ELGCot3D: un modelo ligero de segmentación de nubes de puntos 3D de algodón basado en EdgeConv-Local Attention-GCN y...

Área de la Ciencia:

• Ingeniería Agrícola
• Visión por Computadora
• Ciencia de las Plantas

Sus antecedentes:

• La fenotipificación automatizada del algodón requiere la extracción eficiente y no destructiva de órganos, pero los métodos actuales se ven obstaculizados por la oclusión de hojas y los grandes parámetros del modelo.
• Las técnicas existentes no satisfacen las demandas de la fenotipificación de alto rendimiento, lo que requiere avances en la precisión y eficiencia de la segmentación.

Objetivo del estudio:

• Proponer ELGCot3D, un método ligero basado en nubes de puntos 3D para la segmentación de alta precisión de órganos de algodón.
• Abordar los desafíos de la oclusión de hojas y las demandas computacionales en entornos con recursos limitados para la fenotipificación del algodón.

Principales métodos:

• Introdujo el módulo ELG3D para reemplazar la abstracción de conjuntos tradicional, mejorando el aprendizaje de características locales a través de la fusión de múltiples mecanismos.
• Desarrolló un módulo de mejora de características específico para el algodón para optimizar la discriminación de características y reducir la complejidad de la red.
• Implementó una estrategia de entrenamiento adaptada a nubes de puntos de algodón para mejorar la estabilidad del modelo y la predicción.

Principales resultados:

• ELGCot3D logró un mIoU del 76,7 % y una OA del 86,1 % para la segmentación de algodón en el conjunto de datos Crops3D.
• Redujo los parámetros del modelo en un 50,1 % y la complejidad computacional en un 50,7 %, lo que demuestra características ligeras.
• Demostró sólidas capacidades de generalización en otros cultivos y conjuntos de datos de nubes de puntos de algodón.

Conclusiones:

• ELGCot3D proporciona un enfoque confiable y eficiente para la fenotipificación del algodón y la agricultura de precisión.
• El método ofrece un equilibrio entre el rendimiento de la segmentación y la eficiencia computacional, adecuado para entornos con recursos limitados.
• El trabajo futuro tiene como objetivo extender la extracción de alto rendimiento para órganos de plantas individuales en aplicaciones de campo a gran escala para apoyar los esfuerzos de mejoramiento.