Weed Stem Detection (WSD)

Weed Stem Detection (WSD)数据集是由上海人工智能实验室等机构创建的高质量weed stem检测数据集，包含7161张田间采集的高分辨率图片，每张图片都有11,151个经过人工标注的weed实例。该数据集旨在解决智能激光除草中的weed茎定位问题，为激光除草提供精确的茎部定位数据，数据集涵盖了玉米、大豆、绿豆三种作物以及weed的bounding boxes和weed茎的坐标点。

Weed Stem Detection (WSD) dataset is a high-quality weed stem detection dataset developed by Shanghai AI Laboratory and other institutions. It contains 7,161 high-resolution field-collected images, with 11,151 manually annotated weed instances per image. This dataset aims to address the problem of weed stem localization in intelligent laser weeding, providing accurate stem localization data for laser weeding applications. It includes bounding boxes for three crop species (corn, soybean, mung bean) as well as weeds, and the coordinate points of weed stems.

搜集汇总

数据集介绍

构建方式

Weed Stem Detection (WSD)数据集的构建是通过收集来自田间的7,161张高分辨率图片，并由三位专业农学家进行人工标注，标注内容包括作物和杂草的边界框以及杂草茎的位置坐标。数据集分为训练集、验证集和测试集，比例为80%、10%和10%。为了提高模型性能并减少标注成本，WSD数据集还包含5,605张未标注的图片，可用于半监督学习。

特点

WSD数据集具有以下特点：1）它是首个包含作物和杂草检测以及杂草茎定位的人工标注数据集；2）数据集包含7,161张高分辨率图片和11,151个标注实例；3）数据集包含未标注图片，可用于半监督学习；4）数据集标注质量高，平均标注时间为135秒。

使用方法

WSD数据集可用于训练和验证集成作物和杂草检测与杂草茎定位的端到端深度学习系统。系统首先通过预训练的目标检测神经网络检测作物和杂草，然后通过额外的茎坐标回归头定位杂草茎。此外，WSD数据集还可用于半监督学习，利用未标注图片提高模型性能。

背景与挑战

背景概述

杂草控制是现代农业面临的关键挑战之一，杂草与作物争夺关键的养分资源，显著降低了作物产量和质量。传统的杂草控制方法，包括化学和机械方法，在实际应用中存在局限性，如对环境的负面影响和效率问题。激光除草作为一种新兴而有效的方法，使用激光束作为茎切割器。尽管已有研究使用深度学习进行杂草识别，但其应用于智能激光除草仍需全面了解。因此，本研究代表了激光除草杂草识别的首次实证研究。为了提高激光束切割的效率和避免损坏目标作物，激光束应直接瞄准杂草根部。然而，杂草茎检测仍然是一个未被充分探索的问题。我们整合了作物和杂草的检测与杂草茎的定位，将其集成到一个端到端系统中。为了在现实场景中训练和验证所提出的系统，我们收集和构建了一个高质量的人标注杂草茎检测数据集。该数据集由7,161张高分辨率图片组成，其中包含11,151个杂草实例的标注。实验结果表明，与现有的杂草识别系统相比，所提出的系统将除草精度提高了6.7%，并将能源成本降低了32.3%。

当前挑战

当前杂草控制方法主要分为化学除草和机械除草。化学方法通常使用有毒物质来抑制或破坏不同生长阶段的杂草，包括在杂草出现前后应用。尽管对各种杂草类型有效，但这些方法会对作物质量产生负面影响，并不可避免地导致化学土壤退化，造成环境污染。相反，机械除草控制方法使用割草机等机器。割草机通常错过小杂草，只能切割杂草表面的部分。因此，割草机在处理深根和多年生杂草时无效，导致频繁维护。一种理想的除草方法应该考虑效率和环保性。激光除草提供了一种有前途的替代方案，它具有上述特性。它利用高能量和高温度的激光束来瞄准和切割杂草的茎，有效地杀死杂草。此外，如果使用清洁能源，激光除草可以环保。得益于深度学习的最新进展，杂草识别在理论上已经得到了很好的研究。考虑到激光除草在除草效率和能源消耗方面的优势，智能激光除草似乎是一条有希望的道路。然而，效率和能源成为智能激光除草机的两个关键问题。为了节约高能光束，激光发射器的直径比叶子小得多。简单地检测或分割杂草并不是一个有效的信号来传输激光束，因为切割叶子不能根除杂草。为了保持高效率的能源使用，激光束应直接瞄准杂草茎的底部。同时，由于激光可以对作物造成不可逆转的损害，检测算法需要低误报率。到目前为止，尽管有一些初创公司试图解决这个问题，但准确定位杂草茎仍然是一个挑战。基于几何原理和农业知识，杂草茎直观上预期与检测到的边界框的几何中心对齐。尽管预测的边界框可以实现高mAP，但预测的杂草茎位置与实际位置相差甚远。此外，传统的杂草检测方法通常使用mAP作为评估指标，这可能不适合激光除草的任务。如图1(c)所示，具有高mAP得分的方法可能仍然表现出较差的根部定位性能，但提高距离精度至关重要，因为它直接有益于激光除草的有效性。为了解决上述挑战，我们提出了一个将作物和杂草检测与杂草茎定位集成到一个统一的端到端系统中的流程。具体来说，我们在对象检测框架内引入了一个额外的根部坐标回归分支。所提出的系统能够处理一系列图像或实时视频流，检测植物边界框并同时定位杂草茎以传输激光，从而在不损坏作物的情况下确保有效的除草。这种流程简单而健壮，可以轻松地实现对象检测器。为了在现实世界中训练和验证所提出的系统，并实证了解激光除草设置下的杂草识别任务，我们收集和整理了杂草茎检测数据集，包括7,161张高分辨率图像，其中包含11,151个标注实例。这个数据集包括三种作物和杂草的边界框，以及杂草茎的坐标。这项工作的主要贡献总结如下。我们提供了一个高质量的杂草茎数据集，具有人工标注和首次实证研究，针对激光除草的实际应用，填补了激光除草领域的重要学术空白。我们提出了一种端到端的深度学习流程，将作物和杂草检测与杂草茎定位集成在一起，可以扩展到半监督学习，可以进一步利用未标记的数据。我们通过实验证明，与以前的基于检测的方法相比，我们的方法在激光除草中更有效，将除草精度提高了6.7%，将能源成本降低了32.3%。

常用场景

经典使用场景

WSD数据集的经典使用场景在于激光除草的智能化。通过深度学习技术，该数据集被用于训练模型，以精准识别和定位杂草的茎部。模型在接收到田间的高分辨率图像后，能够识别作物和杂草，并精确地标出杂草茎部的位置。随后，激光束可以直接瞄准杂草茎部进行切割，从而有效地控制杂草，减少对环境的影响，并提高农业生产的效率。

实际应用

WSD数据集在实际应用中具有广泛的前景。它可以为激光除草机提供精确的杂草茎部定位，从而实现高效的杂草控制。此外，该数据集还可以用于其他农业应用，如作物识别、病虫害检测等。通过深度学习技术，WSD数据集有望为农业生产带来革命性的变化。

衍生相关工作

WSD数据集的推出，催生了大量的相关研究。例如，有研究利用WSD数据集训练模型，以提高激光除草的精度和效率。还有研究将WSD数据集与其他数据集相结合，以构建更加全面的农业数据集。此外，WSD数据集还为深度学习技术在农业领域的应用提供了重要的参考和借鉴。