Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
高橋 弘毅*; 加藤 徹*; 山下 圏*; 土井 章男*; 今渕 貴志
Artificial Life and Robotics, 13 Pages, 2026/00
To create accurate 3D models from video footage, it is essential to use high-quality videos without floating objects that could interfere with the process. In this study, we applied the Segment Anything Model (SAM) and Generative Image Inpainting to enhance the quality of video frames by detecting and removing floating objects on a frame-by-frame basis. The results demonstrated the effectiveness of this approach in detecting and eliminating such objects, contributing to the improvement of video quality.
加藤 徹*; 高橋 弘毅*; 山下 圏*; 土井 章男*; 今渕 貴志
Artificial Life and Robotics, 30(1), p.126 - 135, 2025/02
We have developed a point cloud processing system within the Unreal Engine to analyze changes in large time-series point cloud data collected by laser scanners and extract structured information. Currently, human interaction is required to create CAD data associating with the time-series point cloud data. The Unreal Engine, known for its 3D visualization capabilities, was chosen due to its suitability for data visualization and automation. Our system features a user interface that automates update procedures with a single button press, allowing for efficient evaluation of the interface's effectiveness. The system effectively visualizes structural changes by extracting differences between pre- and post-change data, recognizing shape variations, and meshing the data. Difference extraction involves isolating only the added or deleted point clouds between the two datasets using the K-D tree method. Subsequent shape recognition utilizes pre-prepared training data associated with pipes and tanks, improving accuracy through classification into nine types and leveraging PointNet++ for deep learning recognition. Meshing of the shape-recognized point clouds, particularly those to be added, employs the Ball Pivoting Algorithm (BPA), which was proven effective. Finally, the updated structural data is visualized by color-coding added and removed data in red and blue, respectively, within the Unreal Engine. Despite increased processing time with a higher number of point cloud data, down sampling prior to difference extraction signific reduces the automatic update time, enhancing overall efficiency.
町田 昌彦; 山田 進; Kim, M.; 田中 伶詞*; 飛田 康弘*; 岩田 亜矢子*; 青木 勇斗; 青木 和久; 柳澤 憲一*; 山口 隆司; et al.
RIST News, (70), p.3 - 22, 2024/09
福島第一原子力発電所(1F)建屋内には、原子炉内から漏洩した放射性物質の汚染により高い放射線量を示す地点が多数存在し、廃炉作業を円滑に進める上での大きな障害となっている。日本原子力研究開発機構(JAEA)は、この課題解決に貢献するため、経済産業省の廃炉・汚染水対策事業費補助金「原子炉建屋内の環境改善のための技術開発(被ばく低減のための環境・線源分布のデジタル化技術の高機能化開発)」を受託し、令和(R)5年度4月より、廃炉屋内の放射線環境改善に係るデジタル技術の研究開発事業を進めている。本事業では、前期事業(R3
4年度実施)にて開発した3 D-ADRES-Indoor(プロトタイプ)を発展させ、現場で活用可能な高速デジタルツイン技術より成るFrontEnd、1F新事務本館等の居室で詳細解析を行うPro、そして、収集したデータ及び解析したデータを集中管理するデータベースの役割を果たすBackEndの3つの連携システムの開発を目標としている。本報告では、この3つの連携システムの中でも現場で活用するシステムとして、点群測定後、迅速に3Dメッシュモデルを作成し、線量率の計測結果から線源を逆推定し、その推定線源の位置や強度を更に高精度化する計算技術(再観測指示と再逆推定)を有するFrontEndを中心に、その開発状況について報告し、その検証結果として5号機での試験結果を示す。また、簡単に当該事業の今後の研究開発の計画も報告する。
高橋 弘毅*; 加藤 徹*; 山下 圏*; 土井 章男*; 今渕 貴志
Proceedings of 29th International Symposium on Artificial Life and Robotics (AROB 29th 2024) (Internet), p.1093 - 1096, 2024/01
When performing shape recognition using machine learning from point cloud data, data expansion can be expected to improve accuracy. In this research, we developed a virtual 3D scanner, VCC (Virtual Cloud Creator), that automatically generates data with a distribution close to actual measurement from large-scale point clouds. VCC can generate labeled point cloud data with an appropriate point cloud density from any viewpoint using 3D measured point cloud data and CAD data created from the point cloud data. It was confirmed that shape recognition accuracy was improved by using the augmented data generated by VCC for learning.
加藤 徹*; 高橋 弘毅*; 山下 圏*; 土井 章男*; 今渕 貴志
Proceedings of 29th International Symposium on Artificial Life and Robotics (AROB 29th 2024) (Internet), p.1097 - 1100, 2024/01
We have researched and developed a point cloud processing system on the Unreal Engine that recognizes changes between large time-series point cloud data measured by a laser scanner and performs structured data extraction. When associating time-series point cloud data with structural information (pipes, tanks, etc.) of each point cloud, CAD data (structural data) is currently created interactively by humans. Unreal Engine is a game engine that excels in visualization of 3D information and is suitable for checking updated data and automating procedures. We developed a user interface that automatically performs a series of update procedures at the touch of a button, and evaluated the effectiveness of the interface.
高橋 弘毅*; 加藤 徹*; 山下 圏*; 土井 章男*; 今渕 貴志
no journal, ,
To create accurate 3D models from video footage, it is essential to use high-quality videos without floating objects that could interfere with the process. In this study, we applied the Segment Anything Model (SAM) and Generative Image Inpainting to enhance the quality of video frames by detecting and removing floating objects on a frame-by-frame basis. The results demonstrated the effectiveness of this approach in detecting and eliminating such objects, contributing to the improvement of video quality.
土井 章男*; 山下 圏*; 高橋 弘毅*; 加藤 徹*; 今渕 貴志
no journal, ,
We propose a system to build a digital twin that is resistant to time-series shape changes. We then implemented a prototype system and confirmed that the original CAD model could be automatically updated. We also verified its effectiveness using test data for a large-scale facility.
山下 圏*; 高橋 弘毅*; 加藤 徹*; 土井 章男*; 今渕 貴志
no journal, ,
In decommissioning work, workers need to know and share the parts located in the building in order to work quickly and smoothly, but this is difficult because their arrangement and types change from moment to moment as the work progresses. In this study, the current positions of the building components are estimated by aligning the difference point clouds extracted from the building point cloud data measured at two different times and the CAD data of the building components created in advance using RANSAC and ICP.
土井 章男*; 山下 圏*; 高橋 弘毅*; 加藤 徹*; 今渕 貴志; 羽成 敏秀; 谷藤 祐太; 伊藤 倫太郎
no journal, ,
廃炉作業を安全かつ効率的に行うために、構造物の状態、空間線量率等の情報を計測・収集・可視化・データ蓄積が行える「線源・線量率推定システム」の開発を行っている。構造物の状態は廃炉作業終了後に巡回する3D計測ロボットにより取得する。計測したデータは既知のデータと同期して差分情報のみを抽出することで自動的にデータベースを更新する。本研究では、この更新作業を容易に実施するために、抽出された差分情報に対して、Pointnet++による点群データ自動認識を行った。Pointnet++は点群データを直接入力して学習が行えるニューラルネットワークである。本ネットワークは入力点群の順序や密度に出力が変化しない特徴を有している。さらに認識された点群データは、必要に応じて、3角形メッシュ,平面,円筒,立方体(ボクセル)に自動変換され、「線源逆推定エンジン」のシミュレーションモデル更新に利用される。
土井 章男*; 山下 圏*; 高橋 弘毅*; 加藤 徹*; 今渕 貴志; 羽成 敏秀; 谷藤 祐太; 伊藤 倫太郎
no journal, ,
廃炉作業を安全かつ効率的に行うために、被ばく低減を目的とした環境・線源分布のデジタル化技術の開発を進めている。作業環境のデジタル化のために環境内の構造物の状態は3D計測ロボットにより取得し、得られたデータはデータベースに蓄積されている過去のデータとの同期により2時刻間の差分情報を抽出することで効率的なデータの更新・蓄積を行う。データ更新の際、環境中に新たに追加された点群データは深層学習を用いて形状からの構造物の認識・分類を行う。また、新たに追加された点群データは必要に応じて3角形メッシュ、ボクセルデータに自動変換(3Dモデル化)され、線源推定のためのシミュレーションの構造モデルとして利用される。現在、我々は作業環境のデジタル化技術として、この工程を自動化するための研究を進めている。本発表では、環境データの更新・蓄積作業を効率的に実施するために、深層学習を用いた点群データの自動認識および点群データからの3Dモデル化を試みた結果について報告する。
加藤 徹*; 高橋 弘毅*; 山下 圏*; 土井 章男*; 今渕 貴志
no journal, ,
In this study, we used the deep learning models PointNet++ and PointNeXt to automatically recognize structures such as pipes and ducts from large-scale residential point cloud data measured by laser scanners such as Faro, and compared the accuracy of each method. The point cloud data corresponds to multiple types of CAD data, and a model was created by labeling the point cloud that was closest to the ID of each CAD data, and this was used as training data. Using this learning model, structures were recognized from point cloud data of differences that change over time, and the accuracy was evaluated.
