JP2020091640A - 物体分類システム、学習システム、学習データ生成方法、学習済モデル生成方法、学習済モデル、判別装置、判別方法、およびコンピュータプログラム - Google Patents
物体分類システム、学習システム、学習データ生成方法、学習済モデル生成方法、学習済モデル、判別装置、判別方法、およびコンピュータプログラム Download PDFInfo
- Publication number
- JP2020091640A JP2020091640A JP2018228120A JP2018228120A JP2020091640A JP 2020091640 A JP2020091640 A JP 2020091640A JP 2018228120 A JP2018228120 A JP 2018228120A JP 2018228120 A JP2018228120 A JP 2018228120A JP 2020091640 A JP2020091640 A JP 2020091640A
- Authority
- JP
- Japan
- Prior art keywords
- distribution
- contour
- learning
- learning data
- learned model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 41
- 238000004590 computer program Methods 0.000 title claims description 5
- 238000012850 discrimination method Methods 0.000 title claims 2
- 238000012545 processing Methods 0.000 claims description 26
- 239000003086 colorant Substances 0.000 claims description 2
- 230000036962 time dependent Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 28
- 239000002344 surface layer Substances 0.000 description 32
- 238000010586 diagram Methods 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 13
- 238000013500 data storage Methods 0.000 description 11
- 238000012795 verification Methods 0.000 description 8
- 239000011435 rock Substances 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 240000007320 Pinus strobus Species 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 3
- 235000011613 Pinus brutia Nutrition 0.000 description 3
- 241000018646 Pinus brutia Species 0.000 description 3
- 235000011334 Pinus elliottii Nutrition 0.000 description 3
- 241000142776 Pinus elliottii Species 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 241001474374 Blennius Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 241000218666 Metasequoia Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 241000723437 Chamaecyparis Species 0.000 description 1
- 241000218691 Cupressaceae Species 0.000 description 1
- 244000273256 Phragmites communis Species 0.000 description 1
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 235000008578 Pinus strobus Nutrition 0.000 description 1
- 235000008566 Pinus taeda Nutrition 0.000 description 1
- 241000218679 Pinus taeda Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
Description
図1は、樹木分類システム3の全体的な構成の例を示す図である。図2は、コンピュータ1のハードウェア構成の例を示す図である。図3は、コンピュータ1の機能的構成の例を示す図である。
(1) データセットの準備
図4は、空中写真60の例を示す図である。図5は、学習データ生成部41の構成の例を示す図である。図6は、オルソ写真62を生成する方法の例を示す図である。図7は、オルソ写真62、表層モデル63、およびスロープモデル64それぞれの一部分の例を示す図である。図8は、キャノピマップ65の一部分の例を示す図である。図9は、ポリゴンデータ6Tの例を示す図である。図10は、地上検証マップ66の一部分の例を示す図である。図11は、境界付写真67の一部分の例を示す図である。図12は、物体データ70の例を示す図である。図13は、物体データ70を増やす方法の例を示す図である。
類似データ生成部509は、ポリゴン画像6Pkのコピーを複数、生成し、各コピーをそれぞれ異なる角度で回転させることによって回転画像6Pkxを生成する。これらの角度はランダムに決定してもよいし、規則的に決定してもよい。本例では回転画像6Pkxを3つ生成しているが、4つ以上生成してもよい。例えば、15〜20個程度、生成してもよい。
図3の樹木分類学習部43は、学習データ記憶部42から物体データ70を読み出し、これらの物体データ70を用いて機械学習を行うことによって、樹木の種類を識別するための学習済モデル72を生成する。物体データ70の中の画像データが入力(説明変数)のデータとして用いられ、ラベルデータが正解(目的変数)のデータとして用いられる。
図14は、樹木分類部45の例を示す図である。図15は、樹木分布マップ68の一部分の例を示す図である。
図16は、樹木分類プログラム4による処理の流れの例を説明するフローチャートである。図17は、学習データセット生成処理の流れの例を説明するフローチャートである。図18は、樹木分類処理の流れの例を説明するフローチャートである。
本実施形態では、コンピュータ1を、対象領域82に存在する樹木を分類するために用いたが、他の物体を分類するために用いてもよい。例えば、草原に分布する草花、低木、動物の住処(蟻塚、モグラの巣などの、動物の巣)、または地形などを分類するために用いてもよい。または、岩石を分類するために用いてもよい。
藻池、学習済モデル記憶部44を第二のファイルサーバに藻池、樹木分類部45、樹木分布マップ生成部46、および樹木分布マップ出力部47を第三のコンピュータに設けてもよい。
10 プロセッサ
14 ネットワークアダプタ(入力手段)
17 入出力ボード(入力手段)
2 ドローン
4 樹木分類プログラム(コンピュータプログラム)
43 樹木分類学習部(学習手段)
44 学習済モデル記憶部(記録手段)
45 樹木分類部(判別手段)
504 キャノピマップ生成部(第一の特定手段、特定手段)
506 ラベル付与処理部(付与手段)
508 物体データ生成部(学習データ生成手段)
509 類似データ生成部(第二の学習データ生成手段)
524 キャノピマップ生成部(第二の特定手段)
60 空中写真(部分写真)
62 オルソ写真(第一の写真、写真)
62B 青画像
62G 緑画像
62R 赤画像
62’ オルソ写真(第二の写真)
63 表層モデル(第一の高さ分布、第一の分布)
63’ 表層モデル(第二の高さ分布)
64 スロープモデル(第一の勾配分布、第二の分布)
64’ スロープモデル(第二の勾配分布)
65A ポリゴン(第一の輪郭、輪郭)
65A’ ポリゴン(第二の輪郭)
6S ラベル
70 物体データ(学習データ)
70x 類似物体データ(第二の学習データ)
72 学習済モデル
80 テスト領域(第一の領域、領域)
82 対象領域(第二の領域)
Claims (16)
- 上空からの第一の領域の第一の写真および当該第一の領域の各地点の高さの分布である第一の高さ分布のうちの少なくとも1つと当該各地点の勾配の分布である第一の勾配分布とに基づいて、当該第一の領域に存在する複数の物体それぞれの第一の輪郭を特定する、第一の特定手段と、
前記第一の特定手段によって特定された前記第一の輪郭ごとに、所定の複数の種類のうちの当該第一の輪郭に存在する物体の種類に対応するラベルを付与する付与手段と、
前記第一の輪郭ごとに、前記第一の写真の中の当該第一の輪郭に囲まれた部分の部分画像および当該第一の輪郭に付与された前記ラベルを示す学習データを生成する、学習データ生成手段と、
前記学習データそれぞれに示される前記部分画像および前記ラベルをそれぞれ問題および解答として用いて学習済モデルを生成する、学習手段と、
上空からの第二の領域の第二の写真、当該第二の領域の各地点の高さの分布である第二の高さ分布、および当該各地点の勾配の分布である第二の勾配分布に基づいて、当該第二の領域に存在する複数の物体それぞれの第二の輪郭を特定する、第二の特定手段と、
前記第二の特定手段によって特定された前記第二の輪郭ごとに、前記複数の種類のうちの当該第二の輪郭に存在する物体の種類を、前記第二の写真の中の当該第二の輪郭に囲まれた部分の画像および前記学習済モデルに基づいて判別する判別手段と、
を有することを特徴とする物体分類システム。 - 上空からの領域の写真および当該領域の各地点の高さの分布である第一の分布のうちの少なくとも1つと当該各地点の勾配の分布である第二の分布とに基づいて、当該領域に存在する複数の物体それぞれの輪郭を特定する、特定手段と、
前記特定手段によって特定された前記輪郭ごとに、所定の複数の種類のうちの当該輪郭に存在する物体の種類に対応するラベルを付与する付与手段と、
前記輪郭ごとに、前記写真の中の当該輪郭に囲まれた部分の部分画像および当該輪郭に付与された前記ラベルを示す学習データを生成する、学習データ生成手段と、
前記学習データそれぞれに示される前記部分画像および前記ラベルをそれぞれ入力および正解として用いて学習済モデルを生成する、学習手段と、
を有することを特徴とする学習システム。 - 前記特定手段は、前記写真として、ドローンによって前記領域を一部分ずつ撮影して得られた部分写真に基づいて作成したオルソ写真を用いて前記輪郭を特定する、
請求項2に記載の学習システム。 - 前記特定手段は、前記写真に基づいて前記第一の分布を算出し、前記第一の分布に基づいて前記第二の分布を算出し、前記写真ならびに算出した当該第一の分布および当該第二の分布に基づいて前記輪郭を特定する、
請求項2または請求項3に記載の学習システム。 - 前記特定手段は、前記写真の、3原色のうちの赤色のみの階調で表わされる赤画像、緑色のみの階調で表わされる緑画像、および青色のみの階調で表わされる青画像と、前記第一の分布と、前記第二の分布と、に基づいて前記輪郭を特定する、
請求項2ないし請求項4のいずれかに記載の学習システム。 - 前記特定手段は、前記赤画像、前記緑画像、および前記青画像に対する重みよりも大きい重みを前記第一の分布に対して掛け、前記第二の分布に対してさらに大きい重みを掛けて、前記輪郭を特定する、
請求項5に記載の学習システム。 - 前記輪郭ごとに、当該輪郭の前記部分画像を回転させた第二の部分画像および当該輪郭に付与された前記ラベルを示す第二の学習データを生成する、第二の学習データ生成手段、を有し、
前記学習手段は、前記第二の学習データそれぞれに示される前記第二の部分画像および前記ラベルをそれぞれ入力および正解としてさらに用いて前記学習済モデルを生成する、
請求項2ないし請求項6のいずれかに記載の学習システム。 - 前記写真として、撮影された時期の異なる複数の時期別写真を入力する、入力手段、
を有し、
前記学習データ生成手段は、前記学習データとして、前記部分画像および前記複数の時期別写真のうちの当該部分画像の基の時期別写真が撮影された撮影時期ならびに前記ラベルを示すデータを生成し、
前記学習手段は、前記部分画像および前記撮影時期を入力として用い前記ラベルを正解として用いて前記学習済モデルを生成する、
請求項2ないし請求項7のいずれかに記載の学習システム。 - 前記領域は、森林であり、
前記複数の種類は、複数の樹木の種類を含む、
請求項2ないし請求項8のいずれかに記載の学習システム。 - 上空からの領域の写真および当該領域の各地点の高さの分布である第一の分布のうちの少なくとも1つと当該各地点の勾配の分布である第二の分布とに基づいて、当該領域に存在する複数の物体それぞれの輪郭を特定し、
特定された前記輪郭ごとに、所定の複数の種類のうちの当該輪郭に存在する物体の種類に対応するラベルを付与し、
前記輪郭ごとに、前記写真の中の当該輪郭に囲まれた部分の部分画像および当該輪郭に付与された前記ラベルを示す学習データを生成する、
ことを特徴とする学習データ生成方法。 - 請求項10に記載の学習データ生成方法で生成された学習データを使用して学習済モデルを生成する学習済モデル生成方法。
- 前記学習データそれぞれに示される前記部分画像および前記ラベルをそれぞれ入力および正解として用いて学習済モデルを生成する、
請求項11に記載の学習済モデル生成方法。 - 請求項10に記載の学習システムによって生成された、
学習済モデル。 - 請求項11または請求項13に記載の学習済モデル生成方法で生成された学習済モデルを記録した記録手段と、
前記学習済モデルを用いて入力データに示される物体の種類を判別する判別手段と、
を有することを特徴とする判別装置。 - 請求項11または請求項13に記載の学習済モデル生成方法で生成された学習済モデルを用いて入力データに示される物体の種類を判別する、
ことを特徴とする判別方法。 - 物体が所定の複数の種類のうちのいずれに該当するのかを決定するための学習済モデルを生成するコンピュータに用いられるコンピュータプログラムであって、
前記コンピュータに、
上空からの領域の写真および当該領域の各地点の高さの分布である第一の分布のうちの少なくとも1つと当該各地点の勾配の分布である第二の分布とに基づいて、当該領域に存在する複数の物体それぞれの輪郭を特定する処理を実行させ、
特定された前記輪郭ごとに、前記複数の種類のうちの当該輪郭に存在する物体の種類に対応するラベルを付与する処理を実行させ、
前記輪郭ごとに、前記写真の中の当該輪郭に囲まれた部分の部分画像および当該輪郭に付与された前記ラベルを示す学習データを生成する処理を実行させ、
前記学習データそれぞれに示される前記部分画像および前記ラベルをそれぞれ入力および正解として用いて学習済モデルを生成する処理を実行させる、
ことを特徴とするコンピュータプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018228120A JP2020091640A (ja) | 2018-12-05 | 2018-12-05 | 物体分類システム、学習システム、学習データ生成方法、学習済モデル生成方法、学習済モデル、判別装置、判別方法、およびコンピュータプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018228120A JP2020091640A (ja) | 2018-12-05 | 2018-12-05 | 物体分類システム、学習システム、学習データ生成方法、学習済モデル生成方法、学習済モデル、判別装置、判別方法、およびコンピュータプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020091640A true JP2020091640A (ja) | 2020-06-11 |
Family
ID=71012869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018228120A Pending JP2020091640A (ja) | 2018-12-05 | 2018-12-05 | 物体分類システム、学習システム、学習データ生成方法、学習済モデル生成方法、学習済モデル、判別装置、判別方法、およびコンピュータプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020091640A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220004491A (ko) * | 2020-07-03 | 2022-01-11 | 국민대학교산학협력단 | 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법 |
JP7193824B1 (ja) | 2022-06-21 | 2022-12-21 | 株式会社アドイン研究所 | 森林計測用ドローン、ドローンシステム、及び、プログラム |
WO2024100866A1 (ja) * | 2022-11-10 | 2024-05-16 | 日本電信電話株式会社 | 学習装置、建造物領域分類装置、学習方法、建造物領域分類方法、及びプログラム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003344048A (ja) * | 2002-05-22 | 2003-12-03 | Pasuko:Kk | 森林情報処理システム |
JP2006285310A (ja) * | 2005-03-31 | 2006-10-19 | Kanazawa Univ | 森林の樹冠の評価方法及びその樹冠評価プログラム |
-
2018
- 2018-12-05 JP JP2018228120A patent/JP2020091640A/ja active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003344048A (ja) * | 2002-05-22 | 2003-12-03 | Pasuko:Kk | 森林情報処理システム |
JP2006285310A (ja) * | 2005-03-31 | 2006-10-19 | Kanazawa Univ | 森林の樹冠の評価方法及びその樹冠評価プログラム |
Non-Patent Citations (2)
Title |
---|
内田 祐介: "畳み込みニューラルネットワークの研究動向", 電子情報通信学会技術研究報告, vol. 第117巻,第362号, JPN6022049240, 10 December 2017 (2017-12-10), JP, pages 25 - 38, ISSN: 0005063331 * |
安川 雅紀: "ドローンを用いた生物多様性研究のためのモザイク画像作成に関する検討", 第9回データ工学と情報マネジメントに関するフォーラム (第15回日本データベース学会年次大会) [O, JPN6022049241, 27 February 2017 (2017-02-27), JP, ISSN: 0005063330 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220004491A (ko) * | 2020-07-03 | 2022-01-11 | 국민대학교산학협력단 | 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법 |
KR102517513B1 (ko) * | 2020-07-03 | 2023-04-03 | 국민대학교산학협력단 | 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법 |
JP7193824B1 (ja) | 2022-06-21 | 2022-12-21 | 株式会社アドイン研究所 | 森林計測用ドローン、ドローンシステム、及び、プログラム |
JP2024000709A (ja) * | 2022-06-21 | 2024-01-09 | 株式会社アドイン研究所 | 森林計測用ドローン、ドローンシステム、及び、プログラム |
WO2024100866A1 (ja) * | 2022-11-10 | 2024-05-16 | 日本電信電話株式会社 | 学習装置、建造物領域分類装置、学習方法、建造物領域分類方法、及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7113044B2 (ja) | 航空画像からの自動物体検出のための方法およびシステム | |
KR102154950B1 (ko) | 무인 비행체에 의해 촬영된 이미지를 지도, 도면 또는 위성 사진에 대해 매칭시키는 방법 및 장치 | |
US11769225B2 (en) | Image processing apparatus, image processing method, and program | |
JP2020091640A (ja) | 物体分類システム、学習システム、学習データ生成方法、学習済モデル生成方法、学習済モデル、判別装置、判別方法、およびコンピュータプログラム | |
CN111275015A (zh) | 一种基于无人机的电力巡线电塔检测识别方法及系统 | |
US11995805B2 (en) | Imputation of 3D data using generative adversarial networks | |
US10089418B2 (en) | Structure model segmentation from a three dimensional surface | |
JP5352435B2 (ja) | 分類画像作成装置 | |
KR102587445B1 (ko) | 드론을 이용하여 시계열정보가 포함된 3차원 지도의 제작 방법 | |
Wijesingha | Geometric quality assessment of multi-rotor unmanned aerial vehicle borne remote sensing products for precision agriculture | |
Pratama et al. | An Overview of Generating VR Models for Disaster Zone Reconstruction Using Drone Footage | |
TW202125324A (zh) | 航拍影像自動物體偵測之方法及系統 | |
Garg | Understanding Geospatial Data | |
CN111750830A (zh) | 地块测绘方法及测绘系统 | |
Maguire | Using Unmanned Aerial Vehicles and" Structure from Motion" Software to Monitor Coastal Erosion in Southeast Florida | |
WO2023053485A1 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
Permana et al. | Analysis of aerial photography with unmanned aerial vehicle (uav) using ecognition developer to estimate the number of trees in the forest area | |
JP2023135210A (ja) | クラス推論システム、学習装置、推論システム、クラス推論方法、およびコンピュータプログラム | |
Loor et al. | Aerial and Satellite Imagery and Big Data: Blending Old Technologies | |
Yudhistira Kurniawan et al. | Mangrove Tree Density Detector using YOLO Based on Darknet Framework using RGB Drone Imagery | |
Dindaroğlu et al. | Determination of the actual land use pattern using unmanned aerial vehicles and multispectral camera | |
KR20240005607A (ko) | 무인 비행체 촬영 영상의 이미지 정합 방법 및 이를위한 장치 | |
Piech et al. | The use of UAV data for photogrammetric documentation | |
Lentz et al. | High-resolution orthomosaic image (natural color) of Black Beach, Falmouth, Massachusetts on 18 March 2016 (32-bit GeoTIFF) | |
CN116843843A (zh) | 一种行军道路沿线三维场景仿真方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20181218 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211015 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221026 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221122 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230523 |