1/1ページ

このカタログをダウンロードして
すべてを見る

ダウンロード(1.3Mb)

【モノ・空間の認識、判別を行う3Dデータ解析の事例をご紹介】

製品カタログ

Deep Meshサービス紹介

・自立飛行型ドローンとAIを活用した施工の最適化
・3DレーザーレーダーのAI活用

このカタログについて

ドキュメント名 【モノ・空間の認識、判別を行う3Dデータ解析の事例をご紹介】
ドキュメント種別 製品カタログ
ファイルサイズ 1.3Mb
取り扱い企業 株式会社Rist (この企業の取り扱いカタログ一覧)

このカタログの内容

Page1

モノ・空間の認識、判別を行う3Dデータ解析 肌感覚で対象の的確な把握・分析が可能 分類 Classification 部位の特定 Part Segmentation 空間認識 Semantic Segmentation 3Dオブジェクトを認識・判別する技術。種類判定や、 対象の各部位領域を自動で判別する技術。必要な部品 画像から物体を抽出し、各オブジェクトの境界輪郭線 定性的なランク付け等が行える。 情報等を抜き取ることができる。 を認識する。空撮3D風景データなどから、エリア情報 を解析することができる。 点群データを扱い、認識を行うことのできるR i s t独自のニューラルネットワークを利用 Case.1 自立飛行型ドローンと CLIENT AIを活用した施工の最適化 発破現場をリアルタイムで“見る”ためのドローンカメラ「B l a s t E y e」と、 熟練者の観察・判断を学習し“現場の良否を判定 ”する「B l a s t A I」を開発。 50 Drone 40 30 20 Blast Eye 10 画像処理 0 発破後のカメラデータ 3次元点群データを生成 Bad Good Very Good Blast Eye Blast AI GPSが受信できない、長い線状の狭隘な連続空間でも安定した飛行を実現。 種々の模擬発破飛石形状を学習し、良否を判定 不良な発破 100 (火薬が不足) 90 戸田建設㈱と㈱Ristは、山岳トンネルの発破掘削工法 8070 において、発破後の飛石(発破飛石)の形状から次の 良好な発破 60 50 発破パターンを検討するために、従来熟練のトンネル 40 技能者が行っていた発破の良否判定をAIにより自動化 30 Train dataの正答率 不良な発破 20 する「発破良否判定システム:Blast Eye/AI:ブラスト・ (火薬が過大) Validation dataの正答率10 アイ」を開発しました。 0 1000 2000 3000 4000 5000 学習回数 Case.2 3DレーザーレーダーのAI活用 3D-LIDARによるリアルタイム三次元情報の Deep Learningによる低反射率物体の距離推定 取得と物体認識・行動解析・形状認識技術 3D-LIDARの課題である低反射率物体の距離測定精度を向上 学習プロセス 光の飛行時間を測定 対象物までの距離を算出 ① 実際の車体から得ら れた距離情報を用意 3次元距離データの生成 ② 低反射物体相当の データに加工 LIDARからのレーザーが測定対象物で反射し、戻ってくるまでの時間差か ら距離をリアルタイムで測定し、物体の3次元画像を取得する。 ③ プロセス①/②の データを元に学習 3Dレーザーレーダーによる動体検知例 Contact : info@rist.co.jp 歩行者の存在を認識すると同時に、動体ベクトル(移動方向と移動速度)も検知する 予測ステップ Website : https://www.rist.co.jp 車体の距離情報を補完 https://www.konicaminolta.com/jp-ja/future/3dlr/ https://special.nikkeibp.co.jp/atcl/NBO/16/010500001/ 正答率 (%) DEEP MESH