[论文解读] 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 4

一句话总结

本文提出了一种基于3D点云数据的自动化、非破坏性方法，用于分类盆栽植物中的茎和叶。该方法采用3D凸包提取叶样本，利用2D点密度投影提取茎样本，随后通过SVM分类，三种测试植物物种均实现了高精度，且性能优于基线方法。

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.

研究动机与目标

• 开发一种基于3D点云数据的自动化非破坏性方法，用于分类盆栽植物中的植物器官。
• 解决在复杂不规则植物结构中准确区分茎点和叶点的挑战。
• 通过基于几何和密度的特征提取，提高现有方法在分类准确性和效率方面的表现。
• 在多种盆栽植物物种的真实点云数据上验证该方法。

提出的方法

• 利用3D凸包算法自动提取叶点训练样本，以识别叶簇的外边界。
• 通过分析3D点云在2D投影中的点密度，提取茎点训练样本，利用茎区域更高的密度特征。
• 使用提取的叶点和茎点集合训练支持向量机（SVM）分类器，对点云中的所有点进行分类。
• 该方法处理完整点云，无需人工标注或预先分割。
• 该方法利用几何特性（凸包）和空间分布（点密度）作为分类的判别特征。

实验结果

研究问题

• RQ1 3D凸包能否有效从复杂盆栽植物点云中分离出叶点簇？
• RQ2 2D点密度投影能否可靠识别3D植物点云中的茎区域？
• RQ3 所提出的基于SVM的分类方法在准确性和效率方面与现有方法相比如何？
• RQ4 该方法在具有不同形态特征的多种盆栽植物物种中具有多大程度的鲁棒性？

主要发现

• 所提出的方法仅使用几何和密度特征，即在三种测试盆栽植物物种中实现了高分类准确率。
• 利用3D凸包进行叶提取，有效捕捉了叶簇的空间范围，且无需人工干预。
• 在2D投影中进行点密度分析，成功识别出复杂分枝结构中的茎区域。
• SVM分类器表现出强泛化能力，在准确性和计算效率方面均优于两种基线方法。