Ormai l’uso delle nuvole di punti 3D rientra nella normale prassi di quanto riteniamo sia l’essenza della acquisizione digitale della realtà.
Ma quello che conta del supporto digitale che otteniamo è il suo possibile uso successivo che potrebbe, a seconda dei casi, richiedere ulteriori e costosi effort per arrivare a produrre gli elaborati e i modelli utili alle varie attività a cui sono indirizzati, sempre ammesso che i dati acquisiti siano sufficienti.
In ambiti come l'architettura e l'ingegneria edile, l'uso delle nuvole di punti ha cambiato il modo di analizzare le opere. Spesso l'attenzione si sposta dai punti che caratterizzano l'essenza morfologica o strutturale dell'opera a punti marginali o irrilevanti. Nei nuovi approcci di rilevamento e restituzione, il focus su somiglianze visive, sulla creazione di rappresentazioni digitali automatiche e sulle procedure per ottenerle rischia di diventare l'unico parametro tenuto in considerazione, a discapito di altri aspetti fondamentali.
Un simile approccio può produrre risultati diversi invece per l’uso in agricoltura ove le acquisizioni digitali con nuvole di punti 3D non necessitano di punti particolari, ma è la loro diffusione casuale che può generare un risultato importante.
Le nuvole di punti acquisite si possono confrontare con altre della stessa o di altra coltura al fine di dedurne gli aspetti di interesse agricolturale.
Ma è necessario avere elementi di confronto, ed è per questo che si stanno realizzando serie di dataset specifici. Uno di questi è Crop3D che include 1.230 campioni di otto tipi di colture (tra cui mais, cavolo e pomodoro), catturati in diverse fasi di crescita attraverso tecniche avanzate come scansione laser, luce strutturata e metodologie basate su immagini.
Questo dataset si distingue per la sua autenticità, riproducendo scenari agricoli complessi e realistici con strutture vegetali intricate e sfide come autocclusione e complessità che avanzano durante la crescita delle colture. Con il dataset Crops3D si possono effettuare tre principali applicazioni, quali la segmentazione delle istanze, per identificare singole piante in ambienti agricoli complessi, utile per il conteggio delle colture e l’agricoltura di precisione. Si può inoltre effettuare l’analisi della percezione del tipo di pianta, per distinguere specie diverse in campi a coltivazioni miste. Infine si può effettuare una segmentazione degli organi, per analizzare elementi specifici come foglie, steli o frutti, fondamentali per studi fenotipici e selezione genetica.
Può anche essere utilizzato come benchmark per testare modelli di apprendimento automatico su dati eterogenei e reali, contribuendo a migliorare l’efficienza e la precisione di applicazioni agricole. Promette inoltre di accelerare l’innovazione in settori come la robotica agricola, la fenotipizzazione avanzata e l’agricoltura di precisione.
Per ulteriori informazioni su Crop3D, si può consultare l’articolo su Nature o visitare il repository GitHub di Crops3D.
