相关实验视频
Updated: Jun 26, 2026
11:02
Fruit Volatile Analysis Using an Electronic Nose
Published on: March 30, 2012
在水果园中检测杂草的数据集
Andoni Salcedo-Navarro1, Guillem Montalban-Faet1, Miguel Garcia-Pineda1
1Computer Science Department, ETSE-UV, Universitat de València, València, Spain.
Data in brief
|December 9, 2025
概括
CampanetaWeed是一个新的多谱数据集,用于检测果园中的杂草. 该资源有助于开发用于可持续精准农业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:
- 永久作物中的杂草防治是昂贵的,并且对环境具有挑战性.
- 有限的公共数据集阻碍了机器学习模型开发用于果园中杂草检测,特别是使用多光谱和多时间数据.
- 现有的资源缺乏用于强大的跨频谱和季节性概括所需的全面数据.
研究的目的:
- 介绍CampanetaWeed,一种用于果园环境中检测杂草的新型多谱图像数据集.
- 为在精准农业中推进机器学习模型提供有价值的资源.
- 促进对杂草识别的跨光谱适应和季节性概括的研究.
主要方法:
- 使用DJI Mavic 3多光谱无人机在商业水果园上获取多光谱图像.
- 数据集包括三次飞行 (2023年10月,2025年12月,2025年4月) 与像素对齐的RGB和四个窄带图像 (R,G,红边,NIR).
- 用YOLOv5格式注释的图像,涵盖六种杂草物种和土壤干扰,总共超过10,000张图像和271,000个标记物体.
主要成果:
- 在CampanetaWeed数据集提供高分辨率 (0.65厘米/像素GSD) 多光谱和多时间图像.
- 综合性注释使杂草物种和土壤干扰的详细分析成为可能.
- 该数据集旨在支持开发强大的杂草检测模型.
结论:
- CampanetaWeed提供了一个独特的,多谱的,多季节的数据集,对于在果园中推进杂草检测至关重要.
- 该数据集将使得开发更准确,更强大的机器学习模型能够实现可持续的精准农业.
- 该资源解决了专门数据集的稀缺性,促进了自动化杂草管理方面的创新.
