論文の概要: Stem-leaf segmentation and phenotypic trait extraction of maize shoots
from three-dimensional point cloud
- arxiv url: http://arxiv.org/abs/2009.03108v1
- Date: Mon, 7 Sep 2020 13:58:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 03:05:30.496638
- Title: Stem-leaf segmentation and phenotypic trait extraction of maize shoots
from three-dimensional point cloud
- Title(参考訳): 三次元点雲からのトウモロコシシュートの茎葉分節化と表現型形質抽出
- Authors: Chao Zhu, Teng Miao, Tongyu Xu, Tao Yang, Na Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 8.392251372468412
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, there are many approaches to acquire three-dimensional (3D) point
clouds of maize plants. However, automatic stem-leaf segmentation of maize
shoots from three-dimensional (3D) point clouds remains challenging, especially
for new emerging leaves that are very close and wrapped together during the
seedling stage. To address this issue, we propose an automatic segmentation
method consisting of three main steps: skeleton extraction, coarse segmentation
based on the skeleton, fine segmentation based on stem-leaf classification. The
segmentation method was tested on 30 maize seedlings and compared with manually
obtained ground truth. The mean precision, mean recall, mean micro F1 score and
mean over accuracy of our segmentation algorithm were 0.964, 0.966, 0.963 and
0.969. Using the segmentation results, two applications were also developed in
this paper, including phenotypic trait extraction and skeleton optimization.
Six phenotypic parameters can be accurately and automatically measured,
including plant height, crown diameter, stem height and diameter, leaf width
and length. Furthermore, the values of R2 for the six phenotypic traits were
all above 0.94. The results indicated that the proposed algorithm could
automatically and precisely segment not only the fully expanded leaves, but
also the new leaves wrapped together and close together. The proposed approach
may play an important role in further maize research and applications, such as
genotype-to-phenotype study, geometric reconstruction and dynamic growth
animation. We released the source code and test data at the web site
https://github.com/syau-miao/seg4maize.git
- Abstract(参考訳): 今日では、トウモロコシの3次元(3d)点雲を得る多くのアプローチがある。
しかし,3次元(3次元)点雲からのトウモロコシ芽の茎葉の自動分割は,特に実生期において非常に近縁で包み合わされた新芽葉では課題である。
そこで本研究では,スケルトン抽出,スケルトンに基づく粗セグメント化,stem-leaf分類に基づく微細セグメント化という3つの主要なステップからなる自動セグメント化手法を提案する。
このセグメンテーション法を30種類のトウモロコシ実生で試験し,手作業で得られた真実と比較した。
平均精度,平均リコール,平均マイクロF1スコア,平均精度は0.964,0.966,0.963,0.969であった。
このセグメンテーション結果を用いて,表現型形質抽出と骨格最適化を含む2つの応用を開発した。
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。
さらに、6つの表現型形質に対するR2の値は0.94以上であった。
その結果,本手法は葉の完全拡大だけでなく,新しい葉を包み,密集させることで,自動的に高精度に分割できることがわかった。
提案手法は, 遺伝子型から表現型への研究, 幾何学的再構築, 動的成長アニメーションなど, さらなる研究と応用において重要な役割を担っている。
ソースコードとテストデータは、https://github.com/syau-miao/seg4maize.gitで公開しました。
関連論文リスト
- Frenet-Serret Frame-based Decomposition for Part Segmentation of 3D Curvilinear Structures [26.53820792357073]
医用画像における正確な3次元キュビリニア構造のセグメンテーションは、複雑な形状のため、依然として困難である。
本稿では,Frenet-Serret Frame-based Decompositionを導入し,3次元曲線構造を大域(C2)連続曲線に分解する。
DenSpineEMの実験は、例外的なクロスリージョンおよびクロス種一般化を実証した。
論文 参考訳(メタデータ) (2024-04-19T16:40:24Z) - 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) - UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。
我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。
Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文 参考訳(メタデータ) (2022-12-08T18:59:57Z) - 3D Reconstruction-Based Seed Counting of Sorghum Panicles for
Agricultural Inspection [4.328589704462156]
本研究では,育種実験における表現型化のための高品質な3Dパニックモデルを作成する方法を提案する。
これは、2Dと3Dの両方のセマンティックランドマークとしてシードを使用する、新しい再構築アプローチによって達成される。
本研究では,この手法を用いて2次元画像から種数と重量を推定し,その外挿量を推定できることを実証した。
論文 参考訳(メタデータ) (2022-11-14T20:51:09Z) - 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) - Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based
Perception [122.53774221136193]
運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。
自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。
本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-12T06:25:11Z) - FS-Net: Fast Shape-based Network for Category-Level 6D Object Pose
Estimation with Decoupled Rotation Mechanism [49.89268018642999]
6次元ポーズ推定のための効率的なカテゴリレベルの特徴抽出が可能な高速形状ベースネットワーク(FS-Net)を提案する。
提案手法は,カテゴリレベルおよびインスタンスレベルの6Dオブジェクトのポーズ推定における最先端性能を実現する。
論文 参考訳(メタデータ) (2021-03-12T03:07:24Z) - 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) - Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR
Segmentation [81.02742110604161]
大規模運転シーンのLiDARセグメンテーションのための最先端の手法は、しばしば点雲を2次元空間に投影し、2D畳み込みによって処理する。
そこで我々は,3次元幾何学的パタンを探索するために,円筒分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
提案手法はセマンティックKITTIのリーダーボードにおいて第1位を獲得し,既存のnuScenesの手法を約4%のマージンで上回っている。
論文 参考訳(メタデータ) (2020-11-19T18:53:11Z) - 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) - Automated classification of stems and leaves of potted plants based on
point cloud data [21.085243796341743]
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。
論文 参考訳(メタデータ) (2020-02-28T04:15:38Z)
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。