MRSliceNet:多尺度递归切片和上下文融合网络,用于从植物点云端的叶片实例分割

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 植物生物学 植物生物学

背景情况:

• 植物表型化对于理解基因型与环境相互作用至关重要,影响作物育种和精准农业.
• 传统的叶子测量是劳动密集型和破坏性的.
• 现代3D传感 (例如,LiDAR) 提供高分辨率数据,但由于封闭和几何复杂性,它在自动叶片细分方面遇到了困难.

研究的目的:

• 从LiDAR点云开发一个自动化的深度学习框架,用于精确的3D叶片细分.
• 为了克服因阻塞,相似形状和不同点密度引起的细分方面的挑战.

主要方法:

• 提出了MRSliceNet,这是一个由人类视觉认知启发的端到端深度学习框架.
• 集成的多尺度递归切片模块 (MRSM) 用于局部特征提取.
• 集成的上下文融合模块 (CFM) 用于集成使用注意力的本地和全球特征.
• 使用实例识别集群头 (IACH) 进行准确的实例分离.

主要成果:

• 在两个具有挑战性的数据集上实现了最先进的性能.
• 在数据集A和B上报告的平均精度 (AP) 为55.04%/53.78%,AP50为65.37%/64.00%,AP25为74.68%/73.45%.
• 具有明确边界的可靠实例识别.

结论:

• MRSliceNet提供了一种有效的解决方案,用于使用3D数据自动化植物表型.
• 该框架已在现实世界农业研究管道中成功实施.
• 深度学习的进步为高通量工厂分析提供了巨大的潜力.