一个新的基于云的自动化图像数据集,用于杂草分类中的高吞吐量表型化.
Sunil G C1, Cengiz Koparan1, Arjun Upadhyay1
1Department of Agricultural and Biosystems Engineering, North Dakota State University, Fargo, ND, United States.
Data in brief
|November 28, 2024
概括
一个新的基于云的自动数据采集系统 (CADAS) 通过定期拍摄图像来简化杂草检测. 该系统解决了劳动密集型数据收集问题,并改进了农业的深度学习模型.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 针对杂草检测的深度学习需要广泛的数据管理,包括劳动密集型数据采集和标签.
- 现有数据集的有限时间变化阻碍了有效的杂草检测模型的开发.
- 强大的杂草识别模型对于精准农业和作物管理至关重要.
研究的目的:
- 引入基于云的自动数据采集系统 (CADAS),以高效地捕捉作物和杂草的图像.
- 为了应对数据采集和杂草检测数据集的时间变化的挑战.
- 为促进农业深度学习提供一个有价值的,公开发布的数据集.
主要方法:
- 开发了一个基于云的自动数据采集系统 (CADAS),集成15个数字摄像头.
- 使用了gphoto2库,外部和云存储,以及用于图像捕获的Linux操作系统.
- 固定时间间隔捕获图像,以考虑植物生长阶段和时间变化.
主要成果:
- CADAS系统成功捕获了六种杂草和八种作物物种的图像.
- 发布了一套公共数据集,包括每种2000张图像 (原始和经过剪切并附注).
- 该数据集促进了对基于深度学习的杂草和作物检测挑战的研究.
结论:
- 在杂草检测中,CADAS为耗时的数据采集阶段提供了一个自动化解决方案.
- 发布的数据集可以帮助缓解数据不平衡问题,并提高深度学习模型的性能.
- 这项工作支持智能农业系统和精准农业的发展.


