Exploring Accurate 3D Phenotyping in Greenhouse through Neural Radiance Fields

要約

植物の表現型を正確に収集することは、精密農業における持続可能な農業実践を最適化するために重要です。
制御された実験室環境での従来の表現型解析は有益ではありますが、現実世界の条件下での植物の成長を理解するには不十分です。
新しいセンサーとデジタル技術は、農場環境における植物の直接表現型解析に有望なアプローチを提供します。
この研究では、温室環境でコショウ植物の正確な現場表現型解析を達成するために、ニューラル ラディアンス フィールドを使用した学習ベースの表現型解析方法を調査します。
この方法のパフォーマンスを定量的に評価するために、3D スキャン データに対する従来の点群登録が比較のために実装されます。
実験結果は、NeRF (Neural Radiance Fields) が 3D スキャン方法と比較して競合する精度を達成することを示しています。
スキャナーベースの方法と NeRF ベースの方法の間の平均距離誤差は 0.865mm です。
この研究は、学習ベースの NeRF 手法が 3D スキャン ベースの手法と同様の精度を達成しながら、スケーラビリティと堅牢性が向上していることを示しています。

要約(オリジナル)

Accurate collection of plant phenotyping is critical to optimising sustainable farming practices in precision agriculture. Traditional phenotyping in controlled laboratory environments, while valuable, falls short in understanding plant growth under real-world conditions. Emerging sensor and digital technologies offer a promising approach for direct phenotyping of plants in farm environments. This study investigates a learning-based phenotyping method using the Neural Radiance Field to achieve accurate in-situ phenotyping of pepper plants in greenhouse environments. To quantitatively evaluate the performance of this method, traditional point cloud registration on 3D scanning data is implemented for comparison. Experimental result shows that NeRF(Neural Radiance Fields) achieves competitive accuracy compared to the 3D scanning methods. The mean distance error between the scanner-based method and the NeRF-based method is 0.865mm. This study shows that the learning-based NeRF method achieves similar accuracy to 3D scanning-based methods but with improved scalability and robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google