismantling target (automobile or the like) is attached.
  • the upper swivel body 12 is an example of a "swivel body”.
  • the nibbler 14 is an example of a "retainer”.
  • the dismantled parts are an example of an "object”.
  • the dismantling machine 10 grabs a dismantled part such as a harness or a small part from a dismantled object such as an automobile and takes it out in accordance with an operation of an operator, and sorts the dismantled part into a predetermined supplier.
  • the dismantling machine 10 holds the dismantled parts (harness or small parts) sandwiched by the nibbler 14 in the dismantling work area AR1, and keeps the dismantled parts held by the nibbler 14. Turn in a predetermined direction (counterclockwise in FIG. 2).
  • the dismantling machine 10 opens the harness in the vicinity of the harness supplier AR2.
  • the dismantling machine 10 opens the small parts in the vicinity of the small parts supplier AR3.
  • the harness is sorted to the harness supplier AR2, and the small parts are sorted to the small parts supplier AR3.
  • the dismantling machine 10 turns in the opposite direction to the predetermined direction (clockwise in FIG. 2) and returns to the dismantling work area AR1.
  • the dismantling machine 10 repeatedly executes the above-mentioned operations in accordance with the operator operation.
  • the dismantling machine 10 acquires various work information at regular sampling intervals during the work period of the above-mentioned work, and accumulates it as the work data DT1 shown in FIG. Specifically, the dismantling machine 10 acquires the position coordinates of the nibbler 14, the turning angle of the upper swivel body 12, and the opening / closing information of the nibbler 14 as work information, and accumulates them in the work data DT1.
  • the work data DT1 has records RC1, RC2, RC3, ... Is recorded in chronological order.
  • An example of the position coordinates of the nibbler 14 is the X-coordinate value, the Y-coordinate value, and the Z-coordinate value of the nibbler 14.
  • an example of the turning angle of the upper turning body 12 is the value of the turning angle of the upper turning body 12 with respect to the reference position (for example, the position where the dismantled parts are taken out in the dismantling work area AR1).
  • an example of the opening / closing information of the nibbler 14 is an opening / closing state based on the output value of the stroke sensor provided in the cylinder for opening / closing the nibbler 14.
  • the open / closed state includes "open” indicating that the nibbler 14 is in the open state and "closed” indicating that the nibbler 14 is in the closed state.
  • the supplier specifying device 1 is a computer for specifying the supplier of the disassembled parts based on the above-mentioned work data DT1. As shown in FIG. 4, the supplier specifying device 1 includes a control unit 3 and a storage unit 5.
  • the control unit 3 includes a central processing unit (CPU (Central Processing Unit)) and executes various arithmetic processes based on the programs and data stored in the storage unit 5.
  • CPU Central Processing Unit
  • control unit 3 includes a work data acquisition unit 31 (an example of an acquisition unit), a record extraction unit 32 (an example of an extraction unit), and an input data calculation unit 33 (an example of an calculation unit). It includes a prediction model generation unit 34 (an example of a generation unit) and a supplier identification unit 35 (an example of a specific unit).
  • the work data acquisition unit 31 acquires the work data DT1 recorded in the storage unit 5.
  • the record extraction unit 32 extracts a record that matches a predetermined condition from the work data DT1.
  • the input data calculation unit 33 generates input data which is an explanatory variable used in a random forest which is a machine learning algorithm.
  • the predictive model generation unit 34 generates a predictive model for specifying the supplier of the dismantled parts by using a random forest which is a machine learning algorithm.
  • the supplier identification unit 35 specifies the supplier of the dismantled parts during the work period using the prediction model.
  • the storage unit 5 is provided with a memory and a magnetic disk device, and stores various programs and data.
  • the storage unit 5 also functions as a work memory of the control unit 3.
  • the storage unit 5 may be configured by an information storage medium such as a flash memory and an optical disk, or may be configured by a reading device that reads information from the information storage medium.
  • the above-mentioned hardware configuration is just an example.
  • the case where the storage unit 5 is built in the supplier identification device 1 is exemplified, but the present invention is not limited to this, and a storage device capable of communicating with the supplier identification device 1 is externally connected. You may do so.
  • the storage unit 5 stores the supplier identification program PG, the work data DT1, the teacher data DT2, the verification data DT3, and the verification result data DT4.
  • the supplier identification program PG is a program for executing the supplier identification process (processing of the flowchart shown in FIG. 5) for specifying the supplier of the disassembled parts during the work period.
  • the work data DT1 is data that the dismantling machine 10 acquires and accumulates work information at regular sampling intervals during the work period (see FIG. 3).
  • Teacher data DT2 is input data and output data used for machine learning.
  • the teacher data DT2 is the work data DT1 in which the objective variable is associated with the work data DT1 used for machine learning.
  • the explanatory variable v (d1, d2, d3, d4, d5, d6, d7) is a variable calculated by the input data calculation unit 33.
  • the objective variable t is a variable indicating an actual supplier (a supplier in which a worker visually confirms a moving image taken during a work period).
  • Verification data DT3 is data for verifying a prediction model generated by machine learning.
  • the verification data DT3 is data that is not used as the teacher data DT2 in the learning of the random forest. That is, the verification data DT3 is the work data DT1 other than the work data DT1 used as the teacher data DT2 in the work data DT1.
  • the verification result data DT4 is the result of verifying the prediction model generated by machine learning with the verification data DT3.
  • step S is simply referred to as "S".
  • the work data acquisition unit 31 acquires the work data DT1 from the storage unit 5.
  • the record extraction unit 32 exponentially smoothes the turning angle recorded in the time series in the work data DT1.
  • the record extraction unit 32 records all the records recorded at the time when the turning direction of the dismantling machine 10 is reversed from the predetermined direction based on the exponentially smoothed turning angle (first record). Extract as an example).
  • the record extraction unit 32 records all the records recorded at the time when the sign of the slope of the exponentially smoothed turning angle function is reversed (reversed from plus to minus or from minus to plus). Extract as.
  • the exponentially smoothed turning angle continues to increase (or decrease) while the upper turning body 12 is turning in a predetermined direction, and while the upper turning body 12 is turning in the direction opposite to the predetermined direction. Has the property of continuing to decrease (or increase). That is, when the turning direction of the upper turning body 12 is reversed, the sign of the inclination of the function of the exponentially smoothed turning angle is also reversed. In S3, the reverse position record is specified by utilizing such a characteristic.
  • the original data of the turning angle recorded in the work data DT1 does not monotonically increase or decrease monotonically, but contains noise. Therefore, if the original data of the turning angle is used as it is in the extraction of the reverse position record (S3), the reverse position record may be erroneously extracted. Therefore, in the present embodiment, the original data of the turning angle is exponentially smoothed in S2, and the reverse rotation position record is specified by using the exponentially smoothed turning angle in S3.
  • the record extraction unit 32 extracts a record in which "open” is recorded in the open / close information of the nibbler 14 among the records recorded immediately before the reverse position record as an open position record (an example of the second record). More specifically, the record extraction unit 32 extracts as an open position record the record in which "open” is first recorded in the open information of the nibbler 14 among a predetermined number of records recorded before the reverse position record. ..
  • the record recorded immediately before the reverse position record does not simply mean the record immediately before the reverse position record, but a predetermined number of records recorded before the reverse position record. It means a record.
  • the predetermined number is appropriately set according to the sampling interval of the work data DT1.
  • the record extraction unit 32 extracts the reverse position record in which the open position record is recorded as the immediately preceding record among the reverse position records as the reverse position record (an example of the third record) after opening. That is, the record extraction unit 32 extracts the record recorded at the time when the turning direction is reversed after the nibbler 14 is opened as the reverse position record after opening. Conversely, the record recorded at the time when the turn is reversed while the nibbler 14 is closed is not extracted as the reverse position record after opening.
  • the input data calculation unit 33 uses input data (explanatory variable) using the work information recorded in the open position record extracted in S4 and the work information recorded in the post-opening reverse position record extracted in S5. v) is calculated.
  • the input data calculation unit 33 has an angle deviation d1 of the turning angle at the reverse position, position coordinates d2, d3, d4 of the nibler 14 at the open position, and a reverse position from the open position.
  • the elapsed time d5, the moving distance d6, and the moving turning angle d7 are calculated as explanatory variables v.
  • the reversing position is the position of the nibbler 14 at the time when the upper swivel body 12 is reversed.
  • the open position is the position of the nibbler 14 at the time when the nibbler 14 is opened.
  • the moving distance d6 is the distance from the open position to the reverse position.
  • the moving turning angle d7 is the turning angle of the upper turning body 12 from the open position to the reverse position.
  • the angle deviation d1 is an angle deviation of the turning angle from the average turning angle during the working time.
  • the objective variable t is a variable indicating a supplier (correct supplier) visually confirmed by the operator on the moving image taken during the work period.
  • the prediction model generation unit 34 generates a prediction model by a random forest.
  • Random forest is a known machine learning algorithm, and is an ensemble learning algorithm that performs discrimination, regression, and clustering by combining the results of a plurality of decision trees (weak discriminators).
  • the classification tree is used as the decision tree of the random forest in order to deal with the classification problem of specifying the supplier of the dismantled parts from a plurality of suppliers.
  • the prediction model generation unit 34 randomly samples training data S1, S2, ..., SN used for learning individual decision trees from the teacher data set S by a bootstrap.
  • the prediction model generation unit 34 randomly samples M variables used for branching from the training data S1 and creates a decision tree T1.
  • the prediction model generation unit 34 repeatedly executes such processing for the training data S2, ..., SN, and finally generates N decision trees T1, T2, ..., TN.
  • Each decision tree is divided to a predetermined depth.
  • the value of the Gini coefficient is used as the division criterion for the root node and the intermediate node.
  • the objective variable t is set in the leaf node.
  • the supplier specifying unit 35 inputs the verification data DT3 into N decision trees T1, T2, ..., TN, and determines a majority of the suppliers classified by the decision trees T1, T2, ..., TN, respectively. Specify the supplier of the disassembled parts with. As a result, the supplier of each disassembled part during the work period is classified into one of the dismantling work area AR1, the harness supplier AR2, and the small part supplier AR3.
  • the verification result data DT4 (DT41) of FIG. 8 is a result of generating N decision trees T1, T2, ..., TN (prediction model) using the teacher data DT2 and verifying the sorting accuracy using the verification data DT3. Is.
  • a prediction model (N decision trees T1, T2, ..., TN) is generated using the 15th data as the teacher data DT2, and the verification data DT3 is used. This is the result of verifying the prediction model using the data of Nos. 16 to 20.
  • Verification result data Lines 3 to 6 of the DT41 are also the results of verifying the prediction model based on the same criteria.
  • the verification result data DT41 has an average sorting accuracy of 91.3% (see the thick frame in FIG. 8). In the conventional method (clustering without using a random forest), only 72% of the sorting accuracy was obtained on average, so it can be seen that the sorting accuracy is significantly improved.
  • the verification result data DT4 (DT42) in FIG. 9 is the result of verifying the sorting accuracy by the prediction model (comparative example) in which the number of explanatory variables v is reduced as compared with the above embodiment.
  • the verification result data DT42 has an average sorting accuracy of 89.3% (see the thick frame in FIG. 9). Therefore, as in the above embodiment, the sorting accuracy is improved as compared with the conventional method (clustering that does not use a random forest).
  • the sorting accuracy of the above comparative example is inferior to that of the above embodiment. Therefore, it can be seen that the angle deviation d1 of the turning angle at the reversing position, the elapsed time d5 from the open position to the reversing position, the moving distance d6, and the moving turning angle d7 contribute to the improvement of the sorting accuracy.
  • the upper swivel body 12 swivels slightly due to inertia even after the nibbler 14 is opened and the dismantled parts are thrown. Therefore, it was presumed that there is a high possibility that the reversing position where the turning of the upper swivel body 12 is reversed coincides with the supplier of the dismantled parts. Therefore, in the above embodiment, not only the information on the open position of the nibbler 14 but also the information on the turning angle of the upper turning body 12 is used as the input data (explanatory variable) of the random forest.
  • the verification result data DT4 (DT43) in FIG. 10 is the result of verifying the sorting accuracy of the prediction model generated by increasing the number of teacher data DT2.
  • a prediction model is generated using the 15th data and the 16th data as the teacher data DT2, and the 17th to 20th data are used as the verification data DT3. This is the result of verifying the prediction model.
  • a prediction model is generated using the 15th data and the 17th data as the teacher data DT2, and the 16th, 18th to 20th data are used as the verification data DT3. This is the result of verifying the prediction model.
  • Verification result data The third and subsequent rows of the DT43 are also the results of verifying the prediction model based on the same criteria.
  • the verification result data DT43 has an average sorting accuracy of 96.0% (see the thick frame in FIG. 10). Therefore, it can be seen that in the prediction model in which the number of teacher data DT2 is increased, a higher sorting accuracy than the average sorting accuracy (91.3%) in the verification result data DT41 can be obtained.
  • each dismantled part (harness or small part) during the work period is used by using N decision trees T1, T2, ..., TN machine-learned by the random forest. It is possible to accurately identify the supplier of.
  • Predictive models may be generated using machine learning algorithms other than Random Forest.
  • the supplier of the dismantled parts is specified by the prediction model by the random forest is illustrated, but the present invention is not limited to this.
  • the supplier of the disassembled parts may be specified by determining whether or not the turning angle recorded in the above-mentioned reverse position record after opening is within a preset range.
  • the turning angle range RG1 corresponding to the harness supplier AR2 and the turning angle range RG2 corresponding to the small part supplier AR3 may be set in advance. Then, when the turning angle recorded in the reversing position record after opening is within the range of the turning angle range RG1, the supplier of the disassembled parts is specified as the harness supplier AR2, and the turning recorded in the reversing position record after opening is specified. When the angle is within the swivel angle range RG2, the supplier of the disassembled parts may be specified as the small part supplier AR3.
  • the work data acquisition unit 31 acquires the work data DT1 whose supplier is unspecified from the dismantling machine 10, the input data calculation unit 33 generates input data from the acquired work data DT1, and the supplier identification unit 35 generates it.
  • the supplier may be specified by inputting the input data to the trained prediction model.
  • the supplier identification device 1 may be communicably connected to the dismantling machine 10 via a network such as the Internet, and work data may be acquired from the dismantling machine 10.
  • the supplier specifying device in one aspect of the present disclosure is a supplier specifying device that specifies a supplier of an object from work data of a working machine, and the working machine is a holding body that holds a swivel body and the object. It is configured to be able to perform a sorting operation of sorting the object to one of a plurality of suppliers according to the operation of the operator, and record a plurality of records in chronological order.
  • the acquisition unit for acquiring data and each record are associated with the turning angle of the turning body and the holding state of the holding body, and the turning of the record is based on the turning angle recorded in the work data.
  • the first record indicating that the turning direction of the body is reversed is extracted, and the second record in which the release is recorded as the holding state is extracted from the records recorded immediately before the first record, and the first record is extracted.
  • an extraction unit that extracts the third record in which the second record is recorded immediately before and a specific unit that specifies the supplier of the object based on the turning angle recorded in the third record. To prepare for.
  • the record in which the second record in which the release is recorded as the holding state as the immediately preceding record is recorded is extracted as the third record.
  • the supplier of the object is specified based on the turning angle recorded in the third record. Therefore, the supplier of the object can be accurately specified from the work data of the work machine that performs the sorting operation of sorting the object to one of the plurality of suppliers according to the operation of the operator.
  • the record further includes the position coordinates of the holding body, and the identification unit includes the turning angle recorded in the third record and the position coordinates recorded in the second record. It is preferable to specify the supplier of the object based on the above.
  • the supplier of the object is specified based on the turning angle recorded in the third record and the position coordinates recorded in the second record, so that the supplier of the object can be accurately determined. Can be identified.
  • a prediction model for specifying the supplier of the object is generated by machine learning the input data and the output data indicating the supplier of the object as teacher data in the calculation unit that calculates the input data. It is preferable that the specific unit further comprises a generation unit to be generated, and the specific unit specifies the supplier of the object by using the prediction model.
  • a prediction model obtained by machine learning the teacher data including the input data calculated based on the third record and the second record and the output data indicating the supplier of the object is obtained. Since the supplier of the object is specified by using, the supplier can be specified accurately.
  • the prediction model is a plurality of decision trees generated by a random forest
  • the input data is an explanatory variable of the random forest
  • the output data is an objective variable of the random forest. Therefore, it is preferable that the specific unit specifies the supplier of the object by using the plurality of decision trees machine-learned by the teacher data.
  • the prediction model is composed of multiple decision trees generated by the random forest, it is possible to accurately identify the supplier of the object.
  • the extraction unit exponentially smoothes the swivel angle included in the work data and extracts the first record based on the exponentially smoothed swivel angle.
  • the first record since the first record is extracted based on the exponentially smoothed turning angle, the first record can be accurately extracted.
  • the object in the sorting operation, the object is held in a work area, the object is swiveled in a predetermined direction while the object is held, and the object is opened to open the plurality of suppliers. It is preferable to include the work of sorting the object to any of the suppliers, turning in the opposite direction to the predetermined direction, and repeating the operation of returning to the work area.
  • the supplier can be accurately specified in the sorting work that repeats holding the object, turning to the supplier, opening the object, and turning to the work area.
  • the work data is data sampled during the work period of the work machine, and it is preferable that the record further includes a sampling time.
  • the turning angle is preferably a turning angle with respect to the reference position of the work machine.
  • the turning angle can be specified accurately.
  • the information regarding the turning angle when the turning direction is reversed includes the turning angle recorded in the third record.
  • the coordinate information regarding the open position includes the position coordinates of the holder recorded in the second record.
  • the coordinate information regarding the open position can be accurately specified.
  • the input data includes the elapsed time from the opening of the holding body to the reversal of the turning direction of the swivel body and the turning direction of the swivel body after the holding body is opened. It is preferable to further include the moving distance of the swivel body until the reversal.
  • the supplier since the input data includes the elapsed time from the opening of the holding body to the reversal of the turning body and the moving distance, the supplier can be accurately specified.
  • the second record is a record in which the opening is first recorded as the holding state among a predetermined number of records recorded before the first record.
  • Another method of specifying a supplier in another aspect of the present disclosure is a method of specifying a supplier in a supplier specifying device that specifies a supplier of an object from work data of a work machine, and the work machine is a swivel body and a target. It is provided with a holding body for holding an object, and is configured to be able to perform a sorting operation of sorting the object to one of a plurality of suppliers according to the operation of an operator, and a plurality of records are recorded.
  • the work data recorded in the series is acquired, and each record is associated with the turning angle of the turning body and the holding state of the holding body, and the record is based on the turning angle recorded in the working data.
  • the first record indicating that the turning direction of the swivel body was reversed was extracted, and the second record in which the release was recorded as the holding state was extracted from the records recorded immediately before the first record.
  • the program in still another aspect of the present disclosure is a program that causes a computer to function as a supplier identification device that identifies a supplier of an object from work data of a work machine, wherein the work machine is a swivel body and an object. It is configured to be provided with a holding body for holding the object, and it is possible to perform a sorting operation of sorting the object into one of a plurality of suppliers according to an operation of the operator.
  • the records acquire the work data recorded in time series, and each record is associated with the turning angle of the turning body and the holding state of the holding body, and is based on the turning angle recorded in the working data.
  • the first record indicating that the turning direction of the work machine has been reversed is extracted from the records, and the second record in which the release is recorded as the holding state is extracted from the records recorded immediately before the first record.
  • the supplier specifying device accurately identifies the supplier of the object in the sorting operation of sorting the object into one of a plurality of suppliers according to the operation of the operator. Suitable for

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Sustainable Development (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Combustion & Propulsion (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Transportation (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Operation Control Of Excavators (AREA)
  • Shovels (AREA)
  • Working Measures On Existing Buildindgs (AREA)
  • Automobile Manufacture Line, Endless Track Vehicle, Trailer (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

仕分先特定装置は、旋回体の旋回方向の逆転を示す第１レコードを抽出し、第１レコードの直前のレコードのうち開閉状態として開が記録された第２レコードを抽出し、第１レコードのうち直前に第２レコードが記録された第３レコードを抽出し、第３レコードに記録された旋回角度に基づいて解体部品の仕分先を特定する。

Description

仕分先特定装置、仕分先特定方法、及びプログラム
　本発明は、仕分先特定装置及びこれに関連する技術に関する。
　従来、作業アタッチメント先端に破砕機（ニブラー）を装着した作業機械（解体機）が知られている。例えば、特許文献１記載の解体機（１）においては、アタッチメント（４）の一部を構成するアーム（８）の先端部に破砕機（９）が装着されている（特許文献１の図１参照）。
　ところで、ニブラーを備えた自動車解体機は、廃車に含まれるハーネスや小部品といったリサイクル可能な部品（解体部品）を回収する作業に用いられる。当該作業においては、自動車解体機が操作されることによって、廃車から部品が回収され、回収された部品が複数の仕分先のいずれかに仕分けられる。
　より詳細には、作業領域において廃車から部品（ハーネス等）をニブラーで掴み、当該部品を掴んだ状態で旋回して複数の仕分先のいずれかに部品を放し、作業領域に戻るといった動作が繰り返される。
　上述した作業を分析する手法として、作業の様子を撮影し、撮影された動画を閲覧しながら予め定められた情報を手入力で記録することが考えられるが、膨大な時間と手間を要するため、必ずしも効率的であるとは言えない。
　これに対し、本願の発明者らは、上述した作業中に作業機械（自動車解体機等）で取得された作業データ（時系列データ）のみを用いて作業を分析できる手法を検討している。その中の課題の１つとして、作業データのみを用いて、対象物（解体部品等）が仕分けられた仕分先を複数の仕分先の中から正確に特定することが挙げられる。
　上述した課題に対し、本願の発明者らは、当初、ニブラーの開放点の座標に基づいて解体部品（対象物）の仕分先を特定する手法を検討したが、十分な精度が得られなかった。精度が得られない原因を分析したところ、ニブラーで掴んだ解体部品が各仕分先に仕分けられる際に、旋回の勢いを利用して当該解体部品が各仕分先に対して放り投げられていることが判明した。その結果、ニブラーで掴んでいた解体部品が各仕分先よりも手前で放されていることがわかった。
　つまり、ニブラーの開放点は実際の仕分先よりも手前に存在する可能性が高く、ニブラーの開放点の座標に基づいて仕分先を特定しようとすると、正確に特定できない可能性が高いことが明らかになった。
特開２０１７－１４１５５２号公報
　そこで、本発明の目的は、オペレータの操作に伴って対象物を複数の仕分先のうちのいずれかの仕分先に仕分ける仕分け作業を行う作業機械の作業データから対象物の仕分先を正確に特定することが可能な技術を提供することにある。
　上記目的を達成するために、本開示の一態様は、作業機械の作業データから対象物の仕分先を特定する仕分先特定装置であって、前記作業機械は、旋回体と前記対象物を保持する保持体とを備え、オペレータの操作に伴って前記対象物を複数の仕分先のうちのいずれかの仕分先に仕分ける仕分け作業を行うことが可能に構成され、複数のレコードを時系列に記録する前記作業データを取得する取得部と、各レコードは、前記旋回体の旋回角度と、前記保持体の保持状態とが関連付けられ、前記作業データに記録された前記旋回角度に基づいて前記レコードのうち前記旋回体の旋回方向が逆転したことを示す第１レコードを抽出し、前記第１レコードの直前に記録されたレコードのうち前記保持状態として開放が記録された第２レコードを抽出し、前記第１レコードのうち直前に前記第２レコードが記録された第３レコードを抽出する抽出部と、前記第３レコードに記録された前記旋回角度に基づいて、前記対象物の仕分先を特定する特定部と、を備える。
　本構成によれば、オペレータの操作に伴って対象物を複数の仕分先のうちのいずれかの仕分先に仕分ける仕分け作業を行う作業機械の作業データから対象物の仕分先を正確に特定することが可能である。
本発明の実施形態による解体機を示す側面図。 解体機による解体部品の仕分作業を説明するための概略平面図。 仕分作業の作業期間中にサンプリングされた作業データを示す図。 本発明の実施形態による仕分先特定装置を示す機能ブロック図。 仕分先特定プログラムによる仕分先特定処理を示すフローチャート。 ランダムフォレストの機械学習に用いられる説明変数及び目的変数を示す図。 教師データ集合からランダムフォレストの決定木を生成する様子を示す図。 予測モデルによる検証結果（複数の決定木による仕分精度）を示す図。 比較例（旋回角度を考慮しない予測モデル）による検証結果を示す図。 別の比較例（教師データを増やした予測モデル）による検証結果を示す図。
　＜１．実施形態＞
　本発明の実施形態に係る仕分先特定装置について図１から図１０に基づいて説明する。以下では、作業機械の一例は、オペレータによって操作される解体機１０（図１参照）である。また、仕分先特定装置の一例は、後述の仕分先特定処理を実行する仕分先特定装置１（図４参照）である。
　図１に示すように、解体機１０は、下部走行体１１と、上部旋回体１２と、アタッチメント１３とを備える。アタッチメント１３の先端には、解体対象（自動車等）から解体部品（ハーネス又は小部品）を挟持して取り出すニブラー１４が装着されている。
　ここで、上部旋回体１２は、「旋回体」の一例である。また、ニブラー１４は、「保持体」の一例である。更に、解体部品は、「対象物」の一例である。
　解体機１０は、オペレータの操作に伴って、自動車等の解体対象からハーネス又は小部品等の解体部品を掴んで取り出し、当該解体部品を所定の仕分先に仕分ける作業を行う。
　詳細には、図２に示すように、解体機１０は、解体作業領域ＡＲ１において解体部品（ハーネス又は小部品）をニブラー１４によって挟持して保持し、ニブラー１４で解体部品を保持した状態のまま所定方向（図２では反時計回り）に旋回する。
　そして、解体機１０は、ニブラー１４でハーネスを保持していた場合には当該ハーネスをハーネス仕分先ＡＲ２の近傍で開放する。一方、解体機１０は、ニブラー１４で小部品を保持していた場合には当該小部品を小部品仕分先ＡＲ３の近傍で開放する。これに伴い、ハーネスはハーネス仕分先ＡＲ２に仕分けられ、小部品は小部品仕分先ＡＲ３に仕分けられる。
　この後、解体機１０は、所定方向とは反対（図２では時計回り）に旋回し、解体作業領域ＡＲ１に戻る。解体機１０は、オペレータ操作に伴って、上述したような動作を繰り返し実行する。
　解体機１０は、上述した作業の作業期間中に一定のサンプリング間隔で各種作業情報を取得し、図３に示す作業データＤＴ１として蓄積する。具体的には、解体機１０は、ニブラー１４の位置座標と、上部旋回体１２の旋回角度と、ニブラー１４の開閉情報とを作業情報として取得し、作業データＤＴ１に蓄積する。
　図３に示すように、作業データＤＴ１は、サンプリング時刻と、ニブラー１４の位置座標と、上部旋回体１２の旋回角度と、ニブラー１４の開閉情報とが関連付けられたレコードＲＣ１，ＲＣ２，ＲＣ３，…を時系列で記録する。
　ニブラー１４の位置座標の一例は、ニブラー１４のＸ座標の値とＹ座標の値とＺ座標の値とである。
　また、上部旋回体１２の旋回角度の一例は、基準位置（例えば、解体作業領域ＡＲ１において解体部品を取り出す位置）に対する上部旋回体１２の旋回角度の値である。
　更に、ニブラー１４の開閉情報の一例は、ニブラー１４を開閉させるためのシリンダに設けられたストロークセンサの出力値に基づく開閉状態である。開閉状態はニブラー１４が開放状態であることを示す「開」と、ニブラー１４が閉状態であることを示す「閉」とを含む。
　続いて、図４を参照しながら、仕分先特定装置１について詳細に説明する。仕分先特定装置１は、上述した作業データＤＴ１に基づいて解体部品の仕分先を特定するためのコンピュータである。図４に示すように、仕分先特定装置１は、制御部３と記憶部５とを備えて構成される。
　制御部３は、中央処理装置（ＣＰＵ（Central Processing Unit））を備え、記憶部５に記憶されるプログラム及びデータに基づいて各種の演算処理を実行する。
　図４に示すように、制御部３は、作業データ取得部３１（取得部の一例）と、レコード抽出部３２（抽出部の一例）と、入力データ演算部３３（演算部の一例）と、予測モデル生成部３４（生成部の一例）と、仕分先特定部３５（特定部の一例）とを備える。
　作業データ取得部３１は、記憶部５に記録されている作業データＤＴ１を取得する。
　レコード抽出部３２は、所定の条件に合致したレコードを作業データＤＴ１の中から抽出する。
　入力データ演算部３３は、機械学習のアルゴリズムであるランダムフォレストに使用される説明変数である入力データを生成する。
　予測モデル生成部３４は、機械学習のアルゴリズムであるランダムフォレストを用いて解体部品の仕分先を特定するための予測モデルを生成する。
　仕分先特定部３５は、予測モデルを用いて作業期間中における解体部品の仕分先を特定する。
　記憶部５は、メモリや磁気ディスク装置を備え、各種のプログラム及びデータを記憶する。また、記憶部５は、制御部３のワークメモリとしても機能する。なお、記憶部５は、フラッシュメモリ及び光ディスク等の情報記憶媒体で構成されてもよいし、当該情報記憶媒体から情報を読み取る読取装置で構成されてもよい。
　なお、上述したハードウェア構成はあくまで一例に過ぎない。例えば、上述したハードウェア構成では、記憶部５が仕分先特定装置１に内蔵されている場合を例示したが、これに限定されず、仕分先特定装置１と通信可能な記憶装置が外部接続されるようにしてもよい。
　図４に示すように、記憶部５は、仕分先特定プログラムＰＧと、作業データＤＴ１と、教師データＤＴ２と、検証データＤＴ３と、検証結果データＤＴ４とを記憶する。
　仕分先特定プログラムＰＧは、作業期間中における解体部品の仕分先を特定する仕分先特定処理（図５に示すフローチャートの処理）を実行するためのプログラムである。
　作業データＤＴ１は、上述したように、解体機１０が作業期間中に一定のサンプリング間隔で作業情報を取得し、蓄積したデータである（図３参照）。
　教師データＤＴ２は、機械学習に用いられる入力データ及び出力データである。具体的には、教師データＤＴ２は、ランダムフォレストに用いられる説明変数ｖ＝（ｄ１，ｄ２，ｄ３，ｄ４，ｄ５，ｄ６，ｄ７）と目的変数ｔと含むデータである。教師データＤＴ２は、作業データＤＴ１のうち、機械学習に用いられる作業データＤＴ１に目的変数が関連付けられたデータである。
　説明変数ｖ＝（ｄ１，ｄ２，ｄ３，ｄ４，ｄ５，ｄ６，ｄ７）は、入力データ演算部３３において演算された変数である。目的変数ｔは、実際の仕分先（作業期間中に撮影された動画を作業者が目視で確認した仕分先）を示す変数である。
　検証データＤＴ３は、機械学習によって生成された予測モデルを検証するためのデータである。検証データＤＴ３は、ランダムフォレストの学習において教師データＤＴ２として用いられていないデータである。すなわち、検証データＤＴ３は、作業データＤＴ１のうち教師データＤＴ２として用いられた作業データＤＴ１以外の作業データＤＴ１である。検証データＤＴ３は、説明変数ｖ＝（ｄ１，ｄ２，ｄ３，ｄ４，ｄ５，ｄ６，ｄ７）を含む。
　検証結果データＤＴ４は、機械学習によって生成した予測モデルを検証データＤＴ３によって検証した結果である。
　続いて、図５を参照しつつ仕分先特定プログラムＰＧによって実行される処理について詳細に説明する。なお、以下では、「ステップＳ」を単に「Ｓ」と表記する。
　まず、Ｓ１において、作業データ取得部３１は、作業データＤＴ１を記憶部５から取得する。
　次に、Ｓ２において、レコード抽出部３２は、作業データＤＴ１のうち時系列に記録された旋回角度を指数平滑化する。
　次に、Ｓ３において、レコード抽出部３２は、指数平滑化された旋回角度に基づいて解体機１０の旋回方向が所定方向から逆転した時刻に記録されたすべてのレコードを逆転位置レコード（第１レコードの一例）として抽出する。
　具体的には、レコード抽出部３２は、指数平滑化された旋回角度の関数の傾きの符号が逆転（プラスからマイナス又はマイナスからプラスに逆転）した時刻に記録されたすべてのレコードを逆転位置レコードとして抽出する。
　指数平滑化された旋回角度は、上部旋回体１２が所定方向に旋回している最中は増加（又は減少）し続け、上部旋回体１２が所定方向とは反対方向に旋回している最中は減少（又は増加）し続けるという特性を有する。すなわち、上部旋回体１２の旋回方向が逆転すると、指数平滑化された旋回角度の関数の傾きの符号も逆転する。Ｓ３では、このような特性を利用することで逆転位置レコードが特定されている。
　また、作業データＤＴ１に記録された旋回角度の元データは、単調増加又は単調減少するものではなく、ノイズを含んでいる。そのため、逆転位置レコードの抽出（Ｓ３）において旋回角度の元データをそのまま使用すると、逆転位置レコードが誤って抽出される可能性がある。そこで、本実施形態では、Ｓ２において旋回角度の元データを指数平滑化し、Ｓ３において指数平滑化された旋回角度を用いて逆転位置レコードを特定している。
　Ｓ４において、レコード抽出部３２は、逆転位置レコードの直前に記録されたレコードのうちニブラー１４の開閉情報に「開」が記録されたレコードを開放位置レコード（第２レコードの一例）として抽出する。より詳細には、レコード抽出部３２は、逆転位置レコードよりも前に記録された所定数のレコードのうちニブラー１４の開放情報に「開」が最初に記録されたレコードを開放位置レコードとして抽出する。
　なお、本実施形態において、逆転位置レコードの直前に記録されたレコードとは、単に逆転位置レコードの１つ前のレコードを意味するものではなく、逆転位置レコードよりも前に記録された所定数のレコードを意味するものである。なお、所定数は、作業データＤＴ１のサンプリング間隔に応じて適宜設定される。
　Ｓ５において、レコード抽出部３２は、逆転位置レコードのうち、直前のレコードとして開放位置レコードが記録された逆転位置レコードを開放後逆転位置レコード（第３レコードの一例）として抽出する。つまり、レコード抽出部３２は、ニブラー１４が開放された後に旋回方向が逆転した時刻に記録されたレコードを開放後逆転位置レコードとして抽出する。逆に言えば、ニブラー１４が閉じた状態のまま旋回が逆転した時刻に記録されたレコードは、開放後逆転位置レコードとして抽出されない。
　Ｓ６において、入力データ演算部３３は、機械学習のアルゴリズムであるランダムフォレストに用いる入力データ（説明変数ｖ＝（ｄ１，ｄ２，ｄ３，ｄ４，ｄ５，ｄ６，ｄ７））を演算する。
　具体的には、入力データ演算部３３は、Ｓ４で抽出した開放位置レコードに記録された作業情報とＳ５で抽出した開放後逆転位置レコードに記録された作業情報とを用いて入力データ（説明変数ｖ）を演算する。
　より詳細には、図６に示すように、入力データ演算部３３は、逆転位置における旋回角度の角度偏差ｄ１、開放位置におけるニブラー１４の位置座標ｄ２，ｄ３，ｄ４、及び、開放位置から逆転位置までの経過時間ｄ５、移動距離ｄ６、移動旋回角度ｄ７を説明変数ｖとして演算する。逆転位置は上部旋回体１２が逆転した時刻におけるニブラー１４の位置である。開放位置はニブラー１４が開放された時刻におけるニブラー１４の位置である。移動距離ｄ６は、開放位置から逆転位置までの距離である。移動旋回角度ｄ７は開放位置から逆転位置までの上部旋回体１２の旋回角度である。角度偏差ｄ１は作業時間中の平均旋回角度からの旋回角度の角度偏差である。
　入力データ演算部３３は、抽出されたすべての開放位置レコード及び開放後逆転位置レコードに関して、上述した説明変数ｖ＝（ｄ１，ｄ２，ｄ３，ｄ４，ｄ５，ｄ６，ｄ７）を演算する。
　教師データＤＴ２は、説明変数ｖ＝（ｄ１，ｄ２，ｄ３，ｄ４，ｄ５，ｄ６，ｄ７）と、目的変数ｔとを関連付けて記録したものである。なお、目的変数ｔは、上述したとおり、作業期間中に撮影された動画を作業者が目視で確認した仕分先（正しい仕分先）を示す変数である。
　なお、説明の都合上、以下では、教師データＤＴ２を教師データ集合Ｓ＝｛（ｖ，ｔ）｝とも表現する（図６参照）。
　Ｓ７において、予測モデル生成部３４は、ランダムフォレストによる予測モデルを生成する。なお、ランダムフォレストとは、公知の機械学習のアルゴリズムであり、複数の決定木（弱識別器）の結果をあわせて識別・回帰・クラスタリングを行うアンサンブル学習アルゴリズムである。
　本実施形態では、複数の仕分先の中から解体部品の仕分先を特定するという分類問題を扱うため、ランダムフォレストの決定木として分類木が用いられる。
　図７に示すように、予測モデル生成部３４は、教師データ集合Ｓの中から個々の決定木の学習に用いるトレーニングデータＳ１，Ｓ２，…，ＳＮをブートストラップによってランダムにサンプリングする。
　予測モデル生成部３４は、まず、トレーニングデータＳ１の中から分岐に用いられるＭ個の変数をランダムサンプリングし、決定木Ｔ１を作成する。予測モデル生成部３４は、このような処理を、トレーニングデータＳ２，…，ＳＮに関しても繰り返し実行し、最終的に、Ｎ個の決定木Ｔ１，Ｔ２，…，ＴＮを生成する。
　なお、各決定木は、予め定められた深さまで分割される。また、根ノード及び中間ノードの分割基準にはジニ係数の値が用いられる。更に、葉ノードには目的変数ｔが設定される。
　Ｓ８において、仕分先特定部３５は、Ｎ個の決定木Ｔ１，Ｔ２，…，ＴＮに検証データＤＴ３を入力し、それぞれ決定木Ｔ１，Ｔ２，…，ＴＮによって分類された仕分先を多数決することで解体部品の仕分先を特定する。その結果、作業期間中における各解体部品の仕分先が、解体作業領域ＡＲ１とハーネス仕分先ＡＲ２と小部品仕分先ＡＲ３とのいずれかに分類される。
　図８の検証結果データＤＴ４（ＤＴ４１）は、教師データＤＴ２を用いてＮ個の決定木Ｔ１，Ｔ２，…，ＴＮ（予測モデル）を生成し、検証データＤＴ３を用いて仕分精度を検証した結果である。
　具体的には、検証結果データＤＴ４１の１行目は、教師データＤＴ２として１５番のデータを用いて予測モデル（Ｎ個の決定木Ｔ１，Ｔ２，…，ＴＮ）を生成し、検証データＤＴ３として１６～２０番のデータを用いて当該予測モデルを検証した結果である。
　また、検証結果データＤＴ４１の２行目は、教師データＤＴ２として１６番のデータを用いて予測モデルを生成し、検証データＤＴ３として１５，１７～２０番のデータを用いて当該予測モデルを検証した結果である。検証結果データＤＴ４１の３～６行目も同様の基準で予測モデルを検証した結果である。
　検証結果データＤＴ４１では、平均で９１．３パーセント（図８の太枠参照）の仕分精度が得られている。従来手法（ランダムフォレストを使用しないクラスタリング）では、平均で７２％の仕分精度しか得られていなかったため、仕分精度が大幅に向上していることがわかる。
　また、図９の検証結果データＤＴ４（ＤＴ４２）は、上記実施形態よりも説明変数ｖの数を減らした予測モデル（比較例）による仕分精度を検証した結果である。比較例では、逆転位置における旋回角度の角度偏差ｄ１と、開放位置から逆転位置までの経過時間ｄ５、移動距離ｄ６、移動旋回角度ｄ７とを説明変数ｖから除外し、説明変数ｖ＝（ｄ２，ｄ３，ｄ４）として予測モデルが生成されている。つまり、比較例では、ニブラー１４の開放位置に関する情報のみを用いて予測モデルが生成されている。
　図９に示すように、検証結果データＤＴ４２では、平均で８９．３パーセント（図９の太枠参照）の仕分精度が得られている。よって、上記実施形態と同様に、従来手法（ランダムフォレストを使用しないクラスタリング）に比べると仕分精度は向上している。
　ただし、上記実施形態に比べると上記比較例の仕分精度は劣っている。そのため、逆転位置における旋回角度の角度偏差ｄ１と、開放位置から逆転位置までの経過時間ｄ５、移動距離ｄ６、移動旋回角度ｄ７とが仕分精度の向上に寄与していることがわかる。
　上述したように、実際の作業では、ニブラー１４で掴んだ解体部品が各仕分先に仕分けられる際、ニブラー１４で掴んでいた解体部品が各仕分先よりも手前で放され、各仕分先に放り投げられている。そのため、ニブラー１４の開放点は実際の仕分先よりも手前である可能性が高い。よって、ニブラー１４の開放位置に関する情報のみで仕分先を特定しようとすると、仕分先を正確に特定できない可能性が高いことが推測されていた。
　他方、上部旋回体１２は、ニブラー１４が開放され解体部品が放り投げられた後も慣性によって多少旋回する。そのため、上部旋回体１２の旋回が逆転する逆転位置が解体部品の仕分先と一致する可能性が高いと推測されていた。そこで、上記実施形態は、ニブラー１４の開放位置に関する情報のみならず、上部旋回体１２の旋回角度に関する情報をランダムフォレストの入力データ（説明変数）として用いた。
　図８の検証結果データＤＴ４１と図９の検証結果データＤＴ４２とを比較すると、解体部品の仕分先の特定において上部旋回体１２の旋回角度に関する情報を考慮することが有効であることが明らかであるため、上述の推測が概ね正しかったと言える。
　図１０の検証結果データＤＴ４（ＤＴ４３）は、教師データＤＴ２の数を増やして生成した予測モデルの仕分精度を検証した結果である。
　具体的には、検証結果データＤＴ４３の１行目は、教師データＤＴ２として１５番のデータと１６番のデータとを用いて予測モデルを生成し、検証データＤＴ３として１７～２０番のデータを用いて当該予測モデルを検証した結果である。
　また、検証結果データＤＴ４３の２行目は、教師データＤＴ２として１５番のデータと１７番のデータとを用いて予測モデルを生成し、検証データＤＴ３として１６，１８～２０番のデータを用いて当該予測モデルを検証した結果である。検証結果データＤＴ４３の３行目以降も同様の基準で予測モデルを検証した結果である。
　検証結果データＤＴ４３では、平均で９６．０パーセント（図１０の太枠参照）の仕分精度が得られている。よって、教師データＤＴ２の数を増やした予測モデルでは、検証結果データＤＴ４１における平均の仕分精度（９１．３％）よりも高い仕分精度が得られることがわかる。
　上述した実施形態によれば、解体部品の仕分作業において、ランダムフォレストによって機械学習したＮ個の決定木Ｔ１，Ｔ２，…，ＴＮを用いて、作業期間中の各解体部品（ハーネス又は小部品）の仕分先を正確に特定することが可能である。
　特に、上述した実施形態によれば、ニブラー１４の開放位置に関する情報のみならず、上部旋回体１２の旋回角度に関する情報がランダムフォレストの入力データ（説明変数）として用いられている。そのため、解体部品の仕分作業において高い仕分精度を得ることが可能である。
　＜２．変形例＞
　本開示による仕分先特定装置は上述の実施形態に限定されず、特許請求の範囲に記載した範囲で種々の変形や改良が可能である。
　例えば、上記実施形態では、ランダムフォレストを用いて予測モデルを生成する場合を例示したが、これに限定されない。ランダムフォレスト以外の機械学習のアルゴリズムを用いて予測モデルを生成するようにしてもよい。
　また、上記実施形態では、ランダムフォレストによる予測モデルで解体部品の仕分先を特定する場合を例示したが、これに限定されない。例えば、上述した開放後逆転位置レコードに記録された旋回角度が予め設定した範囲にあるか否かを判定することによって解体部品の仕分先を特定するようにしてもよい。
　具体的には、ハーネス仕分先ＡＲ２に対応する旋回角度範囲ＲＧ１と、小部品仕分先ＡＲ３に対応する旋回角度範囲ＲＧ２とを予め設定するようにすればよい。そして、開放後逆転位置レコードに記録された旋回角度が旋回角度範囲ＲＧ１の範囲内である場合には解体部品の仕分先をハーネス仕分先ＡＲ２と特定し、開放後逆転位置レコードに記録された旋回角度が旋回角度範囲ＲＧ２の範囲内である場合には解体部品の仕分先を小部品仕分先ＡＲ３と特定するようにすればよい。
　＜３．変形例＞
　作業データ取得部３１は、仕分先が未特定の作業データＤＴ１を解体機１０から取得し、入力データ演算部３３は取得された作業データＤＴ１から入力データを生成し、仕分先特定部３５は生成された入力データを学習済みの予測モデルに入力することによって、仕分先を特定してもよい。
　＜４．変形例＞
　仕分先特定装置１は、インターネット等のネットワークを介して解体機１０と通信可能に接続され、解体機１０から作業データを取得してもよい。
　（実施の形態の纏め）
　本開示の一態様における仕分先特定装置は、作業機械の作業データから対象物の仕分先を特定する仕分先特定装置であって、前記作業機械は、旋回体と前記対象物を保持する保持体とを備え、オペレータの操作に伴って前記対象物を複数の仕分先のうちのいずれかの仕分先に仕分ける仕分け作業を行うことが可能に構成され、複数のレコードを時系列に記録する前記作業データを取得する取得部と、各レコードは、前記旋回体の旋回角度と、前記保持体の保持状態とが関連付けられ、前記作業データに記録された前記旋回角度に基づいて前記レコードのうち前記旋回体の旋回方向が逆転したことを示す第１レコードを抽出し、前記第１レコードの直前に記録されたレコードのうち前記保持状態として開放が記録された第２レコードを抽出し、前記第１レコードのうち直前に前記第２レコードが記録された第３レコードを抽出する抽出部と、前記第３レコードに記録された前記旋回角度に基づいて、前記対象物の仕分先を特定する特定部と、を備える。
　この構成によれば、旋回体の旋回方向が逆転したことを示す第１レコードのうち、直前のレコードとして保持状態として開放が記録された第２レコードが記録されたレコードが第３レコードとして抽出され、第３レコードに記録された旋回角度に基づいて、対象物の仕分先が特定される。そのため、オペレータの操作に伴って対象物を複数の仕分先のうちのいずれかの仕分先に仕分ける仕分け作業を行う作業機械の作業データから対象物の仕分先を正確に特定できる。
　上記仕分先特定装置において、前記レコードは、前記保持体の位置座標を更に含み、前記特定部は、前記第３レコードに記録された前記旋回角度と前記第２レコードに記録された前記位置座標とに基づいて、前記対象物の仕分先を特定するのが好ましい。
　この構成によれば、第３レコードに記録された旋回角度と第２レコードに記録された位置座標とに基づいて、対象物の仕分先を特定されているので、対象物の仕分先を正確に特定できる。
　上記仕分先特定装置において、前記第３レコードと前記第２レコードとに基づいて、前記旋回方向が逆転した際の前記旋回角度に関する情報と前記対象物が開放された開放位置に関する座標情報とを含む入力データを演算する演算部と、前記入力データと、前記対象物の仕分先を示す出力データとを教師データとして機械学習することで、前記対象物の仕分先を特定するための予測モデルを生成する生成部と、を更に備え、前記特定部は、前記予測モデルを用いて、前記対象物の仕分先を特定するのが好ましい。
　この構成によれば、第３レコードと第２レコードとに基づいて演算された入力データと、対象物の仕分先を示す出力データとを含む教師データを機械学習することにより得られた予測モデルを用いて対象物の仕分先が特定されるので、当該仕分先を正確に特定できる。
　上記仕分先特定装置において、前記予測モデルは、ランダムフォレストによって生成される複数の決定木であり、前記入力データは、前記ランダムフォレストの説明変数であり、前記出力データは、前記ランダムフォレストの目的変数であり、前記特定部は、前記教師データによって機械学習された前記複数の決定木を用いて前記対象物の仕分先を特定するのが好ましい。
　この構成によれば、予測モデルがランダムフォレストにより生成される複数の決定木で構成されているので、対象物の仕分先を正確に特定できる。
　上記仕分先特定装置において、前記抽出部は、前記作業データに含まれる前記旋回角度を指数平滑化し、指数平滑化された旋回角度に基づいて前記第１レコードを抽出するのが好ましい。
　この構成によれば、指数平滑化された旋回角度に基づいて第１レコードが抽出されているので、第１レコードを正確に抽出できる。
　上記仕分先特定装置において、前記仕分け作業は、作業領域で前記対象物を保持し、前記対象物を保持した状態で所定方向に旋回すると共に前記対象物を開放することで前記複数の仕分先のいずれかの仕分先に前記対象物を仕分け、前記所定方向とは反対に旋回して前記作業領域に戻る動作を繰り返す作業を含むことが好ましい。
　この構成によれば、対象物の保持、仕分先への旋回、対象物の開放、及び作業領域への旋回を繰り返す仕分け作業において、仕分先を正確に特定できる。
　上記仕分先特定装置において、前記作業データは、前記作業機械の作業期間中にサンプリングされたデータであり、前記レコードは、サンプリング時刻をさらに含むことが好ましい。
　この構成によれば、レコードに作業中のサンプリング時刻が含まれているので、旋回方向が逆転する時刻及び対象物が開放される時刻を正確に特定できる。
　上記仕分先特定装置において、前記旋回角度は、前記作業機械の基準位置に対する旋回角度であることが好ましい。
　この構成によれば、旋回角度を正確に特定できる。
　上記仕分先特定装置において、前記旋回方向が逆転した際の前記旋回角度に関する情報は、前記第３レコードに記録された前記旋回角度を含むことが好ましい。
　この構成によれば、旋回方向が逆転した際の旋回角度に関する情報を正確に特定できる。
　上記仕分先特定装置において、前記開放位置に関する座標情報は、前記第２レコードに記録された前記保持体の前記位置座標を含むことが好ましい。
　この構成によれば、開放位置に関する座標情報を正確に特定できる。
　上記仕分先特定装置において、前記入力データは、前記保持体が開放されてから前記旋回体の旋回方向が逆転するまでの経過時間と、前記保持体が開放されてから前記旋回体の旋回方向が逆転するまでの前記旋回体の移動距離とを更に含むことが好ましい。
　この構成によれば、入力データには、保持体が開放されてから旋回体が逆転されるまでの経過時間及び移動距離が含まれているため、仕分先を正確に特定できる。
　上記仕分先特定装置において、前記第２レコードは、前記第１レコードよりも前に記録された所定数のレコードのうち、前記保持状態として最初に前記開放が記録されたレコードであることが好ましい。
　この構成によれば、旋回体が逆転される直前の保持体の開放タイミングを正確に特定できる。
　本開示の別の一態様における仕分先特定方法は、作業機械の作業データから対象物の仕分先を特定する仕分先特定装置における仕分先特定方法であって、前記作業機械は、旋回体と対象物を保持する保持体とを備え、オペレータの操作に伴って前記対象物を複数の仕分先のうちのいずれかの仕分先に仕分ける仕分け作業を行うことが可能に構成され、複数のレコードが時系列に記録された作業データを取得し、各レコードは、前記旋回体の旋回角度と、前記保持体の保持状態とが関連付けられ、前記作業データに記録された前記旋回角度に基づいて前記レコードのうち前記旋回体の旋回方向が逆転したことを示す第１レコードを抽出し、前記第１レコードの直前に記録されたレコードのうち前記保持状態として開放が記録された第２レコードを抽出し、前記第１レコードのうち直前に前記第２レコードが記録された第３レコードを抽出し、前記第３レコードに記録された前記旋回角度に基づいて、前記対象物の仕分先を特定する。
　本開示のさらに別の一態様におけるプログラムは、作業機械の作業データから対象物の仕分先を特定する仕分先特定装置としてコンピュータを機能させるプログラムであって、前記作業機械は、旋回体と対象物を保持する保持体とを備え、オペレータの操作に伴って前記対象物を複数の仕分先のうちのいずれかの仕分先に仕分ける仕分け作業を行うことが可能に構成され、前記コンピュータに、複数のレコードが時系列に記録された作業データを取得し、各レコードは、前記旋回体の旋回角度と、前記保持体の保持状態とが関連付けられ、前記作業データに記録された前記旋回角度に基づいて前記レコードのうち前記作業機械の旋回方向が逆転したことを示す第１レコードを抽出し、前記第１レコードの直前に記録されたレコードのうち保持状態として開放が記録された第２レコードを抽出し、前記第１レコードのうち直前に前記第２レコードが記録された第３レコードを抽出し、前記第３レコードに記録された前記旋回角度に基づいて、前記対象物の仕分先を特定する、処理を実行させる。
　以上のように本発明による仕分先特定装置は、オペレータの操作に伴って前記対象物を複数の仕分先のうちのいずれかの仕分先に仕分ける仕分け作業において、対象物の仕分先を正確に特定するのに適している。

Claims (14)

  1. 　作業機械の作業データから対象物の仕分先を特定する仕分先特定装置であって、
    　前記作業機械は、旋回体と前記対象物を保持する保持体とを備え、オペレータの操作に伴って前記対象物を複数の仕分先のうちのいずれかの仕分先に仕分ける仕分け作業を行うことが可能に構成され、
    　複数のレコードを時系列に記録する前記作業データを取得する取得部と、各レコードは、前記旋回体の旋回角度と、前記保持体の保持状態とが関連付けられ、
    　前記作業データに記録された前記旋回角度に基づいて前記レコードのうち前記旋回体の旋回方向が逆転したことを示す第１レコードを抽出し、前記第１レコードの直前に記録されたレコードのうち前記保持状態として開放が記録された第２レコードを抽出し、前記第１レコードのうち直前に前記第２レコードが記録された第３レコードを抽出する抽出部と、
    　前記第３レコードに記録された前記旋回角度に基づいて、前記対象物の仕分先を特定する特定部と、
    を備える、
    　仕分先特定装置。
  2. 　前記レコードは、前記保持体の位置座標を更に含み、
    　前記特定部は、前記第３レコードに記録された前記旋回角度と前記第２レコードに記録された前記位置座標とに基づいて、前記対象物の仕分先を特定する、
    　請求項１に記載の仕分先特定装置。
  3. 　前記第３レコードと前記第２レコードとに基づいて、前記旋回方向が逆転した際の前記旋回角度に関する情報と前記対象物が開放された開放位置に関する座標情報とを含む入力データを演算する演算部と、
    　前記入力データと、前記対象物の仕分先を示す出力データとを含む教師データを機械学習することで、前記対象物の仕分先を特定するための予測モデルを生成する生成部と、を更に備え、
    　前記特定部は、前記予測モデルを用いて、前記対象物の仕分先を特定する、
    　請求項２に記載の仕分先特定装置。
  4. 　前記予測モデルは、ランダムフォレストによって生成される複数の決定木であり、
    　前記入力データは、前記ランダムフォレストの説明変数であり、
    　前記出力データは、前記ランダムフォレストの目的変数であり、
    　前記特定部は、前記教師データによって機械学習された前記複数の決定木を用いて前記対象物の仕分先を特定する、
    　請求項３に記載の仕分先特定装置。
  5. 　前記抽出部は、前記作業データに含まれる前記旋回角度を指数平滑化し、指数平滑化された旋回角度に基づいて前記第１レコードを抽出する、
    　請求項１～４のいずれかに記載の仕分先特定装置。
  6. 　前記仕分け作業は、作業領域で前記対象物を保持し、前記対象物を保持した状態で所定方向に旋回すると共に前記対象物を開放することで前記複数の仕分先のいずれかの仕分先に前記対象物を仕分け、前記所定方向とは反対に旋回して前記作業領域に戻る動作を繰り返す作業を含む、
    　請求項１～５のいずれかに記載の仕分先特定装置。
  7. 　前記作業データは、前記作業機械の作業期間中にサンプリングされたデータであり、
    　前記レコードは、サンプリング時刻をさらに含む、
    　請求項１～６のいずれかに記載の仕分先特定装置。
  8. 　前記旋回角度は、前記作業機械の基準位置に対する旋回角度である、
    　請求項１～７のいずれかに記載の仕分先特定装置。
  9. 　前記旋回方向が逆転した際の前記旋回角度に関する情報は、前記第３レコードに記録された前記旋回角度を含む、
    　請求項３に記載の仕分先特定装置。
  10. 　前記開放位置に関する座標情報は、前記第２レコードに記録された前記保持体の前記位置座標を含む、
    　請求項３に記載の仕分先特定装置。
  11. 　前記入力データは、前記保持体が開放されてから前記旋回体の旋回方向が逆転するまでの経過時間と、前記保持体が開放されてから前記旋回体の旋回方向が逆転するまでの前記旋回体の移動距離とを更に含む、
    　請求項３に記載の仕分先特定装置。
  12. 　前記第２レコードは、前記第１レコードよりも前に記録された所定数のレコードのうち、前記保持状態として最初に前記開放が記録されたレコードである、
    　請求項１～１１のいずれかに記載の仕分先特定装置。
  13. 　作業機械の作業データから対象物の仕分先を特定する仕分先特定装置における仕分先特定方法であって、
    　前記作業機械は、旋回体と前記対象物を保持する保持体とを備え、オペレータの操作に伴って前記対象物を複数の仕分先のうちのいずれかの仕分先に仕分ける仕分け作業を行うことが可能に構成され、
    　複数のレコードが時系列に記録された前記作業データを取得し、各レコードは、前記旋回体の旋回角度と、前記保持体の保持状態とが関連付けられ、
    　前記作業データに記録された前記旋回角度に基づいて前記レコードのうち前記旋回体の旋回方向が逆転したことを示す第１レコードを抽出し、前記第１レコードの直前に記録されたレコードのうち前記保持状態として開放が記録された第２レコードを抽出し、前記第１レコードのうち直前に前記第２レコードが記録された第３レコードを抽出し、
    　前記第３レコードに記録された前記旋回角度に基づいて、前記対象物の仕分先を特定する、
    　仕分先特定方法。
  14. 　作業機械の作業データから対象物の仕分先を特定する仕分先特定装置としてコンピュータを機能させるプログラムであって、
    　前記作業機械は、旋回体と前記対象物を保持する保持体とを備え、オペレータの操作に伴って前記対象物を複数の仕分先のうちのいずれかの仕分先に仕分ける仕分け作業を行うことが可能に構成され、
    　前記コンピュータに、
    　複数のレコードが時系列に記録された前記作業データを取得し、各レコードは、前記旋回体の旋回角度と、前記保持体の保持状態とが関連付けられ、
    　前記作業データに記録された前記旋回角度に基づいて前記レコードのうち前記作業機械の旋回方向が逆転したことを示す第１レコードを抽出し、前記第１レコードの直前に記録されたレコードのうち保持状態として開放が記録された第２レコードを抽出し、前記第１レコードのうち直前に前記第２レコードが記録された第３レコードを抽出し、
    　前記第３レコードに記録された前記旋回角度に基づいて、前記対象物の仕分先を特定する、処理を実行させる、
    　プログラム。
     
PCT/JP2021/035725 2020-10-02 2021-09-28 仕分先特定装置、仕分先特定方法、及びプログラム WO2022071349A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202180065308.2A CN116194361A (zh) 2020-10-02 2021-09-28 分类目的地确定装置、分类目的地确定方法及程序
US18/246,858 US11987307B2 (en) 2020-10-02 2021-09-28 Sorting destination identification device, sorting destination identification method, and program
EP21875650.0A EP4206062A1 (en) 2020-10-02 2021-09-28 Sorting destination identification device, sorting destination identification method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-167392 2020-10-02
JP2020167392A JP7496278B2 (ja) 2020-10-02 2020-10-02 仕分先特定装置、仕分先特定方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2022071349A1 true WO2022071349A1 (ja) 2022-04-07

Family

ID=80950476

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/035725 WO2022071349A1 (ja) 2020-10-02 2021-09-28 仕分先特定装置、仕分先特定方法、及びプログラム

Country Status (5)

Country Link
US (1) US11987307B2 (ja)
EP (1) EP4206062A1 (ja)
JP (1) JP7496278B2 (ja)
CN (1) CN116194361A (ja)
WO (1) WO2022071349A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010138657A (ja) * 2008-12-15 2010-06-24 Caterpillar Japan Ltd 解体作業機
WO2016125915A1 (ja) * 2016-03-01 2016-08-11 株式会社小松製作所 評価装置及び評価方法
JP2017141552A (ja) 2016-02-08 2017-08-17 コベルコ建機株式会社 破砕機及びこれを備えた油圧駆動装置
WO2020100823A1 (ja) * 2018-11-14 2020-05-22 コベルコ建機株式会社 解体作業システム、解体作業機械、部品回収方法、及びシールセット
WO2020110780A1 (ja) * 2018-11-29 2020-06-04 コベルコ建機株式会社 解体システム
WO2020202788A1 (ja) * 2019-03-29 2020-10-08 コベルコ建機株式会社 作業分析方法、作業分析装置及び作業分析プログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4037302A (en) * 1976-02-23 1977-07-26 Hollander John M Used vehicle parts disassembly system and method
FR2616729B1 (fr) * 1987-06-16 1989-09-29 Boyenval Hugues Procede modulaire de demontage de vehicules automobiles legers
NL9101988A (nl) * 1991-11-28 1993-06-16 Car Recycling Systems Werkwijze en inrichting voor het slopen van automobielen.

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010138657A (ja) * 2008-12-15 2010-06-24 Caterpillar Japan Ltd 解体作業機
JP2017141552A (ja) 2016-02-08 2017-08-17 コベルコ建機株式会社 破砕機及びこれを備えた油圧駆動装置
WO2016125915A1 (ja) * 2016-03-01 2016-08-11 株式会社小松製作所 評価装置及び評価方法
WO2020100823A1 (ja) * 2018-11-14 2020-05-22 コベルコ建機株式会社 解体作業システム、解体作業機械、部品回収方法、及びシールセット
WO2020110780A1 (ja) * 2018-11-29 2020-06-04 コベルコ建機株式会社 解体システム
WO2020202788A1 (ja) * 2019-03-29 2020-10-08 コベルコ建機株式会社 作業分析方法、作業分析装置及び作業分析プログラム

Also Published As

Publication number Publication date
CN116194361A (zh) 2023-05-30
EP4206062A1 (en) 2023-07-05
US20230382480A1 (en) 2023-11-30
JP2022059669A (ja) 2022-04-14
US11987307B2 (en) 2024-05-21
JP7496278B2 (ja) 2024-06-06

Similar Documents

Publication Publication Date Title
Munroe et al. Multi-class and single-class classification approaches to vehicle model recognition from images
EP3642696B1 (de) Verfahren und vorrichtung zum erfassen einer nutzereingabe anhand einer geste
CN106960177A (zh) 活体人脸验证方法及系统、活体人脸验证装置
JPWO2018154709A1 (ja) 動作学習装置、技能判別装置および技能判別システム
CN110879973A (zh) 一种驾驶员疲劳状态面部特征识别检测方法
JP2020149208A (ja) 異常検出装置および異常検出方法
CN113696849B (zh) 基于手势的车辆控制方法、装置和存储介质
CN116129350B (zh) 数据中心安全作业的智能监控方法、装置、设备及介质
WO2022071349A1 (ja) 仕分先特定装置、仕分先特定方法、及びプログラム
EP3642697B1 (de) Verfahren und vorrichtung zum erfassen einer nutzereingabe anhand einer geste
Meagher et al. Characterization of Latent Print" Lights-Out" Modes for Automated Fingerprint Identification Systems.
WO2016171923A1 (en) Method and system for identifying a human or machine
CN114648809A (zh) 计算机实施的处理监视方法、装置、系统和记录介质
WO2020202788A1 (ja) 作業分析方法、作業分析装置及び作業分析プログラム
Narendra et al. Chaurah: A Smart Raspberry Pi based Parking System
JP7483179B1 (ja) 推定装置、学習装置、推定方法及び推定プログラム
CN110941753A (zh) 应用于装修行业的征信信息采集系统
JP7502448B2 (ja) 検査装置
CN110659384A (zh) 视频结构化分析方法及装置
JP7186269B2 (ja) 訓練データの生成と同一物判定に使用するための機械学習モデルの訓練とについての概念
Bakshi et al. Tracking hand hygiene gestures with leap motion controller
CN115860120A (zh) 作业推断装置、作业推断方法以及程序
Gunawan et al. Key frame extraction with face biometric features in multi-shot human re-identification system
Kaloskampis et al. Complex activity recognition and anomaly detection in multimedia streams
Gajdoš et al. Dataset Modification Captured in Uncontrolled Conditions

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21875650

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18246858

Country of ref document: US

ENP Entry into the national phase

Ref document number: 2021875650

Country of ref document: EP

Effective date: 20230330

NENP Non-entry into the national phase

Ref country code: DE