带有不同阶段的欧洲梨生的注释图像数据集,用于基于无人机的在果园中的自动症状检测

科学领域:

• 植物病理学 植物病理学
• 农业工程 农业工程
• 遗传学 是一个遗传学.

背景情况:

• 传统的植物现象定型用于抗病是手动的,耗时的,阻碍了高效的水果育种.
• 开发自动化,数字化表型化方法对于改善育种工作流程和选择耐药水果基因型至关重要.
• 无人驾驶飞行器 (UAV) 基于监测提供了一个有希望的解决方案,用于大规模,高效的果园疾病评估.

研究的目的:

• 开发和验证基于无人机的表型化工作流程,以评估果作物中基因型特异性易感性疾病.
• 创建一个全面的注释图像数据集,用于培训和评估自动疾病检测模型.
• 用欧洲梨生 (Gymnosporangium sabinae) 作为模型病原体来证明工作流程的有效性.

主要方法:

• 在2021-2023年间进行了十次无人机飞行活动,在各种条件下捕获各种梨基因型的高分辨率RGB图像.
• 开发了一种基于无人机监测梨生症状的工作流程,重点关注视觉疾病指标.
• 使用计算机视觉注释工具 (CVAT) 标注 1394 张图像,标记受感染的叶子 (GYMNSA 类) 和背景图像,并在 YOLO 1.1 文件格式中格式化数据.

主要成果:

• 创建了一个数据集 (GYMNSA数据集),包括584张标注的梨生症状图像和162张背景图像.
• 图像采集了768x768像素的图像,详细介绍了不同发育阶段的受感染叶子.
• 数据集被组织成适合机器学习应用的培训和验证集.

结论:

• 开发的基于无人机的工作流程和GYMNSA数据集显著推进了水果育种的数字表型化.
• 这种方法提高了评估水果遗传资源中抗病能力的效率.
• GYMNSA数据集是开发使用无人机技术自动化植物疾病监测系统的研究人员的宝贵资源.