five

PDT Dataset|无人机技术数据集|农业应用数据集

arXiv2024-09-24 更新2024-09-26 收录9011
无人机技术
农业应用
5,775条
资源简介:
PDT数据集是由山东计算机科学中心(国家超级计算济南中心)和齐鲁工业大学(山东省科学院)联合开发的无人机目标检测数据集,专门用于检测树木病虫害。该数据集包含高分辨率和低分辨率两种版本,共计5775张图像,涵盖了健康和受病虫害影响的松树图像。数据集的创建过程包括实地采集、数据预处理和人工标注,旨在为无人机在农业中的精准喷洒提供高精度的目标检测支持。PDT数据集的应用领域主要集中在农业无人机技术,旨在提高无人机在植物保护中的目标识别精度,解决传统检测模型在实际应用中的不足。
原始地址:
提供机构:
山东计算机科学中心(国家超级计算济南中心),齐鲁工业大学(山东省科学院)
开放时间:
2024-09-24
创建时间:
2024-09-24

PDT: Uav Target Detection Dataset for Pests and Diseases Tree

数据集概述

该数据集旨在通过无人机视觉识别技术,检测作物中的害虫和疾病。数据集包括两个主要部分:PDT数据集和CWC数据集。

PDT数据集

  • 类别: 不健康(unhealthy)
  • 图像示例:
    • (a) 健康目标
    • (b) 不健康目标
  • 双分辨率:
    • LL: 640×640
    • LH: 5472×3648
  • 数据集结构:
版本 类别 结构 目标图像 非目标图像 图像尺寸 实例数 目标数量 (S, M, L)
样本 不健康 训练 81 1 640×640 2569 1896, 548, 179
验证 19 1 640×640 691 528, 138, 25
LL 不健康 训练 3166 1370 640×640 90290 70418, 16342, 3530
验证 395 172 640×640 12523 9926, 2165, 432
测试 390 177 640×640 11494 8949, 2095, 450
LH 不健康 - 105 0 5472×3648 93474 93474, 0, 0

CWC数据集

  • 类别:
    • bluegrass, chenopodium_album, cirsium_setosum, corn, sedge, cotton, nightshade, tomato, velvet, lettuce, radish
  • 数据集来源:
数据集 来源 类别 数量 图像尺寸
Corn weed datasets Corn weed datasets bluegrass, corn, sedge, chenopodium_album, cirsium_setosum 250 800×600
lettuce weed datasets lettuce weed datasets lettuce 200 800×600
radish weed datasets radish weed datasets radish 201 800×600
Fresh-weed-data Fresh-weed-data nightshade, tomato, cotton, velvet 115, 116, 24, 38 800×600, 586×444, 643×500
  • 数据集结构:
类别 结构 bluegrass chenopodium_album cirsium_setosum corn sedge lettuce radish nightshade tomato cotton velvet
目标图像 训练 200 200 200 200 200 200 200 200 200 200 200
验证 40 40 40 40 40 40 40 40 40 40 40
测试 10 10 10 10 10 10 10 10 10 10 10
目标数量 S 1 0 0 5 0 0 0 0 0 0 0
M 0 0 0 9 0 0 0 0 0 0 0
L 249 250 250 236 250 444 326 250 210 268 248
图像尺寸 800×600 800×600 800×600 800×600 800×600 800×600 800×600 800×600 800×600 800×600 586×444 643×500

模型

  • YOLO-DP模型: 用于高精度目标检测的模型,结合PDT和CWC数据集进行评估。

实验结果

  • 数据集验证: 使用不同模型在PDT和CWC数据集上的性能评估。
  • 消融实验: 对YOLOv5s模型的不同变体进行性能比较。

可视化研究

  • PDT数据集检测结果: 展示了PDT数据集的检测结果。
  • CWC数据集训练过程: 展示了CWC数据集的训练损失曲线。

论文

  • PDT: Uav Target Detection Dataset for Pests and Diseases Tree. Mingle Zhou, Rui Xing, Delong Han, Zhiyong Qi, Gang Li*. ECCV 2024.
数据集介绍
main_image_url
构建方式
在农业无人机领域,精确识别杂草和害虫是实现智能植保作业的关键挑战。为此,我们开发了PDT数据集,该数据集是首个基于无人机的高精度树木害虫和疾病检测数据集。PDT数据集在真实操作环境中采集,旨在填补该领域可用数据集的空白。此外,通过整合公共数据集和网络数据,我们进一步引入了Common Weed and Crop数据集(CWC数据集),以解决现有数据集分类能力不足的问题。
使用方法
PDT数据集适用于训练和验证无人机在农业植保中的目标检测模型,特别是针对高密度和小目标的检测任务。CWC数据集则适用于提升模型的分类能力,通过提供多类别和详细纹理信息的数据,帮助模型在检测过程中有效区分高度相似的负样本。研究人员可以通过访问提供的GitHub链接获取数据集,并使用YOLO-DP模型进行实验和验证。
背景与挑战
背景概述
随着无人机技术在农业领域的广泛应用,精准农业的需求日益增长。PDT数据集(Pests and Diseases Tree dataset)由Mingle Zhou等人于2024年创建,旨在解决无人机在农作物病虫害检测中的数据缺失问题。该数据集是首个基于无人机的高精度病虫害检测数据集,涵盖了真实操作环境中的高分辨率图像,填补了该领域的数据空白。此外,通过整合公共数据集和网络数据,研究团队还引入了Common Weed and Crop数据集(CWC数据集),以增强模型的分类能力。PDT数据集的开发不仅推动了无人机在农业中的应用,还为相关领域的研究提供了宝贵的资源。
当前挑战
PDT数据集在构建过程中面临多项挑战。首先,无人机在户外拍摄时,图像质量受光照变化和目标尺寸差异的影响较大,现有室内数据集难以满足实际需求。其次,现有数据集多为单一或双类别,无法满足模型分类能力的训练需求。此外,传统检测模型在无人机智能植保中的应用存在局限性,缺乏针对性的基准模型。PDT数据集通过引入高分辨率图像和多类别数据,解决了这些挑战,但其高密度小目标检测和环境因素的复杂性仍需进一步研究和优化。
常用场景
经典使用场景
在精准农业领域,PDT数据集被广泛用于无人机目标检测任务,特别是针对树木病虫害的识别。该数据集通过高分辨率和高密度的图像,提供了真实环境下的病虫害检测数据,填补了该领域的数据空白。通过结合公共数据集和网络数据,PDT数据集不仅提升了模型的分类能力,还为高精度目标检测提供了坚实的基础。
解决学术问题
PDT数据集解决了精准农业中缺乏专门用于无人机病虫害检测数据集的问题。其高精度和高密度的图像数据为研究者提供了丰富的训练样本,推动了相关算法的发展。此外,PDT数据集的引入还促进了多类别分类模型的研究,提升了模型在复杂环境下的检测能力,对农业智能化进程具有重要意义。
实际应用
PDT数据集在实际应用中主要用于农业无人机的高精度病虫害检测。通过该数据集训练的模型能够有效识别和定位农田中的病虫害,为精准施药提供科学依据。这不仅提高了农业生产的效率,还减少了农药的滥用,对环境保护和可持续发展具有积极影响。
数据集最近研究
最新研究方向
在精准农业领域,PDT数据集的最新研究方向主要集中在无人机目标检测技术的优化与应用。随着无人机技术在农业中的广泛应用,精准识别作物中的杂草和病虫害成为提升农业生产效率的关键。PDT数据集通过提供高精度的无人机图像,填补了该领域数据集的空白,推动了模型开发和算法优化的前沿研究。相关研究不仅关注于提高检测模型的准确性和效率,还探索了多分辨率图像处理和3D点云数据的应用,以增强模型的环境适应性和目标识别能力。这些研究对于实现智能化农业操作、减少农药浪费和提升作物健康管理具有重要意义。
相关研究论文
  • 1
    PDT: Uav Target Detection Dataset for Pests and Diseases Tree山东计算机科学中心(国家超级计算济南中心),齐鲁工业大学(山东省科学院) · 2024年
以上内容由AI搜集并总结生成