在深度学习中用于分类,检测和细分的 SorghumWeedDataset_Classification 和 SorghumWeedDataset_Segmentation 数据集

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 杂草管理是农业的一个重大挑战,影响作物产量,需要劳动密集型方法.
• 传统农业正在向精准农业过渡,需要用于自动化作物和杂草识别的先进工具.
• 现有的作物杂草数据集,特别是来自印度的作物杂草数据集,仅限于研究目的,阻碍了计算机视觉解决方案的开发.

研究的目的:

• 开发和发布使用计算机视觉进行作物杂草分类和细分的新型,开放式数据集.
• 通过为开发自动杂草检测算法提供资源,促进精准农业的研究.
• 为了解决对各种数据集的需求,以捕捉作物间距和播种方法的变化.

主要方法:

• 采集来自农田的图像数据,采用均和随机的作物间距.
• 创建两个不同的数据集:"草数据集_分类" (4312个样本) 和"草数据集_分段" (5555个注释段).
• 专家对细分数据进行手动像素注释,农学家进行验证.

主要成果:

• 创建第一个开放式获取印度田地的作物杂草数据集,用于分类和细分任务.
• 数据集涵盖了各种农业场景,包括均和随机的作物间距.
• 预计这些资源的公开可用性将刺激农业计算机视觉领域的创新.

结论:

• 发布的数据集对研究界来说是有价值的资源,可以在农业中推进计算机视觉应用.
• 这些数据集将有助于开发精密的杂草识别和管理的复杂算法.
• 这些来自印度的数据集的可用性解决了当前农业研究数据中的一个关键缺口.