Набор данных RipSetCocoaCNCH12
RipSetCocoaCNCH12 Dataset
Restrepo-Arias, Juan Felipe, Salinas-Agudelo, María Isabel, Hernandez Pérez, María Isabel, Marulanda-Tobón, Alejandro, Giraldo-Carvajal, María Camila
Аннотация (перевод)
Подсчет плодов и определение спелости — это задачи компьютерного зрения, которые получили активное развитие в последние годы благодаря прогрессу новых алгоритмов, особенно основанных на искусственных нейронных сетях (ANN), более известных как глубокое обучение (Deep Learning). В сельском хозяйстве алгоритмы, способные подсчитывать количество плодов, включая информацию об их спелости, в основном применяются для прогнозирования объемов производства или планирования различных мероприятий, таких как внесение удобрений или сбор урожая. В данной работе представлен набор данных плодов какао RipSetCocoaCNCH12, размеченный по четырем различным стадиям спелости: стадия 1 (0-2 месяца), стадия 2 (2-4 месяца), стадия 3 (4-6 месяцев), стадия сбора урожая (>6 месяцев). Дополнительный класс также был включен для плодов, сброшенных растениями на ранней стадии развития. 4116 изображений были размечены для обучения алгоритмов, которые в основном выполняют семантическую сегментацию и сегментацию экземпляров. Разметка выполнялась с помощью CVAT (Computer Vision Annotation Tool). Таким образом, набор данных включает разметку в двух форматах: COCO 1.0 и Segmentation Mask 1.1. Изображения были получены с помощью различных мобильных устройств (смартфонов) в полевых условиях в сезон сбора урожая в разное время суток, что позволяет обучать алгоритмы на данных, включающих множество вариаций освещения, цветов, текстур и размеров плодов какао. Насколько нам известно, это первый общедоступный набор данных для обнаружения плодов какао с семантической сегментацией для пяти классов, 4116 изображений и 7917 экземпляров, включающий RGB-изображения и два различных формата меток. Мы рассчитываем, что публикация этого набора данных принесет пользу исследователям в области умного земледелия, особенно в сфере выращивания какао, благодаря количеству и разнообразию содержащихся в нем изображений.
Оригинальная аннотация
Fruit counting and ripeness detection are computer vision applications that have gained strength in recent years due to the advancement of new algorithms, especially those based on artificial neural networks (ANN), better known as Deep Learning. In agriculture, those algorithms capable of fruit counting, including information about their ripeness are mainly applied to make production forecasts or plan different activities such as fertilization or crop harvest. This work presents the RipSetCocoaCNCH12 dataset of cocoa pods labeled at four different ripeness stages: stage 1 (0-2 months), stage 2 (2-4 months), stage 3 (4-6 months), harvest stage (>6 months). An additional class was also included for pods aborted by plants in the early stage of development. 4116 images were labeled to train algorithms that mainly perform semantic and instance segmentation. The labeling was carried out with CVAT (Computer Vision Annotation Tool). The dataset, therefore, includes labeling in two formats: COCO 1.0 and Segmentation Mask 1.1. The images were taken with different mobile devices (smartphones), in field conditions, during the harvest season at different times of the day, which can allow the algorithms to be trained with data that includes many variables of lighting, colors, textures, and sizes of the cocoa pods. As far as we know, this is the first openly available dataset for cocoa pod detection with semantic segmentation for five classes, 4116 images, and 7917 instances, comprising RGB images and two different formats for labels. With the publication of this dataset, we expect that researchers in smart farming, especially in cocoa cultivation, can benefit from the quantity and variety of images it contains.
Идентификаторы
Canonical: https://research.holos.house/w/815daec3-96f4-4631-9fe6-5164ca5c8356
DOI: 10.5281/zenodo.7968315