本研究は，原木の大径化を見据えた構造材の品質安定化及び量的確保を目的として，従来方法の計測及び地上レーザー（以下OWL）で取得した胸高直径及び樹高を用いて，①井上黒川式（計測値），②井上黒川式（OWL 値），③林野式（計測値），④林野式（OWL 値），以上4 種類の方法で相対幹曲線を作成し，幹直径の推定を行った。相対幹曲線による幹直径の推定について，各相対幹曲線において幹直径は幹上部に行くほど実測値よりも過小推定となる傾向が見られた。特にOWL 値を採用した相対幹曲線が過小に推定されやすく，誤差も大きくなる傾向が見られた。誤差範囲は，①井上黒川式（計測値），②井上黒川式（OWL 値），③林野式（計測値）において幹直径の平均誤差が目標値内（±2 cm）を示したが，幹直径14.0 cm 以上が確認できた最高樹高22 m における誤差を見ると，目標値内を示したのは①井上黒川式（計測値）のみであった。以上の結果から，任意高さにおける幹直径の推定において，4 種類の相対幹曲線の中では①井上黒川式（計測値）が最も実用性が高く，OWL は相対幹曲線による推定には不向きであると考えられる。

抄録全体を表示

林業機械による伐木作業の自動化では把持の制御等に，単一方向から取得した点群に基づき深層学習を用いて立木および伐倒木を検出し，3 次元位置，直径，傾斜方位角，傾斜角度を推定する必要がある。点群から立木の位置と直径を推定する深層学習手法や，ゲームエンジンを用いた教師データ作成手法が提案されているが，傾いた対象木の推定や傾斜地を考慮した教師データの生成について検討されていなかった。本稿では，ゲームエンジンと数値標高モデルを組み合わせることで，傾斜地を再現した仮想的な森林環境を構築し，立木および伐倒木の3 次元位置，直径，傾斜方位角，傾斜角度を点群に対応させた教師データの生成，および得られた教師データを3D Bounding Box に変換し，立木および伐倒木を検出する手法を提案する。実際の森林環境において，仮想森林の教師データで学習した深層学習手法による検出精度と推定精度を評価した。PV-RCNN を用いた場合，3D-LiDAR から10 m 以内のRMSE は，材径，材長方向の位置推定誤差において0.11 m，0.59 m，傾きベクトル，直径の推定誤差において4.22 deg，0.09 m となり，把持するためには位置と傾斜方位角，傾斜角度の推定誤差を低減させる必要があることが示された。

抄録全体を表示