[論文レビュー] Automated classification of stems and leaves of potted plants based on point cloud data

Zichu Liu, Qing Zhang+3 more|arXiv (Cornell University)|Feb 28, 2020

Remote Sensing and LiDAR Applications参考文献 16被引用数 4

ひとこと要約

本稿では、3次元点群データを用いた、ポット植木の茎と葉を自動的かつ非破壊的に分類する手法を提示する。葉のサンプル抽出には3次元凸包を、茎のサンプル抽出には2次元点密度投影を用い、その後SVMを用いた分類を実施し、3つのテスト植物種において高い精度を達成した。従来手法に比べ優れた性能を示した。

ABSTRACT

The accurate classification of plant organs is a key step in monitoring the growing status and physiology of plants. A classification method was proposed to classify the leaves and stems of potted plants automatically based on the point cloud data of the plants, which is a nondestructive acquisition. The leaf point training samples were automatically extracted by using the three-dimensional convex hull algorithm, while stem point training samples were extracted by using the point density of a two-dimensional projection. The two training sets were used to classify all the points into leaf points and stem points by utilizing the support vector machine (SVM) algorithm. The proposed method was tested by using the point cloud data of three potted plants and compared with two other methods, which showed that the proposed method can classify leaf and stem points accurately and efficiently.

研究の動機と目的

• ポット植物の3次元点群データを用いた、植物部品の自動分類のための非破壊的手法の開発。
• 複雑で不規則な植物構造において、茎と葉の点を正確に区別する課題への対処。
• 幾何的および密度に基づく特徴抽出を用いて、既存手法に比べ分類精度と効率を向上。
• 多様なポット植物種の実世界の点群データを用いて、手法の妥当性を検証。

提案手法

• 葉の点訓練サンプルは、葉クラスタの外周を特定するために3次元凸包アルゴリズムを自動的に適用して抽出される。
• 茎の点訓練サンプルは、3次元点群の2次元投影における点密度を分析することで抽出され、茎領域の高い密度を利用している。
• 抽出された葉および茎の点集合を用いてサポートベクターマシン（SVM）分類器を学習させ、点群内の全点を分類する。
• 手動によるアノテーションや事前のセグメンテーションを必要とせず、全点群を処理する。
• 幾何的性質（凸包）と空間的分布（点密度）を特徴として、分類のための判別的特徴を活用する。

実験結果

リサーチクエスチョン

• RQ1 3次元凸包は、複雑なポット植物の点群から葉の点クラスタを効果的に分離できるか？
• RQ2 2次元点密度投影は、3次元植物点群における茎領域を信頼性高く特定できるか？
• RQ3 提案手法のSVMベース分類は、既存手法に比べて精度と効率で優れているか？
• RQ4 多様な形態を示す異なるポット植物種において、この手法はどの程度頑健であるか？

主な発見

• 提案手法は、幾何的および密度に基づく特徴のみを用いて、3つのテスト植物種で高い分類精度を達成した。
• 3次元凸包を用いた葉抽出は、手動による介入なしに、葉クラスタの空間的範囲を効果的に捉えた。
• 2次元投影における点密度解析は、複雑な分岐構造でさえも、効果的に茎領域を特定できた。
• SVM分類器は優れた一般化性能を示し、精度と計算効率の両面で2つのベースライン手法を上回った。