3D-NOD:通过时空点云深度细分框架在植物生长中的3D新器官检测
Dawei Li1,2,3, Foysal Ahmed1, Zhanjiang Wang1
1College of Information Sciences and Technology, Donghua University, Shanghai, 201620, China.
Plant phenomics (Washington, D.C.)
|December 19, 2025
概括
本研究介绍了3D-NOD,这是一种使用3D点云数据自动监测植物生长的新框架. 它通过分析时空信息来准确检测新的植物器官,提高作物产量和育种效率.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 植物科学 植物科学
背景情况:
- 与2D图像相比,3D点云数据提供了优越的植物生长表征,促进了器官识别和分离.
- 分析3D植物数据在农业中带来了重大挑战.
研究的目的:
- 开发一个自动化框架 (3D-NOD) 来从时间序列的3D点云数据中检测新的植物器官.
- 利用时空空间深度语义细分来进行增强的植物生长分析.
主要方法:
- 3D-NOD框架使用时空点云深度语义细分.
- 培训包括向后和向前标记,注册和混合以及人形数据增强,用于时间和空间领域的学习.
- 该DGCNN的骨干被用于器官检测.
主要成果:
- 与传统的直接语义细分方法相比,3D-NOD在细分新植物器官方面表现出更高的灵敏度.
- 该框架在多种物种时间序列数据集上实现了平均F1得分为88.13%和平均IOU为80.68%.
- 实现了对新旧植物器官的准确检测.
结论:
- 3D-NOD提供了一种有效的解决方案,用于使用时间序列3D数据自动检测植物器官.
- 该框架通过改善作物产量监测和育种程序来加强精准农业.
- 对3D点云的时空空间分析对于先进的植物生长监测至关重要.
