深度学习使用更快的R-CNN和区域增长算法从地面LiDAR数据中对玉米进行分割

来源: 时间:2018-06-29 14:30:17 次数:

提出了一种将深度学习和区域生长算法相结合从地面激光雷达数据中分割出单个玉米的方法。训练场地的3D扫描点用一个固定的3D窗口逐行切片。将窗口内的点压缩成深度图像,用于训练更快的R-CNN模型,学习玉米茎的检测能力。

激光雷达的快速发展为获得三维表型特征提供了一种有用的方法,它具有高精度记录三维激光点的能力。近年来,激光雷达与其他传感器一起被广泛用于获取温室和田间表型数据。玉米个体分割是在单个作物或叶片水平上进行高通量表型数据提取的前提,目前仍是一个巨大的挑战。深度学习是一种最先进的机器学习方法,在目标检测、分类和分割方面表现出很高的性能。

深度学习使用更快的R-CNN和区域增长算法从地面LiDAR数据中对玉米进行分割

通过压缩ROI(感兴趣区域)内的点云生成的深度图像

本研究中,作者提出了一种将深度学习和区域生长算法相结合从地面激光雷达数据中分割出单个玉米的方法。训练场地的3D扫描点用一个固定的3D窗口逐行切片。将窗口内的点压缩成深度图像,用于训练更快的R-CNN(基于区域的卷积神经网络)模型,学习玉米茎的检测能力。采用3个不同种植密度的场地进行试验,每个站点也被分割成许多3D窗口,并生成测试深度图像。在测试图像中检测到的茎可以被映射到3D点,其被用作区域生长算法的种子点以从下到上种植单个玉米。结果表明,深度学习和区域增长算法相结合的方法在玉米个体分割中具有较好的应用前景,不同种植密度的三个试验点r、p、F值均在0.9以上。真实分割玉米的高度与人工测量的高度(R2>0.9)高度相关。本研究表明使用深度学习来解决激光雷达数据中的单个玉米分割问题的可能性。

深度学习使用更快的R-CNN和区域增长算法从地面LiDAR数据中对玉米进行分割

R-CNN快速检测深度图像茎的流程图和玉米个体分割的区域增长方法

来源:Front. Plant Sci., 22 June 2018.Deep Learning: Individual Maize Segmentation From Terrestrial Lidar Data Using Faster R-CNN and Regional Growth Algorithms.Shichao Jin, Yanjun Su, Shang Gao, Fangfang Wu, Tianyu Hu, Jin Liu, Wenkai Li, Dingchang Wang, Shaojiang Chen, Yuanxi Jiang, Shuxin Pang and Qinghua Guo.