論文の概要: Active perception for robotic harvesting: 3D reconstruction and localisation of tomatoes hidden within clusters in a Mediterranean greenhouse

• arxiv url: http://arxiv.org/abs/2609.18738v1
• Date: Wed, 16 Sep 2026 14:33:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.851281
• Title: Active perception for robotic harvesting: 3D reconstruction and localisation of tomatoes hidden within clusters in a Mediterranean greenhouse
• Title（参考訳）: ロボット収穫のアクティブな認識--地中海温室の群集に隠れたトマトの3次元再構築と局在
• Abstract要約: 本研究は, クラスター内の果実の3次元再構成と精密な局在化のための包括的パイプラインを提案する。 精度は90%を超え、平均リコール率は82.8%、平均インターセクション・オブ・ユニオン(mIoU)は80.7%である。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automating robotic harvesting in intensive agriculture within Mediterranean greenhouses requires overcoming significant challenges related to the geometric complexity of plants and occluded fruits. Although existing literature offers solutions targeting crops that grow in isolation (e.g., apples, sweet peppers, or peaches), the fundamental challenge lies in cluster-growing vegetables, where fixed sensors mounted on robotic systems fail to detect fruits hidden behind the visible surface. To address this limitation, this study presents a comprehensive pipeline for the 3D reconstruction and precise localization of each fruit within a cluster, including heavily occluded instances. The proposed methodology is structured into five sequential stages: i) point cloud acquisition using the AgriSEE Next Best View (NBV) active planner; ii) stochastic noise filtering via Statistical Outlier Removal (SOR); iii) surface classification and segmentation using Region Growing (RG); iv) isolation and recovery of occluded fruits through Density-Based Spatial Clustering of Applications with Noise (DBSCAN); and v) 3D pose estimation (position and orientation). This approach extracts the complete cluster geometry, ensuring the reliable identification of partially hidden tomatoes. Evaluated across multiple scenarios with varying occlusion levels within a simulation framework rigorously validated against real-world conditions, the system achieves a precision exceeding 90\%, an average recall of 82.8\%, and a mean Intersection over Union (mIoU) of 80.7\%. Furthermore, it demonstrates high repeatability in centroid estimation with a Root Mean Square Error (RMSE) of merely 4.2~mm, verifying its technical feasibility and high accuracy for autonomous harvesting operations.
• Abstract（参考訳）: 地中海の温室における集中農業におけるロボット収穫の自動化には、植物の幾何学的複雑さや閉鎖された果実に関する重大な課題を克服する必要がある。 既存の文献では、孤立して成長する作物(リンゴ、トウガラシ、桃など)を対象とするソリューションを提供しているが、基本的な課題は、クラスター栽培野菜である。 この制限に対処するため,本研究では,密集したインスタンスを含むクラスタ内の各果実の3次元再構成と精密な局在化のための包括的パイプラインを提案する。 提案手法は,5段階に分けて構成する。 一 アクティブプランナーのAgriSEE Next Best View(NBV)を用いたポイントクラウドの取得 二 統計的外乱除去(SOR)による確率的ノイズフィルタリング 三 地域成長(RG)を用いた表面分類及び区分 四 密集型騒音環境クラスタリング(DBSCAN)による閉鎖果実の分離及び回収 五 3次元ポーズ推定(位置及び向き) このアプローチは完全なクラスター形状を抽出し、部分的に隠れたトマトを確実に識別する。 実世界の条件に対して厳密に検証されたシミュレーションフレームワーク内の様々な閉塞レベルを持つ複数のシナリオで評価され、システムは90\%を超える精度、82.8\%の平均リコール、80.7\%の平均インターセクション(mIoU)を達成する。 さらに、4.2～mmのRoot Mean Square Error (RMSE) を用いて、セントロイド推定における高い再現性を示し、その技術的実現可能性と自律収穫操作の精度を検証した。

関連論文リスト

• Visual-SLAM for the detection of hidden tomatoes in greenhouses by Hierarchical Localization and GLOMAP for robotized harvesting [39.55454029331185]
  本研究は単眼カメラを用いたVisual-SLAMシステムを提案する。 試験はAgroconnect実験用温室にある本物のトマトの束で行われた。
  論文  参考訳（メタデータ） (2026-09-10T16:19:36Z)
• AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
  本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。 我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。 CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。 対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
  論文  参考訳（メタデータ） (2026-03-08T17:28:01Z)
• GDA-YOLO11: Amodal Instance Segmentation for Occlusion-Robust Robotic Fruit Harvesting [3.088218970976369]
  本稿では,新しいアモーダルセグメンテーションモデル GDA-YOLO11 を用いた収穫フレームワークを提案する。 収量率は92.59%、85.18%、48.14%、22.22%に達する。
  論文  参考訳（メタデータ） (2026-02-27T11:56:33Z)
• 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)
• 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)

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。