論文の概要: Axis-Aligned 3D Stalk Diameter Estimation from RGB-D Imagery

• arxiv url: http://arxiv.org/abs/2509.12511v1
• Date: Mon, 15 Sep 2025 23:30:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.807717
• Title: Axis-Aligned 3D Stalk Diameter Estimation from RGB-D Imagery
• Title（参考訳）: RGB-D画像からの軸配向3次元形状推定
• Authors: Benjamin Vail, Rahul Harsha Cheppally, Ajay Sharda, Sidharth Rai,
• Abstract要約: 伝統的なストーク径測定法は、労働集約的で、エラーを起こし、スケーラブルな表現法には適さない。 RGB-D画像からストーク径を推定するための幾何認識型コンピュータビジョンパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.5175565915152469
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate, high-throughput phenotyping is a critical component of modern crop breeding programs, especially for improving traits such as mechanical stability, biomass production, and disease resistance. Stalk diameter is a key structural trait, but traditional measurement methods are labor-intensive, error-prone, and unsuitable for scalable phenotyping. In this paper, we present a geometry-aware computer vision pipeline for estimating stalk diameter from RGB-D imagery. Our method integrates deep learning-based instance segmentation, 3D point cloud reconstruction, and axis-aligned slicing via Principal Component Analysis (PCA) to perform robust diameter estimation. By mitigating the effects of curvature, occlusion, and image noise, this approach offers a scalable and reliable solution to support high-throughput phenotyping in breeding and agronomic research.
• Abstract（参考訳）: 精密で高精度な表現型付けは、特に機械的安定性、バイオマス生産、病気耐性などの特性を改善するために、現代の作物育種プログラムにおいて重要な要素である。 ストーク直径は重要な構造特性であるが、従来の測定方法は労働集約的であり、エラーを起こし、スケーラブルな表現法には適さない。 本稿では,RGB-D画像からストーク径を推定する幾何学的コンピュータビジョンパイプラインを提案する。 本手法は,深層学習に基づくインスタンス分割,3次元点雲再構成,主成分分析(PCA)による軸整列スライシングを統合し,ロバストな直径推定を行う。 この手法は、曲率、閉塞、画像ノイズの影響を緩和することにより、育種および農業研究における高スループット表現型をサポートするスケーラブルで信頼性の高いソリューションを提供する。

関連論文リスト

• A Survey on 3D Reconstruction Techniques in Plant Phenotyping: From Classical Methods to Neural Radiance Fields (NeRF), 3D Gaussian Splatting (3DGS), and Beyond [15.48852238904361]
  植物形質転換は、植物形質とその環境との相互作用を理解する上で重要な役割を担っている。 3D再構成技術は、植物の形態や構造を詳細に把握するための強力なツールとして登場した。 本稿では,植物表現の3次元再構成技術について概説する。
  論文  参考訳（メタデータ） (2025-04-30T02:04:23Z)
• Wheat3DGS: In-field 3D Reconstruction, Instance Segmentation and Phenotyping of Wheat Heads with Gaussian Splatting [1.4100451538155885]
  We present Wheat3DGS, a novel approach that leverageing 3DGS and the Segment Anything Model (SAM) for accurate 3D instance segmentation and morphological Measurement of hundreds of wheat head automatically。 高分解能レーザースキャンデータによるコムギの育種頭部抽出の精度を検証し, 長さ, 幅, 体積に対して15.1%, 18.3%, 40.2%の絶対値誤差が得られた。
  論文  参考訳（メタデータ） (2025-04-09T15:31:42Z)
• Deformable Radial Kernel Splatting [53.92593804734493]
  Deformable Radial Kernel (DRK)を導入し,ガウススプラッティングをより汎用的で柔軟なフレームワークに拡張する。 DRKは、エッジシャープネスと境界曲率の正確な制御を可能にしながら、様々な形状プリミティブを効率的にモデル化する。
  論文  参考訳（メタデータ） (2024-12-16T13:11:02Z)
• Exploring Accurate 3D Phenotyping in Greenhouse through Neural Radiance Fields [6.283117378688054]
  コントロールされた実験室環境における伝統的な表現型付けは、価値はあるものの、実際の環境下での植物の成長を理解するには不十分である。 本研究では, 温室環境下でのトウガラシの個体内表現の精度を高めるために, ニューラル放射場を用いた学習に基づく表現法について検討した。
  論文  参考訳（メタデータ） (2024-03-24T02:15:14Z)
• GUPNet++: Geometry Uncertainty Propagation Network for Monocular 3D Object Detection [92.41859045360532]
  我々はGUPNet++(Geometry Uncertainty Propagation Network)を提案する。 トレーニング中の幾何射影の不確実性伝播関係をモデル化し、エンドツーエンドのモデル学習の安定性と効率を向上させる。 実験により,提案手法は画像ベースモノクロ3次元検出におけるSOTA性能を得るだけでなく,簡易なフレームワークで有効性を示す。
  論文  参考訳（メタデータ） (2023-10-24T08:45:15Z)
• B-Spine: Learning B-Spline Curve Representation for Robust and Interpretable Spinal Curvature Estimation [50.208310028625284]
  脊椎のB-スプライン曲線表現を学習するための新しいディープラーニングパイプラインであるB-Spineを提案する。 低画質X線画像から脊髄曲率推定のためのコブ角度を推定する。
  論文  参考訳（メタデータ） (2023-10-14T15:34:57Z)
• Generating high-quality 3DMPCs by adaptive data acquisition and NeREF-based radiometric calibration with UGV plant phenotyping system [3.7387019397567793]
  本研究では, 適応データ取得とラジオメトリックキャリブレーションにより高品質な3DMPCを生産する手法を提案する。 プラント全体のデータの完全性は、固定された視点のみと比較して平均23.6%向上した。 3Dキャリブレーションプラント3DMPCは、クロロフィル含有量のPLSRの予測精度を向上し、R2では平均0.07、RMSEでは平均21.25%向上した。
  論文  参考訳（メタデータ） (2023-05-11T12:59:21Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。