Discrete Gaussian Process Representations for Optimising UAV-based Precision Weed Mapping

要約

UAVを使用した正確な農業雑草マッピングは、精密な農業アプリケーションにとって重要です。
従来の方法は、計算的に集中的かつ時間がかかる剛性のある飛行経路からの矯正術に依存しています。
Gaussian Process（GP）ベースのマッピングは、基礎となる変数（つまり、雑草分布）の継続的なモデリングを提供しますが、パス計画や視覚化などの実用的なタスクの離散化が必要です。
多くの場合、現在の実装は、代替案を体系的に評価することなく、QuadtreeまたはGridmapをデフォルトでデフォルトします。
この研究では、5つの離散化方法を比較します。クアッドトリー、ウェドゲレット、最小二乗誤差（LSE）を使用したトップダウンバイナリスペースパーティション（BSP）ツリー、グラフ合併を使用したボトムアップBSPツリー、および可変解像度の六角形グリッド。
実際の雑草分布の評価は、視覚的類似性、平均二乗誤差（MSE）、および計算効率を測定します。
結果は、Quadtreeが全体的にベストのパフォーマンスを発揮することを示していますが、代替案は特定のシナリオで優れています：ヘキサゴンまたはBSP LSEスーツフィールドは、大きくて支配的な雑草パッチを備えていますが、クアッドツリーは分散した小規模分布に最適です。
これらの調査結果は、デフォルトのメソッドに依存するのではなく、雑草分布パターン（パッチサイズ、密度、カバレッジ）の離散化アプローチを調整する必要性を強調しています。
基礎となる分布に基づいて表現を選択することにより、精密農業アプリケーションのマッピング精度と効率を改善できます。

要約(オリジナル)

Accurate agricultural weed mapping using UAVs is crucial for precision farming applications. Traditional methods rely on orthomosaic stitching from rigid flight paths, which is computationally intensive and time-consuming. Gaussian Process (GP)-based mapping offers continuous modelling of the underlying variable (i.e. weed distribution) but requires discretisation for practical tasks like path planning or visualisation. Current implementations often default to quadtrees or gridmaps without systematically evaluating alternatives. This study compares five discretisation methods: quadtrees, wedgelets, top-down binary space partition (BSP) trees using least square error (LSE), bottom-up BSP trees using graph merging, and variable-resolution hexagonal grids. Evaluations on real-world weed distributions measure visual similarity, mean squared error (MSE), and computational efficiency. Results show quadtrees perform best overall, but alternatives excel in specific scenarios: hexagons or BSP LSE suit fields with large, dominant weed patches, while quadtrees are optimal for dispersed small-scale distributions. These findings highlight the need to tailor discretisation approaches to weed distribution patterns (patch size, density, coverage) rather than relying on default methods. By choosing representations based on the underlying distribution, we can improve mapping accuracy and efficiency for precision agriculture applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google