Ein hochwertiger Datensatz mit Bildern, die Obst und Gemüse zeigen. Folgende Obst- und Gemüsesorten sind enthalten: Äpfel (verschiedene Sorten: Crimson Snow, Golden, Golden-Red, Granny Smith, Pink Lady, Red, Red Delicious), Aprikose, Avocado, Avocado reif, Banane (Yellow, Red, Lady Finger) , Rote-Bete-Rot, Blaubeere, Kaktusfrucht, Melone (2 Sorten), Karambule, Blumenkohl, Kirsche (verschiedene Sorten, Rainier), Kirschwachs (Gelb, Rot, Schwarz), Kastanie, Clementine, Kokosnuss, Mais (mit Schale), Gurke (gereift), Datteln, Aubergine, Feige, Ingwerwurzel, Granadilla, Traube (blau, rosa, weiß (verschiedene Sorten)), Grapefruit (rosa, weiß), Guave, Haselnuss, Heidelbeere, Kiwi, Kaki, Kohlrabi , Kumsquats, Zitrone (normal, Meyer), Limette, Litschi, Mandarine, Mango (Grün, Rot), Mangostan, Maracuja, Melone Piel de Sapo, Maulbeere, Nektarine (normal, flach), Nuss (Wald, Pekannuss), Zwiebel (rot, weiß), Orange, Papaya, Passionsfrucht, Pfirsich (verschiedene Sorten), Pepino, Birne (verschiedene Sorten, Abate, Forelle, Kaiser, Monster, Rot , Stein, Williams), Pfeffer (Rot, Grün, Orange, Gelb), Physalis (normal, mit Schale), Ananas (normal, Mini), Pitahaya Rot, Pflaume (verschiedene Sorten), Granatapfel, Pomelo Sweetie, Kartoffel (Rot, Süß, Weiß), Quitte, Rambutan, Himbeere, Rote Johannisbeere, Salak, Erdbeere (normal, Keil), Tamarillo, Tangelo, Tomate (verschiedene Sorten, Kastanienbraun, Kirschrot, Gelb, nicht gereift, Herz), Walnuss, Wassermelone.
Gesamtzahl der Bilder: 90483.
Größe des Trainingssets: 67692 Bilder (eine Frucht oder ein Gemüse pro Bild).
Größe des Testsatzes: 22688 Bilder (eine Frucht oder ein Gemüse pro Bild).
Setgröße mit mehreren Früchten: 103 Bilder (mehr als eine Frucht (oder Fruchtklasse) pro Bild)
Anzahl der Kurse: 131 (Obst und Gemüse).
Bildgröße: 100x100 Pixel.
Dateinamenformat: image_index_100.jpg (z. B. 32_100.jpg) oder r_image_index_100.jpg (z. B. r_32_100.jpg) oder r2_image_index_100.jpg oder r3_image_index_100.jpg. „r“ steht für gedrehte Früchte. „r2“ bedeutet, dass die Frucht um die 3. Achse gedreht wurde. „100“ ergibt sich aus der Bildgröße (100 x 100 Pixel).
Verschiedene Sorten derselben Frucht (z. B. Apfel) werden als zu unterschiedlichen Klassen gehörend gespeichert.
Die Ordner Training und Test enthalten Bilder für Schulungs- und Testzwecke.
Der Ordner test-multiple_fruits enthält Bilder mit mehreren Früchten. Einige davon sind teilweise von anderen Früchten bedeckt. Dies ist ein hervorragender Test für die Erkennung in der Praxis.
Der Ordner src/image_classification enthält den Python-Code zum Training des neuronalen Netzwerks. Es verwendet die TensorFlow 2.0-Bibliothek.
Der Ordner src/image_classification_tf_1.8.0 enthält die alte Version des Python-Codes zum Training des neuronalen Netzwerks. Es verwendet die TensorFlow 1.8.0-Bibliothek.
Der Ordner src/utils enthält den C++-Code, der zum Extrahieren der Früchte oder Gemüse aus dem Hintergrund verwendet wird.
Der Ordner „Papiere“ enthält die Forschungsarbeiten zu diesem Datensatz.
Der Datensatz kann auch heruntergeladen werden von: Kaggle
Horea Muresan, Mihai Oltean, Fruchterkennung anhand von Bildern mithilfe von Deep Learning, Acta Univ. Sapientiae, Informatica Vol. 10, Ausgabe 1, S. 26–42, 2018.
Obst und Gemüse wurden in die Welle eines Motors mit niedriger Drehzahl (3 U/min) gepflanzt und ein kurzer Film von 20 Sekunden aufgenommen.
Zum Filmen der Früchte wurde eine Logitech C920-Kamera verwendet. Dies ist eine der besten verfügbaren Webcams.
Hinter den Früchten haben wir ein weißes Blatt Papier als Hintergrund platziert.
Aufgrund der unterschiedlichen Lichtverhältnisse war der Hintergrund jedoch nicht einheitlich und wir haben einen speziellen Algorithmus geschrieben, der die Früchte aus dem Hintergrund extrahiert. Dieser Algorithmus ist vom Typ „Flutfüllung“: Wir beginnen an jedem Rand des Bildes und markieren dort alle Pixel. Anschließend markieren wir alle Pixel, die in der Nachbarschaft der bereits markierten Pixel gefunden werden und bei denen der Abstand zwischen den Farben kleiner als ein vorgeschriebener Wert ist. Wir wiederholen den vorherigen Schritt, bis keine Pixel mehr markiert werden können.
Alle markierten Pixel gelten als Hintergrund (der dann mit Weiß gefüllt wird) und die restlichen Pixel werden als zum Objekt gehörend betrachtet.
Der Maximalwert für den Abstand zwischen 2 Nachbarpixeln ist ein Parameter des Algorithmus und wird (durch Versuch und Irrtum) für jeden Film festgelegt.
Bilder aus dem Ordner test-multiple_fruits wurden mit einem Nexus 5X-Telefon erstellt.
Wir haben TensorFlow mit diesen Daten ausgeführt und die Ergebnisse werden in diesem Forschungspapier vorgestellt.
Früchte wurden zu den unten angegebenen Daten gefilmt (JJJJ.MM.TT):
25.02.2017 - Apfel (golden).
28.02.2017 - Apfel (Rot Gelb 1, Rot, Gold2), Kiwi, Birne, Grapefruit, Zitrone, Orange, Erdbeere.
05.03.2017 - Apfel (golden3, Braeburn, Granny Smith, rot2).
07.03.2017 – Apple (red3).
10.05.2017 - Pflaume, Pfirsich, flacher Pfirsich, Aprikose, Nektarine, Granatapfel.
27.05.2017 - Avocado, Papaya, Traube, Kirsche.
25.12.2017 - Karambula, Kaktusfrucht, Granadilla, Kaki, Kumsquats, Passionsfrucht, reife Avocado, Quitte.
28.12.2017 - Clementine, Kokos, Mango, Limette, Litschi.
31.12.2017 - Apple Red Delicious, Pear Monster, Grape White.
14.01.2018 - Banane, Grapefruit Pink, Mandarine, Ananas, Tangelo.
19.01.2018 - Heidelbeere, Himbeere.
26.01.2018 - Datteln, Maracuja, Pflaume 2, Salak, Tamarillo.
05.02.2018 - Guave, Traubenweiß 2, Lemon Meyer
2018.02.07 - Banana Red, Pepino, Pitahaya Red.
08.02.2018 - Birne Abate, Birne Williams.
22.05.2018 – Zitrone rotiert, Granatapfel rotiert.
24.05.2018 – Cherry Rainier, Cherry 2, Strawberry Wedge.
26.05.2018 - Cantaloupe (2 Sorten).
31.05.2018 - Melonen-Piel de Sapo.
05.06.2018 - Ananas Mini, Physalis, Physalis mit Schale, Rumbutan.
08.06.2018 - Maulbeere, Rote Johannisbeere.
16.06.2018 - Kirschrot, Haselnuss, Walnuss, Tomate.
17.06.2018 - Kirschwachs (Gelb, Rot, Schwarz).
2018.08.19 – Apfelrot Gelb 2, Traubenblau, Traubenweiß 2, Traubenweiß 3, Pfirsich 2, Pflaume 3, Tomate Kastanienbraun, Tomate 1-4.
20.12.2018 - Nuss-Pekannuss, Kaiserbirne, Tomatengelb.
21.12.2018 - Bananen-Ladyfinger, Kastanie, Mangostan.
22.12.2018 - Pomelo Sweetie.
21.04.2019 – Apple Crimson Snow, Apple Pink Lady, Blueberry, Kohlrabi, Mango Red, Pear Red, Pepper (Rot, Gelb, Grün).
18.06.2019 – Rote Bete Rot, Mais, Ingwerwurzel, Nektarine flach, Nusswald, Zwiebel Rot, Zwiebel Rot geschält, Zwiebel Weiß, Kartoffel Rot, Kartoffel Rot Gewaschen, Kartoffel Süß, Kartoffel Weiß.
2019.07.07 - Blumenkohl, Aubergine, Birnenforelle, Pfefferorange, Tomatenherz.
22.09.2019 – Maisschale, reife Gurke, Feige, Birne 2, Birnenkern, unreife Tomate, Wassermelone.
MIT-Lizenz
Copyright (c) 2017-2020 Mihai Oltean, Horea Muresan
Hiermit wird jeder Person, die eine Kopie dieser Software und der zugehörigen Dokumentationsdateien (die „Software“) erhält, kostenlos die Erlaubnis erteilt, mit der Software ohne Einschränkung zu handeln, einschließlich und ohne Einschränkung der Rechte zur Nutzung, zum Kopieren, Ändern und Zusammenführen , Kopien der Software zu veröffentlichen, zu verteilen, unterzulizenzieren und/oder zu verkaufen und Personen, denen die Software zur Verfügung gestellt wird, dies zu gestatten, vorbehaltlich der folgenden Bedingungen:
Der obige Urheberrechtshinweis und dieser Genehmigungshinweis müssen in allen Kopien oder wesentlichen Teilen der Software enthalten sein.
DIE SOFTWARE WIRD „WIE BESEHEN“ ZUR VERFÜGUNG GESTELLT, OHNE JEGLICHE AUSDRÜCKLICHE ODER STILLSCHWEIGENDE GEWÄHRLEISTUNG, EINSCHLIESSLICH, ABER NICHT BESCHRÄNKT AUF DIE GEWÄHRLEISTUNG DER MARKTGÄNGIGKEIT, EIGNUNG FÜR EINEN BESTIMMTEN ZWECK UND NICHTVERLETZUNG. IN KEINEM FALL SIND DIE AUTOREN ODER COPYRIGHT-INHABER HAFTBAR FÜR JEGLICHE ANSPRÜCHE, SCHÄDEN ODER ANDERE HAFTUNG, WEDER AUS EINER VERTRAGLICHEN HANDLUNG, AUS HANDLUNG ODER ANDERWEITIG, DIE SICH AUS, AUS ODER IN VERBINDUNG MIT DER SOFTWARE ODER DER NUTZUNG ODER ANDEREN HANDELN IN DER SOFTWARE ERGEBEN SOFTWARE.
