一个可扩展和高效的基于无人机的管道和深度学习框架,用于从点云中表型化小麦形态
Chrisbin James1, Shekhar S Chandra2, Scott C Chapman1
1School of Agriculture and Food Sustainability, The University of Queensland, Brisbane, Australia.
Plant phenomics (Washington, D.C.)
|December 19, 2025
概括
本研究介绍了一种使用无人机 (UAV) 视频和神经辐射场 (NeRFs) 进行三维重建的方法,用于谷的表型. 开发的SegVoteNet深度学习模型在3D点云中准确地检测糖果,以改善作物育种.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物育种 植物育种
背景情况:
- 树的树冠架构受到形态等特征的影响,对光捕获和产量至关重要.
- 的形态表现出由于遗传学,环境和管理的显著变化.
- 准确的类型鉴定对于作物改善至关重要.
研究的目的:
- 开发一个可扩展的框架,用于3D重建和树冠和树的表型.
- 创建注释数据集,用于训练恐慌检测的深度学习模型.
- 介绍SegVoteNet,一个新的深度学习模型用于3D语义细分和检测小麦.
主要方法:
- 一个基于无人机 (UAV) 的协议,使用视频和神经辐射场 (NeRFs) 来进行3D木树冠重建.
- 开发一个3D模拟模型,以生成用于深度学习的注释数据集.
- 实施SegVoteNet,这是一个集成VoteNet和PointNet++的多任务深度学习模型,用于3D点云分析.
主要成果:
- 创建了高质量的3D点云重建的木树冠.
- SegVoteNet在检测糖果中取得了高准确性:合成数据的0.986 mAP和真实数据的0.850 mAP.
- 拟议的管道提供了一种强大的和可扩展的方法,用于基于现场的粉的表型.
结论:
- 开发的框架使得高效和准确的3D型化能够实现.
- SegVoteNet在从3D点云数据中检测糖果的表现强.
- 这种方法为的育种计划和商业应用提供了有价值的工具.


