Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

MaizeField3D: Un conjunto de datos de modelo procedimental y nube de puntos 3D de maíz cultivado en campo de un panel de diversidad.

Created by
  • Haebom

Autor

Elvis Kimara, Mozhgan Hadadi, Jackson Godbersen, Aditya Balu, Talukder Jubery, Yawei Li, Adarsh ​​​​Krishnamurthy, Patrick S. Schnable, Baskar Ganapathysubramanian

Describir

MaizeField3D es un conjunto de datos de nubes de puntos 3D de plantas de maíz, creado para abordar la falta de datos a gran escala y diversos para la investigación de fenotipado 3D basado en IA. Se recopilaron datos de nubes de puntos 3D de alta calidad de 1045 plantas de maíz cultivadas en campo mediante un escáner láser terrestre (TLS), y se separaron y anotaron hojas y tallos individuales de 520 plantas mediante un método de segmentación basado en grafos. Se generaron modelos procedimentales a partir de estos datos etiquetados, y las hojas se representaron como superficies NURBS. El conjunto de datos contiene metadatos sobre la morfología y la calidad de la planta, así como datos de nubes de puntos a diversas resoluciones (100 000, 50 000 y 10 000 puntos), y se ha sometido a un riguroso control de calidad manual. MaizeField3D puede utilizarse como base para el fenotipado basado en IA, el análisis de la estructura de las plantas y aplicaciones 3D en la investigación agrícola.

Takeaways, Limitations

Takeaways:
Proporcionar un conjunto de datos a gran escala y de alta calidad para la investigación del fenotipado 3D del maíz basada en IA
Proporciona información estructural detallada que es difícil de capturar con datos 2D, como la estructura de las hojas, el volumen y la disposición espacial de las plantas de maíz.
Etiquetado de datos preciso y consistente a través de segmentación basada en gráficos y modelado procedimental basado en superficies NURBS.
Apoyar diversas tareas posteriores proporcionando datos de nubes de puntos de varias resoluciones
Contribuyendo al desarrollo de aplicaciones 3D en la investigación agrícola
Limitations:
Es posible que sea necesario ampliar aún más el conjunto de datos (actualmente 1.045 objetos)
Se debe tener en cuenta los posibles sesgos que puedan surgir durante la recopilación y el procesamiento de datos.
Necesidad de obtener datos sobre otras variedades de maíz y entornos de cultivo.
Es necesaria una evaluación más profunda de la precisión y el rendimiento de generalización del modelado procedimental.
👍