JP2015004588A - Data analyzer, data analysis method, and program - Google Patents
Data analyzer, data analysis method, and program Download PDFInfo
- Publication number
- JP2015004588A JP2015004588A JP2013130060A JP2013130060A JP2015004588A JP 2015004588 A JP2015004588 A JP 2015004588A JP 2013130060 A JP2013130060 A JP 2013130060A JP 2013130060 A JP2013130060 A JP 2013130060A JP 2015004588 A JP2015004588 A JP 2015004588A
- Authority
- JP
- Japan
- Prior art keywords
- point
- feature
- points
- dimensional
- point group
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Processing Or Creating Images (AREA)
Abstract
Description
本発明は、地物表面から計測された点群の3次元座標データに基づいて、地物表面の段差、亀裂を検出するデータ解析装置、データ解析方法、及びプログラムに関する。 The present invention relates to a data analysis apparatus, a data analysis method, and a program for detecting a step and a crack on a feature surface based on three-dimensional coordinate data of a point cloud measured from the feature surface.
地物のうち河川や道路などのように公共に利用されるものについては安全確保のために行政により維持管理が行われている。維持管理のためには、まず対象地物の変状を検出することが必要であり、検出された変状に対して補強や補修等の対策が講じられる。 Of the features that are used by the public, such as rivers and roads, are maintained by the government to ensure safety. For maintenance, it is necessary to first detect the deformation of the target feature, and measures such as reinforcement and repair are taken against the detected deformation.
例えば、河川には地域住民の生命と資産を洪水から防御する極めて重要な防災構造物として河川堤防が設けられる。河川堤防の安全性の確保においてもまず上述した変状検出が重要であり、そのため点検等を行い、安全性に影響を与える箇所を確実に検出する。例えば、河川堤防の点検にて検出すべき変状には、モグラ等の小動物が掘った穴や、土砂が崩れて形成された亀裂、段差などがある。 For example, river dikes are installed in rivers as extremely important disaster prevention structures that protect the lives and assets of local residents from floods. In order to ensure the safety of river embankments, it is important to detect the above-described deformation first, and therefore, inspections and the like are performed to reliably detect locations that affect safety. For example, the deformations to be detected in the inspection of the river bank include a hole dug by a small animal such as a mole, a crack formed by collapse of earth and sand, and a step.
これまで、河川堤防の点検は、目視観察を基本とし、草刈り後の堤防に点検者を複数配置し徒歩により点検を行う。国管理の堤防では点検はその全延長にわたり例えば数年ごとに行われている。ここで、点検対象は広大な河川と多数の施設に及ぶため、限られた人員、予算の中で河川堤防の点検を確実に行うには効率化が望まれる。例えば、徒歩点検に代えて堤防の天端の河川管理用道路から車上にて行う一般巡視という点検方法とすれば広範囲を移動することが容易となる。また、航空機や車両などを利用して堤防の写真を広範囲で取得し当該写真上にて目視判読や自動解析で変状の検出を行うことで作業効率の向上を図ることが考えられる。 Until now, river dyke inspections are based on visual observation, and multiple inspectors are placed on the levee after mowing and are inspected on foot. On nationally managed dikes, inspections are carried out over the entire extension, for example, every few years. Here, since the inspection target covers a vast river and a large number of facilities, it is desirable to increase efficiency in order to reliably inspect the river bank with limited personnel and budget. For example, instead of walking inspection, if it is an inspection method called general patrol performed on the vehicle from the river management road at the top of the embankment, it is easy to move over a wide area. In addition, it is conceivable to improve work efficiency by obtaining a photograph of an embankment using an aircraft or a vehicle over a wide range and detecting deformation on the photograph by visual interpretation or automatic analysis.
一方、車両を用いる技術として、車両に搭載したレーザスキャナを用い道路に沿って地物の形状を表す3次元点群データを取得するモービルマッピングシステムが近年開発された。当該システムでは、自動車に搭載されたレーザスキャナは車体の上部から斜め下方向や斜め上方向にレーザを照射する。レーザの光軸は横方向に走査され、走査角度範囲内にて微小角度ごとにレーザパルスが発射され、レーザパルスを反射した点までの距離が計測される。またその際、レーザの発射方向、時刻、及び車体の位置・姿勢などが計測される。それら計測データから、レーザパルスの反射点の3次元座標を表す点群データが求められる。 On the other hand, as a technique using a vehicle, a mobile mapping system that acquires three-dimensional point cloud data representing the shape of a feature along a road using a laser scanner mounted on the vehicle has been recently developed. In this system, a laser scanner mounted on an automobile irradiates a laser obliquely downward or obliquely upward from the top of the vehicle body. The optical axis of the laser is scanned laterally, a laser pulse is emitted at every minute angle within the scanning angle range, and the distance to the point where the laser pulse is reflected is measured. At that time, the laser emission direction, time, and the position / orientation of the vehicle body are measured. From these measurement data, point group data representing the three-dimensional coordinates of the reflection point of the laser pulse is obtained.
目視や写真撮影は必ずしも地物表面の変状の検出が容易である角度から地物表面を捉えることができないという問題があった。例えば、堤防の天端からの一般巡視や写真撮影は、変状の点検対象となる法面が天端からは下り斜面となることから、法面の表面における上述の変状を発見、判読することが難しい。また、航空写真は上述の変状を検出するために十分な解像度を得ることが容易ではない。 Visual observation and photography have a problem in that the feature surface cannot always be captured from an angle at which it is easy to detect the deformation of the feature surface. For example, in general inspection and photography from the top of the dike, the slope to be inspected for deformation is a downward slope from the top, so the above-mentioned deformation on the surface of the slope is discovered and interpreted. It is difficult. In addition, it is not easy to obtain sufficient resolution for aerial photographs to detect the above-described deformation.
一方、点群データをもとに地物を判読するには従来、人手を要しており、3次元CADで編集ツール等を利用して手作業で地物の抽出作業が行われていた。そのため、堤防等の地物から点群データを取得し、それに基づいて変状を検出しようとすると手間がかかるという問題があった。 On the other hand, in order to interpret a feature based on point cloud data, it has been conventionally necessary to manually extract the feature using a three-dimensional CAD by using an editing tool or the like. For this reason, there is a problem that it takes time and effort to acquire point cloud data from features such as a dike and to detect deformation based on the data.
本発明は、地物表面から計測された点群の3次元座標データに基づいて地物表面に生じた変状である亀裂、段差を検出する作業の自動化を可能とするデータ解析装置、データ解析方法、及びプログラムを提供することを目的とする。 The present invention relates to a data analysis apparatus and data analysis that can automate the operation of detecting cracks and steps that are deformed on a feature surface based on three-dimensional coordinate data of a point cloud measured from the feature surface. It is an object to provide a method and a program.
(1)本発明に係るデータ解析装置は、対象空間における地物表面から計測された複数の計測点を要素点とする点群の3次元座標データに基づいて、前記地物表面に形成された段差及び亀裂を検出するものであって、前記各要素点を注目点とし、当該注目点を包含し予め定められた3次元形状及び大きさを有する要素点近傍空間を設定する近傍空間設定手段と、前記各要素点近傍空間において、前記点群の前記要素点が予め設定した複数個以上包含される場合に、当該要素点を検出対象である前記段差又は亀裂に由来する特徴点として抽出する3次元空間フィルタリング手段と、前記特徴点の配置から前記検出対象の位置を検出する対象検出手段と、を有する。 (1) The data analysis device according to the present invention is formed on the feature surface based on three-dimensional coordinate data of a point group having a plurality of measurement points measured from the feature surface in the target space as element points. A proximity space setting means for detecting a step and a crack, wherein each element point is a point of interest, and an element point neighborhood space including the point of interest and having a predetermined three-dimensional shape and size is set; When the element point neighboring space includes a plurality of preset element points, the element point is extracted as a feature point derived from the step or crack to be detected 3. Dimensional space filtering means, and object detection means for detecting the position of the detection object from the arrangement of the feature points.
(2)上記(1)に記載するデータ解析装置において、前記3次元空間フィルタリング手段により抽出された前記特徴点を前記地物表面に沿った投影面に投影した各投影特徴点を注目点とし、前記投影面における領域として当該注目点を包含する特徴点周辺領域を、予め定められた2次元形状、かつ前記要素点近傍空間の投影像より大きな予め定められた大きさで設定する周辺領域設定手段と、前記各特徴点周辺領域において、当該特徴点周辺領域に存在する前記投影特徴点の配置を近似する直線の誤差が予め定められた許容値以下である場合に、当該投影特徴点を前記検出対象に由来するものとして抽出する2次元空間フィルタリング手段と、を有し、前記対象検出手段は、前記2次元空間フィルタリング手段により抽出された前記投影特徴点に対応する前記特徴点の配置から前記検出対象の位置を検出する構成とすることができる。 (2) In the data analysis apparatus described in (1) above, each projected feature point obtained by projecting the feature point extracted by the three-dimensional spatial filtering unit on a projection plane along the feature surface is a point of interest. Peripheral region setting means for setting a feature point peripheral region including the target point as a region on the projection plane with a predetermined two-dimensional shape and a predetermined size larger than the projection image in the element point vicinity space And, in each of the feature point peripheral regions, the projection feature point is detected when an error of a straight line approximating the arrangement of the projection feature points existing in the feature point peripheral region is equal to or less than a predetermined allowable value. Two-dimensional spatial filtering means for extracting as derived from the object, wherein the object detection means is the projection feature extracted by the two-dimensional spatial filtering means. It can be from the arrangement of the feature point corresponding to the point configured to detect the position of the detection target.
(3)上記(2)に記載する記載のデータ解析装置において、前記2次元空間フィルタリング手段は、前記各特徴点周辺領域内の前記投影特徴点の重心と当該特徴点周辺領域の前記注目点との距離が予め定められた値以下である場合に、前記直線の誤差が予め定められた許容値以下であると推定し、前記投影特徴点を抽出する構成とすることができる。 (3) In the data analysis device described in (2) above, the two-dimensional spatial filtering means includes a centroid of the projected feature point in each feature point peripheral region and the attention point in the feature point peripheral region. When the distance is equal to or less than a predetermined value, the straight line error may be estimated to be equal to or less than a predetermined allowable value, and the projection feature point may be extracted.
(4)上記(1)から(3)に記載するデータ解析装置において、さらに前記地物表面に形成された穴を前記検出対象とし、前記点群における前記要素点間のうち予め定めた相互距離以下の箇所を選択的に補間し、補間点を新たな要素点として前記点群に追加して疎密差が強調された増強点群を生成する増強点群生成手段と、前記増強点群を前記地物表面に沿った面に投影して2値画像を生成する2値画像生成手段と、前記2値画像に対しモルフォロジー演算を行い、前記増強点群の投影像の密領域に対応した領域と前記投影像の疎領域に対応した穴候補領域とに前記2値画像を領域分割する画像処理手段と、前記検出対象である穴の前記穴候補領域における幾何条件を予め記憶する記憶手段と、前記検出対象の穴として前記穴候補領域のうち前記幾何条件に該当する部分を抽出する穴抽出手段と、地図上に重ねて、前記対象検出手段により検出された前記段差及び亀裂の位置と、前記穴抽出手段により抽出された前記穴の領域とを表示する表示手段と、を有する構成とすることができる。 (4) In the data analysis apparatus described in (1) to (3) above, a hole formed in the surface of the feature is the detection target, and a predetermined mutual distance among the element points in the point group The following points are selectively interpolated, and an enhancement point group generating means for generating an enhancement point group in which an interpolation point is added to the point group as a new element point to emphasize a density difference, and the enhancement point group is A binary image generating means for generating a binary image by projecting onto a surface along the surface of the feature; a region corresponding to a dense region of the projected image of the enhancement point group by performing a morphological operation on the binary image; Image processing means for dividing the binary image into hole candidate areas corresponding to sparse areas of the projected image, storage means for preliminarily storing geometric conditions in the hole candidate areas of the hole to be detected, and The hole candidate region is used as a detection target hole. A hole extracting means for extracting a portion corresponding to the geometric condition; a position of the step and a crack detected by the object detecting means superimposed on a map; and a region of the hole extracted by the hole extracting means; And display means for displaying.
(5)本発明に係るデータ解析方法は、対象空間における地物表面から計測された複数の計測点を要素点とする点群の3次元座標データに基づいて、前記地物表面に形成された段差及び亀裂を検出する方法であって、前記各要素点を注目点とし、当該注目点を包含し予め定められた3次元形状及び大きさを有する要素点近傍空間を設定する近傍空間設定ステップと、前記各要素点近傍空間において、前記点群の前記要素点が予め設定した複数個以上包含される場合に、当該要素点を検出対象である前記段差又は亀裂に由来する特徴点として抽出する3次元空間フィルタリングステップと、前記特徴点の配置から前記検出対象の位置を検出する対象検出ステップと、を有する。 (5) The data analysis method according to the present invention is formed on the feature surface based on three-dimensional coordinate data of a point group having a plurality of measurement points measured from the feature surface in the target space as element points. A method for detecting a step and a crack, wherein each element point is a point of interest, and a neighborhood space setting step of setting an element point neighborhood space including the point of interest and having a predetermined three-dimensional shape and size; When the element point neighboring space includes a plurality of preset element points, the element point is extracted as a feature point derived from the step or crack to be detected 3. A dimension space filtering step, and an object detection step of detecting the position of the detection object from the arrangement of the feature points.
(6)本発明に係るプログラムは、コンピュータに、対象空間における地物表面から計測された複数の計測点を要素点とする点群の3次元座標データに基づいて、前記地物表面に形成された段差及び亀裂を検出する処理を行わせるためのプログラムであって、当該コンピュータを、前記各要素点を注目点とし、当該注目点を包含し予め定められた3次元形状及び大きさを有する要素点近傍空間を設定する近傍空間設定手段、前記各要素点近傍空間において、前記点群の前記要素点が予め設定した複数個以上包含される場合に、当該要素点を検出対象である前記段差又は亀裂に由来する特徴点として抽出する3次元空間フィルタリング手段、及び、前記特徴点の配置から前記検出対象の位置を検出する対象検出手段、として機能させる。 (6) The program according to the present invention is formed on the feature surface on the computer based on the three-dimensional coordinate data of a point group having a plurality of measurement points measured from the feature surface in the target space as element points. A program for performing a process for detecting a step and a crack, wherein the computer uses the element points as attention points, and includes the attention points and has a predetermined three-dimensional shape and size. A neighboring space setting means for setting a neighboring point space, and when each element point neighboring space includes a plurality of preset element points, the step or It functions as three-dimensional spatial filtering means for extracting as feature points derived from cracks, and object detection means for detecting the position of the detection object from the arrangement of the feature points.
本発明によれば、地物表面から計測された点群の3次元座標データに基づいて地物表面に生じた変状である亀裂、段差を精度良く自動的に検出することができる。 According to the present invention, it is possible to automatically detect a crack and a step, which are deformations generated on a feature surface, with high accuracy based on the three-dimensional coordinate data of a point cloud measured from the feature surface.
以下、本発明の実施の形態(以下実施形態という)である地物表面変状検出システム2について、図面に基づいて説明する。本システムは、地物表面の3次元形状を表す点群データに基づいて、例えば河川堤防の法面等の地物表面にて、モグラ等の小動物が掘った穴や、土砂が崩れて形成された亀裂などの段差を変状として検出するデータ解析装置である。点群データは例えば、上述のモービルマッピングシステムのように地上を走行する車両に搭載されたレーザスキャナにより取得される。また、レーザスキャナを地上に設置して計測を行っても良い。なお、点群データは検出対象とする地物表面の穴や段差の形状を捉えることができる密度である必要がある。この点、地上の車両等からのレーザスキャンは、航空機や衛星等からのレーザスキャンと比較してレーザスキャナと走査対象物との距離を近距離とすることができるので、堤防の点検に必要な走査密度を実現することが容易である。
Hereinafter, a feature surface
図1は、地物表面変状検出システム2の概略の構成を示すブロック図である。本システムは、演算処理装置4、記憶装置6、入力装置8及び出力装置10を含んで構成される。演算処理装置4として、本システムの各種演算処理を行う専用のハードウェアを作ることも可能であるが、本実施形態では演算処理装置4は、コンピュータ及び、当該コンピュータ上で実行されるプログラムを用いて構築される。
FIG. 1 is a block diagram showing a schematic configuration of a feature surface
当該コンピュータのCPU(Central Processing Unit)が演算処理装置4を構成し、後述する増強点群生成手段20、2値画像生成手段22、画像処理手段24、穴抽出手段26、近傍空間設定手段30、3次元空間フィルタリング手段32、周辺領域設定手段34、2次元空間フィルタリング手段36、亀裂検出手段38、及び表示画像生成手段40として機能する。これら演算処理装置4の各手段については演算処理装置4の処理に沿って後述する。
A CPU (Central Processing Unit) of the computer constitutes the arithmetic processing unit 4, an enhancement point
記憶装置6はコンピュータに内蔵されるハードディスクなどで構成される。記憶装置6は演算処理装置4を増強点群生成手段20、2値画像生成手段22、画像処理手段24、穴抽出手段26、近傍空間設定手段30、3次元空間フィルタリング手段32、周辺領域設定手段34、2次元空間フィルタリング手段36、亀裂検出手段38、及び表示画像生成手段40として機能させるためのプログラム及びその他のプログラムや、本システムの処理に必要な各種データを記憶する。例えば、記憶装置6は、処理対象データとして解析の対象空間にて取得されたレーザ点群データ50を格納される。本実施形態では堤防における変状を抽出する例を説明する。これに対応して、堤防が存在する空間が解析対象空間とされ、レーザ点群データ50はレーザスキャナにより堤防の表面から取得される。また、記憶装置6は抽出対象とする穴に関する幾何条件52を予め格納される。
The storage device 6 is composed of a hard disk or the like built in the computer. The storage device 6 replaces the arithmetic processing unit 4 with the enhancement point group generation means 20, the binary image generation means 22, the image processing means 24, the hole extraction means 26, the neighborhood space setting means 30, the three-dimensional space filtering means 32, and the surrounding area setting means. 34, a program for functioning as the two-dimensional spatial filtering means 36, the crack detection means 38, and the display image generation means 40, other programs, and various data necessary for the processing of this system. For example, the storage device 6 stores laser
入力装置8は、キーボード、マウスなどであり、ユーザが本システムへの操作を行うために用いる。
The
出力装置10は、ディスプレイ、プリンタなどであり、本システムにより求められた穴や亀裂の位置・形状を画面表示、印刷等によりユーザに示す等のために用いられる。
The
図2は、地物表面変状検出システム2による変状抽出処理の概略のフロー図である。演算処理装置4は記憶装置6からレーザ点群データ50を読み込み、レーザ点群データ50に対して穴の自動検出処理S2及び亀裂の自動検出処理S4をそれぞれ行い、検出した穴及び亀裂箇所に関する情報をそれぞれファイルに出力する(S6)。穴及び亀裂箇所が得られると、演算処理装置4は、それらを地図上に重ね合わせた表示画像を生成し、出力装置10へ出力する(S8)。
FIG. 2 is a schematic flowchart of deformation extraction processing by the feature surface
以下、具体例を用いて処理S2〜S8をさらに詳細に説明する。具体例で用いるレーザ点群データ50は、河川堤防の法面に穴や亀裂を模擬した物体を置いてモービルマッピングシステムで取得した。穴や亀裂の模擬物体は5cm程度の厚みを有する板からなり、図3は当該模擬物体の平面図である。図3(a)に示す模擬物体60には、矩形の板に直径が異なる複数種類の穴62が形成されている。また図3(b)に示す模擬物体64には5cm程度の厚みを有する板の表面に複数の溝66が形成されている。
Hereinafter, processes S2 to S8 will be described in more detail using specific examples. Laser
図4は模擬物体60,64を置いて取得した堤防のレーザ点群データ50であり、3次元空間での点群の位置を表している。ちなみに図4の点群における部分70が堤防の天端に対応し、部分72が法面に対応する。
FIG. 4 shows the embankment laser
図5は穴の自動検出処理S2の概略のフロー図である。演算処理装置4はレーザ点群データ50に対して局所内挿処理を行い、疎密差が強調された点群(増強点群)を生成する(S10)。この処理は増強点群生成手段20により行われる。
FIG. 5 is a schematic flowchart of the hole automatic detection process S2. The arithmetic processing unit 4 performs local interpolation processing on the laser
増強点群生成手段20はレーザ点群データ50により与えられる点群の構成要素である点(要素点)同士の間隔のうち、当該間隔の距離λが予め定めた相互距離λth以下である箇所を選択的に補間し、補間点を新たな要素点として点群に追加して増強点群を生成する。すなわち、増強点群生成手段20は、点群の要素点の対ごとにλがしきい値λth以下であるか否かを判定し、λ≦λthであればその要素点対を構成する2つの要素点PA,PBの間を例えば等分するような1個又は複数個の補間点を算出し、点群に追加する。一方、λ>λthである要素点同士の間には補間による要素点の追加は行わない。
The enhancement point cloud generation means 20 finds a point where the distance λ is equal to or less than a predetermined mutual distance λth among the points (element points) which are constituent elements of the point cloud given by the laser
増強点群生成手段20は補間点を点群に追加する処理を1回だけ行ってもよいし、複数回反復して行ってもよい。当該処理を反復して行う場合は、2回目以降の処理は前回の処理で生成された増強点群の要素点対に対して行われる。つまり、2回目以降の処理では、2つの要素点PA,PBの一方又は両方はレーザスキャナにより取得された計測点ではなく、先行する回で算出された補間点であり得る。 The enhancement point group generation means 20 may perform the process of adding the interpolation points to the point group only once or may be repeated a plurality of times. When the process is repeated, the second and subsequent processes are performed on the element point pairs of the enhancement point group generated in the previous process. That is, in the second and subsequent processes, one or both of the two element points P A and P B can be interpolation points calculated in the preceding times, not measurement points acquired by the laser scanner.
穴の自動検出処理S2は、穴にはレーザの反射点が生じず、点群が疎になることを利用する。そのため、しきい値λthは基本的に、検出対象とする穴において点群が疎である状態に保たれるように設定され、堤防法面のうち変状が存在しない部分でのレーザスキャナの点間隔λ0、検出対象とする穴の寸法の下限値φminなどに応じて予め定められる。定性的には、λthはλ0より大きく、かつφminより小さい範囲内にて設定される。なお、補間による点群の追加処理の反復回数が多くなると、穴に対応した点群の疎の領域とその周辺の点群が密な領域が明確になる一方、この影響はλthを大きくすることで緩和され得る。そこで、しきい値λth及び反復回数を定めるに際してこの関係に配慮することが好適である。 The hole automatic detection processing S2 utilizes the fact that no laser reflection point is generated in the hole and the point group is sparse. Therefore, the threshold value λth is basically set so that the point cloud is kept sparse in the hole to be detected, and the point of the laser scanner at the portion of the dike slope where there is no deformation It is determined in advance according to the interval λ0, the lower limit value φmin of the dimension of the hole to be detected, and the like. Qualitatively, λth is set within a range larger than λ0 and smaller than φmin. As the number of iterations of point cloud addition processing by interpolation increases, the sparse area of the point cloud corresponding to the hole and the dense area of the surrounding point cloud become clear, but this effect increases λth. Can be relaxed. Therefore, it is preferable to consider this relationship when determining the threshold λth and the number of iterations.
図6は模擬物体60,64及びその近傍でのレーザ点群データ50の点群(レーザ点群80)の分布を示しており、3次元空間にて分布する点群を堤防法面に沿った面に投影した様子を示している。図7は増強点群生成手段20による上述の処理S10により生成された増強点群82を表しており、図6に対応する部分の増強点群を図6と同様に投影した様子を示している。
FIG. 6 shows the distribution of the point group (laser point group 80) of the laser
図5の処理S10にて上述のように増強点群82の点群データが生成されると、演算処理装置4はそれを2値画像化する(S12)。この処理は2値画像生成手段22により行われる。
When the point group data of the
2値画像生成手段22は、増強点群82を地物表面に沿った面に投影して2値画像を生成する。例えば、図7に示す増強点群82は堤防法面に沿った面に投影される。図8は2値画像生成手段22による処理S12で生成された2値画像84であり、図7に対応する部分を示している。ここで、図7と図8とは白黒が反転したものとなっているが、そのことは本質的な違いではない。ここで本質的であることは、図7では図示の都合上、画像として示している増強点群82は実際には各点が3次元座標で表された点群データであり、一方、図8の2値画像84は2次元のデータであるということである。例えば、2値画像生成手段22はまず、増強点群82を投影面に投影してベクタからラスタに変換することにより2値画像を生成する。
The binary image generation means 22 projects the
演算処理装置4は2値画像84に対しモルフォロジー演算を行い、増強点群82の投影像の密領域に対応した領域と疎領域に対応した領域とに2値画像84を領域分割し、投影像の疎領域(図8ではほぼ黒で塗りつぶされた領域)に対応した領域を穴候補領域として抽出する(S14)。この処理は画像処理手段24により行われる。
The arithmetic processing unit 4 performs a morphological operation on the
具体的には、画像処理手段24は、例えば図8に示す2値画像84にて黒画素領域を膨張・収縮させる処理を行う。図9は画像処理手段24による処理S14で生成された2値画像86であり、図8に対応する部分を示している。モルフォロジー演算の膨張・収縮処理により、図8の2値画像84に存在した、検出対象である穴と比べて細かい黒領域及び白領域が図9の2値画像86からは除去されている。なお、上述したように2値画像86では黒画素領域が穴が存在し得る領域(穴候補領域)である。
Specifically, the
なお、処理S10にてレーザ点群80での疎の領域と密の領域とでの点群の密度差を拡大した増強点群82を生成したことによって、処理S14でのモルフォロジー演算にて穴が存在し得る領域と存在しない領域とを精度良く分離しやすい2値画像84が得られている。つまり、穴候補領域を高精度に抽出する上で処理S10は重要である。
In step S10, the
演算処理装置4は幾何条件52を用いて2値画像86にて穴に対応する領域を特定する(S16)。この処理は穴抽出手段26により行われる。
The arithmetic processing unit 4 specifies an area corresponding to the hole in the
穴抽出手段26は記憶装置6から幾何条件52を読み出す。幾何条件52は検出対象とする穴の大きさ、形状を規定し、穴抽出手段26は2値画像86の穴候補領域のうち幾何条件52に該当する部分を検出対象の穴として抽出する。
The
幾何条件52において例えば、大きさは穴の径(短径や長径)、面積で規定することができ、幾何条件52としてそれらの上限若しくは下限、又は範囲が設定される。また、形状は例えば、コンパクトネス(Compactness)やスムースネス(Smoothness)といったパラメータで表され、それらを用いて、穴候補領域のうち穴として想定される以上に複雑な形状のものを除外することができる。
In the
例えば、穴抽出手段26は2値画像86から黒画素領域の輪郭線(黒画素領域と白画素領域との境界線)を抽出し、輪郭線により表される図形から形状や大きさに関するパラメータを抽出することができる。図10は穴抽出手段26により図9に示す2値画像86から抽出された輪郭線88の画像である。
For example, the
図11、図12は穴抽出手段26により特定された穴領域の例を示す画像である。図11は図9に示す2値画像86に対して幾何条件52を適用して抽出された穴領域90を示している。なお、同図において穴領域90は輪郭線88で囲まれた領域である。また、図12は図11に示す穴領域90を図6に重ねて表示した画像である。
11 and 12 are images showing examples of hole regions identified by the
以上、穴の自動検出処理S2を説明した。次に亀裂の自動検出処理S4を説明する。図13は亀裂の自動検出処理S4の概略のフロー図である。演算処理装置4はレーザ点群データ50に対して例えば、球形等の比較的小さい3次元的な空間フィルタ(立体フィルタ)を用いて後述するフィルタリングを行い、立体フィルタ内に密集する点群を連続点列として抽出する(S20)。この処理は近傍空間設定手段30及び3次元空間フィルタリング手段32により行われる。
The hole automatic detection process S2 has been described above. Next, the automatic crack detection process S4 will be described. FIG. 13 is a schematic flowchart of the automatic crack detection process S4. The arithmetic processing unit 4 performs filtering, which will be described later, on the laser
近傍空間設定手段30はレーザ点群データ50により与えられる点群の各点(要素点)を注目点とし、当該注目点を包含し予め定められた3次元形状及び大きさを有する立体フィルタ(要素点近傍空間)を設定する。
The neighborhood space setting means 30 uses each point (element point) of the point group given by the laser
立体フィルタの形状は本実施形態では球形に設定される。なお、立体フィルタの形状は基本的には3次元空間を定義する直交座標系の各軸方向に大体同じ寸法に設定するのが好適であり、例えば、立方体などの他の形状とすることもできる。 The shape of the three-dimensional filter is set to a spherical shape in this embodiment. The shape of the three-dimensional filter is basically preferably set to approximately the same size in each axis direction of the orthogonal coordinate system defining the three-dimensional space, and may be another shape such as a cube, for example. .
立体フィルタの寸法は基本的にはレーザ点群の平均間隔の数倍程度に設定することができ、例えば、3倍〜5倍程度に設定することができる。また、当該寸法を決めるに際しては、レーザスキャナから見た検出対象とする亀裂の段差の高さを考慮することができる。例えば、立体フィルタの寸法は当該段差程度に設定することができる。 The dimension of the three-dimensional filter can basically be set to about several times the average interval of the laser point group, and can be set to about 3 to 5 times, for example. Further, when determining the dimensions, it is possible to consider the height of the level difference of the crack to be detected as viewed from the laser scanner. For example, the dimension of the three-dimensional filter can be set to the level difference.
近傍空間設定手段30は例えば、注目点とする要素点を中心として球形の立体フィルタを設定する。
The neighborhood
3次元空間フィルタリング手段32は空間フィルタ処理として、各立体フィルタにおいて、レーザ点群の要素点が予め設定した複数個ρth以上包含される場合に、当該要素点を検出対象である段差又は亀裂に由来する特徴点として抽出する。
As a spatial filter process, the three-dimensional
しきい値ρthは立体フィルタの大きさ及び対象空間でのレーザ点群の平均密度に応じて設定される。堤防の法面に生じる亀裂の数は一般に多くはないので、対象空間に存在するレーザ点群の平均密度は亀裂が存在しない法面での密度と大体同じとなる。一方、亀裂が存在する箇所に設定された立体フィルタ内の点群の数はそれより多くなり易い。これは直感的には、立体フィルタ内に包含される地物の形状が平面より立体面である場合の方が表面積が大きくなることで説明できる。したがって段差が存在する箇所と存在しない箇所とを弁別可能にしきい値ρthを設定することが可能である。 The threshold ρth is set according to the size of the three-dimensional filter and the average density of the laser point group in the target space. Since the number of cracks that occur on the slope of the dike is generally not large, the average density of the laser point cloud existing in the target space is roughly the same as the density on the slope where there is no crack. On the other hand, the number of point groups in the three-dimensional filter set at a location where a crack exists tends to be larger than that. Intuitively, this can be explained by the fact that the surface area increases when the shape of the feature included in the three-dimensional filter is a three-dimensional surface rather than a flat surface. Therefore, it is possible to set the threshold value ρth so that a place where a step exists and a place where a step does not exist can be distinguished.
図14は模擬物体60,64及びその近傍でのレーザ点群データ50の点群(レーザ点群80)の分布を示している。図14と図6とは同じ範囲のレーザ点群80を示しているが、両図の視点は相違しており、図14は斜視図、つまり堤防法面の法線に対して傾斜した方向からレーザ点群80を見た図である。図15は3次元空間フィルタリング手段32による上述の処理S20で抽出された点群(特徴点群100)を表しており、図14に対応する部分の特徴点群100を図14のレーザ点群80と同様に投影した様子を示している。
FIG. 14 shows the distribution of the point group (laser point group 80) of the laser
以上、図13の処理S20が完了すると、次に演算処理装置4は上述のように抽出された特徴点群100に対して例えば、立体フィルタより大きい2次元的な空間フィルタを用いて後述するフィルタリングを行い、フィルタ内にて亀裂方向に沿う点列を抽出する(S22)。この処理は周辺領域設定手段34及び2次元空間フィルタリング手段36により行われる。
As described above, when the processing S20 of FIG. 13 is completed, the arithmetic processing device 4 next filters the
周辺領域設定手段34は特徴点群100を地物表面に沿った投影面に投影した各投影特徴点を注目点とし、投影面における領域として当該注目点を包含する特徴点周辺領域を、予め定められた2次元形状、かつ立体フィルタの投影像より大きな予め定められた大きさで設定する。
Peripheral area setting means 34 sets each of the projected feature points obtained by projecting the
本実施形態において亀裂等の段差を検出しようとする地物表面である堤防法面は概ね平面であるとして、投影面は平面に設定することができる。なお、例えば、横断面が円弧状となるトンネルの内壁面における亀裂を検出しようとする場合などは、投影面は曲面に設定され得る。 In this embodiment, the levee slope which is the surface of the feature to detect a step such as a crack is generally a plane, and the projection plane can be set to a plane. For example, when a crack is to be detected on the inner wall surface of a tunnel having a circular cross section, the projection surface can be set to a curved surface.
投影面を平面とすることに対応して、2次元的な空間フィルタとして用いる特徴点周辺領域も平面となる。そこで本実施形態では特徴点周辺領域を平面フィルタと称する。平面フィルタの形状は本実施形態では円形に設定される。なお、特徴点周辺領域の形状は基本的には投影面内の各方向に大体同じ寸法に設定するのが好適であり、例えば、平面フィルタは正方形などの他の形状とすることもできる。 Corresponding to the projection plane being a plane, the feature point peripheral region used as a two-dimensional spatial filter is also a plane. Therefore, in this embodiment, the feature point peripheral region is referred to as a planar filter. The shape of the planar filter is set to be circular in this embodiment. It should be noted that the shape of the feature point peripheral region is basically preferably set to approximately the same size in each direction within the projection plane. For example, the planar filter may have another shape such as a square.
平面フィルタの寸法は上述したように立体フィルタの投影像より大きく設定される。これは、立体フィルタが段差の有無という比較的に局所的な構造上の特徴を捉えることを目的とするのに対し、平面フィルタは段差が線状に延びるという、より大きな構造上の特徴を捉えることを目的としていることによる。ここで亀裂による段差は大きなスケールでは必ずしも直線的にはならず途切れたり屈曲したりし得るが、小さなスケールでは近似的には直線となる部分が存在することが期待できる。そこで、本実施形態では平面フィルタのサイズは段差が近似的に直線となり得るスケール程度に設定する。これにより、段差が線状であるか否かの判定は段差が直線状であるか否かを判定するという比較的単純な処理とすることができる。 As described above, the size of the planar filter is set larger than the projected image of the three-dimensional filter. The purpose of this is to capture a relatively local structural feature of the presence or absence of a step, while a planar filter captures a larger structural feature where the step extends linearly. It is based on the purpose. Here, the step due to the crack may not be linear on a large scale, but may be interrupted or bent, but it can be expected that there is a portion that is approximately linear on a small scale. Therefore, in the present embodiment, the size of the planar filter is set to a scale that allows the step to be approximately a straight line. Thereby, determination of whether a level | step difference is linear can be made into the comparatively simple process of determining whether a level | step difference is linear.
2次元空間フィルタリング手段36は空間フィルタ処理として、各注目点にて平面フィルタとして設定した領域において、当該領域に存在する投影特徴点の配置を近似する直線の誤差が予め定められた許容値以下である場合に、当該投影特徴点を検出対象である亀裂に由来するものとして抽出する。 As the spatial filter processing, the two-dimensional spatial filtering means 36 has an error of a straight line approximating the arrangement of the projection feature points existing in the region in a region set as a planar filter at each point of interest, which is less than a predetermined allowable value. In some cases, the projection feature point is extracted as being derived from a crack to be detected.
図16、図17は本実施形態での投影特徴点の配置が直線的であるか否かの判定手法を説明する模式図であり、それぞれ円形の平面フィルタ110内に存在する複数の投影特徴点112(○印)とそれらの重心114(×印)とを示している。なお、平面フィルタ110は投影特徴点112のうち注目点である点112cを中心として設定されている。図16に示す例は亀裂の箇所に対応しており、投影特徴点112は近似的に直線に沿って並んでいる。この場合の重心114aはフィルタの中心に位置する投影特徴点112cからの距離が小さくなりやすい。一方、図17に示す例は亀裂ではない箇所に対応しており、投影特徴点112の間には直線的な位置関係が認められない。この場合の重心114bはフィルタの中心に位置する投影特徴点112cからの距離が大きくなりやすい。
FIGS. 16 and 17 are schematic diagrams for explaining a method for determining whether or not the arrangement of projection feature points in this embodiment is linear. Each of the plurality of projection feature points existing in the circular
そこで、2次元空間フィルタリング手段36は、平面フィルタ110内に存在する投影特徴点112の個数をN、座標を(Xj,Yj)(jは1からNまでの自然数である。)とし、次式により中心(投影特徴点112c)を原点とした重心114の座標(CX,CY)を算出し、ξ2=CX 2+CY 2で定義される中心から重心までの距離ξをしきい値ξthと比較する。なお、次式において、(Xi,Yi)は投影特徴点112cの座標であり、iは1からNまでの自然数のいずれかである。
Therefore, the two-dimensional spatial filtering means 36 sets the number of projection feature points 112 existing in the
そして、2次元空間フィルタリング手段36は、ξ≦ξthであれば、投影特徴点112の配置は直線的であると推定し、投影特徴点112は亀裂に由来するものと判定する。一方、ξ>ξthであれば、投影特徴点112の配置は直線的ではないと推定し、投影特徴点112は亀裂に由来するものではないと判定する。しきい値ξthは基本的には亀裂箇所とそれ以外の箇所とを弁別可能な値に設定される。なお、ξthを小さく設定すれば亀裂の誤検出を抑制でき、大きく設定すれば亀裂の検出漏れを抑制でき、ユーザが調査目的などに応じて調整することができる。 Then, the two-dimensional spatial filtering means 36 estimates that the arrangement of the projected feature points 112 is linear if ξ ≦ ξth, and determines that the projected feature points 112 are derived from cracks. On the other hand, if ξ> ξth, it is estimated that the arrangement of the projected feature points 112 is not linear, and it is determined that the projected feature points 112 are not derived from cracks. The threshold value ξth is basically set to a value that can discriminate between a cracked portion and other portions. Note that if ξth is set small, crack detection errors can be suppressed, and if ξth is set large, crack detection omissions can be suppressed, and the user can adjust according to the purpose of investigation.
本実施形態では平面フィルタ110内での投影特徴点112の配置が直線的か否かを重心114により推定する手法としたが、直線的か否かは他の手法を用いて判定してもよく、例えば、平面フィルタ110内の投影特徴点112の座標が直線を表す1次式に従うか否かを回帰分析してもよい。
In this embodiment, the method of estimating whether the arrangement of the projection feature points 112 in the
図18は2次元空間フィルタリング手段36による上述の処理S22によって、図15に示す特徴点群100から抽出された点群(特徴点群120)を表しており、特徴点群120は図15での特徴点群100と同様に投影している。図18には矩形の板状の模擬物体60,64の縁に板の厚みで生じる段差に対応する点群が、立体フィルタ及び平面フィルタにより抽出されている。ちなみに、図18において直線状に並ぶ特徴点群120aが模擬物体60の一辺に対応し、直線状に並ぶ特徴点群120b,120cがそれぞれ模擬物体64の辺に対応する。
FIG. 18 shows a point group (feature point group 120) extracted from the
上述した図13における処理S22が完了すると、演算処理装置4は亀裂検出手段38(対象検出手段)により、特徴点群120の対象空間内での配置から亀裂により生じる段差の箇所を検出する(S24)。本実施形態では立体フィルタを用いた処理S20に加え平面フィルタを用いた処理S22を行うことで、模擬物体60,64に起因する段差以外の点群(ノイズ点群)は好適に除去される。そこで例えば、亀裂検出手段38は特徴点群120自体を亀裂の位置を特定するデータとすることができる。一方、亀裂検出手段38は平面フィルタ110より大きなスケールで特徴点群120における線状の配列を検出し、亀裂の箇所を特定しても良い。
When the processing S22 in FIG. 13 described above is completed, the arithmetic processing unit 4 detects the stepped portion caused by the crack from the arrangement of the
なお、レーザ点群データ50を示す図14と処理S20の結果である図15とを見比べれば、模擬物体60,64に起因する段差以外の点群(ノイズ点群)は処理S20だけでかなりの割合除去できる。よって、亀裂検出手段38は処理S20の抽出結果に基づいて亀裂を検出する簡易な構成とすることも可能である。
Compared with FIG. 14 showing the laser
以上のように穴の自動検出処理S2及び亀裂の自動検出処理S4により穴、亀裂が検出される。穴抽出手段26及び亀裂検出手段38はそれぞれ検出した穴、亀裂の箇所をファイルに出力する(S6)。
As described above, holes and cracks are detected by the automatic hole detection process S2 and the automatic crack detection process S4. The
表示画像生成手段40は地図などを背景とし、その上に重ねて、穴抽出手段26により抽出された穴の領域と、亀裂検出手段38により検出された亀裂(段差)の位置とを表示する画像を生成し、出力装置10へ出力し、印刷、表示させる。図19は表示画像生成手段40により生成される画像例の模式図であり、レーザ点群データ50の投影図の上に、図11に示す穴の抽出結果である穴領域90と、図18に示す亀裂位置の検出結果である特徴点群120とを重ねて表示している。ちなみに図18において特徴点群120は、レーザ点群データ50を投影した点よりも強調した黒点で示されている。背景は地図、レーザ点群データ50の投影図のほか、上空から撮影した画像であってもよい。
The display image generation means 40 has a map or the like as a background, and is superimposed on the image to display the hole region extracted by the hole extraction means 26 and the position of the crack (step) detected by the crack detection means 38. Is output to the
上述した地物表面変状検出システム2を用いれば、例えば、堤防の点検作業において、従来の目視観察による手法に比べ、データの取得及び必要な情報抽出において、点検時間の短縮、そして、人員及び予算の削減が可能となり、堤防点検と堤防管理をより効率的に行うことができる。
If the above-described feature surface
なお、上記実施形態では地物表面変状検出システム2を、堤防における変状を抽出する例にして説明したが、地物表面変状検出システム2は堤防以外の地物表面における穴の検出、また亀裂・段差の検出に用いることもできる。例えば、道路の路面や法面、崖、トンネルの内壁面における変状検出に用いることができる。
In the above-described embodiment, the feature surface
また、レーザ点群データ50は、検出対象とする穴、亀裂の大きさより小さい間隔で計測されるものであれば、必ずしもモービルマッピングシステムや地上設置のレーザスキャナによって取得されるものでなくてもよい。例えば、航空機等の飛行体により空中から照射するレーザで取得されたレーザ点群データ50を用いることもできる。
Further, the laser
2 地物表面変状検出システム、4 演算処理装置、6 記憶装置、8 入力装置、10 出力装置、20 増強点群生成手段、22 2値画像生成手段、24 画像処理手段、26 穴抽出手段、30 近傍空間設定手段、32 3次元空間フィルタリング手段、34 周辺領域設定手段、36 2次元空間フィルタリング手段、38 亀裂検出手段、40 表示画像生成手段、50 レーザ点群データ、52 幾何条件、60,64 模擬物体、62 穴、80 レーザ点群、82 増強点群、84,86 2値画像、88 輪郭線、90 穴領域、100 特徴点群、110 平面フィルタ、112 投影特徴点、114 重心。 2 feature surface deformation detection system, 4 arithmetic processing device, 6 storage device, 8 input device, 10 output device, 20 enhancement point group generation means, 22 binary image generation means, 24 image processing means, 26 hole extraction means, 30 neighboring space setting means, 32 three-dimensional spatial filtering means, 34 peripheral area setting means, 36 two-dimensional spatial filtering means, 38 crack detection means, 40 display image generation means, 50 laser point cloud data, 52 geometric conditions, 60, 64 Simulated object, 62 holes, 80 laser point group, 82 enhancement point group, 84, 86 binary image, 88 contour line, 90 hole region, 100 feature point group, 110 plane filter, 112 projected feature point, 114 centroid.
Claims (6)
前記各要素点を注目点とし、当該注目点を包含し予め定められた3次元形状及び大きさを有する要素点近傍空間を設定する近傍空間設定手段と、
前記各要素点近傍空間において、前記点群の前記要素点が予め設定した複数個以上包含される場合に、当該要素点を検出対象である前記段差又は亀裂に由来する特徴点として抽出する3次元空間フィルタリング手段と、
前記特徴点の配置から前記検出対象の位置を検出する対象検出手段と、
を有することを特徴とするデータ解析装置。 A data analysis apparatus for detecting steps and cracks formed on a surface of a feature based on three-dimensional coordinate data of a point group having a plurality of measurement points measured from the feature surface in a target space as element points. ,
Neighborhood space setting means for setting each element point as an attention point and setting an element point neighborhood space including the attention point and having a predetermined three-dimensional shape and size;
3D for extracting the element point as a feature point derived from the step or crack to be detected when a plurality of the element points of the point group are included in the element point neighboring space. Spatial filtering means;
Object detection means for detecting the position of the detection object from the arrangement of the feature points;
A data analysis apparatus characterized by comprising:
前記3次元空間フィルタリング手段により抽出された前記特徴点を前記地物表面に沿った投影面に投影した各投影特徴点を注目点とし、前記投影面における領域として当該注目点を包含する特徴点周辺領域を、予め定められた2次元形状、かつ前記要素点近傍空間の投影像より大きな予め定められた大きさで設定する周辺領域設定手段と、
前記各特徴点周辺領域において、当該特徴点周辺領域に存在する前記投影特徴点の配置を近似する直線の誤差が予め定められた許容値以下である場合に、当該投影特徴点を前記検出対象に由来するものとして抽出する2次元空間フィルタリング手段と、
を有し、
前記対象検出手段は、前記2次元空間フィルタリング手段により抽出された前記投影特徴点に対応する前記特徴点の配置から前記検出対象の位置を検出すること、
を特徴とするデータ解析装置。 The data analysis apparatus according to claim 1,
Each feature point obtained by projecting the feature points extracted by the three-dimensional spatial filtering unit onto a projection surface along the feature surface is a point of interest, and a feature point surrounding that includes the point of interest as a region on the projection surface A peripheral region setting means for setting the region in a predetermined two-dimensional shape and a predetermined size larger than the projection image of the element point neighborhood space;
In each of the feature point peripheral regions, if the error of a straight line that approximates the arrangement of the projection feature points existing in the feature point peripheral region is equal to or smaller than a predetermined allowable value, the projection feature point is set as the detection target. Two-dimensional spatial filtering means for extracting as derived from;
Have
The target detection means detects the position of the detection target from the arrangement of the feature points corresponding to the projected feature points extracted by the two-dimensional spatial filtering means;
A data analysis device characterized by
前記2次元空間フィルタリング手段は、前記各特徴点周辺領域内の前記投影特徴点の重心と当該特徴点周辺領域の前記注目点との距離が予め定められた値以下である場合に、前記直線の誤差が予め定められた許容値以下であると推定し、前記投影特徴点を抽出すること、
を特徴とするデータ解析装置。 In the data analysis device according to claim 2,
The two-dimensional spatial filtering means, when the distance between the center of gravity of the projected feature point in each feature point peripheral region and the target point in the feature point peripheral region is equal to or less than a predetermined value, Estimating that the error is less than or equal to a predetermined tolerance and extracting the projected feature points;
A data analysis device characterized by
さらに前記地物表面に形成された穴を前記検出対象とし、
前記点群における前記要素点間のうち予め定めた相互距離以下の箇所を選択的に補間し、補間点を新たな要素点として前記点群に追加して疎密差が強調された増強点群を生成する増強点群生成手段と、
前記増強点群を前記地物表面に沿った面に投影して2値画像を生成する2値画像生成手段と、
前記2値画像に対しモルフォロジー演算を行い、前記増強点群の投影像の密領域に対応した領域と前記投影像の疎領域に対応した穴候補領域とに前記2値画像を領域分割する画像処理手段と、
前記検出対象である穴の前記穴候補領域における幾何条件を予め記憶する記憶手段と、
前記検出対象の穴として前記穴候補領域のうち前記幾何条件に該当する部分を抽出する穴抽出手段と、
地図上に重ねて、前記対象検出手段により検出された前記段差及び亀裂の位置と、前記穴抽出手段により抽出された前記穴の領域とを表示する表示手段と、
を有することを特徴とするデータ解析装置。 In the data analysis device according to any one of claims 1 to 3,
Furthermore, the hole formed in the feature surface is the detection target,
A point that is less than a predetermined mutual distance among the element points in the point group is selectively interpolated, and an interpolation point is added to the point group as a new element point, and an enhancement point group in which the density difference is emphasized Enhancement point cloud generation means for generating,
A binary image generation means for projecting the enhancement point group onto a surface along the feature surface to generate a binary image;
Image processing for performing a morphological operation on the binary image and dividing the binary image into a region corresponding to a dense region of the projected image of the enhancement point group and a hole candidate region corresponding to a sparse region of the projected image Means,
Storage means for preliminarily storing a geometric condition in the hole candidate region of the hole to be detected;
Hole extraction means for extracting a portion corresponding to the geometric condition in the hole candidate region as the detection target hole;
Display means for displaying the position of the step and crack detected by the object detection means and the region of the hole extracted by the hole extraction means, superimposed on a map;
A data analysis apparatus characterized by comprising:
前記各要素点を注目点とし、当該注目点を包含し予め定められた3次元形状及び大きさを有する要素点近傍空間を設定する近傍空間設定ステップと、
前記各要素点近傍空間において、前記点群の前記要素点が予め設定した複数個以上包含される場合に、当該要素点を検出対象である前記段差又は亀裂に由来する特徴点として計測する3次元空間フィルタリングステップと、
前記特徴点の配置から前記検出対象の位置を検出する対象検出ステップと、
を有することを特徴とするデータ解析方法。 A data analysis method for detecting steps and cracks formed on a surface of a feature based on three-dimensional coordinate data of a point group having a plurality of measurement points measured from the feature surface in a target space as element points. ,
A neighborhood space setting step for setting each element point as an attention point, and setting an element point neighborhood space including the attention point and having a predetermined three-dimensional shape and size;
A three-dimensional measurement in which each element point is measured as a feature point derived from the step or crack to be detected when a plurality of element points of the point group are included in the space near each element point. A spatial filtering step;
An object detection step of detecting the position of the detection object from the arrangement of the feature points;
A data analysis method characterized by comprising:
前記各要素点を注目点とし、当該注目点を包含し予め定められた3次元形状及び大きさを有する要素点近傍空間を設定する近傍空間設定手段、
前記各要素点近傍空間において、前記点群の前記要素点が予め設定した複数個以上包含される場合に、当該要素点を検出対象である前記段差又は亀裂に由来する特徴点として抽出する3次元空間フィルタリング手段、及び、
前記特徴点の配置から前記検出対象の位置を検出する対象検出手段、として機能させることを特徴とするプログラム。 The computer performs processing for detecting steps and cracks formed on the feature surface based on the three-dimensional coordinate data of the point group having a plurality of measurement points measured from the feature surface in the target space as element points. A program for making the computer
Neighborhood space setting means for setting each element point as an attention point and setting an element point neighborhood space including the attention point and having a predetermined three-dimensional shape and size;
3D for extracting the element point as a feature point derived from the step or crack to be detected when a plurality of the element points of the point group are included in the element point neighboring space. Spatial filtering means, and
A program that functions as target detection means for detecting the position of the detection target from the arrangement of the feature points.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013130060A JP6032678B2 (en) | 2013-06-20 | 2013-06-20 | Data analysis apparatus, data analysis method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013130060A JP6032678B2 (en) | 2013-06-20 | 2013-06-20 | Data analysis apparatus, data analysis method, and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015004588A true JP2015004588A (en) | 2015-01-08 |
JP6032678B2 JP6032678B2 (en) | 2016-11-30 |
Family
ID=52300609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013130060A Active JP6032678B2 (en) | 2013-06-20 | 2013-06-20 | Data analysis apparatus, data analysis method, and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6032678B2 (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017072386A (en) * | 2015-10-05 | 2017-04-13 | 朝日航洋株式会社 | Slope face state measurement method and slope face state measurement device |
JP2017097429A (en) * | 2015-11-18 | 2017-06-01 | 三菱電機株式会社 | Information processing device |
WO2017119154A1 (en) * | 2016-01-07 | 2017-07-13 | 三菱電機株式会社 | Detection device and detection method |
JP2020056616A (en) * | 2018-09-28 | 2020-04-09 | 株式会社トプコン | Point group data display system |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003075146A (en) * | 2001-09-05 | 2003-03-12 | Armonicos:Kk | Method and device for hole outline extraction, computer readable recording medium storing hole outline extraction program, and computer readable recording medium storing hole outline data |
WO2005088244A1 (en) * | 2004-03-17 | 2005-09-22 | Sony Corporation | Plane detector, plane detecting method, and robot apparatus with plane detector |
JP2007248530A (en) * | 2006-03-13 | 2007-09-27 | Pioneer Electronic Corp | Feature data generation method, feature data structure, feature data generation device and program |
JP2012037490A (en) * | 2010-08-11 | 2012-02-23 | Pasuko:Kk | Data analysis device, data analysis method and program |
JP2012178187A (en) * | 2012-06-08 | 2012-09-13 | Casio Comput Co Ltd | Imaging apparatus, control device for imaging apparatus, control program for imaging apparatus, and control method of imaging apparatus |
JP2012203894A (en) * | 2011-03-28 | 2012-10-22 | Kumamoto Univ | Three-dimensional pattern matching method |
-
2013
- 2013-06-20 JP JP2013130060A patent/JP6032678B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003075146A (en) * | 2001-09-05 | 2003-03-12 | Armonicos:Kk | Method and device for hole outline extraction, computer readable recording medium storing hole outline extraction program, and computer readable recording medium storing hole outline data |
WO2005088244A1 (en) * | 2004-03-17 | 2005-09-22 | Sony Corporation | Plane detector, plane detecting method, and robot apparatus with plane detector |
JP2007248530A (en) * | 2006-03-13 | 2007-09-27 | Pioneer Electronic Corp | Feature data generation method, feature data structure, feature data generation device and program |
JP2012037490A (en) * | 2010-08-11 | 2012-02-23 | Pasuko:Kk | Data analysis device, data analysis method and program |
JP2012203894A (en) * | 2011-03-28 | 2012-10-22 | Kumamoto Univ | Three-dimensional pattern matching method |
JP2012178187A (en) * | 2012-06-08 | 2012-09-13 | Casio Comput Co Ltd | Imaging apparatus, control device for imaging apparatus, control program for imaging apparatus, and control method of imaging apparatus |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017072386A (en) * | 2015-10-05 | 2017-04-13 | 朝日航洋株式会社 | Slope face state measurement method and slope face state measurement device |
JP2017097429A (en) * | 2015-11-18 | 2017-06-01 | 三菱電機株式会社 | Information processing device |
WO2017119154A1 (en) * | 2016-01-07 | 2017-07-13 | 三菱電機株式会社 | Detection device and detection method |
JP6173655B1 (en) * | 2016-01-07 | 2017-08-02 | 三菱電機株式会社 | Detection apparatus and detection method |
JP2020056616A (en) * | 2018-09-28 | 2020-04-09 | 株式会社トプコン | Point group data display system |
JP7112929B2 (en) | 2018-09-28 | 2022-08-04 | 株式会社トプコン | Point cloud data display system |
Also Published As
Publication number | Publication date |
---|---|
JP6032678B2 (en) | 2016-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Structural health monitoring and inspection of dams based on UAV photogrammetry with image 3D reconstruction | |
Westoby et al. | Cost-effective erosion monitoring of coastal cliffs | |
JP6006179B2 (en) | Data analysis apparatus, data analysis method, and program | |
Oskouie et al. | Automated measurement of highway retaining wall displacements using terrestrial laser scanners | |
Lim et al. | Combined digital photogrammetry and time‐of‐flight laser scanning for monitoring cliff evolution | |
JP5991489B2 (en) | Road deformation detection device, road deformation detection method and program | |
US9189862B2 (en) | Outline approximation for point cloud of building | |
Truong‐Hong et al. | Combining an angle criterion with voxelization and the flying voxel method in reconstructing building models from LiDAR data | |
US7133551B2 (en) | Semi-automatic reconstruction method of 3-D building models using building outline segments | |
Li et al. | An improved building boundary extraction algorithm based on fusion of optical imagery and LIDAR data | |
Truong-Hong et al. | Octree-based, automatic building facade generation from LiDAR data | |
JP6032678B2 (en) | Data analysis apparatus, data analysis method, and program | |
KR101884724B1 (en) | The Diagnosis-Supporting Systems for Culvert Facilities | |
JP2013088999A (en) | Building extraction device, method, and program | |
JP6013962B2 (en) | Feature surface detection apparatus, feature surface detection method, and program | |
Chen et al. | Automated bridge deck evaluation through UAV derived point cloud | |
EP2476999A1 (en) | Method for measuring displacement, device for measuring displacement, and program for measuring displacement | |
Charbonnier et al. | Accuracy assessment of a canal-tunnel 3d model by comparing photogrammetry and laserscanning recording techniques | |
JP2016218694A (en) | Three-dimensional model generation device, three-dimensional model generation method, and program | |
Kong et al. | Preserving our heritage: A photogrammetry-based digital twin framework for monitoring deteriorations of historic structures | |
Javadnejad et al. | An assessment of UAS-based photogrammetry for civil integrated management (CIM) modeling of pipes | |
JP2015045558A (en) | Data analyzer, data analysis method, and program | |
KR101793264B1 (en) | Analysis method for occurrence and growth progression of crack | |
Marino et al. | Measuring rock slope damage on rubble mound breakwater through digital photogrammetry | |
CN105096314A (en) | Binary grid template-based method for obtaining structured light dynamic scene depth |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20151109 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160920 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20161018 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6032678 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |