コンテンツにスキップ

3DGS パイプライン マニュアル

**3D Gaussian Splatting(3DGS)を用いた時系列植物フェノタイピング**の総合マニュアルへようこそ。

パイプライン概要 動画撮影から形質抽出までの完全なパイプライン


目的

このマニュアルでは、静岡大学峯野研究室で開発した3DGSベースの時系列植物フェノタイピングパイプラインを再現するための、完全なステップバイステップの手順を提供します。

学習内容

  • ✅ 完全な環境構築(CUDA、COLMAP、3DGS)
  • ✅ 動画処理とフレーム抽出
  • ✅ Structure-from-Motion(SfM)による三次元復元
  • ✅ 3D Gaussian Splattingの学習
  • ✅ 品質評価とレンダリング
  • ✅ 植物形質の抽出
  • ✅ 時系列成長解析

クイックスタート


パイプライン概要

graph LR
    A[動画撮影<br/>6カメラ、4K] --> B[フレーム抽出<br/>5fps、ffmpeg]
    B --> C[COLMAP SfM<br/>特徴点マッチング]
    C --> D[3DGS学習<br/>3万イテレーション]
    D --> E[新規視点<br/>レンダリング]
    E --> F[形質抽出<br/>草丈、キャノピー]
    F --> G[成長解析<br/>時系列]

    style A fill:#e1f5ff
    style D fill:#ffe1f5
    style G fill:#e1ffe1

動画デモ

パイプライン完全解説

動画1:動画撮影から形質抽出までのパイプライン実行の全体解説


システム要件

推奨構成

OS: Ubuntu 22.04 LTS
GPU: NVIDIA RTX 6000 Ada(VRAM 48GB)または同等品
CUDA: 12.1以降
RAM: 64GB以上
ストレージ: 完全なデータセット用に2TB以上

最小スペックは詳細要件を参照してください。


主な成果

このパイプラインは以下を達成しています:

性能指標

  • PSNR: 23.71 dB(条件1、5 fps)· 22セッション平均 23.84 dB
  • 時間的安定性: PSNR CV = 3.5%(非常に高い一貫性)
  • 草丈抽出: h_norm CV = 9.8%(スケール不変手法)
  • 改善率: PLY直接法比 2.86倍安定(28.0% → 9.8% CV)

結果サマリー 49日間にわたる22日分のデータで検証済み


ドキュメント構成

初心者向け

実践ユーザー向け

研究者向け


よくある使い方

# 1つの日付を最初から最後まで処理
./scripts/run_single_date.sh 20260119
# 複数の日付をバッチ処理
./scripts/run_batch.sh dates.txt
# 既存のモデルから形質を抽出
python analysis/compute_heights_rendered.py --dates 20260119

サポート

お困りですか?

以下のリソースをご確認ください:

  1. よくある問題 - 既知の問題と解決策
  2. COLMAPエラー - COLMAP固有の問題
  3. GPU/メモリ - ハードウェアのトラブルシューティング

それでも解決しない場合:

お問い合わせ先:静岡大学 峯野研究室
メール:zobaer.al.24@shizuoka.ac.jp


謝辞

このパイプラインは、静岡大学峯野研究室における温室トマトのフェノタイピング研究の一環として開発されました。

著者: Zobaer Al(修士課程2年)
指導教員: 峯野裕 教授
所属: 静岡大学


引用

本パイプラインをご利用の場合は、以下の文献を引用してください:

@mastersthesis{al2026_3dgs_phenotyping,
  author = {Al, Zobaer},
  title = {3D Gaussian Splatting for Time-Series Greenhouse Tomato Plant Phenotyping},
  school = {Shizuoka University},
  year = {2026},
  type = {Master's Thesis}
}

最終更新: {{ git_revision_date_localized }}