精准农业领域的重要问题之一是植物表型的准确重建。最近，神经辐射场（NeRF）方法在 2D 新视图图像合成和 3D 农作物和植物模型重建方面表现出出色的性能，但在农业环境中尚未深入研究。本研究通过两种最先进的方法 Instant-NGP 和 Instant-NSR，探索了 NeRF 方法的优势和局限，并提出了一种新的植物表型数据集，以全面评估 NeRF 在农业上下文中的应用。实验结果显示，NeRF 方法在合成新视图图像和与 Reality Capture 相媲美的 3D 重建方面表现出可观的性能，但存在训练速度较慢、采样不足时的性能限制以及在复杂环境中获取几何质量的挑战等问题。

Nov, 2023

通过使用神经辐射场的学习方法，本研究在温室环境中实现了辣椒植株的准确原位表型鉴定，结果表明此学习方法具有与 3D 扫描方法相近的准确性，且具备可扩展性和鲁棒性。

Mar, 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

TERRA-REF 项目产生了一项开放式的参考数据集，其中包括高分辨率的传感器数据和超过 60 种传统的植物表型测量，可以用于训练新的机器学习模型。该研究旨在向计算机视觉和机器学习界提供有关该数据及其潜在应用的概述。

Jul, 2021

本文提出了一种基于 RGB 相机和无人机的方法，用于估计高精度的高精度的高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度的高精度高精度的高精度高精度高精度高精度的高精度高精度的高精度，包括叶形态分析和叶片分割。

Jul, 2018

通过整合时间飞行相机的深度信息，我们提出了一种新颖的多模式三维图像配准方法，可以准确对齐不同摄影模式之间的像素，从而降低视差效应的影响并减少配准误差。同时，我们引入了一种自动机制来识别并区分不同类型的遮挡物，为植物表型研究提供了一个强大可靠且适用于多种应用的解决方案。

Jul, 2024

本文旨在探究基于图像和元数据嵌入网络的方法以提高作物表型特征的精确度，相对于深层卷积神经网络和人类专家，该方法在西红柿色调和色度的估计中表现更好。

Apr, 2020

使用不同的神经辐射场（NeRFs）技术，通过评估对不同环境中的植物进行（3D）重建的方法，展示了 NeRF 在详细和真实的植物建模中的潜力，并提出了增强 3D 重建过程速度和效率的实用方法。

Feb, 2024

介绍了一种用于集成多视角反射和法线映射的通用范例。它使用像素级联合参数化反射和法线，将它们视为在模拟的不同光照下渲染的辐射矢量。该方法在神经体渲染的基于 3D 重建中，实现了反射和法线映射的无缝集成，同时保留单一的优化目标，从而优于最先进的 MVPS 方法，特别是在高曲率或低可见性区域的详细 3D 重建方面。

Dec, 2023

本文介绍了一种基于图像的非破坏性自动测量系统，利用 2D 和 3D 数据创造了番茄植物的 3D 虚拟表示，并将叶子检测到相应的 2D RGB 图像上，通过平面配合算法提取出叶子大小提供生长监测数据。该测量系统的性能已得到实测，并开源了数据集。提出的叶片大小估算方法表现出 4.47mm 的 RMSE 值和 0.87 的 R ^ 2 值。

Apr, 2023