CherryPicker:樱桃树的语义骨架化和拓扑重建
通过使用 RGB-D 相机数据,本文提出了一种基于关键点检测的方法,用于估计植物叶梗节点的三维姿态,为收获番茄束提供了必要的信息。该方法在商业温室中进行了全面评估,结果表明在物体检测、关键点检测和三维姿态估计方面具有高准确性。此外,该方法对视角变化具有鲁棒性,适用于番茄等其他温室作物。
Nov, 2023
通过自主训练的方法,该论文提出了一个新的用于植物表型分析的网络骨干初始化方法,并引入了一种针对叶片实例分割的新型自动后处理方法,实验证明我们的方法在所有调研场景中均提升了性能。
Jan, 2024
农业生产在未来几十年面临严峻挑战,包括气候变化和可持续性需求,通过机器人进行无化学除草的领域管理、无人机监测农作物以及培育新型更具适应性的作物品种有助于应对这些挑战。本文提出了自动化精细的器官级几何分析用于精准表型分析的问题。通过使用高分辨率无人机图像获取的新数据集,我们计算出重叠多视角的点云,并为植物、叶片和重要特征点(尖端和基部)提供详细准确的点级标签。此外,我们还提供了德国联邦植物品种办公室专家对真实植物进行的表型特征测量,以便不仅在分割和关键点检测上评估新方法,还可直接评估下游任务。提供的带标签点云可以进行细粒度植物分析,并支持自动表型分析方法的进一步发展,同时也为表面重建、点云补全和点云的语义解释提供了更多研究可能性。
Dec, 2023
通过多视图拼接,使用微软的 Azure Kinect DK TOF 相机获取天然环境中的荔枝采摘点云数据,采用 Fcaf3d-lychee 网络模型结合抽取 - 激励模块对荔枝采摘点进行精确定位,取得令人印象深刻的 88.57% 的 F1 分数,并在实际荔枝林环境中实现高精度的三维位置检测,定位误差在所有方向上均在 1.5 厘米以内,展示出模型的鲁棒性和通用性。
Mar, 2024
通过扩展植物骨架化技术,本研究旨在提高机器人在更密集和复杂的葡萄藤结构中进行修剪所需的感知能力,生成具有较低投影误差和更高连接性的葡萄藤骨架模型,并展示了 3D 和骨架信息如何提高对密集葡萄藤修剪重量的预测准确度,超过以往的研究,而修剪重量是影响修剪位置选择的重要葡萄藤度量。
Jul, 2023
自动表型分类技术可提供植物特征的定量度量,但开发者所能使用的验证数据集受限。本文提出了一个 3D 点云数据集,包含两个种类的草莓植物,共计 84 个点云。我们关注对这些工具的最终使用,即提取生物学相关的表型,并在数据集上演示了表型分类流程,其中包括分割、骨架化和跟踪等步骤,详细说明每个阶段如何促进不同表型的提取或数据的洞察。我们特别强调在验证表型时,重点放在从流程的每个阶段获取的表示中提取的表型,而不仅仅是评估表示本身。因此,我们在可能的情况下提供了每个步骤提取的表型的 extit {in silico} 基准,并介绍了骨架化及其提取的长度特征的定量评估方法。该数据集为农业 / 园艺领域的下一代表型分类工具的开发提供了免费的空间 - 时间数据,增加了可用于该领域研究的植物品种数量,并为新的表型分类方法提供了真实比较的基础。
Mar, 2024
该研究利用 Segment Anything Model (SAM) 对葡萄簇图像进行对象分割,生成了超过 150,000 个葡萄浆果掩码,并且通过人工测定和 SAM 预测之间的很强相关性(Pearson R2=0.96),演示了 SAM 在 2D 簇图像中识别个体浆果的高准确性。同时,强调了簇图像拍摄角度对浆果计数和架构的重要影响,提出了利用浆果位置信息计算与簇架构和紧密度相关的复杂特征的不同方法。最后,讨论了在葡萄园条件下将 SAM 整合到目前可用的图像生成和处理流程中的潜力。
Mar, 2024
提出了一种基于弱监督学习的 3D 植物幼芽分割框架 Eff-3DPSeg,该框架使用深度学习和点云技术,可以在有限标注点的情况下官能植物器官实现高质量的分段,为植物育种提供了一种有效的方法。
Dec, 2022
本文提出了一种基于无监督学习的关节点检测算法,名为 Skeleton Merger,通过 Autoencoder 架构来提取关节点并预测点间的激活强度,进而利用骨架重建对象。该算法通过组合式 Chamfer 距离实现了对输入点云的复原,并发现它能够检测到具有良好对齐性的语义丰富的显著关节点,并在 KeypointNet 数据集上表现良好。
Mar, 2021
该研究使用深度学习模型推进了激光雷达数据中的个体树冠分割,适用于不同的激光扫描类型:机载(ULS),地面(TLS)和移动(MLS)。它解决了 3D 森林场景分析中在不同数据特征之间的可转移性挑战。研究评估了模型在平台(ULS,MLS)和数据密度上的性能,测试了包括稀疏版本在内的五种输入数据情景,以评估其适应性和冠层功效。该基于 PointGroup 架构的模型是一个具有语义分割和实例分割两个独立头部的 3D CNN,在各种点云数据集上得到了验证。结果表明,点云稀疏化能提高性能,有助于稀疏数据处理,并改善对密集森林中的检测。该模型在每平方米大于 50 个点的密度下表现良好,但在每平方米 10 个点的情况下性能较差,由于漏掉的比例更高。它在检测率、漏掉率、错误率和 F1 分数方面优于现有方法(如 Point2Tree,TLS2trees),并在 LAUTx、Wytham Woods 和 TreeLearn 数据集上设立了新的基准。总之,该研究显示了一种对于不同激光雷达数据的无感知模型的可行性,超越了传感器特定方法,并在树木分割中树立了新的标准,特别是在复杂森林中。这对于未来的生态建模和森林管理的进步做出了贡献。
Jan, 2024