JP7075787B2 - トラフィカビリティ推定装置およびプログラム - Google Patents
トラフィカビリティ推定装置およびプログラム Download PDFInfo
- Publication number
- JP7075787B2 JP7075787B2 JP2018044723A JP2018044723A JP7075787B2 JP 7075787 B2 JP7075787 B2 JP 7075787B2 JP 2018044723 A JP2018044723 A JP 2018044723A JP 2018044723 A JP2018044723 A JP 2018044723A JP 7075787 B2 JP7075787 B2 JP 7075787B2
- Authority
- JP
- Japan
- Prior art keywords
- soil
- information
- trafficability
- relative reflectance
- learning 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.)
- Active
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Description
本発明は、作業機械の走行に耐え得る地面の能力であるトラフィカビリティを推定するトラフィカビリティ推定装置およびプログラムに関する。
災害復旧工事や土木工事においては、事前に土地のトラフィカビリティを、例えばコーン貫入試験装置を用いて実測しておき、作業機械（重機）が土地の地面上を走行できるか否かを判定している。
しかしながら、上記従来技術では、例えば、災害復旧現場などのように、土地にぬかるみがあったり、土地の地盤が不安定であったりしてトラフィカビリティを実測する作業が困難、あるいは、危険となるような場合に、土地のトラフィカビリティを評価することが難しい。
本発明は、このような事情に鑑みてなされたものであり土地のトラフィカビリティ情報を安全に確実に推定する上で有利なトラフィカビリティ推定装置およびプログラムを提供することを目的とする。
本発明は、このような事情に鑑みてなされたものであり土地のトラフィカビリティ情報を安全に確実に推定する上で有利なトラフィカビリティ推定装置およびプログラムを提供することを目的とする。
本発明は、対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を取得する情報取得部と、前記相対反射率情報に基いて土壌の性質毎に種類分けされた土壌種別である土の種類および含水量を特定し、その特定結果に基いて前記地面のトラフィカビリティ情報を推定する推定部と、土種類学習モデルと含水量学習モデルとトラフィカビリティ学習モデルとを記録したデータベースとを備え、前記土種類学習モデルは、前記土の種類と前記土の相対反射率のパターンとの関係を規定するものであり、前記含水量学習モデルは、前記土の種類と前記土の特定の波長における相対反射率と前記土の含水量との関係を規定するものであり、前記トラフィカビリティ学習モデルは、前記土の種類と前記土の含水量と作業機械の走行に耐え得る前記地面の能力であるトラフィカビリティを示すトラフィカビリティ情報との関係を規定するものであり、前記推定部は、前記相対反射率情報に基いて前記土種類学習モデルから前記土種類を特定し、前記特定された土種類に基いて前記含水量学習モデルから含水量を特定し、前記特定された土種類と前記特定された含水量とに基いて前記トラフィカビリティ学習モデルから前記トラフィカビリティ情報を推定することを特徴とする。
また、本発明は、情報処理装置において実行されるプログラムであって、前記情報処理装置を、対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を取得する情報取得部と、前記相対反射率情報に基いて土壌の性質毎に種類分けされた土壌種別である土の種類および含水量を特定し、その特定結果に基いて前記地面のトラフィカビリティ情報を推定する推定部と、土種類学習モデルと含水量学習モデルとトラフィカビリティ学習モデルとを記録したデータベースと、して機能させ、前記土種類学習モデルは、前記土の種類と前記土の相対反射率のパターンとの関係を規定するものであり、前記含水量学習モデルは、前記土の種類と前記土の特定の波長における相対反射率と前記土の含水量との関係を規定するものであり、前記トラフィカビリティ学習モデルは、前記土の種類と前記土の含水量と作業機械の走行に耐え得る前記地面の能力であるトラフィカビリティを示すトラフィカビリティ情報との関係を規定するものであり、前記推定部は、前記相対反射率情報に基いて前記土種類学習モデルから前記土種類を特定し、前記特定された土種類に基いて前記含水量学習モデルから含水量を特定し、前記特定された土種類と前記特定された含水量とに基いて前記トラフィカビリティ学習モデルから前記トラフィカビリティ情報を推定するプログラムである。
また、本発明は、情報処理装置において実行されるプログラムであって、前記情報処理装置を、対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を取得する情報取得部と、前記相対反射率情報に基いて土壌の性質毎に種類分けされた土壌種別である土の種類および含水量を特定し、その特定結果に基いて前記地面のトラフィカビリティ情報を推定する推定部と、土種類学習モデルと含水量学習モデルとトラフィカビリティ学習モデルとを記録したデータベースと、して機能させ、前記土種類学習モデルは、前記土の種類と前記土の相対反射率のパターンとの関係を規定するものであり、前記含水量学習モデルは、前記土の種類と前記土の特定の波長における相対反射率と前記土の含水量との関係を規定するものであり、前記トラフィカビリティ学習モデルは、前記土の種類と前記土の含水量と作業機械の走行に耐え得る前記地面の能力であるトラフィカビリティを示すトラフィカビリティ情報との関係を規定するものであり、前記推定部は、前記相対反射率情報に基いて前記土種類学習モデルから前記土種類を特定し、前記特定された土種類に基いて前記含水量学習モデルから含水量を特定し、前記特定された土種類と前記特定された含水量とに基いて前記トラフィカビリティ学習モデルから前記トラフィカビリティ情報を推定するプログラムである。
本発明によれば、対象となる土地の地面の相対反射率情報に基いて土の種類および含水量を特定し、その特定結果に基いてトラフィカビリティ情報を推定するようにした。
したがって、対象となる土地の地面にコーン貫入試験装置を運び込んで実測する必要がないため、実測する作業が困難、あるいは、危険となるような土地であっても、土地のトラフィカビリティ情報を安全に確実に推定する上で有利となる。
したがって、対象となる土地の地面にコーン貫入試験装置を運び込んで実測する必要がないため、実測する作業が困難、あるいは、危険となるような土地であっても、土地のトラフィカビリティ情報を安全に確実に推定する上で有利となる。
以下、本発明の実施の形態を図面に基づいて説明する。
図１は本実施の形態に係るトラフィカビリティ推定装置１０の構成を示すブロック図である。
本実施の形態では、トラフィカビリティ推定装置１０は、パーソナルコンピュータで構成されている。
なお、トラフィカビリティ推定装置１０は、パーソナルコンピュータに限定されるものではなく、タブレット型端末など従来公知の様々なコンピュータを用いることができる。
図１は本実施の形態に係るトラフィカビリティ推定装置１０の構成を示すブロック図である。
本実施の形態では、トラフィカビリティ推定装置１０は、パーソナルコンピュータで構成されている。
なお、トラフィカビリティ推定装置１０は、パーソナルコンピュータに限定されるものではなく、タブレット型端末など従来公知の様々なコンピュータを用いることができる。
トラフィカビリティ推定装置１０は、ＣＰＵ１２と、バスラインを介して接続されたＲＯＭ１４、ＲＡＭ１６、ハードディスク装置１８、表示部２０、入力部２２、インターフェース２４、通信部２６、カードスロット２８、プリンタ３０などを含んで構成されている。
ＲＯＭ１４は、各種のデータを格納・記憶するものである。
ＲＡＭ１６はＣＰＵ１２のワーキングエリアを提供するものである。
ハードディスク装置１８は、ＣＰＵ１２が実行する本発明に係るプログラムを格納するものである。
また、ハードディスク装置１８は、図２に示す学習モデル３２を構成しており、学習モデル３２については後述する。
ＲＯＭ１４は、各種のデータを格納・記憶するものである。
ＲＡＭ１６はＣＰＵ１２のワーキングエリアを提供するものである。
ハードディスク装置１８は、ＣＰＵ１２が実行する本発明に係るプログラムを格納するものである。
また、ハードディスク装置１８は、図２に示す学習モデル３２を構成しており、学習モデル３２については後述する。
表示部２０は、文字や画像を表示するものであり、本実施の形態では、トラフィカビリティ推定装置１０によって推定されたトラフィカビリティにまつわる情報を表示出力するものである。
入力部２２は、入力操作を受け付けるものであり、キーボードおよびマウスによって構成されている。なお、入力部２２は、表示部２０の表示面上に設けられたタッチパネルで構成してもよく、入力部２２として従来公知の様々な構成の入力デバイスが使用可能である。
入力部２２は、入力操作を受け付けるものであり、キーボードおよびマウスによって構成されている。なお、入力部２２は、表示部２０の表示面上に設けられたタッチパネルで構成してもよく、入力部２２として従来公知の様々な構成の入力デバイスが使用可能である。
インターフェース２４は、通信部２６、カードスロット２８、プリンタ３０との間で通信を行なうものである。
通信部２６は、図３に示すように無線回線を経由して回転翼機４０の通信部５６と通信を行なうものである。
カードスロット２８は、カード型の記録媒体が装脱可能に装着されるものである。
プリンタ３０は、文字や画像を印刷するものであり、本実施の形態では、トラフィカビリティ推定装置１０によって推定されたトラフィカビリティにまつわる情報を印刷出力するものである。
通信部２６は、図３に示すように無線回線を経由して回転翼機４０の通信部５６と通信を行なうものである。
カードスロット２８は、カード型の記録媒体が装脱可能に装着されるものである。
プリンタ３０は、文字や画像を印刷するものであり、本実施の形態では、トラフィカビリティ推定装置１０によって推定されたトラフィカビリティにまつわる情報を印刷出力するものである。
ＣＰＵ１２は、図２に示すように、上記プログラムを実行することにより、ハードディスク装置１８を学習モデル３２を記録したデータベースとして機能させるものであり、また、上記プログラムを実行することにより、情報取得部３４と、推定部３６と、地図生成部３８とを実現するものである。
本実施の形態では、土種および含水量と相対反射率との関係を機械学習による学習モデルを用いて解析する。以下では各種データを図面として視覚化できるよう２次元化しているが、実際にはそれ以上の次元数のデータを含んでいる。
本実施の形態では、土種および含水量と相対反射率との関係を機械学習による学習モデルを用いて解析する。以下では各種データを図面として視覚化できるよう２次元化しているが、実際にはそれ以上の次元数のデータを含んでいる。
学習モデル３２は、土種類学習モデル３２Ａと、含水量学習モデル３２Ｂと、トラフィカビリティ学習モデル３２Ｃとを含んで構成されている。
土種類学習モデル３２Ａは、土の種類と土の相対反射率のパターンとの関係を規定するものである。
ここで土の種類とは、土壌の性質毎に種類分けされた土壌種別と呼ばれているものであり、以下のような土壌種別が例示される。
岩屑土、砂丘未熟土、黒ボク土、多湿黒ボク土、黒ボクグライ土、褐色森林土、灰色台地土、グライ台地土、赤色土、黄色土、暗赤色土、褐色低地土、灰色低地土、グライ土、黒泥土、泥炭土。
土の相対反射率とは、土に光を照射したときに土から反射される光の強度である。
土の相対反射率のパターンは土の種類に対応して異なっている。
例えば、図４には、７種類の土（Ａ～Ｈ）を絶乾状態にして測定した相対反射率を示している。図４に示すように、各土Ａ～Ｈによって相対反射率のパターンが異なっているが、それら土の含水量が変化しても相対反射率の特徴は保たれる。
例えば、図５は図４の土Ａ、図６は図４の土Ｂ、図７は図４の土Ｃについて、それぞれ含水量を変化させて測定した相対反射率である。
図１１に示すように、土種類学習モデル３２Ａは、上述した土の種類Ａ、Ｂ、Ｃ、……、Ｚと、土の相対反射率のパターンａ、ｂ、ｃ、……、ｚとを関連付けて構成されている。
土種類学習モデル３２Ａは、土の種類毎に相対反射率のパターン、すなわち、相対反射率情報を後述するハイパースペクトルカメラ５０を用いて実測することによって構築される。
また、本実施の形態では、土種類学習モデル３２Ａにおける相対反射率のパターンは、４００ｎｍ以上１１００ｎｍ以下の波長範囲で測定されたものとした。
４００ｎｍ以上１１００ｎｍ以下の波長範囲で測定すると、ハイパースペクトルカメラで実測した場合に生成される相対反射率の画像サイズの軽減化を図ることができデータ処理の高速化を図る上で有利となり、土の種類を正確に効率的に判定する上で有利となる。
土種類学習モデル３２Ａは、土の種類と土の相対反射率のパターンとの関係を規定するものである。
ここで土の種類とは、土壌の性質毎に種類分けされた土壌種別と呼ばれているものであり、以下のような土壌種別が例示される。
岩屑土、砂丘未熟土、黒ボク土、多湿黒ボク土、黒ボクグライ土、褐色森林土、灰色台地土、グライ台地土、赤色土、黄色土、暗赤色土、褐色低地土、灰色低地土、グライ土、黒泥土、泥炭土。
土の相対反射率とは、土に光を照射したときに土から反射される光の強度である。
土の相対反射率のパターンは土の種類に対応して異なっている。
例えば、図４には、７種類の土（Ａ～Ｈ）を絶乾状態にして測定した相対反射率を示している。図４に示すように、各土Ａ～Ｈによって相対反射率のパターンが異なっているが、それら土の含水量が変化しても相対反射率の特徴は保たれる。
例えば、図５は図４の土Ａ、図６は図４の土Ｂ、図７は図４の土Ｃについて、それぞれ含水量を変化させて測定した相対反射率である。
図１１に示すように、土種類学習モデル３２Ａは、上述した土の種類Ａ、Ｂ、Ｃ、……、Ｚと、土の相対反射率のパターンａ、ｂ、ｃ、……、ｚとを関連付けて構成されている。
土種類学習モデル３２Ａは、土の種類毎に相対反射率のパターン、すなわち、相対反射率情報を後述するハイパースペクトルカメラ５０を用いて実測することによって構築される。
また、本実施の形態では、土種類学習モデル３２Ａにおける相対反射率のパターンは、４００ｎｍ以上１１００ｎｍ以下の波長範囲で測定されたものとした。
４００ｎｍ以上１１００ｎｍ以下の波長範囲で測定すると、ハイパースペクトルカメラで実測した場合に生成される相対反射率の画像サイズの軽減化を図ることができデータ処理の高速化を図る上で有利となり、土の種類を正確に効率的に判定する上で有利となる。
含水量学習モデル３２Ｂは、土の種類と土の特定の波長の相対反射率と土の含水量との関係を規定するものである。
例えば、図８～図１０に示すように、土Ａ、土Ｂ、土Ｃの特定の波長における相対反射率を含水量を変化させて測定すると、同じ含水量であっても土の種類に応じた特定の相対反射率となることがわかる。
図１２に示すように、含水量学習モデル３２Ｂは、上述した土の種類Ａ、Ｂ、Ｃ、……、Ｚと、土の特定の波長の相対反射率とを関連付けて構成されている。
本実施の形態では、特定の波長を９６０ｎｍ付近の波長と１４５０ｎｍ付近の波長との２種類の波長とした。
この２種類の波長とすると、相対反射率に対応する含水量のばらつきが少ないため、土の含水量の特定を精度良く行なう上で有利となる。
この理由は、判別する波長のバンドを２つ利用し、片方を較正バンドとする事で含水量をより正確に測定できるからである。
含水量学習モデル３２Ｂは、土の種類毎に、含水量を変えながら土の特定の波長の相対反射率を実測することにより構築される。
なお、図１２の例では、含水量を２５％毎に示しているが、含水量をもっと細かい単位、例えば、１０％毎に示すなど任意である。
また、図１２の相対反射率の数値は実際の数値ではなく、大小関係をわかりやすく表示したものである。
例えば、図８～図１０に示すように、土Ａ、土Ｂ、土Ｃの特定の波長における相対反射率を含水量を変化させて測定すると、同じ含水量であっても土の種類に応じた特定の相対反射率となることがわかる。
図１２に示すように、含水量学習モデル３２Ｂは、上述した土の種類Ａ、Ｂ、Ｃ、……、Ｚと、土の特定の波長の相対反射率とを関連付けて構成されている。
本実施の形態では、特定の波長を９６０ｎｍ付近の波長と１４５０ｎｍ付近の波長との２種類の波長とした。
この２種類の波長とすると、相対反射率に対応する含水量のばらつきが少ないため、土の含水量の特定を精度良く行なう上で有利となる。
この理由は、判別する波長のバンドを２つ利用し、片方を較正バンドとする事で含水量をより正確に測定できるからである。
含水量学習モデル３２Ｂは、土の種類毎に、含水量を変えながら土の特定の波長の相対反射率を実測することにより構築される。
なお、図１２の例では、含水量を２５％毎に示しているが、含水量をもっと細かい単位、例えば、１０％毎に示すなど任意である。
また、図１２の相対反射率の数値は実際の数値ではなく、大小関係をわかりやすく表示したものである。
トラフィカビリティ学習モデル３２Ｃは、土の種類と土の含水量と作業機械の走行に耐え得る地面の能力であるトラフィカビリティを示すトラフィカビリティ情報との関係を規定するものである。
図１３に示すように、トラフィカビリティ学習モデル３２Ｃは、土の種類と、土の含水量と、トラフィカビリティ情報とを関連付けて構成されている。
トラフィカビリティ情報は、ＪＩＳ Ａ１２２８規定のコーン指数試験によるコーン指数、あるいは、ＪＩＳ Ａ１２１９規定の標準貫入試験方法のＮ値で示すことができる。
トラフィカビリティ学習モデル３２Ｃは、土の種類毎に土の含水量を変えてトラフィカビリティ情報を実測することによって構築される。
また、トラフィカビリティ情報として従来公知の様々な地盤の試験方法で特定される評価値を用いることができることは無論である。
しかしながら、本実施の形態のように、トラフィカビリティ情報を、従来から用いられているコーン指数、あるいは、Ｎ値で示すようにすると、トラフィカビリティの良否を的確に判断する上で有利となる。
なお、図１３のトラフィカビリティ情報の数値は実際の数値ではなく、大小関係をわかりやすく表示したものである。
図１３に示すように、トラフィカビリティ学習モデル３２Ｃは、土の種類と、土の含水量と、トラフィカビリティ情報とを関連付けて構成されている。
トラフィカビリティ情報は、ＪＩＳ Ａ１２２８規定のコーン指数試験によるコーン指数、あるいは、ＪＩＳ Ａ１２１９規定の標準貫入試験方法のＮ値で示すことができる。
トラフィカビリティ学習モデル３２Ｃは、土の種類毎に土の含水量を変えてトラフィカビリティ情報を実測することによって構築される。
また、トラフィカビリティ情報として従来公知の様々な地盤の試験方法で特定される評価値を用いることができることは無論である。
しかしながら、本実施の形態のように、トラフィカビリティ情報を、従来から用いられているコーン指数、あるいは、Ｎ値で示すようにすると、トラフィカビリティの良否を的確に判断する上で有利となる。
なお、図１３のトラフィカビリティ情報の数値は実際の数値ではなく、大小関係をわかりやすく表示したものである。
情報取得部３４は、対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を土地の位置情報と共に取得するものである。
本実施の形態では、後述する回転翼機４０によって測定された相対反射率情報および土地の位置情報を無線回線を介して通信部２６が受信することにより情報取得部３４による相対反射率情報および土地の位置情報の取得がなされる。
あるいは、回転翼機４０によって測定された相対反射率情報および土地の位置情報を記録した記録媒体を、カードスロット２８に挿入することで情報取得部３４による相対反射率情報および土地の位置情報の取得がなされる。
本実施の形態では、後述する回転翼機４０によって測定された相対反射率情報および土地の位置情報を無線回線を介して通信部２６が受信することにより情報取得部３４による相対反射率情報および土地の位置情報の取得がなされる。
あるいは、回転翼機４０によって測定された相対反射率情報および土地の位置情報を記録した記録媒体を、カードスロット２８に挿入することで情報取得部３４による相対反射率情報および土地の位置情報の取得がなされる。
推定部３６は、相対反射率情報に基いて土種類学習モデル３２Ａから土種類を特定し、特定された土種類に基いて含水量学習モデル３２Ｂから含水量を特定し、特定された土種類と特定された含水量とに基いてトラフィカビリティ学習モデル３２Ｃからトラフィカビリティ情報を推定するものである。
地図生成部３８は、推定されたトラフィカビリティ情報と取得された位置情報とを組み合わせた地図情報を生成するものである。
図１４（Ａ）、（Ｂ）に示すように、地図情報Ｄｍは、例えば、トラフィカビリティ情報であるコーン指数やＮ値の大小に対応した色やハッチングにより表現される。
すなわち、トラフィカビリティ情報が異なる領域を識別するために各領域に異なるハッチングを施し、あるいは各領域を異なる色で表示している。
例えば、図１４（Ａ）は、トラフィカビリティ情報をＮ値で示す場合について示しており、領域ｄ１はＮ＜Ｎ１の範囲であり、領域ｄ２はＮ１≦Ｎ＜Ｎ２の範囲であり、領域ｄ３はＮ２≦Ｎ＜Ｎ３の範囲であり、領域ｄ４はＮ３≦Ｎの範囲である。ただし、Ｎ１＜Ｎ２＜Ｎ３である。
生成された地図情報Ｄｍは、表示部２０に表示され、あるいは、プリンタ３０によって印刷出力され、あるいは、ハードディスク装置やカード型記録媒体に記録される。
図１４（Ａ）、（Ｂ）に示すように、地図情報Ｄｍは、例えば、トラフィカビリティ情報であるコーン指数やＮ値の大小に対応した色やハッチングにより表現される。
すなわち、トラフィカビリティ情報が異なる領域を識別するために各領域に異なるハッチングを施し、あるいは各領域を異なる色で表示している。
例えば、図１４（Ａ）は、トラフィカビリティ情報をＮ値で示す場合について示しており、領域ｄ１はＮ＜Ｎ１の範囲であり、領域ｄ２はＮ１≦Ｎ＜Ｎ２の範囲であり、領域ｄ３はＮ２≦Ｎ＜Ｎ３の範囲であり、領域ｄ４はＮ３≦Ｎの範囲である。ただし、Ｎ１＜Ｎ２＜Ｎ３である。
生成された地図情報Ｄｍは、表示部２０に表示され、あるいは、プリンタ３０によって印刷出力され、あるいは、ハードディスク装置やカード型記録媒体に記録される。
次に、図３を参照して回転翼機（ドローン）について説明する。
回転翼機４０は、無人飛行体を構成するものであって、機体４２と、複数のロータ４４と、駆動部４６と、カメラ４８と、ハイパースペクトルカメラ５０、測位部５２と、記録部５４、通信部５６と、制御部５８を含んで構成されている。
複数のロータ４４は回転翼を構成するものである。
駆動部４６は、複数のロータ４４を個別に駆動することにより回転翼機４０を飛行させるものである。
カメラ４８は、機体４２に設けられ、機体４２の周囲を撮影して画像情報を生成するものであり、制御部５８によって動作が制御される。
ハイパースペクトルカメラ５０は、機体４２に設けられ、対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を生成するものである。
回転翼機４０は、無人飛行体を構成するものであって、機体４２と、複数のロータ４４と、駆動部４６と、カメラ４８と、ハイパースペクトルカメラ５０、測位部５２と、記録部５４、通信部５６と、制御部５８を含んで構成されている。
複数のロータ４４は回転翼を構成するものである。
駆動部４６は、複数のロータ４４を個別に駆動することにより回転翼機４０を飛行させるものである。
カメラ４８は、機体４２に設けられ、機体４２の周囲を撮影して画像情報を生成するものであり、制御部５８によって動作が制御される。
ハイパースペクトルカメラ５０は、機体４２に設けられ、対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を生成するものである。
測位部５２は、ＧＰＳ衛星などの測位衛星から送信される測位信号を受信して、回転翼機４０の現在位置（例えば緯度経度および標高など）を特定し、現在位置を示す位置情報を生成するものである。
測位部５２で特定した回転翼機４０の現在位置は、回転翼機４０の飛行経路の制御等に用いてもよい。
記録部５４は、ハイパースペクトルカメラ５０で生成された相対反射率情報と測位部５２で生成された位置情報を関連付けて記録媒体５５に格納するものであり、記録媒体５５は例えば着脱可能なカード型の記録媒体で構成されている。
通信部５６は、機体４２に設けられ、通信部２６、リモートコントローラ６０、管理端末６２とそれぞれ無線回線を介して通信するものである。
通信部５６は、相対反射率情報と、測位部５２で生成された位置情報とを関連付けて通信部２６に送信する。
通信部５６は、作業員が所持するリモートコントローラ６０と通信を行ない、リモートコントローラ６０からの制御情報を受信する。
また、通信部５６は、カメラ４８で撮影された画像情報を管理端末６２に送信する。
管理端末６２は、リモートコントローラ６０を所持している作業員が所持するものであり、例えばパーソナルコンピュータやタブレット端末、スマートホン等である。
管理端末６２は、回転翼機４０の通信部５６と無線通信を行なう不図示の通信部を備え、回転翼機４０の制御部５８から送信される画像情報を受け付ける。
したがって、作業員が管理端末６２に表示される画像を視認しつつリモートコントローラ６０によって回転翼機４０を遠隔制御できるように図られている。
測位部５２で特定した回転翼機４０の現在位置は、回転翼機４０の飛行経路の制御等に用いてもよい。
記録部５４は、ハイパースペクトルカメラ５０で生成された相対反射率情報と測位部５２で生成された位置情報を関連付けて記録媒体５５に格納するものであり、記録媒体５５は例えば着脱可能なカード型の記録媒体で構成されている。
通信部５６は、機体４２に設けられ、通信部２６、リモートコントローラ６０、管理端末６２とそれぞれ無線回線を介して通信するものである。
通信部５６は、相対反射率情報と、測位部５２で生成された位置情報とを関連付けて通信部２６に送信する。
通信部５６は、作業員が所持するリモートコントローラ６０と通信を行ない、リモートコントローラ６０からの制御情報を受信する。
また、通信部５６は、カメラ４８で撮影された画像情報を管理端末６２に送信する。
管理端末６２は、リモートコントローラ６０を所持している作業員が所持するものであり、例えばパーソナルコンピュータやタブレット端末、スマートホン等である。
管理端末６２は、回転翼機４０の通信部５６と無線通信を行なう不図示の通信部を備え、回転翼機４０の制御部５８から送信される画像情報を受け付ける。
したがって、作業員が管理端末６２に表示される画像を視認しつつリモートコントローラ６０によって回転翼機４０を遠隔制御できるように図られている。
制御部５８は、ＣＰＵ、制御プログラムなどを格納・記憶するＲＯＭ、制御プログラムの作動領域としてのＲＡＭ、各種データを書き換え可能に保持するＥＥＰＲＯＭなどの記憶手段、周辺回路等とのインターフェースをとるインターフェースなどを含んで構成される。
制御部５８は、通信部５６で受信された制御情報に基いて駆動部４６を介して各ロータ４４を制御することにより機体４２の飛行動作を制御する。
また、制御部５８は、カメラ４８で撮影された画像情報を通信部５６を介して管理端末６２に送信する。
また、制御部５８は、ハイパースペクトルカメラ５０で検出された相対反射率情報と、測位部５２で生成された位置情報を受け付け、それら情報を関連付けて通信部５６を介して通信部２６に送信する。
また、制御部５８は、相対反射率情報と位置情報を受け付け、それら情報を関連付けて記録部５４から記憶媒体５５に記憶させる。
制御部５８は、通信部５６で受信された制御情報に基いて駆動部４６を介して各ロータ４４を制御することにより機体４２の飛行動作を制御する。
また、制御部５８は、カメラ４８で撮影された画像情報を通信部５６を介して管理端末６２に送信する。
また、制御部５８は、ハイパースペクトルカメラ５０で検出された相対反射率情報と、測位部５２で生成された位置情報を受け付け、それら情報を関連付けて通信部５６を介して通信部２６に送信する。
また、制御部５８は、相対反射率情報と位置情報を受け付け、それら情報を関連付けて記録部５４から記憶媒体５５に記憶させる。
次にトラフィカビリティ推定装置１０の動作について図１５のフローチャートを参照して説明する。
まず、作業員はリモートコントローラ６０、管理端末６２を用いて回転翼機４０を対象となる土地の上空に飛行させる（ステップＳ１０）。
回転翼機４０では、ハイパースペクトルカメラ５０により土地の地面の相対反射率情報が検出されると共に、測位部５２により位置情報を検出する（ステップＳ１２）。
制御部５８は、それら相対反射率情報と位置情報とを関連付けて記録部５４により記憶媒体５５に記憶させる（ステップＳ１４）。
また、制御部５８は、それら相対反射率情報と位置情報とを関連付けて通信部５６を介して通信部２６に送信させる（ステップＳ１６）。
作業員は、対象となる土地に対する検出動作が終了したか否かを、例えば、管理端末６２に表示される画像に基いて判断する（ステップＳ１８）。
対象となる土地に対する検出動作が終了していなければ、ステップＳ１２に戻りリモートコントローラ６０、管理端末６２を用いて回転翼機４０の遠隔操作を行ない土地の検出を継続して行なう。
対象となる土地に対する検出動作が終了したならば、作業員はリモートコントローラ６０、管理端末６２を用いて回転翼機４０を回収する（ステップＳ２０）。
なお、情報取得部３４は、通信部５６を介して互いに関連付けられた相対反射率情報および位置情報をリアルタイムに取得している。
あるいは、情報取得部３４は、回収した回転翼機４０から取り外された記録媒体５５がカードスロット２８に挿入されることで互いに関連付けられた相対反射率情報および位置情報を取得してもよい。
推定部３６は、情報取得部３４により取得された相対反射率情報に基いて土種類学習モデル３２Ａから土種類を特定し、特定された土種類に基いて含水量学習モデル３２Ｂから含水量を特定し、特定された土種類と特定された含水量とに基いてトラフィカビリティ学習モデル３２Ｃからトラフィカビリティ情報を推定する（ステップＳ２２）。
地図生成部３８は、推定されたトラフィカビリティ情報と取得された位置情報とを組み合わせた地図情報Ｄｍを生成する（ステップＳ２４）。
生成された地図情報Ｄｍは、図１４に示すように、表示部２０の画面に表示出力され、あるいは、プリンタ３０により印刷出力される（ステップＳ２６）。
以上でトラフィカビリティ推定装置１０の動作が終了する。
まず、作業員はリモートコントローラ６０、管理端末６２を用いて回転翼機４０を対象となる土地の上空に飛行させる（ステップＳ１０）。
回転翼機４０では、ハイパースペクトルカメラ５０により土地の地面の相対反射率情報が検出されると共に、測位部５２により位置情報を検出する（ステップＳ１２）。
制御部５８は、それら相対反射率情報と位置情報とを関連付けて記録部５４により記憶媒体５５に記憶させる（ステップＳ１４）。
また、制御部５８は、それら相対反射率情報と位置情報とを関連付けて通信部５６を介して通信部２６に送信させる（ステップＳ１６）。
作業員は、対象となる土地に対する検出動作が終了したか否かを、例えば、管理端末６２に表示される画像に基いて判断する（ステップＳ１８）。
対象となる土地に対する検出動作が終了していなければ、ステップＳ１２に戻りリモートコントローラ６０、管理端末６２を用いて回転翼機４０の遠隔操作を行ない土地の検出を継続して行なう。
対象となる土地に対する検出動作が終了したならば、作業員はリモートコントローラ６０、管理端末６２を用いて回転翼機４０を回収する（ステップＳ２０）。
なお、情報取得部３４は、通信部５６を介して互いに関連付けられた相対反射率情報および位置情報をリアルタイムに取得している。
あるいは、情報取得部３４は、回収した回転翼機４０から取り外された記録媒体５５がカードスロット２８に挿入されることで互いに関連付けられた相対反射率情報および位置情報を取得してもよい。
推定部３６は、情報取得部３４により取得された相対反射率情報に基いて土種類学習モデル３２Ａから土種類を特定し、特定された土種類に基いて含水量学習モデル３２Ｂから含水量を特定し、特定された土種類と特定された含水量とに基いてトラフィカビリティ学習モデル３２Ｃからトラフィカビリティ情報を推定する（ステップＳ２２）。
地図生成部３８は、推定されたトラフィカビリティ情報と取得された位置情報とを組み合わせた地図情報Ｄｍを生成する（ステップＳ２４）。
生成された地図情報Ｄｍは、図１４に示すように、表示部２０の画面に表示出力され、あるいは、プリンタ３０により印刷出力される（ステップＳ２６）。
以上でトラフィカビリティ推定装置１０の動作が終了する。
本実施の形態によれば、対象となる土地の地面の相対反射率情報に基いて土の種類および含水量を特定し、その特定結果に基いてトラフィカビリティ情報を推定するようにした。
したがって、対象となる土地の地面にコーン貫入試験機を運び込んでコーン値やＮ値を実測する必要がないため、例えば、土地にぬかるみがあったり、土地の地盤が不安定であったりして実測する作業が困難、あるいは、危険となるような場合であっても、土地のトラフィカビリティ情報を安全に確実に推定する上で有利となる。
そのため、作業車両（重機）を使用することができるか否かの判定を的確に行なう上で有利となる。
また、災害復旧現場の他、建物の基礎工事を行なう土地のトラフィカビリティ情報を得ることにより、土地の地面に打つ杭の本数をトラフィカビリティ情報に基いて適切に決定する上でも有利となる。
したがって、対象となる土地の地面にコーン貫入試験機を運び込んでコーン値やＮ値を実測する必要がないため、例えば、土地にぬかるみがあったり、土地の地盤が不安定であったりして実測する作業が困難、あるいは、危険となるような場合であっても、土地のトラフィカビリティ情報を安全に確実に推定する上で有利となる。
そのため、作業車両（重機）を使用することができるか否かの判定を的確に行なう上で有利となる。
また、災害復旧現場の他、建物の基礎工事を行なう土地のトラフィカビリティ情報を得ることにより、土地の地面に打つ杭の本数をトラフィカビリティ情報に基いて適切に決定する上でも有利となる。
また、本実施の形態によれば、対象となる土地の地面の相対反射率情報に基いて、土種類学習モデル３２Ａと、含水量学習モデル３２Ｂと、トラフィカビリティ学習モデル３２Ｃからトラフィカビリティ情報を推定するようにした。
したがって、それら学習モデル３２Ａ、３２Ｂ、３２Ｃを新たな測定結果に基いて更新することによりトラフィカビリティ情報の推定を精度良く行なう上で有利となる。
したがって、それら学習モデル３２Ａ、３２Ｂ、３２Ｃを新たな測定結果に基いて更新することによりトラフィカビリティ情報の推定を精度良く行なう上で有利となる。
また、本実施の形態によれば、推定されたトラフィカビリティ情報と取得された位置情報とを組み合わせた地図情報を生成するようにした。
したがって、地図情報に基いて、作業車両が走行可能な経路を事前に設定する上で有利となる。そのため、特に災害復旧現場のように迅速な作業が要求される場合に作業効率の向上を図る上で有利となる。
したがって、地図情報に基いて、作業車両が走行可能な経路を事前に設定する上で有利となる。そのため、特に災害復旧現場のように迅速な作業が要求される場合に作業効率の向上を図る上で有利となる。
また、本実施の形態によれば、回転翼機４０に搭載したハイパースペクトルカメラ５０と、測位部５２と、記録部５４を用いて相対反射率情報および位置情報を記録媒体に記憶させ、相対反射率情報および位置情報の取得を記録媒体を用いて行なうようにした。
したがって、対象となる土地から離れた場所において回転翼機４０を遠隔制御することで、土地の相対反射率情報および位置情報を取得することができるため、土地のトラフィカビリティ情報を安全に確実に推定する上でより有利となる。
したがって、対象となる土地から離れた場所において回転翼機４０を遠隔制御することで、土地の相対反射率情報および位置情報を取得することができるため、土地のトラフィカビリティ情報を安全に確実に推定する上でより有利となる。
また、本実施の形態によれば、回転翼機４０に搭載したハイパースペクトルカメラ５０と、測位部５２と、通信部５６を用いて相対反射率情報および位置情報の取得を無線回線を用いて行なうようにした。
したがって、対象となる土地から離れた場所において回転翼機４０を遠隔制御することで、土地の相対反射率情報および位置情報をリアルタイムに取得することができるため、土地のトラフィカビリティ情報を安全に確実にかつ早期に推定する上で有利となる。
したがって、対象となる土地から離れた場所において回転翼機４０を遠隔制御することで、土地の相対反射率情報および位置情報をリアルタイムに取得することができるため、土地のトラフィカビリティ情報を安全に確実にかつ早期に推定する上で有利となる。
１０ トラフィカビリティ推定装置
３２Ａ 土種類学習モデル
３２Ｂ 含水量学習モデル
３２Ｃ トラフィカビリティ学習モデル
３４ 情報取得部
３６ 推定部
３８ 地図生成部
４０ 回転翼機（無人飛行体）
５０ ハイパースペクトルカメラ
５２ 測位部
５４ 記録部
５５ 記録媒体
５６ 通信部
３２Ａ 土種類学習モデル
３２Ｂ 含水量学習モデル
３２Ｃ トラフィカビリティ学習モデル
３４ 情報取得部
３６ 推定部
３８ 地図生成部
４０ 回転翼機（無人飛行体）
５０ ハイパースペクトルカメラ
５２ 測位部
５４ 記録部
５５ 記録媒体
５６ 通信部
Claims (5)
- 対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を取得する情報取得部と、
前記相対反射率情報に基いて土壌の性質毎に種類分けされた土壌種別である土の種類および含水量を特定し、その特定結果に基いて前記地面のトラフィカビリティ情報を推定する推定部と、
土種類学習モデルと含水量学習モデルとトラフィカビリティ学習モデルとを記録したデータベースとを備え、
前記土種類学習モデルは、前記土の種類と前記土の相対反射率のパターンとの関係を規定するものであり、
前記含水量学習モデルは、前記土の種類と前記土の特定の波長における相対反射率と前記土の含水量との関係を規定するものであり、
前記トラフィカビリティ学習モデルは、前記土の種類と前記土の含水量と作業機械の走行に耐え得る前記地面の能力であるトラフィカビリティを示すトラフィカビリティ情報との関係を規定するものであり、
前記推定部は、前記相対反射率情報に基いて前記土種類学習モデルから前記土種類を特定し、前記特定された土種類に基いて前記含水量学習モデルから含水量を特定し、前記特定された土種類と前記特定された含水量とに基いて前記トラフィカビリティ学習モデルから前記トラフィカビリティ情報を推定する、
ことを特徴とするトラフィカビリティ推定装置。 - 前記情報取得部は、前記相対反射率情報を前記土地の位置情報と共に取得し、
前記推定されたトラフィカビリティ情報と前記取得された位置情報とを組み合わせた地図情報を生成する地図生成部をさらに備える、
ことを特徴とする請求項１記載のトラフィカビリティ推定装置。 - 前記土地を撮影して前記相対反射率情報を生成するハイパースペクトルカメラと、
測位衛星から測位信号を受信して前記位置情報を生成する測位部と、
前記相対反射率情報および前記位置情報を記録媒体に記録する記録部と、
前記ハイパースペクトルカメラおよび前記測位部と前記記録部とを搭載した無人飛行体とをさらに備え、
前記情報取得部による前記相対反射率情報および前記位置情報の取得は前記記録媒体を用いてなされる、
ことを特徴とする請求項２記載のトラフィカビリティ推定装置。 - 前記土地を撮影して前記相対反射率情報を生成するハイパースペクトルカメラと、
測位衛星から測位信号を受信して前記位置情報を生成する測位部と、
前記相対反射率情報および前記位置情報を無線回線を介して通信する通信部と、
前記ハイパースペクトルカメラおよび前記測位部と前記通信部とを搭載した無人飛行体とをさらに備え、
前記情報取得部による前記相対反射率情報および前記位置情報の取得は前記無線回線を用いてなされる、
ことを特徴とする請求項２記載のトラフィカビリティ推定装置。 - 情報処理装置において実行されるプログラムであって、
前記情報処理装置を、
対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を取得する情報取得部と、
前記相対反射率情報に基いて土壌の性質毎に種類分けされた土壌種別である土の種類および含水量を特定し、その特定結果に基いて前記地面のトラフィカビリティ情報を推定する推定部と、
土種類学習モデルと含水量学習モデルとトラフィカビリティ学習モデルとを記録したデータベースと、
して機能させ、
前記土種類学習モデルは、前記土の種類と前記土の相対反射率のパターンとの関係を規定するものであり、
前記含水量学習モデルは、前記土の種類と前記土の特定の波長における相対反射率と前記土の含水量との関係を規定するものであり、
前記トラフィカビリティ学習モデルは、前記土の種類と前記土の含水量と作業機械の走行に耐え得る前記地面の能力であるトラフィカビリティを示すトラフィカビリティ情報との関係を規定するものであり、
前記推定部は、前記相対反射率情報に基いて前記土種類学習モデルから前記土種類を特定し、前記特定された土種類に基いて前記含水量学習モデルから含水量を特定し、前記特定された土種類と前記特定された含水量とに基いて前記トラフィカビリティ学習モデルから前記トラフィカビリティ情報を推定する、
プログラム。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017048046 | 2017-03-14 | ||
| JP2017048046 | 2017-03-14 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018151388A JP2018151388A (ja) | 2018-09-27 |
| JP7075787B2 true JP7075787B2 (ja) | 2022-05-26 |
Family
ID=63679549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018044723A Active JP7075787B2 (ja) | 2017-03-14 | 2018-03-12 | トラフィカビリティ推定装置およびプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7075787B2 (ja) |
Families Citing this family (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
| US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
| US12069978B2 (en) | 2018-10-26 | 2024-08-27 | Deere & Company | Predictive environmental characteristic map generation and control system |
| US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
| US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
| US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
| US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
| US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
| US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
| US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
| US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
| US11778945B2 (en) | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
| US12035648B2 (en) | 2020-02-06 | 2024-07-16 | Deere & Company | Predictive weed map generation and control system |
| US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
| JP7529208B2 (ja) | 2020-06-11 | 2024-08-06 | 国立大学法人 東京大学 | 対象物推定方法及びコーン指数推定システム |
| JP7525844B2 (ja) | 2020-06-11 | 2024-07-31 | 国立大学法人 東京大学 | 含水比推定方法、コーン指数推定方法、コーン指数推定システム、車両及び無人航空機 |
| US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
| US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
| US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
| US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
| US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
| US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
| US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
| US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
| US12013245B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
| US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
| US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
| US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
| US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
| US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
| US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
| US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
| US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
| US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
| US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
| US12069986B2 (en) | 2020-10-09 | 2024-08-27 | Deere & Company | Map generation and control system |
| US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
| US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
| US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
| CN112632750B (zh) * | 2020-12-01 | 2023-09-26 | 北方信息控制研究院集团有限公司 | 虚拟战场环境不同要素相互耦合的仿真建模方法及系统 |
| US12082531B2 (en) | 2022-01-26 | 2024-09-10 | Deere & Company | Systems and methods for predicting material dynamics |
| US12058951B2 (en) | 2022-04-08 | 2024-08-13 | Deere & Company | Predictive nutrient map and control |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012150068A (ja) | 2011-01-21 | 2012-08-09 | Zukosha:Kk | 土壌乾湿予測方法及びその装置 |
| JP2015040851A (ja) | 2013-08-23 | 2015-03-02 | 富士通株式会社 | 情報処理プログラム、情報処理方法および情報処理装置 |
| JP2015105898A (ja) | 2013-11-30 | 2015-06-08 | 鹿島建設株式会社 | 地盤材料の表面水量管理方法及びシステム |
| US20160247075A1 (en) | 2015-02-20 | 2016-08-25 | Iteris, Inc. | Modeling of soil tilth and mechanical strength for field workability of cultivation activity from diagnosis and prediction of soil and weather conditions associated with user-provided feedback |
| JP2017015527A (ja) | 2015-06-30 | 2017-01-19 | 株式会社トプコン | 広域センサシステム、飛行検出方法およびプログラム |
-
2018
- 2018-03-12 JP JP2018044723A patent/JP7075787B2/ja active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012150068A (ja) | 2011-01-21 | 2012-08-09 | Zukosha:Kk | 土壌乾湿予測方法及びその装置 |
| JP2015040851A (ja) | 2013-08-23 | 2015-03-02 | 富士通株式会社 | 情報処理プログラム、情報処理方法および情報処理装置 |
| JP2015105898A (ja) | 2013-11-30 | 2015-06-08 | 鹿島建設株式会社 | 地盤材料の表面水量管理方法及びシステム |
| US20160247075A1 (en) | 2015-02-20 | 2016-08-25 | Iteris, Inc. | Modeling of soil tilth and mechanical strength for field workability of cultivation activity from diagnosis and prediction of soil and weather conditions associated with user-provided feedback |
| JP2017015527A (ja) | 2015-06-30 | 2017-01-19 | 株式会社トプコン | 広域センサシステム、飛行検出方法およびプログラム |
Non-Patent Citations (1)
| Title |
|---|
| WELLS, L. G. et al.，The response of various soil strength indices to changing water content and bulk density，TRANSACTIONS of the ASAE，1978年，Vol.21, No.5，pp.854-861 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2018151388A (ja) | 2018-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7075787B2 (ja) | トラフィカビリティ推定装置およびプログラム | |
| US11733042B2 (en) | Information processing apparatus, information processing method, program, and ground marker system | |
| CN109669401A (zh) | 无人飞行器辅助的工地数据获取 | |
| Lu et al. | Optimal spatial resolution of Unmanned Aerial Vehicle (UAV)-acquired imagery for species classification in a heterogeneous grassland ecosystem | |
| Cledat et al. | Mapping quality prediction for RTK/PPK-equipped micro-drones operating in complex natural environment | |
| CN108875620B (zh) | 入侵植物的监测方法及系统 | |
| US10534961B2 (en) | Method, device and permanent storage memory for detecting drilling and/or hydraulic fracturing of hydrocarbon wells | |
| JP7172400B2 (ja) | 地質評価システム、地質評価方法及び地質評価プログラム | |
| CN109813286A (zh) | 一种基于无人机的倒伏灾害遥感定损方法 | |
| Balenović et al. | Digital photogrammetry–State of the art and potential for application in forest management in Croatia | |
| Skarlatos et al. | Vegetation removal from UAV derived DSMS, using combination of RGB and NIR imagery | |
| Clark | Small unmanned aerial systems comparative analysis for the application to coastal erosion monitoring | |
| JP2018124198A (ja) | 受信機の適地判定方法、及び受信機の適地判定システム | |
| Howell et al. | Structure from motion techniques for estimating the volume of wood chips | |
| Aicardi et al. | Co-registration of multitemporal UAV image datasets for monitoring applications: A new approach | |
| Wolfe et al. | Hyperspectral analytics in envi target detection and spectral mapping methods | |
| CN104700428B (zh) | 一种位于无人机上的沙漠区域道路检测方法 | |
| JP6082162B2 (ja) | 画像生成システム及び画像生成方法 | |
| CN113412498A (zh) | 自动移动田地勘察传感器数据和图像分类设备 | |
| CN104715462A (zh) | 位于无人机上的沙漠区域道路检测平台 | |
| Hoffmann et al. | From UAS Data Acquisition to Actionable Information–How an End-to-End Solution Helps Oil Palm Plantation Operators to Perform a More Sustainable Plantation Management | |
| US10352769B2 (en) | Self-calibrating spectral models | |
| Torsvik et al. | Detection of macroplastic on beaches using drones and object-based image analysis | |
| KR102586175B1 (ko) | 딥러닝 기반 항공 영상 내 포트홀 탐지 결과 시각화 장치 및 그 방법 | |
| CN116229280B (zh) | 崩岗识别方法、装置、电子设备以及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210225 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211119 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211207 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220112 |
|
| 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: 20220510 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220516 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7075787 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |