董偉,朱靜波,管博倫,孔娟娟,李閏枚,張萌,張立平
數(shù)據(jù)論文
基于自然背景的蚜蟲(chóng)圖像數(shù)據(jù)集
董偉,朱靜波,管博倫*,孔娟娟,李閏枚,張萌,張立平
安徽省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)與信息研究所,合肥 230001,中國(guó)
蚜蟲(chóng)的發(fā)生是影響農(nóng)作物產(chǎn)量和質(zhì)量的重要原因之一。對(duì)蚜蟲(chóng)進(jìn)行檢測(cè)和計(jì)數(shù)是對(duì)蟲(chóng)害早發(fā)現(xiàn)、早治理的重要環(huán)節(jié)。隨著信息技術(shù)的發(fā)展,已經(jīng)有專(zhuān)家學(xué)者利用計(jì)算機(jī)視覺(jué)感知技術(shù)對(duì)農(nóng)業(yè)害蟲(chóng)進(jìn)行識(shí)別研究,并取得了一定的進(jìn)展。高質(zhì)量、大規(guī)模的基礎(chǔ)數(shù)據(jù)對(duì)計(jì)算機(jī)視覺(jué)的發(fā)展往往能夠起到?jīng)Q定性作用,缺少高質(zhì)量、大規(guī)模的基礎(chǔ)圖像數(shù)據(jù)是蚜蟲(chóng)精準(zhǔn)識(shí)別研究面臨的難題。蚜蟲(chóng)是一類(lèi)重要的農(nóng)業(yè)害蟲(chóng),具有尺寸微小、密集分布、蟲(chóng)間遮擋和同種多形態(tài)等特征,這些特征對(duì)于蚜蟲(chóng)的檢測(cè)與計(jì)數(shù)又是一項(xiàng)嚴(yán)峻的挑戰(zhàn)。本文提供了包括桃粉蚜、桃蚜、棉蚜、禾谷縊管蚜等13種農(nóng)業(yè)蚜蟲(chóng)數(shù)據(jù)集,共6287張高清原始圖像。這些蚜蟲(chóng)圖像是利用單反相機(jī)在自然大田環(huán)境中采集、以文件夾形式進(jìn)行存儲(chǔ)、經(jīng)過(guò)從事圖像數(shù)據(jù)管理的專(zhuān)業(yè)人員清洗和整理、并由植保專(zhuān)家對(duì)其進(jìn)行鑒定和分類(lèi)的,保障了數(shù)據(jù)的高質(zhì)量和可靠性。該數(shù)據(jù)集可為蚜蟲(chóng)的識(shí)別、檢測(cè)計(jì)數(shù)和分類(lèi)提供數(shù)據(jù)基礎(chǔ)。
蚜蟲(chóng);計(jì)算機(jī)視覺(jué);圖像數(shù)據(jù)
利用深度學(xué)習(xí)技術(shù)對(duì)農(nóng)業(yè)害蟲(chóng)進(jìn)行智能識(shí)別是農(nóng)業(yè)信息化的研究方向之一,隨著深度學(xué)習(xí)算法的研究深入,信息化手段在農(nóng)業(yè)病蟲(chóng)害領(lǐng)域的應(yīng)用不斷取得新的突破[1]。在眾多研究熱點(diǎn)中,構(gòu)建大規(guī)模、高質(zhì)量的科學(xué)數(shù)據(jù)集是識(shí)別任務(wù)的基礎(chǔ),是計(jì)算機(jī)視覺(jué)技術(shù)的重要步驟之一。農(nóng)業(yè)害蟲(chóng)智能識(shí)別技術(shù)包含數(shù)據(jù)獲取、數(shù)據(jù)處理和數(shù)據(jù)應(yīng)用三個(gè)核心技術(shù)[2],其中數(shù)據(jù)獲取與數(shù)據(jù)處理技術(shù)可歸類(lèi)于科學(xué)數(shù)據(jù)集的構(gòu)建,科學(xué)、高質(zhì)量的數(shù)據(jù)集對(duì)識(shí)別算法的研究起著舉足輕重的作用。農(nóng)業(yè)害蟲(chóng)的發(fā)生受到自然環(huán)境、作物栽培、農(nóng)事活動(dòng)等多種因素的制約,采集理想的害蟲(chóng)圖像數(shù)據(jù),構(gòu)建科學(xué)、高質(zhì)量的害蟲(chóng)數(shù)據(jù)集,已經(jīng)成為團(tuán)隊(duì)開(kāi)展智能識(shí)別研究所面臨的新挑戰(zhàn)。
為了采集到足夠數(shù)量的圖像數(shù)據(jù),許多團(tuán)隊(duì)嘗試從互聯(lián)網(wǎng)抓取或者實(shí)驗(yàn)環(huán)境中采集拍攝。但互聯(lián)網(wǎng)上的農(nóng)業(yè)蟲(chóng)害圖像成像質(zhì)量參差不齊且鑒定準(zhǔn)確性不高,實(shí)驗(yàn)環(huán)境中采集的圖像往往種類(lèi)較少。因此,通過(guò)上述的兩種方法都難以采集到符合自然環(huán)境條件下成規(guī)模的高質(zhì)量圖像數(shù)據(jù)[3]。
蚜蟲(chóng)是一類(lèi)重要的農(nóng)業(yè)害蟲(chóng),它吸食植物汁液,造成植物長(zhǎng)勢(shì)衰弱,甚至生長(zhǎng)停滯,還會(huì)傳播植物病毒,引起病毒病,造成更大損失。農(nóng)業(yè)害蟲(chóng)圖像中的蚜蟲(chóng)具有目標(biāo)小、目標(biāo)密集、目標(biāo)間遮擋堆疊等特點(diǎn),這些問(wèn)題是農(nóng)業(yè)害蟲(chóng)檢測(cè)與計(jì)數(shù)任務(wù)面臨的挑戰(zhàn)之一[4]。目標(biāo)小是指蚜蟲(chóng)的個(gè)體微小,體長(zhǎng)1:3毫米,個(gè)體占圖像畫(huà)面的比例很小;目標(biāo)密集指的是單位區(qū)域內(nèi)目標(biāo)對(duì)象的數(shù)量過(guò)多;目標(biāo)遮擋指的是密集的目標(biāo)對(duì)象之間相互遮擋,或目標(biāo)對(duì)象容易被作物的葉片、莖稈等部位遮擋。深度學(xué)習(xí)技術(shù)對(duì)圖像中的密集目標(biāo)檢測(cè)計(jì)數(shù),是通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取的目標(biāo)對(duì)象特征來(lái)進(jìn)行檢測(cè)計(jì)數(shù),而目標(biāo)小、目標(biāo)密集與目標(biāo)間遮擋容易導(dǎo)致卷積網(wǎng)絡(luò)提取的目標(biāo)特征過(guò)少,檢測(cè)準(zhǔn)確率較低。通過(guò)實(shí)驗(yàn)分析了影響深度學(xué)習(xí)算法檢測(cè)精度的主要原因是目標(biāo)尺寸、目標(biāo)間遮擋和數(shù)據(jù)集中樣本容量,而高質(zhì)量的密集農(nóng)業(yè)害蟲(chóng)圖像數(shù)據(jù)的缺乏更是限制了識(shí)別算法在該領(lǐng)域的發(fā)展[5]。通過(guò)對(duì)密集圖像的觀察可以發(fā)現(xiàn),在目標(biāo)密集的圖像中發(fā)生遮擋的概率一般會(huì)比較高。這種情況會(huì)導(dǎo)致目標(biāo)特征提取不足或者難以判斷遮擋的部分是否屬于同一個(gè)體,需要對(duì)算法做針對(duì)性的改進(jìn)以提高模型的準(zhǔn)確性[6]。在Yolov5算法的主干網(wǎng)絡(luò)中段添加scSE模塊和在網(wǎng)絡(luò)后段加入ASPP模塊,通過(guò)增加提取目標(biāo)的局部與邊緣特征,擴(kuò)大感受野,提取多尺度信息,從而提高模型的檢測(cè)精度和召回率[7]。增加了小目標(biāo)樣本的數(shù)量,通過(guò)改進(jìn)模型框架,改進(jìn)候選區(qū)域生成網(wǎng)絡(luò),提高了提取小目標(biāo)特征的能力,增強(qiáng)了學(xué)習(xí)效果[8]。
農(nóng)業(yè)病蟲(chóng)害圖像數(shù)據(jù)庫(kù)(PDPP)[9]是安徽省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)與信息研究所農(nóng)業(yè)大數(shù)據(jù)團(tuán)隊(duì)建設(shè)并長(zhǎng)期堅(jiān)持更新維護(hù)的一個(gè)專(zhuān)業(yè)性圖像數(shù)據(jù)庫(kù)。自1999年起,本團(tuán)隊(duì)立足安徽,輻射全國(guó),深入全國(guó)近30個(gè)省份,于各類(lèi)農(nóng)田實(shí)地拍攝農(nóng)業(yè)病蟲(chóng)草害圖像近100萬(wàn)張,由植保專(zhuān)家進(jìn)行整理鑒定,可提供計(jì)算機(jī)視覺(jué)算法研究、圖文知識(shí)庫(kù)構(gòu)建、數(shù)據(jù)挖掘等服務(wù)。自動(dòng)檢測(cè)計(jì)數(shù)算法的研究需要大量的蚜蟲(chóng)圖像樣本,作者從自建的農(nóng)業(yè)害蟲(chóng)圖像庫(kù)中選取了13種圖像數(shù)量較多的蚜蟲(chóng),構(gòu)建了此蚜蟲(chóng)圖像數(shù)據(jù)集。本文公開(kāi)的數(shù)據(jù)集是農(nóng)業(yè)病蟲(chóng)害圖像數(shù)據(jù)庫(kù)中的一部分,涵蓋桃粉蚜((Blanchard))、桃蚜((Sulzer))、棉蚜(Glover)、禾谷縊管蚜((Linnaeus))等13種蚜蟲(chóng),每種蚜蟲(chóng)有253到847幅數(shù)量不等的原色生態(tài)圖片,圖像的分辨率大多為7360×4912像素,可作為蚜蟲(chóng)識(shí)別與檢測(cè)計(jì)數(shù)的數(shù)據(jù)集使用。
蚜蟲(chóng)是農(nóng)林害蟲(chóng)中常見(jiàn)且重要的一類(lèi),蚜蟲(chóng)的統(tǒng)計(jì)計(jì)數(shù)是預(yù)測(cè)預(yù)報(bào)中的重要環(huán)節(jié)。因其常群集發(fā)生,個(gè)體之間常互相遮擋、堆疊,導(dǎo)致人工統(tǒng)計(jì)勞動(dòng)量大,自動(dòng)檢測(cè)計(jì)數(shù)算法的研究需要大量的蚜蟲(chóng)圖像樣本。數(shù)據(jù)采集地點(diǎn)位于黑龍江、內(nèi)蒙古、青海、甘肅、寧夏、山東、安徽、江西、廣東、海南、貴州、云南及西藏等地方。本數(shù)據(jù)集中圖像采集所用的設(shè)備為尼康D7000、尼康D750、尼康D300s、尼康D810、尼康D70及索尼F717數(shù)碼單反相機(jī),配備尼康105 mm f/2.8、尼康200 mm f/4、蔡司100 mm f/2、IRIX 150 mm f/3.5等微距鏡頭,拍攝時(shí)使用到的焦距分別為:200 mm、150 mm、105 mm、100 mm、70 mm。拍攝時(shí)采用各相機(jī)最大分辨率,拍攝格式為.NEF格式,其后在計(jì)算機(jī)上使用Instant JPEG from RAW插件從.NEF文件中提取.jpg文件。拍攝時(shí)采用全手動(dòng)模式,根據(jù)現(xiàn)場(chǎng)光線條件,調(diào)整適當(dāng)?shù)墓馊?、曝光時(shí)間、感光度及閃光燈輸出量,使拍攝對(duì)象在畫(huà)面中成像清晰,圖像采集者現(xiàn)場(chǎng)工作如圖1所示。
蚜蟲(chóng)圖像數(shù)據(jù)以文件夾的形式存儲(chǔ)。本文提供的蚜蟲(chóng)數(shù)據(jù)集是原始尺寸圖像,最大像素為7360×4912,如圖2所示,在圖像的屬性中還包含了拍攝時(shí)間、拍攝地點(diǎn)、圖像大小、拍攝參數(shù)等信息。
如表1所示,第一列是蚜蟲(chóng)的中文名稱(chēng),第二列是蚜蟲(chóng)的拉丁名,第三列是該文件夾中包含的樣本數(shù)據(jù)量,第五列為類(lèi)別號(hào),其中類(lèi)別號(hào)與蚜蟲(chóng)種類(lèi)一一對(duì)應(yīng)。
本文中整理的蚜蟲(chóng)數(shù)據(jù)集包括桃粉蚜、桃蚜、棉蚜、禾谷縊管蚜、繡線菊蚜、花生蚜、萵苣指管蚜、荻草谷網(wǎng)蚜、甘藍(lán)蚜、蘿卜蚜、玉米蚜、核桃全斑蚜和梨大綠蚜13類(lèi)。每一類(lèi)蚜蟲(chóng)按文件夾單獨(dú)存放,包含較遠(yuǎn)距離圖像、中距離圖像和近距離圖像。如圖3所示的三種不同距離樣本圖像,其中20232是繡線菊蚜的較遠(yuǎn)距離圖像,20124是桃粉蚜中距離圖像,20208是禾谷縊管蚜近距離圖像。較遠(yuǎn)的圖像包含較多的背景信息,可提供蚜蟲(chóng)的寄主作物種類(lèi)信息,寄主信息是蚜蟲(chóng)鑒定的重要信息之一;中距離圖像可以清晰地分辨蚜蟲(chóng)的個(gè)數(shù)和輪廓,有利于對(duì)蚜蟲(chóng)進(jìn)行檢測(cè)和計(jì)數(shù);較近距離的圖像包含更多的蚜蟲(chóng)細(xì)節(jié)形態(tài)特征。
圖1 現(xiàn)場(chǎng)采集工作
圖2 圖像屬性信息
表1 農(nóng)業(yè)蚜蟲(chóng)圖像樣本數(shù)量
圖3 蚜蟲(chóng)圖像
本文中的農(nóng)業(yè)蚜蟲(chóng)原始圖像數(shù)據(jù)是由有著多年病蟲(chóng)害圖像拍攝經(jīng)驗(yàn)的植保專(zhuān)家?guī)ьI(lǐng)團(tuán)隊(duì)成員在田間實(shí)地環(huán)境拍攝的。在數(shù)據(jù)采集的過(guò)程中,注重對(duì)同一類(lèi)目標(biāo)多群體、多角度、多背景、多光照條件拍攝,以增加圖像樣本的多樣性。在數(shù)據(jù)處理的過(guò)程中,團(tuán)隊(duì)成員對(duì)所有圖像進(jìn)行整理,刪除無(wú)語(yǔ)義和模糊的圖像,并由植保專(zhuān)家進(jìn)行核對(duì)、鑒定,嚴(yán)格控制圖像的清晰度和鑒定準(zhǔn)確性,保證了數(shù)據(jù)集樣本圖像的質(zhì)量和可靠性。
在自然環(huán)境中,蚜蟲(chóng)具有目標(biāo)小、目標(biāo)密集、目標(biāo)遮擋等問(wèn)題,是模型算法在檢測(cè)和計(jì)數(shù)應(yīng)用中面臨的挑戰(zhàn)之一。大規(guī)模、高質(zhì)量的蚜蟲(chóng)圖像數(shù)據(jù)集對(duì)提升算法的準(zhǔn)確率能夠起到舉足輕重的作用[10]。本數(shù)據(jù)集是經(jīng)清洗、鑒定、分類(lèi)匯總后的高質(zhì)量蚜蟲(chóng)圖像數(shù)據(jù)集,較高的像素保證了圖像擁有更多的細(xì)節(jié)特征,具有較高的使用價(jià)值。
利用本數(shù)據(jù)集可以開(kāi)展以下研究:(1)由于蚜蟲(chóng)的空間分布特性及相機(jī)景深有限,拍攝的樣本中難免會(huì)出現(xiàn)圖像局部清晰局部模糊的現(xiàn)象,在檢測(cè)計(jì)數(shù)過(guò)程中如何調(diào)整算法,合理地對(duì)部分模糊的蚜蟲(chóng)進(jìn)行檢測(cè)計(jì)數(shù)。(2)蚜蟲(chóng)具有群集性,密集分布的蟲(chóng)體間相互遮擋、堆疊,圖像中往往只能顯示蚜蟲(chóng)個(gè)體的局部圖像,如何改進(jìn)算法提高遮擋目標(biāo)的檢測(cè)計(jì)數(shù)精確度。(3)寄主信息對(duì)蚜蟲(chóng)的識(shí)別和鑒定十分重要,如何自動(dòng)識(shí)別圖像中的寄主種類(lèi),結(jié)合上下文信息設(shè)計(jì)識(shí)別模型,提高檢測(cè)計(jì)數(shù)準(zhǔn)確度。(4)蚜蟲(chóng)具有多型性,如有翅孤雌蚜、無(wú)翅胎生蚜等,形態(tài)有明顯差異,有時(shí)會(huì)混合發(fā)生,如何降低同種蚜蟲(chóng)不同形態(tài)對(duì)模型識(shí)別和檢測(cè)計(jì)數(shù)準(zhǔn)確性的干擾。
中國(guó)科技資源標(biāo)識(shí)碼(CSTR):https://cstr.cn/ 17058.11.sciencedb.agriculture.00030;
數(shù)字對(duì)象標(biāo)識(shí)碼(DOI):https://doi.org/10.57760/sciencedb.agriculture.00030。
允許公開(kāi)訪問(wèn)。
作者分工與貢獻(xiàn)
董偉,概念化、資助獲取、調(diào)查研究與數(shù)據(jù)采集。
朱靜波,數(shù)據(jù)管理、數(shù)據(jù)采集。
孔娟娟,數(shù)據(jù)管理、資源提供。
李閏枚,驗(yàn)證、可視化
管博倫,方法、形式分析、論文撰寫(xiě)。
利益沖突聲明
作者聲明,全部作者均無(wú)會(huì)影響研究公正性的財(cái)務(wù)利益沖突或個(gè)人利益沖突。
[1] Jun Liu, Xuewei Wang. Plant diseases and pests detection based on deep learning: a review[J]. Plant Methods,2021,24,17(1):22. doi: 10.1186/s13007-021-00722-9.
[2] 瞿肇裕,曹益飛,徐煥良,等.農(nóng)作物病蟲(chóng)害識(shí)別關(guān)鍵技術(shù)研究綜述.農(nóng)業(yè)機(jī)械學(xué)報(bào),2021,52(7):1-18.
[3] 康飛龍,李佳,劉濤,等.多類(lèi)農(nóng)作物病蟲(chóng)害的圖像識(shí)別應(yīng)用技術(shù)研究綜述.江蘇農(nóng)業(yè)科學(xué), 2020,48(22): 22-27.
[4] 蔣心璐,陳天恩,王聰,等.農(nóng)業(yè)害蟲(chóng)檢測(cè)的深度學(xué)習(xí)算法綜述.計(jì)算機(jī)工程與應(yīng)用,2023,59(6): 30-44.
[5] Weiguang Ding, Graham Taylor. Automatic moth detection from trap images for pest management[J].Computers and Electronics in Agriculture, 2016,123: 17-28.
[6] DU J,LIU L,LI R,et al. Towards densely clustered tiny pest detection in the wild environment[J]. Neurocomputing, 2022,490: 400-412.
[7] 劉奎,聶博文,王廣軍,等.改進(jìn)Yolov5的玉米葉部蚜蟲(chóng)檢測(cè)方法[J].合肥學(xué)院學(xué)報(bào)(綜合版),2023,40(2):81-89.
[8] ZHA M, QIAN W, YI W, et al. A lightweight YOLOv4-based forestry pest detection method using coordinate attention and feature fusion[J]. Entropy, 2021,23(12): 1587.
[9] 安徽省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)與信息研究所農(nóng)業(yè)大數(shù)據(jù)團(tuán)隊(duì). 農(nóng)業(yè)病蟲(chóng)害圖像數(shù)據(jù)庫(kù)(PDPP)//植物保護(hù)數(shù)據(jù)庫(kù)[DB/OL].
[10] 裴浩然. 基于深度學(xué)習(xí)和關(guān)鍵點(diǎn)的蚜蟲(chóng)檢測(cè)方法研究[D]. 安慶市: 安慶師范大學(xué), 2022.
Aphid Image Dataset Based on Natural Background
DONG Wei, ZHU JingBo, GUAN BoLun*, KONG JuanJuan, LI RunMei, ZHANG Meng, ZHANG LiPing
Institute of Agricultural Economics and Information, Anhui Academy of Agricultural Sciences, Hefei 230001, China
Agricultural pests are important reasons affecting crop yield and quality. Aphid is an important group of agricultural pest. Detecting and counting aphids is an important link for early detection and management of this pest. With the development of information technology, many experts and scholars have conducted extensive research on the identification of agricultural pests using computer vision, and have made certain progress. High-quality and large-scale basic data often play a decisive role in the development of computer vision, but the lack of this kind of image data is one of the challenges faced by pest identification. Aphids have features such as small size, dense distribution, inter insect shelter, and multiple forms of same species. These features also pose a serious challenge for the detection and counting of aphids. This article provides a total of 6287 high-definition original images, including a dataset of 13 agricultural pests (aphids) including peach aphid, cotton aphid, and grain constrictor aphid, etc. These aphid images were collected using DSLR cameras in a natural field environment. In order to ensure the high quality and reliability of the data, these images are cleaned and organized by professional personnel, and identified and classified by experts in the field of plant protection. This dataset can provide a data foundation for recognition, detection, counting and classification of aphids.
aphid; computer vision; image data
Data summary:
ItemsDescription Dataset nameAphid Image Dataset Based on Natural Background Specific subject areaPlant protection Research topicAphid Time range2013-2023 Geographical scopeChina Data types and technical formatsData type: image; Technical formats:*.jpg Dataset structureThe dataset contains a total of 6287 images of 13 types of aphids, including Hyalopterus amygdali, Myzus persicae, Aphis gossypii, Rhopalosiphum padi, Aphis spiraecola, Aphis craccivora, Uroleucon formosanum, Sitobion miscanthi, Brevicoryne brassicae, Lipaphis erysimi, Rhopalosiphum maidis, Panaphis juglandis, and Nippolachnus piri. Volume of data16.8 GB Data accessibilityCSTR:https://cstr.cn/17058.11.sciencedb.agriculture.00030DOI: https://doi.org/10.57760/sciencedb.agriculture.00030 Financial supportGeneral Program of National Natural Science Foundation of China “Research on Few-shot Pest Recognition Inspired by Knowledge Transfer and Causal Reasoning”(32171888)Anhui Academy of Agricultural Sciences Research Platform Project “Agricultural Intelligent Technology Research and Development Center”(2023YL1014)
董偉,朱靜波,管博倫,孔娟娟,李閏枚,張萌,張立平. 基于自然背景的蚜蟲(chóng)圖像數(shù)據(jù)集[J]. 農(nóng)業(yè)大數(shù)據(jù)學(xué)報(bào), 2023, 5(3):112-117.
DONG Wei, ZHU JingBo, GUAN BoLun, KONG JuanJuan, LI RunMei, ZHANG Meng, ZHANG LiPing. Aphid Image Dataset Based on Natural Background[J]. Journal of Agricultural Big Data, 2023, 5(3):112-117.
數(shù)據(jù)摘要:
項(xiàng)目描述 數(shù)據(jù)庫(kù)(集)名稱(chēng)基于自然背景的蚜蟲(chóng)圖像數(shù)據(jù)集(Aphis 13) 所屬學(xué)科植物保護(hù) 研究主題蚜蟲(chóng) 數(shù)據(jù)時(shí)間范圍2013—2023年 數(shù)據(jù)地理空間覆蓋中國(guó)境內(nèi) 數(shù)據(jù)類(lèi)型與技術(shù)格式數(shù)據(jù)類(lèi)型:圖像;技術(shù)格式:*.jpg 數(shù)據(jù)庫(kù)(集)組成數(shù)據(jù)集包括桃粉蚜、桃蚜、棉蚜、禾谷縊管蚜、繡線菊蚜、花生蚜、萵苣指管蚜、荻草谷網(wǎng)蚜、甘藍(lán)蚜、蘿卜蚜、玉米蚜、核桃全斑蚜和梨大綠蚜等13類(lèi)蚜蟲(chóng)圖像,共6287張 數(shù)據(jù)量16.8 GB 數(shù)據(jù)可用性CSTR: https://cstr.cn/17058.11.sciencedb.agriculture.00030DOI: https://doi.org/10.57760/sciencedb.agriculture.00030 經(jīng)費(fèi)支持國(guó)家自然科學(xué)基金面上項(xiàng)目“知識(shí)遷移與因果推理啟發(fā)的小樣本害蟲(chóng)圖像識(shí)別研究”(項(xiàng)目編號(hào):32171888);安徽省農(nóng)業(yè)科學(xué)院科研計(jì)劃項(xiàng)目“農(nóng)業(yè)智能化技術(shù)研發(fā)中心”(2023YL014)
農(nóng)業(yè)大數(shù)據(jù)學(xué)報(bào)2023年3期