論文の概要: 3D Reconstruction and Information Fusion between Dormant and Canopy Seasons in Commercial Orchards Using Deep Learning and Fast GICP

• arxiv url: http://arxiv.org/abs/2507.01912v1
• Date: Wed, 02 Jul 2025 17:24:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.394863
• Title: 3D Reconstruction and Information Fusion between Dormant and Canopy Seasons in Commercial Orchards Using Deep Learning and Fast GICP
• Title（参考訳）: 深層学習と高速GICPを用いた商業用果樹園における休眠期と天蓋期の3次元再構成と情報融合
• Authors: Ranjan Sapkota, Zhichao Meng, Martin Churuvija, Xiaoqiang Du, Zenghong Ma, Manoj Karkee,
• Abstract要約: 果樹自動化では、樹冠の季節に密集した葉が樹木構造を著しく阻害する。 樹冠構造は、木が葉を剥がされる休眠期には、より開きやすく見える。 本稿では,ロボットと自動作物負荷管理を支援するために,マルチシーズン構造データを統合する情報融合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.9565934024763958
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In orchard automation, dense foliage during the canopy season severely occludes tree structures, minimizing visibility to various canopy parts such as trunks and branches, which limits the ability of a machine vision system. However, canopy structure is more open and visible during the dormant season when trees are defoliated. In this work, we present an information fusion framework that integrates multi-seasonal structural data to support robotic and automated crop load management during the entire growing season. The framework combines high-resolution RGB-D imagery from both dormant and canopy periods using YOLOv9-Seg for instance segmentation, Kinect Fusion for 3D reconstruction, and Fast Generalized Iterative Closest Point (Fast GICP) for model alignment. Segmentation outputs from YOLOv9-Seg were used to extract depth-informed masks, which enabled accurate 3D point cloud reconstruction via Kinect Fusion; these reconstructed models from each season were subsequently aligned using Fast GICP to achieve spatially coherent multi-season fusion. The YOLOv9-Seg model, trained on manually annotated images, achieved a mean squared error (MSE) of 0.0047 and segmentation mAP@50 scores up to 0.78 for trunks in dormant season dataset. Kinect Fusion enabled accurate reconstruction of tree geometry, validated with field measurements resulting in root mean square errors (RMSE) of 5.23 mm for trunk diameter, 4.50 mm for branch diameter, and 13.72 mm for branch spacing. Fast GICP achieved precise cross-seasonal registration with a minimum fitness score of 0.00197, allowing integrated, comprehensive tree structure modeling despite heavy occlusions during the growing season. This fused structural representation enables robotic systems to access otherwise obscured architectural information, improving the precision of pruning, thinning, and other automated orchard operations.
• Abstract（参考訳）: 果樹自動化では、樹冠の季節に密集した葉が樹木構造を著しく阻害し、幹や枝などの様々な樹冠部への視認性を最小化し、機械ビジョンシステムの能力を制限する。 しかし、樹木が伐採される間は、休眠期には、天蓋構造がより開き、見えるようになる。 本研究では,マルチシーズン構造データを統合した情報融合フレームワークを提案する。 このフレームワークは、インスタンスセグメンテーションのためのYOLOv9-Seg、3D再構成のためのKinect Fusion、モデルアライメントのためのFast Generalized Iterative Closest Point (Fast GICP)を使用して、休眠期間とキャノピー期間の両方から高解像度のRGB-D画像を合成する。 YOLOv9-Segのセグメンテーション出力を用いて深度インフォームドマスクを抽出し,Kinect Fusionによる正確な3次元点雲再構成を実現した。 YOLOv9-Segモデルは手動でアノテートされた画像に基づいてトレーニングされ、平均2乗誤差(MSE)が0.0047、セグメンテーションmAP@50スコアが0.78に達した。 Kinect Fusionは木の形状を正確に再現し、実測で検証した結果、幹径5.23mm、枝径4.50mm、枝間隔13.72mmの根平均二乗誤差(RMSE)が得られた。 高速GICPは, 成長期における重閉塞にもかかわらず, 統合的総合木構造モデリングを可能とし, 最低適合度0.00197で正確なクロスシーズン登録を達成した。 この融合構造表現により、ロボットシステムは、他の不明瞭なアーキテクチャ情報にアクセスでき、刈り取り、薄型化、その他の自動果樹園操作の精度を向上させることができる。

関連論文リスト

• Adaptive Per-Tree Canopy Volume Estimation Using Mobile LiDAR in Structured and Unstructured Orchards [42.32889225423819]
  本稿では,日常的なロボットナビゲーション中に収集した移動体LiDARデータを用いて,木ごとのキャノピー体積推定を行うリアルタイムシステムを提案する。 本研究では,2つの商業用果樹園,1つのピスタチオ果樹園,1つのアーモンド果樹園,および2つの樹冠を交互に重ねて評価した。
  論文  参考訳（メタデータ） (2025-06-09T08:40:28Z)
• Estimating the Diameter at Breast Height of Trees in a Forest With a Single 360 Camera [52.85399274741336]
  森林在庫は、生態モニタリング、資源管理、炭素会計のために、乳房の高さ(DBH)の直径の正確な測定に頼っている。 LiDARベースの技術はセンチメートル単位の精度を達成できるが、コストは抑えられ、運用上複雑である。 コンシューマグレードの360度ビデオカメラしか必要としない低価格の代替機を提示する。
  論文  参考訳（メタデータ） (2025-05-06T01:09:07Z)
• A Novel WaveInst-based Network for Tree Trunk Structure Extraction and Pattern Analysis in Forest Inventory [2.793797265684592]
  本研究では、離散ウェーブレット変換を含む新しいWaveInstインスタンスセグメンテーションフレームワークを提案し、ツリー構造抽出を改善する。 提案モデルの実験結果から,SynthTree43k,CaneTree100,Urban Street,PoplarDatasetの性能が向上した。 提案手法は, 成熟樹と若葉樹の構造抽出における平均精度を49.6および24.3とし, 既存手法を9.9倍に上回った。
  論文  参考訳（メタデータ） (2025-05-03T02:19:55Z)
• Outdoor Scene Extrapolation with Hierarchical Generative Cellular Automata [70.9375320609781]
  我々は,自律走行車(AV)で多量に捕獲された大規模LiDARスキャンから微細な3次元形状を生成することを目指している。 本稿では,空間的にスケーラブルな3次元生成モデルである階層型生成セルオートマトン (hGCA) を提案する。
  論文  参考訳（メタデータ） (2024-06-12T14:56:56Z)
• Zero123-6D: Zero-shot Novel View Synthesis for RGB Category-level 6D Pose Estimation [66.3814684757376]
  本研究は,RGB 6Dのカテゴリレベルでのポーズ推定を向上するための拡散モデルに基づく新規ビュー合成器の実用性を示す最初の研究であるZero123-6Dを示す。 本手法は,データ要求の低減,ゼロショットカテゴリレベルの6Dポーズ推定タスクにおける深度情報の必要性の除去,およびCO3Dデータセットの実験により定量的に示された性能の向上を示す。
  論文  参考訳（メタデータ） (2024-03-21T10:38:18Z)
• CherryPicker: Semantic Skeletonization and Topological Reconstruction of Cherry Trees [3.8697834534260447]
  木々の測光点雲を再構築する自動パイプラインであるCherryPickerを紹介する。 本システムでは, 3D 植物表現型アプリケーションにおいて, 自動処理を実現するために, 最先端のアルゴリズムを組み合わせている。
  論文  参考訳（メタデータ） (2023-04-10T16:54:05Z)
• Approach for modeling single branches of meadow orchard trees with 3D point clouds [0.0]
  果樹園の栽培は生物多様性に有益であり、集中栽培された果樹園よりも著しく高い。 本研究の目的は,牧草地内の独立樹の採集点を自動的に決定する木モデルを作ることである。
  論文  参考訳（メタデータ） (2021-04-12T08:25:27Z)
• GSNet: Joint Vehicle Pose and Shape Reconstruction with Geometrical and Scene-aware Supervision [65.13980934546957]
  GSNet(Geometric and Scene-aware Network)と名付けられた新しいエンドツーエンドフレームワークを提案する。 共同で6DoFのポーズを推定し、都会のストリートビューから詳細な3Dカー形状を再構築する。 我々は,最大マルチタスクApolloCar3Dベンチマーク上でGSNetを評価し,定量的かつ定性的に最先端の性能を達成する。
  論文  参考訳（メタデータ） (2020-07-26T13:05:55Z)
• SparseFusion: Dynamic Human Avatar Modeling from Sparse RGBD Images [49.52782544649703]
  本稿では,RGBDフレームのスパース集合に基づく3次元人体形状の再構築手法を提案する。 主な課題は、これらのスパースフレームを標準的な3Dモデルにしっかりと融合させる方法だ。 私たちのフレームワークは柔軟で、潜在的なアプリケーションは形状の再構築を超えています。
  論文  参考訳（メタデータ） (2020-06-05T18:53:36Z)

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。