[論文レビュー] Pre-Clustering Point Clouds of Crop Fields Using Scalable Methods

H. James Nelson, Nikolaos Papanikolopoulos|arXiv (Cornell University)|Jul 22, 2021

Greenhouse Technology and Climate Control参考文献 14被引用数 6

ひとこと要約

本論文は、作物畑の点群を個々の植物単位に事前セグメンテーションするためのスケーラブルでパラメータに敏感でないクラスタリング手法、Ground Density QuickshiftおよびGround Density Quickshift++を提案する。変動する近傍閾値とグランドに配慮した密度推定を用いて、Quickshift密度ベースのクラスタリング手法を拡張することで、最先端の手法を上回るセグメンテーション精度を達成するとともに、O(n log n)の時間計算量を維持し、農業ロボティクスにおける大規模なプロフェノタイピングを効率的に行える。

ABSTRACT

In order to apply the recent successes of machine learning and automated plant phenotyping on a large scale using agricultural robotics, efficient and general algorithms must be designed to intelligently split crop fields into small, yet actionable, portions that can then be processed by more complex algorithms. In this paper, we notice a similarity between the current state-of-the-art for separating corn plants and a commonly used density-based clustering algorithm, Quickshift. Exploiting this similarity we propose a number of novel, application-specific algorithms with the goal of producing a general and scalable field segmentation algorithm. The novel algorithms proposed in this work are shown to produce quantitatively better results than the current state-of-the-art while being less sensitive to input parameters and maintaining the same algorithmic time complexity. When incorporated into field-scale phenotyping systems, the proposed algorithms should work as a drop-in replacement that can greatly improve the accuracy of results while ensuring that performance and scalability remain undiminished.

研究の動機と目的

• 農業ロボティクスの多様なプラットフォームに広く適用可能な、スケーラブルで汎用的な事前クラスタリング手法を開発し、作物畑の点群を個々の植物単位にセグメンテーションすること。
• 入力パラメータ、センサータイプ、座標スケーリングへの依存性を低減させ、多様な環境下でも適用可能にする。
• 既存の最先端手法を上回るセグメンテーション精度を維持しながら、O(n log n)の低計算量を保つ。
• 大規模データ収集と計算コストの高い個々の植物分析を分離することで、高スループットの植物プロフェノタイピングを実現する。
• 現在のフィールドセグメンテーションパイプラインの即時置換が可能であり、スケーラビリティを損なわず精度を向上させる。

提案手法

• z軸を重力方向とみなして、グランドに配慮した密度推定を導入することで、垂直な植物構造に沿ったクラスタリングを向上させる。
• Ground Density Quickshift++を提案し、局所的な点密度に基づいて近傍閾値を動的に調整することで、固定されたグローバル距離パラメータの必要性を排除する。
• 各点の下側の点のみを考慮する修正された密度関数を採用し、垂直に並んだ植物の分離を強化する。
• 各点が最も密度の高い近隣の点に割り当てられる階層的クラスタリング戦略を採用し、自然に茎や冠に沿ったクラスタを形成する。
• 絶対的なスケールではなく相対的な点密度と空間的関係に依存するため、単位に依存しない設計とし、SfM再構築点群にも適用可能である。
• 局所密度を効率的に計算するためにk近傍法（k-NN）探索を適用し、O(n log n)の時間計算量を保証する。

実験結果

リサーチクエスチョン

• RQ1 パラメータチューニングを最小限に抑えて、密度ベースのクラスタリング手法を作物畑の点群を個々の植物に事前セグメンテーションするために適応可能か？
• RQ2 固定閾値法と比較して、不均一な植物密度において、動的近傍閾値設定がどのようにセグメンテーション精度を向上させるか？
• RQ3 センサータイプ、座標系、スケールに依存しないクラスタリング手法をどれほど実現できるか？
• RQ4 O(n log n)の時間計算量を維持しながら、既存の最先端手法を上回るセグメンテーション精度を達成できるか？
• RQ5 トウモロコシ、果樹、ホップなど垂直に生育する多様な植物種において、提案手法はどの程度一般化可能か？

主な発見

• Ground Density Quickshift++は、現在の最先端手法を上回るセグメンテーション性能を示し、トウモロコシ畑の点群において167のクラスタを検出。そのうち1つのクラスタを除き、すべてのクラスタが1つの植物に一致した。
• 局所密度に基づいて近傍閾値を動的に調整することで、行間のギャップ部における不要なクラスタを低減し、固定されたグローバル距離パラメータの必要性を回避した。
• 点群のスケールやサンプリング密度の変動に強く、ワールドユニットへのキャリブレーションを必要としないため、構造からモーションによる出力に適している。
• 提案されたすべてのアルゴリズムがO(n log n)の時間計算量を維持しており、フィールドスケールのデータセットへのスケーラビリティを保証している。
• 垂直構造を持つ多様な植物種においても有効であることが実証され、密集した状態や二重播きの状況下でもトウモロコシの植物を正しくセグメンテーションできた。
• 本研究では合成および実世界のデータセットに真値を付与しており、再現可能な評価が可能であり、植物セグメンテーション分野におけるさらなる発展を促進する。