面向鲜食葡萄异常检测的合成数据生成
计算机视觉与模式识别
2024-12-18 v1 机器人学
摘要
水果种植中疾病和虫害的早期检测对于维持产量质量和植物健康至关重要。计算机视觉和机器人技术越来越多地用于自动检测此类问题，特别是使用数据驱动的解决方案。然而，这些问题的罕见性使得获取和处理训练此类算法所需的数据成为重大障碍。解决这种稀缺性的一种方法是生成合成的高质量异常样本。虽然存在许多方法，但大多数需要训练有素的人员进行设置。这项工作解决了以自动方式生成合成异常样本的挑战，只需要用户初始收集正常和异常样本——这对农民来说是一项简单的任务。我们在鲜食葡萄种植的背景下演示了该方法。具体来说，基于正常浆果表面相对光滑而缺陷导致更复杂纹理的观察，我们引入了双Canny边缘检测（DCED）滤波器。该滤波器强调指示疾病、虫害或其他缺陷的额外纹理。使用Segment Anything Model提供的分割掩码，我们选择异常浆果并将其无缝融合到正常浆果上。我们表明，所提出的数据集增强技术提高了鲜食葡萄异常分类器的准确性，并且该方法可以推广到其他水果类型。
引用
@article{arxiv.2412.12949,
title = {Synthetic Data Generation for Anomaly Detection on Table Grapes},
author = {Ionut Marian Motoi and Valerio Belli and Alberto Carpineto and Daniele Nardi and Thomas Alessandro Ciarfuglia},
journal= {arXiv preprint arXiv:2412.12949},
year = {2024}
}