在种植园中的棕油果数据集,用于使用数字普查和智能手机进行收获估计

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:

• 精确监测棕油新鲜果束 (FFBs) 对于优化种植业务至关重要.
• 现有的数据集可能无法完全捕捉现实世界采集条件的复杂性.

研究的目的:

• 为了呈现一个全面的,专业注释的数据集的棕油FFBs在五个到期阶段.
• 促进用于FFB检测和分类的深度学习模型的开发.

主要方法:

• 收集了印度尼西亚中部加里曼丹油棕树的智能手机视频数据.
• 在COCO格式中使用计算机视觉注释工具 (CVAT) 提取和注释视频.
• 利用数据增强来增强数据集变化和解决类不平衡.

主要成果:

• 创建了一个包含10207个培训,2896个验证和1400个测试图像的数据集.
• 数据集包括具有现实世界挑战的图像,如遮蔽,模糊和低对比度.
• 该数据集支持用于FFB分析的对象检测任务.

结论:

• 开发的FFB图像数据集是推动油棕种植人工智能的基础.
• 该资源将支持改进收获时间,产量预测和资源管理.
• 数据集的多样性和注释使得强大的深度学习模型培训成为可能.