BaleUAVision: Набор данных UAV с изображениями тюков сена

Почему важно считать тюки сена с высоты

Тюки сена кажутся простыми рулонами высушенной травы, но точное знание их количества и расположения приносит фермерам реальную экономию. Аккуратный подсчёт помогает оценить, сколько корма доступно для животных, сколько грузовиков потребуется и сколько времени займёт работа бригад по уборке. В этой статье представлен BaleUAVision — новый открытый набор данных, созданный на основе снимков с дронов, который упрощает автоматическое обнаружение и подсчёт тюков сена с воздуха и способствует переходу сельского хозяйства к более рациональному и эффективному управлению.

Фермы, увиденные сверху

BaleUAVision основан на 2 599 чётких цветных фотографиях, сделанных дронами над 16 полями сена на севере Греции. Площади покрывают около 232 акров и расположены в двух регионах с разным ландшафтом: широкие равнины вокруг Ксанти и более разнообразный рельеф в районе Драмы. Полёты проводились летом 2023 года при ясной погоде и слабом ветре, на высотах от 50 до 100 метров и при умеренных скоростях. В результате получена реалистичная картина послеполевых участков, где тюки разбросаны в узоры, отражающие локальные сельскохозяйственные приёмы и рельеф, а не лабораторные условия.

Преобразование снимков в пригодные данные

Съёмка — только первый шаг. Команда тщательно обработала все фотографии, отбросив кадры с размытиями или другими дефектами, а затем собрала их в детальные ортомозаики для каждого поля. Эти мозаики использовали как достоверную эталонную карту для подсчёта каждого тюка. Одновременно каждый отдельный тюк был аккуратно обведён вручную на исходных снимках не просто в виде грубого бокса, а как точный контур. Это кропотливое оформление создало высококачественные «ground truth» данные в нескольких распространённых файловых форматах, чтобы разные инструменты искусственного интеллекта могли обучаться и тестироваться без дополнительной конвертации.

Разнообразие полётов — устойчивость моделей

То, как выполняется полёт дрона — на какой высоте, с какой скоростью и с каким перекрытием кадров — определяет увиденное им изображение. BaleUAVision намеренно варьирует параметры полётов, чтобы системы обнаружения, обученные на нём, не ломались при изменении условий. Низкие полёты фиксируют больше деталей, но охватывают меньше площади на кадр; высокие полёты охватывают больше территории, но тюки выглядят меньше. Включив снимки с разных высот и в разном освещении в двух регионах, набор данных отражает как географическое разнообразие, так и изменения масштаба съёмки, с которыми сталкиваются реальные операции. Тесты показывают, что это разнообразие помогает моделям ИИ распознавать тюки даже на новых территориях или с других высот.

Проверка набора данных

Чтобы оценить полезность BaleUAVision, авторы обучили популярную систему обнаружения, известную как YOLOv11, находить тюки сена на изображениях. Они затем испытали модель двумя способами: попросили обнаружить тюки на полях из другого региона, чем те, что были в обучающем наборе, и изменили высоту полёта между обучением и тестированием. При обучении на этом наборе система обнаруживала почти все тюки в новых полях с очень небольшим количеством ложных срабатываний. Она также справлялась с более высокими полётами, если во время обучения видела более низкие. Однако модель, обученная только на снимках с большой высоты, испытывала трудности с крупными планами, пока исследователи не добавили даже небольшое количество примеров с меньшей высоты, что показывает, как скромный, но грамотно выбранный дополнительный набор данных может значительно повысить надёжность.

Не только универсальные модели — инструменты, готовые к полю

Команда также сравнила свою специализированную модель, натренированную на тюках, с крупными универсальными системами зрения, которые предназначены «сегментировать всё» на изображении. Хотя эти базовые модели мощны в многих сценариях, они заметно хуже справлялись с густо расположенными, мелкими тюками на фоне загруженных полевых изображений. Специализированная модель, обученная на BaleUAVision, оказалась не только точнее, но и практичнее для запуска на реальных дронах и фермерских компьютерах. Это подчёркивает, что тщательно подготовленные, полевые данные помогают превратить общие достижения ИИ в инструменты, которые действительно работают в сельском хозяйстве.

От точного подсчёта к умному земледелию

Проще говоря, BaleUAVision предоставляет исследователям и компаниям богатый, свободно доступный набор снимков с дронов и контуров тюков для разработки и тестирования роботов и ПО для подсчёта тюков. С его помощью можно создавать инструменты, которые быстро и надёжно скажут фермерам, сколько у них тюков, где они расположены и как лучше их собрать — экономя топливо, время и труд. Те же данные могут поддержать исследования условий полей, логистическое планирование и даже будущих сельскохозяйственных роботов. Открыв этот набор данных для публики, авторы создали основу для превращения простых тюков сена в ветвь более точного, основанного на данных сельского хозяйства.

Цитирование: Karatzinis, G.D., Gkelios, S. & Kapoutsis, A.C. BaleUAVision: Hay Bales UAV Captured Dataset. Sci Data 13, 313 (2026). https://doi.org/10.1038/s41597-026-06622-8

Ключевые слова: точное земледелие, снимки с дронов, обнаружение тюков сена, компьютерное зрение, набор данных дистанционного зондирования