Statistical shape representations for temporal registration of plant components in 3D

要約

植物はダイナミックな生物です。
植生の時間的変化を理解することは、野生のすべてのロボットにとって重要な問題です。
ただし、植物の繰り返し 3D スキャンを時間の経過とともに関連付けることは困難です。
このプロセスの重要なステップは、同じ個々のプラント コンポーネントを長期的に再識別して追跡することです。
以前は、これはグローバルな空間的またはトポロジー的な位置を比較することによって達成されていました。
この作業では、形状の特徴を使用することで時間器官のマッチングがどのように改善されるかを示します。
葉の3D形状特徴の抽出を可能にし、葉の形状と曲率をいくつかのパラメータで効率的に特徴付け、特徴空間での個々の葉の関連付けを可能にする、ランドマークのない形状圧縮アルゴリズムを提示します。
このアプローチでは、3D 輪郭抽出と主成分分析 (PCA) を使用したさらなる圧縮を組み合わせて、データから完全に学習し、エッジ輪郭と 3D 曲率に関する情報を保持する形状空間エンコーディングを生成します。
トマト植物の一時的なスキャン シーケンスに関する評価では、形状の特徴を組み込むことで一時的な葉の一致が改善されることが示されています。
形状、位置、および回転情報の組み合わせは、時間の経過とともに葉の認識に最も有益であることが証明され、75% の真の陽性率が得られ、最先端の方法より 15% 改善されます。
これは、ライフサイクル全体の表現型解析を可能にするロボット作物モニタリングに不可欠です。

要約(オリジナル)

Plants are dynamic organisms. Understanding temporal variations in vegetation is an essential problem for all robots in the wild. However, associating repeated 3D scans of plants across time is challenging. A key step in this process is re-identifying and tracking the same individual plant components over time. Previously, this has been achieved by comparing their global spatial or topological location. In this work, we demonstrate how using shape features improves temporal organ matching. We present a landmark-free shape compression algorithm, which allows for the extraction of 3D shape features of leaves, characterises leaf shape and curvature efficiently in few parameters, and makes the association of individual leaves in feature space possible. The approach combines 3D contour extraction and further compression using Principal Component Analysis (PCA) to produce a shape space encoding, which is entirely learned from data and retains information about edge contours and 3D curvature. Our evaluation on temporal scan sequences of tomato plants shows, that incorporating shape features improves temporal leaf-matching. A combination of shape, location, and rotation information proves most informative for recognition of leaves over time and yields a true positive rate of 75%, a 15% improvement on sate-of-the-art methods. This is essential for robotic crop monitoring, which enables whole-of-lifecycle phenotyping.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google