PDT 数据集:首个基于无人机的高精密度树木病虫害目标检测数据集

2024-09-24,由中国山东计算机科学中心、北京大学等机构联合创建了Pests and Diseases Tree(PDT)数据集,目的解决农业领域中病虫害检测模型开发中专业数据集缺失的问题。通过集成公共数据和网络数据,进一步推出了Common Weed and Crop数据集,目的增强模型的分类能力。另外还提出YOLO-Dense Pest模型,用于提高杂草、病虫害作物图像的高精度目标检测。

一、研究背景:

研究背景 随着无人机(UAV)技术的发展,其在农作物病虫害检测中的应用越来越广泛。然而,由于缺乏专门的数据集,限制了这一领域研究的深入和模型性能的提升。

目前遇到困难和挑战:

1、缺乏专门针对树木病虫害的高精密度无人机数据集。

2、现有的检测模型在实际应用中存在精度不足的问题。

3、需要更丰富的数据集来训练模型,以提高其在多类别检测中的分类能力。

数据集地址:PDT Dataset|无人机技术数据集|农业应用数据集

二、让我们一起来看一下:PDT 和CWC 数据集

Pests and Diseases Tree(PDT)数据集:首个基于无人机的高精密度树木病虫害目标检测数据集。 PDT数据集包含了在真实操作环境中收集的树木病虫害图像,具有高分辨率和低分辨率两个版本。PDT数据集具有高密度、小目标和丰富的真实环境细节特点,适合用于训练特殊的无人机检测模型。

Common Weed and Crop(CWC)数据集:包含了11种不同但外观相似的植物类别,用于提高模型的分类能力。通过整合了多个公共数据源,包含了多种作物和杂草的图像,以增强模型对不同类别的识别能力。CWC数据集则以其类别多样性、详细的纹理信息和数据的真实性而著称。

数据集构建 :

PDT数据集的构建包括了数据收集、预处理、标注和验证等多个步骤。研究者们使用无人机在150米的高度进行等距拍摄,采集了大量原始图像数据和3D点云数据。通过滑动窗口方法和“人在回路”的标注方法,提高了数据标注的效率和准确性。

PDT数据集和CWC数据集均可用于训练和测试目标检测模型。研究者们还提出了YOLO-DP模型,并在多个数据集上进行了性能评估,证明了其在高精度检测任务中的有效性。

基准测试 :

研究者们使用PDT和CWC数据集对现有的一些最先进的检测模型进行了重新评估,并分析了这些模型的性能,为该领域建立了基准。

数据集比较。(a) 显示了 PDT 数据集(低分辨率 (LL) 和高分辨率 (LH)):640×640、5472×3648。(b) 显示了 CWC 数据集的特征:它包含 11 种不同的相似植物。(c)、(d) 和 (e) 是公共数据集。

数据示例。(a) 是一个健康的目标,(b) 是一个不健康的目标。PDT 数据集将 (b) 作为类别。

PDT 数据集生成和检测过程。(a) 表示滑动窗口方法,(b) 表示“人在环”数据注释方法。(c) 表示将 LL 图像发送到神经网络进行训练,同时检测到 LL 和 LH 双分辨率图像。

YOLO-DP基线模型架构。FPN[21]+PAN[23]模块由GhostConv[12]、上采样(Upsample)、拼接(Concat)和C3组成。C代表拼接(Concat),S代表sigmoid激活函数,P代表通道数扩张,×代表矩阵乘法,+代表矩阵加法。

         PDT数据集检测的可视化。

混淆矩阵。行代表真实类别,列代表预测类别,置信度的数值范围是[0,1]

三、让我们一起展望数据集应用:

1、PDT数据集应用:

比如,我是一个果农。

我大部分时间都在打理果园,最怕的就是那些害虫和病害。我得一棵棵树去检查,看有没有虫子咬,有没有病斑。这活儿累人不说,还经常漏掉一些受害的树。有时候,病害扩散开了,损失就大了去了。

现在,我有了PDT数据集和YOLO-DP模型这个好帮手,那可就不一样了。

现在呢,我只需要放飞无人机,让它在果园上空转几圈。无人机上的高清摄像头,能把每棵树的情况拍得一清二楚。然后,YOLO-DP模型就上场了,它比最细心的果农还要厉害,能识别出哪些树有病虫害,连那些小小的异常点都逃不过它的“法眼”。

这样一来,我就能直接定位到有问题的树,针对性地喷洒农药。既保护了果树,又减少了农药的使用量。这不仅减少了成本,还对环境更友好。我的果园变得更健康了,果子的质量也上去了,顾客们也更愿意买我的果子了。我这个果农,现在也能享受到科技带来的便利了。这变化,真是让我这个老果农倍感欣喜!

2、CWC数据集应用:

比如,我是一个农场主。

我在农场种了一大堆不同的作物,但是那些杂草啊,真是让我头疼。有的杂草和作物长得太像了,我有时候都分不清,更别说那些新手工人了。我们以前就是靠人力,一个个地去拔草,或者用机器大面积地除草,但是这样不仅效率低,而且经常误伤到作物,损失不少。

现在好了,有了CWC数据集和训练过的无人机,大不一样

这无人机啊,就像齐天大圣孙悟空的一双火眼金睛,能够清楚地分辨出哪些是作物,哪些是杂草,哪怕是那些长得很像的杂草,它也能轻松识别。

我以前除草,就是一视同仁,不管是不是杂草,先除了再说。现在呢,无人机可以精确地找到那些杂草,然后精准地喷洒除草剂,或者是用机械臂把它们拔掉。这样,我的作物就能少受伤害,长得更好,产量自然就上去了。

我这个农场主,现在也能享受到科技带来的便利了。真的是科技改变生活啊。

来吧,让我们走进:PDT Dataset|无人机技术数据集|农业应用数据集

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/881865.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

前端笔记(二):svg图标;git

一、svg图标 原视频 注意:图片是使用的png但是图标是使用的svg; (1)配置svg ①main.js里引入icons目录 ②调用函数遍历使用svg ③配置symbolId前都加了icon-,所以引用时应该加icon- ④但是使用时没有加因为组件里…

2024.10.15 sql

刷题网站&#xff1a; 牛客网 select device_id as user_infos_example from user_profile where id < 2 select device_id, university from user_profile where university"北京大学" select device_id, gender, age, university from user_profile where ag…

计算机毕业设计Django+Vue.js豆瓣图书推荐系统 图书评论情感分析 豆瓣图书可视化大屏 豆瓣图书爬虫 数据分析 图书大数据 大数据毕业设计 机器学习

《DjangoVue.js豆瓣图书推荐系统》开题报告 一、研究背景与意义 1. 研究背景 随着数字化时代的来临&#xff0c;图书资源日益丰富&#xff0c;用户面临着信息过载的问题。如何在海量图书中快速找到符合个人兴趣和需求的书籍成为了亟待解决的问题。传统的图书检索方式往往基于…

javaweb以html方式集成富文本编辑器TinyMce

前言&#xff1a; 单一的批量图片上传按钮&#xff0c;禁用tinymce编辑器&#xff0c;但是还可以操作图片编辑&#xff1b; 多元化格式的富文本编辑要求&#xff1b; 采用tinymce实现。 附&#xff1a; tinymce中文手册网站&#xff1a; http://tinymce.ax-z.cn/download-all.…

空间解析几何 3:空间点到线段和平面的距离【附MATLAB代码】

目录 空间中点到线段的距离 空间中点到平面的投影和距离 matlab代码 空间中点到线段的距离 空间中点到平面的投影和距离 matlab代码 function [dis,P2,t] point2Line (A1,B1,C1) %求空间一点到一线段的最短距离 %[dis,P2,Q2]pointSegmentDistance(A,B,C) %A B为线段首末端…

使用LlamaFactory进行模型微调

使用LlamaFactory进行模型微调 简介 论文地址&#xff1a;https://arxiv.org/pdf/2403.13372 仓库地址&#xff1a;https://github.com/hiyouga/LLaMA-Factory/tree/main 名词解释 1. 预训练 (Pre-training, PT) 预训练是指模型在大规模无监督数据集上进行初步训练的过程…

最强 OpenAI o1 逻辑推理正确率仅 50%!清华、智谱推出「大模型逻辑推理新基准」

9.11 和 9.9 哪个大&#xff1f; 这一连人类幼儿园儿童都能回答的问题&#xff0c;曾经&#xff08;至今&#xff09;难倒了众多大语言模型&#xff08;LLM&#xff09;。 然而&#xff0c;要想达到通用人工智能&#xff08;AGI&#xff09;的水平&#xff0c;LLM 不仅要完成“…

居民小区的有序充电策略及解决方案

0引言 全球经济增长导致化石能源过度消耗&#xff0c;加剧环境污染。电动汽车因其环保优势迅速崛起&#xff0c;预计到2030年中国电动汽车保有量将达到6000万辆。这有助于减少化石能源依赖&#xff0c;推广绿色出行&#xff0c;但也对电网稳定性构成挑战。因此&#xff0c;研究…

2.1 HTML5 - Canvas标签

文章目录 引言Canvas标签概述定义实例&#xff1a;创建画布 理解Canvas坐标系概述实例&#xff1a;获取Canvas坐标 获取Canvas环境上下文概述实例&#xff1a;获取Canvas上下文设置渐变色效果 结语 引言 大家好&#xff0c;今天我们要一起探索HTML5中一个非常有趣且强大的特性…

001 Hadoop安装、Spring整合测试

Hadoop安装、整合测试 文章目录 Hadoop安装、整合测试1.简介1.优点2.组成 2.安装1.安装jdk&#xff08;如已安装可跳过&#xff09;2.安装hadoop1.安装2. 修改配置文件core-site.xml3. 修改配置文件hdfs-site.xml4.启动hadoop5.启动yarn6.执行jps查看7.相关端口及配置位置8.访问…

python中不变的数据类型有哪些

在Python中&#xff0c;不可变&#xff08;immutable&#xff09;数据类型是指一旦创建了这些类型的对象后&#xff0c;就不能改变其值。Python中的不可变数据类型包括以下几种&#xff1a; 数字 (int, float, complex): 这些类型的数值一旦创建就不能更改。例如&#xff0c;如…

Flutter 与 React Native - 详细深入对比分析(2024 年)

超长内容预警&#xff0c;建议收藏后阅。 Flutter 和 React Native 是跨平台应用程序开发的两个领先工具。了解它们的差异以及各自的最佳用例。 什么是Flutter&#xff1f; Flutter 是 Google 于 2018 年发布的用户界面 (UI) 软件开发套件。Flutter 可让您为多种平台和操作系统…

在线深度学习:爱奇艺效果广告分钟级模型优化

01# 背景 在效果广告投放场景中&#xff0c;媒体侧需要准确衡量每次请求的价值&#xff0c;模型预估值在广告竞价中扮演着核心角色。模型预估精度的提升&#xff0c;是改善媒体侧变现效率、提升广告收益的核心技术驱动力。 此前&#xff0c;爱奇艺效果广告预估模型为小时级模型…

构建流媒体管道:利用 Docker 部署 Nginx-RTMP 从 FFmpeg RTMP 推流到 HLS 播放的完整流程

最近要实现一个类似导播台的功能&#xff0c;于是我先用 FFmpeg 实现一个参考对照的 Demo&#xff0c;我将其整理为一篇文章&#xff0c;方便后续大家或者和自己参考&#xff01; 1、软件工具介绍 本次部署相关软件 / 工具如下&#xff1a; FFmpeg&#xff1a;全称是 Fast Fo…

软件确认测试内容和方法分享,CMA、CNAS第三方软件检测机构推荐

在现代软件开发中&#xff0c;软件确认测试扮演着至关重要的角色。它不仅帮助开发团队识别系统中的缺陷&#xff0c;还确保软件产品符合用户需求和期望。 软件确认测试旨在验证软件系统的性能和功能是否符合设计规格和用户需求。它通常在软件开发的后期进行&#xff0c;以确保…

火语言RPA流程组件介绍--浏览器上传文件

&#x1f6a9;【组件功能】&#xff1a;在浏览器内自动点击上传功能按钮&#xff0c;选择本地文件完成文件网页上传 配置预览 配置说明 目标元素 支持T或# 通过捕获网页元素或填写css,xpath获取网页元素作为操作目标 上传文件路径 支持T或# 默认FLOW输入项 需要上传的文件…

从零开始构建:Python自定义脚本自动化你的日常任务

从零开始构建&#xff1a;Python自定义脚本自动化你的日常任务 Python 作为一种简洁且功能强大的编程语言&#xff0c;被广泛应用于各种自动化任务中。通过编写 Python 脚本&#xff0c;你可以轻松地将日常重复性工作自动化&#xff0c;例如文件操作、数据处理、网络爬虫、系统…

vue3--通用 button 组件实现

背景 在日常开发中,我们一般都是利用一些诸如:element-ui、element-plus、ant-design等组件库去做我们的页面或者系统 这些对于一些后台管理系统来说是最好的选择,因为后台管理系统其实都是大同小异的,包括功能、布局结构等 但是对于前台项目,比如官网、门户网站这些 …

【Linux驱动开发】嵌入式Linux驱动开发基本步骤,字符驱动和新字符驱动开发入门,点亮LED

【Linux驱动开发】嵌入式Linux驱动开发基本步骤&#xff0c;字符驱动和新字符驱动开发入门&#xff0c;点亮LED 文章目录 开发环境驱动文件编译驱动安装驱动自动创建设备节点文件 驱动开发驱动设备号地址映射&#xff0c;虚拟内存和硬件内存地址字符驱动旧字符驱动新字符驱动 …

live2d 实时虚拟数字人形象页面显示,对接大模型

live2dSpeek 测试不用gpu可以正常运行 https://github.com/lyz1810/live2dSpeek 运行的话还需要额外下载https://github.com/lyz1810/edge-tts支持语音 ## 运行live2dSpeek >npm install -g http-server >http-server . ## 运行edge-tts python edge-tts.py