Dec, 2023

BonnBeetClouds3D：一个基于点云的糖菜植物田间器官级表型数据集

PDF
TL;DR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。
agricultural productionclimate changesustainabilitynon-chemical weedingautonomous phenotyping
发现论文，激发创造
  • 林肯标注的时空草莓数据集 (LAST-Straw)

    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

  • 利用基于无人机的 RGB 图像估算表型特征

    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

  • 无监督预训练用于 3D 叶片实例分割

    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

  • Eff-3DPSeg: 利用注释高效的点云实现 3D 器官级植物枝杈分割

    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

  • PhenoBench -- 农业领域语义图像解释的大型数据集和基准测试

    本文提出应用图像识别技术解决农业领域的感知问题。作者提供了使用无人机采集并进行密集标注的农作物和杂草图像数据集以及用于测试的多个感知任务基准，包括语义分割、植物的全景分割、植物和叶子的检测、层次全景分割。

    Jun, 2023

  • 通过自适应数据采集和基于 NeREF 的反射校正生成高质量的三维植物表型数据以促进高效植物表型研究

    该研究提出了一种使用多传感器机器人平台的高质量 3D 多光谱点云（3D-MPC）的方法，其中包括自适应数据采集和反射率校正，以便在自然光条件下为植物进行表型分析。

    May, 2023

  • 农业植物表型的深度学习计算机视觉：调查

    本文综述了深度植物表型技术在精准农业领域的最新研究进展，阐述其在作物管理中的作用，以及如何利用数据实现有效监测。

    Jun, 2020

  • Campus3D：用于层次式室外场景理解的摄影测量点云基准

    本文介绍了一个丰富注释的 3D 点云数据集，以及用于分层分割任务的有效学习框架。提出了一种基于多任务学习和分层集成的两阶段方法，包括一种考虑不同层次之间一致性的度量。实验结果表明了所提出方法的优越性和分层注释的潜在优势。

    Aug, 2020

  • 多分辨率异常值汇聚用于高粱分类

    本文介绍了利用传感器（如 RGB，热像仪和高光谱相机等）实现自动化高通量植物表型分析的方法，详细介绍了 Sorghum-100 数据集，以及使用动态异常值汇聚方法对该数据集进行对不同品种的作物图像分类的方法。

    Jun, 2021

  • 数和分割高梁头

    本文提出了一种高通量的自动计数和分割高粱中穗（头）的方法，并使用一种新颖的深度卷积神经网络架构来处理图像密度图，以进行计数。最终得到的实例分割模型也产生了可观的结果。

    May, 2019