从幼苗到收获：用于大豆作物杂草检测的GrowingSoy实例分割数据集
计算机视觉与模式识别
2024-06-06 v2 机器人学
摘要
深度学习，特别是卷积神经网络(CNN)，因其在计算机视觉中的有效性而受到广泛关注，尤其是在农业任务中。实例分割的最新进展提高了图像分类的准确性。在这项工作中，我们引入了一个全面的数据集，用于通过实例分割训练神经网络检测杂草和大豆植株。我们的数据集涵盖了大豆生长的各个阶段，提供了杂草入侵影响的时序视角，包含1000张精心标注的图像。我们还提供了6个在该数据集上训练的最先进模型，这些模型能够理解和检测种植过程每个阶段的大豆和杂草。通过使用该数据集进行杂草和大豆分割，我们在所有植物类别上使用YOLOv8X模型实现了79.1%的分割平均精度和69.2%的平均召回率。此外，YOLOv8M模型在caruru杂草分割中达到了78.7%的平均精度(mAp-50)，在禾本科杂草分割中达到69.7%，在大豆植株分割中达到90.1%。
引用
@article{arxiv.2406.00313,
title = {From Seedling to Harvest: The GrowingSoy Dataset for Weed Detection in Soy Crops via Instance Segmentation},
author = {Raul Steinmetz and Victor A. Kich and Henrique Krever and Joao D. Rigo Mazzarolo and Ricardo B. Grando and Vinicius Marini and Celio Trois and Ard Nieuwenhuizen},
journal= {arXiv preprint arXiv:2406.00313},
year = {2024}
}
备注
11th IEEE International Conference on Cybernetics and Intelligent Systems (CIS)