WeedCube:用于机器学习应用的作物和杂草的近距离高光谱图像数据集
Billy G Ram1, Joseph Mettler2, Kirk Howatt2
1Department of Agricultural and Biosystems Engineering, North Dakota State University, Fargo, ND, United States.
Data in brief
|September 10, 2024
概括
WeedCube数据集提供超光谱图像,用于作物和杂草的识别. 该资源有助于开发用于农业应用的先进机器学习模型.
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:
- 准确的植物识别对于精准农业至关重要.
- 超光谱成像为区分植物物种提供了丰富的光谱信息.
- 现有的数据集可能缺乏多样性或强大的模型培训的特定特征.
研究的目的:
- 介绍用于杂草分类和识别的WeedCube数据集.
- 增强农业机器学习模型的培训数据集.
- 验证现有的杂草检测模型的概括能力.
主要方法:
- 收集了作物 (卡诺拉,大豆,甜菜) 和杂草 (科希亚,常见的水,红根草,常见的草) 的超光谱图像.
- 在上向下视图中使用推扫式超光谱传感器 (400-1000 nm).
- 提供了160张校准图像,并配备了补充的Jupyter笔记本电脑用于数据处理和增强.
主要成果:
- 数据集包括关键作物和侵入性杂草的校准超光谱图像.
- 包括用于数据增强,光谱预处理和感兴趣区域选择的脚本.
- 通过感兴趣区域选择促进图像数据的扩展.
结论:
- WeedCube数据集支持杂草分类和识别研究.
- 能够开发和测试用于3D高光谱数据的深度学习算法.
- 为农业中的自动化数据处理,可视化和数据压缩策略提供了宝贵的资源.
