Automated classification of stems and leaves of potted plants based on point cloud data
1. Summary
论文提出了一种基于植物点云数据的茎叶自动分类方法，利用三维凸包算法提取树叶点训练数据，利用二维投影的点密度提取茎干点云训练样本，最后使用SVM来进行分类。
2. Research Objective
给定植物的点云数据，自动分类出茎干和叶子。
3. Problem Statement
4. Method(s)
- 构建叶子训练集算法
- 三维凸包算法得到最小凸多面体，获得转折点，以转折点位球心的球体内点云。
- 构建茎干训练集算法
- 随机选取点，获得每个点球体点云；映射到
平面，密度最高的点。
- 随机选取点，获得每个点球体点云；映射到
- 基于SVM
- RBF核
Evaluation
- 实验步骤
- 对三种不同盆栽植物的点云数据进行扫描处理。
- 提出了一种自动分类方法。
- 对处理后的点云数据进行分类。
- 建立了标准分类结果，将提出的方法与另外两种方法进行比较。
- 分别是随机和人工选择。
- 评估
- 利用混淆矩阵和kappa系数评价
Conclusion
- 该方法需要数据的完整性，对于某些植物鲁棒性不足。
Notes(optional)
- 实验细节
- 为求获得更好的效果，原始点云要去噪和旋转，且尽量垂直于
- 为求获得更好的效果，原始点云要去噪和旋转，且尽量垂直于
Reference
- 基于植物点云分类不同器官
Wahabzada M, Paulus S, Kersting K, Anne-Katrin M. 2015. Automated interpretation of 3D laserscanned point clouds for plant organ segmentation. BMC Bioinformatics16:1-11
Hétroy-Wheeler F, Casella E , Boltcheva D. 2016. Segmentation of tree seedling point clouds into elementary units. International Journal of Remote Sensing 37:2881-2907.
Ma L, Zheng G, Eiter JUH, Magney TS, Moskal LM. 2016. Determining woody-to-total area ratio using terrestrial laser scanning (TLS).Agricultural and Forest Meteorology228/229:217-228.
Ferrara R,Pellizzaro G,Ghisu T, et al.2018. An automated approach for wood-leaf separation from terrestrial LIDAR point clouds using the density based clustering algorithm DBSCAN.Agricultural and Forest Meteorology,262:434-444.
Tao S,Guo Q,Xu S, et al.2015. A Geometric Method for Wood-Leaf Separation Using Terrestrial and Simulated Lidar Data.Photogrammetric Engineering & Remote Sensing: Journal of the American Society of Photogrammetry81(10):767-776.
Dey D, Mummert L, Sukthankar R. 2012. Classification of plant structuresfrom uncalibrated image sequences. In: Proceedings of IEEE Workshopon Applications of Computer Vision (WACV) 2012.Piscataway: IEEE,329–336.
