基于神经辐射场的作物计数框架 CropNeRF

严格的作物计数对于有效的农业管理和有信心的干预策略至关重要。然而，在户外田间环境中，部分遮挡以及从单个视角区分聚集作物的固有歧义，为基于图像的分割方法带来了巨大挑战。为此，我们引入了一个用于通过 3D 实例分割实现精确枚举的作物计数框架。该方法利用来自多个视角捕获的 2D 图像，并为神经辐射场 (NeRF) view synthesis 关联独立的实例掩码。我们引入作物可见性和掩码一致性得分，这些得分与来自 NeRF 模型的 3D 信息一起使用。结果是对作物实例在 3D 中的有效分割和高度准确的作物计数。此外，我们的方法消除了对作物特定参数调优的依赖。我们在由棉花苞、苹果和梨子组成的三个农业数据集上验证了该框架，展示了尽管作物颜色、形状和大小存在重大差异，仍能实现一致的计数性能。与当前最先进技术的比较分析突显了在作物计数任务方面的优越性能。最后，我们贡献了一个棉花植物数据集，以推动该主题的进一步研究。