[论文解读] 4Weed Dataset: Annotated Imagery Weeds Dataset

Varun Aggarwal, Aanis Ahmad+2 more|arXiv (Cornell University)|Mar 29, 2022

Smart Agriculture and AI被引用 4

一句话总结

本文介绍了4Weed数据集，这是一个大规模、经标注的RGB影像集合，包含来自四种常见杂草——雀麦、狐尾草、红根藜和大猪草的618张图像，数据在真实田间和温室条件下采集。该数据集支持训练深度学习模型用于图像分类和目标检测，其边界框标注可实现玉米和大豆田中早期杂草的精准识别。

ABSTRACT

Weeds are a major threat to crops and are responsible for reducing crop yield worldwide. To mitigate their negative effect, it is advantageous to accurately identify them early in the season to prevent their spread throughout the field. Traditionally, farmers rely on manually scouting fields and applying herbicides for different weeds. However, it is easy to confuse between crops with weeds during the early growth stages. Recently, deep learning-based weed identification has become popular as deep learning relies on convolutional neural networks that are capable of learning important distinguishable features between weeds and crops. However, training robust deep learning models requires access to large imagery datasets. Therefore, an early-season weeds dataset was acquired under field conditions. The dataset consists of 159 Cocklebur images, 139 Foxtail images, 170 Redroot Pigweed images and 150 Giant Ragweed images corresponding to four common weed species found in corn and soybean production systems.. Bounding box annotations were created for each image to prepare the dataset for training both image classification and object detection deep learning networks capable of accurately locating and identifying weeds within corn and soybean fields. (https://osf.io/w9v3j/)

研究动机与目标

• 为解决在精准农业中用于训练深度学习模型的高质量、田间验证的杂草图像数据集匮乏的问题。
• 实现在显著降低玉米和大豆产量的四种主要杂草物种的早期精准识别。
• 在复杂的真实田间条件下创建一个平衡且经标注的数据集，以提升模型的泛化能力和性能。
• 支持利用目标检测和图像分类深度学习架构开发自动化杂草检测系统。
• 提供一个公开可访问、文档齐全的数据集，以加速计算机视觉在农业杂草管理研究中的进展。

提出的方法

• 在普渡大学ACRE农场和温室中，使用安装在UTV上的六个Logitech 920网络摄像头阵列，以及手持的Sony WX350、Pixel 3和iPhone 11 Pro相机，采集了618张RGB图像。
• 在距地面14英寸的高度，以1080×720至4032×3024像素的分辨率，在多样的田间和受控光照条件下拍摄图像。
• 使用LabelImg工具（Tzutalin, 2015）手动为每张图像中的每株杂草实例创建精确的边界框标注。
• 通过使用手机相机额外采集雀麦和狐尾草的图像，对初始不平衡的数据集进行平衡，实现各类别近乎相等的分布。
• 将数据集划分为四种类别：159张雀麦、139张狐尾草、170张红根藜和150张大猪草图像。
• 该数据集专为图像分类和目标检测深度学习模型的双重用途而设计，支持物种识别与空间定位。

实验结果

研究问题

• RQ1 大规模、田间验证且标注精确的杂草图像数据集能否提升深度学习模型在早期杂草识别中的准确性？
• RQ2 在真实田间条件下，数据集的平衡性与图像多样性如何影响目标检测与分类模型的性能？
• RQ3 像4Weed这样的公开可获取、经标注的数据集在多大程度上能缓解精准农业研究中的数据稀缺问题？
• RQ4 不同图像分辨率及采集方式（固定安装与手持）对杂草检测任务中模型泛化能力有何影响？
• RQ5 4Weed数据集能否作为真实农业环境中训练和评估深度学习模型的可靠基准？

主要发现

• 4Weed数据集包含618张高分辨率RGB图像，涵盖四种常见杂草——雀麦（159张）、狐尾草（139张）、红根藜（170张）和大猪草（150张），数据在真实田间和温室条件下采集。
• 通过使用手机相机有针对性地采集图像，对数据集进行了平衡，使四类杂草的分布近乎相等。
• 使用LabelImg工具创建了边界框标注，使深度学习模型可直接用于目标检测和图像分类的训练。
• 图像以多种分辨率（1080×720至4032×3024像素）采集，增强了模型对尺度变化的鲁棒性。
• 数据集通过安装在UTV上的相机阵列，在距地面14英寸的高度采集，模拟了实时田间巡查条件。
• 该数据集已公开发布于 https://osf.io/w9v3j/，并在先前的研究中已被用于训练深度学习模型进行杂草识别。