![22
地物画像のvector化
import cv2
#特定色の輪郭を抽出し、vector化する
def contour2vector(img, lower_color, upper_color):
res = cv2.inRange(img, lower_color, upper_color)
# 輪郭抽出
contours, _ = cv2.findContours(res, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
approxes = []
for contour in contours:
arclen = cv2.arcLength(contour, True)
approx = cv2.approxPolyDP(contour, 0.002 * arclen, True)
approxes.append(approx)
return approxes
pix2pixで生成した画像をベクター化するには、予めマスクされた画像を
扱うインスタンス?セグメンテーションとは違い、ターゲットの地物を色抽出す
る必要がある
画像からvectorへ変換するツールはGDALではなく、OpenCVを使用](https://image.slidesharecdn.com/foss4gtokaiprint-190825060751/85/FOSS4G-2019-TOKAI-23-320.jpg)
![30
GDAL/OGRの使用例（ogr2pgr.py）
# ogr2ogr.pyをインポート
import ogr2ogr
db_cfg = “PG:host=” + ホスト名 + “ user=” + ユーザ名 + “ dbname=” + データベース名 + “ password=” + パスワード
#テーブルを新規作成してシェープファイルをインサートする場合
ogr2ogr.main([“”, “-f”, “PostgreSQL”, “-a_srs”, EPSG:EPSG番号, db_cfg, Shapeフィアル名 , “-nln”, テーブル名])
#シャープファイルをテーブルに追加する場合
ogr2ogr.main([“”, “-f”, “PostgreSQL”, “-a_srs”, EPSG:EPSG番号, db_cfg, Shapeフィアル名 , “-append”, “-nln”, テーブル名])
Pythonでogr2ogrを使用してシェープファイルをPostGISへインポートする例
その他、座標変換やフォーマット変換など大量のファイルを
処理する場合に便利
shp2pgsqlを使わず、とりあえずシェープファイルをPostGISに
インポートしたい場合???](https://image.slidesharecdn.com/foss4gtokaiprint-190825060751/85/FOSS4G-2019-TOKAI-31-320.jpg)
More Related Content
What's hot (16)
Similar to ディープラーニングを地物ジェネレーターとして活用する（FOSS4G 2019 TOKAI） (20)
ディープラーニングを地物ジェネレーターとして活用する（FOSS4G 2019 TOKAI）
- 2. 内容 ? 自己紹介、会社紹介 ? ディープラーニングを活用した地物抽出のとりくみ ? 民間業務での活用事例 ? まとめ 1 半年間、ディープラーニングに触れていないので、エビデンスが残っていない もの、見つからなかったものは記憶を頼りに本発表を纏めていることご了承 ください。
- 3. 自己紹介 【氏名】 小林 裕治 【所属】 株式会社オービタルネット 代表取締役 （株式会社カナエジオマチックス 取締役） 2 紆余曲折ありましたが、社会人30年目を迎えました。 愛知県出身、53歳 30年前はこんな感じでした
- 4. 3 会社紹介 商 号 設 立 資本金 代表者 所在地 Tel/Fax 事業内容 株式会社オービタルネット 2018年4月2日 500万円 小林 裕治 〒460-0012 名古屋市中区千代田一丁目12番5号 052-249-3350 / 052-249-3360 FOSS4Gを活用したシステム開発、QGISカスタマイズ 地理空間情報コンサルティング、人工知能による分析?モデル作成 www.orbitalnet.jp
- 9. 地理空間情報への応用 ? リアルタイム?オブジェクト検出アルゴリズムを航空写真判読 に活用できないか？ ? 動画フレーム（時間軸）の処理スピードを面的（XY軸） に展開したい ? 検出結果を地理情報としてGISに取り込み管理したい！ 8 航空写真から検出した地物の画像上の座標を地理座標へ 一括返還する機能を実装した。 結果、圧倒的な判読スピードを実現した（後述）
- 10. 物体検出のネットワーク?アーキテクチャー(YOLOv3) ? YOLOv3はResNetをベースに改良を加えたネットワーク?モデル ? 全結合層を持たない106層の Fully Convolutional Network ? 3層の異なるサイズの検出レイヤを持つ Feature Pyramid Network のような構造が特徴 出典： Ayoosh Kathuria, 2018. What’s new in YOLO v3? https://towardsdatascience.com/yolo-v3-object-detection-53fb7d3bfe6b 9
- 15. Mask R-CNNの概要 Faster R-CNN Instance segmentation Mask R-CNNは、Faster R-CNNを拡張しオブジェクト領域 を検出する既存の経路と並行して、 オブジェクトマスクを予測するための経路を追加。 14
- 17. 16 インスタンス?セグメンテーションによる地物生成の例 Mask R-CNNをベースに、検出した物体形状をトレースして （Multi）polygon化, GeoJson出力する機能を実装した。
- 18. 17 インスタンス?セグメンテーションの課題 ? リアルタイム物体検出の事例と比較して、求められる要件が高く、現 状においては検出精度、形状トレースの精度ともに多くの改善が必 要。 ? 固定資産の次期異動判読技術の大本命と考えていたが、そもそも 物体検出精度はYOLOを超えられないため、形状を抽出できても 意味がない。 ? 地図用の地物生成用途でも、pixelの塊をポリゴン化したに過ぎな いので、家屋などの形状を復元するには近似形状パターンを当ては めるなどのアルゴリズムが必要。これについてもGoogleがすでに実現 しているので我々が追い求める意味がない。
- 21. 20 実行環境 CPU Core i9-9900K メインメモリ 64GB GPU NVIDIA GeForce RTX2080Ti 11GB OS Ubuntu16.04 LTS CUDA 10.0 cuDNN 7.4.2 OpenCV 3.4.0 物体検出アルゴリズム cGAN GANの実装及び、ディープラーニングライブラリ pix2pix_map_tiles（python3用に修正） tensorflow-gpu (bazelでビルド) 開発言語 Python3.5 空間データベース PostgreSQL GIS QGIS3.2 ディープラーニングのライブラリ、tensorflow-gpuは最新のcudaのバー ジョンに対応してなかったのでソースからbazelでビルドしました
- 23. 22 地物画像のvector化 import cv2 #特定色の輪郭を抽出し、vector化する def contour2vector(img, lower_color, upper_color): res = cv2.inRange(img, lower_color, upper_color) # 輪郭抽出 contours, _ = cv2.findContours(res, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) approxes = [] for contour in contours: arclen = cv2.arcLength(contour, True) approx = cv2.approxPolyDP(contour, 0.002 * arclen, True) approxes.append(approx) return approxes pix2pixで生成した画像をベクター化するには、予めマスクされた画像を 扱うインスタンス?セグメンテーションとは違い、ターゲットの地物を色抽出す る必要がある 画像からvectorへ変換するツールはGDALではなく、OpenCVを使用
- 26. 25 建物ソーラーパネルの検出 ナカシャクリエイテブ様との協業案件 【弊社の役割】 ? 愛知?岐阜?三重県内の指定エリア（約7000?）建物に設置さ れたソーラーパネルを提供を受けた25㎝解像度の航空写真オルソ 画像から検出し、位置情報をシェープファイル及びCSVで出力する。 ? 検出元のオルソ画像は平面直角座標系6、7系の国土基本図図 郭（2㎞ ×1.5㎞) で提供され、検出結果も同じ図郭単位で納 入する ? 工期は2週間
- 27. 26 技術要件 ? 解像度25㎝以上の航空写真を使用する ? 建物に複数のパネルが設置されている場合、一括りにして検出する ? ビルや工場、大型店舗上に設置されたソーラパネルも検出する ? 地上に設置されたソーラーパネルや太陽熱温水器は検出しない 適合率 (precision)：95%以上 再現率 (recall）：90%以上 小さな地物の判読は航空写真の品質に影響されることが大きいため、 努力目標とした。 ただし、重複して検出した結果は無視する
- 28. 27 実行環境 CPU Core i9-9900K メインメモリ 64GB GPU NVIDIA GeForce RTX2080Ti 11GB×2 OS Ubuntu16.04 LTS CUDA 10.0 cuDNN 7.4.2 OpenCV 3.4.0 物体検出アルゴリズム YOLOv3 ディープラーニング?フレームワーク Darknet 開発言語 Python3.5 空間データベース PostgreSQL GIS QGIS3.2 システムは、地上ソーラーパネルの時と同様、YOLO実装を含むディープ ラーニング?フレームワーク Darknetを改良して構築した。
- 29. 28 Validation結果 TP=3,863, FP=27, FN=9 , , Precision = 0.993, Recall = 0.997, F_measure = 0.992 教師データ（約17,000枚）から取り分けた、 validation用データ 1,688ファイルを用いて検証した結果 ちなみに現在は TP=3,867, FP=15, FN=5 Precision = 0.996, Recall = 0.998, F_measure = 0.996
- 30. 29 地物検出ワークフロー output GeoJson（短径） Deep Learning import オルソ画像 ワールドファイル Data Source v3 フォーマット変換 地物検出 投影法 座標変換 output connect visualize open visualize CSV（重心） EPSG2449,2448 ↓ EPSG:4612 シェープファイル（短径） CSV（重心） インポート 成果品 学習済モデル （ウェイト） input DeepLearningフレームワーク FOSS4G Python GDAL/OGR API 約7,000㎡ 2,200ファイル 250,000地物 6時間ですべての処理が完了！
- 31. 30 GDAL/OGRの使用例（ogr2pgr.py） # ogr2ogr.pyをインポート import ogr2ogr db_cfg = “PG:host=” + ホスト名 + “ user=” + ユーザ名 + “ dbname=” + データベース名 + “ password=” + パスワード #テーブルを新規作成してシェープファイルをインサートする場合 ogr2ogr.main([“”, “-f”, “PostgreSQL”, “-a_srs”, EPSG:EPSG番号, db_cfg, Shapeフィアル名 , “-nln”, テーブル名]) #シャープファイルをテーブルに追加する場合 ogr2ogr.main([“”, “-f”, “PostgreSQL”, “-a_srs”, EPSG:EPSG番号, db_cfg, Shapeフィアル名 , “-append”, “-nln”, テーブル名]) Pythonでogr2ogrを使用してシェープファイルをPostGISへインポートする例 その他、座標変換やフォーマット変換など大量のファイルを 処理する場合に便利 shp2pgsqlを使わず、とりあえずシェープファイルをPostGISに インポートしたい場合???
- 39. まとめ 1. リアルタイム物体検出は、その検出速度を大量の航空写真判読処理に活かせる。 約7,000?, 250,000地物のファイル出力、PostGIS登録まで6時間かからない。 実務でもその圧倒的生成スピードを活かしてビジネスプロセスの再構築を実現した。 研究やFSでなく、民間業務でも実用フェーズに。 次は家屋の異動判読を試みる。（FOSS4G KOBE.KANSAIで報告予定） 2. Mask R-CNNはインスタンス（検出した物体）セグメンテーションの最新技術。 地物のマスク処理を行うことからPolygon化は容易。 ただし、YOLOの物体検出 精度は超えられず、異動判読など期待していた用途での実務利用は困難か。 3. GANは学習によっては、ほぼイメージ通りの画像を生成することができる。さらに地物 単位でベクトル化することによって用途が広がるが、インスタンス?セグメンテーションと 違い、地物の塊を抜き出すことが容易でなく、コツが必要。 38 ディープラーニングを使って地物生成を効率化しましょう！