天文多任务数据集ADAM: SKA-MID阵列合成波束分集1、以Galaxy Zoo星系等样本作为天空模型,涵盖了不同的射电源种类;2、经过数据清洗,并模拟观测,生成包含合成波束效应的可见度数据;3、生成四种像素尺寸FITS格式脏图,形成多分辨率数据;4、数据可应用于图像恢复重建、人工智能模型训练与算法验证等。
农田杂草分割多光谱-RGB融合图像数据集数据采集:
数据集通过农田环境的多光谱成像设备与可见光摄像设备协同采集,同时采集对应的地面实拍 RGB 图像。通过严格校准与配准流程,保证多模态图像的空间对应关系。
数据清洗与标注:
所有图像由专业人员完成像素级杂草区域标注,标注内容包含杂草、作物、土壤等类别。通过质量审核机制过滤模糊、不清晰或不合格样本,提高标注准确性。
算法构建流程:
(1)通过独立的 RGB 与多光谱分支提取纹理、光谱等多维度特征;
(2)利用特征融合模块(包括加权融合、注意力机制或 Transformer/Mamba 融合结构)合成互补信息;
(3)采用多尺度解码器或上采样结构,实现杂草区域的像素级分割;
(4)模型训练过程中使用交叉熵、Dice loss 等组合损失函数,提高杂草分割精度。
模型应用:
输出可用于杂草检测、区域统计、精准施药路径生成及农田精细化管理,为相关决策提供技术依据。
植物叶片病害严重程度评估数据集1、数据来源与采集机制:
本数据集公开数据库资源构成,图像涵盖不同植物种类、典型病害类型及其各级严重程度标签,确保评估任务的全面性。
2、数据处理、分级标注与增强:
对采集的图像进行质量筛查、去噪、裁剪等清洗操作后,由专业人员依据病斑面积、分布、颜色变化等指标进行严重程度分级标注。
3、模型训练与持续优化流程:
清洗与标注后的数据被用于训练植物病害严重程度评估模型,模型可输出病害等级、病斑面积估计或相应的严重度指数。
辣椒作物病害多任务数据集1、数据来源包括公开农业数据库及科研合作机构提供的图像资料,涵盖不同病害类型、叶片状态和生长环境。
2、数据经过清洗、标注和质量审核,确保病害类型、受害面积及严重程度的准确性;采用数据增强(旋转、翻转、色彩扰动等)扩展数据多样性。
3、处理后的数据可用于多任务模型训练,包括病害类型分类、病害严重程度量化及叶片受害面积估算;模型可结合视觉大模型技术(如Grounding SAM、DINO)提高少标注数据下的识别精度。
主粮作物病害多任务数据集1、数据通过收集来自用户上传的植物病害图片、公开数据库及科研合作机构的资料获得。这些数据主要包括植物病害的图像和用户反馈信息,涵盖了不同的病害类型和植物种类。2、平台对收集的图像进行清洗和标注,确保数据的准确性和完整性,特别是病害类型和病斑的位置。为了增强数据的多样性,平台还通过数据增强技术进行处理,使得数据集更加全面。3、处理后的数据被应用于病害诊断模型的训练和优化,帮助用户快速识别病害并提供相应的防治方案,同时通过用户反馈不断优化算法,提高模型的精准度。