「大規模環境レーザ計測点群処理」の版間の差分

提供: Precipedia
移動: 案内検索
 
(1人の利用者による、間の6版が非表示)
3行: 3行:
 
==詳細==
 
==詳細==
 
===大規模環境レーザ計測技術の利用===
 
===大規模環境レーザ計測技術の利用===
数十メートル先から数キロメートル先の物体の3次元計測が可能な中・長距離レーザ計測器により,プラント,船舶,建築などの大型構造物,道路,トンネル,橋梁などの社会インフラ,森林などの自然環境,遺跡や文化財といった,大規模環境の3次元計測が可能になっている[1].レーザ計測により得られるデータは3次元の点の集合であり,点群(Point Cloud)と呼ばれる.点群は,プラント,土木,測量,建築,文化財,エンターテイメント,考古学,法廷問題の幅広い分野において,対象の保守,検査,計画,維持管理,デジタルアーカイブなどに利用されている.
+
数十メートル先から数キロメートル先の物体の3次元計測が可能な中・長距離レーザ計測器により,プラント,船舶,建築などの大型構造物,道路,トンネル,橋梁などの社会インフラ,森林などの自然環境,遺跡や文化財といった,大規模環境の3次元計測が可能になっている<ref>金井理他,特集:大規模環境の3次元計測と認識・モデル化技術,精密工学会誌,Vol. 79, No. 5, 2013</ref>.レーザ計測により得られるデータは3次元の点の集合であり,点群(Point Cloud)と呼ばれる.点群は,プラント,土木,測量,建築,文化財,エンターテイメント,考古学,法廷問題の幅広い分野において,対象の保守,検査,計画,維持管理,デジタルアーカイブなどに利用されている.
  
 
===レーザスキャナの種類と測距方式===
 
===レーザスキャナの種類と測距方式===
9行: 9行:
  
 
===大規模環境のレーザ計測点群===
 
===大規模環境のレーザ計測点群===
中・長距離レーザ計測で得られる点群の各点は,xyz座標値の情報に加え,レーザの反射強度(Intensity),反射パルス番号(Pulse return number),パルスの反射波形(Full waveform),点の取得時刻(UTC時刻など),サーマルセンサによる温度情報,ディジタル画像による色情報が付与される場合がある.点群は,オクル―ジョン(遮蔽)による欠損,高いレベルの計測ノイズ,物体境界付近における大量の異常値,大きな点密度差,不均一な点分布(スキャンライン),莫大なデータ量(数千万点~数十億点以上)など,安定かつ高速なデータ処理を困難にする特徴を持つ.屋外環境では自然物と人工物が混在しており,スケールや形状の複雑さが大きく異なる物体が点群内に含まれている(図1).  
+
[[画像:Daikibo-fig1.png|thumb|200px|right|図1 市街地のレーザ計測点群]]
 +
中・長距離レーザ計測で得られる点群の各点は,xyz座標値の情報に加え,レーザの反射強度(Intensity),反射パルス番号(Pulse return number),パルスの反射波形(Full waveform),点の取得時刻(UTC時刻など),サーマルセンサによる温度情報,ディジタル画像による色情報が付与される場合がある.点群は,オクル―ジョン(遮蔽)による欠損,高いレベルの計測ノイズ,物体境界付近における大量の異常値,大きな点密度差,不均一な点分布(スキャンライン),莫大なデータ量(数千万点~数十億点以上)など,安定かつ高速なデータ処理を困難にする特徴を持つ.屋外環境では自然物と人工物が混在しており,スケールや形状の複雑さが大きく異なる物体が点群内に含まれている(図1).
  
 
===レーザ計測点群処理===
 
===レーザ計測点群処理===
 
主なレーザ計測点群処理を以下に記す.
 
主なレーザ計測点群処理を以下に記す.
  
・フィルタリング(Filtering):
+
*フィルタリング(Filtering):
 
点群から計測ノイズや異常値を取り除く.特定の物体を表す点を除去する処理(たとえば数値地形モデル(Digital Terrain Model, DTM)作成のための建物や樹木等の地物除去)や,点の間引き処理にも本用語は用いられる.
 
点群から計測ノイズや異常値を取り除く.特定の物体を表す点を除去する処理(たとえば数値地形モデル(Digital Terrain Model, DTM)作成のための建物や樹木等の地物除去)や,点の間引き処理にも本用語は用いられる.
  
・レジストレーション(Registration,位置合せ):
+
*レジストレーション(Registration,位置合せ):
 +
[[画像:Daikibo-fig2.png|thumb|200px|right|図2 屋外計測点群のレジストレーション(各色が個々の点群を表す)]]
 
異なる場所からTLSにより計測して得た点群同士や,異なる計測システムで得られた点群同士の位置と姿勢を調整し,対象を正確に表現する統合点群を得る.点群内の対応を一致させる座標変換を推定し,点群に適用する(図2).
 
異なる場所からTLSにより計測して得た点群同士や,異なる計測システムで得られた点群同士の位置と姿勢を調整し,対象を正確に表現する統合点群を得る.点群内の対応を一致させる座標変換を推定し,点群に適用する(図2).
  
・特徴抽出(Feature Extraction):
+
*特徴抽出(Feature Extraction):
 
点群の表す形状の法線や曲率などの幾何特徴量を推定する.法線や近似曲率の推定には主成分分析(Principal Component Analysis,PCA)がよく用いられる.
 
点群の表す形状の法線や曲率などの幾何特徴量を推定する.法線や近似曲率の推定には主成分分析(Principal Component Analysis,PCA)がよく用いられる.
  
・セグメンテーション(Segmentation):
+
*セグメンテーション(Segmentation):
点群を物体ごとや曲面ごとの部分点群(セグメント)に分割する.領域成長法やHough変換,RANSAC(RANdom SAmple Consensus)[2]がよく用いられる.
+
点群を物体ごとや曲面ごとの部分点群(セグメント)に分割する.領域成長法やHough変換,RANSAC(RANdom SAmple Consensus)<ref>Martin A. Fischler and Robert C. Bolles, Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography, Communications of the ACM, Vol. 24, No. 6, pp.381-395, 1981</ref>がよく用いられる.
  
・曲面/プリミティブ抽出(Surface/Primitive Extraction):
+
*曲面/プリミティブ抽出(Surface/Primitive Extraction):
 +
[[画像:Daikibo-fig3.png|thumb|200px|right|図3 プラント計測点群からのプリミティブ抽出<ref>松岡諒,増田宏,大規模点群からの生産設備の形状再構成,精密工学会誌, Vol. 80, No. 6, 604-608, 2014</ref>]]
 
点群から解析曲面やプリミティブ形状を抽出する.領域成長法やHough変換,RANSAC,最小自乗法がよく用いられる.プラントや設備の計測点群に対しては,特に平面と円筒面の正確な抽出が求められる(図3).
 
点群から解析曲面やプリミティブ形状を抽出する.領域成長法やHough変換,RANSAC,最小自乗法がよく用いられる.プラントや設備の計測点群に対しては,特に平面と円筒面の正確な抽出が求められる(図3).
  
・表面再構成(Surface Reconstruction):
+
*表面再構成(Surface Reconstruction):
 
点群から計測対象物の表面を再構成する.表面モデルとしてメッシュモデルやポリゴンモデルを生成する.  
 
点群から計測対象物の表面を再構成する.表面モデルとしてメッシュモデルやポリゴンモデルを生成する.  
  
・物体認識(Object Recognition):
+
*物体認識(Object Recognition):
 
点群内に含まれる物体を認識する.手続き型手法,機械学習に基づく手法,モデルベース手法などがある.プラントや設備においては,規格の識別や,部品間の連結情報の認識が求められる.
 
点群内に含まれる物体を認識する.手続き型手法,機械学習に基づく手法,モデルベース手法などがある.プラントや設備においては,規格の識別や,部品間の連結情報の認識が求められる.
  
・CADモデル生成(CAD Model Generation):
+
*CADモデル生成(CAD Model Generation):
 
点群から設備や環境のCADモデルを生成する.プラントや土木,建築の分野においては,点群から生成されたモデルはAs-Builtモデルと呼ばれる.  
 
点群から設備や環境のCADモデルを生成する.プラントや土木,建築の分野においては,点群から生成されたモデルはAs-Builtモデルと呼ばれる.  
  
・変化検出(Change Detection):
+
*変化検出(Change Detection):
 +
[[画像:Daikibo-fig4.png|thumb|200px|right|図4 点群の差分比較による橋脚の変化検出]]
 
異なる時期に取得した点群間の差分を検出する.環境の変化の認識や,構造物の変形の解析および劣化診断を行う(図4).
 
異なる時期に取得した点群間の差分を検出する.環境の変化の認識や,構造物の変形の解析および劣化診断を行う(図4).
  
現在,点群データ処理向けのフリーソフトウェアやオープンソースライブラリが利用可能である[4][5][6].安定かつ効率的なデータ処理のために,点の取得規則に関する情報や,対象の形状に関する知識,直交性に関する仮説[7]などが用いられる.
+
現在,点群データ処理向けのフリーソフトウェアやオープンソースライブラリが利用可能である<ref>PCL:Point Cloud Library, http://pointclouds.org/</ref><ref>CloudCompare, http://www.danielgm.net/cc/</ref><ref>MeshLab, http://meshlab.sourceforge.net/</ref>.安定かつ効率的なデータ処理のために,点の取得規則に関する情報や,対象の形状に関する知識,直交性に関する仮説<ref>Carlos A. Vanegas, Daniel G. Aliaga, and Bedřich. Beneš, Building Reconstruction using Manhattan-World Grammars, Proceedings of Computer Vision and Pattern Recognition (CVPR), pp. 358-365, 2010</ref>などが用いられる.
  
 
==外部リンク==
 
==外部リンク==
54行: 58行:
 
----
 
----
  
  {{DEFAULTSORT:だいきぼかんきょうれーざーけいそくてんぐんしょり}}
+
  {{DEFAULTSORT:たいきぼかんきょうれーざーけいそくてんぐんしょり}}
 
  [[Category:総目次]]
 
  [[Category:総目次]]

2016年5月10日 (火) 16:19時点における最新版

大規模環境レーザ計測点群処理は,大型設備や構造物,市街地や自然環境のレーザ計測で得られた点群を,対象の保守,検査,計画,維持管理に活用するためのデータ処理技術である.

目次

詳細

大規模環境レーザ計測技術の利用

数十メートル先から数キロメートル先の物体の3次元計測が可能な中・長距離レーザ計測器により,プラント,船舶,建築などの大型構造物,道路,トンネル,橋梁などの社会インフラ,森林などの自然環境,遺跡や文化財といった,大規模環境の3次元計測が可能になっている[1].レーザ計測により得られるデータは3次元の点の集合であり,点群(Point Cloud)と呼ばれる.点群は,プラント,土木,測量,建築,文化財,エンターテイメント,考古学,法廷問題の幅広い分野において,対象の保守,検査,計画,維持管理,デジタルアーカイブなどに利用されている.

レーザスキャナの種類と測距方式

大規模環境のレーザ計測には,航空機搭載型レーザスキャナ(Airborne Laser Scanner,ALS),車載型(移動式)レーザスキャナ(Mobile Laser Scanner,MLS),地上設置型レーザスキャナ(Terrestrial Laser Scanner,TLS)が主に用いられている.車載型レーザスキャナはMobile Mapping System(MMS)とも呼ばれる.レーザによる測距方式は,光パルスの飛行時間を計測する光飛行時間計測(Time-of-Flight,TOF)方式と,変調したレーザ光の位相差を比較する位相差検出方式の2つが採用されている.一般的に,光飛行時間計測方式は長距離計測が可能であり,機種によっては1kmを超える長距離計測が可能なものもある.位相差検出方式は,光飛行時間計測方式に比べ短距離の計測となるが,単位時間当たりの計測点数が非常に大きいという特徴がある.ただし,最近では光飛行時間計測方式においても,高速な計測ができる機種が開発されており,技術的にはまだ進化が続いている.

大規模環境のレーザ計測点群

図1 市街地のレーザ計測点群

中・長距離レーザ計測で得られる点群の各点は,xyz座標値の情報に加え,レーザの反射強度(Intensity),反射パルス番号(Pulse return number),パルスの反射波形(Full waveform),点の取得時刻(UTC時刻など),サーマルセンサによる温度情報,ディジタル画像による色情報が付与される場合がある.点群は,オクル―ジョン(遮蔽)による欠損,高いレベルの計測ノイズ,物体境界付近における大量の異常値,大きな点密度差,不均一な点分布(スキャンライン),莫大なデータ量(数千万点~数十億点以上)など,安定かつ高速なデータ処理を困難にする特徴を持つ.屋外環境では自然物と人工物が混在しており,スケールや形状の複雑さが大きく異なる物体が点群内に含まれている(図1).

レーザ計測点群処理

主なレーザ計測点群処理を以下に記す.

  • フィルタリング(Filtering):

点群から計測ノイズや異常値を取り除く.特定の物体を表す点を除去する処理(たとえば数値地形モデル(Digital Terrain Model, DTM)作成のための建物や樹木等の地物除去)や,点の間引き処理にも本用語は用いられる.

  • レジストレーション(Registration,位置合せ):
図2 屋外計測点群のレジストレーション(各色が個々の点群を表す)

異なる場所からTLSにより計測して得た点群同士や,異なる計測システムで得られた点群同士の位置と姿勢を調整し,対象を正確に表現する統合点群を得る.点群内の対応を一致させる座標変換を推定し,点群に適用する(図2).

  • 特徴抽出(Feature Extraction):

点群の表す形状の法線や曲率などの幾何特徴量を推定する.法線や近似曲率の推定には主成分分析(Principal Component Analysis,PCA)がよく用いられる.

  • セグメンテーション(Segmentation):

点群を物体ごとや曲面ごとの部分点群(セグメント)に分割する.領域成長法やHough変換,RANSAC(RANdom SAmple Consensus)[2]がよく用いられる.

  • 曲面/プリミティブ抽出(Surface/Primitive Extraction):
図3 プラント計測点群からのプリミティブ抽出[3]

点群から解析曲面やプリミティブ形状を抽出する.領域成長法やHough変換,RANSAC,最小自乗法がよく用いられる.プラントや設備の計測点群に対しては,特に平面と円筒面の正確な抽出が求められる(図3).

  • 表面再構成(Surface Reconstruction):

点群から計測対象物の表面を再構成する.表面モデルとしてメッシュモデルやポリゴンモデルを生成する.

  • 物体認識(Object Recognition):

点群内に含まれる物体を認識する.手続き型手法,機械学習に基づく手法,モデルベース手法などがある.プラントや設備においては,規格の識別や,部品間の連結情報の認識が求められる.

  • CADモデル生成(CAD Model Generation):

点群から設備や環境のCADモデルを生成する.プラントや土木,建築の分野においては,点群から生成されたモデルはAs-Builtモデルと呼ばれる.

  • 変化検出(Change Detection):
図4 点群の差分比較による橋脚の変化検出

異なる時期に取得した点群間の差分を検出する.環境の変化の認識や,構造物の変形の解析および劣化診断を行う(図4).

現在,点群データ処理向けのフリーソフトウェアやオープンソースライブラリが利用可能である[4][5][6].安定かつ効率的なデータ処理のために,点の取得規則に関する情報や,対象の形状に関する知識,直交性に関する仮説[7]などが用いられる.

外部リンク

引用

  1. 金井理他,特集:大規模環境の3次元計測と認識・モデル化技術,精密工学会誌,Vol. 79, No. 5, 2013
  2. Martin A. Fischler and Robert C. Bolles, Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography, Communications of the ACM, Vol. 24, No. 6, pp.381-395, 1981
  3. 松岡諒,増田宏,大規模点群からの生産設備の形状再構成,精密工学会誌, Vol. 80, No. 6, 604-608, 2014
  4. PCL:Point Cloud Library, http://pointclouds.org/
  5. CloudCompare, http://www.danielgm.net/cc/
  6. MeshLab, http://meshlab.sourceforge.net/
  7. Carlos A. Vanegas, Daniel G. Aliaga, and Bedřich. Beneš, Building Reconstruction using Manhattan-World Grammars, Proceedings of Computer Vision and Pattern Recognition (CVPR), pp. 358-365, 2010