6. 熱源機械室への適用結果
推定最適
スキャナ
設置位置
①
②
③
④
⑤
⑥
⑦
⑧ ⑨
⑩
b
a c d e
スキャン
回数
計測率
%
オペレータ
制約なしNBV
提案NBV
59.6%
88.0%
69.6%
フランジのモデル化誤差
提案NBV
制約なしNBV
オペレータ
モデル化誤差
評価対象フランジ
×
5
提案NBV : 3.64 mm
制約なしNBV : 9.31 mm
オペレータ : 6.98 mm
径
提案NBV : 1.32 mm
制約なしNBV : 6.39 mm
オペレータ : 2.94 mm
平均
平均
13.1mm
≈-
26.3mm
誤差
[mm]
誤差
[mm]
端面中心位置
≈
≈
17.3m
m
Z+F Imager5010C
計測品質要求を満たすセル計測率
Eisuke Wakisaka, Satoshi Kanai, Hiroaki Date, Model-based Next-best-view Planning of Terrestrial Laser
Scanner for HVAC Facility Renovation, Computer-Aided Design and Applications, 15(3), 353-366 (2018)
7. 計測点群の迅速・直感的確認
6
計測済み点群のAR表示
実環境を撮影しているカメラ画像上へのリアルタイム点群重畳表示
• カメラ画像と点群画像間のORBによる対応抽出とカメラ位置姿勢推定
• 重畳フレームレート:1.1FPS (Surface Pro 7)
• カメラ位置姿勢推定平均誤差:位置140㎜,姿勢1.0deg
Kenta Ohno, Hiroaki Date, Satoshi Kanai, Study on Real-Time Point Cloud Superimposition on Camera Image to
Assist Environmental Three-Dimensional Laser Scanning, Int. J. Automation Technol., 15(3), 324-333 (2021)
far
near
計測距離
high
low
点密度
large
small
レーザ入射角
未計測部
9. 環境・構造物計測点群のレジストレーションの一手法
8
計測対象に応じた単純な特徴抽出とサンプルコンセンサス/ハッシュを利用した方法
【前処理】
各点群からの特徴抽出
複数特徴から算出されるキーを用いた
複数特徴のハッシュ表生成
【位置合わせ処理】
I. サンプリング ソースから必要数の特徴を
ランダムにサンプル
II. キー計算 サンプルした複数特徴Fsから
ハッシュのキーを計算
III. マッチング Fsに対応する可能性のある複
数特徴Ftをターゲットハッシュ表から取得
IV. 位置合せ FsとFtを一致させる座標変換
(R, t)を求めてソースに仮適用
V. 妥当性計算 特徴/点群の重なり度合いを
座標変換(R, t)の妥当性cR,tとして計算
VI. 座標変換 妥当性cR,tが最大の座標変換を
ソースに適用
N-回反復
ソース
ターゲット
サンプリング
(lc, ld)
(l*, l*) (l*, l*)
マッチング
{R, t}
位置合せ
妥当性計算 cR,t = X cR,t = Y cR,t = Z
dmn
αmn
キー計算
特徴
ハッシュ
表
H. Date, Y. Matsuyama, and S. Kanai, Registration of Point Clouds of Large Scale Environments using Point Projection
Images, Proc. of the 15th International Conference on Precision Engineering, D31 (2014)
10. 平坦な床面や地面を有する環境
9
Taiki Sumi, Hiroaki Date, Satoshi Kanai, MULTIPLE TLS POINT CLOUD REGISTRATION BASED ON POINT PROJECTION IMAGES, ISPRS Technical
Commission II Symposium 2018/Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLII-2, 1083-1090 (2018)
一定高さの水平面スライス
断面における高曲率点
2点間の距離
【特徴】 【キー】
i
p
j
p
ij
l
ij ij
k l
=
断面点群の画像化とポリゴン近似法適用
処理時間: 8スキャン(8千万点)→14秒*
処理時間: 9スキャン(4500万点)→83秒*
(精密位置合せ含む)
【整合性】
FS2
S2
FS1
FS2
S2
S1
空間的不整合 空間非重複
× ×
* CPU:Intel Core i7 3970X
12. 橋 梁
11
Hiroaki Date, Takahito Yokoyama, Satoshi Kanai, Yoshiro Hada, Manabu Nakao, and Toshiya Sugawara, Efficient Registration of Laser-
Scanned Point Clouds of Bridges Using Linear Features, International Journal of Automation Technology, 12(3), 328-338 (2018)
処理時間
19スキャン(1.2億点)→52秒*
処理時間
8スキャン(1.7億点)→32秒*
平面領域境界・交差
部の直線分
非平行2線分の距離と
方向ベクトル間角度
【特徴】 【キー】
ij
θ
i
l
j
l
ij
d
i
d
j
d
i
d
j
d
( )
1 2
( , ) ,
ij ij
ij ij
k k d θ
=
* CPU:Intel Core i7 5960X
13. 市 街 地 ~スケール調整機能付き
12
Reiji Yoshimura, Hiroaki Date, Satoshi Kanai, Ryohei Honma, Kazuo Oda and Tatsuya Ikeda, Automatic registration of MLS point
clouds and SfM meshes of urban area, Geo-spatial Information Science, 19(3), 171-181 (2016)
Error[m]
0 1~
Vertical Edges of Buildings
Ground
plane
i
p
j
p
k
p
ij
l
jk
l
ijk
α
1 2
( , ) ,
ij
ijk ijk ijk
jk
l
k k
l
α
=
ビルの鉛直エッジと
地面平面との交点
3点で定義される2
線分の長さ比と角度
【特徴】 【キー】
SfM-MVSメッシュ
MMS点群
処理時間:50万三角形・3300万点→約60秒*
• MMS点群を用いたSfM-
MVSメッシュの幾何修正
* CPU:Intel Core i7 3970X
14. 精度向上の取り組み
13
H. Date, E. Wakisaka, Y. Moribe, and S. Kanai, TLS POINT CLOUD REGISTRATION BASED ON ICP ALGORITHM USING POINT QUALITY,
Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLII-2/W13, 963-968 (2019)
レーザ計測点群の各点の計測品質を考慮
計測距離と入射角に基づく各点の品質(誤差)評価
品質値重み付きICPアルゴリズムによる精密位置合わせ
q0
dc dm
DST
i
q
0
1
di
(a) Distance quality
τa
0
ANG
i
q
1
ai
(b) Angle quality
2 2
0
2 2
1 (1 )( ) / ( )
1 ( ) / ( ) ( )
0
i c c i c
DST
i i c m c c i m
q d d d d d
q d d d d d d d
otherwise
− − − <
= − − − ≤ <
1 cos / cos
( )
1 cos
0
a i
i a
ANG
a
i
a
a
q
otherwise
τ
τ
τ
−
<
−
=
①点の品質推定モデルの定義 ②点群の各点の品質推定
(a) Point clouds
(c) Angle quality (0 1)
ANG
i
q
(b) Distance quality
DST
i
q (0 1)
2
( , )
|| ( ) ||
ij j i
i j C
w
∈
− +
∑ q Rp t
③品質重み付きICP
min( , , , )
DST ANG DST ANG
ij i i j j
w q q q q
=
0
0.001
0.002
0.003
0.004
0.005
1-1
1-2
1-3
1-4
1-5
1-6
1-7
1-8
2-1
2-2
2-3
: Uniform weight
: quality-based weight
併進誤差
Point cloud pair ID
併進誤差: eT [m]
計測誤差
0
0.0002
0.0004
0.0006
0.0008
0.001
0.0012
1-1
1-2
1-3
1-4
1-5
1-6
1-7
1-8
2-1
2-2
2-3
計測誤差
回転誤差
Point cloud pair ID
回転誤差: eR
入射角
計測距離
16. プラント配管の高精度モデル化
15
精密レジストレーションとモデル化の同時処理による高精度な
円筒配管パラメータ推定
1. EfficientRANSAC [Schnabel 07]による配管点群認識とラフレジストレーション
2. スキャナ外部パラメータと円筒パラメータの精緻化
Ryota Moritani, Satoshi Kanai, Hiroaki Date, Masahiro Watanabe, Takahiro Nakano and Yuta Yamauchi,Cylinder-based Efficient and Robust Registration and
Model Fitting of Laser-scanned Point Clouds for As-built Modeling of Piping Systems,Computer-Aided Design & Applications,16(3),396-412 (2019)
2
{ , }
minimize ( ( )) ( ; , )
Reg Cyl
j k
i
Reg Cyl
jk jk j k
i N
w D i D i
∈
∑
x x
x x
スキャナ外部パラメータ
円筒パラメータ
[ , , , , , ]
Reg
j Sj Sj Sj j j j
X Y Z ω φ κ
=
x
[ , , , , ]
Cyl
k Ck Ck k k k
X Y r
= Ω Φ
x
残差
Re
( ; , )
g Cyl
jk j k
D i x x
( )
w x 重み
スキャナ 𝒋𝒋 円筒 𝒌𝒌
Σ0
Σ𝑗𝑗
𝐱𝐱𝑗𝑗
𝑅𝑅𝑅𝑅𝑅𝑅
Σ𝑘𝑘
点 𝑖𝑖
𝐱𝐱𝑘𝑘
𝐶𝐶𝐶𝐶𝐶𝐶
1. 2.
17. 適用結果
16
点群データ
環境:水処理プラント
スキャナ:FARO Focus3D
12スキャン,5.15憶点
円筒モデリング
モデル化された円筒本数 306本(誤検出数本)
処理時間 10分* (配管点数:1,600万,ラフ位置合せ後)
精度評価例:8円筒ペア軸間距離 (3m~6m)
レジストレーション
位置合せ後の平面間距離による精度検証
平均 平面ペア A 平面ペア B 平面ペア C
点群対 I 0.9 mm 1.1 mm 0.9 mm
点群対 II 0.7 mm 3.0 mm 0.9 mm
点群対 III 0.6 mm 0.9 mm 0.5 mm
制
御
盤
制
御
盤
制
御
盤
浄水
装置
選択平面
平均値 最大
絶対誤差 1.6 mm 4.0 mm
* CPU:Intel Core i7 5960X
18. 屋内環境のモデル化
17
規則性を考慮した天井・床・壁面のモデル化
天井面点群境界への直線フィットによる壁面推定
壁面の規則性(平行・直交・共平面・等間隔)を有するモデル生成
Hayato Takahashi, Hiroaki Date, Satoshi Kanai, Automatic Indoor Environment Modeling from Laser-scanned Point Clouds using Graph-based Regular
Arrangement Recognition, Proceedings of the 4th International Conference on Civil and Building Engineering Informatics, 368-375 (2019)
gb
gb
gc
gc
ge
ge = gb + gc
w2,6
w4,8
w3
w5
w7
w9
w1
w10
gb
gc
ci
b
j
b
e
l
b
計測箇所 実計測 3Dモデル 誤差
D1 4,847 4,851 4
D2 6,845 6,852 7
D3 6,939 6,944 5
D4 20,721 20,722 1
平行・直交
R1
R2
R3
R4
R5
R3R4
R6
R6
R7
R8
gb
gb
gc
gc
ge
ge
ge
ge
ci cj
n1
n2
e
l
b
e
k
b
e
j
b
e
i
b
c
i
b
c
j
b
b
i
b
b
j
b
グラフを用いた規則性
表現の例 (共平面・等間隔)
大学の研究室
検出された規則性
3Dモデル
TLS
点群
共平面
等間隔
A
A
各種寸法と誤差 (単位:[mm])
𝑤𝑤1
𝑤𝑤2
𝑤𝑤3
𝑤𝑤4 𝑤𝑤5
𝑤𝑤6
𝑤𝑤7
𝑤𝑤8
𝑤𝑤9
𝑤𝑤10
19. 屋内環境のモデル化 ~ 付属設備の認識
18
壁面・天井面付属設備の認識
窓・照明器具:レーザで測りにくい
⇒ 基本面上のフットプリントの利用
フットプリント:点密度と遮蔽の影響大
⇒ 遮蔽影響と点間隔を考慮した点群処理
H. Takahashi, H. Date, S. Kanai, K. Yasutake, DETECTION OF INDOOR ATTACHED EQUIPMENT FROM TLS POINT CLOUDS USING PLANAR REGION
BOUNDARY, ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLIII-B2-2020, 495-500 (2020)
Input 1 : Point cloud
Output : Positions of
the target equipment
- Occlusion boundary
point detection
- Point cloud structuring
- Region growing
- Point interval-adaptive
RANSAC
- Weighted voting
1. Planar region and
boundary point extraction
2. Footprint boundary
point extraction
3. Attached equipment
detection
Input 2 : Target
equipment info.
・Region boundary
points
・Footprint boundary
points
r
circle
rectangle
h
w
65/72 3/3
照明器具 火災報知器
検出数
照明器具
基本面境界点
設備 遮蔽
遮蔽境界点 設備FP点
− =
x
y
z
スキャナ
設備
y
z
x