Measuring canopy height in soybean and wheat using a low‐cost depth camera
Notice bibliographique
Résumé
Abstract Canopy height is an essential trait in high throughput phenotyping that is often only captured as a single point, which is not always representative of canopy height. New 3D depth cameras such as the RealSense D415 (Intel Corporation, Santa Clara, CA, USA) may provide a fast and affordable solution for measuring height from portable, ground‐based phenomics systems. Our goal was to determine if the D415 was effective at measuring crop heights under field conditions in wheat ( Triticum aestivum ) and soybean ( Glycine max ) plots. The D415 camera was integrated into our PlotCam platform using the open software development kit from Intel. Distance arrays were captured for each plot at weekly intervals over the growing season. These were compared to canopy heights measured using a single point LiDAR (SPL) system operated by hand. Over the growing season the D415 heights were significantly correlated with the SPL heights in both wheat and soybean with coefficients of 0.77 and 0.95 and NRMSE 0.23 and 0.17 m, respectively. Early season D415 height measurements were not as similar to the SPL as the mid‐and late‐season measurements in wheat and soybean. The relatively low cost and open software development kit of the D415 makes it a promising tool for high throughput phenotyping applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».