Un conjunto de datos a gran escala en el mundo real para la segmentación de enfermedades de las plantas

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• Las enfermedades de las plantas amenazan significativamente la agricultura mundial y los rendimientos de los cultivos.
• El diagnóstico y tratamiento precisos dependen de modelos robustos de segmentación de imágenes.
• Los conjuntos de datos existentes carecen de etiquetas de segmentación detalladas e imágenes del mundo real, lo que limita el desarrollo de modelos.

Objetivo del estudio:

• Presentar PlantSeg, un conjunto de datos de segmentación a gran escala para enfermedades de las plantas.
• Abordar las limitaciones de los conjuntos de datos existentes proporcionando imágenes del mundo real y máscaras de segmentación detalladas.
• Establecer una plataforma unificada de evaluación comparativa para algoritmos de segmentación de enfermedades de las plantas.

Principales métodos:

• Se recopiló y anotó un conjunto de datos a gran escala de imágenes de enfermedades de las plantas.
• Se centró en imágenes del mundo real para capturar la complejidad del mundo real.
• Se incluyeron máscaras de segmentación detalladas y de alta calidad del área de la enfermedad para cada imagen.

Principales resultados:

• Se estableció PlantSeg, que comprende 7.774 imágenes de plantas enfermas con máscaras de segmentación.
• El conjunto de datos presenta la colección más grande de imágenes de enfermedades de plantas del mundo real con anotaciones.
• PlantSeg proporciona una ventaja distintiva sobre los conjuntos de datos existentes debido al tipo de anotación, la fuente de la imagen y la escala.

Conclusiones:

• PlantSeg sirve como un recurso crucial para avanzar en la investigación de la segmentación de enfermedades de las plantas.
• El conjunto de datos facilita el desarrollo de modelos de IA más robustos y precisos para aplicaciones agrícolas.
• Este trabajo apoya la mejora de las estrategias de protección de cultivos a través de la detección mejorada de enfermedades.