論文の概要: 3D Pose Estimation of Tomato Peduncle Nodes using Deep Keypoint
Detection and Point Cloud
- arxiv url: http://arxiv.org/abs/2311.04699v1
- Date: Wed, 8 Nov 2023 14:10:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-09 15:34:22.338709
- Title: 3D Pose Estimation of Tomato Peduncle Nodes using Deep Keypoint
Detection and Point Cloud
- Title（参考訳）: ディープキーポイント検出とポイントクラウドを用いたトマト果皮ノードの3次元ポーズ推定
- Authors: Jianchao Ci, Xin Wang, David Rapado-Rinc\'on, Akshay K. Burusa, Gert
Kootstra
- Abstract要約: 本稿では,RGB-Dカメラのデータを用いたキーポイント検出に基づく16の手法を提案し,ペプンクルノードの3次元ポーズを推定する。
トマトをユースケースとして選択したものの、提案手法はペッパーなどの他の30種類の温室作物にも適用できる。
- 参考スコア（独自算出の注目度）: 4.442043151145212
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Greenhouse production of fruits and vegetables in developed countries is
challenged by labor 12 scarcity and high labor costs. Robots offer a good
solution for sustainable and cost-effective 13 production. Acquiring accurate
spatial information about relevant plant parts is vital for 14 successful robot
operation. Robot perception in greenhouses is challenging due to variations in
15 plant appearance, viewpoints, and illumination. This paper proposes a
keypoint-detection-based 16 method using data from an RGB-D camera to estimate
the 3D pose of peduncle nodes, which 17 provides essential information to
harvest the tomato bunches. 18 19 Specifically, this paper proposes a method
that detects four anatomical landmarks in the color 20 image and then
integrates 3D point-cloud information to determine the 3D pose. A 21
comprehensive evaluation was conducted in a commercial greenhouse to gain
insight into the 22 performance of different parts of the method. The results
showed: (1) high accuracy in object 23 detection, achieving an Average
Precision (AP) of AP@0.5=0.96; (2) an average Percentage of 24 Detected Joints
(PDJ) of the keypoints of PhDJ@0.2=94.31%; and (3) 3D pose estimation 25
accuracy with mean absolute errors (MAE) of 11.38o and 9.93o for the relative
upper and lower 26 angles between the peduncle and main stem, respectively.
Furthermore, the capability to handle 27 variations in viewpoint was
investigated, demonstrating the method was robust to view changes. 28 However,
canonical and higher views resulted in slightly higher performance compared to
other 29 views. Although tomato was selected as a use case, the proposed method
is also applicable to 30 other greenhouse crops like pepper.
- Abstract（参考訳）: 先進国における果物や野菜の温室効果ガス生産は、労働力12の不足と労働コストの高騰に苦しめられている。
ロボットは持続可能で費用効果の高い13生産に適したソリューションを提供する。
植物部分に関する正確な空間情報を取得することは、14のロボット操作の成功に不可欠である。
温室におけるロボットの知覚は、15の植物外観、視点、照明の変化により困難である。
本稿では,rgb-dカメラから得られたデータを用いて,果皮ノードの3次元ポーズを推定するキーポイント検出に基づく16の手法を提案する。
具体的には、カラー20画像中の4つの解剖学的ランドマークを検出し、3Dポイントクラウド情報を統合して3Dポーズを決定する手法を提案する。
21の包括的評価を商業温室で行い,22の異なる部分の性能について考察した。
その結果,(1)オブジェクト23の検出精度が高く,ap@0.5=0.96の平均精度(ap)を達成し,(2)phdj@0.2=94.31%のキーポイントの24個の検出関節(pdj)の平均パーセンテージ,(3)平均絶対誤差(mae)11.38o,9.93oの3dポージング推定25の精度が,それぞれペデュンクルとメインステムの相対上方26角と下方26角で得られた。
さらに,27種類の視点の変動を処理できる性能について検討し,その方法が変化を見るのにロバストであることを実証した。
しかし、標準ビューと高ビューは、他の29ビューに比べてわずかに高いパフォーマンスを示した。
トマトをユースケースとして選定したが,提案手法はコショウなどの他の30種の温室栽培作物にも適用できる。
関連論文リスト
- Investigation to answer three key questions concerning plant pest identification and development of a practical identification framework [2.388418486046813]
334K画像を用いた精密で頑健で高速な植物害虫識別フレームワークを開発した。
我々の2段階植物害虫識別フレームワークは,91.0%,88.5%の精度とマクロF1スコアを達成できた。
論文 参考訳（メタデータ） (2024-07-25T12:49:24Z) - Key Point-based Orientation Estimation of Strawberries for Robotic Fruit
Picking [8.657107511095242]
本稿では,2次元画像から直接3次元方向を予測できるキーポイント型果物配向推定手法を提案する。
提案手法は, 平均誤差を8円程度に抑え, 従来よりも$sim30%の予測精度を向上する。
論文 参考訳（メタデータ） (2023-10-17T15:12:11Z) - Look how they have grown: Non-destructive Leaf Detection and Size
Estimation of Tomato Plants for 3D Growth Monitoring [4.303287713669109]
本稿では,非破壊画像に基づく自動計測システムについて述べる。
Zividの3Dカメラで得られた2Dと3Dのデータを使って、トマトの3D仮想表現(デジタル双生児)を生成する。
実生トマトの総合的な試験を通じて, プラットフォームの性能を測定した。
論文 参考訳（メタデータ） (2023-04-07T12:16:10Z) - Diffusion-Based 3D Human Pose Estimation with Multi-Hypothesis
Aggregation [64.874000550443]
ジョイントワイズ・リジェクション・ベース・マルチハイブリッド・アグリゲーション(JPMA)を用いた拡散型3次元ポス推定法を提案する。
提案したJPMAは,D3DPが生成する複数の仮説を1つの3次元ポーズにまとめて実用的に利用する。
提案手法は, 最先端の決定論的アプローチと確率論的アプローチをそれぞれ1.5%, 8.9%上回った。
論文 参考訳（メタデータ） (2023-03-21T04:00:47Z) - Panoptic Mapping with Fruit Completion and Pose Estimation for
Horticultural Robots [33.21287030243106]
植物や果実を高解像度でモニタリングすることは、農業の未来において重要な役割を担っている。
正確な3D情報は、自律収穫から正確な収量推定まで、農業における多様なロボット応用への道を開くことができる。
移動ロボットによって構築された3次元多次元マップにおいて,果実の完全な3次元形状とそのポーズを共同で推定する問題に対処する。
論文 参考訳（メタデータ） (2023-03-15T20:41:24Z) - Eff-3DPSeg: 3D organ-level plant shoot segmentation using
annotation-efficient point clouds [1.5882586857953638]
本稿では,3次元植物撮影セグメンテーションのための弱教師付きフレームワーク Eff-3DPSeg を提案する。
大豆の高分解能点雲を低コストのフォトグラムシステムを用いて再構成した。
植物器官セグメンテーションのための弱教師付き深層学習法が提案された。
論文 参考訳（メタデータ） (2022-12-20T14:09:37Z) - PONet: Robust 3D Human Pose Estimation via Learning Orientations Only [116.1502793612437]
本稿では,学習向きのみを用いて3次元ポーズを頑健に推定できる新しいPose Orientation Net(PONet)を提案する。
PONetは、局所的な画像証拠を利用して、これらの手足の3D方向を推定し、3Dポーズを復元する。
我々は,Human3.6M,MPII,MPI-INF-3DHP,3DPWを含む複数のデータセットについて評価を行った。
論文 参考訳（メタデータ） (2021-12-21T12:48:48Z) - Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
論文 参考訳（メタデータ） (2021-07-08T15:19:36Z) - PLUME: Efficient 3D Object Detection from Stereo Images [95.31278688164646]
既存の手法では、2つのステップでこの問題に対処する: 第一深度推定を行い、その深さ推定から擬似LiDAR点雲表現を計算し、3次元空間で物体検出を行う。
この2つのタスクを同一のメトリック空間で統一するモデルを提案する。
提案手法は,既存の手法と比較して推定時間を大幅に削減し,挑戦的なKITTIベンチマークの最先端性能を実現する。
論文 参考訳（メタデータ） (2021-01-17T05:11:38Z) - Synthetic Training for Monocular Human Mesh Recovery [100.38109761268639]
本稿では,RGB画像と大規模に異なる複数の身体部位の3次元メッシュを推定することを目的とする。
主な課題は、2D画像のすべての身体部分の3Dアノテーションを完備するトレーニングデータがないことである。
本稿では,D2S(Deep-to-scale)投影法を提案する。
論文 参考訳（メタデータ） (2020-10-27T03:31:35Z) - Measuring Generalisation to Unseen Viewpoints, Articulations, Shapes and
Objects for 3D Hand Pose Estimation under Hand-Object Interaction [137.28465645405655]
HANDS'19は、現在の3Dハンドポーズ推定器(HPE)がトレーニングセットのポーズを補間し、外挿する能力を評価するための課題である。
本研究では,最先端手法の精度が低下し,トレーニングセットから外れたポーズでほとんど失敗することを示す。
論文 参考訳（メタデータ） (2020-03-30T19:28:13Z)
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。