[论文解读] 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 Madec+15 more|arXiv (Cornell University)|Apr 25, 2020

Smart Agriculture and AI参考文献 38被引用 19

一句话总结

全球小麦穗检测（GWHD）数据集提供了4,700张高分辨率RGB图像，涵盖来自全球不同地点、生长阶段和基因型的190,000个标注小麦穗，旨在通过计算机视觉和机器学习技术，推动小麦穗检测方法的稳健开发与基准测试。该数据集遵循FAIR数据原则，支持标准化的数据采集与标注，解决了遮挡、运动模糊和表型变异等挑战。

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.

研究动机与目标

• 为农业计算机视觉领域小麦穗检测缺乏大规模、多样化且标注完善的数据库提供解决方案。
• 克服小麦穗检测中的挑战，如光照变化、穗重叠、风致模糊以及基因型多样性。
• 建立与FAIR数据原则一致的标准化图像采集与标注协议，以指导未来数据集的开发。
• 支持在全球范围内开发并基准测试具有鲁棒性与泛化能力的小麦穗检测模型。

提出的方法

• GWHD数据集通过国际合作，从多个国家和不同小麦生长阶段收集高分辨率RGB图像构建而成。
• 图像在多样的环境与表型条件下采集，包括光照变化、风力影响和植株密度差异。
• 采用一致的手动标注协议，对190,000个小麦穗进行边界框标注，确保高质量标注结果。
• 系统性地收集元数据，以支持FAIR（可发现、可访问、可互操作、可重用）数据原则。
• 该数据集已公开发布于 https://2020.cocodataset.org/#/index，以支持开放基准测试与模型训练。
• 制定了标准化的图像采集与标注指南，以确保未来数据集在可重复性与一致性方面的保障。

实验结果

研究问题

• RQ1 大规模、多样化且标注完善的数据集在多大程度上能提升小麦穗检测模型的泛化能力？
• RQ2 全球范围内的表型与环境多样性对小麦穗检测算法性能有何影响？
• RQ3 标准化的数据采集与标注协议在多大程度上能提升农业计算机视觉中数据集的质量与可重用性？
• RQ4 包含多种基因型与生长阶段的样本如何影响检测模型的鲁棒性？
• RQ5 公开可用且符合FAIR原则的数据集能否加速小麦表型分析领域的研究与基准测试？

主要发现

• GWHD数据集包含从多个国家采集的4,700张高分辨率RGB图像，涵盖多样化的小麦基因型与生长阶段。
• 共对190,000个小麦穗进行了精确的边界框标注，支持全面的模型训练与评估。
• 该数据集支持在多种条件下的基准测试，包括高密度群体、穗重叠及光照变化等复杂场景。
• 已建立标准化的采集与标注协议，促进未来农业成像研究中的一致性与可重复性。
• 该数据集已公开发布于 https://2020.cocodataset.org/#/index，支持开放研究与模型对比。
• 该数据集有助于在全球农业环境中开发更具鲁棒性与泛化能力的小麦穗检测方法。