論文の概要: PanicleNeRF: low-cost, high-precision in-field phenotypingof rice panicles with smartphone
- arxiv url: http://arxiv.org/abs/2408.02053v1
- Date: Sun, 4 Aug 2024 15:01:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 15:25:25.453387
- Title: PanicleNeRF: low-cost, high-precision in-field phenotypingof rice panicles with smartphone
- Title（参考訳）: PanicleNeRF:スマートフォンを用いたイネパニックの低コスト・高精度フィールド表現
- Authors: Xin Yang, Xuqi Lu, Pengyao Xie, Ziyue Guo, Hui Fang, Haowei Fu, Xiaochun Hu, Zhenbiao Sun, Haiyan Cen,
- Abstract要約: PanicleNeRFは,スマートフォンを用いた現場における水稲パニックモデルの高精度かつ低コストな再構築を可能にする新しい手法である。
結果: PanicleNeRFは2次元画像分割作業に効果的に対応し、平均F1スコアは86.9%、平均IoUは79.8%であった。
本発明の方法は、米の育種効率を向上し、低コストでイネパニックの表現型化を図り得る方法である。
- 参考スコア（独自算出の注目度）: 4.441945709704536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rice panicle traits significantly influence grain yield, making them a primary target for rice phenotyping studies. However, most existing techniques are limited to controlled indoor environments and difficult to capture the rice panicle traits under natural growth conditions. Here, we developed PanicleNeRF, a novel method that enables high-precision and low-cost reconstruction of rice panicle three-dimensional (3D) models in the field using smartphone. The proposed method combined the large model Segment Anything Model (SAM) and the small model You Only Look Once version 8 (YOLOv8) to achieve high-precision segmentation of rice panicle images. The NeRF technique was then employed for 3D reconstruction using the images with 2D segmentation. Finally, the resulting point clouds are processed to successfully extract panicle traits. The results show that PanicleNeRF effectively addressed the 2D image segmentation task, achieving a mean F1 Score of 86.9% and a mean Intersection over Union (IoU) of 79.8%, with nearly double the boundary overlap (BO) performance compared to YOLOv8. As for point cloud quality, PanicleNeRF significantly outperformed traditional SfM-MVS (structure-from-motion and multi-view stereo) methods, such as COLMAP and Metashape. The panicle length was then accurately extracted with the rRMSE of 2.94% for indica and 1.75% for japonica rice. The panicle volume estimated from 3D point clouds strongly correlated with the grain number (R2 = 0.85 for indica and 0.82 for japonica) and grain mass (0.80 for indica and 0.76 for japonica). This method provides a low-cost solution for high-throughput in-field phenotyping of rice panicles, accelerating the efficiency of rice breeding.
- Abstract（参考訳）: イネの穂状形質は穀物収量に大きな影響を及ぼし,米の表現型研究の主目的となった。
しかし、既存の技術のほとんどは制御された屋内環境に限られており、自然の生育条件下では稲の穂の形質を捉えるのが困難である。
そこで我々は,スマートフォンを用いた3次元水稲パニックモデル(3D)の高精度かつ低コストな再構築を可能にする新手法であるPanicleNeRFを開発した。
提案手法は, 大規模モデルSegment Anything Model (SAM) と小型モデルYou Only Look Once Version 8 (YOLOv8) を組み合わせることで, イネパニック画像の高精度セグメンテーションを実現する。
その後,2次元分割画像を用いた3次元再構成にNeRF法を応用した。
最後に、結果の点雲を処理してパニック性の特徴を抽出する。
その結果、PanicleNeRFは2次元画像分割作業に効果的に対応し、平均F1スコア86.9%、平均IoU79.8%、境界重なり(BO)性能はYOLOv8の2倍に近いことがわかった。
点雲の品質に関しては、PanicleNeRFはCOLMAPやMetashapeといった従来のSfM-MVS(Structure-from-motionおよびMulti-view stereo)手法よりも大幅に優れていた。
その後、パニック長を正確に抽出し、インディカは2.94%、ジャポニカは1.75%とした。
3次元点雲から推定されるパニック体積は、インディカの粒数(R2 = 0.85、ジャポニカは 0.82、ジャポニカは0.80、ジャポニカは 0.76)と強く相関した。
本発明の方法は、イネの育種効率を向上し、イネパニックの高スループットインフィールド表現のための低コストなソリューションを提供する。
関連論文リスト
- Biomass phenotyping of oilseed rape through UAV multi-view oblique imaging with 3DGS and SAM model [18.13908148656987]
本研究は, 油種レイプの正確な3次元再構成とバイオマス推定のために, 3次元ガウススティング(3DGS)とSAM(Segment Anything Model)を統合した。
3DGSは精度が高く、ピーク信号対雑音比(PSNR)は27.43、トレーニング時間は7分49分であった。
SAMモジュールは、結合(mIoU)が0.961、F1スコアが0.980で高いセグメンテーション精度を達成した。
論文 参考訳（メタデータ） (2024-11-13T09:16:21Z) - Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification [0.0]
米は世界の人口の半数以上にとって主要な食料源として重要な役割を担っている。
本研究では,イネ葉病分類のための3つの移動型CNNアーキテクチャについて検討した。
最高のパフォーマンスは、99.8%の精度でEfficientNet-B0モデルによって達成された。
論文 参考訳（メタデータ） (2024-08-03T11:16:00Z) - Spatial Annealing Smoothing for Efficient Few-shot Neural Rendering [106.0057551634008]
我々は,Spatial Annealing smoothing regularized NeRF (SANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。
単に1行のコードを追加することで、SANeRFは現在の数ショットのNeRF法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
論文 参考訳（メタデータ） (2024-06-12T02:48:52Z) - R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。
本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文 参考訳（メタデータ） (2024-05-31T08:39:02Z) - Dual-band feature selection for maturity classification of specialty crops by hyperspectral imaging [5.905721043072562]
イチゴやトマトなどの特産作物の成熟度分類は、農業の下流における重要な活動である。
近年のDeep Learningの進歩は、成熟度分類のためのカラー画像の奨励的な結果を生み出している。
成熟度分類のための特徴抽出法を提案する。
論文 参考訳（メタデータ） (2024-05-16T10:01:16Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - MSMDFusion: Fusing LiDAR and Camera at Multiple Scales with Multi-Depth
Seeds for 3D Object Detection [89.26380781863665]
自律運転システムにおける高精度で信頼性の高い3次元物体検出を実現するためには,LiDARとカメラ情報の融合が不可欠である。
近年のアプローチでは、2次元カメラ画像の3次元空間への昇華点によるカメラ特徴のセマンティックな密度の探索が試みられている。
マルチグラニュラリティLiDARとカメラ機能とのマルチスケールなプログレッシブインタラクションに焦点を当てた,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） (2022-09-07T12:29:29Z) - Automatic Detection of Rice Disease in Images of Various Leaf Sizes [0.5284812806199193]
そこで我々は,米田写真画像から米病を検出するコンピュータビジョン技術を用いて,その解決策に焦点をあてた。
そこで本研究では,CNNオブジェクト検出と画像タイリングを組み合わせた手法を提案する。
本手法は, 発芽, 発芽, 褐色斑点, 褐色斑点, オレンジ, 赤色ストライプ, 草草性スタントウイルス, ストリーク病など8種類のイネ葉病の4,960枚の画像から評価した。
論文 参考訳（メタデータ） (2022-06-15T07:56:41Z) - Hessian-Aware Pruning and Optimal Neural Implant [74.3282611517773]
プルーニングは、ニューラルネットワークモデルに関連するメモリフットプリントとフラップを減らす効果的な方法である。
構造的プルーニングの指標として2次感度を用いたニューラルインプラントアプローチと組み合わされた新しいヘッセン認識プルーニング法を提案する。
論文 参考訳（メタデータ） (2021-01-22T04:08:03Z) - 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) - Searching Collaborative Agents for Multi-plane Localization in 3D
Ultrasound [59.97366727654676]
3D超音波(US)はその豊富な診断情報、可搬性、低コストのために広く用いられている。
米国における標準平面(SP)のローカライゼーションは,効率の向上とユーザ依存の低減だけでなく,米国における3D解釈の促進にも寄与する。
本稿では,複数の子宮SPを同時に3D USにローカライズするマルチエージェント強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-30T07:23:55Z)
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。