MinneApple: 一个苹果检测与分割的基准数据集
本文介绍了一种用于水果检测和计数的图像处理框架,使用单眼视觉系统所获得的高分辨率图像数据,包括多尺度多层感知器和卷积神经网络,结合元数据进行分割和检测,并在商业苹果园中进行了实验,得出了最佳性能。
Oct, 2016
本研究提出了一种半监督的小苹果检测系统 (S^3AD),通过利用大型高分辨率数据集 MAD,基于上下文关注和选择性平铺的方法,解决了水果检测中小型水果检测的困难,同时限制了计算开销,并在评估中表现出了明显优势。
Nov, 2023
本文介绍了使用先进的物体检测框架 Faster R-CNN 对果园中的水果进行检测,包括芒果、杏仁和苹果,通过消融实验,数据增强技术和瓦片方法来提高检测精度和效率,并获得比以前更好的检测表现,对于苹果和芒果的 F1 值达到了 > 0.9。
Oct, 2016
本文介绍了一个新颖的高质量水果图像数据集,并通过一些数字实验结果展示了训练神经网络以检测水果的成果。同时,我们提出了几种可能需要应用这类神经网络的场景,并探讨了为什么选择使用水果作为本项目的研究对象。
Dec, 2017
本研究探讨了使用稳定扩散 2.1 基础库生成苹果树合成数据集的可行性,并将其与基于真实数据训练的基准模型进行了比较。通过 YOLOv5m 对模型进行评估,结果表明使用合成数据进行训练的模型在真实图像上的性能略低于基准模型,但这些结果具有高度的前景,证明了合成数据生成技术作为目标检测模型训练数据收集的一种可行替代方法的潜力。
Jun, 2023
该研究介绍了 CitrusFarm 数据集,这是由一个在农田中操作的轮式移动机器人收集的综合多模态感官数据集。该数据集提供了包含深度信息的立体 RGB 图像,以及单色、近红外和热红外图像,提供农业研究所需的多样光谱响应。此外,它还提供了包括轮式里程计、激光雷达、惯性测量单元(IMU)和具有实时动态差分(RTK)的 GNSS 的导航传感器数据,作为以厘米级精度的定位基准。该数据集包含在三个柑橘树区域收集的七个序列,涵盖了不同生长阶段、独特的种植模式和不同的日光条件的各种树种。它总共运行时间为 1.7 小时,覆盖了 7.5 公里的距离,共计 1.3 TB 的数据。我们预计这个数据集可以促进在农业树木环境中操作的自主机器人系统的发展,特别是用于定位、地图制作和作物监测任务。此外,该数据集提供的丰富感知模式还可以支持一系列机器人学和计算机视觉任务的研究,例如地点识别、场景理解、物体检测和分割以及多模态学习。该数据集与相关工具和资源一起,已在该 https URL 上公开提供。
Sep, 2023
利用基于近红外成像、计算机视觉和机器学习的自动系统,这篇论文提出了一种用于柑橘作物预测的非侵入性替代方案,该系统通过视频计数水果,并结合其他树木数据(如作物品种和树木大小)估计水果的总数。通过对视频中至少 30% 的水果进行准确检测、跟踪和计数,可以实现令人印象深刻的 0.85 的决定系数。该研究是少数几个以手动水果计数为评估参考点的柑橘估算方法尝试之一,并提供了用于图像水果计数的注释数据集以促进新方法的发展。
Dec, 2023
利用 YOLOv8 目标检测和实例分割算法以及 3D 传感器,在商业果园环境中精确测定不成熟青苹果(或称果芽)的大小,并强调了形状拟合方法和 3D 传感器在农业中改善果实大小估计方面的综合有效性。
Dec, 2023