PDT 数据集：首个基于无人机的高精密度树木病虫害目标检测数据集

2024-09-24，由中国山东计算机科学中心、北京大学等机构联合创建了Pests and Diseases Tree（PDT）数据集，目的解决农业领域中病虫害检测模型开发中专业数据集缺失的问题。通过集成公共数据和网络数据，进一步推出了Common Weed and Crop数据集，目的增强模型的分类能力。另外还提出YOLO-Dense Pest模型，用于提高杂草、病虫害作物图像的高精度目标检测。

 

一、研究背景：

研究背景 随着无人机（UAV）技术的发展，其在农作物病虫害检测中的应用越来越广泛。然而，由于缺乏专门的数据集，限制了这一领域研究的深入和模型性能的提升。

 

目前遇到困难和挑战：

1、缺乏专门针对树木病虫害的高精密度无人机数据集。

2、现有的检测模型在实际应用中存在精度不足的问题。

3、需要更丰富的数据集来训练模型，以提高其在多类别检测中的分类能力。

 

 

二、让我们一起来看一下：PDT 和CWC 数据集

Pests and Diseases Tree（PDT）数据集：首个基于无人机的高精密度树木病虫害目标检测数据集。 PDT数据集包含了在真实操作环境中收集的树木病虫害图像，具有高分辨率和低分辨率两个版本。PDT数据集具有高密度、小目标和丰富的真实环境细节特点，适合用于训练特殊的无人机检测模型。

Common Weed and Crop（CWC）数据集：包含了11种不同但外观相似的植物类别，用于提高模型的分类能力。通过整合了多个公共数据源，包含了多种作物和杂草的图像，以增强模型对不同类别的识别能力。CWC数据集则以其类别多样性、详细的纹理信息和数据的真实性而著称。

 

 

数据集构建 ：

PDT数据集的构建包括了数据收集、预处理、标注和验证等多个步骤。研究者们使用无人机在150米的高度进行等距拍摄，采集了大量原始图像数据和3D点云数据。通过滑动窗口方法和“人在回路”的标注方法，提高了数据标注的效率和准确性。

PDT数据集和CWC数据集均可用于训练和测试目标检测模型。研究者们还提出了YOLO-DP模型，并在多个数据集上进行了性能评估，证明了其在高精度检测任务中的有效性。

 

基准测试 ：

研究者们使用PDT和CWC数据集对现有的一些最先进的检测模型进行了重新评估，并分析了这些模型的性能，为该领域建立了基准。

 

 

三、让我们一起展望数据集应用：

 

1、PDT数据集应用：

比如，我是一个果农。

我大部分时间都在打理果园，最怕的就是那些害虫和病害。我得一棵棵树去检查，看有没有虫子咬，有没有病斑。这活儿累人不说，还经常漏掉一些受害的树。有时候，病害扩散开了，损失就大了去了。

 

现在，我有了PDT数据集和YOLO-DP模型这个好帮手，那可就不一样了。

现在呢，我只需要放飞无人机，让它在果园上空转几圈。无人机上的高清摄像头，能把每棵树的情况拍得一清二楚。然后，YOLO-DP模型就上场了，它比最细心的果农还要厉害，能识别出哪些树有病虫害，连那些小小的异常点都逃不过它的“法眼”。

这样一来，我就能直接定位到有问题的树，针对性地喷洒农药。既保护了果树，又减少了农药的使用量。这不仅减少了成本，还对环境更友好。我的果园变得更健康了，果子的质量也上去了，顾客们也更愿意买我的果子了。我这个果农，现在也能享受到科技带来的便利了。这变化，真是让我这个老果农倍感欣喜！

 

 

2、CWC数据集应用：

比如，我是一个农场主。

我在农场种了一大堆不同的作物，但是那些杂草啊，真是让我头疼。有的杂草和作物长得太像了，我有时候都分不清，更别说那些新手工人了。我们以前就是靠人力，一个个地去拔草，或者用机器大面积地除草，但是这样不仅效率低，而且经常误伤到作物，损失不少。

 

现在好了，有了CWC数据集和训练过的无人机，大不一样

这无人机啊，就像齐天大圣孙悟空的一双火眼金睛，能够清楚地分辨出哪些是作物，哪些是杂草，哪怕是那些长得很像的杂草，它也能轻松识别。

我以前除草，就是一视同仁，不管是不是杂草，先除了再说。现在呢，无人机可以精确地找到那些杂草，然后精准地喷洒除草剂，或者是用机械臂把它们拔掉。这样，我的作物就能少受伤害，长得更好，产量自然就上去了。

我这个农场主，现在也能享受到科技带来的便利了。真的是科技改变生活啊。