[논문 리뷰] Global Wheat Head Detection (GWHD) dataset: a large and diverse dataset of high resolution RGB labelled images to develop and benchmark wheat head detection methods

Étienne David, Simon Madec외 15명|arXiv (Cornell University)|2020. 04. 25.

Smart Agriculture and AI참고 문헌 38인용 수 19

한 줄 요약

글로벌 밀 머리 검출(GWHD) 데이터셋은 컴퓨터 시각 및 머신러닝을 활용한 밀 머리 검출 방법의 강력한 개발과 벤치마킹을 가능하게 하기 위해 다양한 글로벌 위치, 생장 단계 및 유전자형에서 유래한 4,700장의 고해상도 RGB 이미지와 190,000개의 레이블링된 밀 머리로 구성되어 있습니다. 이 데이터셋은 FAIR 원칙에 부합하는 표준화된 자료 수집 및 레이블링을 지원하여, 가림, 운동 블러, 표현형 변동성 등의 과제를 해결합니다.

ABSTRACT

Detection of wheat heads is an important task allowing to estimate pertinent traits including head population density and head characteristics such as sanitary state, size, maturity stage and the presence of awns. Several studies developed methods for wheat head detection from high-resolution RGB imagery. They are based on computer vision and machine learning and are generally calibrated and validated on limited datasets. However, variability in observational conditions, genotypic differences, development stages, head orientation represents a challenge in computer vision. Further, possible blurring due to motion or wind and overlap between heads for dense populations make this task even more complex. Through a joint international collaborative effort, we have built a large, diverse and well-labelled dataset, the Global Wheat Head detection (GWHD) dataset. It contains 4,700 high-resolution RGB images and 190,000 labelled wheat heads collected from several countries around the world at different growth stages with a wide range of genotypes. Guidelines for image acquisition, associating minimum metadata to respect FAIR principles and consistent head labelling methods are proposed when developing new head detection datasets. The GWHD is publicly available at http://www.global-wheat.com/ and aimed at developing and benchmarking methods for wheat head detection.

연구 동기 및 목표

• 농업 컴퓨터 시각 분야에서 밀 머리 검출을 위한 대규모, 다양한 종류, 정확하게 레이블링된 데이터셋의 부족을 해결하기 위해.
• 변동하는 조도, 머리 간 겹침, 바람에 의한 블러, 다양한 유전자형 등의 과제를 극복하기 위해.
• 미래의 데이터셋 개발에 부합하는 FAIR 데이터 원칙에 부합하는 표준화된 이미지 촬영 및 레이블링 프로토콜을 수립하기 위해.
• 글로벌 조건에서 일반화 가능하고 견고한 밀 머리 검출 모델의 개발과 벤치마킹을 지원하기 위해.

제안 방법

• GWHD 데이터셋은 여러 국가와 밀 생장 단계에서 고해상도 RGB 이미지를 수집한 국제적 협력 프로젝트를 통해 구축되었습니다.
• 이미지는 다양한 환경적 및 표현형 조건에서 촬영되었으며, 조도, 바람, 식물 밀도의 변화를 포함합니다.
• 일관된 수작업 레이블링 프로토콜을 적용하여 190,000개의 밀 머리를 경계 상자로 정확하게 레이블링하여 고품질의 레이블링을 확보했습니다.
• FAIR(Findable, Accessible, Interoperable, Reusable) 데이터 원칙을 지원하기 위해 메타데이터를 체계적으로 수집했습니다.
• 데이터셋은 공개적으로 제공되며, https://2020.cocodataset.org/#/index 에서 접근 가능하여 개방형 벤치마킹 및 모델 훈련을 가능하게 합니다.
• 향후 데이터셋의 재현성과 일관성을 확보하기 위해 표준화된 이미지 촬영 및 레이블링 지침을 개발했습니다.

실험 결과

연구 질문

• RQ1 대규모, 다양한 종류, 정확하게 레이블링된 데이터셋은 밀 머리 검출 모델의 일반화 능력을 어떻게 향상시킬 수 있는가?
• RQ2 글로벌 표현형 및 환경적 다양성은 밀 머리 검출 알고리즘의 성능에 어떤 영향을 미치는가?
• RQ3 표준화된 자료 수집 및 레이블링 프로토콜은 农업 컴퓨터 시각 분야에서 데이터셋 품질과 재사용 가능성 향상에 어느 정도 기여하는가?
• RQ4 다양한 유전자형과 생장 단계의 포함 여부는 검출 모델의 견고성에 어떤 영향을 미치는가?
• RQ5 공개 가능하고 FAIR 기준을 충족하는 데이터셋은 밀 형질 분석 분야의 연구 및 벤치마킹을 가속화할 수 있는가?

주요 결과

• GWHD 데이터셋은 다양한 밀 유전자형과 생장 단계를 반영한 4,700장의 고해상도 RGB 이미지로 구성되어 있습니다.
• 경계 상자로 정확하게 레이블링된 총 190,000개의 밀 머리가 포함되어 있어 포괄적인 모델 훈련 및 평가가 가능합니다.
• 밀집된 식물군집, 겹치는 머리, 변동하는 조도 등의 다양한 조건에서의 벤치마킹을 지원합니다.
• 표준화된 촬영 및 레이블링 프로토콜이 수립되어 향후 농업 영상 연구의 일관성과 재현성을 향상시킵니다.
• 데이터셋은 https://2020.cocodataset.org/#/index 에서 공개되어 있어 개방형 연구 및 모델 비교를 촉진합니다.
• 이 데이터셋은 글로벌 농업 환경 전반에서 더 견고하고 일반화 가능한 밀 머리 검출 방법의 개발을 가능하게 합니다.