UAVと画像認識AIによる河川巡視を補う地上画像の特徴量とその利用法検討

我が国は，その国土に多くの河川を有し，管理作業の多くは人の手により行われている．ドローン（UAV）技術の発展により，河川監視への適用事例が増えており，得られた画像に人工知能を適用し，不法投棄等を認識検知する研究も行われてきた．人による地上での撮像は，作業量も多く，場所の制約や，ばらつきに影響される．空撮画像は地上画像とは異なる画角を持ち，撮影条件も異なる．本研究では，河川維持管理データベースシステムRiMaDISが有する大量の地上画像を，現在ではまだ数少ない空撮画像での検知精度向上に活用する．画像特徴量に基づき分類した不法投棄に関する画像をFaster R-CNNに入力し，推論結果を比較する．...

Full description

Saved in:
Bibliographic Details
Published inAI・データサイエンス論文集 Vol. 1; no. J1; pp. 580 - 587
Main Authors 藤井, 純一郎, 山下, 隆義, 天方, 匡純, 高橋, 悠太
Format Journal Article
LanguageJapanese
Published 公益社団法人 土木学会 11.11.2020
Subjects
Faster R-CNN
ドローン（UAV）空撮
対象物検知（Object Detection）
河川巡視
Online AccessGet full text
ISSN2435-9262
DOI10.11532/jsceiii.1.J1_580

Cover

Abstract 我が国は，その国土に多くの河川を有し，管理作業の多くは人の手により行われている．ドローン（UAV）技術の発展により，河川監視への適用事例が増えており，得られた画像に人工知能を適用し，不法投棄等を認識検知する研究も行われてきた．人による地上での撮像は，作業量も多く，場所の制約や，ばらつきに影響される．空撮画像は地上画像とは異なる画角を持ち，撮影条件も異なる．本研究では，河川維持管理データベースシステムRiMaDISが有する大量の地上画像を，現在ではまだ数少ない空撮画像での検知精度向上に活用する．画像特徴量に基づき分類した不法投棄に関する画像をFaster R-CNNに入力し，推論結果を比較する．検証により，Bounding Boxの画像占有率などが検知精度向上に寄与することを明らかにした．
AbstractList 我が国は，その国土に多くの河川を有し，管理作業の多くは人の手により行われている．ドローン（UAV）技術の発展により，河川監視への適用事例が増えており，得られた画像に人工知能を適用し，不法投棄等を認識検知する研究も行われてきた．人による地上での撮像は，作業量も多く，場所の制約や，ばらつきに影響される．空撮画像は地上画像とは異なる画角を持ち，撮影条件も異なる．本研究では，河川維持管理データベースシステムRiMaDISが有する大量の地上画像を，現在ではまだ数少ない空撮画像での検知精度向上に活用する．画像特徴量に基づき分類した不法投棄に関する画像をFaster R-CNNに入力し，推論結果を比較する．検証により，Bounding Boxの画像占有率などが検知精度向上に寄与することを明らかにした．
Author 山下, 隆義
高橋, 悠太
天方, 匡純
藤井, 純一郎
Author_xml – sequence: 1
  fullname: 藤井, 純一郎
  organization: 八千代エンジニヤリング株式会社
– sequence: 1
  fullname: 山下, 隆義
  organization: 中部大学工学部情報工学科
– sequence: 1
  fullname: 天方, 匡純
  organization: 八千代エンジニヤリング株式会社
– sequence: 1
  fullname: 高橋, 悠太
  organization: 八千代エンジニヤリング株式会社
BookMark eNo9kMtKw0AYhQdRsNY-gA-ROpdkku4sxUul4Ma6HSbpRBNqlaQbl6mgraKCVHHRLkSRqChihSqCLzOmjW9hsMXNOYdz-P_FNwMmazs1AcAcglmENILnXd8SjuNkUXYVMc2AEyCFVaIpOUzxNMj4vmNCFUOoJ5oCZjm_IYNw2P6M9s_ih5P46SpflMGjbDRl43jw2ov63ah_Hd9dysZ5fNORwUHUefl-PxpdyOB52PqIvt5-DpMcyqCbNFHzftgOB72LwW0nDk9nwZTNq77IjD0NykuL64UVpbS2XCzkS4qLsQoVA1VMW9i8YmnCIJqwDANyzjHOYRsRk9KcLlRR0Q2oqtiimtA5IlQVNsGUm5STNFgY_XX9Ot8UbNdztrm3x7hXd6yqYGMwDLEEzB-a_8na4h5zOfkFHFyE0A
ContentType Journal Article
Copyright 2020 公益社団法人 土木学会
Copyright_xml – notice: 2020 公益社団法人 土木学会
DOI 10.11532/jsceiii.1.J1_580
DatabaseTitleList
DeliveryMethod fulltext_linktorsrc
EISSN 2435-9262
EndPage 587
ExternalDocumentID article_jsceiii_1_J1_1_580_article_char_ja
GroupedDBID JSF
RJT
ID FETCH-LOGICAL-j2240-81dbfefadc5e835ec880aaa2292f13b6697e4ed780442c65e7a1364ef326ab6a3
IngestDate Wed Sep 03 06:30:43 EDT 2025
IsDoiOpenAccess true
IsOpenAccess true
IsPeerReviewed false
IsScholarly false
Issue J1
Language Japanese
LinkModel OpenURL
MergedId FETCHMERGED-LOGICAL-j2240-81dbfefadc5e835ec880aaa2292f13b6697e4ed780442c65e7a1364ef326ab6a3
OpenAccessLink https://www.jstage.jst.go.jp/article/jsceiii/1/J1/1_580/_article/-char/ja
PageCount 8
ParticipantIDs jstage_primary_article_jsceiii_1_J1_1_580_article_char_ja
PublicationCentury 2000
PublicationDate 2020/11/11
PublicationDateYYYYMMDD 2020-11-11
PublicationDate_xml – month: 11
  year: 2020
  text: 2020/11/11
  day: 11
PublicationDecade 2020
PublicationTitle AI・データサイエンス論文集
PublicationYear 2020
Publisher 公益社団法人 土木学会
Publisher_xml – name: 公益社団法人 土木学会
References 16) Bottou, L.: Large-Scale Machine Learning with Stochastic Gradient Descent, Proceedings of the 19th International Conference on Computational Statistics (COMPSTAT’ 2010), pp. 177-187, 2010.
1) 国土交通省：河川砂防技術基準 維持管理編（河川編），pp.32-34，2015.
2) 工藤愛樹：河川管理データベース（RiMaDIS）について，月刊「建設」，一般社団法人全日本建設技術協会，pp.39-41， Vol.62，7月号，2018.
4) Lega, M., Ceglie, D., Persechino, G., Ferrara, C. and Napoli, R.M.A.: Illegal dumping investigation: a new challenge for forensic environmental engineering, WIT Transactions on Ecology and The Environment, Vol 163, 2012.
10) 齋藤彰儀，上総虎智，平木悠太，天方匡純，吉田武司：深層学習によるコンクリート護岸劣化領域検出システムの開発，デジタルプラクティス，情報処理学会，Vol.10 No.2，2019.
6) Krizhevsky, A., Sutskever, I. and Hinton, G.: Imagenet classification with deep convolutional neural networks, NIPS, 2012.
3) 桃田美雪：河川維持管理データベースシステム「RiMaDIS(リマディス）」の活用について，中部地方整備局管内事業研究発表会，2019.
9) Liu, W., Anguelov, D. Erhan, D. Szegedy, C. and Reed, S.: SSD: Single shot multibox detector. arXiv preprint, arXiv:1512.02325, 2015.
17) Shao, S., Li, Z., Zhang, T., Peng, C., Yu, G., Zhang, X., Li, J. and Sun, J.: Objects365: A large-scale, high-quality dataset for object detection, Proceedings of the IEEE international conference on computer vision, pp. 8430-8439, 2019.
14) Dasarathy, B. V.: Nearest-neighbor approaches, Handbook of Data Mining and Knowledge Discovery, pp. 88-298, Oxford University Press, 2002.
18) Ribeiro, M. T., Singh, S. and Guestrin, C.: “Why Should I Trust You?”: Explaining the Predictions of Any Classifier, Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD), pp.1135-1144, 2016.
5) 清水隆博，秋田麗子，野間口芳希，米倉瑠里子，佐藤隆洋，炭田英俊：河川管理におけるUAVの活用方策に関する現地実証試験，こうえいフォーラム，第26号，2018.
7) 例えば, Ren, S. , He, K., Girshick, R. and Sun, J.: Faster R-CNN: Towards real-time object detection with region proposal networks, NIPS, 2015.
13) van der Maaten, L. and Hinton, G. E.: Visualizing Data using t-SNE. Journal of Machine Learning Research, Vol.9, pp. 2579-2605, 2008.
8) Bochkovskiy, A., Wang, C.Y. and Liao, H.Y.M.: YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv, arXiv:2004.10934, 2020.
11) He, K., Zhang, X., Ren, S. and Sun., J.: Deep residual learning for image recognition, Computer Vision and Pattern Recognition (CVPR), 2016.
12) Gardnera, M.W. and Dorling, S.R.: Artificial neural networks (the multilayer perceptron)—a review of applications in the atmospheric sciences, Atmospheric Environment, Vol.32, Issues 14-15, pp. 2627-2636, 1998.
15) David, A. and Vassilvitskii. S.: K-means++: The Advantages of Careful Seeding., SODA 2007: Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, pp. 1027-1035, 2007.
References_xml – reference: 4) Lega, M., Ceglie, D., Persechino, G., Ferrara, C. and Napoli, R.M.A.: Illegal dumping investigation: a new challenge for forensic environmental engineering, WIT Transactions on Ecology and The Environment, Vol 163, 2012.
– reference: 8) Bochkovskiy, A., Wang, C.Y. and Liao, H.Y.M.: YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv, arXiv:2004.10934, 2020.
– reference: 18) Ribeiro, M. T., Singh, S. and Guestrin, C.: “Why Should I Trust You?”: Explaining the Predictions of Any Classifier, Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD), pp.1135-1144, 2016.
– reference: 17) Shao, S., Li, Z., Zhang, T., Peng, C., Yu, G., Zhang, X., Li, J. and Sun, J.: Objects365: A large-scale, high-quality dataset for object detection, Proceedings of the IEEE international conference on computer vision, pp. 8430-8439, 2019.
– reference: 2) 工藤愛樹：河川管理データベース（RiMaDIS）について，月刊「建設」，一般社団法人全日本建設技術協会，pp.39-41， Vol.62，7月号，2018.
– reference: 11) He, K., Zhang, X., Ren, S. and Sun., J.: Deep residual learning for image recognition, Computer Vision and Pattern Recognition (CVPR), 2016.
– reference: 12) Gardnera, M.W. and Dorling, S.R.: Artificial neural networks (the multilayer perceptron)—a review of applications in the atmospheric sciences, Atmospheric Environment, Vol.32, Issues 14-15, pp. 2627-2636, 1998.
– reference: 5) 清水隆博，秋田麗子，野間口芳希，米倉瑠里子，佐藤隆洋，炭田英俊：河川管理におけるUAVの活用方策に関する現地実証試験，こうえいフォーラム，第26号，2018.
– reference: 6) Krizhevsky, A., Sutskever, I. and Hinton, G.: Imagenet classification with deep convolutional neural networks, NIPS, 2012.
– reference: 13) van der Maaten, L. and Hinton, G. E.: Visualizing Data using t-SNE. Journal of Machine Learning Research, Vol.9, pp. 2579-2605, 2008.
– reference: 10) 齋藤彰儀，上総虎智，平木悠太，天方匡純，吉田武司：深層学習によるコンクリート護岸劣化領域検出システムの開発，デジタルプラクティス，情報処理学会，Vol.10 No.2，2019.
– reference: 15) David, A. and Vassilvitskii. S.: K-means++: The Advantages of Careful Seeding., SODA 2007: Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, pp. 1027-1035, 2007.
– reference: 16) Bottou, L.: Large-Scale Machine Learning with Stochastic Gradient Descent, Proceedings of the 19th International Conference on Computational Statistics (COMPSTAT’ 2010), pp. 177-187, 2010.
– reference: 9) Liu, W., Anguelov, D. Erhan, D. Szegedy, C. and Reed, S.: SSD: Single shot multibox detector. arXiv preprint, arXiv:1512.02325, 2015.
– reference: 14) Dasarathy, B. V.: Nearest-neighbor approaches, Handbook of Data Mining and Knowledge Discovery, pp. 88-298, Oxford University Press, 2002.
– reference: 3) 桃田美雪：河川維持管理データベースシステム「RiMaDIS(リマディス）」の活用について，中部地方整備局管内事業研究発表会，2019.
– reference: 7) 例えば, Ren, S. , He, K., Girshick, R. and Sun, J.: Faster R-CNN: Towards real-time object detection with region proposal networks, NIPS, 2015.
– reference: 1) 国土交通省：河川砂防技術基準 維持管理編（河川編），pp.32-34，2015.
SSID ssib042007042
ssj0003321924
ssib050728529
Score 1.8397352
Snippet 我が国は，その国土に多くの河川を有し，管理作業の多くは人の手により行われている．ドローン（UAV）技術の発展により，河川監視への適用事例が増えており，得られた画...
SourceID jstage
SourceType Publisher
StartPage 580
SubjectTerms Faster R-CNN
ドローン（UAV）空撮
対象物検知（Object Detection）
河川巡視
Title UAVと画像認識AIによる河川巡視を補う地上画像の特徴量とその利用法検討
URI https://www.jstage.jst.go.jp/article/jsceiii/1/J1/1_580/_article/-char/ja
Volume 1
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
ispartofPNX AI・データサイエンス論文集, 2020/11/11, Vol.1(J1), pp.580-587
journalDatabaseRights – providerCode: PRVHPJ
  databaseName: ROAD: Directory of Open Access Scholarly Resources
  databaseCode: M~E
  dateStart: 20200101
  customDbUrl:
  isFulltext: true
  eissn: 2435-9262
  dateEnd: 99991231
  titleUrlDefault: https://road.issn.org
  omitProxy: true
  ssIdentifier: ssib050728529
  providerName: ISSN International Centre
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwpV3NaxQxFB9KvXgRRcVvejAn2brzkWxyTLaztIV6aqWehpnZmcMeqmh78SBsBa2KClLFQ3sQRVZFEStUEfxn1m3X_8L33mS2W-2hKizD2zcvL7-8l0neC5mM45zHECHPcl5JRMorgZfDM-f7WUU2RaJqWa2a0pb_mUtici6YnufzI6NXhnYtLS0m4-nNPd8r-RevAg_8im_J_oVnB0qBATT4F67gYbjuy8dz-jILfQgGmZYsrDEVMGNYyJkEZoOFkmnN5AQRE0xJPVWKGyI8JmVJAEcw4zHjowIDyiYsoV1SIJgSVlh5xPGZqluFUqAw_DVVFgIKyaTeC1FRe4i3pGJGURUhMwELFZO1IRlpCYQxKMURsFZWM8oIBKw4EjogPBL5MhyOum27fcJCBFRlOXXbJtMoCW4J0GcJWQr7pYyiegyZhAyDChVThsnBUieKqBqpAStoRAn9GbFDc1VQ2qlKTfdLyFQQjOLiz4qYoiDo12TpGtpMq2F5qAXtQlgAHcmDterkPVvjjrwi7GQ-KFXqF9TYaqlOD68IQfqPuxJ3VoRIPQjWyRnG-hvKGfITcKB_7LiHLGD0BdtNVIOw1sm2HHsn9C8Uglv2QFqanTyIsyt42OSuqXRoxJh2h-ZFXnyuy4ZYvIix_py9uY_HAbdupBmerOKOT7vRoOSuQ9HtIxdZ0ciNQJSEo_IWvrUYtSB1OuDBhI9fdZm5FZZTTYBL9NVgENlDVuRJbjMFDOJ838OlCbsPAoFd_B0WxKwtyODK3Z8UkM4edg7ZTHJMF0COOCOt-KiTwJDQbXe2V7_1bj_uv33Yf_9cT3Xb77rLK93lB1ufNnqb673NF_3Xz7rLT_ov17rtO721jz--3C9KdNsftu997X3__PMu0J1uex04vZU326udrY2nW6_W-p1Hx5y5Rjhbn6zYz6hUWhivVyAjTWA4jpspzyDfylKYsuM49jzl5a6fCAFjcpA18SSywEsFz2qx64sgyyGzixMR-8ed0YWrC9kJZ8xTUsS8mVXTzA2SZhLLOA7yPIdAX2R5lZ90VGGS6FpxVk60f0ed-o-yp52DOw_CGWd08fpSdhaShcXkHLn9F14M5PA
linkProvider ISSN International Centre
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=UAV%E3%81%A8%E7%94%BB%E5%83%8F%E8%AA%8D%E8%AD%98AI%E3%81%AB%E3%82%88%E3%82%8B%E6%B2%B3%E5%B7%9D%E5%B7%A1%E8%A6%96%E3%82%92%E8%A3%9C%E3%81%86%E5%9C%B0%E4%B8%8A%E7%94%BB%E5%83%8F%E3%81%AE%E7%89%B9%E5%BE%B4%E9%87%8F%E3%81%A8%E3%81%9D%E3%81%AE%E5%88%A9%E7%94%A8%E6%B3%95%E6%A4%9C%E8%A8%8E&rft.jtitle=AI%E3%83%BB%E3%83%87%E3%83%BC%E3%82%BF%E3%82%B5%E3%82%A4%E3%82%A8%E3%83%B3%E3%82%B9%E8%AB%96%E6%96%87%E9%9B%86&rft.au=%E8%97%A4%E4%BA%95%2C+%E7%B4%94%E4%B8%80%E9%83%8E&rft.au=%E5%B1%B1%E4%B8%8B%2C+%E9%9A%86%E7%BE%A9&rft.au=%E5%A4%A9%E6%96%B9%2C+%E5%8C%A1%E7%B4%94&rft.au=%E9%AB%98%E6%A9%8B%2C+%E6%82%A0%E5%A4%AA&rft.date=2020-11-11&rft.pub=%E5%85%AC%E7%9B%8A%E7%A4%BE%E5%9B%A3%E6%B3%95%E4%BA%BA+%E5%9C%9F%E6%9C%A8%E5%AD%A6%E4%BC%9A&rft.eissn=2435-9262&rft.volume=1&rft.issue=J1&rft.spage=580&rft.epage=587&rft_id=info:doi/10.11532%2Fjsceiii.1.J1_580&rft.externalDocID=article_jsceiii_1_J1_1_580_article_char_ja