[논문 리뷰] Crop Height and Plot Estimation for Phenotyping from Unmanned Aerial Vehicles using 3D LiDAR

Harnaik Dhami, Kevin Yu외 6명|arXiv (Cornell University)|2019. 10. 30.

Remote Sensing and LiDAR Applications참고 문헌 15인용 수 26

한 줄 요약

이 논문은 UAV에 장착된 3D 라이다 시스템을 제안하여 고속 식물 형질 분석을 수행하며, 현장 및 시뮬레이션 환경에서 자동으로 작물 높이를 추정하고 플롯을 탐지할 수 있도록 한다. 점군에서 복합체 필터링과 99번째 백분위수 높이 추출을 통해, 실제 밀밭에서 6.1 cm의 RMSE를 달성하였으며, 알고리즘 평가를 위한 시뮬레이션 툴체인을 제공한다.

ABSTRACT

We present techniques to measure crop heights using a 3D Light Detection and Ranging (LiDAR) sensor mounted on an Unmanned Aerial Vehicle (UAV). Knowing the height of plants is crucial to monitor their overall health and growth cycles, especially for high-throughput plant phenotyping. We present a methodology for extracting plant heights from 3D LiDAR point clouds, specifically focusing on plot-based phenotyping environments. We also present a toolchain that can be used to create phenotyping farms for use in Gazebo simulations. The tool creates a randomized farm with realistic 3D plant and terrain models. We conducted a series of simulations and hardware experiments in controlled and natural settings. Our algorithm was able to estimate the plant heights in a field with 112 plots with a root mean square error (RMSE) of 6.1 cm. This is the first such dataset for 3D LiDAR from an airborne robot over a wheat field. The developed simulation toolchain, algorithmic implementation, and datasets can be found on the GitHub repository located at https://github.com/hsd1121/PointCloudProcessing.

연구 동기 및 목표

• 수작업으로 수행되는 높이 측정으로 인한 고속 식물 형질 분석의 성능 저하 문제를 해결하기 위해.
• UAV에서 촬영한 3D 라이다 데이터를 활용해 정확하고 확장 가능하며 자동화된 작물 높이 추정을 가능하게 하기 위해.
• 다양한 지형을 가진 현실적인 가상의 형질 분석 농장을 생성하기 위한 툴체인을 개발하기 위해.
• 로봇공학 및 농업 연구자들이 접근하기 쉬운 장벽을 낮추기 위해 개방형 도구와 데이터셋을 제공하기 위해.
• 플롯 크기나 지면 평탄도에 대한 사전 가정 없이도 식물 높이를 추정하고 개별 플롯을 탐지하기 위해.

제안 방법

• 플롯 기반 농장 위를 비행하는 UAV를 사용해 3D 라이다 점군 데이터를 촬영한다.
• 원시 점군 데이터의 노이즈와 계산 부담을 줄이기 위해 복합체 필터링을 적용한다.
• RANSAC 기반 평면 피팅을 사용해 지면 평면 추정을 통해 지면 포인트와 식물 포인트를 구분한다.
• 식물 포인트의 공간적 군집을 기반으로 클러스터링 알고리즘을 적용해 개별 플롯을 탐지한다.
• 추정된 지면 평면 위에서 높이의 99번째 백분위수를 사용해 각 플롯의 작물 높이를 추정한다.
• 실제 3D 식물 및 지형 모델을 포함한 다양한 지형을 가진 가상의 농장을 생성할 수 있는 시뮬레이션 툴체인을 개발한다.

실험 결과

연구 질문

• RQ1 UAV에 장착된 3D 라이다 시스템은 실제 플롯 기반 형질 분석 환경에서 작물 높이를 정확하게 추정할 수 있는가?
• RQ2 지형의 다양성이 현장 및 시뮬레이션 조건에서 3D 라이다 기반 높이 추정 정확도에 어떤 영향을 미치는가?
• RQ3 사전에 플롯 크기나 지면 평탄도를 알지 못하는 조건에서도 완전히 자동화된 파이프라인이 개별 플롯을 탐지하고 높이를 추정할 수 있는가?
• RQ4 데이터 전처리(예: 복합체 필터링, 백분위수 선택)가 높이 추정 정확도를 얼마나 향상시키는가?
• RQ5 제안된 시뮬레이션 툴체인이 알고리즘 검증을 위한 실제 형질 분석 조건을 얼마나 잘 재현하는가?

주요 결과

• 제안된 방법은 실제 현장 실험에서 112개의 밀 플롯에 대해 루트 평균 제곱 오차(RMSE)가 6.1 cm로 측정되었다.
• 복합체 필터링 이후 99번째 백분위수 높이 포인트를 사용할 경우, 원시 데이터나 복합체만 처리한 경우보다 노이즈와 이방값을 줄여 가장 정확한 결과를 도출하였다.
• 시뮬레이션 툴체인은 지형 거칠기가 다른 세 가지의 별도된 가상 농장 환경을 성공적으로 생성하여 알고리즘의 통제된 테스트를 가능하게 하였다.
• 시뮬레이션 결과, 극단적인 지형 변화(±1 m) 조건에서는 RMSE가 16.0 cm로 증가하여 지면 불규칙성이 높이 추정 정확도에 악영향을 준다는 것이 확인되었다.
• 알고리즘은 불규칙한 지면에서도 플롯 탐지 및 높이 추정에 있어 강건성을 보였으며, 지면 평면 추정이 현실적이고 극단적인 상황에서도 대부분의 지면 포인트를 성공적으로 식별하였다.
• 데이터셋, 시뮬레이션 툴체인, 점군 처리 도구의 개방형 배포를 통해 재현 가능한 벤치마킹이 가능해졌으며, UAV 기반 형질 분석 연구의 가속화가 이루어졌다.