整个生长季节的白菜的一个实例细分数据集用于无人机图像
Yui Yokoyama1, Tsutomu Matsui2, Takashi S T Tanaka2,3,4
1Graduate School of Natural Science and Technology, Gifu University, 1-1 Yanagido, Gifu City 501-1193, JAPAN.
Data in brief
|July 24, 2024
概括
这项研究引入了一套新的注释卷心菜图像数据集,用于训练机器学习模型. 这个资源有助于准确地检测和监测使用无人机 (UAV) 图像的白菜作物.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
背景情况:
- 农作物生长监测对于有效的农业和供应链管理至关重要.
- 传统的手动采样方法对于评估大面积的空间作物变异性是不切实际的.
- 基于无人驾驶飞行器 (UAV) 的遥感为作物生长调查提供了一种高效,非破坏性的方法.
研究的目的:
- 为了解决深度学习模型的菜特定培训数据的有限可用性.
- 为机器学习应用提供一个全面的注释卷心菜图像数据集.
- 促进从无人机图像中识别白菜的强大模型的开发.
主要方法:
- 收集了458张用无人机拍摄的有注释的白菜图像,这些图像是在多年和生长季节内拍摄的.
- 在图像数据集中对17621个单独的白菜实例进行注释.
- 数据集包括各种卷心菜品种的图像,确保形状和外观的多样性.
主要成果:
- 数据集包括高分辨率图像 (大约. 500-1000像素) 适合进行详细分析.
- 品种和生长条件的多样性使得可以训练可概括的深度学习模型.
- 有注释的数据有助于准确地检测和识别白菜.
结论:
- 开发的数据集显著提高了通过无人机系统精确作物监测和管理的潜力.
- 该资源支持在农业中推进机器学习应用,特别是用于种植白菜.
- 未来的应用包括与陆地机器人集成,用于先进的作物传感和管理策略.
