Communication Dans Un Congrès Année : 2025

From Simulation to Field: A Ground Truth-Free Approach for 3D Orchard Monitoring

De la Simulación al Campo: Un Enfoque sin Verdad Terreno para el Monitoreo 3D de Huertos

De la Simulation au Terrain : Une Approche Sans Vérité Terrain pour le Suivi 3D des Vergers

Résumé

A lack of annotated data and model transfer challenges limits accurate structural analysis of 3D orchards in field conditions. This study presents a scalable framework that trains deep learning models on synthetic LiDAR data. It applies them to unlabelled real-world point clouds acquired with an unmanned ground vehicle in an apple orchard. By integrating supervised classification, contrastive learning, and clustering, the framework segments trees, generates structural maps, and detects anomalies, all without relying on field ground-truth annotations. These results contribute to flexible orchard monitoring and structural analysis in precision agriculture.
La falta de datos anotados y los desafíos en la transferencia de modelos limitan el análisis estructural preciso de huertos 3D en condiciones de campo. Este estudio presenta un marco escalable que entrena modelos de aprendizaje profundo con datos LiDAR sintéticos y los aplica a nubes de puntos reales no etiquetadas, adquiridas con un vehículo terrestre autónomo en un huerto de manzanos. Al integrar clasificación supervisada, aprendizaje contrastivo y clustering, el marco segmenta árboles, genera mapas estructurales y detecta anomalías sin depender de anotaciones de referencia en campo. Estos resultados contribuyen a un monitoreo flexible de huertos y al análisis estructural en agricultura de precisión.
Le manque de données annotées et les défis liés au transfert de modèles limitent l’analyse structurelle précise des vergers 3D dans des conditions réelles. Cette étude propose un cadre évolutif qui entraîne des modèles d’apprentissage profond sur des données LiDAR synthétiques et les applique à des nuages de points réels non annotés, acquis par un véhicule terrestre autonome dans un verger de pommiers. En intégrant la classification supervisée, l’apprentissage contrastif et le clustering, ce cadre segmente les arbres, génère des cartes structurelles et détecte des anomalies, sans nécessiter d’annotations de vérité terrain. Ces résultats contribuent à un suivi flexible des vergers et à une analyse structurelle en agriculture de précision.
Fichier principal
Vignette du fichier
From Simulation to Field, A Ground Truth Free Approach for 3D Orchard Monitoring.pdf (1) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04935526 , version 1 (07-02-2025)

Identifiants

  • HAL Id : hal-04935526 , version 1

Citer

Harold Murcia, Simon Lacroix. From Simulation to Field: A Ground Truth-Free Approach for 3D Orchard Monitoring. 15th European Conference on Precision Agriculture, Jun 2025, Barcelana, Spain. ⟨hal-04935526⟩
0 Consultations
0 Téléchargements

Partager

More