[논문 리뷰] Pre-Clustering Point Clouds of Crop Fields Using Scalable Methods

H. James Nelson, Nikolaos Papanikolopoulos|arXiv (Cornell University)|2021. 07. 22.

Greenhouse Technology and Climate Control참고 문헌 14인용 수 6

한 줄 요약

이 논문은 농작물 식재현장의 포인트 클라우드를 개별 식물 단위로 사전 분할하기 위한 확장성 있고 파rameter에 민감하지 않은 클러스터링 알고리즘인 Ground Density Quickshift와 Ground Density Quickshift++을 제안한다. 가변적 인접 영역 임계값과 지면 인식 밀도 추정을 통해 Quickshift 밀도 기반 클러스터링 알고리즘을 개선함으로써, 기존 최고 수준의 접근 방식을 능가하는 뛰어난 분할 정확도를 달성하면서도 O(n log n) 시간 복잡도를 유지하여 농업 로봇에서의 대규모 형질 분석을 효율적으로 가능하게 한다.

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.

연구 동기 및 목표

• 농업 로봇 플랫폼에 널리 적용 가능한 확장성 있고 일반적인 목적의 사전 클러스터링 방법을 개발하여 농작물 식재현장 포인트 클라우드를 개별 식물 단위로 분할하는 것.
• 입력 파rameter, 센서 유형, 좌표 스케일링에 대한 의존도를 줄여 다양한 농업 로봇 플랫폼 간 광범위한 적용성을 확보하는 것.
• 기존 최고 수준의 방법들을 능가하는 분할 정확도를 달성하면서도 낮은 계산 복잡도(O(n log n))를 유지하는 것.
• 대규모 데이터 수집과 계산 비용이 큰 개별 식물 분석을 분리함으로써 고속도의 식물 형질 분석을 가능하게 하는 것.
• 기존 현장 분할 파ip라인에 쉽게 통합할 수 있는 대체 솔루션을 제공하여 정확도는 향상시키되 확장성은 유지하는 것.

제안 방법

• 수직 식물 구조에 따라 클러스터링 성능을 향상시키기 위해 z축을 중력 방향으로 간주하고 지면 인식 밀도 추정을 도입함으로써 Quickshift 밀도 기반 클러스터링 알고리즘을 개선한다.
• 지역 포인트 밀도에 따라 이웃 영역 임계값을 동적으로 조정하는 Ground Density Quickshift++를 도입하여 고정된 전역 거리 파rameter가 필요 없도록 한다.
• 각 포인트 아래의 포인트들만 고려하는 수정된 밀도 함수를 사용함으로써 수직으로 배열된 식물 간의 분리 성능을 향상시킨다.
• 각 포인트가 가장 밀도가 높은 근접한 상위 포인트에 할당되는 계층적 클러스터링 전략을 활용하여 식물 줄기와 冠을 자연스럽게 따라 클러스터를 형성한다.
• 절대 척도가 아닌 상대적 포인트 밀도와 공간적 관계에 기반함으로써 단위에 민감하지 않은 알고리즘 설계를 통해 SfM 재구성 포인트 클라우드와도 호환 가능하게 한다.
• 지역 밀도를 효율적으로 계산하기 위해 k-최근접 이웃(k-NN) 검색을 적용하여 O(n log n) 시간 복잡도를 확보한다.

실험 결과

연구 질문

• RQ1 밀도 기반 클러스터링 알고리즘을 어떻게 수정하여 최소한의 파arameter 조정으로도 농작물 식재현장 포인트 클라우드를 개별 식물로 사전 분할할 수 있는가?
• RQ2 고정 임계값 방법에 비해 비정형적인 식물 밀도에서 동적 이웃 영역 임계값 조정이 분할 정확도에 어떻게 기여하는가?
• RQ3 센서 유형, 좌표계, 스케일에 독립적인 클러스터링 알고리즘이 성능을 유지하면서까지 어느 정도까지 구현될 수 있는가?
• RQ4 사전 클러스터링 방법이 기존 최고 수준의 기술을 능가하는 분할 정확도를 달성하면서도 O(n log n) 시간 복잡도를 유지할 수 있는가?
• RQ5 수직 생장 구조를 가진 다양한 식물 종류(옥수수, 과수, 힙스 등)에 대해 제안된 방법이 얼마나 일반화되는가?

주요 결과

• Ground Density Quickshift++는 현재 최고 수준의 기술을 능가하는 뛰어난 분할 성능을 보이며, 옥수수 농장 포인트 클라우드에서 167개의 클러스터를 발견했고, 그 중 오직 하나의 클러스터만이 다수의 식물을 포함한다.
• 지역 밀도에 기반해 이웃 영역 임계값을 동적으로 조정함으로써 행 간 간격의 불필요한 클러스터를 줄이며, 고정된 전역 거리 파arameter가 필요 없도록 한다.
• 포인트 클라우드의 스케일과 샘플링 밀도의 변동에도 강인하며, 세계 단위로 校정할 필요 없이 SfM 출력물과도 잘 어울리므로, 구조 복원 기반 출력에 적합하다.
• 모든 제안된 알고리즘은 O(n log n) 시간 복잡도를 유지하여 전체 농장 규모의 데이터셋에 대한 확장성 보장한다.
• 옥수수 식물 조차도 조밀하거나 이중 식재된 환경에서도 정확하게 분할할 수 있음을 입증함으로써 다양한 수직 생장 식물 종류에 효과적이다.
• 연구에서 제공하는 합성 및 실세계 데이터셋에 진짜 레이블이 포함되어 있어 재현 가능한 평가가 가능하며, 향후 식물 분할 분야의 발전을 촉진한다.