論文の概要: Using 3D reconstruction from image motion to predict total leaf area in dwarf tomato plants

• arxiv url: http://arxiv.org/abs/2503.13778v1
• Date: Mon, 17 Mar 2025 23:51:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:17:48.082133
• Title: Using 3D reconstruction from image motion to predict total leaf area in dwarf tomato plants
• Title（参考訳）: 動画像からの3次元再構成によるトマトの総葉面積の予測
• Authors: Dmitrii Usenko, David Helman, Chen Giladi,
• Abstract要約: 総葉面積(TLA)の推定は,植物の成長,光合成活性,呼吸を評価する上で重要である。 伝統的な方法は、しばしば労働集約的であり、植物に損傷を与えるか、または茂みのあるキャノピーの複雑さを捕えるのに限られる。 本研究では,RGB画像からの連続的3次元再構成と機械学習を組み合わせた非破壊的手法の評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate estimation of total leaf area (TLA) is crucial for evaluating plant growth, photosynthetic activity, and transpiration. However, it remains challenging for bushy plants like dwarf tomatoes due to their complex canopies. Traditional methods are often labor-intensive, damaging to plants, or limited in capturing canopy complexity. This study evaluated a non-destructive method combining sequential 3D reconstructions from RGB images and machine learning to estimate TLA for three dwarf tomato cultivars: Mohamed, Hahms Gelbe Topftomate, and Red Robin -- grown under controlled greenhouse conditions. Two experiments (spring-summer and autumn-winter) included 73 plants, yielding 418 TLA measurements via an "onion" approach. High-resolution videos were recorded, and 500 frames per plant were used for 3D reconstruction. Point clouds were processed using four algorithms (Alpha Shape, Marching Cubes, Poisson's, Ball Pivoting), and meshes were evaluated with seven regression models: Multivariable Linear Regression, Lasso Regression, Ridge Regression, Elastic Net Regression, Random Forest, Extreme Gradient Boosting, and Multilayer Perceptron. The Alpha Shape reconstruction ($\alpha = 3$) with Extreme Gradient Boosting achieved the best performance ($R^2 = 0.80$, $MAE = 489 cm^2$). Cross-experiment validation showed robust results ($R^2 = 0.56$, $MAE = 579 cm^2$). Feature importance analysis identified height, width, and surface area as key predictors. This scalable, automated TLA estimation method is suited for urban farming and precision agriculture, offering applications in automated pruning, resource efficiency, and sustainable food production. The approach demonstrated robustness across variable environmental conditions and canopy structures.
• Abstract（参考訳）: 総葉面積(TLA)の正確な推定は,植物の成長,光合成活性,蒸散を評価する上で重要である。 しかし、複雑な天蓋のため、小豆のような茂みのある植物には依然として挑戦的である。 伝統的な方法は、しばしば労働集約的であり、植物に損傷を与えるか、キャノピーの複雑さを捉えるのに限られる。 本研究では,RGB画像と機械学習による連続的3次元再構成を併用した非破壊的手法の評価を行い,温室環境下で栽培した3品種(モハメド,ハマース・ゲルベ・トポフトメイト,レッドロビン)のTLAを推定した。 2つの実験(春夏と秋冬)には73の植物が含まれ、オニオンによる418のTLA測定が行われた。 高解像度ビデオが記録され、植物1台500フレームが3D再構成に使用された。 多変量線形回帰, ラスソ回帰, リッジ回帰, 弾性ネット回帰, ランダムフォレスト, エクストリームグラディエントブースティング, マルチレイヤーパーセプトロンの7つの回帰モデルを用いて, ポイントクラウドを4つのアルゴリズム(アルファ形状, マーチングキューブ, ポアソン, ボールピロイング)で処理し, メッシュの評価を行った。 Alpha Shape Restructation(\alpha = 3$) with Extreme Gradient Boosting(R^2 = 0.80$, $MAE = 489 cm^2$)は最高のパフォーマンスを達成した。 R^2 = 0.56$, $MAE = 579 cm^2$)。 特徴重要度分析は, 高さ, 幅, 表面積を重要な予測因子として同定した。 このスケーラブルで自動化されたTLA推定方法は、都市農業や精密農業に適しており、自動刈取、資源効率、持続可能な食品生産に応用できる。 このアプローチは、可変環境条件とキャノピー構造をまたいだ堅牢性を示した。

関連論文リスト

• TeZO: Empowering the Low-Rankness on the Temporal Dimension in the Zeroth-Order Optimization for Fine-tuning LLMs [58.19080159470868]
  モデルと時間次元の両方にわたって低ランク度をキャプチャする新しい低ランクZO推定器TeZOを提案する。 具体的には、時間次元に沿ったZO摂動を3次元テンソルとして表現し、Canonical Polyadic Decomposition (CPD)を用いて各低ランク2次元行列を抽出する。
  論文  参考訳（メタデータ） (2025-01-31T11:34:03Z)
• CropCraft: Inverse Procedural Modeling for 3D Reconstruction of Crop Plants [16.558411700996746]
  逆手続きモデルによる植物形態のモデル最適化に基づく農作物の3次元再構築手法を提案する。 本手法を農業現場の実画像のデータセット上で検証し, 様々なモニタリング・シミュレーションに応用できることを実証する。
  論文  参考訳（メタデータ） (2024-11-14T18:58:02Z)
• 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)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• 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)
• 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)
• 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)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)
• 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)
• Cephalometric Landmark Regression with Convolutional Neural Networks on 3D Computed Tomography Data [68.8204255655161]
  側方X線写真におけるケパロメトリ解析では, 横面への投射による3次元物体の構造を十分に利用していない。 本稿では,3次元畳み込みニューラルネットワーク(CNN)を用いたキーポイント回帰法について述べる。 本研究は,Frankfort Horizontal および cephalometric points の位置推定において,提案手法を広く評価し,その効果を実証した。
  論文  参考訳（メタデータ） (2020-07-20T12:45:38Z)

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。