(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】P2023154516
(43)【公開日】2023-10-20
(54)【発明の名称】修正領域抽出システム
(51)【国際特許分類】
G09B 29/00 20060101AFI20231013BHJP
G01C 7/04 20060101ALI20231013BHJP
【ＦＩ】
G09B29/00 Z
G01C7/04
【審査請求】未請求
【請求項の数】5
【出願形態】ＯＬ
(21)【出願番号】P 2022063866
(22)【出願日】2022-04-07
(71)【出願人】
【識別番号】390023249
【氏名又は名称】国際航業株式会社
(74)【代理人】
【識別番号】110001335
【氏名又は名称】弁理士法人 武政国際特許商標事務所
(72)【発明者】
【氏名】橋本 寛治
(72)【発明者】
【氏名】鈴木 久美子
(72)【発明者】
【氏名】高橋 元気
(72)【発明者】
【氏名】王 ア
【テーマコード（参考）】
2C032
【Ｆターム（参考）】
2C032HB11
2C032HB22
2C032HC22
(57)【要約】
【課題】本願発明の課題は、従来の問題を解決することであり、すなわち、過剰フィルタリングとフィルタリング漏れの特性の相違を勘案したうえで、１次処理データに対して修正すべき領域の候補を自動的に抽出することができる修正領域抽出システムを提供することである。
【解決手段】本願発明の修正領域抽出システムは、手動フィルタリング処理の対象となる修正領域を自動抽出するシステムであって過抽出メッシュ検出手段と未抽出メッシュ検出手段を備えたものである。過抽出メッシュ検出手段は除去メッシュと標高を過抽出学習済みモデルに入力することでラベルを付与する手段、未抽出メッシュ検出手段は維持メッシュと標高を未抽出学習済みモデルに入力することでラベルを付与する手段である。過抽出メッシュ検出手段によって地盤ラベルが付与された除去メッシュと、未抽出メッシュ検出手段によって非地盤ラベルが付与された維持メッシュを、修正領域とする。
【選択図】図４
【解決手段】本願発明の修正領域抽出システムは、手動フィルタリング処理の対象となる修正領域を自動抽出するシステムであって過抽出メッシュ検出手段と未抽出メッシュ検出手段を備えたものである。過抽出メッシュ検出手段は除去メッシュと標高を過抽出学習済みモデルに入力することでラベルを付与する手段、未抽出メッシュ検出手段は維持メッシュと標高を未抽出学習済みモデルに入力することでラベルを付与する手段である。過抽出メッシュ検出手段によって地盤ラベルが付与された除去メッシュと、未抽出メッシュ検出手段によって非地盤ラベルが付与された維持メッシュを、修正領域とする。
【選択図】図４
【特許請求の範囲】
【請求項1】
地形モデルに基づいて地盤データを生成するにあたって、手動フィルタリング処理の対象となる修正領域を自動抽出するシステムであって、
前記地形モデルは、複数のメッシュによって構成されるとともに、該メッシュはそれぞれ標高が付され、
前記地形モデルを自動フィルタリング処理して除外された除去メッシュと標高を、過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する過抽出メッシュ検出手段と、
前記地形モデルを自動フィルタリング処理して除外されずに維持された維持メッシュと標高を、未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与する未抽出メッシュ検出手段と、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュと標高を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュと標高を機械学習することによって生成され、
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、前記修正領域とする、
ことを特徴とする修正領域抽出システム。
前記地形モデルは、複数のメッシュによって構成されるとともに、該メッシュはそれぞれ標高が付され、
前記地形モデルを自動フィルタリング処理して除外された除去メッシュと標高を、過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する過抽出メッシュ検出手段と、
前記地形モデルを自動フィルタリング処理して除外されずに維持された維持メッシュと標高を、未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与する未抽出メッシュ検出手段と、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュと標高を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュと標高を機械学習することによって生成され、
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、前記修正領域とする、
ことを特徴とする修正領域抽出システム。
【請求項2】
地形モデルに基づいて地盤データを生成するにあたって、手動フィルタリング処理の対象となる修正領域を自動抽出するシステムであって、
前記地形モデルは、複数のメッシュによって構成されるとともに、該メッシュはそれぞれ標高が付され、
前記地形モデルを自動フィルタリング処理して除外された除去メッシュの標高と、該除去メッシュが除外された後に生成された地盤データの標高と、の標高差分を算出する標高差分算出手段と、
前記除去メッシュと前記標高差分を、過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する過抽出メッシュ検出手段と、
前記地形モデルを自動フィルタリング処理して除外されずに維持された維持メッシュと標高を、未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与する未抽出メッシュ検出手段と、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュと前記標高差分を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュと標高を機械学習することによって生成され、
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、前記修正領域とする、
ことを特徴とする修正領域抽出システム。
前記地形モデルは、複数のメッシュによって構成されるとともに、該メッシュはそれぞれ標高が付され、
前記地形モデルを自動フィルタリング処理して除外された除去メッシュの標高と、該除去メッシュが除外された後に生成された地盤データの標高と、の標高差分を算出する標高差分算出手段と、
前記除去メッシュと前記標高差分を、過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する過抽出メッシュ検出手段と、
前記地形モデルを自動フィルタリング処理して除外されずに維持された維持メッシュと標高を、未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与する未抽出メッシュ検出手段と、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュと前記標高差分を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュと標高を機械学習することによって生成され、
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、前記修正領域とする、
ことを特徴とする修正領域抽出システム。
【請求項3】
前記地形モデルを構成する前記メッシュは、それぞれグレースケール又は色情報が付され、
前記過抽出メッシュ検出手段は、前記除去メッシュに係るグレースケール又は色情報を、前記過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与し、
前記未抽出メッシュ検出手段は、前記維持メッシュに係るグレースケール又は色情報を、前記未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与し、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュに係るグレースケール又は色情報を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュに係るグレースケール又は色情報を機械学習することによって生成される、
ことを特徴とする請求項１又は請求項２記載の修正領域抽出システム。
前記過抽出メッシュ検出手段は、前記除去メッシュに係るグレースケール又は色情報を、前記過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与し、
前記未抽出メッシュ検出手段は、前記維持メッシュに係るグレースケール又は色情報を、前記未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与し、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュに係るグレースケール又は色情報を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュに係るグレースケール又は色情報を機械学習することによって生成される、
ことを特徴とする請求項１又は請求項２記載の修正領域抽出システム。
【請求項4】
地形モデルに基づいて地盤データを生成するにあたって、手動フィルタリング処理の対象となる修正領域を自動抽出するシステムであって、
前記地形モデルは、複数のメッシュによって構成されるとともに、該メッシュはそれぞれグレースケール又は色情報が付され、
前記地形モデルを自動フィルタリング処理して除外された除去メッシュとグレースケール又は色情報を、過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する過抽出メッシュ検出手段と、
前記地形モデルを自動フィルタリング処理して除外されずに維持された維持メッシュとグレースケール又は色情報を、未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与する未抽出メッシュ検出手段と、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュとグレースケール又は色情報を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュとグレースケール又は色情報を機械学習することによって生成され、
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、前記修正領域とする、
ことを特徴とする修正領域抽出システム。
前記地形モデルは、複数のメッシュによって構成されるとともに、該メッシュはそれぞれグレースケール又は色情報が付され、
前記地形モデルを自動フィルタリング処理して除外された除去メッシュとグレースケール又は色情報を、過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する過抽出メッシュ検出手段と、
前記地形モデルを自動フィルタリング処理して除外されずに維持された維持メッシュとグレースケール又は色情報を、未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与する未抽出メッシュ検出手段と、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュとグレースケール又は色情報を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュとグレースケール又は色情報を機械学習することによって生成され、
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、前記修正領域とする、
ことを特徴とする修正領域抽出システム。
【請求項5】
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、修正候補メッシュとする候補メッシュ検出手段と、
あらかじめ定められた判定領域における前記候補メッシュの割合が、あらかじめ定められた割合閾値を上回るときに、該判定領域を前記修正領域として設定する修正領域設定手段と、をさらに備えた、
ことを特徴とする請求項１、請求項２、請求項４のいずれかに記載の修正領域抽出システム。
あらかじめ定められた判定領域における前記候補メッシュの割合が、あらかじめ定められた割合閾値を上回るときに、該判定領域を前記修正領域として設定する修正領域設定手段と、をさらに備えた、
ことを特徴とする請求項１、請求項２、請求項４のいずれかに記載の修正領域抽出システム。
【発明の詳細な説明】
【技術分野】
【0001】
本願発明は、レーザ計測機によって得られた計測結果から地盤面を生成する技術に関するものであり、より具体的には、自動フィルタリング処理を行った後に手動フィルタリングを行うべき領域を自動的抽出することができる修正領域抽出システムに関するものである。
【背景技術】
【0002】
広範囲に渡って「地盤」や「地物」（以下、これらを総称して「地盤等」という。）を計測する場合、これまでは空中写真測量によるのが主流であったが、昨今では、航空レーザ計測や、衛星写真を利用した計測、あるいは合成開口レーダを利用した計測など様々な計測手法が出現し、状況に応じて好適な手法を適宜選択できるようになった。なおここでいう「地物」とは、地盤を除く「物」である。
【0003】
このうち航空レーザ計測は、計測したい対象範囲の上空を航空機で飛行し、この対象範囲にある地盤等に対して照射したレーザパルスの反射波を受けて計測する手法である。通常、航空機にはＧＮＳＳ（Ｇｌｏｂａｌ Ｎａｖｉｇａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍ）などの測位計と、ＩＭＵ（Ｉｎｅｒｔｉａｌ Ｍｅａｓｕｒｅｍｅｎｔ Ｕｎｉｔ）などの慣性測量装置が搭載されているため、これらＧＮＳＳとＩＭＵによってレーザパルス照射時における照射位置（ｘ，ｙ，ｚ）と照射姿勢（ω，φ，κ）を記録することができる。
【0004】
航空機からレーザパルスが照射されるとその照射時刻は記録され、また地盤等で反射したレーザパルスは航空機に搭載されたセンサで受信されるとともにその受信時刻が記録される。したがって、照射時刻と受信時刻との時間差によって計測点（レーザパルスが反射した地点）までの距離が得られ、レーザパルス照射時における照射位置（ｘ，ｙ，ｚ）と照射姿勢（ω，φ，κ）も記録されていることから、レーザパルスの照射点（つまり、計測点）の３次元座標のデータ（以下、「計測点データ」という。）を得ることができるわけである。さらに航空機に搭載されたセンサは、レーザパルスを受信すると、そのときの反射波の強度（以下、「反射強度」という。）が記録される。この反射強度は、いわば受信した反射波のエネルギーの大きさ（レーザパルスの振幅）であり、直接的には電圧として計測され、この電圧を換算することでエネルギーの大きさが得られる。
【0005】
ここまで説明したように航空レーザ計測は、飛行中の航空機から地盤等に対してレーザパルスを照射することで計測点データを取得する手法である。そして、このレーザパルスは１秒間に１００，０００～２，０００，０００回ほど発射されることから、１回の計測（フライト）では夥しい数の計測点データが取得される。また森林などを対象に計測する場合、当然ながら樹木の間を縫って地盤に対してのみレーザパルスを照射する（つまり、地盤を狙ってレーザパルスを照射する）ことは不可能であり、そのため地盤に反射した計測点データのほか、樹葉や樹幹に反射した計測点データも取得される。
【0006】
多くの場合、航空レーザ計測は、対象範囲の地盤の高さを把握するために行われることから、樹葉や樹幹に反射した計測点データ（非地盤データ）はいわば不要なデータである。そのため非地盤データを除去するいわゆるフィルタリングが実施されており、そしてフィルタリングに関する種々の改良技術が提案されている。例えば特許文献１では写真計測による地形モデル（いわゆるサーフェイスモデル）と航空レーザ計測による計測点データを照らし合わせ、写真計測による地形モデルに近似する計測点データは樹葉や樹幹に反射したものである（サーフェイスに相当する）として非地盤データを除去する技術を提案している。
【先行技術文献】
【特許文献】
【0007】
【特許文献1】特開２０１１－１５８２７８号公報
【発明の概要】
【発明が解決しようとする課題】
【0008】
上記したように、地盤の高さを把握するためには非地盤データを除去するフィルタリング処理が行われている。しかしながら、１回の計測で得られる夥しい数の計測点データを人（オペレータ）が判断しながら除去していくのは現実的ではない。そのため一般的には、一定の要件のもと自動的に非地盤データを除去する「自動フィルタリング処理」を行っている。代表的な自動フィルタリング処理の例としては、初期地盤点（特定範囲内の最低点）として抽出された点からＴＩＮ（Ｔｒｉａｎｇｕｌａｔｅｄ Ｉｒｒｅｇｕｌａｒ Ｎｅｔｗｏｒｋ）モデルを形成するとともに、そのＴＩＮモデルのうちサーフェイス付近の地盤点を探索することによって非地盤データを検出（除去）する自動フィルタリング処理や、あるいは受信したレーザパルスの反射強度（レーザパルスの振幅）が所定の閾値を下回る計測点データを非地盤データとして除去する自動フィルタリング処理などを挙げることができる。樹葉等に反射したレーザパルスの反射強度は地盤に反射したそれより小さいことが知られており、したがって小さい（弱い）反射強度のレーザパルスに係る計測点データは無条件に非地盤データとして取り扱うわけである。
【0009】
この自動フィルタリング処理を行うと非地盤データが自動的に抽出されるためオペレータ作業を大幅に軽減することができるものの、当然ながら自動フィルタリング処理によってすべての非地盤データを抽出することはできない。したがって通常は、自動フィルタリング処理によって非地盤データが除去された計測点データ（１次処理データ）に対して、さらにオペレータによる「手動フィルタリング処理」を行っている。すなわち、計測によって得られた計測点データ（オリジナルデータ）に対して自動フィルタリング処理を行って１次処理データを生成し、さらにこの１次処理データに対して手動フィルタリング処理を行うことで最終的な計測点データ（地盤データ）を生成しているのが実情である。
【0010】
手動フィルタリング処理は、オペレータが１次処理データを目視しながら修正すべき領域を抽出したうえで修正を行う処理である。そのため、著しく神経を使う操作であるうえ、誤った操作（いわゆる、ヒューマンエラー）を完全に排除することはできない。そこで本願発明の発明者らは、１次処理データに対して修正すべき領域の候補を自動的に抽出することとし、さらに人工知能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ：ＡＩ）を利用した自動抽出の実現を試みた。修正すべき領域が提示されることによって、オペレータはその領域のみを対象とすれば足りることから、手動フィルタリング処理にかかる作業が大幅に削減されるわけである。
【0011】
ところが、機械学習（例えば、ディープラーニング等）を行って生成された学習済みモデルを用いて修正すべき領域を抽出したところ、それほど高い精度で抽出することができなかった。そして発明者らは、その原因として自動フィルタリング処理による「過剰フィルタリング」と「フィルタリング漏れ」の相違（いわば、特性の違い）が影響していることを見出した。ここで「過剰フィルタリング」とは、地盤のデータであるにもかかわらず誤って除去する処理であり、一方の「フィルタリング漏れ」とは、地盤ではないデータであるにもかかわらず除去しない（つまり、維持する）処理である。すなわち、過剰フィルタリングによって「過抽出」とされた非地盤データと、フィルタリング漏れによって「抽出漏れ」とされたデータを同等に扱って処理することに問題があったわけである。
【0012】
本願発明の課題は、従来の問題を解決することであり、すなわち、自動フィルタリング処理による過剰フィルタリングとフィルタリング漏れの特性の相違を勘案したうえで、１次処理データに対して修正すべき領域の候補を自動的に抽出することができる修正領域抽出システムを提供することである。
【課題を解決するための手段】
【0013】
本願発明は、過抽出データを抽出するための処理と抽出漏れデータを抽出するための処理をそれぞれ個別に実行する、すなわち過剰フィルタリングに対応する学習済みモデルとフィルタリング漏れの学習済みモデルをそれぞれ生成する、という点に着目したものであり、従来にはなかった発想に基づいてなされた発明である。
【0014】
本願発明の修正領域抽出システムは、地形モデル（複数のメッシュによって構成され、それぞれのメッシュに標高が付されたモデル）に基づいて地盤データを生成するにあたって、手動フィルタリング処理の対象となる修正領域を自動抽出するシステムであって、過抽出メッシュ検出手段と未抽出メッシュ検出手段を備えたものである。このうち過抽出メッシュ検出手段は、地形モデルを自動フィルタリング処理して除外された除去メッシュと標高を、過抽出学習済みモデルに入力することによって、除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する手段である。また未抽出メッシュ検出手段は、地形モデルを自動フィルタリング処理して除外されずに維持された維持メッシュと標高を、未抽出学習済みモデルに入力することによって、維持メッシュに対して地盤ラベル又は非地盤ラベルを付与する手段である。なお、過抽出学習済みモデルは、除去メッシュに付された「地盤ラベル又は非地盤ラベル（教師データ）」と「標高（入力データ）」を学習データとして機械学習することによって生成され、未抽出学習済みモデルは、維持メッシュに付された「地盤ラベル又は非地盤ラベル（教師データ）」と「標高（入力データ）」を学習データとして機械学習することによって生成される。そして、過抽出メッシュ検出手段によって地盤ラベルが付与された除去メッシュと、未抽出メッシュ検出手段によって非地盤ラベルが付与された維持メッシュを、修正領域とする。
【0015】
本願発明の修正領域抽出システムは、標高差分算出手段をさらに備えたものとすることもできる。この標高差分算出手段は、除去メッシュの標高と、除去メッシュが除外された後に生成された地盤データの標高との標高差分を算出する手段である。この場合、過抽出メッシュ検出手段は、除去メッシュと標高差分を、過抽出学習済みモデルに入力することによって、除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する。またこの場合の過抽出学習済みモデルは、除去メッシュに付された「地盤ラベル又は非地盤ラベル（教師データ）」と「標高差分（入力データ）」を学習データとして機械学習することによって生成される。
【0016】
本願発明の修正領域抽出システムは、標高や標高差分に加え、メッシュに付されたグレースケール（あるいは、色情報）に基づいて修正領域を自動抽出するものとすることもできる。この場合、過抽出メッシュ検出手段は、除去メッシュに係るグレースケール（あるいは、色情報）と標高（あるいは、標高差分）を過抽出学習済みモデルに入力することによって除去メッシュに対して地盤ラベル又は非地盤ラベルを付与し、未抽出メッシュ検出手段は、維持メッシュに係るグレースケール（あるいは、色情報）と標高（あるいは、標高差分）を未抽出学習済みモデルに入力することによって維持メッシュに対して地盤ラベル又は非地盤ラベルを付与する。またこの場合の過抽出学習済みモデルは、除去メッシュに付された「地盤ラベル又は非地盤ラベル（教師データ）」と除去メッシュに係る「グレースケールや色情報と、標高や標高差分（入力データ）」を学習データとして機械学習することによって生成され、未抽出学習済みモデルは、維持メッシュに付された「地盤ラベル又は非地盤ラベル（教師データ）」と維持メッシュに係る「グレースケールや色情報と、標高や標高差分（入力データ）」を学習データとして機械学習することによって生成される。
【0017】
本願発明の修正領域抽出システムは、標高や標高差分に含めることなく、メッシュに付されたグレースケール（あるいは、色情報）に基づいて修正領域を自動抽出するものとすることもできる。この場合、過抽出メッシュ検出手段は、除去メッシュに係るグレースケール（あるいは、色情報）を過抽出学習済みモデルに入力することによって除去メッシュに対して地盤ラベル又は非地盤ラベルを付与し、未抽出メッシュ検出手段は、維持メッシュに係るグレースケール（あるいは、色情報）を未抽出学習済みモデルに入力することによって維持メッシュに対して地盤ラベル又は非地盤ラベルを付与する。またこの場合の過抽出学習済みモデルは、除去メッシュに付された「地盤ラベル又は非地盤ラベル（教師データ）」と除去メッシュに係る「グレースケールや色情報除去（入力データ）」を学習データとして機械学習することによって生成され、未抽出学習済みモデルは、維持メッシュに付された「地盤ラベル又は非地盤ラベル（教師データ）」と維持メッシュに係る「グレースケールや色情報（入力データ）」を学習データとして機械学習することによって生成される。
【0018】
本願発明の修正領域抽出システムは、候補メッシュ検出手段と修正領域設定手段をさらに備えたものとすることもできる。この候補メッシュ検出手段は、過抽出メッシュ検出手段によって地盤ラベルが付与された除去メッシュと、未抽出メッシュ検出手段によって非地盤ラベルが付与された維持メッシュを、修正候補メッシュとする手段である。また修正領域設定手段は、あらかじめ定められた判定領域における候補メッシュの割合が、あらかじめ定められた割合閾値を上回るときに、判定領域を修正領域として設定する手段である。
【発明の効果】
【0019】
本願発明の修正領域抽出システムには、次のような効果がある。
（１）過抽出データを抽出する処理、抽出漏れデータを抽出する処理を、それぞれ個別に実行することから、手動フィルタリング処理の対象とすべき領域を比較的精度よく抽出することができる。
（２）手動フィルタリング処理の対象とすべき領域が自動抽出されるため、手動フィルタリング処理にかかるオペレータ作業が大幅に削減される。
（３）また、手動フィルタリング処理の対象とすべき領域が自動抽出されるため、オペレータ作業に伴うヒューマンエラーも回避しやすくなる。
（１）過抽出データを抽出する処理、抽出漏れデータを抽出する処理を、それぞれ個別に実行することから、手動フィルタリング処理の対象とすべき領域を比較的精度よく抽出することができる。
（２）手動フィルタリング処理の対象とすべき領域が自動抽出されるため、手動フィルタリング処理にかかるオペレータ作業が大幅に削減される。
（３）また、手動フィルタリング処理の対象とすべき領域が自動抽出されるため、オペレータ作業に伴うヒューマンエラーも回避しやすくなる。
【図面の簡単な説明】
【0020】
【図1】複数のメッシュによって構成される地形モデルを模式的に示すモデル図。
【図2】「地盤データ」を模式的に示す断面図。
【図3】自動フィルタリング処理による「過剰フィルタリング」と「フィルタリング漏れ」を説明するモデル図。
【図4】本願発明の修正領域抽出システムの主な構成を示すブロック図。
【図5】第１の実施例における修正領域抽出システム１００の主な処理の流れの一例を示すフロー図。
【図6】第２の実施例における修正領域抽出システム１００の主な処理の流れの一例を示すフロー図。
【図7】第３の実施例における修正領域抽出システム１００の主な処理の流れの一例を示すフロー図。
【発明を実施するための形態】
【0021】
本願発明の修正領域抽出システムの実施形態の一例を、図に基づいて説明する
【0022】
１．定義
本願発明の実施形態の例を説明するにあたって、はじめにここで用いる用語の定義を示しておく。
本願発明の実施形態の例を説明するにあたって、はじめにここで用いる用語の定義を示しておく。
【0023】
（地形モデル）
航空レーザ計測によって地盤等を計測すると、３次元座標を具備する多数の計測点データ（以下、「３次元点群」という。）が得られる。ここで「地形モデル」とは、この３次元点群に基づいて生成されるモデルであり、例えばＤＳＭ（Ｄｉｇｉｔａｌ Ｓｕｒｆａｃｅ Ｍｏｄｅｌ）やＤＥＭ（Ｄｉｇｉｔａｌ Ｅｌｅｖａｔｉｏｎ Ｍｏｄｅｌ）などが知られている。通常、地形モデルは、図１に示すように計測対象の平面範囲を複数分割（図では、１８０分割）した小領域（以下、「メッシュＭＳ」という。）によって構成される。このメッシュＭＳは、例えば直交するグリッドに区切られて形成されピクセル（画素）とも呼ばれるもので、それぞれのメッシュＭＳは標高が付与された代表点を備えている。航空レーザ計測によって得られる３次元点群はランダムデータ（平面的に不規則な配置のデータ）で構成されるため、小領域の代表点に標高を与えるには幾何計算されることが多い。その計算方法としては、ランダムデータから形成される不整三角網によって高さを求めるＴＩＮよる手法や、最も近いレーザ計測点を採用する最近傍法（Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ）による手法、逆距離加重法（ＩＤＷ：Ｉｎｖｅｒｓｅ Ｄｉｓｔａｎｃｅ Ｗｅｉｇｈｔｉｎｇ）、Ｋｒｉｇｉｎｇ法、平均法などを挙げることができる。
航空レーザ計測によって地盤等を計測すると、３次元座標を具備する多数の計測点データ（以下、「３次元点群」という。）が得られる。ここで「地形モデル」とは、この３次元点群に基づいて生成されるモデルであり、例えばＤＳＭ（Ｄｉｇｉｔａｌ Ｓｕｒｆａｃｅ Ｍｏｄｅｌ）やＤＥＭ（Ｄｉｇｉｔａｌ Ｅｌｅｖａｔｉｏｎ Ｍｏｄｅｌ）などが知られている。通常、地形モデルは、図１に示すように計測対象の平面範囲を複数分割（図では、１８０分割）した小領域（以下、「メッシュＭＳ」という。）によって構成される。このメッシュＭＳは、例えば直交するグリッドに区切られて形成されピクセル（画素）とも呼ばれるもので、それぞれのメッシュＭＳは標高が付与された代表点を備えている。航空レーザ計測によって得られる３次元点群はランダムデータ（平面的に不規則な配置のデータ）で構成されるため、小領域の代表点に標高を与えるには幾何計算されることが多い。その計算方法としては、ランダムデータから形成される不整三角網によって高さを求めるＴＩＮよる手法や、最も近いレーザ計測点を採用する最近傍法（Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ）による手法、逆距離加重法（ＩＤＷ：Ｉｎｖｅｒｓｅ Ｄｉｓｔａｎｃｅ Ｗｅｉｇｈｔｉｎｇ）、Ｋｒｉｇｉｎｇ法、平均法などを挙げることができる。
【0024】
（地盤データ）
航空レーザ計測に基づいて生成される地形モデルは、通常、地盤等の表面を表すもの（例えば、ＤＳＭ）である。ここで地物の表面とは、農地や森林といった緑被物、あるいは建物など地盤上に建造された人工物などの地物や地盤の上面を意味する。これに対して「地盤データ」は、図２に示すように地物がない状態を表すデータであり、すなわち航空レーザ計測に基づいて生成される最初の地形モデル（以下、特に「オリジナル地形モデル」という。）から地物を取り除いた後のデータである。なお図２に示す地盤データは、オリジナル地形モデルから自動フィルタリング処理によって非地盤データを除去し、その除去されたメッシュに対して内挿処理が実行された地盤モデル（例えば、ＤＥＭ）である。
航空レーザ計測に基づいて生成される地形モデルは、通常、地盤等の表面を表すもの（例えば、ＤＳＭ）である。ここで地物の表面とは、農地や森林といった緑被物、あるいは建物など地盤上に建造された人工物などの地物や地盤の上面を意味する。これに対して「地盤データ」は、図２に示すように地物がない状態を表すデータであり、すなわち航空レーザ計測に基づいて生成される最初の地形モデル（以下、特に「オリジナル地形モデル」という。）から地物を取り除いた後のデータである。なお図２に示す地盤データは、オリジナル地形モデルから自動フィルタリング処理によって非地盤データを除去し、その除去されたメッシュに対して内挿処理が実行された地盤モデル（例えば、ＤＥＭ）である。
【0025】
（色情報とグレースケール）
本来、色は人の視覚で認識するものであり、個人差が伴うものである。近年、この色をコンピュータ（電式計算機）で扱うべくモデル化するようになった。色をモデル化する手法にも種々あり、赤（Ｒｅｄ）・緑（Ｇｒｅｅｎ）・青（Ｂｌｕｅ）の３色を基本色とするＲＧＢ、シアン（Ｃｙａｎ）・マゼンタ（Ｍａｇｅｎｔａ）・イエロー（Ｙｅｌｌｏｗ）・ブラック（Ｋｅｙ ｃｏｌｏｒ）の４色を基本色とするＣＭＹＫ、黄・赤・青・緑・黒・白の６色を基本色とするＮＣＳやオストワルト表色系などが知られている。また色は、色相、彩度、明度からなる３つの属性を備えており、例えばＲＧＢでは赤・緑・青の３原色を混ぜ合わせて（加法混色）種々の色相、彩度、明度を表現する。このようにＲＧＢや、ＣＭＹＫ、ＮＣＳ、オストワルト表色系といった色のモデル化によって規定される、いわば色を特定するための値のことをここでは「色情報」ということとする。例えばＲＧＢを採用した場合、純色の赤の色情報は（２５５，０，０）であり、純色の緑の色情報は（０，２５５，０）、純色の青の色情報は（０，０，２５５）となる。
本来、色は人の視覚で認識するものであり、個人差が伴うものである。近年、この色をコンピュータ（電式計算機）で扱うべくモデル化するようになった。色をモデル化する手法にも種々あり、赤（Ｒｅｄ）・緑（Ｇｒｅｅｎ）・青（Ｂｌｕｅ）の３色を基本色とするＲＧＢ、シアン（Ｃｙａｎ）・マゼンタ（Ｍａｇｅｎｔａ）・イエロー（Ｙｅｌｌｏｗ）・ブラック（Ｋｅｙ ｃｏｌｏｒ）の４色を基本色とするＣＭＹＫ、黄・赤・青・緑・黒・白の６色を基本色とするＮＣＳやオストワルト表色系などが知られている。また色は、色相、彩度、明度からなる３つの属性を備えており、例えばＲＧＢでは赤・緑・青の３原色を混ぜ合わせて（加法混色）種々の色相、彩度、明度を表現する。このようにＲＧＢや、ＣＭＹＫ、ＮＣＳ、オストワルト表色系といった色のモデル化によって規定される、いわば色を特定するための値のことをここでは「色情報」ということとする。例えばＲＧＢを採用した場合、純色の赤の色情報は（２５５，０，０）であり、純色の緑の色情報は（０，２５５，０）、純色の青の色情報は（０，０，２５５）となる。
【0026】
「グレースケール」は、白から黒まで複数の段階に分けるモデルにおいて、濃淡の程度を特定する値である。例えば、白から黒まで２５６段階に分けたとすると、白は２５５というグレースケールで表すことができ、黒は０というグレースケールで表すことができる。
【0027】
上記したとおり地形モデルは、複数のメッシュＭＳによって構成され、それぞれのメッシュＭＳには標高が付されている。一方、標高に応じた色情報やグレースケールが設定されることもある。つまりこの場合、地形モデルを構成するそれぞれのメッシュＭＳ（ピクセル）には標高に加えて色情報やグレースケールを与えることもできる。便宜上ここでは、メッシュＭＳに色情報やグレースケールが付された地形モデルのことを、特に「色付の地形モデル」ということとする。
【0028】
（除去メッシュと維持メッシュ）
既述したとおり、３次元座標に基づいて地盤データを生成するにあたっては、オリジナル地形モデルに対して自動フィルタリング処理が実施され、さらに手動フィルタリング処理が実施される。便宜上ここでは、オリジナル地形モデルを自動フィルタリング処理した結果得られるデータのことを「中間地形モデル」ということとする。つまり、「オリジナル地形モデル」を自動フィルタリング処理することで「中間地形モデル」が得られ、「中間地形モデル」を手動フィルタリング処理することで「地盤データ」が得られるわけである。
既述したとおり、３次元座標に基づいて地盤データを生成するにあたっては、オリジナル地形モデルに対して自動フィルタリング処理が実施され、さらに手動フィルタリング処理が実施される。便宜上ここでは、オリジナル地形モデルを自動フィルタリング処理した結果得られるデータのことを「中間地形モデル」ということとする。つまり、「オリジナル地形モデル」を自動フィルタリング処理することで「中間地形モデル」が得られ、「中間地形モデル」を手動フィルタリング処理することで「地盤データ」が得られるわけである。
【0029】
自動フィルタリング処理では、オリジナル地形モデルを構成するそれぞれのメッシュＭＳを、地盤を表すメッシュＭＳか、あるいは地盤ではない（非地盤データとなる）メッシュＭＳに分類する。そして、地盤を表すと判定されたメッシュＭＳそのまま残し、一方、非地盤データと判定されたメッシュＭＳは取り除かれる。便宜上ここでは、自動フィルタリング処理によって地盤を表すと判定されたメッシュＭＳのことを特に「維持メッシュＭＳｋ」と、非地盤データと判定されたメッシュＭＳのことを特に「除去メッシュＭＳｅ」ということとする。例えば図１では、１８０のメッシュＭＳのうち、１５９のメッシュＭＳが維持メッシュＭＳｋに分類され、網掛された２１のメッシュＭＳが除去メッシュＭＳｅに分類されている。なお、一般的な自動フィルタリング処理では、除去メッシュＭＳｅに対して新たな標高（本来の地盤を表す標高）が与えられる。すなわち、基本的には全てのメッシュＭＳ（維持メッシュＭＳｋと除去メッシュＭＳｅ）に標高が与えられたうえで、地盤データが生成される。
【0030】
（学習済みモデル）
既述したとおり自動フィルタリング処理では、地盤であるにもかかわらず誤って除去メッシュＭＳｅとして除去する「過剰フィルタリング」や、地盤ではないにもかかわらず維持メッシュＭＳｋとして残してしまう「フィルタリング漏れ」が生じる。例えば図３のケースでは、オリジナル地形モデルから自動フィルタリング処理によって非地盤データを除去し、その除去されたメッシュに対して内挿処理が実行されているが（例えば、堤防の下や、左側の建物の下）、本来は地盤である「堤防」を維持メッシュＭＳｋデータとして残すべきところこれを除去する「過剰フィルタリング」が生じており、一方、地物である「建物」を除去メッシュＭＳｅとして除去すべきところこれを維持する「フィルタリング漏れ」が生じている。そこで本願発明では、機械学習の技術を利用することによって自動フィルタリング処理による「過剰フィルタリング」や「フィルタリング漏れ」を検出することとしている。つまり、多数の学習データ（教師データと入力データ）を機械学習することによって生成されるモデルを利用して、自動フィルタリング処理の誤判定を検出するわけである。便宜上ここでは、機械学習によって生成されるモデルのことを「学習済みモデル」ということとする。なお本願発明では、学習済みモデルを生成するための機械学習技術として、深層学習（ｄｅｅｐ ｌｅａｒｎｉｎｇ）をはじめとする種々の技術を採用することができる。
既述したとおり自動フィルタリング処理では、地盤であるにもかかわらず誤って除去メッシュＭＳｅとして除去する「過剰フィルタリング」や、地盤ではないにもかかわらず維持メッシュＭＳｋとして残してしまう「フィルタリング漏れ」が生じる。例えば図３のケースでは、オリジナル地形モデルから自動フィルタリング処理によって非地盤データを除去し、その除去されたメッシュに対して内挿処理が実行されているが（例えば、堤防の下や、左側の建物の下）、本来は地盤である「堤防」を維持メッシュＭＳｋデータとして残すべきところこれを除去する「過剰フィルタリング」が生じており、一方、地物である「建物」を除去メッシュＭＳｅとして除去すべきところこれを維持する「フィルタリング漏れ」が生じている。そこで本願発明では、機械学習の技術を利用することによって自動フィルタリング処理による「過剰フィルタリング」や「フィルタリング漏れ」を検出することとしている。つまり、多数の学習データ（教師データと入力データ）を機械学習することによって生成されるモデルを利用して、自動フィルタリング処理の誤判定を検出するわけである。便宜上ここでは、機械学習によって生成されるモデルのことを「学習済みモデル」ということとする。なお本願発明では、学習済みモデルを生成するための機械学習技術として、深層学習（ｄｅｅｐ ｌｅａｒｎｉｎｇ）をはじめとする種々の技術を採用することができる。
【0031】
また本願発明では、除去メッシュＭＳｅを処理する学習済みモデル（以下、特に「過抽出学習済みモデル」という。）と、維持メッシュＭＳｋを処理する学習済みモデル（以下、特に「未抽出学習済みモデル」という。）を利用することも技術的特徴としている。すなわち、自動フィルタリング処理による「過剰フィルタリング」は過抽出学習済みモデルによって検出し、自動フィルタリング処理による「フィルタリング漏れ」は未抽出学習済みモデルによって検出するわけである。より具体的には、過抽出学習済みモデルが除去メッシュＭＳｅに対して地盤を意味するラベル（以下、単に「地盤ラベル」という。）、あるいは地盤ではないことを意味するラベル（以下、単に「非地盤ラベル」という。）を与えるとともに、未抽出学習済みモデルが維持メッシュＭＳｋに対して地盤ラベルか非地盤ラベルを与える。
【0032】
（修正領域と判定領域）
本願発明は、自動フィルタリング処理による誤った判断を検出することによって、手動フィルタリング処理の対象とすべき領域を抽出する。換言すれば、自動フィルタリング処理によって分類された除去メッシュＭＳｅのうち実際は地盤を表すメッシュＭＳ（以下、特に「地盤メッシュＭＳ」という。）を検出するとともに、自動フィルタリング処理によって分類された維持メッシュＭＳｋのうち実際は地盤ではないメッシュＭＳ（以下、特に「非地盤メッシュＭＳ」という。）を検出することによって、目的の領域を抽出する。便宜上ここでは、手動フィルタリング処理の対象とすべき領域のことを、「修正領域」ということとする。
本願発明は、自動フィルタリング処理による誤った判断を検出することによって、手動フィルタリング処理の対象とすべき領域を抽出する。換言すれば、自動フィルタリング処理によって分類された除去メッシュＭＳｅのうち実際は地盤を表すメッシュＭＳ（以下、特に「地盤メッシュＭＳ」という。）を検出するとともに、自動フィルタリング処理によって分類された維持メッシュＭＳｋのうち実際は地盤ではないメッシュＭＳ（以下、特に「非地盤メッシュＭＳ」という。）を検出することによって、目的の領域を抽出する。便宜上ここでは、手動フィルタリング処理の対象とすべき領域のことを、「修正領域」ということとする。
【0033】
上記したように、メッシュＭＳごとに地盤メッシュＭＳや非地盤メッシュＭＳが検出されることから、修正領域はメッシュＭＳ単位で抽出することができる。あるいは、ある程度メッシュＭＳをまとめた領域ごとに修正領域を抽出することもできる。このように修正領域を抽出するための領域、すなわちあらかじめ定められた数や配置からなるメッシュＭＳの集合のことを、便宜上ここでは「判定領域」ということとする。例えば図１では、横４×縦５からなるメッシュＭＳによって判定領域を設定することとしており、全部で９の判定領域が示されている。
【0034】
２．修正領域抽出システム
次に、本願発明の修正領域抽出システムについて、図を参照しながら詳しく説明する。 図４は、本願発明の修正領域抽出システム１００の主な構成を示すブロック図である。この図に示すように修正領域抽出システム１００は、過抽出メッシュ検出手段１０１と未抽出メッシュ検出手段１０２を含んで構成され、さらに標高差分算出手段１０３や候補メッシュ検出手段１０４、修正領域設定手段１０５、自動フィルタリング処理手段１０６、過抽出学習済みモデル生成手段１０７、未抽出学習済みモデル生成手段１０８、地形モデル記憶手段１０９、過抽出学習済みモデル記憶手段１１０、未抽出学習済みモデル記憶手段１１１などを含んで構成することもできる。
次に、本願発明の修正領域抽出システムについて、図を参照しながら詳しく説明する。 図４は、本願発明の修正領域抽出システム１００の主な構成を示すブロック図である。この図に示すように修正領域抽出システム１００は、過抽出メッシュ検出手段１０１と未抽出メッシュ検出手段１０２を含んで構成され、さらに標高差分算出手段１０３や候補メッシュ検出手段１０４、修正領域設定手段１０５、自動フィルタリング処理手段１０６、過抽出学習済みモデル生成手段１０７、未抽出学習済みモデル生成手段１０８、地形モデル記憶手段１０９、過抽出学習済みモデル記憶手段１１０、未抽出学習済みモデル記憶手段１１１などを含んで構成することもできる。
【0035】
修正領域抽出システム１００を構成する過抽出メッシュ検出手段１０１と未抽出メッシュ検出手段１０２、標高差分算出手段１０３、候補メッシュ検出手段１０４、修正領域設定手段１０５、自動フィルタリング処理手段１０６、過抽出学習済みモデル生成手段１０７、未抽出学習済みモデル生成手段１０８は、専用のものとして製造することもできるし、汎用的なコンピュータ装置を利用することもできる。すなわち、所定のプログラムによってコンピュータ装置に演算処理を実行させることで、それぞれの手段特有の処理を行うわけである。このコンピュータ装置は、ＣＰＵ等のプロセッサ、ＲＯＭやＲＡＭといったメモリを具備しており、さらにマウスやキーボード等の入力手段やディスプレイを含むものもあり、例えばパーソナルコンピュータ（ＰＣ）やサーバなどによって構成することができる。
【0036】
また、地形モデル記憶手段１０９と過抽出学習済みモデル記憶手段１１０、未抽出学習済みモデル記憶手段１１１は、汎用的コンピュータ（例えば、パーソナルコンピュータ）の記憶装置を利用することもできるし、データベースサーバに構築することもできる。データベースサーバに構築する場合、ローカルなネットワーク（ＬＡＮ：Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）に置くこともできるし、インターネット経由で保存するクラウドサーバとすることもできる。
【0037】
以下、本願発明の修正領域抽出システム１００を構成する主な要素ごとに詳しく説明する。
【0038】
（自動フィルタリング処理手段）
自動フィルタリング処理手段１０６は、地形モデル記憶手段１０９から読み出した「オリジナル地形モデル」を自動フィルタリング処理することで「中間地形モデル」を生成する手段である。例えば自動フィルタリング処理手段１０６は、所定のプログラムを用いてコンピュータ装置に演算処理を実行させることで自動フィルタリング処理を行う手段とするとよい。このプログラムとしては、従来用いられている（市販されている）種々のものを利用することができる。
自動フィルタリング処理手段１０６は、地形モデル記憶手段１０９から読み出した「オリジナル地形モデル」を自動フィルタリング処理することで「中間地形モデル」を生成する手段である。例えば自動フィルタリング処理手段１０６は、所定のプログラムを用いてコンピュータ装置に演算処理を実行させることで自動フィルタリング処理を行う手段とするとよい。このプログラムとしては、従来用いられている（市販されている）種々のものを利用することができる。
【0039】
自動フィルタリング処理手段１０６が中間地形モデルを生成するにあたっては、オリジナル地形モデルを構成するメッシュＭＳの中から除去メッシュＭＳｅが抽出される。そして、既述したとおり自動フィルタリング処理では、除去メッシュＭＳｅに対して新たな標高（本来の地盤を表す標高）が与えられる。つまり、自動フィルタリング処理手段１０６によって抽出された除去メッシュＭＳｅに関しては、フィルタリング前の（オリジナル地形モデルにおける）標高（以下、「元標高」という。）と、フィルタリング後の（中間地形モデルにおける）標高（以下、「新標高」という。）が設定されることとなる。
【0040】
（標高差分算出手段）
標高差分算出手段１０３は、除去メッシュＭＳｅの元標高と新標高との差分（以下、「標高差分」という。）を求める手段である。この標高差分は、元標高から新標高を差し引いて求める仕様とすることもできるし、そのほか新標高から元標高を差し引いて求める仕様や、元標高と新標高の差の絶対値として求める仕様とすることもできる。なお標高差分算出手段１０３は、自動フィルタリング処理手段１０６によって抽出された全ての除去メッシュＭＳｅに対して標高差分を算出する。
標高差分算出手段１０３は、除去メッシュＭＳｅの元標高と新標高との差分（以下、「標高差分」という。）を求める手段である。この標高差分は、元標高から新標高を差し引いて求める仕様とすることもできるし、そのほか新標高から元標高を差し引いて求める仕様や、元標高と新標高の差の絶対値として求める仕様とすることもできる。なお標高差分算出手段１０３は、自動フィルタリング処理手段１０６によって抽出された全ての除去メッシュＭＳｅに対して標高差分を算出する。
【0041】
（過抽出学習済みモデル生成手段）
過抽出学習済みモデル生成手段１０７は、除去メッシュＭＳｅとその標高との組み合わせを機械学習することによって「過抽出学習済みモデル」を生成する手段である。具体的には、手動フィルタリング処理によって「地盤ラベル」が付された除去メッシュＭＳｅ（つまり、自動フィルタリング処理の判断が誤っているときの除去メッシュＭＳｅ）を選出して、その「地盤ラベル（教師データ）」とその「標高（入力データ）」からなる「正の学習データ」を用意するとともに、手動フィルタリング処理によって「非地盤ラベル」が付された除去メッシュＭＳｅ（つまり、自動フィルタリング処理の判断が正しいときの除去メッシュＭＳｅ）を選出して、その「非地盤ラベル（教師データ）」とその「標高（入力データ）」からなる「負の学習データ」を用意したうえで、数多くの学習データを機械学習することによって「過抽出学習済みモデル」を生成する。
過抽出学習済みモデル生成手段１０７は、除去メッシュＭＳｅとその標高との組み合わせを機械学習することによって「過抽出学習済みモデル」を生成する手段である。具体的には、手動フィルタリング処理によって「地盤ラベル」が付された除去メッシュＭＳｅ（つまり、自動フィルタリング処理の判断が誤っているときの除去メッシュＭＳｅ）を選出して、その「地盤ラベル（教師データ）」とその「標高（入力データ）」からなる「正の学習データ」を用意するとともに、手動フィルタリング処理によって「非地盤ラベル」が付された除去メッシュＭＳｅ（つまり、自動フィルタリング処理の判断が正しいときの除去メッシュＭＳｅ）を選出して、その「非地盤ラベル（教師データ）」とその「標高（入力データ）」からなる「負の学習データ」を用意したうえで、数多くの学習データを機械学習することによって「過抽出学習済みモデル」を生成する。
【0042】
過抽出学習済みモデル生成手段１０７は、除去メッシュＭＳｅの標高に代えて「標高差分」を利用して過抽出学習済みモデルを生成する手段とすることもできる。すなわち、除去メッシュＭＳｅに付された「地盤ラベル（教師データ）」と「標高差分（入力データ）」との組み合わせを「正の学習データ」とし、除去メッシュＭＳｅに付された「非地盤ラベル（教師データ）」と「標高差分（入力データ）」との組み合わせを「負の学習データ」としたうえで、機械学習するわけである。
【0043】
また過抽出学習済みモデル生成手段１０７は、除去メッシュＭＳｅと標高（あるいは、標高差分）に加えて「グレースケール」や「色情報」を利用して過抽出学習済みモデルを生成する手段とすることもできる。すなわち、除去メッシュＭＳｅに付された「地盤ラベル（教師データ）」と「標高や標高差分、及びグレースケールや色情報（入力データ）」との組み合わせを「正の学習データ」とし、除去メッシュＭＳｅに付された「非地盤ラベル（教師データ）」と「標高や標高差分、及びグレースケールや色情報（入力データ）」との組み合わせを「負の学習データ」としたうえで、機械学習するわけである。
【0044】
さらに過抽出学習済みモデル生成手段１０７は、除去メッシュＭＳｅの標高（あるいは、標高差分）に代えて「グレースケール」や「色情報」を利用して過抽出学習済みモデルを生成する手段とすることもできる。すなわち、除去メッシュＭＳｅに付された「地盤ラベル（教師データ）」と「グレースケールや色情報（入力データ）」との組み合わせを「正の学習データ」とし、除去メッシュＭＳｅに付された「非地盤ラベル（教師データ）」と「グレースケールや色情報（入力データ）」との組み合わせを「負の学習データ」としたうえで、機械学習するわけである。過抽出学習済みモデル生成手段１０７によって生成された過抽出学習済みモデルは、過抽出学習済みモデル記憶手段１１０に記憶される（図４）。
【0045】
（未抽出学習済みモデル生成手段）
未抽出学習済みモデル生成手段１０８は、維持メッシュＭＳｋとその標高との組み合わせを機械学習することによって「未抽出学習済みモデル」を生成する手段である。具体的には、「非地盤ラベル」が付された維持メッシュＭＳｋ（つまり、自動フィルタリング処理の判断が誤っているときの維持メッシュＭＳｋ）を選出して、その「非地盤ラベル（教師データ）」とその「標高（入力データ）」からなる「正の学習データ」を用意するとともに、「地盤ラベル」が付された維持メッシュＭＳｋ（つまり、自動フィルタリング処理の判断が正しいときの維持メッシュＭＳｋ）を選出して、その「非地盤ラベル（教師データ）」とその「標高（入力データ）」からなる「負の学習データ」を用意したうえで、数多くの学習データを機械学習することによって「未抽出学習済みモデル」を生成する。
未抽出学習済みモデル生成手段１０８は、維持メッシュＭＳｋとその標高との組み合わせを機械学習することによって「未抽出学習済みモデル」を生成する手段である。具体的には、「非地盤ラベル」が付された維持メッシュＭＳｋ（つまり、自動フィルタリング処理の判断が誤っているときの維持メッシュＭＳｋ）を選出して、その「非地盤ラベル（教師データ）」とその「標高（入力データ）」からなる「正の学習データ」を用意するとともに、「地盤ラベル」が付された維持メッシュＭＳｋ（つまり、自動フィルタリング処理の判断が正しいときの維持メッシュＭＳｋ）を選出して、その「非地盤ラベル（教師データ）」とその「標高（入力データ）」からなる「負の学習データ」を用意したうえで、数多くの学習データを機械学習することによって「未抽出学習済みモデル」を生成する。
【0046】
未抽出学習済みモデル生成手段１０８は、維持メッシュＭＳｋと標高に加えて「色情報」や「グレースケール」を利用して未抽出学習済みモデルを生成する手段とすることもできる。すなわち、維持メッシュＭＳｋに付された「非地盤ラベル（教師データ）」と「標高、及びグレースケールや色情報（入力データ）」との組み合わせを「正の学習データ」とし、維持メッシュＭＳｋに付された「地盤ラベル（教師データ）」と「標高、及びグレースケールや色情報（入力データ）」との組み合わせを「負の学習データ」としたうえで、機械学習するわけである。
【0047】
また未抽出学習済みモデル生成手段１０８は、維持メッシュＭＳｋの標高に代えて「色情報」や「グレースケール」を利用して未抽出学習済みモデルを生成する手段とすることもできる。すなわち、維持メッシュＭＳｋに付された「非地盤ラベル（教師データ）」と「グレースケールや色情報（入力データ）」との組み合わせを「正の学習データ」とし、維持メッシュＭＳｋに付された「地盤ラベル（教師データ）」と「標高、及びグレースケールや色情報（入力データ）」との組み合わせを「負の学習データ」としたうえで、機械学習するわけである。未抽出学習済みモデル生成手段１０８によって生成された未抽出学習済みモデルは、未抽出学習済みモデル記憶手段１１１に記憶される（図４）。
【0048】
（過抽出メッシュ検出手段）
過抽出メッシュ検出手段１０１は、自動フィルタリング処理手段１０６によって抽出された除去メッシュＭＳｅとその標高や標高差分、グレースケール（色情報）との組み合わせを、過抽出学習済みモデルに入力することによって、その除去メッシュＭＳｅに対して地盤ラベル、あるいは非地盤ラベルのいずれかを付与する手段である。そして過抽出メッシュ検出手段１０１は、地盤ラベルが付与された除去メッシュＭＳｅを「地盤メッシュＭＳ」として抽出する。
過抽出メッシュ検出手段１０１は、自動フィルタリング処理手段１０６によって抽出された除去メッシュＭＳｅとその標高や標高差分、グレースケール（色情報）との組み合わせを、過抽出学習済みモデルに入力することによって、その除去メッシュＭＳｅに対して地盤ラベル、あるいは非地盤ラベルのいずれかを付与する手段である。そして過抽出メッシュ検出手段１０１は、地盤ラベルが付与された除去メッシュＭＳｅを「地盤メッシュＭＳ」として抽出する。
【0049】
（未抽出メッシュ検出手段）
未抽出メッシュ検出手段１０２は、自動フィルタリング処理手段１０６によって抽出された維持メッシュＭＳｋとその標高やグレースケール（色情報）との組み合わせを、未抽出学習済みモデルに入力することによって、その維持メッシュＭＳｋに対して非地盤ラベル、あるいは地盤ラベルのいずれかを付与する手段である。そして未抽出メッシュ検出手段１０２は、非地盤ラベルが付与された維持メッシュＭＳｋを「非地盤メッシュＭＳ」として抽出する。
未抽出メッシュ検出手段１０２は、自動フィルタリング処理手段１０６によって抽出された維持メッシュＭＳｋとその標高やグレースケール（色情報）との組み合わせを、未抽出学習済みモデルに入力することによって、その維持メッシュＭＳｋに対して非地盤ラベル、あるいは地盤ラベルのいずれかを付与する手段である。そして未抽出メッシュ検出手段１０２は、非地盤ラベルが付与された維持メッシュＭＳｋを「非地盤メッシュＭＳ」として抽出する。
【0050】
（候補メッシュ検出手段）
候補メッシュ検出手段１０４は、修正領域を構成するメッシュＭＳ（以下、「候補メッシュ」という。）を検出する手段である。具体的には、過抽出メッシュ検出手段１０１によって抽出された「地盤メッシュＭＳ（地盤ラベルが付与された除去メッシュＭＳｅ）」と、未抽出メッシュ検出手段１０２によって抽出された「非地盤メッシュＭＳ（非地盤ラベルが付与された維持メッシュＭＳｋ」を、候補メッシュとして検出する。
候補メッシュ検出手段１０４は、修正領域を構成するメッシュＭＳ（以下、「候補メッシュ」という。）を検出する手段である。具体的には、過抽出メッシュ検出手段１０１によって抽出された「地盤メッシュＭＳ（地盤ラベルが付与された除去メッシュＭＳｅ）」と、未抽出メッシュ検出手段１０２によって抽出された「非地盤メッシュＭＳ（非地盤ラベルが付与された維持メッシュＭＳｋ」を、候補メッシュとして検出する。
【0051】
（修正領域設定手段）
修正領域設定手段１０５は、候補メッシュ検出手段１０４によって検出された候補メッシュに基づいて「修正領域」を設定する手段である。修正領域設定手段１０５は、メッシュＭＳ単位で修正領域を設定することとし、すなわちすべての候補メッシュを修正領域として設定する仕様とすることもできる。あるいは、「判定領域」ごとに修正領域を設定する仕様とすることもできる。この場合、判定領域に占める候補メッシュの割合が、あらかじめ定めた閾値（以下、「割合閾値」という。）を上回る（あるいは、以上となる）ときに、その判定領域を修正領域として設定することができる。例えば図１では、２０のメッシュＭＳによって判定領域が構成されており、仮に割合閾値が２５％で設定されていれば、この場合の修正領域設定手段１０５は、５を超える（あるいは５以上の）候補メッシュを含む判定領域を修正領域として設定するわけである。
修正領域設定手段１０５は、候補メッシュ検出手段１０４によって検出された候補メッシュに基づいて「修正領域」を設定する手段である。修正領域設定手段１０５は、メッシュＭＳ単位で修正領域を設定することとし、すなわちすべての候補メッシュを修正領域として設定する仕様とすることもできる。あるいは、「判定領域」ごとに修正領域を設定する仕様とすることもできる。この場合、判定領域に占める候補メッシュの割合が、あらかじめ定めた閾値（以下、「割合閾値」という。）を上回る（あるいは、以上となる）ときに、その判定領域を修正領域として設定することができる。例えば図１では、２０のメッシュＭＳによって判定領域が構成されており、仮に割合閾値が２５％で設定されていれば、この場合の修正領域設定手段１０５は、５を超える（あるいは５以上の）候補メッシュを含む判定領域を修正領域として設定するわけである。
【0052】
３．実施例
続いて、本願発明の修正領域抽出システム１００の実施例について、図を参照しながら詳しく説明する。なお本願発明の修正領域抽出システム１００は、除去メッシュＭＳｅに係る標高を利用して学習済みモデルを生成する実施例（以下、「第１の実施例」という。）と、除去メッシュＭＳｅに係る標高差分を利用して学習済みモデルを生成する実施例（以下、「第２の実施例」という。）、除去メッシュＭＳｅや維持メッシュＭＳｋに係る色情報（あるいは、グレースケール）を利用して学習済みモデルを生成する実施例（以下、「第３の実施例」という。）に大別することができる。以下、それぞれの実施例について順に説明する。
続いて、本願発明の修正領域抽出システム１００の実施例について、図を参照しながら詳しく説明する。なお本願発明の修正領域抽出システム１００は、除去メッシュＭＳｅに係る標高を利用して学習済みモデルを生成する実施例（以下、「第１の実施例」という。）と、除去メッシュＭＳｅに係る標高差分を利用して学習済みモデルを生成する実施例（以下、「第２の実施例」という。）、除去メッシュＭＳｅや維持メッシュＭＳｋに係る色情報（あるいは、グレースケール）を利用して学習済みモデルを生成する実施例（以下、「第３の実施例」という。）に大別することができる。以下、それぞれの実施例について順に説明する。
【0053】
（第１の実施例）
図５は、第１の実施例における修正領域抽出システム１００の主な処理の流れの一例を示すフロー図であり、中央の列に実行する処理を示し、左列にはその処理に必要なものを、右列にはその処理から生ずるものを示している。
図５は、第１の実施例における修正領域抽出システム１００の主な処理の流れの一例を示すフロー図であり、中央の列に実行する処理を示し、左列にはその処理に必要なものを、右列にはその処理から生ずるものを示している。
【0054】
第１の実施例の場合、過抽出学習済みモデル生成手段１０７は、除去メッシュＭＳｅとその標高との組み合わせを機械学習することによって「過抽出学習済みモデル」を生成する。具体的には、除去メッシュＭＳｅに付された「地盤ラベル（教師データ）」とその「標高（入力データ）」からなる「正の学習データ」を用意するとともに、除去メッシュＭＳｅに付された「非地盤ラベル（教師データ）」とその「標高（入力データ）」からなる「負の学習データ」を用意したうえで、数多くの学習データを機械学習することによって過抽出学習済みモデルを生成する。
【0055】
またこの場合の未抽出学習済みモデル生成手段１０８は、維持メッシュＭＳｋとその標高との組み合わせを機械学習することによって「未抽出学習済みモデル」を生成する。具体的には、維持メッシュＭＳｋに付された「非地盤ラベル（教師データ）」とその「標高（入力データ）」からなる「正の学習データ」を用意するとともに、「地盤ラベル」が付された維持メッシュＭＳｋに付された「地盤ラベル（教師データ）」とその「標高（入力データ）」からなる「負の学習データ」を用意したうえで、数多くの学習データを機械学習することによって未抽出学習済みモデルを生成する。
【0056】
過抽出学習済みモデルと未抽出学習済みモデルを生成すると、図５に示すように、まずは自動フィルタリング処理を行う（図５のＳｔｅｐ２１１）。具体的には、自動フィルタリング処理手段１０６を用いて、地形モデル記憶手段１０９から読み出した「オリジナル地形モデル」を自動フィルタリング処理することによって「中間地形モデル」を生成する。このとき、オリジナル地形モデルを構成するメッシュＭＳの中から除去メッシュＭＳｅを抽出するとともに、その除去メッシュＭＳｅに対して新標高（本来の地盤を表す標高）が与えられる。そして、除去メッシュＭＳｅとされなかったメッシュＭＳが、維持メッシュＭＳｋとされる。換言すれば、オリジナル地形モデルを構成するメッシュＭＳは、自動フィルタリング処理によって除去メッシュＭＳｅと維持メッシュＭＳｋに分類されるわけである。
【0057】
自動フィルタリング処理手段１０６によって除去メッシュＭＳｅと維持メッシュＭＳｋに分類されると、過抽出メッシュ検出手段１０１が除去メッシュＭＳｅに対して地盤ラベル、あるいは非地盤ラベルを付与する（図５のＳｔｅｐ２１２）。具体的には、自動フィルタリング処理手段１０６によって抽出された除去メッシュＭＳｅと標高との組み合わせを、過抽出学習済みモデルに入力することによって、その除去メッシュＭＳｅに対して地盤ラベル、あるいは非地盤ラベルのいずれかを付与する。そして、地盤ラベルが付与された除去メッシュＭＳｅを「地盤メッシュＭＳ」として抽出する。
【0058】
次いで、未抽出メッシュ検出手段１０２が維持メッシュＭＳｋに対して地盤ラベル、あるいは非地盤ラベルを付与する（図５のＳｔｅｐ２１３）。具体的には、自動フィルタリング処理手段１０６によって抽出された維持メッシュＭＳｋと標高との組み合わせを、未抽出学習済みモデルに入力することによって、その維持メッシュＭＳｋに対して非地盤ラベル、あるいは地盤ラベルのいずれかを付与する。そして、非地盤ラベルが付与された維持メッシュＭＳｋを「非地盤メッシュＭＳ」として抽出する。
【0059】
過抽出メッシュ検出手段１０１によって地盤メッシュＭＳが抽出され、未抽出メッシュ検出手段１０２によって非地盤メッシュＭＳが抽出されると、候補メッシュ検出手段１０４がそれら地盤メッシュＭＳと非地盤メッシュＭＳを「候補メッシュ」として検出する（図５のＳｔｅｐ２１４）。そして、修正領域設定手段１０５が、候補メッシュ検出手段１０４によって検出された候補メッシュに基づいて「修正領域」を設定する（図５のＳｔｅｐ２１５）。例えば、その候補メッシュの割合が割合閾値を上回る判定領域を抽出したうえで、修正領域として設定する。修正領域が設定されると、オペレータがその修正領域に対して手動フィルタリング処理を行うことで「地盤データ」を生成する（図５のＳｔｅｐ２１６）。
【0060】
第１の実施例では、標高に加えて「グレースケール」や「色情報」を利用して生成された過抽出学習済みモデルや未抽出学習済みモデルを用いることもできる。この場合、過抽出学習済みモデル生成手段１０７は、除去メッシュＭＳｅに付された「地盤ラベル（教師データ）」とその「標高、及びグレースケールや色情報（入力データ）」との組み合わせを「正の学習データ」とし、除去メッシュＭＳｅに付された「非地盤ラベル（教師データ）」とその「標高、及びグレースケールや色情報（入力データ）」との組み合わせを「負の学習データ」としたうえで、機械学習を行って過抽出学習済みモデルを生成する。また未抽出学習済みモデル生成手段１０８は、維持メッシュＭＳｋに付された「非地盤ラベル（教師データ）」とその「標高、及びグレースケールや色情報（入力データ）」との組み合わせを「正の学習データ」とし、維持メッシュＭＳｋに付された「地盤ラベル（教師データ）」とその「標高、及びグレースケールや色情報（入力データ）との組み合わせを「負の学習データ」としたうえで、機械学習を行って未抽出学習済みモデルを生成する。
【0061】
そして、自動フィルタリング処理手段１０６によって抽出された除去メッシュＭＳｅと標高とグレースケール（色情報）との組み合わせを、過抽出学習済みモデルに入力することによって、その除去メッシュＭＳｅに対して地盤ラベル、あるいは非地盤ラベルのいずれかを付与し、地盤ラベルが付与された除去メッシュＭＳｅを「地盤メッシュＭＳ」として抽出する。また、自動フィルタリング処理手段１０６によって抽出された維持メッシュＭＳｋと標高と色情報（グレースケール）との組み合わせを、未抽出学習済みモデルに入力することによって、その維持メッシュＭＳｋに対して非地盤ラベル、あるいは地盤ラベルのいずれかを付与し、非地盤ラベルが付与された維持メッシュＭＳｋを「非地盤メッシュＭＳ」として抽出する。
【0062】
（第２の実施例）
図６は、第２の実施例における修正領域抽出システム１００の主な処理の流れの一例を示すフロー図であり、中央の列に実行する処理を示し、左列にはその処理に必要なものを、右列にはその処理から生ずるものを示している。
図６は、第２の実施例における修正領域抽出システム１００の主な処理の流れの一例を示すフロー図であり、中央の列に実行する処理を示し、左列にはその処理に必要なものを、右列にはその処理から生ずるものを示している。
【0063】
第２の実施例の場合、過抽出学習済みモデル生成手段１０７は、除去メッシュＭＳｅとその標高差分との組み合わせを機械学習することによって「過抽出学習済みモデル」を生成する。具体的には、除去メッシュＭＳｅに付された「非盤ラベル（教師データ）」とその「標高差分（入力データ）」からなる「正の学習データ」を用意するとともに、除去メッシュＭＳｅに付された「盤ラベル（教師データ）」とその「標高差分（入力データ）」からなる「負の学習データ」を用意したうえで、数多くの学習データを機械学習することによって過抽出学習済みモデルを生成する。またこの場合の未抽出学習済みモデル生成手段１０８は、第１の実施例と同様、維持メッシュＭＳｋとその標高との組み合わせを機械学習することによって「未抽出学習済みモデル」を生成する。
【0064】
過抽出学習済みモデルと未抽出学習済みモデルを生成すると、図６に示すように、第１の実施例と同様、まずは自動フィルタリング処理を行う（図６のＳｔｅｐ２２１）。自動フィルタリング処理手段１０６によって除去メッシュＭＳｅと維持メッシュＭＳｋに分類されると、標高差分算出手段１０３が除去メッシュＭＳｅに係る「標高差分」を算出する（図６のＳｔｅｐ２２２）。そして、過抽出メッシュ検出手段１０１が除去メッシュＭＳｅに対して地盤ラベル、あるいは非地盤ラベルを付与する（図６のＳｔｅｐ２２３）。具体的には、自動フィルタリング処理手段１０６によって抽出された除去メッシュＭＳｅと標高差分との組み合わせを、過抽出学習済みモデルに入力することによって、その除去メッシュＭＳｅに対して地盤ラベル、あるいは非地盤ラベルのいずれかを付与する。そして、地盤ラベルが付与された除去メッシュＭＳｅを「地盤メッシュＭＳ」として抽出する。
【0065】
次いで第１の実施例と同様、未抽出メッシュ検出手段１０２が維持メッシュＭＳｋに対して地盤ラベル、あるいは非地盤ラベルを付与する（図６のＳｔｅｐ２２４）。過抽出メッシュ検出手段１０１によって地盤メッシュＭＳが抽出され、未抽出メッシュ検出手段１０２によって非地盤メッシュＭＳが抽出されると、候補メッシュ検出手段１０４がそれら地盤メッシュＭＳと非地盤メッシュＭＳを「候補メッシュ」として検出し（図６のＳｔｅｐ２２５）、修正領域設定手段１０５が候補メッシュ検出手段１０４によって検出された候補メッシュに基づいて「修正領域」を設定する（図６のＳｔｅｐ２２６）。修正領域が設定されると、オペレータがその修正領域に対して手動フィルタリング処理を行うことで「地盤データ」を生成する（図６のＳｔｅｐ２２７）。
【0066】
第２の実施例も、第１の実施例と同様、標高や標高差分に加えて「グレースケール」や「色情報」を利用して生成された過抽出学習済みモデルや未抽出学習済みモデルを用いることもできる。この場合、過抽出学習済みモデル生成手段１０７は、除去メッシュＭＳｅに付された「地盤ラベル（教師データ）」と「標高差分、及びグレースケールや色情報（入力データ）」との組み合わせを「正の学習データ」とし、除去メッシュＭＳｅに付された「非地盤ラベル（教師データ）」と「標高差分、及びグレースケールや色情報（入力データ）」との組み合わせを「負の学習データ」としたうえで、機械学習を行って過抽出学習済みモデルを生成する。また未抽出学習済みモデル生成手段１０８は、維持メッシュＭＳｋに付された「非地盤ラベル（教師データ）」と「標高差分、及びグレースケールや色情報（入力データ）」との組み合わせを「正の学習データ」とし、維持メッシュＭＳｋに付された「地盤ラベル（教師データ）」と「標高差分、及びグレースケールや色情報（入力データ）」との組み合わせを「負の学習データ」としたうえで、機械学習を行って未抽出学習済みモデルを生成する。
【0067】
そして、自動フィルタリング処理手段１０６によって抽出された除去メッシュＭＳｅと標高差分とグレースケール（色情報）との組み合わせを、過抽出学習済みモデルに入力することによって、その除去メッシュＭＳｅに対して地盤ラベル、あるいは非地盤ラベルのいずれかを付与し、地盤ラベルが付与された除去メッシュＭＳｅを「地盤メッシュＭＳ」として抽出する。また、自動フィルタリング処理手段１０６によって抽出された維持メッシュＭＳｋと標高と色情報（グレースケール）との組み合わせを、未抽出学習済みモデルに入力することによって、その維持メッシュＭＳｋに対して非地盤ラベル、あるいは地盤ラベルのいずれかを付与し、非地盤ラベルが付与された維持メッシュＭＳｋを「非地盤メッシュＭＳ」として抽出する。
【0068】
（第３の実施例）
図７は、第３の実施例における修正領域抽出システム１００の主な処理の流れの一例を示すフロー図であり、中央の列に実行する処理を示し、左列にはその処理に必要なものを、右列にはその処理から生ずるものを示している。
図７は、第３の実施例における修正領域抽出システム１００の主な処理の流れの一例を示すフロー図であり、中央の列に実行する処理を示し、左列にはその処理に必要なものを、右列にはその処理から生ずるものを示している。
【0069】
第３の実施例の場合、過抽出学習済みモデル生成手段１０７は、除去メッシュＭＳｅと色情報やグレースケールとの組み合わせを機械学習することによって「過抽出学習済みモデル」を生成する。具体的には、除去メッシュＭＳｅに付された「地盤ラベル（教師データ）」と「標高に基づくグレースケールや色情報（入力データ）」からなる「正の学習データ」を用意するとともに、除去メッシュＭＳｅに付された「非地盤ラベル（教師データ）」と「標高に基づくグレースケールや色情報（入力データ）」からなる「負の学習データ」を用意したうえで、数多くの学習データを機械学習することによって過抽出学習済みモデルを生成する。
【0070】
またこの場合の未抽出学習済みモデル生成手段１０８は、維持メッシュＭＳｋと色情報やグレースケールとの組み合わせを機械学習することによって「未抽出学習済みモデル」を生成する。具体的には、維持メッシュＭＳｋに付された「非地盤ラベル（教師データ）」と「標高に基づく色情報やグレースケール（入力教師データ）」との組み合わせを「正の学習データ」とし、維持メッシュＭＳｋに付された「地盤ラベル（教師データ）」と「標高に基づく色情報やグレースケール（入力教師データ）」との組み合わせを「負の学習データ」としたうえで、数多くの学習データを機械学習することによって未抽出学習済みモデルを生成する。
【0071】
過抽出学習済みモデルと未抽出学習済みモデルを生成すると、図７に示すように、第１の実施例や第２の実施例と同様、まずは自動フィルタリング処理を行う（図７のＳｔｅｐ２３１）。自動フィルタリング処理手段１０６によって除去メッシュＭＳｅと維持メッシュＭＳｋに分類されると、過抽出メッシュ検出手段１０１が除去メッシュＭＳｅに対して地盤ラベル、あるいは非地盤ラベルを付与する（図７のＳｔｅｐ２３２）。具体的には、自動フィルタリング処理手段１０６によって抽出された除去メッシュＭＳｅとグレースケール（色情報）との組み合わせを、過抽出学習済みモデルに入力することによって、その除去メッシュＭＳｅに対して地盤ラベル、あるいは非地盤ラベルのいずれかを付与する。そして、地盤ラベルが付与された除去メッシュＭＳｅを「地盤メッシュＭＳ」として抽出する。
【0072】
次いで、未抽出メッシュ検出手段１０２が維持メッシュＭＳｋに対して地盤ラベル、あるいは非地盤ラベルを付与する（図７のＳｔｅｐ２３３）。具体的には、自動フィルタリング処理手段１０６によって抽出された維持メッシュＭＳｋと色情報（グレースケール）との組み合わせを、未抽出学習済みモデルに入力することによって、その維持メッシュＭＳｋに対して非地盤ラベル、あるいは地盤ラベルのいずれかを付与する。そして、非地盤ラベルが付与された維持メッシュＭＳｋを「非地盤メッシュＭＳ」として抽出する。
【0073】
過抽出メッシュ検出手段１０１によって地盤メッシュＭＳが抽出され、未抽出メッシュ検出手段１０２によって非地盤メッシュＭＳが抽出されると、候補メッシュ検出手段１０４がそれら地盤メッシュＭＳと非地盤メッシュＭＳを「候補メッシュ」として検出し（図７のＳｔｅｐ２３４）、修正領域設定手段１０５が候補メッシュ検出手段１０４によって検出された候補メッシュに基づいて「修正領域」を設定する（図７のＳｔｅｐ２３５）。修正領域が設定されると、オペレータがその修正領域に対して手動フィルタリング処理を行うことで「地盤データ」を生成する（図７のＳｔｅｐ２３６）。
【産業上の利用可能性】
【0074】
本願発明の修正領域抽出システムは、山地部や海岸部、市街地など様々な場所の地盤高を取得する際に利用することができ、特に森林部を有する場所に好適に利用することができる。本願発明によれば、高い精度で地盤高を得ることができることから、社会インフラストラクチャーの計画や防災計画などに有効活用することができ、産業上利用できるばかりでなく社会的にも大きな貢献を期待し得る発明である。
【符号の説明】
【0075】
１００ 本願発明の修正領域抽出システム
１０１ （修正領域抽出システムの）過抽出メッシュ検出手段
１０２ （修正領域抽出システムの）未抽出メッシュ検出手段
１０３ （修正領域抽出システムの）標高差分算出手段
１０４ （修正領域抽出システムの）候補メッシュ検出手段
１０５ （修正領域抽出システムの）修正領域設定手段
１０６ （修正領域抽出システムの）自動フィルタリング処理手段
１０７ （修正領域抽出システムの）過抽出学習済みモデル生成手段
１０８ （修正領域抽出システムの）未抽出学習済みモデル生成手段
１０９ （修正領域抽出システムの）地形モデル記憶手段
１１０ （修正領域抽出システムの）過抽出学習済みモデル記憶手段
１１１ （修正領域抽出システムの）未抽出学習済みモデル記憶手段
ＭＳ メッシュ
ＭＳｅ 除去メッシュ
ＭＳｋ 維持メッシュ
１０１ （修正領域抽出システムの）過抽出メッシュ検出手段
１０２ （修正領域抽出システムの）未抽出メッシュ検出手段
１０３ （修正領域抽出システムの）標高差分算出手段
１０４ （修正領域抽出システムの）候補メッシュ検出手段
１０５ （修正領域抽出システムの）修正領域設定手段
１０６ （修正領域抽出システムの）自動フィルタリング処理手段
１０７ （修正領域抽出システムの）過抽出学習済みモデル生成手段
１０８ （修正領域抽出システムの）未抽出学習済みモデル生成手段
１０９ （修正領域抽出システムの）地形モデル記憶手段
１１０ （修正領域抽出システムの）過抽出学習済みモデル記憶手段
１１１ （修正領域抽出システムの）未抽出学習済みモデル記憶手段
ＭＳ メッシュ
ＭＳｅ 除去メッシュ
ＭＳｋ 維持メッシュ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【手続補正書】
【提出日】2022-10-11
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
地形モデルに基づいて地盤データを生成するにあたって、手動フィルタリング処理の対象となる修正領域を自動抽出するシステムであって、
前記地形モデルは、複数のメッシュによって構成されるとともに、該メッシュはそれぞれ標高が付され、
前記地形モデルを自動フィルタリング処理して除外された除去メッシュと標高を、過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する過抽出メッシュ検出手段と、
前記地形モデルを自動フィルタリング処理して除外されずに維持された維持メッシュと標高を、未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与する未抽出メッシュ検出手段と、を備え、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュと標高を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュと標高を機械学習することによって生成され、
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、前記修正領域とする、
ことを特徴とする修正領域抽出システム。
前記地形モデルは、複数のメッシュによって構成されるとともに、該メッシュはそれぞれ標高が付され、
前記地形モデルを自動フィルタリング処理して除外された除去メッシュと標高を、過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する過抽出メッシュ検出手段と、
前記地形モデルを自動フィルタリング処理して除外されずに維持された維持メッシュと標高を、未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与する未抽出メッシュ検出手段と、を備え、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュと標高を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュと標高を機械学習することによって生成され、
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、前記修正領域とする、
ことを特徴とする修正領域抽出システム。
【請求項2】
地形モデルに基づいて地盤データを生成するにあたって、手動フィルタリング処理の対象となる修正領域を自動抽出するシステムであって、
前記地形モデルは、複数のメッシュによって構成されるとともに、該メッシュはそれぞれ標高が付され、
前記地形モデルを自動フィルタリング処理して除外された除去メッシュの標高と、該除去メッシュが除外された後に生成された地盤データの標高と、の標高差分を算出する標高差分算出手段と、
前記除去メッシュと前記標高差分を、過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する過抽出メッシュ検出手段と、
前記地形モデルを自動フィルタリング処理して除外されずに維持された維持メッシュと標高を、未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与する未抽出メッシュ検出手段と、を備え、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュと前記標高差分を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュと標高を機械学習することによって生成され、
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、前記修正領域とする、
ことを特徴とする修正領域抽出システム。
前記地形モデルは、複数のメッシュによって構成されるとともに、該メッシュはそれぞれ標高が付され、
前記地形モデルを自動フィルタリング処理して除外された除去メッシュの標高と、該除去メッシュが除外された後に生成された地盤データの標高と、の標高差分を算出する標高差分算出手段と、
前記除去メッシュと前記標高差分を、過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する過抽出メッシュ検出手段と、
前記地形モデルを自動フィルタリング処理して除外されずに維持された維持メッシュと標高を、未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与する未抽出メッシュ検出手段と、を備え、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュと前記標高差分を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュと標高を機械学習することによって生成され、
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、前記修正領域とする、
ことを特徴とする修正領域抽出システム。
【請求項3】
前記地形モデルを構成する前記メッシュは、それぞれグレースケール又は色情報が付され、
前記過抽出メッシュ検出手段は、前記除去メッシュに係るグレースケール又は色情報を、前記過抽出学習済みモデルに入力することによって、該除去メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与し、
前記未抽出メッシュ検出手段は、前記維持メッシュに係るグレースケール又は色情報を、前記未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与し、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュに係るグレースケール又は色情報を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュに係るグレースケール又は色情報を機械学習することによって生成される、
ことを特徴とする請求項１又は請求項２記載の修正領域抽出システム。
前記過抽出メッシュ検出手段は、前記除去メッシュに係るグレースケール又は色情報を、前記過抽出学習済みモデルに入力することによって、該除去メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与し、
前記未抽出メッシュ検出手段は、前記維持メッシュに係るグレースケール又は色情報を、前記未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与し、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュに係るグレースケール又は色情報を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュに係るグレースケール又は色情報を機械学習することによって生成される、
ことを特徴とする請求項１又は請求項２記載の修正領域抽出システム。
【請求項4】
地形モデルに基づいて地盤データを生成するにあたって、手動フィルタリング処理の対象となる修正領域を自動抽出するシステムであって、
前記地形モデルは、複数のメッシュによって構成されるとともに、該メッシュはそれぞれグレースケール又は色情報が付され、
前記地形モデルを自動フィルタリング処理して除外された除去メッシュとグレースケール又は色情報を、過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する過抽出メッシュ検出手段と、
前記地形モデルを自動フィルタリング処理して除外されずに維持された維持メッシュとグレースケール又は色情報を、未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与する未抽出メッシュ検出手段と、を備え、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュとグレースケール又は色情報を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュとグレースケール又は色情報を機械学習することによって生成され、
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、前記修正領域とする、
ことを特徴とする修正領域抽出システム。
前記地形モデルは、複数のメッシュによって構成されるとともに、該メッシュはそれぞれグレースケール又は色情報が付され、
前記地形モデルを自動フィルタリング処理して除外された除去メッシュとグレースケール又は色情報を、過抽出学習済みモデルに入力することによって、該除去メッシュに対して地盤ラベル又は非地盤ラベルを付与する過抽出メッシュ検出手段と、
前記地形モデルを自動フィルタリング処理して除外されずに維持された維持メッシュとグレースケール又は色情報を、未抽出学習済みモデルに入力することによって、該維持メッシュに対して前記地盤ラベル又は前記非地盤ラベルを付与する未抽出メッシュ検出手段と、を備え、
前記過抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記除去メッシュとグレースケール又は色情報を機械学習することによって生成され、
前記未抽出学習済みモデルは、前記地盤ラベル又は前記非地盤ラベルが付された前記維持メッシュとグレースケール又は色情報を機械学習することによって生成され、
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、前記修正領域とする、
ことを特徴とする修正領域抽出システム。
【請求項5】
前記過抽出メッシュ検出手段によって前記地盤ラベルが付与された前記除去メッシュと、前記未抽出メッシュ検出手段によって前記非地盤ラベルが付与された前記維持メッシュを、修正候補メッシュとする候補メッシュ検出手段と、
あらかじめ定められた判定領域における前記修正候補メッシュの割合が、あらかじめ定められた割合閾値を上回るときに、該判定領域を前記修正領域として設定する修正領域設定手段と、をさらに備えた、
ことを特徴とする請求項１、請求項２、請求項４のいずれかに記載の修正領域抽出システム。
あらかじめ定められた判定領域における前記修正候補メッシュの割合が、あらかじめ定められた割合閾値を上回るときに、該判定領域を前記修正領域として設定する修正領域設定手段と、をさらに備えた、
ことを特徴とする請求項１、請求項２、請求項４のいずれかに記載の修正領域抽出システム。