橋梁の3次元点群を利用した構造情報の計算

板倉, 健太; 林, 拓哉; Lin, Chao; 上脇, 優人; 全, 邦釘

doi:10.51094/jxiv.901

##article.authors##

板倉, 健太 ImVisionLabs株式会社
林, 拓哉 ImVisionLabs株式会社
Lin, Chao 東京大学大学院工学系研究科総合研究機構
上脇, 優人 ImVisionLabs株式会社
全, 邦釘東京大学大学院工学系研究科総合研究機構

DOI:

https://doi.org/10.51094/jxiv.901

キーワード:

LiDAR、点群、画像処理、点群処理、橋梁

抄録

本研究では，Matterport Pro3で計測された橋梁の点群データを使用し，橋梁の構造情報を自動的に計算する手法を検討した．欄干や床板，主桁の寸法を計算し，その精度を評価した．点群は事前にアノテーションされており，その情報も利用しながら処理を行った．欄干の長さは，点群を上から見た視点の2次元画像に投影し，画像処理技術で推定した．RMSEは0.28 mであり，5 cm程度の誤差が生じる可能性が示唆された．床板の長さと幅員は，主成分分析や楕円フィッティングを比較し，RMSEはそれぞれ0.10 mおよび0.50 mであった．さらに，主桁の交点検出も行ったが，データの欠損部分では交点の位置推定が難しかった．今後は，より高精度な推定を目指し，深層学習などを用いた点群の自動分類との組み合わせによる検証が望まれる．

利益相反に関する開示

開示すべき利益相反はない．

ダウンロード *前日までの集計結果を表示します

ダウンロード実績データは、公開の翌日以降に作成されます。

引用文献

辻井純平，合田哲朗，中野雅章：土木構造物の点群解析に向けた局所形状の畳み込みを伴う深層学習手法の適用，AI・データサイエンス論文集，4巻3号，pp. 442-450，2023.

米山睦美，髙見澤拓哉，眞部達也，田尻大介：鉄筋結束マシンに取り付けたカメラ動画から生成した点群による配筋検査への実用性検証，AI・データサイエンス論文集，5巻1号，pp. 239-244，2024.

藤原圭哉，佐藤誠，山下千智，黒田直樹，亀田敏弘：3Dデータと河床変動解析を活用した河川分野におけるデジタルツインの実現に向けての提案，AI・データサイエンス論文集，5巻1号，pp. 126-133，2024.

山下淳子, 木村沙智, 川村日成: 3 次元点群データを活用したインフラ構造物の維持管理. 精密工学会誌, Vol, 85, No. 3, pp. 228-231, 2019.

Itakura, K., Hosoi, F.: Estimation of tree structure parameters from video frames with removal of blurred images using machine learning. J. Agri. Meteorol., No. 74, Vol. 4, 154-161, 2018.

Kamiwaki, Y., Fukuda, S.: A machine learning-assisted three-dimensional image analysis for weight estimation of radish, Horticult., Vol.10, No.2, 2024.

Mildenhall, B., Srinivasan, P. P., Tancik, M., Barron, J. T., Ramamoorthi, R., Ng, R.: Nerf: Representing scenes as neural radiance fields for view synthesis, Commun. ACM, Vol. 65, No. 1, pp. 99-106, 2021.

Kerbl, B., Kopanas, G., Leimkühler, T., Drettakis, G.: 3D Gaussian splatting for real-time radiance field rendering, ACM Trans. Graph., Vol. 42, No. 4, pp. 139-1, 2023.

Romero-Jarén, R., Arranz, J. J.: Automatic segmentation and classification of BIM elements from point clouds, Autom. Constr., Vol. 124, pp. 103576, 2021.

稲富翔伍, 全邦釘: 点群の画像化とディープラーニングを用いた橋梁点群のセグメンテーション, AI・データサイエンス論文集, Vol. 2, No. 2, pp. 418-427, 2021.

Lu, R., Brilakis, I., Middleton, C. R.: Detection of structural components in point clouds of existing RC bridges, Comput.-Aided Civ. Infrastruct. Eng., Vol. 34, No. 3, pp. 191-212, 2019.

Pan, Y., Dong, Y., Wang, D., Chen, A., Ye, Z.: Three-dimensional reconstruction of structural surface model of heritage bridges using UAV-based photogrammetric point clouds, Remote Sens., Vol. 11, No. 10, pp. 1204, 2019.

Qi, C. R., Su, H., Mo, K., Guibas, L. J.: PointNet: Deep learning on point sets for 3D classification and segmentation, CVPR, pp. 652-660, 2017.

Qi, C. R., Yi, L., Su, H., Guibas, L. J.: PointNet++: Deep hierarchical feature learning on point sets in a metric space, NeurIPS, Vol. 30, 2017.

Li, Y., Bu, R., Sun, M., Wu, W., Di, X., Chen, B.: PointCNN: Convolution on X-transformed points, Adv. Neural Inf. Process. Syst., Vol. 31, 2018.

Phan, A. V., Le Nguyen, M., Nguyen, Y. L. H., Bui, L. T.: DGCNN: A convolutional neural network over large-scale labeled graphs, Neural Networks, Vol. 108, pp. 533-543, 2018.

板倉健太, 林拓哉, 上脇優人, 全邦釘: LiDARとカメラのセンサーフュージョンによる点群からのノイズ除去, 土木学会 AI・データサイエンス論文集, 受理済み.

板倉健太, 林拓哉, 上脇優人, 全邦釘: セマンティックセグメンテーションやセンサーフュージョンを利用した橋梁の構造情報の推定のための点群処理手法の開発, 土木学会 AI・データサイエンス論文集, 受理済み.

Chun, P. J., Kikuta, T.: Self‐training with Bayesian neural networks and spatial priors for unsupervised domain adaptation in crack segmentation, Comput.-Aided Civ. Infrastruct. Eng., 2024.

Deng, L., Yuan, H., Long, L., Chun, P. J., Chen, W., Chu, H.: Cascade refinement extraction network with active boundary loss for segmentation of concrete cracks from high-resolution images, Autom. Constr., Vol. 162, pp. 105410, 2024.

Chu, H., and Chun, P. J.: Fine-grained crack segmentation for high‐resolution images via a multiscale cascaded network. Comput. Aided Civ. Infra. Eng., Vol. 39, No.4, pp. 575-594, 2024.

Hattori, K., Oki, K., Sugita, A., Sugiyama, T., Chun, P. J.: Deep learning-based corrosion inspection of long-span bridges with BIM integration, Heliyon, 2024.

Yamane, T., Chun, P. J., Honda, R.: Detecting and localising damage based on image recognition and structure from motion, and reflecting it in a 3D bridge model, Struct. Infrastruct. Eng., Vol. 20, No. 4, pp. 594-606, 2024.

Schütz, M., Ohrhallinger, S., Wimmer, M.: Fast out‐of‐core octree generation for massive point clouds, Comput. Graph. Forum, Vol. 39, No. 7, pp. 155-167, 2020.

github, potree Desktop:

https://github.com/potree/PotreeDesktop

(最終アクセス日2024年8月28日)

Lam, L., Lee, S.-W., Suen, C. Y.: Thinning methodologies—a comprehensive survey, IEEE Trans. Pattern Anal. Mach. Intell., Vol. 14, No. 9, pp. 869-885, 1992.

Fischler, M. A., Bolles, R. C.: Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography, Commun. ACM, Vol. 24, No. 6, pp. 381-395, 1981.

Itakura, K., and Hosoi, F.: Three-dimensional tree monitoring in urban cities using automatic tree detection method with mobile LiDAR data, AI Data Sci., Vol. 2, Issue 2, pp. 1-10, 2021.

Itakura, K., Miyatani, S., and Hosoi, F.: Estimating tree structural parameters via automatic tree segmentation from LiDAR point cloud data. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., Vol. 15, pp. 555-564, 2021.

Chun, P. J., Chu, H., Shitara, K., Yamane, T., Maemura, Y.: Implementation of explanatory texts output for bridge damage in a bridge inspection web system, Adv. Eng. Softw., Vol. 195, pp. 103706, 2024.