3DレーザースキャナーやLiDARなどで取得した点群データには、計測対象となる地形や構造物だけでなく、植生、車両、作業員、仮設資材、通行車両、計測ノイズなど、解析に必要のない情報が含まれることがあります。これらの不要物が残ったままでは、地形モデルの作成や出来形管理、土量計算、構造物の形状確認などに支障が生じる可能性があります。
従来、点群の不要物を除去する作業では、画面上で対象範囲を確認しながら手作業で選択する方法が多く使われてきました。しかし、点群の取得範囲やデータ量が大きくなるほど、目視による確認や個別の選択に時間がかかります。作業者によって分類結果が異なりやすく、処理品質を一定に保つことも課題です。
こうした問題を改善する方法として、点群の特徴を利用した自動判定があります。点の密度や高さ、形状、周辺点との距離、色、複数時点の差分などを分析することで、不要物の候補を自動的に抽出できます。さらに、機械学習を組み合わせれば、植生や車両などの物体を意味的に分類することも可能です。
ただし、すべての不要物を単一の処理で正確に判定できるわけではありません。地形や構造物の形状、計測環境、点群密度、利用目的によって適切な処理方法は変わります。自動判定の結果をそのまま削除するのではなく、必要な点を残しながら不要物を効率よく抽出する仕組みが重要です。
この記事では、点群の不要物を自動判定する代表的な5つの方法を解説します。各方法の仕組みや適用場面、処理精度を高めるための注意点、実務での効率的な運用方法まで紹介します。
点群処理で不要物を自動判定する必要性
点群処理における不要物とは、計測したデータのうち、後工程で利用する目的に対して必要性が低い点や、解析結果に影響を与える点を指します。具体的には、計測ノイズ、空中に浮いたように見える孤立点、植生、車両、作業員、仮設設備、周辺の建物などが該当します。
ただし、何を不要物とするかは、点群の利用目的によって異なります。例えば、造成地の地形モデルを作成する場合、地面の形状を把握することが重要になるため、草木や車両、仮設資材などは除去対象になる可能性があります。一方、樹木の分布や植生の高さを調査する場合には、植生そのものが重要な解析対象です。
建築物の外形を確認する場合には、周辺の樹木や通行車両が不要物になることがありますが、樹木と建築物の位置関係を調べる場合には、どちらも残す必要があります。このように、不要物はデータそのものに固定された属性ではなく、計測目的や後工程の要件によって決まります。
不要物が残っていると、点群から作成する地形モデルやメッシュモデルに誤差が生じる可能性があります。例えば、地表面の点群に植生が混在していると、実際の地盤よりも高い位置に地形が形成される場合があります。これを利用して土量を算出すると、地盤の形状や数量を正しく把握できないおそれがあります。
また、構造物の点検では、周辺の樹木や設備が対象物の表面に重なっていると、ひび割れや変形などを確認するための形状情報が不足することがあります。不要物を適切に分離すれば、対象物の輪郭や表面形状を把握しやすくなります。
手作業による除去にも課題があります。点群は数百万点から数億点以上になることもあり、データ量が増えるほど個別の点や範囲を確認する作業が複雑になります。画面上で選択した範囲に必要な点が含まれていると、誤って削除してしまう可能性もあります。
そこで重要になるのが、点群の特徴を利用した自動判定です。近傍点との距離、局所的な密度、高さの違い、表面の向き、物体の形状などを数値的に分析すれば、不要物の候補を機械的に絞り込めます。
自動判定を導入する目的は、必ずしも人による確認をなくすことではありません。人がすべての点を確認する作業を減らし、判定が難しい箇所や重要な部分に確認時間を集中させることが大切です。
方法1：統計的な外れ値検出でノイズを抽出する
点群の不要物を自動判定する基本的な方法が、統計的な外れ値検出です。周囲の点と比べて極端に離れている点や、近傍に十分な点が存在しない点を検出し、ノイズの候補として抽出します。
レーザースキャンやLiDARによる計測では、対象物の表面だけでなく、計測条件によって不規則な位置に点が記録される場合があります。例えば、反射が不安定な表面、計測距離が長い場所、遮蔽物の周辺などでは、周囲の形状と整合しない点が発生することがあります。
このような点は、点群の局所的な分布を分析することで検出できます。
代表的な方法の一つが、近傍点までの平均距離を利用する統計的外れ値除去です。まず、各点について周囲に存在する一定数の近傍点を検索します。次に、対象点から近傍点までの距離を計算し、その平均値を求めます。
すべての点について同様の計算を行い、平均距離の分布を分析します。周囲の点と比べて平均距離が大きい点は、外れ値の候補として判定されます。
例えば、地面に密集している点群の中に、周囲から大きく離れた点が存在する場合、その点は計測ノイズである可能性があります。統計的な基準を設定すれば、こうした点を個別に選択することなく抽出できます。
もう一つの方法が、半径外れ値検出です。対象点を中心に一定の半径を設定し、その範囲内に存在する近傍点の数を調べます。近傍点が設定した数より少ない場合、その点を孤立点の候補として判定します。
統計的外れ値除去が近傍点までの距離の分布を重視するのに対し、半径外れ値検出は一定範囲内に存在する点の数を重視する点が異なります。どちらも孤立点や不自然な点を抽出するために利用できます。
ただし、これらの方法は、ノイズと実際の対象物を完全に区別できるわけではありません。例えば、細い電線、枝の先端、構造物の端部などは、周囲の点が少ないために外れ値と判定される可能性があります。
また、スキャナーからの距離によって点群密度が変化する場合、同じ半径や近傍点数の設定をすべての範囲に適用すると、遠方の有効な点が過剰に除去されることがあります。
そのため、統計的な外れ値検出を利用するときは、計測距離や点群密度を考慮する必要があります。密度が大きく変わるデータでは、範囲を分割して異なる条件を適用する方法も有効です。
実務では、最初から強い除去条件を設定するのではなく、比較的緩やかな条件でノイズ候補を抽出し、結果を確認しながら調整することが重要です。特に、構造物の角や細い部材など、後工程で必要になる可能性がある点は、削除前に確認します。
統計的な外れ値検出は、点群全体に含まれる孤立点や計測ノイズを効率よく減らしたい場合に適しています。ただし、植生や車両のように明確な形状を持つ物体を分類する用途では、ほかの判定方法と組み合わせる必要があります。
方法2：高さ・法線・形状の特徴から不要物を判定する
点群の高さや表面の向き、局所的な形状を利用する方法も、不要物の自動判定に有効です。特に、地形と地上物を分離したい場合や、平面・柱状・樹木状などの形状を分類したい場合に利用できます。
点群には、各点の三次元座標が記録されています。そのため、点の高さや周辺点との相対的な位置関係を分析することで、対象物の特徴を把握できます。
例えば、地表面の点群を抽出したい場合、地面からの高さを基準に判定する方法があります。地面の標高を推定し、各点の高さとの差を計算すれば、地面に近い点と地面から離れた点を分離できます。
この処理では、単純に絶対標高だけを利用するのではなく、周辺地形に対する相対的な高さを利用することが重要です。傾斜地や起伏のある現場では、同じ標高の範囲だけを残す方法では地形を正しく分類できません。
例えば、斜面の上部と下部では地面の標高が大きく異なります。一定の標高を基準にすると、斜面の一部が除去されたり、地上物が地面として残ったりする可能性があります。
そのため、局所的な地表面を推定し、その面からの高さによって地面と地上物を分類する方法が有効です。地形の傾斜や起伏を考慮した判定条件を設定することで、造成地や道路、法面などでも利用しやすくなります。
さらに、法線ベクトルを利用する方法があります。法線とは、点群の局所的な表面に対して垂直な方向を示す情報です。対象点の周辺にある点から局所的な平面を推定することで、表面の向きを計算できます。
例えば、地面や床面は比較的連続した面を形成するため、周辺の法線方向が一定の傾向を示します。一方、植生や複雑な形状を持つ物体では、局所的な法線方向が不規則に変化することがあります。
この特徴を利用すれば、平坦な地面と複雑な形状を持つ物体を分類する手掛かりになります。ただし、岩場や粗い地形、複雑な構造物も法線方向が不規則になるため、法線だけで不要物と判断するのは適切ではありません。
形状の特徴を組み合わせる方法もあります。例えば、建物の壁面は広い平面を形成しやすく、柱や配管は一定方向に伸びる形状を持ちます。樹木は幹や枝が複雑に分岐し、葉の部分には細かな点群が分布します。
このような特徴を局所的に分析すれば、対象物の種類を推定できます。平面性、曲率、垂直方向の分布、水平面との関係などを利用し、不要物の候補を絞り込むことが可能です。
ただし、実際の現場では複数の物体が重なって計測されます。例えば、樹木が建物の壁面の前にある場合、両者の点群が混在することがあります。このとき、単純な高さや法線の条件だけでは正確に分離できない可能性があります。
そのため、形状による判定では、局所的な特徴と周辺環境を組み合わせることが重要です。地形の連続性や構造物の配置、対象範囲の位置関係も考慮すると、誤判定を減らしやすくなります。
高さ・法線・形状を利用する方法は、地表面の抽出や構造物の分離など、幾何学的な特徴が明確な対象に適しています。特に、地形モデルを作成するために植生や地上物を分離する場合には、統計的な外れ値検出と組み合わせることで処理の精度を高められます。
方法3：点群の密度と連結性を使って不要物を分類する
点群の密度や連結性を利用する方法は、物体単位で不要物を抽出したい場合に有効です。点の集まり方や空間的なまとまりを分析することで、孤立した物体や対象範囲から離れた点群を自動的に分類できます。
点群では、同じ物体の表面に属する点が一定の空間的なまとまりを形成することがあります。例えば、地面に置かれた資材、駐車中の車両、仮設設備などは、周囲の点群と異なるまとまりを持つ場合があります。
この特徴を利用するのがクラスタリングです。クラスタリングとは、空間的な距離や密度などを基準に、近い位置に存在する点をグループにまとめる処理です。
代表的な方法として、ユークリッド距離によるクラスタリングがあります。各点の三次元座標を利用して、一定の距離以内にある点同士を同じグループとして扱います。近傍関係をたどりながら点群をまとめることで、個別の物体に近い単位で分類できます。
例えば、広い地面の点群から離れて存在する小さな点群のまとまりを抽出したい場合、クラスタリングによって独立したグループとして識別できる可能性があります。抽出されたグループの点数や大きさを調べれば、不要物の候補を絞り込めます。
密度に基づくクラスタリングも有効です。この方法では、一定範囲内に存在する点の数を基準に、点群が密集している領域をグループ化します。周辺に十分な点が存在する領域をクラスタとして抽出し、密度が低い点やグループをノイズとして扱うことができます。
この方法は、複数の物体が混在する点群を分類する場合に役立ちます。例えば、地面から離れた位置に存在する樹木や設備を、周囲の点群とは異なるグループとして抽出できる可能性があります。
さらに、クラスタごとの特徴量を分析すれば、自動判定の精度を高められます。点群の総数、三次元的な大きさ、高さ、幅、奥行き、重心、表面の分布などを計算することで、グループの特徴を把握できます。
例えば、非常に小さなクラスタは計測ノイズの可能性があり、一定以上の大きさを持つクラスタは独立した物体である可能性があります。また、地面から離れた位置にある小規模なクラスタは、浮遊ノイズや細かな植生の候補として扱える場合があります。
ただし、クラスタの大きさだけで不要物を判定することには注意が必要です。細い電線や小さな金具など、点群としては小さくても重要な対象があります。反対に、大きな植生や仮設設備は、クラスタとして大きくまとまることがあります。
また、距離の設定によって分類結果は大きく変わります。距離の条件が小さすぎると、同じ物体の点群が複数のクラスタに分かれてしまいます。条件が大きすぎると、隣接する別々の物体が一つのクラスタにまとめられる可能性があります。
点群密度が場所によって異なる場合には、均一な距離条件が適さないこともあります。遠方では点群が疎になりやすく、近距離では密集しやすいため、計測距離や取得条件に応じた調整が必要です。
実務では、クラスタリングによって不要物の候補を抽出した後、各グループの位置や形状を確認する方法が有効です。対象物の種類がある程度決まっている場合は、点数や大きさなどの条件を追加することで、手作業による選択範囲を減らせます。
この方法は、車両や仮設資材など、周囲の点群と空間的に分離しやすい物体の抽出に適しています。統計的な外れ値検出では除去しにくい、まとまりを持った不要物を分類したい場合に検討するとよいでしょう。
方法4：機械学習による意味的な分類で不要物を抽出する
植生や車両、建物、地面など、物体の種類まで判定したい場合には、機械学習による点群分類が有効です。点群の座標や形状、色、反射強度などの特徴を学習し、各点がどの種類に属するかを推定します。
従来の幾何学的な判定では、点の高さや距離、法線方向などを基準に分類します。しかし、同じ形状や高さを持つ物体でも、実際の種類が異なることがあります。
例えば、樹木の幹と電柱は、どちらも縦方向に伸びた形状を持ちます。形状だけを基準にすると、両者を正確に区別できない場合があります。また、地面に置かれた資材と岩石も、局所的な形状が似ていることがあります。
機械学習では、こうした複数の特徴を組み合わせて分類します。学習用の点群に正解ラベルを付け、物体の種類ごとの特徴をモデルに学習させることで、新しい点群に対して分類結果を出力できます。
点群の意味的な分類では、地面、植生、建物、道路設備、車両、人物、構造物、ノイズなどのクラスを設定することがあります。目的に応じてクラスを細分化すれば、必要な対象物と不要物を分離しやすくなります。
例えば、道路工事の点群から地形情報を抽出したい場合、地面と植生、車両、作業員などを別々のクラスとして判定する方法が考えられます。地面に該当する点だけを抽出すれば、地形モデルの作成に利用しやすいデータを得られます。
建築物の外形を把握したい場合には、建物、植生、周辺設備などを分類することで、対象となる構造物の点群を抽出できます。設備点検では、配管や支持部材などの種類を分類することで、対象範囲の確認を効率化できる可能性があります。
機械学習による分類には、点単位でクラスを推定する方法と、物体単位で分類する方法があります。
点単位の分類では、各点に対して地面や植生などのラベルを付与します。そのため、異なる物体が重なっている場合でも、点ごとに細かく分類できる可能性があります。一方、物体単位の分類では、空間的にまとまった点群を対象として種類を推定します。車両や設備など、独立した物体を抽出する場合に利用できます。
ただし、機械学習を導入すれば、必ず正確に分類できるわけではありません。判定精度は学習データの品質や量、計測環境、対象物の種類などに左右されます。
例えば、平地で取得した点群を中心に学習したモデルでは、急傾斜地や密集した植生が存在する現場で分類精度が低下する可能性があります。計測距離や点群密度、センサーの特性が異なる場合も、学習時と同じように分類できるとは限りません。
そのため、学習データには実際の利用環境に近い点群を含めることが重要です。地形や構造物、植生の種類、計測条件が異なるデータを用意し、対象とする現場に適した分類モデルを構築します。
また、正解ラベルの付け方にも注意が必要です。同じ物体に対して作業者ごとに異なる分類を行うと、学習データの一貫性が失われます。例えば、低木と地表面の境界、枝葉と構造物の境界など、判断が難しい部分については、分類基準を明確にしておく必要があります。
実際の運用では、分類結果に信頼度を付与し、判定が不確かな点を確認対象として残す方法が有効です。信頼度が高い点は自動分類し、境界付近や複数のクラスに該当する可能性がある点は人が確認することで、作業効率と品質を両立しやすくなります。
機械学習による意味的な分類は、点群に含まれる物体の種類まで判定したい場合に適しています。特に、広範囲の現場で植生や車両、仮設物などを繰り返し分類する業務では、学習データと判定基準を整備することで、継続的な作業の効率化が期待できます。
方法5：複数時点の点群比較で一時的な物体を判定する
複数時点で取得した点群を比較する方法も、不要物の自動判定に利用できます。ある時点では存在していたものの、別の時点では存在しない物体や、計測対象の変化によって新たに現れた物体を検出することで、一時的な不要物を抽出できます。
建設現場では、工事の進行に伴って車両や重機、仮設資材、作業員などの位置が変わります。こうした物体は、計測時点によって点群に含まれたり含まれなかったりします。
一方、地盤や完成した構造物などは、計測期間中に大きな変化がなければ、複数時点で似た位置に点群が存在します。この違いを利用すれば、継続的に存在する対象物と一時的に存在する物体を区別する手掛かりになります。
基本的な処理では、まず異なる時点で取得した点群を同じ座標系に統一します。座標系や原点、軸方向、高さの基準が異なる場合、そのまま比較すると位置のずれが発生するためです。
次に、点群同士の位置合わせを行います。共通して存在する地面や構造物などを基準に、各時点の点群を同じ空間上に配置します。
位置合わせが完了したら、点群間の距離や存在範囲の違いを調べます。ある時点の点群には存在するものの、別の時点では対応する点が確認できない部分を抽出すれば、変化した領域の候補を把握できます。
例えば、工事開始時と工事完了時の点群を比較すると、施工によって変化した地形や構造物を確認できます。また、複数回の現場計測を行えば、毎回異なる位置に存在する車両や仮設資材などを特定する手掛かりになります。
さらに、複数時点の点群を重ね合わせることで、継続的に存在する物体の形状を把握しやすくなる場合があります。単一時点では作業員や車両によって隠れていた地面が、別の時点の計測では確認できることもあります。
ただし、差分が発生しているからといって、その部分が必ず不要物とは限りません。施工による地形の変化や構造物の設置など、業務上重要な変化も同様に検出されます。
また、点群の位置合わせが不十分な場合には、実際には変化していない構造物でも差分が発生する可能性があります。特に、点群全体にわずかな位置ずれがあるだけでも、広い範囲に差分が生じることがあります。
そのため、比較前には共通部分の位置合わせ精度を確認する必要があります。既知点や独立した検証点などを利用し、位置合わせの結果が実務上必要な精度を満たしているかを確認します。
計測時点ごとに点群密度が異なる場合も注意が必要です。計測距離や観測方向が異なると、同じ物体でも取得される点の位置や数が変わります。点の有無だけで判断するのではなく、近傍距離や局所的な形状なども考慮することが重要です。
複数時点の比較は、工事現場の仮設物や車両など、一時的な物体を判定したい場合に適しています。また、長期的な定点観測や構造物の経年変化を調べる場合にも利用できます。
不要物の除去だけでなく、施工によって変化した箇所を把握する用途にも応用できるため、継続的に点群を取得する現場では検討する価値があります。
不要物の自動判定を成功させる前処理
点群の不要物を自動判定する場合、分類アルゴリズムだけでなく、その前段階で行うデータの整理も重要です。入力データの状態が悪いと、適切な判定条件を設定していても誤分類が発生する可能性があります。
最初に確認したいのが座標系です。点群を複数のデータと統合したり、異なる時点のデータを比較したりする場合には、座標系や座標軸の定義を統一する必要があります。
公共座標と現場独自のローカル座標が混在している場合や、平面位置と高さの基準が異なる場合には、適切な座標変換が必要です。変換条件を確認せずに処理を進めると、実際の位置関係とは異なる状態で分類が行われるおそれがあります。
特に標高を扱う場合には、楕円体高と標高の違いにも注意します。GNSSによる測位結果と点群データを組み合わせる場合、ジオイド高などを考慮した高さの基準が一致しているか確認することが重要です。
次に確認するのが、点群の位置合わせです。複数のスキャンデータを統合する場合、重複する範囲や共通の構造物を利用して位置関係を整えます。
位置合わせに誤差が残っていると、実際には一つの物体である点群が複数の位置に分かれて見えたり、表面が二重になったりする場合があります。この状態で外れ値検出やクラスタリングを実行すると、不要な点を誤って抽出する可能性があります。
また、計測ノイズの状態も確認します。点群に極端なノイズが多い場合、最初に軽度のノイズ除去を行うことで、その後の形状分類や機械学習による判定を安定させやすくなります。ただし、前処理で強く除去しすぎると、細い部材や小さな構造物まで失われる可能性があります。
点群の間引きも検討したい処理です。広範囲の点群をそのまま分類すると、処理負荷が大きくなることがあります。一定間隔で点を間引く方法や、空間を小さな区画に分割して処理する方法を利用すれば、計算量を抑えやすくなります。
ただし、均一な間隔で間引くと、細かな形状や境界部分の情報が失われる場合があります。例えば、細い配管や電線、構造物の角部などは、間引きによって点の数が大幅に減る可能性があります。
そのため、点群の用途に応じて間引きの条件を設定する必要があります。大まかな地形分類では比較的粗い点群でも対応できる場合がありますが、構造物の詳細な形状確認では、元の点群密度をできるだけ維持することが重要です。
色や反射強度を利用する場合には、それらの情報が適切に記録されているかも確認します。異なる計測機器や取得条件のデータを統合すると、色や反射強度の値が一致しないことがあります。
例えば、同じ植生でも日照条件や計測方向によって色の見え方が変わる場合があります。反射強度も距離や入射角などの影響を受けるため、値だけで物体の種類を判断するのは避けるべきです。
前処理の段階で重要なのは、分類に必要な情報を失わないことです。ノイズの除去や間引きによって処理を軽くしながらも、対象物の形状や位置関係を維持できる条件を設定します。
自動判定で必要な点まで削除しないための注意点
点群の不要物を自動判定するときに特に注意したいのが、必要な点まで削除してしまう誤判定です。不要物の除去では、ノイズをどれだけ減らせるかだけでなく、重要な情報をどれだけ残せるかも評価する必要があります。
例えば、統計的な外れ値検出では、周囲の点から離れている点が除去候補になります。しかし、実際の現場には、細い電線や構造物の端部、独立した測点など、周囲に点が少なくても重要な情報が存在します。
こうした点を単純に削除すると、後工程で必要な形状が欠落する可能性があります。
また、植生を除去する場合にも注意が必要です。地面に密集した草木だけでなく、地表面の凹凸や小さな構造物が植生と誤判定される場合があります。特に、地面と草木の境界は複雑になりやすく、分類結果が不安定になることがあります。
そのため、削除対象を決める前に、分類の基準を明確にしておくことが重要です。例えば、地形モデルを作成する場合には、地表面として残すべき範囲や、地表面に含めない対象物の定義を決めます。
次に、誤判定の種類を把握します。不要物を正しく抽出できなかった場合は、不要な点が残る誤りになります。一方、必要な点を不要物として除去した場合は、重要な情報が失われる誤りになります。
この二つは同じ問題ではありません。どちらを重視すべきかは、後工程の目的によって変わります。
例えば、概略的な地形把握では、細かなノイズが多少残っていても利用できる場合があります。しかし、出来形管理や構造物の詳細な形状確認では、必要な点が欠落することによる影響が大きくなる可能性があります。
そのため、単純に除去率を高めることを目標にするのではなく、必要な点の保持率と不要物の抽出率を両方確認します。機械学習を利用する場合には、適合率や再現率、クラスごとの混同行列などを用いて、分類結果を評価する方法が有効です。
また、自動判定の結果を一度に削除するのではなく、最初は不要物候補として別のクラスに分けて保存する方法をおすすめします。元の点群を残したまま候補データを抽出すれば、誤判定が見つかった場合でも元の状態に戻して再処理できます。
確認作業では、点群全体を一度に見るだけでなく、代表的な場所を選んで細かく確認します。地面と植生の境界、構造物の角、斜面、遠方の点群、遮蔽物の周辺などは、誤判定が発生しやすい箇所です。
さらに、異なる方向から点群を確認することも重要です。正面から見た場合には問題がなくても、側面や上方から見ると、必要な点が欠落していることがあります。三次元的な位置関係を確認しながら、分類結果が適切かを判断します。
最終的には、処理前と処理後の点群を比較し、除去された範囲と残された範囲を確認します。必要に応じて断面や距離の分布なども調べ、地形や構造物の形状が不自然に変わっていないかを検証します。
自動判定は、作業時間を短縮するための手段ですが、品質確認を省略するためのものではありません。特に、測量成果や施工管理に利用する点群では、元データを保全し、処理条件と確認結果を記録することが重要です。
点群の不要物除去を効率化する実務フロー
実際の現場で点群の不要物除去を効率化するには、取得したデータをそのまま自動処理するのではなく、目的の整理から検証までを一連の作業として設計することが重要です。
最初に行うのは、点群の利用目的と除去対象の定義です。地形モデルの作成、構造物の形状確認、土量計算、施工進捗の把握など、何に利用するかによって必要な点と不要な点が変わります。
例えば、土量計算では地表面を正しく抽出することが重要です。一方、構造物の点検では、対象となる壁面や部材の点群をできるだけ残し、周囲の植生や車両などを分離する必要があります。
目的が決まったら、点群データの状態を確認します。座標系、点群密度、計測範囲、取得時刻、色や反射強度の有無などを整理します。複数のデータを統合する場合には、位置合わせの精度も確認します。
次に、データの複製を作成し、元の点群を保管した状態で処理を進めます。元データを直接編集すると、誤って必要な点を削除した場合に復元できなくなる可能性があります。
その後、外れ値検出や高さによる分類など、比較的単純な方法から適用します。計測ノイズや孤立点を減らした後、クラスタリングや形状判定を組み合わせることで、物体単位の分類を進めます。
植生や車両など、物体の種類を識別する必要がある場合には、機械学習による意味的な分類を利用します。継続的に取得した点群がある場合には、複数時点の比較も組み合わせると、一時的な物体を抽出しやすくなります。
処理後は、不要物候補と残すべき点群を分けて保存します。削除を確定する前に、代表的な範囲を確認し、必要な形状が失われていないかを検証します。
問題が見つかった場合には、判定条件を見直します。例えば、孤立点が多く残る場合には近傍点の条件を調整し、必要な細い構造物が削除される場合には、局所的な密度や形状の条件を変更します。
このように、最初からすべての不要物を一度に除去しようとするのではなく、複数の処理を段階的に適用することがポイントです。
また、同じ種類の現場で繰り返し点群処理を行う場合には、判定条件を記録して再利用できるようにします。計測機器や現場条件が同じであれば、前回の処理条件を参考にすることで、設定作業を効率化できる可能性があります。
ただし、前回と今回で点群密度や計測距離、対象物の状態が異なる場合には、条件をそのまま適用しないようにします。再利用する条件についても、毎回の検証を通じて適切性を確認する必要があります。
さらに、処理履歴を管理することも重要です。使用した判定方法、各種パラメータ、処理対象の範囲、除去した点群の内容、検証結果などを記録すれば、後から分類結果を確認しやすくなります。
特に複数の担当者が同じデータを扱う場合には、作業者による判断の違いを減らす効果も期待できます。処理条件と確認基準を共有し、誰が作業しても一定の品質を維持できる運用を目指します。
現場や用途に応じた自動判定方法の選び方
点群の不要物を自動判定する方法は、それぞれ得意とする対象や利用条件が異なります。そのため、すべての現場に同じ方法を適用するのではなく、処理対象と後工程に合わせて選択することが重要です。
地形モデルの作成を目的とする場合には、高さや法線を利用した地表面分類が有効です。地面と植生、地上構造物を分離することで、地盤形状の把握に必要な点群を抽出しやすくなります。ただし、急傾斜地や凹凸の大きな地形では、局所的な地表面の推定方法を工夫する必要があります。
計測ノイズを減らしたい場合には、統計的な外れ値検出が適しています。周囲の点から極端に離れた点や、近傍点が少ない点を抽出することで、孤立点の除去を効率化できます。ただし、細い構造物や点群密度の低い範囲では、必要な点まで除去しないように注意します。
車両や仮設資材など、独立した物体を抽出したい場合には、クラスタリングが有効です。点群を空間的なまとまりに分け、それぞれの大きさや高さ、形状を分析することで、不要物の候補を絞り込めます。
植生や設備など、物体の種類まで識別したい場合には、機械学習による意味的な分類が適しています。学習データを整備する必要はありますが、複数の特徴を組み合わせて分類できるため、複雑な現場での活用が期待できます。
工事の進行に伴って車両や資材の位置が変わる現場では、複数時点の点群比較が有効です。継続的に取得したデータを同じ座標系に統一し、変化した範囲を調べることで、一時的な物体と継続して存在する対象物を区別する手掛かりになります。
実際には、これらの方法を単独で利用するよりも、組み合わせて利用するほうが適している場合があります。
例えば、道路工事の点群から地表面を抽出する場合には、最初に統計的な外れ値検出で明らかなノイズを除去します。その後、高さや法線を利用して地面と地上物を分類し、残った植生や車両などをクラスタリングや機械学習で抽出します。
また、工事中の仮設物を取り除きたい場合には、物体の形状分類に加えて、過去の点群との比較を行う方法も考えられます。
このように、最初に単純な特徴を利用した分類を行い、その後に複雑な判定を追加することで、処理の負担を抑えながら分類精度を高められる可能性があります。
重要なのは、不要物を除去した後の点群が、最終的な利用目的に適しているかどうかです。除去できた点の数だけで評価するのではなく、地形や構造物の形状、必要な情報の保持状況まで確認することが求められます。
まとめ
点群の不要物を自動判定するには、点群の位置や密度、形状、物体の種類、時間的な変化などを利用する方法があります。代表的な方法として、統計的な外れ値検出、高さ・法線・形状による分類、密度と連結性を利用したクラスタリング、機械学習による意味的な分類、複数時点の点群比較が挙げられます。
統計的な外れ値検出は、孤立点や計測ノイズの抽出に適しています。高さや法線、形状を利用する方法は、地面と地上物や構造物の分離に役立ちます。クラスタリングは独立した物体の抽出に有効であり、機械学習は植生や車両などの種類まで判定したい場合に適しています。複数時点の比較は、一時的な物体や時間による変化を把握する際に活用できます。
ただし、どの方法でも誤判定を完全になくすことはできません。点群密度や計測距離、座標系、位置合わせの精度などによって分類結果が変わるため、適切な前処理と検証が必要です。
実務では、元の点群を保管したうえで不要物の候補を自動抽出し、必要な部分を確認してから削除する運用が重要です。処理条件や検証結果を記録しておけば、同様の現場で処理を繰り返す場合にも品質を維持しやすくなります。
また、不要物除去の効率を高めるには、取得段階から点群の位置情報や現場の状況を適切に記録しておくことも大切です。現場での計測と取得後の点群処理を連携させることで、データの確認や分類、成果の活用までをスムーズに進められます。
現場での位置情報を活用した計測や点群データの運用を検討する場合には、LRTK Phoneの活用も選択肢になります。計測時の位置情報と点群データの管理を意識しながら、取得後の不要物判定や分類処理を組み合わせることで、手作業に依存しすぎない点群活用の仕組みを構築していきましょう。