用于苹果叶部病害分类的 Plant Pathology 2020 挑战数据集
计算机视觉与模式识别
2020-04-28 v1 人工智能
机器学习
图像与视频处理
摘要
美国苹果园持续受到大量病原物和昆虫的威胁。适当且及时的疾病管理部署依赖于早期病害检测。错误和延迟的诊断可能导致化学品的过度或不足使用，从而增加生产成本、环境与健康影响。我们手动采集了 3,651 张高质量、真实场景下的多种苹果叶部病害症状图像，具有变化的光照、角度、表面和噪声。一个经专家标注的子集用于创建苹果黑星病、苹果锈病和健康叶片的试点数据集，并提供给 Kaggle 社区用于“Plant Pathology Challenge”；该挑战是 CVPR 2020（计算机视觉与模式识别）上细粒度视觉分类（FGVC）研讨会的一部分。我们还在此数据上训练了一个现成的卷积神经网络（CNN）用于病害分类，并在留出测试集上达到了 97% 的准确率。该数据集将有助于基于机器学习的自动化植物病害分类算法的开发与部署，最终实现快速准确的病害检测。我们将继续向试点数据集添加图像，以构建更大、更全面的专家标注数据集，用于未来的 Kaggle 竞赛，并探索更先进的病害分类与量化方法。
引用
@article{arxiv.2004.11958,
title = {The Plant Pathology 2020 challenge dataset to classify foliar disease of apples},
author = {Ranjita Thapa and Noah Snavely and Serge Belongie and Awais Khan},
journal= {arXiv preprint arXiv:2004.11958},
year = {2020}
}
备注
11 pages, 5 figures, Kaggle competition website: https://www.kaggle.com/c/plant-pathology-2020-fgvc7, CVPR fine-grained visual categorization website: https://sites.google.com/view/fgvc7/competitions