You need to agree to share your contact information to access this dataset

This repository is publicly accessible, but you have to accept the conditions to access its files and content.

Log in or Sign Up to review the conditions and access this dataset content.

Terres Inovia - Dataset d'Essais radio lentille bruchée

Description du Dataset

Ce dataset est fourni par Terres Inovia, l’institut technique de la filière des huiles et protéines végétales​ et de la filière chanvre. Le jeu de données contient 807 images au format JPG, collectées lors d’essais agronomiques avec un accent particulier sur l'analyse de la qualité des graines de lentilles. Le caractère observé est la quantité de graines atteintes par la bruche de la lentille. Un insecte ravageur des cultures.

Structure des Données

Un échantillon provenant du champs est divisé en deux lots, numéroté "A" et "B" ou "1" et "2". Chaque image est associée à des fichiers de comptage qui contiennent des mesures de nombre de graines atteintes par la bruche. Les annotations individuelles par graine ne sont pas incluses, ce qui en fait un dataset adapté pour des approches classiques d’analyse d’image et moins pour des modèles de deep learning, il y a nécessité d'annoter les graine sindividuellement. Les données proviennent de 5 essais différents et mesurées sur 3 années différentes. Voici un exemple des données :

Numéro Radio A Radio B %
36 8 6 7
37 5 5 5
38 0
39 3 3 3
40 4 6 5
41 3 5 4

Utilisation et Objectifs

Ce dataset peut être utilisé pour entraîner et tester des modèles de vision par ordinateur, permettant d'automatiser et de renforcer l’évaluation de la qualité des graines. Compte tenu de la qualité du jeu de données, préférer les approches classiques en utilisant les librairies OpenCV et Scikit-Learn ou autres équivalents.
Ce jeu de données peut être enrichi par des annotations graines à graine afin de développer des solutions basées sur l’intelligence artificielle. Des ressources de deep learning, comme TensorFlow et PyTorch, peuvent être utilisées pour entraîner des modèles adaptés à ce dataset.

Exemples d'Applications

  • Classification de la qualité des graines : nombre de graines bruchées
  • Phenotypage des graines : circularité, diamètre, etc.
  • Automatisation de la qualité des graines
Downloads last month
58