DOI: https://doi.org/10.1186/s13007-025-01347-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39994691
تاريخ النشر: 2025-02-24
المؤلف: Victor Bloch وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تتناول هذه الدراسة الحاجة الملحة لرصد نمو النباتات بشكل فعال في إدارة المحاصيل، مع التركيز بشكل خاص على الخس. تسلط الضوء على قيود تقنيات التعلم العميق الحالية في تقدير الوزن الطازج للخس، والتي غالبًا ما تعتمد على مجموعات بيانات محددة وتفتقر إلى التكيف مع المجال. للتغلب على هذه التحديات، يقترح المؤلفون طريقة جديدة تعتمد على الميزات الهندسية للنباتات لتقدير هيكل الوردة وحجم الخس. تتضمن هذه الطريقة إنشاء غلاف محكم حول سحابة نقاط النبات، مما يحافظ بشكل فعال على تفاصيل الوردة مع معالجة مشكلات الرؤية في المناطق التي لم تلتقطها الكاميرات ثلاثية الأبعاد. تشير الدراسة إلى خطأ الجذر التربيعي المتوسط (RMSE) قدره 18.2 جرام لتقدير الوزن الطازج باستخدام حجم النبات فقط، و17.3 جرام عند دمج كل من الحجم والميزات الهندسية.
تشير النتائج إلى أن هذه الطريقة الجديدة توفر بديلاً قابلاً للتطبيق لطرق الشبكات العصبية، خاصة في ضوء القيود التي تفرضها مجموعات البيانات المتاحة. بالإضافة إلى ذلك، قد يؤدي إدخال ميزات هندسية جديدة تتعلق بكثافة الأوراق إلى تعزيز تطبيقات التربية. تتضمن الأبحاث تجميع مجموعة بيانات تتكون من 402 سحابة نقاط لنباتات الخس، تم التقاطها باستخدام مزيج من الكاميرات ثلاثية الأبعاد من الأعلى ومن الجانب. يؤكد المؤلفون على الحاجة إلى مزيد من جمع البيانات لتحسين وتأكيد طرقهم المقترحة في الأبحاث المستقبلية.
مقدمة
ت outlines المقدمة أهمية رصد صحة النباتات ونمذجة هياكل النباتات أثناء النمو، مع التأكيد على دور الرؤية الحاسوبية والتعلم العميق في تحسين الممارسات الزراعية. يتم تسليط الضوء على الطرق غير التدميرية، وخاصة التصوير الفوتوغرافي، لفائدتها في إعادة بناء نماذج ثلاثية الأبعاد للنباتات، على الرغم من أنها غالبًا ما تتطلب التقاط صور واسع النطاق ووقت معالجة. بالمقابل، تسهل الكاميرات ثلاثية الأبعاد اكتساب البيانات بسرعة، مما يولد صور RGB وعمق (RGBD) في الوقت الحقيقي، مما يمكن أن يعزز توقعات الوزن الطازج (FW) وتقديرات الميزات الهندسية الأخرى.
على الرغم من التقدم، فإن الدراسات الحالية قد أغفلت إلى حد كبير النباتات ذات الأشكال الفراكتالية مثل الخس في مجموعاتها البيانية، مما يحد من فهم الصفات الحرجة مثل كثافة الأوراق وتوزيعها. تناقش المقدمة أيضًا مختلف أساليب الشبكات العصبية التلافيفية (CNN) لتقدير الوزن الطازج، مشيرة إلى أنه بينما تحقق الشبكات العصبية التلافيفية باستخدام صور RGBD نتائج واعدة، فإن فعاليتها مقيدة بتوافر بيانات تدريب متنوعة. تهدف الدراسة إلى معالجة هذه الفجوات من خلال اقتراح تقنية استيفاء جديدة لإعادة بناء السطح التفصيلي لورود الخس، باستخدام إعداد قياس بسيط لإنشاء مجموعة بيانات من سحب النقاط في مرحلة الحصاد. تستهدف هذه الأبحاث تحديات نمذجة النباتات في البيئات المتغيرة وتسعى إلى تعزيز دقة تقدير الحجم من خلال ميزات قابلة للتفسير جسديًا.
طرق
ت outlines قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم استخدام التحليلات الإحصائية لتقييم البيانات المجمعة من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب مختبرية محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لملاحظة آثارها على النتائج ذات الصلة.
شمل جمع البيانات استخدام أدوات موحدة لضمان الموثوقية والصلاحية، مع التركيز على تقليل التحيز. تم إجراء التحليل باستخدام أدوات برمجية قادرة على إجراء اختبارات إحصائية معقدة، بما في ذلك تحليل الانحدار وANOVA، لتحديد أهمية النتائج. تم تفسير النتائج في سياق الأدبيات الحالية، مما يسمح بفهم شامل لتداعيات نتائج البحث.
نتائج
في هذا القسم، يتم تقديم نتائج الدراسة التي تقارن ميزات النبات رقم 40 والنبات رقم 72. أظهر كلا النباتين أوزانًا طازجة (FW) مشابهة قدرها 237.84 جرام و235.88 جرام، مما يشير إلى أحجام مظلة قابلة للمقارنة بسبب كثافة الأوراق الموحدة. ومع ذلك، لوحظت اختلافات كبيرة في أبعاد وردتهم، مع تقديرات للحجم (V) قدرها 3.155 لتر للنبات رقم 40 و4.33 لتر للنبات رقم 72، ومتوسط سعات (Amp) قدرها 2.4 سم و2.9 سم، على التوالي. كانت قياسات الارتفاع أيضًا قريبة، عند 2.4 سم و2.9 سم.
تم تحليل العلاقة بين حجم النبات المحسوب والوزن الطازج المرجعي باستخدام الانحدار البسيط، مما كشف أنه بينما كانت دقة تقدير الوزن الطازج متسقة عبر خوارزميات إعادة بناء السطح المختلفة (مع أخطاء الجذر التربيعي المتوسط تتراوح من 18.9 إلى 23.5 جرام)، كانت ميل خط الانحدار متغيرًا بشكل كبير، مما يشير إلى اختلافات في تفاصيل إعادة البناء. من الجدير بالذكر أن استخدام ثلاث صور جانبية ثلاثية الأبعاد جنبًا إلى جنب مع صورة علوية حسّن دقة توقع الوزن الطازج لخوارزميات حزمة الفراغ وشكل ألفا. في تحليلات الانحدار، أظهر الحجم (V) أقوى ارتباط مع الوزن الطازج، وعلى الرغم من أن الميزات الإضافية يمكن أن تعزز دقة التوقع، إلا أن تأثيرها لم يُلاحظ بوضوح في هذه المجموعة البيانية. أشارت ارتباطات الميزات الهندسية إلى علاقة قوية بين V والارتفاع، بينما لم يظهر Amp أي ارتباط مع V. تم تسجيل دقة المعايرة عند 2.6 مم و6.2 مم لجلسات منفصلة.
مناقشة
في هذه الدراسة، تم تطوير طريقة جديدة لإعادة بناء سطح نباتات الخس لتقدير الوزن الطازج (FW)، باستخدام نهج حزمة الفراغ استنادًا إلى التصوير ثلاثي الأبعاد. تم إجراء التجارب في بيئة محكومة باستخدام تقنية فيلم المغذيات (NFT) وإضاءة LED، مع زراعة نوع الخس ‘كاتوسا’ في أصص. تم استخدام ما مجموعه 132 أصص عبر ثلاث جولات تجريبية، وتم إجراء التصوير ثلاثي الأبعاد باستخدام إعداد من أربع كاميرات Intel RealSense D405. كانت معايرة هذه الكاميرات حاسمة لتوليد سحابة نقاط دقيقة، والتي تضمنت حل مشكلة تحسين باستخدام خوارزمية جينية لمزامنة البيانات من وجهات نظر كاميرا مختلفة.
عالجت طريقة حزمة الفراغ المقترحة بشكل فعال تحديات إعادة بناء الهندسة المعقدة لأوراق الخس، والتي غالبًا ما أدت إلى فقدان البيانات بسبب أشكالها الفراكتالية. سمحت هذه الطريقة بتقدير الوزن الطازج مع خطأ الجذر التربيعي المتوسط (RMSE) قدره 18.9 جرام ونسبة RMSE المعدلة (NRMSE) قدرها 10.8% عبر مجموعة البيانات، مما يظهر دقة قابلة للمقارنة أو محسنة مقارنة بالطرق الحالية. كما سلطت الدراسة الضوء على أهمية الميزات الهندسية، مثل سعة انبعاجات الأوراق وارتفاع النبات، في تحسين توقعات الوزن الطازج. ومع ذلك، أشار المؤلفون إلى أن نماذج الانحدار الحالية قد لا تعمم بشكل جيد عبر مجموعات بيانات مختلفة أو أنواع الخس، مما يشير إلى الحاجة إلى مزيد من الأبحاث مع بيانات أكثر تنوعًا لتعزيز قوة تقنيات التقدير المقترحة.
DOI: https://doi.org/10.1186/s13007-025-01347-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39994691
Publication Date: 2025-02-24
Author(s): Victor Bloch et al.
Primary Topic: Smart Agriculture and AI
Overview
This study addresses the critical need for effective monitoring of plant growth in crop management, specifically focusing on lettuce. It highlights the limitations of existing deep learning techniques for estimating lettuce fresh weight, which often rely on specific datasets and lack domain adaptation. To overcome these challenges, the authors propose a novel method based on plant geometric features to estimate the rosette structure and volume of lettuce. This method involves creating a tight hull around the plant’s point cloud, effectively preserving the detail of the rosette while addressing visibility issues in areas not captured by 3D cameras. The study reports a root mean square error (RMSE) of 18.2 g for fresh weight estimation using only plant volume, and 17.3 g when incorporating both volume and geometric features.
The findings suggest that this new approach provides a viable alternative to neural network-based methods, particularly in light of the limitations posed by available datasets. Additionally, the introduction of new geometric features related to leaf density may enhance breeding applications. The research includes the compilation of a dataset comprising 402 point clouds of lettuce plants, captured using a combination of top-down and side-view 3D cameras. The authors emphasize the need for further data collection to refine and validate their proposed methods in future research.
Introduction
The introduction outlines the significance of monitoring plant health and modeling plant structures during growth, emphasizing the role of computer vision and deep learning in optimizing agricultural practices. Non-destructive methods, particularly photogrammetry, are highlighted for their utility in reconstructing 3D models of plants, although they often require extensive image capture and processing time. In contrast, 3D cameras facilitate rapid data acquisition, generating RGB and depth (RGBD) images in real time, which can enhance fresh weight (FW) predictions and other geometric feature estimations.
Despite advancements, existing studies have largely overlooked fractal-shaped plants like lettuce in their datasets, limiting the understanding of critical traits such as leaf density and distribution. The introduction also discusses various convolutional neural network (CNN) approaches for FW estimation, noting that while CNNs using RGBD images yield promising results, their effectiveness is constrained by the limited availability of diverse training data. The study aims to address these gaps by proposing a novel interpolation technique for detailed surface reconstruction of lettuce rosettes, utilizing a simple measurement setup to create a dataset of point clouds at the harvesting stage. This research targets the challenges of plant modeling in variable environments and seeks to enhance the accuracy of volume estimation through physically explainable features.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled laboratory experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments to ensure reliability and validity, with a focus on minimizing bias. The analysis was conducted using software tools capable of performing complex statistical tests, including regression analysis and ANOVA, to determine the significance of the findings. The results were interpreted in the context of existing literature, allowing for a comprehensive understanding of the implications of the research outcomes.
Results
In this section, the results of the study comparing the features of Plant No. 40 and Plant No. 72 are presented. Both plants exhibited similar fresh weights (FW) of 237.84 g and 235.88 g, suggesting comparable canopy volumes due to uniform leaf density. However, significant differences were observed in their rosette dimensions, with estimated volumes (V) of 3.155 L for Plant No. 40 and 4.33 L for Plant No. 72, and average amplitudes (Amp) of 2.4 cm and 2.9 cm, respectively. The height measurements were also close, at 2.4 cm and 2.9 cm.
The correlation between calculated plant volume and reference FW was analyzed using simple regression, revealing that while the accuracy of FW estimation was consistent across various surface reconstruction algorithms (with root mean square errors ranging from 18.9 to 23.5 g), the slope of the regression line varied significantly, indicating differences in reconstruction detail. Notably, using three side 3D images alongside a top image improved FW prediction accuracy for the Vacuum package and Alpha shape algorithms. In regression analyses, volume (V) demonstrated the strongest correlation with FW, and while additional features could enhance prediction accuracy, their influence was not clearly observed in this dataset. The geometric feature correlations indicated a strong relationship between V and height, while Amp showed no correlation with V. Calibration accuracy was recorded at 2.6 mm and 6.2 mm for two separate sessions.
Discussion
In this study, a novel method for reconstructing the surface of lettuce plants to estimate fresh weight (FW) was developed, utilizing a vacuum package approach based on 3D imaging. The experiments were conducted in a controlled environment using the nutrient film technique (NFT) and LED lighting, with lettuce variety ‘Katusa’ grown in pots. A total of 132 pots were used across three experimental rounds, and 3D imaging was performed using a setup of four Intel RealSense D405 cameras. The calibration of these cameras was critical for accurate point cloud generation, which involved solving an optimization problem using a genetic algorithm to align the data from different camera perspectives.
The proposed vacuum package method effectively addressed the challenges of reconstructing the complex geometry of lettuce leaves, which often resulted in missing data due to their fractal shapes. This method allowed for the estimation of FW with a root mean square error (RMSE) of 18.9 g and a normalized RMSE (NRMSE) of 10.8% across the dataset, demonstrating comparable or improved accuracy over existing methods. The study also highlighted the significance of geometric features, such as the amplitude of leaf depressions and plant height, in refining FW predictions. However, the authors noted that the current regression models may not generalize well across different datasets or lettuce varieties, indicating the need for further research with more diverse data to enhance the robustness of the proposed estimation techniques.