特開 2022-190911 プラント点群分類システム、プラント点群分類方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022190911

(43)【公開日】2022-12-27

(54)【発明の名称】プラント点群分類システム、プラント点群分類方法

(51)【国際特許分類】

   G06T 7/00 20170101AFI20221220BHJP

【ＦＩ】

G06T7/00 350B

【審査請求】未請求

【請求項の数】11

【出願形態】ＯＬ

(21)【出願番号】P 2021099433

(22)【出願日】2021-06-15

(71)【出願人】

【識別番号】507250427

【氏名又は名称】日立ＧＥニュークリア・エナジー株式会社

(74)【代理人】

【識別番号】110000350

【氏名又は名称】ポレール弁理士法人

(72)【発明者】

【氏名】杉本 洋平

(72)【発明者】

【氏名】関 洋

(72)【発明者】

【氏名】佐藤 義人

(72)【発明者】

【氏名】上田 清隆

(72)【発明者】

【氏名】浅野 隆

(72)【発明者】

【氏名】照沼 博之

【テーマコード（参考）】

5L096

【Ｆターム（参考）】

5L096AA02

5L096AA06

5L096AA09

5L096CA21

5L096FA59

5L096FA64

5L096FA67

5L096FA68

5L096GA51

5L096KA04

5L096MA07

(57)【要約】

【課題】
機械学習を用いて点群の分類を行う点群分類システムにおいて、学習用データの作成工数を低減しつつ、分類精度を向上可能な高性能なプラント点群分類システムを提供する。
【解決手段】
プラント設備構造物の所定の特徴量に基づき点群を分類する分類用クラスタリング処理部と、前記分類用クラスタリング処理部で分類した分類毎に、機械学習により分類の閾値を調整するクラスタリング最適化処理部と、前記クラスタリング最適化処理部で調整した閾値を前記分類用クラスタリング処理部へフィードバックする分類パラメータ学習部と、前記クラスタリング最適化処理部で分類精度が最大化された閾値に基づき点群を分類する点群分類部と、を備えることを特徴とする。
【選択図】 図２

【特許請求の範囲】

【請求項1】

プラント設備構造物の所定の特徴量に基づき点群を分類する分類用クラスタリング処理部と、
前記分類用クラスタリング処理部で分類した分類毎に、機械学習により分類の閾値を調整するクラスタリング最適化処理部と、
前記クラスタリング最適化処理部で調整した閾値を前記分類用クラスタリング処理部へフィードバックする分類パラメータ学習部と、
前記クラスタリング最適化処理部で分類精度が最大化された閾値に基づき点群を分類する点群分類部と、
を備えることを特徴とするプラント点群分類システム。

【請求項2】

請求項１に記載のプラント点群分類システムであって、
点群とＣＡＤデータを照合し、前記クラスタリング最適化処理部での機械学習に用いる教師データを作成する点群－ＣＡＤ照合部を備えることを特徴とするプラント点群分類システム。

【請求項3】

請求項１に記載のプラント点群分類システムであって、
前記プラント設備構造物のプラント設備情報、点群、前記分類パラメータ学習部の過去の実績値である学習済モデルを記憶する記憶部を備えることを特徴とするプラント点群分類システム。

【請求項4】

請求項２に記載のプラント点群分類システムであって、
前記分類用クラスタリング処理部での点群の分類処理および前記点群－ＣＡＤ照合部での教師データの作成処理の少なくともいずれかを作業者が修正可能な入出力部を備えることを特徴とするプラント点群分類システム。

【請求項5】

請求項１に記載のプラント点群分類システムであって、
前記所定の特徴量は、プラント設備構造物の形状、大きさ、向き、曲率、色の少なくともいずれか１つを含むことを特徴とするプラント点群分類システム。

【請求項6】

請求項５に記載のプラント点群分類システムであって、
前記プラント設備構造物は、躯体、機器、配管の少なくともいずれか１つを含むことを特徴とするプラント点群分類システム。

【請求項7】

点群の分類を行うプラント点群分類方法であって、
（ａ）プラント設備構造物の所定の特徴量に基づき点群を分類するステップと、
（ｂ）前記（ａ）ステップで分類した分類毎に、機械学習により分類の閾値を調整するステップと、
（ｃ）前記（ｂ）ステップで調整した閾値を前記（ａ）ステップでの分類にフィードバックするステップと、
（ｄ）前記（ｃ）ステップで分類精度が最大化された閾値に基づき点群を分類するステップと、
を有することを特徴とするプラント点群分類方法。

【請求項8】

請求項７に記載のプラント点群分類方法であって、
前記（ｂ）ステップよりも前に、
（ｅ）点群とＣＡＤデータを照合し、前記（ｂ）ステップでの機械学習に用いる教師データを作成するステップ、を有することを特徴とするプラント点群分類方法。

【請求項9】

請求項８に記載のプラント点群分類方法であって、
前記（ａ）ステップでの点群の分類処理および前記（ｅ）ステップでの教師データの作成処理の少なくともいずれかを作業者が修正可能であることを特徴とするプラント点群分類方法。

【請求項10】

請求項７に記載のプラント点群分類方法であって、
前記所定の特徴量は、プラント設備構造物の形状、大きさ、向き、曲率、色の少なくともいずれか１つを含むことを特徴とするプラント点群分類方法。

【請求項11】

請求項１０に記載のプラント点群分類方法であって、
前記プラント設備構造物は、躯体、機器、配管の少なくともいずれか１つを含むことを特徴とするプラント点群分類方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習を用いて点群の分類を行う点群分類システム及び点群分類方法に係り、特に、多様な仕様の躯体や機器、配管等で構成されるプラント設備構造物の分類に適用して有効な技術に関する。

【背景技術】

【0002】

原子力発電所や製鉄所、石油化学プラント等の大規模な施設におけるプラント工事では、既存設備と干渉しないように新規設備を設計することが重要である。しかしながら、既存設備の配置を知る方法は、図面や現地調査が必要となり作業工数が大きくなる。また、レーザスキャナでスキャンした点群を活用する方法を用いた場合でも、設備単位に点群を分類する作業が必要で、やはり作業工数が大きいことが課題となる。

【0003】

一方、機械学習であるニューラルネットワークやディープラーニング、重回帰分析など統計的な予測モデルを用いて予測値を求める予測システムが、様々な分野において実用化されつつある。これらの予測モデルは、あらかじめ学習段階に入力項目と出力項目の値が揃った学習用データを与え、予測モデルの計算値ができるだけ合致するように予測モデル内のパラメータの値を適切な値に調節する。その後、予測段階ではこの予測モデルに入力項目の値を与え、予測値を計算する。

【0004】

そこで、近年では、プラント設備構造物の点群の分類に機械学習を適用し、作業工数の低減を図る取り組みがなされている。

【0005】

本技術分野の背景技術として、例えば、特許文献１のような技術がある。特許文献１には「３次元点群データから効率的に３次元ＣＡＤモデルを作成する３次元ＣＡＤデータの作成システムおよび作成方法」が開示されている。

【0006】

また、特許文献２には「３Ｄセンサを用いて、車両の周辺環境内のオブジェクトを示す複数の３次元点を生成するオブジェクトの分類方法」が開示されている。

【0007】

また、特許文献３には「識別に有効な情報を計測ノイズに対して頑健に抽出することができる特徴抽出装置」が開示されている。

【先行技術文献】

【特許文献】

【0008】

【特許文献1】特開２０１８－１０４５５号公報

【特許文献2】特開２０１７－５６９３５号公報

【特許文献3】特開２０１９－３５２７号公報

【発明の概要】

【発明が解決しようとする課題】

【0009】

しかしながら、プラント設備構造物の点群の分類に機械学習を適用した場合、構造物の多様性ゆえに、分類精度の低さや、学習用データの作成工数が課題となる。

【0010】

上記特許文献１では、ルールベースで、貫通孔など特定の点群を自動抽出しているが、新規配管のルート設計においては、干渉時に配管を迂回させるか、既存設備の配置を変更するかを判断するために、点群の中から壁や機器、配管などの様々な構造物の分類が必要となり、そのための分類ルールの作成工数が大きくなる。

【0011】

また、上記特許文献２および特許文献３のいずれにおいても、上述したようなプラント設備構造物の多様性は考慮されておらず、分類精度の課題が残る。

【0012】

そこで、本発明の目的は、機械学習を用いて点群の分類を行う点群分類システムにおいて、学習用データの作成工数を低減しつつ、分類精度を向上可能な高性能なプラント点群分類システム及びそれを用いたプラント点群分類方法を提供することにある。

【課題を解決するための手段】

【0013】

上記課題を解決するために、本発明は、プラント設備構造物の所定の特徴量に基づき点群を分類する分類用クラスタリング処理部と、前記分類用クラスタリング処理部で分類した分類毎に、機械学習により分類の閾値を調整するクラスタリング最適化処理部と、前記クラスタリング最適化処理部で調整した閾値を前記分類用クラスタリング処理部へフィードバックする分類パラメータ学習部と、前記クラスタリング最適化処理部で分類精度が最大化された閾値に基づき点群を分類する点群分類部と、を備えることを特徴とする。

【0014】

また、本発明は、点群の分類を行うプラント点群分類方法であって、（ａ）プラント設備構造物の所定の特徴量に基づき点群を分類するステップと、（ｂ）前記（ａ）ステップで分類した分類毎に、機械学習により分類の閾値を調整するステップと、（ｃ）前記（ｂ）ステップで調整した閾値を前記（ａ）ステップでの分類にフィードバックするステップと、（ｄ）前記（ｃ）ステップで分類精度が最大化された閾値に基づき点群を分類するステップと、を有することを特徴とする。

【発明の効果】

【0015】

本発明によれば、機械学習を用いて点群の分類を行う点群分類システムにおいて、学習用データの作成工数を低減しつつ、分類精度を向上可能な高性能なプラント点群分類システム及びそれを用いたプラント点群分類方法を実現することができる。

【0016】

これにより、プラント工事の業務効率向上と工期短縮が図れる。

【0017】

上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

【図面の簡単な説明】

【0018】

【図1】本発明の実施例１に係るプラント点群分類方法を示す概念図である。

【図2】本発明の実施例２に係るプラント点群分類システムの機能ブロック図である。

【図3】図２のプラント点群分類システムの構成例を示すシステム構成図である。

【図4】本発明の実施例２に係るプラント点群分類方法を示すフローチャートである。

【図5】図３の入出力部の表示例を示す図である。

【図6】従来のプラント点群分類方法を示す図である。

【発明を実施するための形態】

【0019】

以下、図面を用いて本発明の実施例を説明する。なお、各図面において同一の構成については同一の符号を付し、重複する部分についてはその詳細な説明は省略する。

【実施例0020】

先ず、図１及び図６を参照して、本発明を適用しない従来の手法によるプラント点群分類方法の例と、本発明のコンセプトとなるプラント点群分類方法について説明する。図１は、本発明のコンセプトとなるプラント点群分類方法を示す概念図である。図６は、従来のプラント点群分類方法の一例を示す図であり、躯体の分類に適用した場合を示している。

【0021】

従来のプラント点群分類方法では、図６に示すように、第一段階（Step 1）として、プラント構造物毎に特徴量の分析を行う。例えば、躯体であれば、躯体をレーザスキャナでスキャンした躯体点群に対し、特徴量分析を行い、躯体特徴の知識（情報）を作成する。そして、第二段階（Step 2）において、この躯体特徴の知識（情報）とプラント設備全体の点群を比較し、壁や機器、配管などの様々な構造物の点群の中から躯体点群を抽出する。

【0022】

上述した従来のプラント点群分類方法では、壁や機器、配管などの様々なプラント構造物毎に、特徴量分析が必要となり、そのための作業工数が大きくなる。

【0023】

そこで、本発明では、図１に示すように、先ず、対象となるプラント設備全体の点群に対し、点群の特徴量に基づいてクラスタリング（分類）を行う。この点群の特徴量には、例えば、プラント設備構造物の形状、大きさ、向き、曲率、色などを用いる。図１では、クラスタリング（分類）の基準（閾値）として、表面積を用いた例を示している。

【0024】

次に、クラスタリング（分類）した点群毎に機械学習を行い、クラスタリング（分類）の基準（閾値）の最適化を実施する。

【0025】

そして、分類精度が最大化された基準（閾値）に基づいてプラント設備全体の点群を分類し、壁や機器、貫通孔などの各点群に分類する。

【0026】

なお、上記の機械学習には、実施例２で後述するように、点群とＣＡＤデータとの照合により作成した学習用データ（教師データ）を用いる。

【0027】

以上のように、点群の形状や大きさ、向き、曲率、色などの特徴量に基づいて点群をクラスタリングした後に機械学習を実施し、機械学習時の分類精度を最大化するようにクラスタリングを最適化することで、点群の分類精度を向上することができる。

【0028】

また、点群とＣＡＤデータを照合することで、学習用データ（教師データ）の作成を効率化することができる。

【実施例0029】

次に、図２から図５を参照して、本発明のプラント点群分類システム及びプラント点群分類方法の具体的な構成と動作（作用）、及びフローについて説明する。図２は、本発明のプラント点群分類システム１の機能ブロック図である。図３は、図２のプラント点群分類システム１の構成例を示すシステム構成図である。図４は、本発明のプラント点群分類方法を示すフローチャートである。図５は、図３の入出力部４の表示例を示す図である。

【0030】

本発明のプラント点群分類システム１は、図２に示すように、機械学習に入力する前に点群をクラスタリング（形状等で分割・分類）することで、点群の分類精度を向上する。なお、図２では、面積の例を用いて示している。

【0031】

点群を、所定の面積でクラスタリングした後（図２では、５ｍ^２以下，５ｍ^２～２０ｍ^２，２０ｍ^２超の３分類）、分類毎に機械学習を実施することで、ノイズを間引いて、表面積クラスタリング分割の閾値を調整し、分類精度を最大化する。その結果を、クラスタリングにフィードバックすることで、分類精度を向上する。

【0032】

本発明のプラント点群分類システム１の構成例としては、図３のようなシステム構成が考えられる。

【0033】

本発明のプラント点群分類システム１は、図３に示すように、主要な構成として、記憶部２と、計算部３と、入出力部４と、それらを互いに接続する通信ネットワーク５を備えている。

【0034】

記憶部２には、プラント設備構造物のプラント設備情報（知識）６、分類の対象となる点群７、過去の実績値である学習済モデル８、ＣＡＤモデル９等のデータが格納されている。

【0035】

計算部３は、プラント設備構造物の所定の特徴量（例えば、プラント設備構造物の形状、大きさ、向き、曲率、色など）に基づき点群を分類する分類用クラスタリング処理部１０と、分類用クラスタリング処理部１０で分類した分類毎に、機械学習により分類の基準（閾値）を調整するクラスタリング最適化処理部１１と、クラスタリング最適化処理部１１で調整した基準（閾値）を分類用クラスタリング処理部１０へフィードバックする分類パラメータ学習部１２と、クラスタリング最適化処理部１１で分類精度が最大化された基準（閾値）に基づき点群を分類する点群分類部１３と、点群とＣＡＤデータを照合し、クラスタリング最適化処理部１１での機械学習に用いる教師データを作成する点群－ＣＡＤ照合部１４と、を備えて構成されている。

【0036】

入出力部４は、分類用クラスタリング処理部１０での点群の分類処理や、点群－ＣＡＤ照合部１４での学習用データ（教師データ）の作成処理を作業者が修正可能なフィードバックインターフェースである。

【0037】

通信ネットワーク５は、無線通信または有線通信による通信網であり、記憶部２、計算部３、入出力部４を互いに接続する。

【0038】

図４を用いて、本発明のプラント点群分類方法のフローを説明する。

【0039】

プラント点群分類システム１が処理を開始すると、先ず、ステップＳ１において、プラント設備構造物の所定の特徴量（例えば、プラント設備構造物の形状、大きさ、向き、曲率、色など）に基づき点群を分類する。

【0040】

ステップＳ１と並行して、ステップＳ２において、点群とＣＡＤデータを照合し、学習用データ（教師データ）を作成する。

【0041】

次に、ステップＳ３において、分類毎に機械学習により分類の基準（閾値）を調整する。

【0042】

続いて、ステップＳ４において、分類精度が最大化されたか否かを判定する。分類精度が最大化されたと判定した場合（Ｙｅｓ）、ステップＳ５に進み、最大化された基準（閾値）に基づいて点群を分類し、処理を終了する。

【0043】

一方、ステップＳ４において、分類精度が最大化されていないと判定した場合（Ｎｏ）、ステップＳ１に戻り、分類精度が最大化されたと判定されるまでステップＳ１，Ｓ３，Ｓ４の処理を繰り返す。

【0044】

図５を用いて、入出力部４の表示例を説明する。図５には、クラスタリング結果の表示画面を示している。

【0045】

図５の左側には、クラスタリング結果が示されており、クラスタ名毎に、クラスタリングの条件（図５では、条件１（形状）、条件２（面積）、条件３（向き）、条件４（色））を表示している。また、図５の右側には、選択中のクラスタ名と、それに対応する特徴量、クラスタ点群を表示している。

【0046】

図５に示すように、入出力部４に、クラスタリング結果とそれに対応する特徴量やクラスタ点群を表示することで、作業者がクラスタリング結果を確認しながら、必要に応じて、分類用クラスタリング処理部１０での点群の分類処理や、点群－ＣＡＤ照合部１４での学習用データ（教師データ）の作成処理を修正することも可能である。

【0047】

以上説明したように、本発明のプラント点群分類システム及びプラント点群分類方法によれば、機械学習に入力する前に点群をクラスタリング（形状等で分割・分類）することで、学習用データ（教師データ）の作成工数を低減しつつ、分類精度を向上することができる。これにより、プラント工事の業務効率向上と工期短縮が図れる。

【0048】

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。