JP7403108B2 - 建屋内構造物認識システム及び建屋内構造物認識方法 - Google Patents
建屋内構造物認識システム及び建屋内構造物認識方法 Download PDFInfo
- Publication number
- JP7403108B2 JP7403108B2 JP2021176660A JP2021176660A JP7403108B2 JP 7403108 B2 JP7403108 B2 JP 7403108B2 JP 2021176660 A JP2021176660 A JP 2021176660A JP 2021176660 A JP2021176660 A JP 2021176660A JP 7403108 B2 JP7403108 B2 JP 7403108B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- building
- machine learning
- data
- 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
- 238000000034 method Methods 0.000 title claims description 30
- 238000010801 machine learning Methods 0.000 claims description 131
- 238000012545 processing Methods 0.000 claims description 54
- 238000009877 rendering Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000002787 reinforcement Effects 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 description 40
- 238000010586 diagram Methods 0.000 description 34
- 238000003384 imaging method Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Description
また、建築現場で管理するべき部材の量を減らすことが出来、これに伴い、建築現場の部材管理システムがハンドルするデータ量を大幅に減らすことが出来る。
本発明の他の目的、特徴および利点は添付図面に関する以下の本発明の実施例の記載から明らかになるであろう。
本発明による建屋内構造物認識システム1は、BIM(Building Information Modeling)データから生成された正解画像を正解データとし、BIMデータをレンダリングすることにより生成された仮想観測画像を観測データとして機械学習を行うことにより、機械学習モデルを生成する機械学習モデル生成装置10と、機械学習モデル生成装置で生成した機械学習モデルを用いて、建屋内の構造物を認識する建屋内構造物認識装置20とを備える。
機械学習モデル生成装置10は、建屋内の構造物を認識するための機械学習モデルを生成する。機械学習モデル生成装置10は、BIM(Building Information Modeling)データから正解画像を生成する正解画像生成部101と、BIMデータをレンダリングし、仮想観測画像を生成する仮想観測画像生成部102と、正解画像生成部で生成された正解画像を正解データとし、仮想観測画像を観測データとして機械学習を行い、機械学習モデルを生成する機械学習モデル生成部103とを備える。
図3に示すように、本発明の第1の態様においては、機械学習モデル生成装置10は、機械学習モデルを生成する際に、入力データの一部として用いられる強化画像を生成する強化用画像生成部104を更に備えるようにしてもよい。強化用画像生成部104以外の部分については、図2において説明したものと同一である。
図4に示すように、本発明の第2の態様においては、機械学習モデル生成装置10は、仮想観測画像生成部102で生成された仮想観測画像に対して現実の画像に近づけるための画像処理を行い、強調仮想観測画像を生成する仮想観測画像処理部105を更に備えるようにしてもよい。仮想観測画像処理部105以外の部分については、図3において説明したものと同一である。
図5に示すように、本発明の第3の態様においては、仮想観測画像処理部105は、強調仮想観測画像に対して構造物のテクスチャを追加し、テクスチャ追加画像を生成するようにしてもよい。テクスチャの追加以外の部分については、図4において説明したものと同一である。
建屋内構造物認識装置20は、建屋内の構造物を認識するための機械学習済モデルを用いて、建屋内の構造物を認識する。建屋内構造物認識装置20は、機械学習済モデルに対し、入力データとして現実の建屋内の画像が入力されると、画像内の構造物の認識を行い、出力データとして画像内の構造物の領域を示す認識結果画像を出力する認識部201を備える。
図6Bの態様においては、認識部201は、現実の建屋内の画像に加えて、更に構造物の領域を示す構造物選択画像を入力データとして画像内の構造物の認識を行う。それ以外の部分については、図6Aで説明したものと同一である。
図6Cの例では、認識部201は、現実の建屋内の画像内に含まれるテキストを除去し、テキスト除去後の画像を入力データとして前記画像内の構造物の認識を行う。図6Cの例では、テキスト除去部202により、パイプに記載されたテキスト(文字)が除去され、テキスト除去後画像が入力データとして用いられている。また、テキスト除去後画像に加えて、図6Bで説明したものと同様の構造物選択画像も入力データとして用いてもよい。
検証部203は、機械学習済モデルの検証を行う。検証部203は、認証結果画像とユーザ指定画像とを比較することにより、機械学習済モデルの検証を行う。図7Aでは、例として、建設途中の建屋内に配置されたパイプの認識を行った結果としての認識結果画像と、建設途中の建屋内の同じ位置における現実の画像に対してユーザがパイプの領域を指定した画像であるユーザ指定画像とが比較されている。
図7Bの例では、テキストを含むパイプに対して認識を行った結果としての認識結果画像と、建設途中の建屋内の同じ位置における現実の画像に対してユーザがパイプの領域を指定した画像であるユーザ指定画像とが比較されている。
本発明による建屋内構造物認識方法は、BIM(Building Information Modeling)データから生成された正解画像を正解データとし、BIMデータをレンダリングすることにより生成された仮想観測画像を観測データとして機械学習を行い、機械学習モデルを生成するステップ(具体的には図8~11の機械学習モデルを生成するための各ステップ)と、機械学習モデルを用いて、建屋内の構造物を認識するステップ(具体的には図12~13の構造物を認識するための各ステップ)とを備える。
まず、ステップS801にて、BIMデータから仮想観測画像及び正解画像が生成される。仮想観測画像は、BIMデータをレンダリングしたものであり、正解画像は、BIMデータを元に生成された構造物を示すマスク領域を有するマスク画像である。次に、ステップS801で生成された仮想観測画像を観測データとし、正解画像を正解データとして、機械学習モデルが生成される(ステップS802)。
本発明の第1の態様においては、図8のステップS801と同様に、まず、ステップS901にて、BIMデータから仮想観測画像及び正解画像が生成される。図8の場合と異なる点は、BIMデータから仮想観測画像及び正解画像を生成するステップS901において生成された正解画像に対して、特徴線の抽出を行うことにより、強化画像の生成を行うステップ(ステップS902)が追加される点である。第1の態様においては、ステップS901で生成された仮想観測画像を観測データとし、ステップS902で生成された強化画像を正解データとして、機械学習モデルが生成される(ステップS903)。
本発明の第2の態様においては、図9のステップ901と同様に、まず、ステップS1001にて、BIMデータから仮想観測画像及び正解画像が生成される。また、図9のステップS902と同様に、BIMデータから仮想観測画像及び正解画像を生成するステップS1001において生成された正解画像に対して、特徴線の抽出を行うことにより、強化画像の生成を行う(ステップS1002)。図9の場合と異なる点は、ステップS1001にて生成された仮想観測画像に対して画像処理を行い、強調仮想観測画像を生成するステップ(ステップS1003)が追加される点である。ステップS1003では、仮想観測画像に対して、現実の画像の情報に基づいて、現実の画像に近づくような画像処理が行われる。例えば、画像処理として、スペクトル周波数のフィルタリング、光源の追加、照明光の追加、又は影の追加のうちの少なくとも1つ以上を行うようにしてもよい。第2の態様においては、ステップS1003で生成された強調仮想観測画像を観測データとし、ステップS1002で生成された強化画像を正解データとして、機械学習モデルが生成される(ステップS1004)。
本発明の第3の態様においては、図10のステップS1001と同様に、まず、ステップS1101にて、BIMデータから仮想観測画像及び正解画像が生成される。また、図10のステップS1002と同様に、BIMデータから仮想観測画像及び正解画像を生成するステップS1101において生成された正解画像に対して、特徴線の抽出を行うことにより、強化画像の生成を行う(ステップS1102)。また、図10のステップS1003と同様に、ステップS1101にて生成された仮想観測画像に対して画像処理を行い、強調仮想観測画像を生成する(ステップS1103)。図10の場合と異なる点は、ステップS1103にて生成された強調仮想観測画像に対して、テクスチャ画像を追加するステップ(S1104)が追加される点である。第3の態様においては、ステップS1104で生成されたテクスチャ追加画像を観測データとし、ステップS1102で生成された強化画像を正解データとして、機械学習モデルが生成される(ステップS1105)。
まず、ステップS1201にて、現場写真等の現実の画像から強化画像が生成される。次に、生成された強化画像に対して、ステップS1202にて、強化画像の調整を行う。強化画像の調整は、例えば、認識すべき構造物がパイプの場合、パイプの特徴線(例えば、中心線やエッジ等)の検出結果に対し、必要に応じて、長さや傾き等を再調整する処理である。次に、現実の画像、ステップS1201で生成された強化画像、及びステップS1202で調整された強化画像を入力データとして、機械学習済のモデルを用いて、建屋内の構造物を認識する構造物認識処理が行われる(ステップS1203)。ステップS1203で得られた構造物認識結果はそのまま出力データとしてもよいが、さらにステップS1204にて、構造物認識結果に対して、選択及び平均化を行うようにしてもよい。選択及び平均化は、例えば、認識すべき構造物がパイプの場合、パイプを画像化する際に、パイプを検出した位置を上下左右にシフトしてこれらの位置の平均を取って画像化する処理である。
図13の例は、建屋内の構造物にテキストが記載されている場合の処理である。建屋内の構造物にテキストが記載されている場合には、構造物の認識処理に先立って、テキストの除去が行われる。まず、ステップS1301にて、現場写真等の現実の画像に対して、OCRによる文字認識が行われ、画像内のテキスト領域が検出される。次に、ステップS1301で検出されたテキスト領域に対応するピクセルの検出が行われる(ステップS1302)。次に、ステップS1302にて検出されたピクセルの除去及び画像復元が行われる(ステップS1303)。ここで、画像復元とは、例えば、除去されたピクセルをそのピクセルの周囲の色やテクスチャで埋めることによりテキストの裏に隠れた構造物の部分を再現することである。これにより、テキストが除去された画像が得られる。
建屋内構造物管理システム50は、建屋内の構造物を認識するための機械学習済モデルを用いて認識された建屋内の構造物を管理する。建屋内構造物管理システム50は、建屋内構造物認識装置20において認識された構造物のデータ又は構造物の部材のデータを記憶するデータベース501を備える。データベース501に記憶された構造物のデータ又は構造物の部材のデータは、ユーザ端末40に送信されるようにしてもよい。建屋内構造物管理システム50によれば、建屋内構造物認識装置20で認識された建屋内の構造物のデータ又は構造物の部材のデータ等の注目すべき部材のデータや必要なデータのみを記憶し管理することにより、データ量の増加や管理のコストを低減し、これらの必要なデータのみを利用することにより、計測や処理の速度を向上させることができる。
上記記載は実施例についてなされたが、本発明はそれに限らず、本発明の原理と添付の請求の範囲の範囲内で種々の変更および修正をすることができることは当業者に明らかである。
10 機械学習モデル生成装置
20 建屋内構造物認識装置
30 撮像装置
40 ユーザ端末
50 建屋内構造物管理システム
101 正解画像生成部
102 仮想観測画像生成部
103 機械学習モデル生成部
104 強化用画像生成部
105 仮想観測画像処理部
201 認識部
202 テキスト除去部
203 検証部
501 データベース
Claims (14)
- 建屋内の構造物を認識するための機械学習モデルを生成する機械学習モデル生成装置であって、
BIM(Building Information Modeling)データから正解画像を生成する正解画像生成部と、
前記BIMデータをレンダリングし、仮想観測画像を生成する仮想観測画像生成部と、
前記正解画像生成部で生成された前記正解画像を正解データとし、前記仮想観測画像を観測データとして機械学習を行い、機械学習モデルを生成する機械学習モデル生成部と、
前記機械学習モデルを生成する際に、入力データの一部として用いられる強化画像を生成する強化用画像生成部と、
を備え、
前記正解画像は、構造物を示すマスク領域を有するマスク画像であり、前記強化画像は、前記正解画像の前記マスク領域の特徴線を抽出したスケルトン画像であることを特徴とする、機械学習モデル生成装置。 - 前記仮想観測画像生成部で生成された前記仮想観測画像に対して現実の画像に近づけるための画像処理を行い、強調仮想観測画像を生成する仮想観測画像処理部を更に備えることを特徴とする、請求項1に記載の機械学習モデル生成装置。
- 前記仮想観測画像処理部による前記画像処理は、スペクトル周波数のフィルタリング、光源の追加、照明光の追加、又は影の追加のうちの少なくとも1つ以上を含むことを特徴とする、請求項2に記載の機械学習モデル生成装置。
- 前記仮想観測画像処理部は、前記強調仮想観測画像に対して前記構造物のテクスチャを追加し、テクスチャ追加画像を生成することを特徴とする、請求項2又は3に記載の機械学習モデル生成装置。
- 前記機械学習モデル生成部は、ニューラルネットワークによる深層学習により、前記機械学習モデルを生成することを特徴とする、請求項1~4のいずれか一項に記載の機械学習モデル生成装置。
- 建屋内の構造物を認識するための機械学習済モデルを用いて、建屋内の構造物を認識する建屋内構造物認識装置であって、
前記機械学習済モデルに対し、入力データとして現実の建屋内の画像が入力されると、画像内の構造物の認識を行い、出力データとして画像内の構造物の領域を示す認識結果画像を出力する認識部を備え、
前記機械学習済モデルは、BIM(Building Information Modeling)データから生成された正解画像を正解データとし、前記BIMデータをレンダリングすることにより生成された仮想観測画像を観測データとして機械学習を行うことにより生成されたものであり、
前記機械学習済モデルを生成する際に、強化画像が入力データの一部として用いられ、前記正解画像は、構造物を示すマスク領域を有するマスク画像であり、前記強化画像は、前記正解画像の前記マスク領域の特徴線を抽出したスケルトン画像であることを特徴とする、建屋内構造物認識装置。 - 前記認識部は、前記現実の建屋内の画像に加えて、更に構造物の領域を示す構造物選択画像を入力データとして前記画像内の構造物の認識を行うことを特徴とする、請求項6に記載の建屋内構造物認識装置。
- 前記認識部は、前記現実の建屋内の画像内に含まれるテキストを除去し、テキスト除去後の画像を入力データとして前記画像内の構造物の認識を行うことを特徴とする、請求項6又は7に記載の建屋内構造物認識装置。
- 前記機械学習済モデルは、ニューラルネットワークによる深層学習により生成されたものであることを特徴とする、請求項6~8のいずれか一項に記載の建屋内構造物認識装置。
- 機械学習モデルを用いて建屋内の構造物を認識するための建屋内構造物認識システムであって、
BIM(Building Information Modeling)データから生成された正解画像を正解データとし、前記BIMデータをレンダリングすることにより生成された仮想観測画像を観測データとして機械学習を行うことにより、機械学習モデルを生成する機械学習モデル生成装置と、
前記機械学習モデル生成装置で生成した前記機械学習モデルを用いて、建屋内の構造物を認識する建屋内構造物認識装置と、
を備え、
前記機械学習モデルを生成する際に、強化画像が入力データの一部として用いられ、前記正解画像は、構造物を示すマスク領域を有するマスク画像であり、前記強化画像は、前記正解画像の前記マスク領域の特徴線を抽出したスケルトン画像であることを特徴とする、建屋内構造物認識システム。 - 建屋内の構造物を認識するための機械学習済モデルを用いて認識された建屋内の構造物を管理する建屋内構造物管理システムであって、
請求項6~9のいずれか一項に記載の前記建屋内構造物認識装置において認識された前記構造物のデータ又は前記構造物の部材のデータを記憶するデータベースを備えることを特徴とする、建屋内構造物管理システム。 - 機械学習モデルを用いて建屋内の構造物を認識するための建屋内構造物認識システムであって、
請求項1~5のいずれか一項に記載の機械学習モデル生成装置と、
請求項6~9のいずれか一項に記載の建屋内構造物認識装置と、
を備えることを特徴とする、建屋内構造物認識システム。 - 建屋内構造物認識方法であって、
BIM(Building Information Modeling)データから生成された正解画像を正解データとし、前記BIMデータをレンダリングすることにより生成された仮想観測画像を観測データとして機械学習を行い、機械学習モデルを生成するステップと、
前記機械学習モデルを用いて、建屋内の構造物を認識するステップと、
を備え、
前記機械学習モデルを生成する際に、強化画像が入力データの一部として用いられ、前記正解画像は、構造物を示すマスク領域を有するマスク画像であり、前記強化画像は、前記正解画像の前記マスク領域の特徴線を抽出したスケルトン画像であることを特徴とする、建屋内構造物認識方法。 - コンピュータに、請求項13に記載の方法の各ステップを実行させることを特徴とするプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021176660A JP7403108B2 (ja) | 2021-10-28 | 2021-10-28 | 建屋内構造物認識システム及び建屋内構造物認識方法 |
PCT/JP2022/033305 WO2023074124A1 (ja) | 2021-10-28 | 2022-09-05 | 建屋内構造物認識システム及び建屋内構造物認識方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021176660A JP7403108B2 (ja) | 2021-10-28 | 2021-10-28 | 建屋内構造物認識システム及び建屋内構造物認識方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023066126A JP2023066126A (ja) | 2023-05-15 |
JP7403108B2 true JP7403108B2 (ja) | 2023-12-22 |
Family
ID=86157775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021176660A Active JP7403108B2 (ja) | 2021-10-28 | 2021-10-28 | 建屋内構造物認識システム及び建屋内構造物認識方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7403108B2 (ja) |
WO (1) | WO2023074124A1 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003179637A (ja) | 2001-09-27 | 2003-06-27 | Sony Corp | 通信装置および方法、並びにプログラム |
JP2012217631A (ja) | 2011-04-08 | 2012-11-12 | Hitachi Medical Corp | 医用画像処理装置及び医用画像診断装置 |
JP2020021326A (ja) | 2018-08-01 | 2020-02-06 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 情報処理方法、情報処理装置およびプログラム |
JP2020112900A (ja) | 2019-01-09 | 2020-07-27 | 裕樹 有光 | 人体に基づくデプス画像と組成値とを対応付ける装置 |
JP2021131652A (ja) | 2020-02-19 | 2021-09-09 | 株式会社トプコン | データ構造、記録媒体、プログラム、及びシステム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6607490B2 (ja) * | 2015-10-26 | 2019-11-20 | シャープ株式会社 | 変換処理装置、それを備えた情報処理装置、プログラム、及び記録媒体 |
JP7017462B2 (ja) * | 2018-04-26 | 2022-02-08 | 株式会社神戸製鋼所 | 学習画像生成装置及び学習画像生成方法、並びに画像認識装置及び画像認識方法 |
JP7375405B2 (ja) * | 2019-09-19 | 2023-11-08 | 株式会社大林組 | 学習支援システム、学習支援方法及び学習支援プログラム |
JP7288870B2 (ja) * | 2020-02-05 | 2023-06-08 | 株式会社日立製作所 | 画像を生成するシステム |
JP2021140445A (ja) * | 2020-03-05 | 2021-09-16 | 株式会社トプコン | 情報処理装置、推論モデル構築方法、情報処理方法、推論モデル、プログラム、及び記録媒体 |
-
2021
- 2021-10-28 JP JP2021176660A patent/JP7403108B2/ja active Active
-
2022
- 2022-09-05 WO PCT/JP2022/033305 patent/WO2023074124A1/ja unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003179637A (ja) | 2001-09-27 | 2003-06-27 | Sony Corp | 通信装置および方法、並びにプログラム |
JP2012217631A (ja) | 2011-04-08 | 2012-11-12 | Hitachi Medical Corp | 医用画像処理装置及び医用画像診断装置 |
JP2020021326A (ja) | 2018-08-01 | 2020-02-06 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 情報処理方法、情報処理装置およびプログラム |
JP2020112900A (ja) | 2019-01-09 | 2020-07-27 | 裕樹 有光 | 人体に基づくデプス画像と組成値とを対応付ける装置 |
JP2021131652A (ja) | 2020-02-19 | 2021-09-09 | 株式会社トプコン | データ構造、記録媒体、プログラム、及びシステム |
Also Published As
Publication number | Publication date |
---|---|
WO2023074124A1 (ja) | 2023-05-04 |
JP2023066126A (ja) | 2023-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210209843A1 (en) | Systems and Methods for Rapid Three-Dimensional Modeling with Real Facade Texture | |
US9208607B2 (en) | Apparatus and method of producing 3D model | |
JP5094663B2 (ja) | 位置姿勢推定用モデル生成装置、位置姿勢算出装置、画像処理装置及びそれらの方法 | |
Verhoeven | Taking computer vision aloft–archaeological three‐dimensional reconstructions from aerial photographs with photoscan | |
Arayici | An approach for real world data modelling with the 3D terrestrial laser scanner for built environment | |
US4970666A (en) | Computerized video imaging system for creating a realistic depiction of a simulated object in an actual environment | |
CN105264566A (zh) | 建模装置、三维模型生成装置、建模方法、程序和布局模拟器 | |
Budroni et al. | Automatic 3D modelling of indoor manhattan-world scenes from laser data | |
CN104952111A (zh) | 采用便携式相机获得三维脸部模型的方法和装置 | |
JP4153761B2 (ja) | 3次元モデル空間生成装置、3次元モデル空間生成方法、及び3次元モデル空間生成プログラム | |
Seers et al. | Extraction of three-dimensional fracture trace maps from calibrated image sequences | |
KR101875047B1 (ko) | 사진측량을 이용한 3d 모델링 시스템 및 방법 | |
Bolkas et al. | Creating a virtual reality environment with a fusion of sUAS and TLS point-clouds | |
US20220375152A1 (en) | Method for Efficiently Computing and Specifying Level Sets for Use in Computer Simulations, Computer Graphics and Other Purposes | |
CN114842139A (zh) | 一种基于空间分析的建筑三维数字化模型构建方法 | |
Rüther et al. | Challenges in heritage documentation with terrestrial laser scanning | |
JP7403108B2 (ja) | 建屋内構造物認識システム及び建屋内構造物認識方法 | |
JP7344620B1 (ja) | 建屋内構造物認識システム及び建屋内構造物認識方法 | |
Rubinowicz | Application of Available Digital Resources for City Visualisation and Urban Analysis | |
Karnicki | Photogrammetric reconstruction software as a cost-efficient support tool in conservation research | |
CN104680520A (zh) | 一种现场三维信息勘验方法及系统 | |
Morita et al. | New Photogrammetric Systems for Easy low-Cost 3D Digitization of Cultural Heritage | |
Gore et al. | Photo-modeling for construction site space planning | |
Batakanwa et al. | The use of video camera to create metric 3D model of engineering objects | |
JP7390743B2 (ja) | 物体測定装置及び物体測定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220713 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230629 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230809 |
|
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: 20231102 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231201 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7403108 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |