PDT 数据集:首个基于无人机的高精密度树木病虫害目标检测数据集

devtools/2024/10/20 19:08:52/

2024-09-24,由中国山东计算机科学中心、北京大学等机构联合创建了Pests and Diseases Tree(PDT)数据集,目的解决农业领域中病虫害检测模型开发中专业数据集缺失的问题。通过集成公共数据和网络数据,进一步推出了Common Weed and Crop数据集,目的增强模型的分类能力。另外还提出YOLO-Dense Pest模型,用于提高杂草、病虫害作物图像的高精度目标检测

一、研究背景:

研究背景 随着无人机(UAV)技术的发展,其在农作物病虫害检测中的应用越来越广泛。然而,由于缺乏专门的数据集,限制了这一领域研究的深入和模型性能的提升。

目前遇到困难和挑战:

1、缺乏专门针对树木病虫害的高精密度无人机数据集。

2、现有的检测模型在实际应用中存在精度不足的问题。

3、需要更丰富的数据集来训练模型,以提高其在多类别检测中的分类能力。

数据集地址:PDT Dataset|无人机技术数据集|农业应用数据集

二、让我们一起来看一下:PDT 和CWC 数据集

Pests and Diseases Tree(PDT)数据集:首个基于无人机的高精密度树木病虫害目标检测数据集。 PDT数据集包含了在真实操作环境中收集的树木病虫害图像,具有高分辨率和低分辨率两个版本。PDT数据集具有高密度、小目标和丰富的真实环境细节特点,适合用于训练特殊的无人机检测模型。

Common Weed and Crop(CWC)数据集:包含了11种不同但外观相似的植物类别,用于提高模型的分类能力。通过整合了多个公共数据源,包含了多种作物和杂草的图像,以增强模型对不同类别的识别能力。CWC数据集则以其类别多样性、详细的纹理信息和数据的真实性而著称。

数据集构建 :

PDT数据集的构建包括了数据收集、预处理、标注和验证等多个步骤。研究者们使用无人机在150米的高度进行等距拍摄,采集了大量原始图像数据和3D点云数据。通过滑动窗口方法和“人在回路”的标注方法,提高了数据标注的效率和准确性。

PDT数据集和CWC数据集均可用于训练和测试目标检测模型。研究者们还提出了YOLO-DP模型,并在多个数据集上进行了性能评估,证明了其在高精度检测任务中的有效性。

基准测试 :

研究者们使用PDT和CWC数据集对现有的一些最先进的检测模型进行了重新评估,并分析了这些模型的性能,为该领域建立了基准。

数据集比较。(a) 显示了 PDT 数据集(低分辨率 (LL) 和高分辨率 (LH)):640×640、5472×3648。(b) 显示了 CWC 数据集的特征:它包含 11 种不同的相似植物。(c)、(d) 和 (e) 是公共数据集。

数据示例。(a) 是一个健康的目标,(b) 是一个不健康的目标。PDT 数据集将 (b) 作为类别。

PDT 数据集生成和检测过程。(a) 表示滑动窗口方法,(b) 表示“人在环”数据注释方法。(c) 表示将 LL 图像发送到神经网络进行训练,同时检测到 LL 和 LH 双分辨率图像。

YOLO-DP基线模型架构。FPN[21]+PAN[23]模块由GhostConv[12]、上采样(Upsample)、拼接(Concat)和C3组成。C代表拼接(Concat),S代表sigmoid激活函数,P代表通道数扩张,×代表矩阵乘法,+代表矩阵加法。

         PDT数据集检测的可视化。

混淆矩阵。行代表真实类别,列代表预测类别,置信度的数值范围是[0,1]

三、让我们一起展望数据集应用:

1、PDT数据集应用:

比如,我是一个果农。

我大部分时间都在打理果园,最怕的就是那些害虫和病害。我得一棵棵树去检查,看有没有虫子咬,有没有病斑。这活儿累人不说,还经常漏掉一些受害的树。有时候,病害扩散开了,损失就大了去了。

现在,我有了PDT数据集和YOLO-DP模型这个好帮手,那可就不一样了。

现在呢,我只需要放飞无人机,让它在果园上空转几圈。无人机上的高清摄像头,能把每棵树的情况拍得一清二楚。然后,YOLO-DP模型就上场了,它比最细心的果农还要厉害,能识别出哪些树有病虫害,连那些小小的异常点都逃不过它的“法眼”。

这样一来,我就能直接定位到有问题的树,针对性地喷洒农药。既保护了果树,又减少了农药的使用量。这不仅减少了成本,还对环境更友好。我的果园变得更健康了,果子的质量也上去了,顾客们也更愿意买我的果子了。我这个果农,现在也能享受到科技带来的便利了。这变化,真是让我这个老果农倍感欣喜!

2、CWC数据集应用:

比如,我是一个农场主。

我在农场种了一大堆不同的作物,但是那些杂草啊,真是让我头疼。有的杂草和作物长得太像了,我有时候都分不清,更别说那些新手工人了。我们以前就是靠人力,一个个地去拔草,或者用机器大面积地除草,但是这样不仅效率低,而且经常误伤到作物,损失不少。

现在好了,有了CWC数据集和训练过的无人机,大不一样

无人机啊,就像齐天大圣孙悟空的一双火眼金睛,能够清楚地分辨出哪些是作物,哪些是杂草,哪怕是那些长得很像的杂草,它也能轻松识别。

我以前除草,就是一视同仁,不管是不是杂草,先除了再说。现在呢,无人机可以精确地找到那些杂草,然后精准地喷洒除草剂,或者是用机械臂把它们拔掉。这样,我的作物就能少受伤害,长得更好,产量自然就上去了。

我这个农场主,现在也能享受到科技带来的便利了。真的是科技改变生活啊。

来吧,让我们走进:PDT Dataset|无人机技术数据集|农业应用数据集


http://www.ppmy.cn/devtools/127357.html

相关文章

Kafka 为什么要抛弃 Zookeeper?

嗨,你好,我是猿java 在很长一段时间里,ZooKeeper都是 Kafka的标配,现如今,Kafka官方已经在慢慢去除ZooKeeper,Kafka 为什么要抛弃 Zookeeper?这篇文章我们来聊聊其中的缘由。 Kafka 和 ZooKee…

前端开发攻略---取消已经发出但是还未响应的网络请求

目录 注意&#xff1a; 1、Axios实现 2、Fetch实现 3、XHR实现 注意&#xff1a; 当请求被取消时&#xff0c;只会本地停止处理此次请求&#xff0c;服务器仍然可能已经接收到了并处理了该请求。开发时应当及时和后端进行友好沟通。 1、Axios实现 <!DOCTYPE html> &…

【VUE】Vue中的 keep-alive 组件

Vue2中的keep-alive组件主要用来缓存组件实例,以便在切换时保留其状态。这样能够提高应用程序的性能,避免了在多个页面之间频繁地创建和销毁组件实例。常用于:多表单切换,对表单内数据进行保存。 使用keep-alive组件时需要注意以下几点: keep-alive组件只能用于包含动态组…

基于yolov5_7.0 pyside6 active_learning 开发的人工智能主动学习外周血细胞目标检测系统

基于YOLOv5的图像识别与主动学习应用程序 项目介绍 本项目是一个使用PySide6库开发的基于YOLOv5框架的图像识别应用程序。该应用程序不仅支持用户选择图像文件进行目标物体检测&#xff0c;还具备主动学习功能&#xff0c;允许用户手动标记错误的检测结果以优化模型。此外&am…

【优选算法篇】编织算法的流动诗篇:滑动窗口的轻盈之美

文章目录 C 滑动窗口详解&#xff1a;基础题解与思维分析前言第一章&#xff1a;热身练习1.1 长度最小的子数组解法一&#xff08;暴力求解&#xff09;解法二&#xff08;滑动窗口&#xff09;滑动窗口的核心思想图解分析滑动窗口的有效性时间复杂度分析易错点提示 1.2 无重复…

【iOS】UICollectionView的使用方法

文章目录 前言UICollectionView什么是UICollectionViewUICollectionView的关键特性UICollectionView组成及常用方法组成常用方法 UiCollectionView的基本使用及代码示例 总结 前言 UICollectionView 是一个强大的 UIKit 组件&#xff0c;用于展示数据集合&#xff0c;比如图片、…

ESP32-C3实现定时器的启停(Arduino IDE)

1概述 ESP32-C3微控制器有多个定时器&#xff0c;这些定时器可用于各种用途&#xff0c;包括计时、生成PWM信号、测量输入信号的频率等。以下是ESP32-C3上可用的定时器资源&#xff1a; 两个硬件定时器&#xff1a; 定时器0&#xff1a;这是一个通用定时器&#xff0c;通常用于…

纯血鸿蒙!

纯血鸿蒙&#xff0c;这是哪个营销大师给起的名字啊&#xff01; 纯血&#xff01;象征着高贵、自信、自主、血性、英雄气概&#xff0c;都融入这纯血鸿蒙了&#xff01; 鸿蒙本就是开天辟地&#xff0c;加上纯血&#xff0c;真是荡气回肠&#xff01; 鸿蒙的推出背景 我们前…