Review Jurnal – Grup 3
Om Swastiastu
Namo Budaya
Salam Kebajikan
Selamat Sejahtera bagi kita semua
Kami segenap dari Grup 3, akan mereview sebuah Jurnal Internasional yang berkaitan dengan Teknologi daan Survei kumpulan public yang di impelementasikan pada bidang Agriculture
Nama Jurnal : A Survey of public datasets for computer vision tasks in precision agriculture
Terbit pada : 8 September 2020
Disusun Oleh : Yuzhen Lu, Sierra Young
Dapat diakses melalui Url : https://www.yuzhenlu.com/publication/journal-articles/ly_cea2020/
Nama Team Review
211012050026 Muhamad Buang
211012050048 Muhamad Dani Asmara
211012050004 Mutiara Sukma Ghora Pangumbara'an
211012050024 Theofilus Herly Hatonangan Samosir
ABSTRAK
Teknologi
visi komputer telah menarik minat yang signifikan dalam pertanian presisi dalam
beberapa tahun terakhir. Sebagai inti dari robotika dan kecerdasan buatan, visi
komputer memungkinkan berbagai tugas mulai dari penanaman hingga panen dalam
siklus produksi tanaman dilakukan secara otomatis dan efisien. Namun,
kelangkaan kumpulan data citra publik tetap menjadi hambatan penting untuk
pembuatan prototipe cepat dan evaluasi visi komputer dan algoritme pembelajaran
mesin untuk tugas yang ditargetkan. Sejak 2015, sejumlah kumpulan data gambar
telah dibuat dan tersedia untuk umum untuk mengurangi hambatan ini. Terlepas
dari kemajuan ini, survei khusus pada kumpulan data ini masih kurang. Untuk
mengisi celah ini, makalah ini membuat tinjauan pertama yang komprehensif namun
tidak menyeluruh dari kumpulan data citra publik yang dikumpulkan di bawah
kondisi lapangan untuk memfasilitasi pertanian presisi, yang mencakup 15 kumpulan
data tentang pengendalian gulma, 10 kumpulan data tentang deteksi buah, dan 9
kumpulan data tentang aplikasi lain-lain. Kami mensurvei karakteristik dan
aplikasi utama kumpulan data ini, dan mendiskusikan pertimbangan utama untuk
membuat kumpulan data citra publik berkualitas tinggi. Makalah survei ini akan
bermanfaat bagi komunitas riset dalam pemilihan kumpulan data citra yang sesuai
untuk pengembangan algoritme dan identifikasi di mana pembuatan kumpulan data
citra baru diperlukan untuk mendukung pertanian presisi.
PERKENALAN
Pertanian
presisi, sebagai ciri khas era pertanian 4.0 (De Clercq et al., 2018),
telah berjanji untuk merevolusi praktik pertanian melalui penggunaan teknologi
pemantauan dan intervensi untuk meningkatkan efisiensi produksi sekaligus
mengurangi dampak lingkungan. Saat ini, visi komputer telah banyak digunakan
untuk mendukung tugas-tugas pertanian presisi (juga dikenal sebagai
agro-vision), seperti pemantauan tanaman dan fenotip, pengendalian gulma,
pemanenan, panduan kendaraan, dan pemetaan hasil (Bulanon et al., 2020;
Mavridou et al. ., 2019; Patrício dan Rieder, 2018; Wang et al., 2019).
Robot
pertanian (misalnya kendaraan otonom tak berawak) memiliki potensi untuk
melakukan sebagian besar tugas yang secara konvensional dilakukan oleh mesin
pertanian yang dioperasikan manusia atau manusia (Bechar dan Vigneault,
2016; Bogue, 2016). Robot pengintai lapangan, dalam bentuk penjelajah tanah
atau sistem udara yang tidak dikunci, memungkinkan pemantauan dan diagnosis
pertumbuhan dan kesehatan tanaman pada berbagai skala spasial dan temporal.
Penyiangan robot menggunakan visi komputer untuk deteksi tanaman dan gulma, dan
menghilangkan gulma dengan menerapkan herbisida secara selektif ke gulma yang
terdeteksi (Lamm et al., 2002; Raja et al., 2020) atau melalui
pembudidaya mekanis (Tillett et al., 2008 ).
selain
sistem perangkat keras yang dirancang dengan baik, diperlukan saluran analisis
data yang kuat yang umumnya melibatkan pelatihan model pembelajaran mesin
dengan kumpulan data gambar tertentu. Kumpulan data berskala besar dan
berkualitas tinggi sangat penting untuk kinerja pipa analisis data yang
dikembangkan dan keberhasilan tugas akhir. Persiapan dataset semacam itu,
bagaimanapun, bukanlah hal yang sepele karena upaya dan biaya yang diperlukan
untuk akuisisi gambar, kategorisasi dan anotasi, serta pengukuran fisikokimia
tanaman dalam beberapa kasus. Untuk mengidentifikasi dataset, pencarian
literatur dilakukan secara sistematis. Database umum, termasuk Google Scholar,
ScienceDirect, Springer, Web of Science, IEEE Xplore dan repositori USDA Ag
Data Commons, dicari dengan kata kunci berikut, yaitu, "dataset",
"agriculture", "crop" dan "computer penglihatan"
Pencarian
mengambil 5870 catatan di Google Scholar, 1201 di Science Direct, 1170 di Springer,
49 di Web of Science, 52 di IEEE Xplore dan 3 di USDA Ag Data Commons.
Catatan-catatan selanjutnya disaring berdasarkan dua kriteria inklusi:
1. Kumpulan data tersedia untuk umum tanpa
perlu mengajukan permintaan kepada penulis,
2. Dikumpulkan di lapangan atau kondisi
kuasi-lapangan alih-alih di laboratorium terkontrol lingkungan. Karena sebagian
besar kumpulan data dalam literatur tidak dirilis ke publik, sebagai hasilnya,
hanya 34 catatan pencarian yang sesuai dengan kriteria inklusi dan dipilih dalam
survei ini, di antaranya aplikasi yang paling umum adalah pengendalian gulma
(15 kumpulan data) dan pemanenan buah ( 10 kumpulan data).
KUMPULAN
DATA CITRA PUBLIK
1. Kontrol
gulma
a) Dataset
CWFI (crop/weed field image) adalah salah satu dataset bidang publik pertama
untuk pengendalian gulma. Kamera multispektral, dipasang ke robot bidang otonom
Bonirob (Ruchelshausen et al., 2009). Dataset terdiri dari total 60
gambar mentah dengan resolusi 1296 × 966 piksel, dalam format png, bersama
dengan gambar biner yang sesuai yang mewakili topeng ve getation dan anotasi
tingkat piksel yang menentukan latar belakang gulma, tanaman, dan tanah.
Meskipun kumpulan data ini relatif kecil, namun telah digunakan untuk
mengevaluasi model pembelajaran mesin untuk platform penyiangan robot (McCool
et al., 2017; Fawakherji et al., 2019)
b) Kumpulan
data Carrot-Weed berisi gambar yang dikumpulkan di ladang wortel tetapi
menggunakan kamera ponsel berbiaya rendah dalam kondisi cahaya alami. Ini juga
merupakan kumpulan data skala kecil yang terdiri dari 39 gambar RGB, yang
berformat jpg dan resolusi 1296 × 966 piksel, selain dua set gambar yang
menentukan topeng vegetasi dan anotasi tingkat piksel untuk latar belakang
tanaman, gulma, dan tanah. , masing-masing. Dataset ini telah digunakan untuk
diskriminasi tanaman dan gulma menggunakan fitur tekstur yang dikombinasikan
dengan hutan acak
c) Dataset
bibit tanaman Dataset berisi total 407 gambar RGB format png dan ukuran
bervariasi, setiap gambar yang diperoleh sesuai dengan satu spesies tanaman,
dan karenanya kumpulan data ini dapat digunakan sebagai tolok ukur untuk tugas
klasifikasi tanaman dan gulma (Dyrmann et al., 2018)
d) Kumpulan
data Grass-Broadleaf dibuat berdasarkan kumpulan gambar RGB yang ditangkap oleh
kendaraan udara tanpa pilot (UAV) yang terbang pada ketinggian sekitar 4 m di
atas permukaan tanah di ladang kedelai. Hasilnya, kumpulan data tersebut
terdiri dari total 15.336 tambalan gambar dengan berbagai resolusi dalam format
tiff, yaitu 3249 tanah, 7376 kedelai, 3520 rumput, dan 1191 gulma berdaun
lebar. Selain klasifikasi gambar, penulis menggunakan kumpulan data untuk
mengevaluasi algoritme pengelompokan tanpa pengawasan untuk memfasilitasi
anotasi gambar (dos Santos Ferreira et al., 2019).
e) Dataset
Bit Gula 2016 mewakili upaya awal penggunaan robot lapangan yang dilengkapi
dengan beberapa sensor untuk memperoleh dataset skala besar untuk pengendalian
gulma serta lokalisasi dan navigasi. digunakan untuk memperoleh gambar RGB dan
NIR empat saluran, yang berukuran 1296 × 966 piksel dalam format png, di bawah
pencahayaan terkontrol, pada pertanian bit gula selama tiga bulan. Selain data
untuk navigasi, kumpulan data ini terdiri dari 283 gambar beranotasi
multi-kelas.
f) Kumpulan data gulma SugarBeet Sintetis Data mewakili upaya baru untuk menghasilkan kumpulan data berskala besar secara artifisial untuk pengendalian gulma robotic, Dataset berisi total 8518 gambar RGB sintetik berukuran 480 × 360 piksel dalam format png, yang dibagi menjadi empat kumpulan gambar yang terdiri dari campuran contoh bit gula dan spesies gulma yang berbeda. kumpulan data ini dibuat secara algoritme melalui pembuatan konten prosedural (PCG) yang merupakan teknik yang banyak digunakan dalam grafik computer
2. Deteksi
buah
a) Kumpulan
data DeepFruits digunakan untuk menyempurnakan model pembelajaran mendalam
pra-pelatihan untuk deteksi buah, Dataset terdiri dari 7 subset gambar untuk
buah-buahan yang berbeda, termasuk paprika, rock melon, apel, mangga, jeruk,
dan stroberi, yang masing-masing memiliki 42–170 gambar dengan resolusi
bervariasi dalam format png dan dipartisi menjadi set pelatihan dan pengujian.
b) Dataset
buah kebun Dataset Dataset terdiri dari 1120 (ukuran 308 × 202 piksel), 1964
(ukuran 500 × 500 piksel) dan 620 (ukuran 308 × 202 piksel) gambar berwarna
Gambar-gambar ini telah dipangkas menjadi tambalan kecil dari data mentah
beresolusi tinggi untuk kemudahan pelatihan jaringan saraf dalam yang melarang
penggunaan gambar besar karena kendala memori perangkat keras.
c) Dataset
buah kurma Dataset diperoleh di lingkungan kebun alami dan dibagi menjadi dua
subset terpisah untuk aplikasi yang berbeda. Subset pertama terdiri dari 8079
gambar berwarna berukuran 224 × 224 piksel dalam format jpg, dengan variasi
kaya yang dihasilkan dari berbagai sudut pencitraan dan sisik, iluminasi
variabel, varietas buah yang berbeda dan tahap kematangan. Subset kedua berisi
gambar, video, dan pengukuran berat brunch kurma yang diperoleh selama masa
panen. Kumpulan data ini dapat digunakan untuk membantu tugas-tugas seperti
estimasi hasil.
d) Dataset
KFuji RGB-DS Dataset adalah kumpulan gambar tiga modalitas yang
mengintegrasikan RGB, depth (D) dan rentang IR yang dikoreksi data intensitas
(S), untuk apel 'Fuji' di pohon. Data
gambar diperoleh menggunakan kamera Microsoft Kinect v2 dengan resolusi gambar
kedalaman 512 × 424 piksel dalam format jpg, dipasang pada platform seluler dan
pada malam hari di bawah pencahayaan buatan. Registrasi geometris dilakukan
pada data mentah untuk membangun korespondensi piksel antara saluran RGB, D,
dan IR.
e) Kumpulan
data MangoNet dikumpulkan untuk deteksi mangga dengan model segmentasi semantik
mendalam yang dikustomisasi MangoNet, Ini terdiri dari 49 gambar berwarna
beresolusi tinggi 4000 × 3000 dalam format jpg, yang dikumpulkan di kebun
mangga dalam kondisi pencahayaan alami. Untuk melatih model pembelajaran
mendalam dengan kumpulan data, pengguna perlu memangkas gambar mentah besar
menjadi tambalan kecil, misalnya berukuran 200 × 200 piksel untuk MangoNet (Kestur
et al., 2019), untuk menghindari masalah memori komputasi.
f) Dataset
MangoYOLO Dataset dibuat untuk pembandingan arsitektur pembelajaran mendalam
MangoYolo (Koirala et al., 2019), yang diadaptasi dari detektor objek
YOLOv2 (Redmon dan Farhadi, 2017) dan YOLOv3 (Redmon dan Farhadi,
2018), menuju deteksi buah secara real-time dan estimasi beban kebun.
Berbeda dengan kumpulan data MangoNet, kumpulan data ini dikumpulkan pada malam
hari dengan pencahayaan buatan, dengan kontras gambar yang lebih konsisten dan
lebih baik.
3. Aplikasi lain
a) Dataset
Brokoli 3D dibuat untuk deteksi kepala bunga brokoli berdasarkan penglihatan
3D, yang ditujukan untuk pemanenan robotik selektif. Kumpulan data ini
menyediakan sumber daya yang bagus untuk mengevaluasi segmentasi objek dan
tugas pelokalan menggunakan awan titik 3D serta gambar berwarna.
b) Dataset
Pohon Apel (Akbar et al., 2016) juga merupakan kumpulan data penglihatan
3D tetapi berfokus pada rekonstruksi geometris pohon buah untuk memfasilitasi
pemangkasan pohon robotic. Ada lima jenis informasi tentang masing-masing pohon
dalam kumpulan data, termasuk gambar kedalaman dan warna, yang juga diperoleh
dengan menggunakan kamera Kinect v2, gambar ground-truth la beled oleh kamera
warna biasa, pengukuran diameter ground-truth dari pohon utama cabang, dan
jarak relatif antara sepasang cabang primer yang berurutan.
c) Kumpulan
data Capsicum Annuum a ini merupakan upaya baru dalam menggunakan metode
sintesis untuk pembuatan kumpulan data untuk tugas visi komputer pertanian.
Sintesis gambar dicapai dengan memodelkan parameter geometri tanaman, fitur
warna dan tekstur berdasarkan pengukuran empiris tanaman realistis, diikuti
dengan rendering komputasional. Dataset ini terdiri dari 10.500 citra warna
sintetik dalam format png, dengan segmentasi tingkat piksel dari 8 kelas bagian
tumbuhan meliputi batang, ruas, pucuk samping, daun, tangkai, buah dan bunga
d) Dataset
Bunga Buah, Data citra dikumpulkan untuk bunga dari tiga spesies, apel, persik
dan pir, menggunakan kamera warna dalam kondisi kebun alami. Dalam dataset,
terdapat empat set gambar, masing-masing dua untuk bunga apel dan dua lainnya
untuk bunga persik dan pir, dan keseluruhan dataset berisi 130 gambar berukuran
5184 × 3456 piksel dan 60 gambar berukuran 2704 × 1520 piksel. Anotasi
piksel-bijaksana untuk bunga disediakan dalam bentuk kumpulan gambar biner yang
terpisah, yang dilakukan dengan anotasi tangan bebas awal diikuti dengan
penyempurnaan pertumbuhan wilayah
e) Dataset
Penyakit Jagung penyakit daun jagung yang umum dan merusak. Kumpulan data ini
berisi citra RGB daun jagung yang diambil dengan tiga cara berbeda, antara lain
menggunakan kamera genggam, kamera yang dipasang pada boom, dan kamera yang
dipasang pada UAV kecil (di ketinggian 6 m). Dalam studi selanjutnya, penulis
menyelidiki anotasi tingkat piksel untuk gambar UAV melalui tugas
crowdsourcing, di mana non ahli diminta untuk melakukan anotasi lesi
berdasarkan anotasi garis oleh para ahli
f) Kumpulan
data GrassClover adalah kumpulan data segmentasi gambar dan biomassa yang
beragam yang dirancang untuk mendukung analisis gambar yang kuat dari tanaman
campuran yang sangat tersumbat. Gambar yang disintesis dihasilkan berdasarkan
integrasi acak dari pemotongan tanaman dari spesies yang berbeda dan latar
belakang tanah dari gambar mentah (Skovsen et al., 2019), yang
memungkinkan pembuatan set besar gambar beranotasi dengan sedikit usaha.
DISKUSI
Kelangkaan
kumpulan data citra publik tetap menjadi hambatan utama dalam mengembangkan
visi komputer generasi mendatang dan sistem cerdas untuk pertanian presisi.
Terlepas dari kemajuan yang dibuat dalam beberapa tahun terakhir, upaya
signifikan diperlukan untuk membuat kumpulan data citra publik baru, terutama
untuk banyak domain aplikasi tertentu di mana masih belum ada kumpulan data
citra publik khusus (Zhang et al., 2020a). Oleh karena itu, bagian ini
membahas pertimbangan utama untuk mengatasi kemacetan, terkait akuisisi citra,
augmentasi, anotasi, dan berbagi data, sehingga dapat memberikan beberapa
rekomendasi untuk membantu peneliti dalam tugas pembuatan kumpulan data citra publik
di masa mendatang.
Platform
pencitraan juga merupakan pertimbangan penting untuk pembuatan dataset. Saat
ini sebagian besar kumpulan data publik dikumpulkan menggunakan platform
berbasis darat, baik robot lapangan tanpa sekrup atau platform tetap, atau
hanya dengan memegang kamera. Meskipun UAV mendapatkan momentum dalam pertanian
presisi, data yang diperoleh tidak tersedia untuk umum dalam banyak kasus.
Untuk kesuksesan dunia nyata, kumpulan data harus disesuaikan dengan aplikasi
yang ditargetkan dengan mencocokkan platform pencitraan dengan yang akan
digunakan dalam skenario realistis.
Augmentasi
data, yang secara algoritmik memperluas skala kumpulan data, menyediakan cara
yang menjanjikan untuk mengatasi ketidakcukupan data gambar yang dikumpulkan
secara fisik. Di antara kumpulan data yang disurvei di atas, tiga di antaranya
menggunakan metode sintesis citra (Barth et al., 2018; Cicco et al., 2017;
Skovsen et al., 2019), berdasarkan PCG, pemodelan fisik fitur tekstur dan
warna tumbuhan, dan naungan gambar, untuk pembuatan atau augmentasi data.
Selain metode ini, ada banyak teknik augmentasi data lainnya (Shorten dan
Khoshgoftaar, 2019), di antaranya pelengkungan data melalui formasi geometris
atau transformasi warna secara konvensional digunakan dalam tugas visi
computer.
Fakta
bahwa beberapa kumpulan data yang dianotasi penuh, seperti Kumpulan Data CWFI (Haug
dan Ostermann, 2015) dan Kumpulan Data Carrot-Weed (Lameski et al.,
2017), hanya terdiri dari sejumlah kecil gambar, sementara untuk kumpulan
data besar, seperti GrassClover (Skovsen et al., 2019), hanya sebagian
gambar yang memiliki anotasi presisi piksel. Salah satu solusi untuk
menganotasi kumpulan gambar yang besar adalah dengan mengambil sejumlah besar
individu untuk melakukan tugas, yaitu, menganotasi gambar melalui
crowdsourcing, yang membutuhkan lebih sedikit waktu dan telah berhasil
diterapkan sepenuhnya dalam membuat anotasi kumpulan gambar berskala besar di
computer.
Untuk
membuat set data publik, data gambar, termasuk file anotasi ground-truth, perlu
dibagikan agar dapat diakses oleh komunitas. Selain berbagi data ini,
pengaturan eksperimental dan protokol akuisisi gambar perlu didokumentasikan
secara memadai untuk memfasilitasi penggunaan kembali data dalam desain,
pengujian dan perbandingan algoritme di masa mendatang, dan juga pembuatan
kumpulan data baru, terutama bagi peneliti baru yang memasuki bidang utama
tertentu.
KESIMPULAN
Kumpulan
data gambar yang tersedia untuk umum sangat berharga dalam budaya pertanian
presisi karena mengurangi upaya pengumpulan dan persiapan data serta
memungkinkan pengembangan dan evaluasi algoritme yang berkinerja lebih baik
untuk berbagai tugas penglihatan. Makalah survei ini mengisi celah kritis dalam
literatur pertanian presisi dengan memberikan tinjauan komprehensif pertama
dari kumpulan data citra publik dari penerapan visi komputer sejak 2015. Kami
telah mengidentifikasi total 34 kumpulan data citra publik dan
mengkategorikannya menjadi tiga kelas berdasarkan aplikasi yang ditargetkan,
termasuk 15 set data untuk pengendalian gulma, 10 set data untuk deteksi buah
dan 9 set data sisanya untuk aplikasi lain. Survei ini mencakup karakteristik
utama dari setiap dataset, yang melibatkan akuisisi citra struktur dataset,
anotasi, aplikasi, dan batasan potensial, dan setelah itu membahas pertimbangan
utama terkait akuisisi citra, augmentasi, anotasi, dan berbagi data, untuk
membuat kumpulan data citra publik berkualitas tinggi. Makalah ini akan
memungkinkan para peneliti untuk dengan mudah memilih kumpulan data yang sesuai
dengan kebutuhan mereka dan juga memfasilitasi pembuatan kumpulan data gambar
baru untuk memungkinkan tugas pertanian presisi
Sekian Review Jurnal dan Terimakasih
Matakuliah Image Processing
Pascasarjana Teknik Informatika S2
Universitas Pamulang Reguler B
Noted :
Berikut percobaan implementasi yang kami lakukan terkait penggunaan open cv untuk mendeteksi kerusakan pada daun melalui sisi nya dengan menggunakan python pada link berikut :
https://colab.research.google.com/drive/1ubdXjqhR_qe66HVlB5xtqxicwwCa4kJ0?usp=sharing
