WeedsGalore: A Multispectral and Multitemporal UAV-based Dataset for Crop and Weed Segmentation in Agricultural Maize Fields

要約

雑草は、収穫量の損失の主な理由の1つですが、現在の除草習慣は効率的かつ標的にされた方法で雑草を管理できません。
効果的な雑草管理は、トウモロコシなどの世界的な生産量が多い作物の作物にとって特に重要です。
ほぼセンシングとコンピュータービジョンの進歩により、雑草管理のための新しいツールの開発が可能になります。
具体的には、新しいセンシングテクノロジーと相まって、最先端のセグメンテーションモデルは、タイムリーで正確な除草および監視システムを促進できます。
ただし、学習ベースのアプローチには注釈付きデータが必要であり、さまざまな作物の航空画像への一般化の欠如を示しています。
農業トウモロコシ畑の作物と雑草のセマンティックとインスタンスのセグメンテーションのための新しいデータセットを提示します。
マルチスペクトルUAVベースのデータセットには、RGB、レッドエッジ、および近赤外帯、多数の植物インスタンス、トウモロコシの密な注釈、4つの雑草クラスを備えた画像が含まれており、多面的です。
予測の不確実性を定量化し、モデルのキャリブレーションを改善し、分散除外データへのアプローチの適用性を実証するための確率的方法を含む、両方のタスクに広範なベースライン結果を提供します。
結果は、RGBのみと比較して2つの追加バンドの有効性を示し、既存のデータセットでトレーニングされたモデルよりもターゲットドメインでのパフォーマンスが向上しています。
私たちのデータセットが、細粒の雑草識別のための方法と運用システムに関する研究を進め、UAVベースの雑草管理の堅牢性と適用性を高めることを願っています。
データセットとコードは、https：//github.com/gfz/weedsgaloreで入手できます

要約(オリジナル)

Weeds are one of the major reasons for crop yield loss but current weeding practices fail to manage weeds in an efficient and targeted manner. Effective weed management is especially important for crops with high worldwide production such as maize, to maximize crop yield for meeting increasing global demands. Advances in near-sensing and computer vision enable the development of new tools for weed management. Specifically, state-of-the-art segmentation models, coupled with novel sensing technologies, can facilitate timely and accurate weeding and monitoring systems. However, learning-based approaches require annotated data and show a lack of generalization to aerial imaging for different crops. We present a novel dataset for semantic and instance segmentation of crops and weeds in agricultural maize fields. The multispectral UAV-based dataset contains images with RGB, red-edge, and near-infrared bands, a large number of plant instances, dense annotations for maize and four weed classes, and is multitemporal. We provide extensive baseline results for both tasks, including probabilistic methods to quantify prediction uncertainty, improve model calibration, and demonstrate the approach’s applicability to out-of-distribution data. The results show the effectiveness of the two additional bands compared to RGB only, and better performance in our target domain than models trained on existing datasets. We hope our dataset advances research on methods and operational systems for fine-grained weed identification, enhancing the robustness and applicability of UAV-based weed management. The dataset and code are available at https://github.com/GFZ/weedsgalore

arxiv情報

提供元, 利用サービス

arxiv.jp, Google