Raspberry PhenoSet：用于自动生长检测与产量估计的基于物候学的数据集
计算机视觉与模式识别
2024-11-05 v1 机器人学
摘要
农业的未来与自动化紧密相连。精准的果实检测、产量估计和采收时间预测对于优化农业实践至关重要。这些任务可由机器人执行，以降低人力成本并提高流程效率。为此，深度学习模型需经过训练以执行基于知识的任务，这凸显了贡献高价值数据的重要性。本文介绍 Raspberry PhenoSet，一种基于物候学的数据集，旨在检测和分割跨越七个发育阶段的树莓果实。据我们所知，Raspberry PhenoSet 是首个将生物学分类与果实检测任务相结合的果实数据集，为产量估计和精准采收时机提供了宝贵见解。该数据集包含 1,853 张高分辨率图像，图像质量在文献中最高，于垂直农场受控人工光照下采集。数据集共有 6,907 个实例的掩码标注，人工标记以反映七个物候阶段。我们还使用 YOLOv8、YOLOv10、RT-DETR 和 Mask R-CNN 等多个最先进的深度学习模型对 Raspberry PhenoSet 进行了基准测试，全面评估其在该数据集上的性能。结果凸显了区分细微物候阶段的挑战，并彰显了 Raspberry PhenoSet 在深度学习模型开发和农业机器人实际应用（特别是产量预测和供应链管理）方面的潜力。数据集和训练好的模型已公开供后续研究使用。
引用
@article{arxiv.2411.00967,
title = {Raspberry PhenoSet: A Phenology-based Dataset for Automated Growth Detection and Yield Estimation},
author = {Parham Jafary and Anna Bazangeya and Michelle Pham and Lesley G. Campbell and Sajad Saeedi and Kourosh Zareinia and Habiba Bougherara},
journal= {arXiv preprint arXiv:2411.00967},
year = {2024}
}