利用神经辐射场的温室精确三维表型分析


发布时间:

2024-05-16

来源:

作者:

准确收集植物表型对于优化精准农业中的可持续农业实践至关重要。在受控的实验室环境中进行的传统表型分析虽然有价值,但在了解真实条件下的植物生长方面存在不足。新兴的传感器和数字技术为农场环境中植物的直接表型分析提供了一种很有前途的方法。本文研究了一种基于学习的神经辐射场表型分析方法,以实现温室环境下辣椒植物的精确原位表型分析。为了定量评价该方法的性能,对三维扫描数据进行了传统的点云配准比较。实验结果表明,与3D扫描方法相比,NeRF(Neural Radiance Fields,神经辐射场)具有相当的精度。基于扫描仪的方法与基于NeRF的方法的平均距离误差为0.865mm。研究表明,基于学习的NeRF方法与基于3D扫描的方法具有相似的精度,但具有更好的可扩展性和鲁棒性。

 

图1  分别利用3D扫描仪和机器人在温室内重建NeRF进行表型分析。

 

图2  NeRF表型分析流程

 

图3  NeRF。

 

图4  提出的三维语义分割方法示意图。(a)输入数据为3D扫描仪重建和NeRF重建提取的点云数据。(b)分割模块对输入点云进行分割。(c)最后得到分割结果。

 

图5  农业和收集设施标准场景图。

 

图6  NeRF模型的多视图效果图。(a)前视图;(b)侧视图;(c)顶视图;(d)立面视图。

 

图7  使用NeRF模型和点云重建之间的比较。第一行显示彩色重建结果,第二行显示重建模型的法线。(a)彩椒环境;(b) Instant-NGP网格细节;(c)优化前Instant-NSR网格细节;(d) 3D扫描仪获取的点云;(e) Instant-NSR优化后的网格细节。

 

图8  三维扫描仪获取的点云,并说明了点云获取的几个问题。(a)光滑表面上有切割边缘的出血点;(b)采样色差;(c)光线不足产生人工制品;(d)高反射面反射。

 

图9  用扫描法和瞬时NSR模型对三种不同样本的匹配结果。

 

图10 在对点云进行三维语义分割后,所收集的表型数据的图示。(a)温室辣椒环境下的三维语义分割。(b)表型测量。

 

来 源

Junhong Zhao et al. Exploring Accurate 3D Phenotyping in Greenhouse through Neural Radiance Fields. arXiv. 

 

编辑

王春颖

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。