学术中心
使用可扩展方法对作物田的点云进行预聚类
发布时间:
2021-08-18
来源:
本站
作者:
PhenoTrait
为了大规模应用自动植物表型和机器学习方面近期取得的成功,设计高效和通用的算法势在必行,以此将农田智能分割成小而可操作的部分,然后由更复杂的算法进行处理。在本文中,我们注意到这个问题的当前状态与一种常用的基于密度的聚类算法Quickshift之间的相似性,并利用这种相似性,提出了一些新颖的具体应用算法,旨在产生一个通用和可扩展的植物分割算法。
在玉米地的点云上运行时地面密度 Quickshift++ 的结果
投影到地平面的植物点云上的密度函数的可视化
结果发现,本文提出的新算法在保持相同算法时间复杂度的同时,对输入参数的敏感性较低,在定量上优于现有算法。应用该算法于实地表型系统时,可以大大提高结果的准确性,同时确保性能和可伸缩性不受影响。
部分 St. Paul V3 数据的定性结果
来源:
Henry J. Nelson and Nikolaos Papanikolopoulos. Pre-Clustering Point Clouds of Crop Fields Using Scalable Methods.
推荐新闻
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。
让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。
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。
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。
视频展示