全球大米多类细分数据集 (RiceSEG):用于开发和对大米细分算法的基准测试的全面和多样化的高分辨率RGB注释图像
Junchi Zhou1, Haozhou Wang2, Yoichiro Kato2
1Engineering Research Center of Plant Phenotyping, Ministry of Education, Jiangsu Collaborative Innovation Center for Modern Crop Production, Sanya Institute of Nanjing Agricultural University, Academy for Advanced Interdisciplinary Studies, Nanjing Agricultural University, Nanjing, China.
Plant phenomics (Washington, D.C.)
|December 19, 2025
概括
创建了一个新的大米语义细分数据集,RiceSEG,以改善大米表型化中的计算机视觉. 这一数据集有助于开发精准农业和加速育种的先进模型,解决图像分析当前的挑战.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物生物学 植物生物学
背景情况:
- 计算机视觉技术对于精确的表型化至关重要,有助于养和田间管理.
- 准确的图像组件细分对于理解大米器官水平生长和生态生理学至关重要.
- 米图像分析的挑战源于精细的器官结构和复杂的树冠照明,需要高质量的数据集.
研究的目的:
- 为了解决用于语义细分的高质量大米图像数据集的稀缺性.
- 引入RiceSEG数据集,这是第一个用于米语义细分的全面多类数据集.
- 评估米语义细分任务的最先进模型的基线性能.
主要方法:
- 从五个主要的米种植国家收集了近5万张高分辨率图像.
- 选择并注释了3078张图像,分为六个类别:背景,绿色植被,衰老植被,恐慌,杂草和草.
- 利用卷积神经网络和基于变压器的模型作为基线语义细分方法.
主要成果:
- 米SEG数据集包括3078个注释图像,涵盖了各种基因型和生长阶段.
- 基线模型在背景和绿色植被方面表现良好,但在复杂的繁殖阶段方面遇到了困难.
- 在密集的树冠条件下对多个类别进行细分时观察到困难.
结论:
- 米SEG数据集是开发米专用语义细分模型的宝贵资源.
- 需要进一步的研究来提高模型性能,特别是复杂的树冠结构和繁殖阶段.
- 该数据集将促进计算机视觉应用在米育种和精准农业.


