在玉米和中各种杂草物种的手动注释和策划的数据集用于计算机视觉
Nikita Genze1,2, Wouter K Vahl3, Jennifer Groth3
1Technical University of Munich, TUM Campus Straubing for Biotechnology and Sustainability, Bioinformatics, Schulgasse 22, 94315, Straubing, Germany.
Scientific data
|January 23, 2024
概括
开发自动杂草检测是可持续农业的关键. 移动场地杂草数据集 (MFWD) 为28种杂草物种提供了高质量的图像和数据,使农田中的先进机器视觉应用成为可能.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物学 植物学
背景情况:
- 可持续农业需要有效的杂草管理,以确保全球粮食安全和保护生物多样性.
- 自动化,网站特定的杂草控制对于减少劳动力和环境影响至关重要.
- 机器视觉用于杂草检测需要高质量的本地化数据集,以准确识别物种.
研究的目的:
- 引入移动场地杂草数据集 (MFWD),这是一个全面的图像集合,用于自动检测杂草.
- 为在农业环境中开发和验证机器视觉算法提供有价值的资源.
- 支持植物物种分类,物体检测,实例细分和多物体跟踪方面的研究.
主要方法:
- 在一个高通量表型化设施中获取了94,321张图像.
- 自动追踪超过5000个单独的植物,包括28种常见杂草在德国的和玉米田.
- 包括手动策划的地面真相数据用于各种计算机视觉任务.
主要成果:
- 该MFWD数据集提供了杂草生长的高空间和时间分辨率图像.
- 该数据集能够对机器视觉模型进行强有力的训练和测试,用于杂草识别和定位.
- 实地真相数据支持高级分析,包括多对象追踪植物发展.
结论:
- 在MFWD是对自动化杂草管理领域的重要贡献.
- 这一数据集将加速精准农业技术的发展.
- 它有助于创建更有效和可持续的除草策略.
更多相关视频
05:55High-throughput, Microscale Protocol for the Analysis of Processing Parameters and Nutritional Qualities in Maize Zea mays L.
Published on: June 16, 2018
6.9K
06:11Author Spotlight: Improved Methods for Preparing Transverse Sections and Unrolled Whole Mounts of Maize Leaf Primordia for Fluorescence and Confocal Imaging
Published on: September 22, 2023
2.9K
