論文の概要: Automated classification of stems and leaves of potted plants based on point cloud data

• arxiv url: http://arxiv.org/abs/2002.12536v1
• Date: Fri, 28 Feb 2020 04:15:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 02:21:09.509278
• Title: Automated classification of stems and leaves of potted plants based on point cloud data
• Title（参考訳）: 点雲データに基づく鉢植え植物の茎葉の自動分類
• Authors: Zichu Liu, Qing Zhang, Pei Wang, Zhen Li, Huiru Wang
• Abstract要約: 鉢植え植物の葉や茎を自動的に分類するための分類法が提案された。 葉点学習サンプルは3次元凸包絡アルゴリズムを用いて自動的に抽出される。 2つのトレーニングセットは、サポートベクトルマシン(SVM)アルゴリズムを用いて、すべての点を葉点と茎点に分類するために使用された。
• 参考スコア（独自算出の注目度）: 21.085243796341743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The accurate classification of plant organs is a key step in monitoring the growing status and physiology of plants. A classification method was proposed to classify the leaves and stems of potted plants automatically based on the point cloud data of the plants, which is a nondestructive acquisition. The leaf point training samples were automatically extracted by using the three-dimensional convex hull algorithm, while stem point training samples were extracted by using the point density of a two-dimensional projection. The two training sets were used to classify all the points into leaf points and stem points by utilizing the support vector machine (SVM) algorithm. The proposed method was tested by using the point cloud data of three potted plants and compared with two other methods, which showed that the proposed method can classify leaf and stem points accurately and efficiently.
• Abstract（参考訳）: 植物の器官の正確な分類は、植物の成長状況と生理学をモニタリングする重要なステップである。 非破壊的取得である植物の点雲データに基づいて、鉢植え植物の葉と茎を自動的に分類する分類法を提案した。 葉点トレーニングサンプルは3次元凸包絡アルゴリズムを用いて自動的に抽出され、茎点トレーニングサンプルは2次元投影の点密度を用いて抽出された。 2つのトレーニングセットは、サポートベクトルマシン(SVM)アルゴリズムを用いて、すべての点を葉点と茎点に分類するために使用された。 提案手法は,3つの鉢植え植物の点雲データを用いて,他の2つの方法と比較し,葉点と茎点を高精度かつ効率的に分類できることを実証した。

関連論文リスト

• Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
  我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
  論文  参考訳（メタデータ） (2023-04-24T06:36:35Z)
• Eff-3DPSeg: 3D organ-level plant shoot segmentation using annotation-efficient point clouds [1.5882586857953638]
  本稿では,3次元植物撮影セグメンテーションのための弱教師付きフレームワーク Eff-3DPSeg を提案する。 大豆の高分解能点雲を低コストのフォトグラムシステムを用いて再構成した。 植物器官セグメンテーションのための弱教師付き深層学習法が提案された。
  論文  参考訳（メタデータ） (2022-12-20T14:09:37Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• An Effective Leaf Recognition Using Convolutional Neural Networks Based Features [1.137457877869062]
  本稿では,葉の認識に有効な手法を提案する。 葉はいくつかの前処理を経て、精製された色画像、静脈像、xy投影ヒストグラム、手作りの形状、テクスチャの特徴、フーリエディスクリプタを抽出する。 これらの属性は、サポートベクターマシン(SVM)モデルを使用して異なる葉を分類する前に、ニューラルネットワークベースのエンコーダによってより良い表現に変換される。
  論文  参考訳（メタデータ） (2021-08-04T02:02:22Z)
• Point Cloud Upsampling via Disentangled Refinement [86.3641957163818]
  3Dスキャンによって生成された点雲は、しばしばスパース、非均一、ノイズである。 近年のアップサンプリング手法は, 分布均一性と近接場を両立させながら, 密度の高い点集合を生成することを目的としている。 2つのカスケードサブネットワーク、高密度ジェネレータ、空間精錬器を定式化する。
  論文  参考訳（メタデータ） (2021-06-09T02:58:42Z)
• A Deep Learning Approach Based on Graphs to Detect Plantation Lines [16.76043873454695]
  本稿では,UAVを用いたRGB画像における植林線検出のためのグラフに基づく深層学習手法を提案する。 提案手法は最先端のディープラーニング手法と比較した。 精度、リコール、F1スコアはそれぞれ98.7%、91.9%、95.1%だった。
  論文  参考訳（メタデータ） (2021-02-05T14:56:42Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• Automatic sampling and training method for wood-leaf classification based on tree terrestrial point cloud [23.296851669213012]
  植物点雲データの葉木分類は、林業や生物研究の基本的なステップである。 木点雲データに基づく分類のための自動サンプリングおよびトレーニング手法を提案した。 その結果,提案手法は手動選択法よりも効率と精度がよいことがわかった。
  論文  参考訳（メタデータ） (2020-12-06T00:18:41Z)
• Stem-leaf segmentation and phenotypic trait extraction of maize shoots from three-dimensional point cloud [8.392251372468412]
  本稿では, 骨格抽出, 骨格に基づく粗い部分分割, 茎葉分類に基づく細部分分割の3段階からなる自動茎葉分割法を提案する。 植物の高さ、樹冠径、茎の高さと直径、葉の幅と長さを含む6つの表現型パラメータを正確に自動測定することができる。 提案したアルゴリズムは、完全に拡張された葉だけでなく、新しい葉をまとめて閉じることもできる。
  論文  参考訳（メタデータ） (2020-09-07T13:58:09Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。