Описанный эксперимент (рис. 2) и анализ литературы (табл. 3) показывают, что трёхмерные измерительные приборы, особенно лазерные сканеры, надёжно определяют параметры растений в задачах фенотипирования. Они могут заменить существующие инвазивные приборы и даже превзойти их по точности. Для лабораторного или тепличного эксперимента приведена оценка необходимого разрешения и соответствующих ошибок. Ранее для морфологического фенотипирования допустимой считалась MAPE в пределах 5–10 %. Этот предел отражает величину ошибок ручных измерений и достаточно мал, чтобы различать изменения значимых признаков между датами съёмки по мере развития растения [45]. В описанном опыте даже при ухудшении разрешения и точности положения точек до 15,0 мм MAPE ни разу не превысила этот предел.
Преимущество всех трёхмерных приборов состоит в том, что облако точек описывает поверхность на определённый момент времени. Такое представление позволяет извлекать разные признаки и после окончания измерений. Если в опыте изначально требовалась площадь листа, а позже стал важен его наклон, этот признак можно рассчитать по ранее полученным данным и сопоставить с результатами текущего опыта [77].
Для всех методов характерно увеличение сложности и степени перекрытия по мере роста растений. Дополнительные ракурсы уменьшают перекрытия, но полностью их устранить нельзя: в определённый момент центральные части растения закрыты его же листьями независимо от датчика, числа ракурсов или конфигурации съёмки. Возможное решение — МРТ (магнитно-резонансная томография) или радиолокационные системы, дающие объёмные измерения [78], хотя установка будет сложнее и дороже. В зависимости от метода совмещение ракурсов затрудняется при ветре или повороте растений между отдельными сканами. Привязка становится невозможной, и качество результата падает. Это справедливо почти для всех методов, если съёмка не ведётся одновременно с нескольких позиций, как уже показано на примере отслеживания движений человека [79].
Хотя трёхмерные приборы могут обеспечивать очень высокое разрешение, они измеряют только видимые объекты. Корни можно снимать при выращивании в прозрачной среде, например агаре. Корневые признаки подразделяют на статические, измеряемые в один момент, и динамические, измеряемые в нескольких временных точках [80]. Динамические признаки характеризуют рост и пространственно-временные изменения. В обычном грунте трёхмерные оптические приборы позволяют оценить только статические признаки, поскольку корни нужно извлечь, промыть и измерить. При съёмке через разные среды необходимо учитывать преломление.
В целом LT подходит для задач, требующих высокого разрешения и точности в сравнительно небольшом объёме, например для мониторинга органов отдельного растения. SfM охватывает большинство задач фенотипирования во всех масштабах, поскольку разрешение и измеряемый объём зависят от камеры и числа снимков. Чем больше данных с разных ракурсов совмещено, тем меньше перекрытий остаётся в результирующем облаке независимо от типа датчика.
Итоги по лазерной триангуляции
Микрометровое разрешение LT позволяет различать мельчайшие детали. Точные облака точек подходят для машинного обучения при извлечении параметров органов, например длины стебля или формы чашечки. При использовании активной подсветки, особенно лазерной триангуляции, необходимо учитывать взаимодействие лазера с тканями растения. Хотя лазерное сканирование обычно считают поверхностным методом, недавние эксперименты показали, что на результат и точность существенно влияют ткани под кутикулой, цвет и интенсивность лазерного излучения [81, 82]. Кроме того, краевой эффект, когда сигнал одновременно регистрируется от части листа и фона, может привести к выбросам или полностью ошибочным измерениям [83].
Итоги по восстановлению структуры по движению
SfM позволяет быстро собирать данные и требует лёгкой аппаратуры, что удобно для съёмки полевых опытов с воздушных платформ. Чем больше снимков получено, тем выше разрешение результирующего облака. SfM даёт миллиметровую точность [17], однако сильно зависит от внешнего освещения, особенно если оно меняется во время съёмки или между последовательными измерениями. Ветер смещает объект между кадрами, вызывая ошибки реконструкции [84]. Эффект можно уменьшить повышением частоты съёмки (> 50 Гц), но тогда время реконструкции возрастает (> 1 ч). Новые исследования направлены на сокращение постобработки [85], поскольку оперативная реконструкция принципиальна для автономного вождения. Активное развитие этой области даёт основания ожидать существенного повышения производительности алгоритмов реконструкции.
Итоги по SL, ToF, TLS и LF
Измерения SL, ToF, TLS и LF показали пригодность для фенотипирования растений. Для высокопроизводительного применения требуется повысить точность и разрешение. Существуют прототипы, в которых именно эти методы оказываются предпочтительными.
Другие методы
Помимо описанных приборов трёхмерной съёмки существуют системы для микроскопического масштаба, например интерферометрия для определения положения белков в 3D [86] и трёхмерная микроскопия со структурированным освещением для визуализации плазмодесм растительных клеток [87]. В лаборатории для определения признаков семян [89] применяли методы объёмной реконструкции с отсечением вокселей (volume carving) [88]. Методы МРТ применяли для реконструкции невидимых структур [90] или сочетали с позитронно-эмиссионной томографией (ПЭТ), чтобы определять зоны роста и распределения углерода в корневых системах [78]. Длину и углы корней можно измерять и с помощью рентгеновских лучей, которым не требуется прямая видимость объекта [91]. На масштабе, превышающем возможности БПЛА, применялись авиационные методы, например воздушное лазерное сканирование [2] для оценки запасов углерода по трёхмерным сканам деревьев. Признаки деревьев измеряют уже много лет [92]. Такие признаки, как диаметр ствола на высоте груди (DBH), используют для прогнозирования продуктивности деревьев [93, 94]. Сельскохозяйственные и овощные культуры растут существенно быстрее лесных деревьев.
Возможности и задачи дальнейших исследований
Основная задача — перенос методов с уровня отдельного растения на опытное и открытое поле. Для этого требуется повышение разрешения облаков точек, что предъявляет дополнительные требования к датчикам и платформам. Датчики и алгоритмы должны учитывать движение растений от ветра и многочисленные перекрытия, а также обеспечивать совмещение данных разных приборов, чтобы трёхмерная информация помогала корректировать влияние геометрии на радиометрические измерения [73, 75]. Необходимо повысить точность позиционирования БПЛА, например с помощью RTK GPS [95] или объединения данных бортовых датчиков [96]. Трёхмерные датчики обладают большим потенциалом для неинвазивного измерения, отслеживания и извлечения геометрических признаков растений в разных масштабах. Дальнейшие исследования должны уделять внимание определениям признаков, например правилам измерения высоты или расстояния между узлами, чтобы разные группы и страны могли сопоставлять алгоритмы, растения и варианты воздействия.
Заключительные замечания
В обзоре рассмотрены методы трёхмерного измерения, получаемые признаки и биологические приложения фенотипирования. Общая схема обработки связывает трёхмерные данные с извлечением простых признаков целого растения и более сложных признаков отдельных органов. Рассмотрено построение кривых роста по сериям измерений для мониторинга развития органов в 4D и их связь с научными задачами биологии. Обобщены и обсуждены методы съёмки от отдельного растения до поля.
Обзор даёт представление о трёхмерных методах фенотипирования, признаках, уже полученных для разных растений, и соответствующих биологических задачах.
Сокращения
LT — лазерная триангуляция, SfM — восстановление структуры по движению, SL — структурированный свет, LF — световое поле, ToF — время пролёта, NIR — ближняя инфракрасная область (700–1000 нм), SWIR — коротковолновая инфракрасная область (1000–2500 нм), UAV — беспилотный летательный аппарат (БПЛА), CCD — прибор с зарядовой связью, PSD — позиционно-чувствительный детектор, TLS — наземное лазерное сканирование, QTL — локусы количественных признаков, RMSE — среднеквадратическая ошибка, MAPE — средняя абсолютная процентная ошибка, BBCH — шкала развития растений.
Благодарности
Автор благодарит Heiner Kuhlmann за предоставление наборов данных, Anne-Katrin Mahlein и Nelia Nause за вычитку и Jan Behmann за помощь с примерами объединения данных.
Вклад автора
SP — единственный автор рукописи. Он разработал замысел исследования, спланировал эксперименты, проанализировал результаты и написал рукопись. Автор прочитал и одобрил окончательный вариант.
Финансирование
Работа выполнена при поддержке Института исследований сахарной свёклы, Гёттинген, Германия.
Доступность данных и материалов
Наборы данных, полученные или проанализированные в ходе исследования, можно получить у автора для переписки по обоснованному запросу.
Этическое одобрение и согласие на участие
Неприменимо.
Согласие на публикацию
Автор согласился на публикацию рукописи.
Конфликт интересов
Автор заявляет об отсутствии конфликта интересов.
Рукопись получена 29 марта 2019 г. и принята 27 августа 2019 г.
Список литературы
[1] Walklate PJ. A laserscanning instrument for geometry measuring crop. Science. 1989;46:275–84.
[2] Omasa K, Hosoi F, Konishi A. 3D lidar imaging for detecting and understanding plant responses and canopy structure. J Exp Bot. 2007;58(4):881–98.
[3] Paulus S, Schumann H, Leon J, Kuhlmann H. A high precision laser scan- ning system for capturing 3D plant architecture and analysing growth of cereal plants. Biosyst Eng. 2014;121:1–11.
[4] Godin C. Representing and encoding plant architecture: a review. Ann For Sci. 2000;57(5):413–38.
[5] Paulus S, Dupuis J, Riedel S, Kuhlmann H. Automated analysis of barley organs using 3D laserscanning—an approach for high throughput phenotyping. Sensors. 2014;14:12670–86.
[6] Dornbusch T, Lorrain S, Kuznetsov D, Fortier A, Liechti R, Xenarios I, et al. Measuring the diurnal pattern of leaf hyponasty and growth in Arabidopsis—a novel phenotyping approach using laser scanning. Funct Plant Biol. 2012;39:860–9.
[7] Furbank RT, Tester M. Phenomics—technologies to relieve the phenotyp- ing bottleneck. Trends Plant Sci. 2011;16(12):635–44.
[8] Lou L, Liu Y, Shen M, Han J, Corke F, Doonan JH. Estimation of branch angle from 3D point cloud of plants. In: 2015 international conference on 3D vision. New York: IEEE; 2015.
[9] Maphosa L, Thoday-Kennedy E, Vakani J, Phelan A, Badenhorst P, Slater A, et al. Phenotyping wheat under salt stress conditions using a 3D laser scanner. Israel J Plant Sci. 2016. https://doi.org/10.1080/07929 978.2016.1243405.
[10] Dupuis J, Kuhlmann H. High-precision surface inspection: uncertainty evaluation within an accuracy range of 15 μm with triangulation-based laser line scanners. J Appl Geodesy. 2014;8(10):109–18.
[11] Paulus S, Behmann J, Mahlein AK, Plümer L, Kuhlmann H. Low-cost 3D systems—well suited tools for plant phenotyping. Sensors. 2014;2:3001–18.
[12] Dupuis J, Paulus S, Behmann J, Plümer L, Kuhlmann H. A multi-resolution approach for an automated fusion of different low-cost 3D sensors. Sen- sors. 2014;14:7563–79.
[13] Virlet N, Sabermanesh K, Sadeghi-Tehran P, Hawkesford MJ. Field scana- lyzer: an automated robotic field phenotyping platform for detailed crop monitoring. Funct Plant Biol. 2017;44(1):143.
[14] Kjaer K, Ottosen CO. 3D laser triangulation for plant phenotyping in chal- lenging environments. Sensors. 2015;15(6):13533–47.
[15] Hartley R, Zisserman A. Multiple view geometry in computer vision. 2nd ed. New York: Cambridge University Press; 2003.
[16] Tsai RY, Lenz RK. Real time versatile robotics hand/eye calibration using 3D machine vision. In: Proceedings 1988 IEEE international conference on robotics and automation. IEEE Comput. Soc. Press; 1988. p. 554–61.
[17] Rose JC, Paulus S, Kuhlmann H. Accuracy analysis of a multi-view stereo approach for phenotyping of tomato plants at the organ level. Sensors. 2015;15:9651–65.
[18] Geng J. Structured-light 3D surface imaging: a tutorial. Adv Opt Photon- ics. 2011;3(2):128.
[19] Zhang S. High-speed 3D shape measurement with structured light methods: a review. Opt Lasers Eng. 2018;106:119–31.
[20] Li L, Schemenauer N, Peng X, Zeng Y, Gu P. A reverse engineering system for rapid manufacturing of complex objects. Robot Comput Integr Manuf. 2002;18(1):53–67.
[21] Polder G, Hofstee JW. Phenotyping large tomato plants in the green- house using a 3D light-field camera, vol. 1. St. Joseph: American Society of Agricultural and Biological Engineers; 2014.
[22] Dario Piatti DSaFRDSe Fabio Remondino. TOF range-imaging cameras. 1st ed. Berlin: Springer; 2013.
[23] Corti A, Giancola S, Mainetti G, Sala R. A metrological characterization of the Kinect V2 time-of-flight camera. Robot Auton Syst. 2016;75:584–94.
[24] Thapa S, Zhu F, Walia H, Yu H, Ge Y. A novel LiDAR-based instrument for high-throughput, 3D measurement of morphological traits in maize and sorghum. Sensors. 2018;18(4):1187.
[25] Vezočnik R, Ambrožič T, Sterle O, Bilban G, Pfeifer N, Stopar B. Use of terrestrial laser scanning technology for long term high precision deformation monitoring. Sensors. 2009;9(12):9873–95.
[26] Franca JGDM, Gazziro MA, Ide AN, Saito JH. A 3D scanning system based on laser triangulation and variable field of view. In: IEEE interna- tional conference on image processing 2005. New York: IEEE; 2005.
[27] Nguyen T, Slaughter D, Max N, Maloof J, Sinha N. Structured light-based 3D reconstruction system for plants. Sensors. 2015;15(8):18587–612.
[28] Wu C. Towards linear-time incremental structure from motion. In: 2013 international conference on 3D vision. New York: IEEE; 2013.
[29] Zennaro S, Munaro M, Milani S, Zanuttigh P, Bernardi A, Ghidoni S, et al. Performance evaluation of the 1st and 2nd generation Kinect for multimedia applications. In: 2015 IEEE international conference on multimedia and expo (ICME). New York: IEEE; 2015. p. 1–6.
[30] May S, Werner B, Surmann H, Pervolz K. 3D time-of-flight cameras for mobile robotics. In: 2006 IEEE/RSJ international conference on intel- ligent robots and systems. New York: IEEE; 2006.
[31] Ihrke I, Restrepo J, Mignard-Debise L. Principles of light field imag- ing: briefly revisiting 25 years of research. IEEE Signal Process Mag. 2016;33(5):59–69.
[32] Tao MW, Hadap S, Malik J, Ramamoorthi R. Depth from combining defocus and correspondence using light-field cameras. In: The IEEE international conference on computer vision (ICCV); 2013.
[33] Disney M. Terrestrial LiDAR : a three-dimensional revolution in how we look at trees. New Phytol. 2018;222(4):1736–41.
[34] Haddad NA. From ground surveying to 3D laser scanner: a review of techniques used for spatial documentation of historic sites. J King Saud Univ Eng Sci. 2011;23(2):109–18.
[35] Bylesjö M, Segura V, Soolanayakanahally RY, Rae AM, Trygg J, Gustafs- son P, et al. LAMINA: a tool for rapid quantification of leaf size and shape parameters. BMC Plant Biol. 2008;8:82.
[36] Sanz-Cortiella R, Llorens-Calveras J, Escolà A, Arnó-Satorra J, Ribes-Dasi M, Masip-Vilalta J, et al. Innovative LIDAR 3D dynamic measurement system to estimate fruit-tree leaf area. Sensors. 2011;11(6):5769–91.
[37] Rady MM. Effect of 24-epibrassinolide on growth, yield, antioxidant system and cadmium content of bean (Phaseolus vulgaris L.) plants under salinity and cadmium stress. Sci Hortic. 2011;129(2):232–7.
[38] GmbH HM. Technical data perceptron ScanWorks V5. 2015. http:// www.hexagonmi.com. Accessed 29 Aug 2019.
[39] Wang H, Zhang W, Zhou G, Yan G, Clinton N. Image-based 3D corn reconstruction for retrieval of geometrical structural parameters. Int J Remote Sens. 2009;30(20):5505–13.
[40] Zheng G, Moskal LM. Retrieving leaf area index (LAI) using remote sensing: theories, methods and sensors. Sensors. 2009;9(4):2719–45.
[41] Xiong D, Wang D, Liu X, Peng S, Huang J, Li Y. Leaf density explains variation in leaf mass per area in rice between cultivars and nitrogen treatments. Ann Bot. 2016;117(6):963–71.
[42] Zadoks JC, Chang TT, Konzak CF. A decimal code for the growth stages of cereals. Weed Res. 1974;14(6):415–21.
[43] Minervini M, Abdelsamea MM, Tsaftaris SA. Image-based plant phenotyping with incremental learning and active contours. Ecol Inf. 2014;23:35–48.
[44] Scharr H, Minervini M, Fischbach A, Tsaftaris SA. Annotated image datasets of rosette plants. 2014.
[45] Paproki A, Sirault X, Berry S, Furbank R, Fripp J. A novel mesh processing based technique for 3D plant analysis. BMC Plant Biol. 2012;12(1):63.
[46] Vos J, Evers JB, Buck-Sorlin GH, Andrieu B, Chelle M, de Visser PHB. Functional-structural plant modelling: a new versatile tool in crop sci- ence. J Exp Bot. 2010;61(8):2101–15.
[47] Sodhi P, Vijayarangan S, Wettergreen D. In-field segmentation and identification of plant structures using 3D imaging. In: 2017 IEEE/RSJ international conference on intelligent robots and systems (IROS). New York: IEEE; 2017.
[48] Lin YW, Ruifang Z, Pujuan S, Pengfei W. Segmentation of crop organs through region growing in 3D space. In: 2016 Fifth international con- ference on agro-geoinformatics (Agro-Geoinformatics). 2016. p. 1–6.
[49] Wahabzada M, Paulus S, Kerstin C, Mahlein AK. Automated interpreta- tion of 3D laserscanned point clouds for plant organ segmentation. BMC Bioinform. 2015;16:248.
[50] Wu S, Wen W, Xiao B, Guo X, Du J, Wang C, et al. An accurate skeleton extrac- tion approach from 3D point clouds of maize plants. Front Plant Sci. 2019. https://doi.org/10.3389/fpls.2019.00248.
[51] Frasson RPDM, Krajewski WF.Three-dimensional digital model of a maize plant. Agric For Meteorol. 2010;150(3):478–88.
[52] Bradski G.The OpenCV library. Dr Dobb’s Journal of SoftwareTools. 2000.
[53] Rusu RB, Cousins S. 3D is here: Point Cloud Library (PCL). In: 2011 IEEE international conference on robotics and automation. NewYork: IEEE; 2011. p. 1–4.
[54] Paulus S, Dupuis J, Mahlein AK, Kuhlmann H. Surface feature based clas- sification of plant organs from 3D laserscanned point clouds for plant phenotyping. BMC Bioinform. 2013;13:238.
[55] Rusu RB, Marton ZC, Blodow N, Beetz M, Systems IA, MünchenTU. Persistent point feature histograms for 3d point clouds. In: In Proceedings of the 10th international conference on intelligent autonomous systems (IAS-10). 2008. p. 1–10.
[56] Rusu RB, Blodow N, Beetz M. Fast Point Feature Histograms (FPFH) for 3D registration. In: Proceedings of the IEEE international conference on robotics and automation (ICRA), Kobe, Japan. 2009. p. 3212–7.
[57] Chang CC, Lin CJ. LIBSVM: a library for support vector machines. ACMTrans Intell SystTechnol. 2011;2:27.
[58] Camargo AV, Mackay I, Mott R, Han J, Doonan JH, Askew K, et al. Functional mapping of quantitative trait loci (QTLs) associated with plant performance in a wheat magic mapping population. Front Plant Sci. 2018;9:887.
[59] He JQ, Harrison RJ, Li B. A novel 3D imaging system for strawberry pheno- typing. Plant Methods. 2017;13(1):93.
[60] van der Heijden G, SongY, Horgan G, Polder G, Dieleman A, Bink M, et al. SPICY: towards automated phenotyping of large pepper plants in the greenhouse. Funct Plant Biol. 2012;39(11):870.
[61] Biskup B, Scharr H, Schurr U, Rascher U. A stereo imaging system for measuring structural parameters of plant canopies. Plant Cell Environ. 2007;30(10):1299–308.
[62] Sun S, Li C, Paterson AH, JiangY, Xu R, Robertson JS, et al. In-field high throughput phenotyping and cotton plant growth analysis using LiDAR. Front Plant Sci. 2018;9:16.
[63] Shafiekhani A, Kadam S, Fritschi F, DeSouza G. Vinobot and vinoculer: two robotic platforms for high-throughput field phenotyping. Sensors. 2017;17(12):214.
[64] Klodt M, Herzog K,Töpfer R, Cremers D. Field phenotyping of grapevine growth using dense stereo reconstruction. BMC Bioinform. 2015;16(1):143.
[65] Vadez V, Kholová J, Hummel G, Zhokhavets U, Gupta SK, Hash CT. Leasy- Scan: a novel concept combining 3D imaging and lysimetry for high- throughput phenotyping of traits controlling plant water budget. J Exp Bot. 2015;66(18):5581–93.
[66] ShiY,Thomasson JA, Murray SC, Pugh NA, Rooney WL, Shafian S, et al. Unmanned aerial vehicles for high-throughput phenotyping and agro- nomic research. PLoS ONE. 2016;11(7):e0159781.
[67] MoeckelT, Dayananda S, Nidamanuri R, Nautiyal S, Hanumaiah N, Buerkert A, et al. Estimation of vegetable crop parameter by multi-temporal UAV- borne images. Remote Sens. 2018;10(5):805.
[68] Liu BH. Statistical genomics. Boca Raton: CRC Press; 2017.
[69] Minervini M, Scharr H,Tsaftaris S. Image analysis: the new bottleneck in plant phenotyping [applications corner]. IEEE Signal Process Mag. 2015;32(4):126–31.
[70] RumpfT, Mahlein AK, Steiner U, Oerke EC, Dehne HW, Plümer L. Early detection and classification of plant diseases with Support Vector Machines based on hyperspectral reflectance. Comput Electron Agric. 2010;74(1):91–9.
[71] Mahlein AK. Plant disease detection by imaging sensors—parallels and specific demands for precision agriculture and plant phenotyping. Plant Dis. 2016;100(2):241–51.
[72] Jones HG, Serraj R, Loveys BR, Xiong L, Wheaton A, Price AH.Thermal infra- red imaging of crop canopies for the remote diagnosis and quantification of plant responses to water stress in the field. Funct Plant Biol. 2009;36(11):978.
[73] Behmann J, Mahlein A-K, Paulus S, Dupuis J, Kuhlmann H, Oerke E-C, et al. Generation and application of hyperspectral 3D plant models: methods and challenges. Mach Vis Appl. 2015;27(5):611–24. https://doi.org/10.1007/s0013 8-015-0716-8.
[74] Bannari A, Morin D, Bonn F, Huete AR. A review of vegetation indices. Remote Sens Rev. 1995;13(1–2):95–120.
[75] Behmann J, Mahlein AK, Paulus S, Kuhlmann H, Oerke EC, Plümer L. Calibra- tion of hyperspectral close-range pushbroom cameras for plant phenotyp- ing. ISPRS J Photogramm Remote Sens. 2015;106:172–82.
[76] de Visser PHB, Buck-Sorlin GH, van der Heijden GWAM. Optimizing illumina- tion in the greenhouse using a 3D model of tomato and a ray tracer. Front Plant Sci. 2014;5:48.
[77] Gibbs JA, Pound M, French AP, Wells DM, Murchie E, PridmoreT. Approaches to three-dimensional reconstruction of plant shoot topology and geometry. Funct Plant Biol. 2017;44(1):62.
[78] Jahnke S, Menzel MI, van Dusschoten D, Roeb GW, Bühler J, Minwuyelet S, et al. Combined MRI-PET dissects dynamic changes in plant structures and functions. Plant J. 2009;59(4):634–44.
[79] Joo H, Liu H,Tan L, Gui L, Nabbe B, Matthews I, et al. Panoptic studio: a mas- sively multiview system for social motion capture. In: 2015 IEEE international conference on computer vision (ICCV). NewYork: IEEE; 2015. p. 1–9.
[80] Clark RT, MacCurdy RB, Jung JK, Shaff JE, McCouch SR, Aneshansley DJ, et al. Three-dimensional root phenotyping with a novel imaging and software platform. Plant Physiol. 2011;156(2):455–65.
[81] Paulus S, EichertT, Goldbach HE, Kuhlmann H. Limits of active laser triangulation as an instrument for high precision plant imaging. Sensors. 2014;14:2489–509.
[82] Dupuis J, Paulus S, Mahlein AK, Kuhlmann EichertT.The impact of differ- ent leaf surface tissues on active 3D laser triangulation measurements. Photogrammetrie-Fernerkundung-Geoinformation. 2015;2015(6):437–47.
[83] Klapa P, Mitka B. Edge effect and its impact upon the accuracy oF 2d and 3d modelling using laser scanning. Geomat Landmanag Landsc. 2017;1:25–33.
[84] Jay S, Rabatel G, Hadoux X, Moura D, Gorretta N. In-field crop row phenotyp- ing from 3D modeling performed using structure from motion. Comput Electron Agric. 2015;110:70–7.
[85] Cao M, Jia W, Lv Z, LiY, Xie W, Zheng L, et al. Fast and robust feature tracking for 3D reconstruction. Opt LaserTechnol. 2019;110:120–8.
[86] Shtengel G, Galbraith JA, Galbraith CG, Lippincott-Schwartz J, Gillette JM, Manley S, et al. Interferometric fluorescent super-resolution microscopy resolves 3D cellular ultrastructure. Proc Natl Acad Sci. 2009;106(9):3125–30.
[87] Fitzgibbon J, Bell K, King E, Oparka K. Super-resolution imaging of plas- modesmata using three-dimensional structured illumination microscopy. Plant Physiol. 2010;153(4):1453–63.
[88] Scharr H, Briese C, Embgenbroich P, Fischbach A, Fiorani F, Müller-Linow M. Fast high resolution volume carving for 3D plant shoot reconstruction. Front Plant Sci. 2017;8:1680.
[89] Jahnke S, Roussel J, HombachT, Kochs J, Fischbach A, Huber G, et al. Pheno seeder—a robot system for automated handling and phenotyping of individual seeds. Plant Physiol. 2016;172(3):1358–70.
[90] Schulz H, Postma JA, van Dusschoten D, Scharr H, Behnke S. 3d recon- struction of plant roots from MRI images. In: International conference on computer vision theory and application; 2012. p. 1–9. Record converted from VDB: 12.11.2012.
[91] Flavel RJ, Guppy CN, Rabbi SMR,Young IM. An image processing and analy- sis tool for identifying and analysing complex plant root systems in 3D soil using non-destructive analysis: Root1. PLoS ONE. 2017;12(5):e0176433.
[92] Hopkinson C, Chasmer L,Young-Pow C,Treitz P. Assessing forest metrics with a ground-based scanning lidar. Can J For Res. 2004;34(3):573–83.
[93] Murphy G. Determining stand value and log product yields using terrestrial lidar and optimal bucking: a case study. J For. 2008;106(6):317–24.
[94] MalhiY, JacksonT, Bentley LP, Lau A, Shenkin A, Herold M, et al. New per- spectives on the ecology of tree structure and tree communities through terrestrial laser scanning. Interface Focus. 2018;8(2):20170052.
[95] Zimmermann F, Eling C, Klingbeil L, Kuhlmann H. Precise positioning of UAVS-dealing with challenging RTK-GPS measurement conditions during automated UAV flights. ISPRS Ann Photogramm Remote Sens Spatial Inf Sci. 2017;IV–2:W3:95–102.
[96] Benini A, Mancini A, Longhi S. An IMU/UWB/vision-based extended Kalman filter for mini-UAV localization in indoor environment using 802.15.4a wire- less sensor network. J Intell Robot Syst. 2012;70(1–4):461–76.
Примечание издателя
Springer Nature придерживается нейтральной позиции в отношении юрисдикционных притязаний на опубликованных картах и в сведениях о принадлежности авторов к организациям.