MaizeField3D: 一个面向多样性面板田间种植玉米的精选三维点云与程序化模型数据集
计算机视觉与模式识别
2025-07-04 v3 人工智能
机器学习
摘要
人工智能和机器学习工具在三维表型分析中的发展，尤其是针对玉米，因缺乏大规模且多样化的三维数据集而受到限制。二维图像数据集无法捕捉三维数据所提供的叶片结构、植物体积和空间排列等关键结构细节。为解决这一局限，我们提出了MaizeField3D（https://baskargroup.github.io/MaizeField3D/），一个面向AI就绪的精选田间种植玉米三维点云数据集，数据来源于多样性遗传面板。我们的数据集包含1045个使用地面激光扫描仪（TLS）采集的高质量田间玉米三维点云。该数据集中520个植物的点云通过基于图的分割方法进行分割和标注，以分离单片叶子和茎秆，确保所有样本的标注一致性。这些标注数据随后用于拟合程序化模型，为玉米植株提供结构化的参数化表示。程序化模型中玉米植株的叶片使用非均匀有理B样条（NURBS）曲面表示，通过结合无梯度和基于梯度的两步优化过程生成。我们对所有数据集进行了严格的人工质量控制，纠正分割错误，确保正确的叶片排序，并验证元数据标注。该数据集还包括植物形态与质量的元数据，以及多分辨率下采样三维点云数据（100k、50k、10k点），可直接用于不同的下游计算任务。MaizeField3D将作为AI驱动表型分析、植物结构分析和农业研究中三维应用的基础数据集。
引用
@article{arxiv.2503.07813,
title = {MaizeField3D: A Curated 3D Point Cloud and Procedural Model Dataset of Field-Grown Maize from a Diversity Panel},
author = {Elvis Kimara and Mozhgan Hadadi and Jackson Godbersen and Aditya Balu and Talukder Jubery and Yawei Li and Adarsh Krishnamurthy and Patrick S. Schnable and Baskar Ganapathysubramanian},
journal= {arXiv preprint arXiv:2503.07813},
year = {2025}
}
备注
Elvis Kimara and Mozhgan Hadadi contributed equally to this work