論文の概要: Horticultural Temporal Fruit Monitoring via 3D Instance Segmentation and Re-Identification using Point Clouds

• arxiv url: http://arxiv.org/abs/2411.07799v1
• Date: Tue, 12 Nov 2024 13:53:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:20:31.846442
• Title: Horticultural Temporal Fruit Monitoring via 3D Instance Segmentation and Re-Identification using Point Clouds
• Title（参考訳）: 点雲を用いた3次元インスタンス分割と再同定による園芸果実モニタリング
• Authors: Daniel Fusaro, Federico Magistri, Jens Behley, Alberto Pretto, Cyrill Stachniss,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 29.23207854514898
• License:
• Abstract: Robotic fruit monitoring is a key step toward automated agricultural production systems. Robots can significantly enhance plant and temporal fruit monitoring by providing precise, high-throughput assessments that overcome the limitations of traditional manual methods. Fruit monitoring is a challenging task due to the significant variation in size, shape, orientation, and occlusion of fruits. Also, fruits may be harvested or newly grown between recording sessions. Most methods are 2D image-based and they lack the 3D structure, depth, and spatial information, which represent key aspects of fruit monitoring. 3D colored point clouds, instead, can offer this information but they introduce challenges such as their sparsity and irregularity. In this paper, we present a novel approach for temporal fruit monitoring that addresses point clouds collected in a greenhouse over time. Our method segments fruits using a learning-based instance segmentation approach directly on the point cloud. Each segmented fruit is processed by a 3D sparse convolutional neural network to extract descriptors, which are used in an attention-based matching network to associate fruits with their instances from previous data collections. Experimental results on a real dataset of strawberries demonstrate that our approach outperforms other methods for fruits re-identification over time, allowing for precise temporal fruit monitoring in real and complex scenarios.
• Abstract（参考訳）: ロボット果物のモニタリングは、自動化された農業生産システムにとって重要なステップである。 ロボットは、伝統的な手作業の手法の限界を克服する正確で高スループットな評価を提供することで、植物と時間的果物のモニタリングを大幅に強化することができる。 果実モニタリングは、果実のサイズ、形状、配向、排他性に大きな変化があるため、難しい課題である。 また、記録セッションの間に果実を収穫したり、新たに栽培したりすることもできる。 ほとんどの方法は2次元画像ベースであり、3次元構造、深さ、空間情報を欠いている。 代わりに、3Dカラーのポイントクラウドは、この情報を提供することができるが、その空間性や不規則性といった課題を導入する。 本稿では,時間とともに温室で収集された点雲に対処する,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。 各セグメンテッドフルーツは、3Dスパース畳み込みニューラルネットワークによって処理され、注意ベースのマッチングネットワークで使用されるディスクリプタを抽出し、以前のデータコレクションから果物とそれらのインスタンスを関連付ける。 イチゴの実際のデータセットによる実験結果から,本手法は実・複雑なシナリオにおいて,実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実・実)を正確にモニタリングする上で,他の方法よりも優れていることが示された。

関連論文リスト

• FruitNeRF: A Unified Neural Radiance Field based Fruit Counting Framework [5.363729942767801]
  FruitNeRFは,新鮮果実のカウンティングフレームワークである。 我々は3Dで直接果物の種類を数えるために最先端のビュー合成法を用いる。 実世界のデータセットと合成データセットの両方を用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-08-12T14:40:38Z)
• 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)
• A pipeline for multiple orange detection and tracking with 3-D fruit relocalization and neural-net based yield regression in commercial citrus orchards [0.0]
  本稿では,パイプラインとして実装されたビデオの果実数を利用した非侵襲的な代替手段を提案する。 そこで本研究では, 果実位置の3次元推定を利用した再局在化成分を導入する。 果実の少なくとも30%を正確に検出・追跡・数えることにより, 収率回帰器の精度は0.85である。
  論文  参考訳（メタデータ） (2023-12-27T21:22:43Z)
• 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)
• Fruit Ripeness Classification: a Survey [59.11160990637616]
  食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。 機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。 ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
  論文  参考訳（メタデータ） (2022-12-29T19:32:20Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
  自動画像分類は食品科学における教師あり機械学習の一般的な課題である。 事前学習型視覚変換器(ViT)に基づく代替手法を提案する。 標準的なデバイス上で限られたリソースで簡単に実装できる。
  論文  参考訳（メタデータ） (2022-07-10T19:52:20Z)
• A methodology for detection and localization of fruits in apples orchards from aerial images [0.0]
  本研究は, 空中画像を用いた自動果物カウント手法を提案する。 複数のビュー形状に基づくアルゴリズムが含まれており、果物の追跡を行う。 予備評価では,リンゴの果実数と実収率との間に0.8以上の相関が認められた。
  論文  参考訳（メタデータ） (2021-10-24T01:57:52Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• PointContrast: Unsupervised Pre-training for 3D Point Cloud Understanding [107.02479689909164]
  本研究では,3次元表現学習の研究を支援することを目的とする。 教師なし事前学習が3Dシーンの大規模なソースセットに与える影響を計測する。
  論文  参考訳（メタデータ） (2020-07-21T17:59:22Z)

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。