为植物病害对象检测引入改进的PlantDoc数据集

到 2050 年&＃xff0c;世界人口预计将达到 97 亿。这是一张大嘴。

技术正在推动下一代产量增长。计算机视觉对于更环保、更高效的生产尤其重要。例如&＃xff0c;Blue River (John Deere) 的“See & Spray ”使机器能够实时进行杂草检测&＃xff0c;使用的除草剂减少 90%&＃xff0c;同时更有效地针对有问题的杂草。

但农业中的计算机视觉才刚刚开始——更多的开源数据是提高其采用率的关键。我们已经开始看到自动驾驶联合收割机、自动表型分析和自动拖拉机推动精密农业的革命。

2019 年秋季&＃xff0c;印度理工学院的研究人员发布了PlantDoc&＃xff0c;这是一个包含 13 个植物物种和 27 个类别&＃xff08;17 个疾病&＃xff1b;10 个健康&＃xff09;的 2,598 张图像的数据集&＃xff0c;用于图像分类和对象检测。研究人员指出&＃xff0c;数据集的创建花费了 300 多个人工小时的收集和注释。与 CropDeep 和 DeepWeeds 等类似数据集不同&＃xff0c;该数据集可供公众免费下载&＃xff0c;供深度学习研究人员免费使用&＃xff01;

在Roboflow&＃xff0c;我们致力于推进包括农业在内的所有行业的计算机视觉工作。我们将数据集托管在Roboflow 公共数据集上&＃xff0c;以您可能需要的任何注释格式提供&＃xff1a;VOC XML、COCO JSON、CreateML JSON&＃xff0c;甚至 TFRecords。该数据集遵循与 Pratik Kayal 的 GitHub 版本相同的训练/测试拆分&＃xff0c;以便轻松重现您的机器学习实验。

当我们将数据集添加到 Roboflow 并利用自动注释检查时&＃xff0c;我们发现了改进的机会&＃xff0c;因此数据集在某些方面与原始数据集略有不同。

首先&＃xff0c;纠正了超过28个注释。在某些情况下&＃xff0c;边界框略微超出框架&＃xff0c;因此被裁剪为与图像边缘一致。还有一些人意外地限制了零像素并完全丢弃。其中 25 个在训练集中&＃xff0c;3 个在测试集中。当人类被分配超过 300 小时的标签来创建 8,851 个边界框时&＃xff0c;错误就会发生&＃xff01;Roboflow 会自动识别并纠正任何数据集的这些问题。

正如 IIT 的研究人员在他们的论文中所说&＃xff0c;“仅植物病害每年就给全球经济造成约 2200 亿美元的损失。” 早期识别植物病害的训练模型可显着提高产量潜力。

该数据集还用作基准测试的有用开放数据集。研究人员训练了YOLOv4、MobileNet和Faster-RCNN等对象检测模型和VGG16、InceptionV3 和EfficientNet等图像分类模型。

PlantDoc 数据集上的对象检测模型结果如下表所示。

PlantDoc 数据集上的分类模型结果如下表所示。

该数据集可用于推进一般农业计算机视觉任务&＃xff0c;无论是健康作物分类、植物病害分类还是植物病害对象检测。

随着计算机视觉准备继续将农业转变为一个部门&＃xff0c;我们很高兴看到如何使PlantDoc 数据集更易于访问促进研究兴趣。

https://github.com/pratikkayal/PlantDoc-Object-Detection-Dataset
https://public.roboflow.com/object-detection/plantdoc/1/download/voc

https://bluerivertechnology.com/our-products/