Aug, 2023

CongNaMul: 大豆芽高级图像处理数据集

PDF
TL;DR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。
发现论文，激发创造
  • 从幼苗到收获：利用实例分割技术进行大豆作物中的杂草检测的 GrowingSoy 数据集

    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

  • GrowliFlower：一组用于菜花生长分析的图像时序数据集

    本文介绍了一个地理参考、基于图像的 UAV 时间序列数据集，该数据集包含两个不同尺寸的花椰菜田的 RGB 和多光谱正射图像，740 棵植物的表型特征，以及像素准确的叶片和植物实例分割，旨在促进农业自动化的发展和评估机器学习方法。

    Apr, 2022

  • 从合成的体外大豆荚数据集迁移学习，用于原位分割大豆枝上的豆荚

    该研究提出了一种从合成数据集进行迁移学习的方法，用于解决现实世界中大规模农业数据集获取困难的问题，并成功地将其应用于大豆枝上豆荚的图像分割。

    Apr, 2022

  • 植物幼苗分类的深度卷积神经网络

    本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

    Nov, 2018

  • SoybeanNet：基于 Transformer 的卷积神经网络用于无人机（UAV）图像中的大豆果荚计数

    利用来自美国密歇根州大豆田的无人机图像，本文提出了一种准确计数大豆荚的先驱性工作，使用强大的变换器骨干网络来进行大豆荚的同时计数和定位，并提供了新的大豆荚数据集，为未来的大豆荚计数和相关领域的研究提供了有价值的资源。

    Oct, 2023

  • 利用生长阶段归一化的多光谱卫星观测进行季节性作物类型分类

    本文提出了一种利用卫星遥感数据进行作物分类的方法，通过将输入进行作物生长阶段的归一化处理来避免种植时间变化带来的领域漂移问题，并结合卷积神经网络和循环神经网络进行像素的分类，该方法在 2019 年美国中西部极端天气造成了种植延迟的大规模实验中表现出卓越的性能，分类精度在收获前（9 月至 11 月）为 85.4％，在季中（7 月至 9 月）为 82.8％。

    Sep, 2020

  • 为基于视觉的农业应用生成多样化农业数据

    为精准农业中的计算机视觉任务提供包含语义标签的 12,000 张图像数据集，通过在合适的光照条件下模拟大豆作物和杂草的成长阶段、不同的土壤条件和随机的田地布局，将真实世界纹理和环境因素融入到程序生成过程中，提高合成数据的逼真度和适用性，从而有效地增加了农业机器学习模型的训练数据。

    Mar, 2024

  • 使用深度学习对遥感影像植被进行语义分割

    本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

    Sep, 2022

  • 多分辨率异常值汇聚用于高粱分类

    本文介绍了利用传感器（如 RGB，热像仪和高光谱相机等）实现自动化高通量植物表型分析的方法，详细介绍了 Sorghum-100 数据集，以及使用动态异常值汇聚方法对该数据集进行对不同品种的作物图像分类的方法。

    Jun, 2021

  • 高分辨率卫星影像用于模拟干旱对农作物生产的影响

    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