EoD Dataset

使用分布式模型，我们首先使用5个类别定位感兴趣区域，然后基于像素级语义分割生成了20个细粒度子类别。

Employing distributed models, we first localized regions of interest using 5 categories, then generated 20 fine-grained subcategories via pixel-level semantic segmentation.

原始信息汇总

数据集概述

数据集名称

• EoD Dataset

数据集目的

• 旨在通过机器学习方法消除传统表型分析中的观察者偏见，预测温室内番茄植物的生长状态。

数据集特点

• 包含25个类别，总计60,000张图像。
• 通过构建独特的多姿态多角度摄像系统“Eye of Demeter” v1.0收集高质量数字图像。
• 使用分布式模型，首先使用5个类别定位感兴趣区域，然后基于像素级语义分割生成20个细粒度子类别。

数据集应用

• 鼓励研究者不仅进行基本的检测和分类任务，还应基于人工智能物联网（AIoT）策略，改进分布式模型在不同边缘设备（如无人机、机器人、嵌入式系统等）上的性能。

数据集获取

• 可通过克隆此仓库下载。
• 建议在使用前阅读README文件。

引用信息

• 若数据集对研究有帮助，请引用MPTSP论文。 bibtex @online{dah2024, author = {Jay, Sven}, publisher = {DaAnHort}, title = {EoD}, date = {2024-04-24}, url = {https://github.com/0YJ/MPTSTD/}, note = {Presented at the KIDA Conference 2023 in Quedlinburg}, langid = {en} }

搜集汇总

数据集介绍

构建方式

在消除传统表型分析中观察者偏差的背景下，EoD数据集通过人工智能技术构建，旨在预测温室环境中番茄植株的生长状态并检测其细粒度元素。该数据集由68,077张图像组成，分为26个类别，采用独特的多姿态多角度相机系统‘Eye of Ceres’采集高质量数字图像。数据集的生成过程包括首先使用7个类别定位感兴趣区域，随后进行像素级语义分割，细分为19个子类别。

特点

EoD数据集的显著特点在于其高精度和细粒度分类能力，得益于多角度相机系统的高质量图像采集。数据集不仅涵盖了番茄植株的不同生长阶段，还通过像素级语义分割实现了对植株细节的精确识别。此外，数据集的分布式模型结构设计，使其能够适应各种边缘设备，如无人机、机器人和嵌入式系统，体现了人工智能物联网（AIoT）策略的应用。

使用方法

使用EoD数据集时，建议首先克隆相关GitHub仓库以获取数据集文件，并详细阅读README文件以了解数据集的结构和使用指南。数据集适用于训练和验证基于深度学习的模型，特别是用于番茄植株生长状态预测和细粒度元素检测的模型。用户可以利用YOLO-EOC等增强型目标检测算法，结合数据集进行模型训练，并通过准确率、平均精度均值（mAP）和召回率等指标评估模型性能。

背景与挑战

背景概述

在传统表型分析过程中，观察者的偏见问题日益凸显，为此，EoD数据集应运而生。该数据集由Yujie Sven等研究人员于2024年创建，隶属于DaAnHort机构，旨在通过人工智能技术预测温室环境中番茄植物的生长状态并检测其细粒度元素。数据集包含68,077张图像，分为26个类别，利用独特的多姿态多角度摄像系统‘Eye of Ceres’采集高质量图像，以实现对番茄植物不同生命阶段的快速准确监测。该数据集不仅推动了植物表型分析领域的技术进步，还为基于人工智能的农业监测系统提供了坚实的基础。

当前挑战

EoD数据集在构建过程中面临多项挑战。首先，如何有效消除观察者的偏见，确保数据集的客观性和准确性是一大难题。其次，多姿态多角度摄像系统的应用虽提高了图像质量，但也增加了数据采集和处理的复杂性。此外，数据集的分布式模型结构设计，旨在适应边缘设备如无人机和机器人，这要求模型在资源受限的环境中仍能保持高效性能。最后，像素级语义分割和细粒度分类的实现，对模型的精度和计算能力提出了更高的要求。

常用场景

经典使用场景

EoD Dataset在温室环境中对番茄植株的生长状态进行预测与细粒度元素检测方面展现了其经典应用场景。通过多角度、多姿态的摄像系统Eye of Ceres，该数据集提供了高质量的图像数据，支持基于深度学习的区域定位与像素级语义分割。具体而言，数据集首先利用7个类别进行感兴趣区域的定位，随后通过19个细粒度子类别进行像素级的语义分割，从而实现对番茄植株生长过程的精准监测。

实际应用

在实际应用中，EoD Dataset广泛应用于温室农业的智能化管理，特别是在番茄种植的自动化监测与管理中。通过结合无人机、机器人和嵌入式系统等边缘设备，该数据集支持实时、高效的植物生长状态监测，帮助农业从业者优化种植策略、提高产量并减少资源浪费。此外，其分布式模型结构也为智慧农业的推广提供了技术基础，推动了农业生产的现代化与智能化。

衍生相关工作

基于EoD Dataset，研究者们开发了多种增强版的深度学习模型，如YOLO-EOC，该模型通过引入Squeeze-and-Excitation块提升了检测精度。此外，该数据集还激发了在智慧农业领域的多项研究，包括基于AIoT的分布式监测系统、植物生长模型的优化以及边缘计算在农业中的应用。这些衍生工作不仅扩展了数据集的应用范围，还为农业智能化提供了新的技术路径。