[论文解读] Crop Height and Plot Estimation for Phenotyping from Unmanned Aerial Vehicles using 3D LiDAR

Harnaik Dhami, Kevin Yu+6 more|arXiv (Cornell University)|Oct 30, 2019

Remote Sensing and LiDAR Applications参考文献 15被引用 26

一句话总结

本文提出一种安装于无人机上的3D LiDAR系统，用于高通量植物表型分析，可在真实田间和模拟环境中实现作物高度的自动估算与田块检测。通过体素滤波和从点云中提取99百分位高度，该方法在真实小麦田中实现了6.1厘米的RMSE，同时提供了一套用于基准测试表型算法的仿真工具链。

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.

研究动机与目标

• 为解决高通量植物表型分析中因人工测量作物高度而产生的瓶颈问题。
• 利用无人机采集的3D LiDAR数据，实现精确、可扩展且自动化的作物高度估算。
• 开发一套工具链，用于生成具有不同地形的逼真虚拟表型农场，以供算法测试与仿真。
• 提供开源工具与数据集，降低机器人学与农业研究者的入门门槛。
• 在不预先假设田块大小或地面平坦度的前提下，估算植物高度并检测单个田块。

提出的方法

• 使用在田间地块农场上空飞行的无人机采集3D LiDAR点云数据。
• 应用体素滤波以减少原始点云数据中的噪声和计算负载。
• 通过基于RANSAC的平面拟合方法进行地面平面估计，以区分地面点与植物点。
• 应用聚类算法，基于植物点的空间聚集性检测单个田块。
• 通过估算地面平面以上点云高度的99百分位数，计算每块田的作物高度。
• 开发一套仿真工具链，可生成包含逼真3D植物与地形模型的虚拟农场，涵盖三种不同的地面地形，用于算法基准测试。

实验结果

研究问题

• RQ1 安装于无人机上的3D LiDAR系统能否在真实世界中的地块式表型分析环境中准确估算作物高度？
• RQ2 地形变化如何影响在真实与模拟条件下基于3D LiDAR的作物高度估算精度？
• RQ3 是否能够实现完全自动化的处理流程，在无需预先知晓田块大小或地面平坦度的情况下检测单个田块并估算植物高度？
• RQ4 数据预处理（如体素滤波、百分位数选择）在多大程度上提升了高度估算的精度？
• RQ5 所提出的仿真工具链在多大程度上能够复现真实世界表型分析条件，以用于算法验证？

主要发现

• 所提出的方法在真实田间实验的112块小麦田中，作物高度估算的均方根误差（RMSE）达到6.1厘米。
• 在体素滤波后使用高度点的99百分位数得到最准确的结果，相比原始数据或仅使用体素处理的方法，显著降低了噪声与异常值。
• 仿真工具链成功生成了三个具有不同地形粗糙度的虚拟农场环境，实现了对算法的可控测试。
• 在模拟环境中，当地形变化达到极端程度（±1米）时，RMSE上升至16.0厘米，证实地面不规则性会负面影响高度估算精度。
• 该算法在不规则地形上也表现出鲁棒性，能够有效检测田块并估算高度，地面平面估计在真实与极端场景中均成功识别了大部分地面点。
• 开源发布数据集、仿真工具链及点云处理工具，实现了可复现的基准测试，显著加速了基于无人机的表型研究进展。