根据稀疏密度点云绘制的点云对石粒的点云细分基于稀疏密度点云的绘制.
Yuhui Qiao1,2, Qingxi Liao1,2, Moran Zhang1,2
1College of Engineering, Huazhong Agricultural University, Wuhan, China.
Frontiers in plant science
|July 31, 2023
概括
这项研究引入了一种自动化的深度学习方法来计数大麻,提高了手工方法的效率和准确性. 该系统使用智能手机视频和3D重建来实现超过97.80%的精度在体识别.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉
- 植物科学 植物科学
背景情况:
- 手动计数大麻石是耗时且低效的.
- 准确的含量计数对于产量估计和农业研究至关重要.
研究的目的:
- 开发一种高吞吐量,低成本,自动化的方法来检测和计数大麻.
- 利用深度学习和3D重建进行精确的农业测量.
主要方法:
- 智能手机视频捕捉和结构-从-运动 (SfM) 用于3D植物重建.
- 深度学习 (DGCNN) 用于从3D点云数据中对油菜片进行细分.
- 欧几里德集群和RANSAC用于精确的化物定位和计数.
主要成果:
- 该方法成功地从12种大麻植物中识别出1457种.
- 实现了超过97.80%的白菜的识别准确度.
- 证明了深度学习在农业应用密集的3D点云细分中的有效性.
结论:
- 拟议的自动化方法相对于手动的油菜种子液计数,有了显著的改进.
- 这种方法为精准农业和作物监测提供了有价值的工具.
- 突出了先进的计算技术在农业数据分析中的潜力.


