[论文解读] 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 6

一句话总结

本文提出了一种名为基于地面密度的快速聚类（Ground Density Quickshift）和基于地面密度的快速聚类++（Ground Density Quickshift++）的可扩展、参数无关的聚类算法，用于将作物田点云预分割为单株植物单元。通过结合可变邻域阈值与地面感知密度估计，对快速聚类这一基于密度的聚类算法进行改进，该方法在保持 O(n log n) 时间复杂度的同时，实现了优于现有最先进方法的分割精度，从而实现了农业机器人领域大规模表型分析的高效处理。

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.

研究动机与目标

• 开发一种可扩展、通用的预聚类方法，将作物田点云分割为单株植物单元，以支持下游表型分析。
• 减少对输入参数、传感器类型和坐标缩放的依赖，从而在多种农业机器人平台中实现广泛适用性。
• 在聚类精度优于现有最先进方法的同时，保持较低的计算复杂度（O(n log n)）。
• 通过将大规模数据采集与计算密集型单株分析解耦，实现高通量植物表型分析。
• 提供一种可直接替换现有田间分割流程的算法，提升精度而不损失可扩展性。

提出的方法

• 通过引入基于地面的密度估计，将 z 轴作为重力方向，改进快速聚类这一基于密度的聚类算法，从而提升对垂直植物结构的聚类效果。
• 提出 Ground Density Quickshift++，通过根据局部点密度动态调整邻域阈值，消除对固定全局距离参数的依赖。
• 采用改进的密度函数，仅考虑每个点在 z 方向之下的点，从而增强对垂直排列植物的分离能力。
• 采用分层聚类策略，将每个点分配给最近的更高密度点，使聚类自然对齐于植物茎干和冠层。
• 通过依赖相对点密度与空间关系而非绝对尺度，使算法对单位不敏感，从而适用于 SfM 重建的点云。
• 采用 k-最近邻（k-NN）搜索高效计算局部密度，确保 O(n log n) 时间复杂度。

实验结果

研究问题

• RQ1 能否将基于密度的聚类算法改进为在极少参数调优的情况下，将作物田点云预分割为单株植物？
• RQ2 与固定阈值方法相比，动态邻域阈值如何提升在异质植物密度下的分割精度？
• RQ3 在保持高性能的前提下，聚类算法在多大程度上可实现对传感器类型、坐标系和尺度的独立性？
• RQ4 预聚类方法是否能在保持 O(n log n) 时间复杂度的同时，超越现有最先进技术的分割精度？
• RQ5 所提出方法在具有垂直生长结构的不同植物种类（如玉米、果树和啤酒花）中是否具有良好的泛化能力？

主要发现

• Ground Density Quickshift++ 在分割性能上优于当前最先进方法：在玉米田点云中识别出 167 个聚类，其中仅有一个聚类包含超过一株植物。
• 通过根据局部密度动态调整邻域阈值，该方法有效减少了行间空隙区域的多余聚类，避免了对固定全局距离参数的依赖。
• 该算法对点云尺度和采样密度的变化具有鲁棒性，且无需校准至世界单位，适用于结构光场重建的输出结果。
• 所有提出的算法均保持 O(n log n) 时间复杂度，确保可扩展至整个田块规模的数据集。
• 该方法在多种具有垂直结构的植物种类中表现有效，如在密集或双行种植配置下仍能正确分割玉米植株。
• 研究中提供的合成与真实世界数据集均附带真实标签，支持可复现的评估，并推动植物分割领域的进一步发展。