无人机视角的葡萄园分割数据集（超大规模），共6000张图像，78.8GB，具体飞行参数如下：DJI Phantom4 RTK (integrated sensor).Sensor characteri

最新推荐文章于 2024-09-30 08:24:54 发布

qq767172261

最新推荐文章于 2024-09-30 08:24:54 发布

阅读量303

点赞数 7

分类专栏：数据集文章标签：无人机获取QQ767172261 数据集葡萄园分割数据集超大规模无人机视角

本文链接：https://blog.csdn.net/2301_78240361/article/details/142647835

版权

数据集专栏收录该内容

253 篇文章 11 订阅

订阅专栏

超大规模无人机视角的葡萄园分割数据集，共6000张图像，78.8GB，具体飞行参数如下：
DJI Phantom4 RTK (integrated sensor).
Sensor characteristics:
- Focal aperture range: f2.8 - f.11
- Shutter speed: 8-1/8000 s
Flight details:
- Flight speed: not stable, between 0.1 and 1 m/s.
- Flight altitude: 3 m above ground level (AGL).

超大规模无人机视角的葡萄园分割数据集

规模

图像数量：6000张
数据量：78.8GB

采集设备

无人机型号：DJI Phantom 4 RTK
传感器特性：
- 光圈范围：f2.8 - f11
- 快门速度：8秒至1/8000秒

飞行参数

飞行速度：不稳定，介于0.1到1米/秒之间
飞行高度：3米（地面以上）

数据特点

高分辨率：所有图像均为高分辨率，提供了丰富的细节信息，有助于提高分割精度。
多样化场景：图像涵盖了不同时间段和光照条件下的葡萄园，确保模型能够适应多种环境。
详细标注：每张图像都附有详细的像素级分割掩码，标明了葡萄藤、叶子、果实等不同部分的位置和范围。
低空飞行：飞行高度仅为3米，使得图像具有极高的细节度，适用于精细的农业管理任务。

类别

葡萄藤：包括主干和枝条
叶子：葡萄植株的叶片
果实：成熟的葡萄果实
土壤：葡萄园中的土壤区域
杂草：葡萄园中的杂草
其他基础设施：如灌溉系统、支撑架等
背景：无特定类别的背景区域

应用场景

精准农业：通过精确分割葡萄藤、叶子和果实，帮助农民进行精细化管理，提高产量和质量。
病虫害监测：自动识别和监测葡萄植株上的病害和虫害，及时采取措施防止扩散。
智能灌溉：根据分割结果优化灌溉策略，减少水资源浪费。
收获预测：通过分析果实的数量和分布，预测收获量，支持生产计划。
研究与教育：用于农业科研机构的研究以及相关院校的教学，帮助学生和研究人员更好地了解葡萄园管理技术。

数据集结构

假设数据集的文件结构如下：

深色版本

vineyard_segmentation_dataset/
├── images/
│   ├── image_0001.jpg
│   ├── image_0002.jpg
│   └── ...
├── masks/
│   ├── mask_0001.png
│   ├── mask_0002.png
│   └── ...
└── metadata.csv

metadata.csv 文件内容示例：

深色版本

image_id, location, date, time, flight_speed, flight_altitude
image_0001, Vineyard A, 2023-06-01, 10:00:00, 0.5, 3.0
image_0002, Vineyard B, 2023-06-02, 10:30:00, 0.8, 3.0
...

masks/mask_0001.png 示例（分割掩码）：

不同颜色表示不同的类别。例如：
- 红色：葡萄藤
- 绿色：叶子
- 蓝色：果实
- 黄色：土壤
- 橙色：杂草
- 紫色：其他基础设施
- 黑色：背景

代码示例

下面是一个简单的Python脚本示例，展示如何加载和可视化这些数据集的一部分。我们将使用OpenCV来读取图像，并从metadata.csv文件中解析图像的元数据。

python

深色版本

import os
import cv2
import pandas as pd
import numpy as np

def load_vineyard_data(image_dir, mask_dir, metadata_file):
    images = []
    masks = []
    metadata = pd.read_csv(metadata_file)
    
    for index, row in metadata.iterrows():
        image_id = row['image_id']
        location = row['location']
        date = row['date']
        time = row['time']
        flight_speed = row['flight_speed']
        flight_altitude = row['flight_altitude']
        
        # 加载图像
        img_path = os.path.join(image_dir, f"{image_id}.jpg")
        image = cv2.imread(img_path)
        
        # 加载对应的分割掩码
        mask_filename = f"mask_{image_id}.png"
        mask_path = os.path.join(mask_dir, mask_filename)
        mask = cv2.imread(mask_path, cv2.IMREAD_COLOR)  # 读取彩色掩码
        
        if image is not None and mask is not None:
            images.append((image, location, date, time, flight_speed, flight_altitude))
            masks.append(mask)
        else:
            print(f"Failed to load image or mask: {img_path} or {mask_path}")
    
    return images, masks, metadata

# 假设图像存储在'image'目录下，分割掩码存储在'masks'目录下，元数据文件为'metadata.csv'
image_dir = 'path_to_your_image_directory'
mask_dir = 'path_to_your_mask_directory'
metadata_file = 'path_to_your_metadata_file'

images, masks, metadata = load_vineyard_data(image_dir, mask_dir, metadata_file)

# 显示第一张图像及其对应的分割掩码
img, location, date, time, flight_speed, flight_altitude = images[0]
mask = masks[0]

# 可视化图像和掩码
cv2.imshow('Image', img)
cv2.imshow('Mask', mask)
cv2.setWindowTitle('Image', f'Image: Location {location}, Date {date}, Time {time}, Speed {flight_speed} m/s, Altitude {flight_altitude} m')
cv2.waitKey(0)
cv2.destroyAllWindows()

说明

路径设置：请根据实际的数据集路径调整path_to_your_image_directory、path_to_your_mask_directory和path_to_your_metadata_file。
文件命名：假设图像文件名分别为.jpg，分割掩码文件名为mask_*.png。如果实际命名规则不同，请相应修改代码。
可视化：通过显示图像和对应的分割掩码，可以直观地看到不同类别的分布情况。