Low-Cost Photogrammetry Rig for 3D Crop Modelling and Plant Phenomics
Notice bibliographique
Résumé
Photogrammetry is the science of obtaining a 3D scan of an object. Through this process, reliable information about the physical object’s complex structure can be obtained, studied and analysed. A low-cost Structure from Motion (SfM) technique can be used to create 3D models using multiple 2D images from different viewpoints. A point cloud is a widely used 3D data form, which can be produced by depth sensors, such as LIDARs and RGB-D cameras. However, the cost of such scanners can be prohibitive, putting photogrammetry out of reach for many researchers and practitioners in the agriculture industry. We are developing a low-cost close-range photogrammetry rig that could be a beneficial tool for agronomists, plant scientists, and breeders. Our imaging system utilizes the Raspberry Pi to capture images with multiple cameras, and a commercial rotatory table to get images from different viewpoints. We discuss the development of extracting quantitative trait indices in wheat in order to automatically characterize planophile versus erectophile canopy architectures. Moving forward, we plan to use our photogrammetry rig for a variety of applications such as growth monitoring and extracting plant traits such as number of leaves, stem height, leaf length, leaf width, leaf area, and canopy volume. We also plan on developing bespoke, plug-and-play systems that are tailored to the specific needs of a researcher and can be operated with minimal expertise.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,014 |
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 ».