論文の概要: A Dataset and Benchmark for Shape Completion of Fruits for Agricultural Robotics

• arxiv url: http://arxiv.org/abs/2407.13304v2
• Date: Tue, 17 Sep 2024 08:16:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 21:41:27.940802
• Title: A Dataset and Benchmark for Shape Completion of Fruits for Agricultural Robotics
• Title（参考訳）: 農業ロボット用果実の形状コンプリートのためのデータセットとベンチマーク
• Authors: Federico Magistri, Thomas Läbe, Elias Marks, Sumanth Nagulavancha, Yue Pan, Claus Smitt, Lasse Klingbeil, Michael Halstead, Heiner Kuhlmann, Chris McCool, Jens Behley, Cyrill Stachniss,
• Abstract要約: 本稿では,農業用視覚システムのための3次元形状補完データセットを提案する。 果実の3次元形状を推定するためのRGB-Dデータセットを提供する。
• 参考スコア（独自算出の注目度）: 30.46518628656399
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the world population is expected to reach 10 billion by 2050, our agricultural production system needs to double its productivity despite a decline of human workforce in the agricultural sector. Autonomous robotic systems are one promising pathway to increase productivity by taking over labor-intensive manual tasks like fruit picking. To be effective, such systems need to monitor and interact with plants and fruits precisely, which is challenging due to the cluttered nature of agricultural environments causing, for example, strong occlusions. Thus, being able to estimate the complete 3D shapes of objects in presence of occlusions is crucial for automating operations such as fruit harvesting. In this paper, we propose the first publicly available 3D shape completion dataset for agricultural vision systems. We provide an RGB-D dataset for estimating the 3D shape of fruits. Specifically, our dataset contains RGB-D frames of single sweet peppers in lab conditions but also in a commercial greenhouse. For each fruit, we additionally collected high-precision point clouds that we use as ground truth. For acquiring the ground truth shape, we developed a measuring process that allows us to record data of real sweet pepper plants, both in the lab and in the greenhouse with high precision, and determine the shape of the sensed fruits. We release our dataset, consisting of almost 7,000 RGB-D frames belonging to more than 100 different fruits. We provide segmented RGB-D frames, with camera intrinsics to easily obtain colored point clouds, together with the corresponding high-precision, occlusion-free point clouds obtained with a high-precision laser scanner. We additionally enable evaluation of shape completion approaches on a hidden test set through a public challenge on a benchmark server.
• Abstract（参考訳）: 世界の人口は2050年までに100億に達すると予想されているので、農業部門では人的労働力の減少にもかかわらず、我々の農業生産システムは生産性を2倍にする必要がある。 自律型ロボットシステムは、果物の摘みなどの労働集約的な手作業を引き継ぐことで生産性を高めるための、有望な道の1つだ。 有効にするためには、植物や果実を正確に監視し、相互作用する必要がある。 したがって, 果実収穫などの作業を自動化するためには, 閉塞の有無で物体の完全な3次元形状を推定できることが不可欠である。 本稿では,農業用視覚システムのための3次元形状補完データセットを提案する。 果実の3次元形状を推定するためのRGB-Dデータセットを提供する。 具体的には、実験室の環境だけでなく、商業的な温室にも、単一の甘辛料のRGB-Dフレームが組み込まれています。 各果実について, 根本的真理として用いる高精度な点雲も収集した。 実験室と温室の両方で実のサツマイモのデータを高精度に記録し,実の果実の形状を推定する手法を開発した。 100以上の異なる果実に属する約7000のRGB-Dフレームからなるデータセットをリリースしました。 我々は、高精度レーザースキャナーで得られる高精度・オクルージョンフリーの点雲とともに、カメラ固有の部分分割RGB-Dフレームを提供することにより、色付き点雲を容易に得ることができる。 さらに,ベンチマークサーバ上での公開課題を通じて,隠れテストセット上での形状補完手法の評価を可能にする。

関連論文リスト

• Horticultural Temporal Fruit Monitoring via 3D Instance Segmentation and Re-Identification using Point Clouds [29.23207854514898]
  本稿では,温室で収集した点群に時間とともに対処する,時間的果実モニタリングのための新しいアプローチを提案する。 本手法は,学習に基づくインスタンスセグメンテーション手法を用いて実の節分をポイントクラウド上で直接行う。 実のイチゴのデータセットを用いた実験結果から,本手法は果実の再同定方法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-12T13:53:22Z)
• Few-Shot Fruit Segmentation via Transfer Learning [4.616529139444651]
  移動学習を用いた内野果実のセマンティックセマンティックセマンティックセマンティクスフレームワークを開発した。 都会のシーン解析における同様の成功を機に,我々は特別事前学習を提案する。 プレトレーニングモデルでは, 地上に落ちてきた果実と木上の果実の区別が可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-04T04:05:59Z)
• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Visual based Tomato Size Measurement System for an Indoor Farming Environment [3.176607626141415]
  本稿では,3つの低コストRGBDカメラから得られた機械学習モデルと深度画像を組み合わせたサイズ計測手法を提案する。 本システムの性能は, 実のトマト果実と偽の葉を用いた実験室環境で評価した。 我々の3カメラシステムは高さ測定精度0.9114、幅精度0.9443を達成できた。
  論文  参考訳（メタデータ） (2023-04-12T22:27:05Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• 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)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Geometry-Aware Fruit Grasping Estimation for Robotic Harvesting in Orchards [6.963582954232132]
  幾何認識ネットワークであるA3Nは、エンドツーエンドのインスタンスセグメンテーションと把握推定を行うために提案されている。 我々は,フィールド環境下での果実の認識と検索をロボットが正確に行うことができるグローバル・ローカル・スキャン・ストラテジーを実装した。 全体として、ロボットシステムは、収穫実験において70%から85%の範囲で収穫の成功率を達成する。
  論文  参考訳（メタデータ） (2021-12-08T16:17:26Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)

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。