Raspberry PhenoSet

Raspberry PhenoSet是由多伦多城市大学城市创新中心创建的一个基于物候学的数据集，专门用于自动检测和产量估算。该数据集包含1853张高分辨率图像，涵盖了覆盆子在七个发育阶段的检测和分割任务。数据集的创建过程包括在垂直农场中使用人工光源进行图像采集，并通过手动标注来反映七个物候阶段。Raspberry PhenoSet的应用领域主要集中在农业自动化，特别是产量预测和供应链管理，旨在通过精确的收获时间估算来优化农业实践。Raspberry PhenoSet is a phenology-based dataset created by the Urban Innovation Centre at Toronto Metropolitan University, specifically designed for automated detection and yield estimation. This dataset contains 1,853 high-resolution images, covering detection and segmentation tasks across seven developmental stages of raspberries. The dataset was developed through image acquisition using artificial light sources in vertical farms, followed by manual annotations to reflect the seven phenological stages. The primary application areas of Raspberry PhenoSet focus on agricultural automation, particularly yield prediction and supply chain management, with the goal of optimizing agricultural practices via accurate harvest time estimation.

搜集汇总

数据集介绍

构建方式

Raspberry PhenoSet数据集的构建基于对覆盆子植物在整个生长周期中的七个发育阶段进行详细记录。数据采集于多伦多城市创新中心的垂直农场设施，使用Canon EOS Rebel T3i相机，以5184×3456的高分辨率捕捉图像。在2024年1月至3月期间，每周进行三次拍摄，共计72人时。图像在人工照明条件下拍摄，涵盖了从20到100厘米的不同拍摄距离，确保了数据集的多样性和现实性。所有图像均通过V7Labs平台进行手动标注，标注内容包括七个发育阶段的覆盆子植物，总计6907个实例。

特点

Raspberry PhenoSet数据集的显著特点在于其高分辨率和生物学相关性。该数据集包含1853张高分辨率图像，是目前文献中质量最高的水果检测数据集之一。其独特之处在于结合了生物学分类与水果检测任务，为产量估算和精确收获时间提供了宝贵的数据支持。此外，该数据集首次在垂直农场环境中采集，克服了传统农场或温室中光照条件不一致的问题，为深度学习模型提供了更为稳定和可控的训练环境。

使用方法

Raspberry PhenoSet数据集适用于多种深度学习模型的训练和评估，特别是用于水果检测、分割和产量估算任务。研究者可以使用该数据集来训练和验证如YOLOv8、YOLOv10、RT-DETR和Mask R-CNN等先进的深度学习模型。数据集的标注信息包括边界框和掩码格式，支持对象检测和实例分割算法的应用。此外，数据集的公开可用性为学术研究和工业实践提供了重要的资源，促进了农业自动化和计算机视觉技术的发展。

背景与挑战

背景概述

Raspberry PhenoSet，由Parham Jafary等研究人员于2024年创建，是首个基于植物物候学的数据集，专门用于自动化生长检测和产量估算。该数据集的核心研究问题在于通过深度学习模型实现对覆盆子果实在其七个发育阶段的精确检测与分割，从而优化农业实践中的果实检测、产量估算及收获时间预测。Raspberry PhenoSet包含1,853张高分辨率图像，每张图像均在受控的人工光照条件下于垂直农场中拍摄，并附有6,907个手动标注的实例，这些标注详细反映了覆盆子的七个物候阶段。此数据集的推出，不仅填补了相关领域的数据空白，还为农业自动化，特别是机器人应用在农业中的果实检测与产量预测，提供了宝贵的资源。

当前挑战

Raspberry PhenoSet在构建过程中面临多项挑战。首先，数据集需解决的领域问题是果实检测与产量估算，这在传统农业中依赖于人工视觉检查，耗时且成本高。其次，构建过程中遇到的挑战包括在垂直农场环境中拍摄高分辨率图像，确保图像在不同光照条件下的质量，以及手动标注大量图像以反映覆盆子的物候阶段。此外，数据集还需应对深度学习模型在区分细微物候阶段时的性能挑战，这要求模型具备高精度的分类能力。最后，数据集的公开使用需确保模型在实际农业应用中的可靠性和稳定性，这对模型的泛化能力和实际操作中的适应性提出了更高要求。

常用场景

经典使用场景

Raspberry PhenoSet数据集的经典使用场景主要集中在农业自动化领域，特别是在覆盆子果实的检测、分割以及产量估算方面。该数据集通过整合生物学分类与果实检测任务，为深度学习模型提供了丰富的训练样本。其高分辨率图像和详细的标注信息，使得模型能够准确识别覆盆子在七个不同发育阶段的状态，从而实现精确的收获时间预测和产量估算。

衍生相关工作

Raspberry PhenoSet数据集的发布催生了一系列相关研究工作，特别是在农业自动化和计算机视觉领域。例如，基于该数据集的深度学习模型在果实检测和分类任务中表现出色，推动了相关算法的改进和优化。此外，该数据集还激发了研究人员对垂直农场环境下植物生长监测和自动化管理的研究兴趣，促进了农业机器人技术的进一步发展。

数据集最近研究

最新研究方向

在农业自动化领域，Raspberry PhenoSet数据集的最新研究方向主要集中在利用深度学习模型进行精确的果实检测、生长阶段识别以及产量估算。该数据集通过整合生物学分类与果实检测任务，为深度学习模型提供了丰富的训练资源，从而推动了农业机器人在果实采摘、供应链管理等方面的应用。研究者们通过对比多种先进的深度学习模型，如YOLOv8、YOLOv10、RT-DETR和Mask R-CNN，评估其在不同生长阶段果实检测中的表现，进一步优化了模型的性能。此外，该数据集的高分辨率和生物学相关性标签，使其在农业自动化研究中具有重要意义，为实现精准农业和可持续农业发展提供了技术支持。

相关研究论文

• Raspberry PhenoSet: A Phenology-based Dataset for Automated Growth Detection and Yield Estimation

  多伦多城市大学城市创新中心 · 2024年