2026.09.02

#お役立ちコラム

点群AIとは｜できること・活用例・仕組みと導入手順をわかりやすく解説

点群AIとは、3次元空間に並ぶ点の座標や色、反射強度、周囲の形状をAIで解析し、点や物体に意味を付ける技術です。設備・床・配管などの自動分類、車両や人物の検出、ノイズ除去、変化箇所の抽出などに使われます。

ただし、AIに点群を渡せば何でも自動化できるわけではありません。目的に合うデータ品質、学習済みモデル、評価指標、人による検収が必要です。本記事では、点群AIでできることから代表手法、活用例、導入手順までを実務目線で整理します。

執筆: bestat 編集部

点群AIとは

点群は、物体や空間の表面を多数の点で表した3Dデータです。各点はX・Y・Z座標に加え、RGBの色やレーザーの反射強度などを持つ場合があります。詳しい構造は点群データとはで解説しています。

従来の点群処理は、距離、角度、平面らしさ、近傍点の密度といった人が決めた条件で点を選別する方法が中心でした。AIは、多数の正解例から形状や配置の特徴を学び、未知の点群に「床」「設備」「配管」などのラベルを推定します。

東京都の「職員による点群データ取得・活用ガイド」でも、AIによって各点が何の物体に含まれるかを自動分類し、特定の物体だけを消す、または残す用途が紹介されています。

AI処理と幾何処理の違い

点群処理のすべてがAIではありません。近傍から離れた点を消す統計的外れ値除去、平面を検出するRANSAC、点群を重ねるICP、一定間隔に点を減らすボクセルダウンサンプリングは代表的な幾何処理です。

処理方法	判断の根拠	得意なこと	注意点
ルール・幾何処理	距離、角度、密度、平面性	孤立点除去、平面抽出、位置合わせ	条件ごとに閾値調整が必要
機械学習・深層学習	学習データから得た特徴	意味分類、複雑な物体検出	学習対象にない環境に弱い
両者の組み合わせ	意味と形状の両方	誤検出を抑えた除去・抽出	工程と検収が複雑になる

実務では、前処理に幾何処理、認識にAI、後処理に再び幾何処理を使います。大阪公立大学が2026年に発表した人物ノイズの自動除去手法も、画像AIの結果を3次元へ投影し、平面性や点密度による検証で背景の誤除去を抑えています。

点群AIでできる5つのこと

1. セマンティックセグメンテーション

各点に「地面」「建物」「設備」「配管」「植生」などのクラスを割り当てます。必要な対象だけの表示、数量集計、後工程の自動化に向きます。ただし同じクラスの個体は区別されません。

2. 物体検出・インスタンスセグメンテーション

物体検出は、点群内の車両、設備、部品などの位置と範囲を推定します。インスタンスセグメンテーションは、同じ種類の物体を1台ずつ、1本ずつ分離します。設備台帳、ロボット周辺認識、部品ピッキングなどに利用できます。

3. ノイズ除去・欠損補助

写り込んだ人物や車両、反射による外れ点を識別し、除去候補として抽出します。AIが不要と判断した点を無条件で消すと、細いケーブルや手すりまで失う恐れがあります。

欠損補完は推定です。計測されなかった実物の形を保証するものではないため、寸法保証が必要な設計・検査では元の計測点と区別します。

4. 差分・異常検知

時期の異なる点群や、点群とCAD/BIMを比較し、移動、変形、欠損、追加物を検出します。工場レイアウト変更、施工進捗、構造物の変状監視、製品検査に使われます。単純な距離差で済む場合はAIを使わない方が再現性を確保しやすいこともあります。

5. 3Dモデル・CADへの変換支援

分類した点群から床・壁・配管などを抽出し、メッシュ、BIM、CADへ変換する工程にもAIが使われます。「点を分けるAI」と「形状を当てはめる幾何処理」を組み合わせ、モデリング工数を減らします。

bestatは、欠損や遮蔽がある点群・メッシュから円筒形状を検出し、配管などをCADデータへつなぐ技術を開発しています（特許取得発表）。

点群AIの代表的な手法

点群は画像のような規則正しい格子ではなく、点の数や並び順が一定ではありません。そのため複数の入力方式があります。

PointNet・PointNet++

PointNetは、点群をボクセルや画像へ変換せず、点の集合を直接入力する代表的な深層学習モデルです。物体分類、部品分割、シーンの意味分類に使える構成が示されています（PointNet原論文）。

PointNetは、近い点を局所領域にまとめ、階層的に特徴を学びます。細かな局所形状を捉えやすくし、点密度が不均一なデータへの工夫も加えています（[PointNet原論文](https://arxiv.org/abs/1706.02413)）。

ボクセル・グラフ・Transformer

ボクセル方式は3D空間を立方体に区切り、規則的な格子として処理します。格子を細かくするとメモリ消費が増え、粗くすると細い形状が失われます。点をノード、近傍関係をエッジとして扱うグラフ方式や、離れた点同士の関係を学ぶTransformer系もあります。

精度はモデル名だけで決まりません。学習データ、点密度、入力属性、前処理、推論範囲の影響を受けます。

画像と点群を組み合わせるAI

点群は形状と距離に強く、画像は色や模様に強みがあります。両者を組み合わせると、形が似ていても見た目が違う対象を識別しやすくなります。

点群を文章で説明する研究も進んでいます。産業技術総合研究所は2026年、複数部品の形状差や接合関係を説明する「Multi-3DLLM」を発表しました。ただし研究成果であり、一般の工場点群にそのまま使える製品という意味ではありません（産総研の発表）。

分野別の活用例

分野	AIに任せる処理	得られる成果	人が確認すること
製造・工場	設備・床・配管の分類	レイアウト検討、設備台帳	境界、細線、寸法
建設・土木	地表面・構造物・植生の分類	土量、出来形、進捗	誤分類、遮蔽、座標系
インフラ	電柱・標識の抽出、変状検知	台帳、点検候補	見逃し、緊急度
自動運転	車両・歩行者の検出	自己位置推定、経路計画	未知物体、安全設計
林業・農業	樹木・作物の個体分離	本数、樹高、成長量	重なり、季節差

点群AIを導入する6つの手順

手順1. 目的と出力を決める

「点群処理を効率化する」では広すぎます。「工場A棟から床と固定設備を分け、レイアウト検討で設備だけを選べるようにする」のように、対象、処理、利用者、判断を1文にします。

手順2. 正解データと合否基準を作る

AIの出力を見る前に、人が正しい分類や検出範囲を用意します。学習済みモデルでも、自社データに合うかを測る正解データは必要です。許容できる見逃し数、誤検出数、修正時間を先に決めます。

手順3. 入力データを揃える

確認項目

	確認方法	問題がある場合
座標・位置合わせ	輪郭が二重でないか	再レジストレーション
単位	既知寸法を測る	倍率とメタデータを確認
点密度	細い部材が消えていないか	再計測・範囲限定
欠損・遮蔽	裏面や上面に点があるか	別方向から追加計測
入力属性	RGB・反射強度があるか	対応モデルへ変更
ラベル定義	クラス境界が明文化済みか	定義を見直す

Open3Dは、ボクセル化、変換、外れ値除去、表面再構成などを提供しており、AI前後の整備にも使えます（Open3D公式ドキュメント）。

手順4. モデルの使い方を選ぶ

学習済み機能：短期間で試せるが、用意されたクラスに限定される
追加学習：独自設備に合わせやすいが、教師データが要る
専用開発：特殊な対象に対応できるが、開発・運用コストが大きい

最初は学習済み機能で適合性を確認し、業務に影響する誤りだけ追加学習を検討します。

手順5. 小範囲で推論し、人が検収する

1設備、1区画など目視できる範囲で試します。AIの処理時間だけでなく、アップロード、前処理、検収、手直しまでの総時間を記録します。

手順6. 監視と再学習を設計する

センサー、季節、現場、設備が変わると入力の分布も変わります。定期的な抜き取り検査、失敗例の保存、モデルの版管理、再学習の条件を決めます。

精度を評価する指標

指標	意味	重視する場面
適合率	AIが検出したもののうち正しかった割合	誤検出を減らしたい
再現率	本来の対象のうち拾えた割合	見逃しを避けたい
F1スコア	適合率と再現率の調和平均	両方を比較したい
IoU / mIoU	予測領域と正解領域の重なり	多クラス分類
推論時間	処理そのものの時間	大量処理・リアルタイム
手直し時間	業務利用可能にするまでの時間	投資対効果

「精度95%」だけでは判断できません。床の点が多いだけで全体正解率が高く見えることもあります。クラス別の結果と自社現場での検証値を確認してください。

ツール・サービスの選び方

入力形式（LAS・LAZ・E57・PLYなど）、容量上限、対象クラス、追加学習、出力形式、修正機能を比較します。クラウド型は高性能PCを用意せず使える一方、保存場所、暗号化、アクセス権、データ削除、学習利用の有無を確認します。

分類AIの開発自体ではなく「重い点群を関係者が見て、測って、判断できるようにすること」が目的なら、変換サービスも選択肢です。3D.Core for Point Cloudは、大容量点群を軽量で計測できる3Dモデルへ変換し、PC・スマートフォン・タブレットから確認できる形で提供します（正式ローンチ発表）。

点群からの3Dモデル生成や軽量化を検討している方は、3D.Coreシリーズの資料をご覧いただけます。

→ 3D.Coreの資料をダウンロード

よくある質問

教師データは必ず必要ですか？

学習済みモデルを使うだけなら、大量の教師データを自社で作らずに試せます。ただし、自社点群で精度を測る少量の正解データは必要です。独自対象を追加学習する場合はラベル付けが必要です。

生成AIと点群AIは同じですか？

同じではありません。点群AIは計測済み点群を分類・検出・変換する技術の総称です。生成AIは新しい画像や3D形状、文章を生成します。点群を説明する言語モデルや欠損形状の生成では一部が重なります。

AIで点群の欠損を完全に直せますか？

完全には直せません。AIは形を推定できますが、計測されていない実物の形を保証できません。設計・検査用途では追加計測や図面照合が必要です。

無料で試せますか？

Open3DやOpen3D-MLなどのオープンソース環境で試せます。ただし環境構築、GPU、モデル選定、評価データ作成が必要です。業務工数削減が目的なら、クラウド型や外部サービスも総工数で比較してください。

まとめ

点群AIは、分類、検出、ノイズ除去、差分検出、3Dモデル化を支援します。導入時は、目的を1つに絞り、座標・単位・密度・欠損を確認し、正解データを用意します。適合率や再現率だけでなく、人の手直し時間まで測ることが重要です。

点群AIは人の判断をなくす仕組みではありません。大量の点から候補を絞り、人が確認すべき範囲を減らす仕組みとして設計すると、実務へつなげやすくなります。

bestat 編集部について

bestat株式会社は、東京大学松尾研究室発の産業用3Dデータに特化したAIスタートアップです。製造業・インフラ・土木の現場で、画像・動画・点群・360度動画など、現実空間で取得される多様なデータを高精度に3D化し、取得・生成・処理・活用までを一気通貫して支援する「3D.Core」を開発・提供しています。

3D.Coreを見る