UAV-Based High-Throughput Phenotyping to Segment Individual Apple Tree Row Based on Geometrical Features of Poles and Colored Point Cloud
Notice bibliographique
Résumé
Highlights Integrating RGB values and 3D coordinates of fruit trees provided phenotype-related data. The use of point clouds projection in tree rows segmentation has been confirmed. Using geometric features increased the accuracy of removing poles in an orchard. Segmenting fruit trees after removing poles on a single tree row was more accurate than traditional segmentation method. UAV equipped with LiDAR and a camera is promising for orchard high-throughput phenotyping. Abstract. High-throughput phenotyping (HTP) of fruit trees is important for providing crop geometrical information to evaluate their high yield genotypes. Unmanned aerial vehicle (UAV) is suitable for HTP by obtaining remote sensing data of large modern apple orchards, where each tree row needs to be segmented before segmenting a single tree. This study aims to develop a method for segmenting each row without noise (ERWON) of apple trees based on integrating RGB values and three-dimensional coordinates by UAV. A robust, real-time, RGB-colored, and LiDAR-inertial-visual tightly-coupled state estimation network was used to form a dense map of the orchard, which provided datasets of colored point clouds. Supporting poles were removed from the point clouds based on the consistent number of half upper parts and lower parts. Random sampling and an effective local feature aggregator were trained to segment ERWON after pole segmentation. Results showed that a precision of 0.971, a recall of 0.984, and an intersection-over-union of 0.817 for ERWON segmentation were achieved. This method proposed a potential solution for addressing the challenge of accurately and efficiently segmenting ERWON in large orchards. It is expected to be helpful for obtaining general parameters, such as geometric, morphological, and textural characteristics, as well as more specific parameters relevant to a particular phenotyping task. Keywords: Apple trees, Detection, Point cloud, RGB-colored, Segmentation.
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 | 0,001 | 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 ».