GrowliFlower:一组用于菜花生长分析的图像时序数据集
使用可解释的机器学习方法分析捕捉关键特征方法的可靠性,以提高深度学习对于洋花菜收割期的准确判断,在 GrowliFlower 数据集上进行实验,最终将整体预测准确性提高了 15.72%,平均类精度提高了 15.44%。
May, 2023
农业生产在未来几十年面临严峻挑战,包括气候变化和可持续性需求,通过机器人进行无化学除草的领域管理、无人机监测农作物以及培育新型更具适应性的作物品种有助于应对这些挑战。本文提出了自动化精细的器官级几何分析用于精准表型分析的问题。通过使用高分辨率无人机图像获取的新数据集,我们计算出重叠多视角的点云,并为植物、叶片和重要特征点(尖端和基部)提供详细准确的点级标签。此外,我们还提供了德国联邦植物品种办公室专家对真实植物进行的表型特征测量,以便不仅在分割和关键点检测上评估新方法,还可直接评估下游任务。提供的带标签点云可以进行细粒度植物分析,并支持自动表型分析方法的进一步发展,同时也为表面重建、点云补全和点云的语义解释提供了更多研究可能性。
Dec, 2023
我们呈现了一个名为 'CongNaMul' 的综合数据集,旨在进行大豆芽图像分析的各种任务。该数据集包含用于图像分类、语义分割、分解和长度重量测量等任务的图像和标签,为 AI 辅助自动质量检测技术的开发提供了四个用于确定大豆芽质量的类别,以及包含各种复杂度的图像和标签,等等。此外,数据集还提供了大豆芽图像分解和基于图像的物理特征测量任务所需的图像和标签。该数据集预计将成为图像高级分析领域中各种研究和应用的宝贵资源,并希望能够协助其他产业领域对分类、语义分割、分解和物理特征测量进行研究的研究人员评估其模型。该数据集可在作者的存储库(链接:https:// 此处为 URL)上获得。
Aug, 2023
介绍了一个农田作物卫星时间序列的分类数据集 Breizhcrops,并对七种不同的深度神经网络模型及随机森林模型进行了对比评估。该数据集及模型实现和预训练模型可在相关的 GitHub 存储库中获取并应用于实际的农田作物分类工作。
May, 2019
本篇论文介绍了一个包含同期多光谱、热学和微波数据以及关键的稻作参数注释的数据集 ——SICKLE,并在三个不同的任务上对其进行了基准测试,即庄稼类型、生长季日期(播种、移栽、收获)和预测收成,并提出了使用根据观察到的生长季节和 tamalnadu 农业大学获取的标准季节信息生成的时间序列数据的收成预测策略。该数据集提供了一个可以训练机器学习模型来进行农业遥感的研究方向。
Sep, 2022
通过实例分割技术,我们使用一个全面的数据集训练神经网络,以检测杂草和大豆植物的生长阶段,并提供了 6 个先进模型,实现了在所有植物类别中 79.1% 的平均精度和 69.2% 的平均召回率。
Jun, 2024
自动表型分类技术可提供植物特征的定量度量,但开发者所能使用的验证数据集受限。本文提出了一个 3D 点云数据集,包含两个种类的草莓植物,共计 84 个点云。我们关注对这些工具的最终使用,即提取生物学相关的表型,并在数据集上演示了表型分类流程,其中包括分割、骨架化和跟踪等步骤,详细说明每个阶段如何促进不同表型的提取或数据的洞察。我们特别强调在验证表型时,重点放在从流程的每个阶段获取的表示中提取的表型,而不仅仅是评估表示本身。因此,我们在可能的情况下提供了每个步骤提取的表型的 extit {in silico} 基准,并介绍了骨架化及其提取的长度特征的定量评估方法。该数据集为农业 / 园艺领域的下一代表型分类工具的开发提供了免费的空间 - 时间数据,增加了可用于该领域研究的植物品种数量,并为新的表型分类方法提供了真实比较的基础。
Mar, 2024
通过引入 CropNet 数据集,该研究提供了一个多模态数据集,用于在县级别上准确预测作物产量,考虑了短期和长期气候变化的影响,并验证了其在气候变化感知作物产量预测中的一般适用性和有效性。
Jun, 2024
本文提出了一种基于 RGB 相机和无人机的方法,用于估计高精度的高精度的高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度的高精度高精度的高精度高精度高精度高精度的高精度高精度的高精度,包括叶形态分析和叶片分割。
Jul, 2018
本文介绍了一种用于在农业自动化领域中实现自动视觉检查的叶片计数和分割分析方法,该方法使用数据增强来训练深度神经网络,取得了在标准基准测试中最先进的结果,即由植物表型学的计算机视觉难题托管的叶片分割竞赛。
Mar, 2019