Spatio-Tempora Metric-Semantic Mapping for Persistent Orchard Monitoring: Method and Dataset

要約

成長期を通して個々の木または果物レベルでの果樹園の監視は、植物の表現型と園芸リソースの最適化や、化学的使用や収量の推定など、植物の表現型の最適化に不可欠です。
マルチセッション測定値を統合して果物の成長を時間の経過とともに追跡する4D時空間メトリックセマンチックマッピングシステムを紹介します。
私たちのアプローチでは、3DフルーツのローカリゼーションのためのLidar-RGB Fusionモジュールと、データ関連の精度を改善するための位置、視覚、およびトポロジー情報を活用する4Dフルーツ関連法を組み合わせています。
実際の果樹園データで評価されたこの方法では、60本の木の1,790リンゴの96.9％のフルーツカウント精度、1.1 cmの平均フルーツサイズ推定誤差、ベースライン上の4Dデータ関連の精度の23.7％の改善が得られます。
成長シーズンにわたって5つの果物種をカバーするマルチモーダルデータセットを公開しています。
https://4d-metric-semantic-mapping.org/

要約(オリジナル)

Monitoring orchards at the individual tree or fruit level throughout the growth season is crucial for plant phenotyping and horticultural resource optimization, such as chemical use and yield estimation. We present a 4D spatio-temporal metric-semantic mapping system that integrates multi-session measurements to track fruit growth over time. Our approach combines a LiDAR-RGB fusion module for 3D fruit localization with a 4D fruit association method leveraging positional, visual, and topology information for improved data association precision. Evaluated on real orchard data, our method achieves a 96.9% fruit counting accuracy for 1,790 apples across 60 trees, a mean fruit size estimation error of 1.1 cm, and a 23.7% improvement in 4D data association precision over baselines. We publicly release a multimodal dataset covering five fruit species across their growth seasons. https://4d-metric-semantic-mapping.org/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google