一种农业目标检测数据集构建方法、系统和电子设备与流程

1.本发明涉及农业数据集构建技术领域，尤其涉及一种农业目标检测数据集构建方法、系统和电子设备。


背景技术：

2.人工智能技术在现代农业中的应用越来越广泛，基于视觉避障的无人驾驶机械能够在保证人员安全的情况下高效作业。由于视觉避障一般是基于深度学习方法来实现，深度学习的模型又极度依赖数据集的训练。当深度学习的训练数据集较小时，模型的学习量不足会导致模型的识别率较低，例如在训练集中人的训练集数量远小于车的训练集数量会导致训练后的模型在检测时对人的识别明显低于对车的识别；当训练的数据量足够但是训练数据分布不均衡时会导致训练后的模型出现误检的情况，例如数据集中四轮汽车的数量远大于三轮车的数量会导致训练后的模型在识别检测中将三轮车误识别为四轮汽车。因此，基于深度学习的模型在训练时所用数据集的数量和质量极为重要。
3.传统的图像视频数据集采集方式主要依靠人工外出采集，无法保证采集到图像视频数据集的完整性和均匀性，尤其是需要采集一些特定场景和气候时采集更加困难，不仅采集周期长而且人力物力成本较高。虚拟现实技术的发展为虚拟仿真奠定了基础，基于软硬件的光线追踪技术能够最大限度模仿现实条件下的光照和阴影效果，尤其是unreal engine 5(虚幻引擎5)带来的nanite虚拟化微多边形几何体和lumen动态全局光照能够呈现高质量和逼真的场景表现，使得场景搭建摆脱了现实条件的限制。随着虚拟技术在场景复原，数字孪生、仿真模拟等领域的发展，将虚拟技术应用在农业领域成为现实。
4.目前国际上针对不同任务已经构建了相应的虚拟数据集和方法。服务于自动驾驶领域的airsim；带有光流估计、语义分割、目标检测和目标追踪等视觉任务数据标签的benchmark数据集；虚拟3d场景构建的virtual kitti数据集；英伟达为自动驾驶领域搭建的nvidia drive sim虚拟平台。但是这些方法大多应用于道路化的自动驾驶领域或仅仅用于学术上的研究，其构建方式不适用于农业场景领域的自动驾驶，并且场景构建缺乏必要布置元素的分析与场景优化。目前基于虚拟技术的虚拟场景生成方法主要涉及三个领域，具体地：
5.1)第一种是应用于道路化自动驾驶领域的虚拟数据集构建方法，由于自动驾驶更多关注于道路交通的复杂性，因此在构建虚拟道路场景时优先考虑物体的布局，该方法构建的场景中车辆、行人、路灯等物体类别较为丰富，具有一定的光照、阴影、气候的仿真，但是忽视车道外的情况，无法直接应用于农业领域。
6.2)第二种是应用于学术研究的虚拟场景构建方法，该方法大多用于模式识别算法验证，由于学术上更多关注于算法对物体识别本身，因此该方法虚拟场景构建较为简单，除待识别物体外其背景大多为纯色或随机生成，无法模拟真实场景下的光照、阴影或者气候变化，构建方法同样难以应用于农业领域。
7.3)第三种是应用于设计和建筑领域的虚拟场景构建方法，该方法主要用于建筑和
室内的整体或细节的构建，虽然也涉及一定的室外布景，但是无法达到仿真效果，该方法无法应用于复杂的农业环境。
8.综上所述，应用于自动驾驶领域、学术研究、设计和建筑领域的虚拟场景方法都是针对于各自领域的特色方法。相对于复杂的农业场景，应用于自动驾驶领域的虚拟场景构建方法缺少农业场景构建相关的模型和布景方式；应用于学术研究的虚拟场景构建方法除了缺少农业场景构建相关的模型和布景方式，还缺少模拟真实场景的光照、阴影和气候的变化。应用于设计和建筑领域的虚拟场景构建方法虽然具有较好的细节纹理还原，但是同样缺少农业场景构建相关的模型和布景方式，且不具备模拟真实场景的光照、阴影和气候的变化。这些方法所构建出来的数据集缺少反馈修正过程，导致构建的虚拟场景与真实场景存在过大的差异，采集的虚拟数据集无法作为真实数据集的扩展。


技术实现要素：

9.本发明所要解决的技术问题是针对现有技术的不足，提供了一种农业目标检测数据集构建方法、系统和电子设备。
10.本发明的一种农业目标检测数据集构建方法的技术方案如下：
11.s1、对农业虚拟场景进行图像采集，得到多个虚拟场景图像，组成初始农业目标检测数据集；
12.s2、将初始农业目标检测数据集和基于真实农业场景所构建的目标检测数据集按比例进行混合，得到训练数据集，基于所述训练数据集对第一模型进行训练，得到训练好的第一模型，基于真实农业场景所构建的目标检测数据集对第二模型进行训练,得到训练好的第二模型，所述第一模型和所述第二模型为网络结构相同的深度学习模型；
13.s3、利用验证数据集对训练好的第一模型进行验证，得到第一验证结果，利用所述验证数据集对训练好的第二模型进行验证，得到第二验证结果；
14.s4、当所述第二验证结果优于所述第一验证结果时，对所述农业虚拟场景进行优化，返回执行s1，直至符合预设条件时，执行s5，所述预设条件包括：所述第二验证结果不优于所述第一验证结果；
15.s5、对当前的农业虚拟场景进行图像采集，得到多个目标虚拟场景图像，组成最终的农业目标检测数据集。
16.本发明的一种农业目标检测数据集构建系统的技术方案如下：
17.包括采集构建模块、训练模块、验证模块和优化模块；
18.所述采集构建模块用于：对农业虚拟场景进行图像采集，得到多个虚拟场景图像，组成初始农业目标检测数据集；
19.所述训练模块用于：将初始农业目标检测数据集和基于真实农业场景所构建的目标检测数据集按比例进行混合，得到训练数据集，基于所述训练数据集对第一模型进行训练，得到训练好的第一模型，基于真实农业场景所构建的目标检测数据集对第二模型进行训练,得到训练好的第二模型，所述第一模型和所述第二模型为网络结构相同的深度学习模型；
20.所述验证模块用于：利用验证数据集对训练好的第一模型进行验证，得到第一验证结果，利用所述验证数据集对训练好的第二模型进行验证，得到第二验证结果；
21.所述优化模块用于：当所述第二验证结果优于所述第一验证结果时，对所述农业虚拟场景进行优化，调用所述采集构建模块、所述训练模块和所述验证模块，直至符合预设条件时，调用所述采集构建模块，使所述采集构建模块对当前的农业虚拟场景进行图像采集，得到多个目标虚拟场景图像，组成最终的农业目标检测数据集，所述预设条件包括：所述第二验证结果不优于所述第一验证结果。
22.本发明的一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的一种农业目标检测数据集构建方法。
23.本发明的一种电子设备，包括处理器和上述的存储介质，所述处理器执行所述存储介质中的指令。
24.本发明的有益效果如下：
25.通过对农业虚拟场景的不断反馈优化，不仅解决农业场景数据集中数据不足的问题，还进一步提高最终的农业目标检测数据集的采集质量。
附图说明
26.图1为本发明实施例的一种农业目标检测数据集构建方法的流程示意图之一；
27.图2为本发明实施例的一种农业目标检测数据集构建方法的流程示意图之二；
28.图3为农业场景分析的示意图；
29.图4为农业虚拟场景搭建的示意图；
30.图5为农业虚拟场景效果图；
31.图6为场景反馈优化过程的示意图；
32.图7为本发明实施例的一种农业目标检测数据集构建系统的结构示意图。
具体实施方式
33.如图1所示，本发明实施例的一种农业目标检测数据集构建方法，包括如下步骤：
34.s1、对农业虚拟场景进行图像采集，得到多个虚拟场景图像，组成初始农业目标检测数据集；
35.s2、将初始农业目标检测数据集和基于真实农业场景所构建的目标检测数据集按比例进行混合，得到训练数据集，基于训练数据集对第一模型进行训练，得到训练好的第一模型，基于真实农业场景所构建的目标检测数据集对第二模型进行训练,得到训练好的第二模型，第一模型和第二模型为网络结构相同的深度学习模型；
36.s3、利用验证数据集对训练好的第一模型进行验证，得到第一验证结果，利用验证数据集对训练好的第二模型进行验证，得到第二验证结果；
37.s4、当第二验证结果优于第一验证结果时，对农业虚拟场景进行优化，返回执行s1，直至符合预设条件时，执行s5，预设条件包括：第二验证结果不优于第一验证结果；s5、对当前的农业虚拟场景进行图像采集，得到多个目标虚拟场景图像，组成最终的农业目标检测数据集。
38.其中，第一验证结果为训练好的第一模型的识别精度，第二验证结果为训练好的第二模型的识别精度，当训练好的第二模型的识别精度大于训练好的第一模型的识别精度时，则判定第二验证结果优于第一验证结果，当训练好的第二模型的识别精度不大于训练
好的第一模型的识别精度时，则判定第二验证结果不优于第一验证结果。可选地，在上述技术方案中，还包括：
39.返回执行s1时，按照预设步长，增加初始农业目标检测数据集在训练数据集中的占比；
40.预设条件还包括：初始农业目标检测数据集在训练数据集中的占比超过预设占比阈值。
41.其中，预设步长可根据实际情况设置，如预设步长为1％、2％等，以预设步长为1％为例进行说明：
42.第一次执行s2时，将初始农业目标检测数据集和基于真实农业场景所构建的目标检测数据集按30:70比例进行混合，得到训练数据集；第二次执行s2时，将初始农业目标检测数据集和基于真实农业场景所构建的目标检测数据集按31:69比例进行混合；第三次执行s2时，将初始农业目标检测数据集和基于真实农业场景所构建的目标检测数据集按31:69比例进行混合；依次类推。
43.本实施例中，符合预设条件指：符合第二验证结果不优于第一验证结果，以及符合初始农业目标检测数据集在训练数据集中的占比超过预设占比阈值，其中，预设占比阈值可根据实际情况设置，如50％或60％等。
44.可选地，在上述技术方案中，农业虚拟场景的搭建过程包括：
45.利用基于基础农业场景元素构建的农业场景模型库，并利用虚幻引擎平台，搭建农业虚拟场景。
46.可选地，在上述技术方案中，s1包括：
47.对农业虚拟场景中的光照强度、方向、色温以及天气情况进行调整，通过放置在农业虚拟场景中的摄像机组件进行图像采集。
48.可选地，在上述技术方案中，深度学习模型为yolov5模型。
49.本发明提供的一种农业目标检测数据集构建方法主要包括农业场景分析、农业虚拟场景搭建、场景反馈优化。具体地：
50.如图2所示，农业场景分析为农业虚拟场景的搭建提供必要的农业场景模型库；虚幻引擎平台作为农业虚拟场景的搭建平台，依据农业场景模型库最大限度还原真实农业场景，搭建完成的农业虚拟场景通过引擎自带的摄像机部件模拟真实条件下的图像采集，通过摄像头采集到的图像视频，即得到虚拟场景图像，组成初始农业目标检测数据集。
51.采集到的初始农业目标检测数据集按照真实数据集即基于真实农业场景所构建的目标检测数据集进行数据筛选和目标识别检测框标注，初始农业目标检测数据集与真实数据集按比例组合成农业目标检测数据集即训练数据集，然后基于训练数据集对第一模型进行训练，得到训练好的第一模型，基于真实农业场景所构建的目标检测数据集对第二模型进行训练，得到训练好的第二模型，第一模型和第二模型为网络结构相同的深度学习模型，利用s3进行推理验证，依据验证结果即第一验证结果和第二验证结果，通过人工方式对农业虚拟场景进行优化调整，完成场景反馈优化；
52.而且，返回执行s1时，按照预设步长，增加初始农业目标检测数据集在训练数据集中的占比；当符合第二验证结果不优于第一验证结果，以及符合初始农业目标检测数据集在训练数据集中的占比超过预设占比阈值时，确定最优的农业虚拟场景即s5中的当前的农
业虚拟场景，并对当前的农业虚拟场景进行图像采集，得到多个目标虚拟场景图像，组成最终的农业目标检测数据集，具体包括如下步骤：
53.s100、通过农业场景分析获得基础农业场景元素，构建农业场景模型库：
54.如图3所示，通过真实农业场景例图或者视频提取出真实农业场景中所包含的人物、车辆、动物、植物、建筑、地形、天气、其他设施等元素，其中，人物包括性别、衣服颜色、形态等元素；车辆包括机动车、非机动车、车型、颜色、纹理等元素；动物包括类型、颜色、形态等元素；植物包括农作物和其他植物，农作物包括类型、纹理、颜色、生长状态、形态等元素，其他植物包括类型、颜色、纹理等元素；建筑包括高度、颜色、纹理等元素；地形包括土壤颜色、纹理、坑洼程度等，岩石颜色、纹理等元素；天气包括光照强度、方向、雨天、雪天等元素；其他设施包括公路、路灯、消防栓、桥梁等设施，及其颜色，形状等元素。
55.上述的所有元素共同组成基础农业场景元素，同时确定真实农业场景中各物体之间的相对位置关系，利用基础农业场景元素组建农业场景模型库，农业场景模型库中包含用于搭建农业虚拟场景所需的人物、车辆、动物、植物、建筑、其他设施的模型，制作模型所需的工具包括autodesk maya、3dstudio max、blender等常用3d建模软件，依据之前获取的颜色、纹理等相关信息进行模型制作，输出模型格式为obj、fbx等主流3d模型格式。为加快模型生成效率，农业场景模型库中还包括第三方提供的现有模型，同时将已制作的模型保存下来实现模型复用，提高农业虚拟场景的制作效率。
56.s101、农业虚拟场景搭建：
57.如图4所示，利用虚幻引擎平台搭建农业虚拟场景，图5展示了实际的虚拟农业场景搭建效果。虚幻引擎平台提供了蓝图可视化脚本，可通过场景现有元素功能布设完成场景搭建，便于场景快速成型。引擎提供的nanite虚拟化微多边形几何体系统和虚拟阴影贴图可以在影视级场景表现的情况下保证实时帧率且不会出现明显失真，lumen动态全局光照可以建立更为真实的光照反射效果，使搭建的虚拟场景最大限度模拟真实情况。那么：
58.首先根据基础农业场景元素中地形元素的信息在虚幻引擎平台中完成地形的编辑，然后从农业场景模型库中获取人物、动物、车辆、植物、建筑、其他设施等相关模型布置在场景中完成场景搭建，最后根据基础农业场景元素中天气元素信息对虚拟场景中的光照强度、方向、色温以及其他天气情况进行调整。通过在农业虚拟场景中放置引擎自带的摄像机组件完成对虚拟场景的图像采集，在采集的过程中可以根据采集高度、速度、是否抖动进行调节，对采集到的虚拟场景图像进行目标检测标注，基于虚幻引擎平台的初始农业目标检测数据集构建完成。
59.s102、场景反馈优化：
60.将初始农业目标检测数据集和基于真实农业场景所构建的目标检测数据集按3:7比例进行混合，组成训练数据集，例如训练数据集中共有10000张图像，则从初始农业目标检测数据集获取3000张，从基于真实农业场景所构建的目标检测数据集中获取7000张，第一模型和第二模型为网络结构相同的yolov5模型，继续进行说明：
61.基于训练数据集对yolov5模型进行训练，得到训练好的yolov5模型，即得到训练好的第一模型，基于真实农业场景所构建的目标检测数据集对yolov5模型进行训练，得到训练好的yolov5模型，即得到训练好的第二模型；
62.利用包括2000张真实农业场景的验证数据集对训练好的第一模型进行验证，得到
第一验证结果，利用验证数据集对训练好的第二模型进行验证，得到第二验证结果；
63.其中，第一验证结果为训练好的第一模型的识别精度，第二验证结果为训练好的第二模型的识别精度，当训练好的第二模型的识别精度大于训练好的第一模型的识别精度时，则判定第二验证结果优于第一验证结果，则说明农业虚拟场景中缺少类似数据，反馈到场景必要元素中则可根据真实场景情况调整人物衣服颜色等信息从而更改场景模型库中人物模型的表现，反馈到虚幻引擎平台中增加远处人物的数量后再次采集虚拟场景图像进行训练与验证，且在返回采集虚拟场景图像，按照预设步长，增加初始农业目标检测数据集在训练数据集中的占比。直至符合预设条件时，执行s103，预设条件包括：第二验证结果不优于第一验证结果，以及初始农业目标检测数据集在训练数据集中的占比超过预设占比阈值；
64.s5、对当前的农业虚拟场景进行图像采集，得到多个目标虚拟场景图像，组成最终的农业目标检测数据集。通过反馈优化后，在目标检测任务层面，虚拟农业场景与真实农业场景的推理特征较为接近。在后续的场景拓展中可以将前期优化过程作为搭建遵循原则，提高场景拓展的效率和质量。
65.在上述各实施例中，虽然对步骤进行了编号s1、s2等，但只是本技术给出的具体实施例，本领域的技术人员可根据实际情况调整s1、s2等的执行顺序，此也在本发明的保护范围内，可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。
66.如图7所示，本发明实施例的一种农业目标检测数据集构建系统200，包括采集构建模块210、训练模块220、验证模块230和优化模块240；
67.采集构建模块210用于：对农业虚拟场景进行图像采集，得到多个虚拟场景图像，组成初始农业目标检测数据集；
68.训练模块220用于：将初始农业目标检测数据集和基于真实农业场景所构建的目标检测数据集按比例进行混合，得到训练数据集，基于训练数据集对第一模型进行训练，得到训练好的第一模型，基于真实农业场景所构建的目标检测数据集对第二模型进行训练，得到训练好的第二模型，第一模型和第二模型为网络结构相同的深度学习模型；
69.验证模块230用于：利用验证数据集对训练好的第一模型进行验证，得到第一验证结果，利用验证数据集对训练好的第二模型进行验证，得到第二验证结果；
70.优化模块240用于：当第二验证结果优于第一验证结果时，对农业虚拟场景进行优化，调用采集构建模块210、训练模块220和验证模块230，直至符合预设条件时，调用采集构建模块210，使采集构建模块210对当前的农业虚拟场景进行图像采集，得到多个目标虚拟场景图像，组成最终的农业目标检测数据集，预设条件包括：第二验证结果不优于第一验证结果。
71.可选地，在上述技术方案中，优化模块240调用采集构建模块210、训练模块220和验证模块230时，训练模块220按照预设步长，增加初始农业目标检测数据集在训练数据集中的占比；
72.预设条件还包括：初始农业目标检测数据集在训练数据集中的占比超过预设占比阈值。
73.可选地，在上述技术方案中，还包括场景搭建模块，场景搭建模块用于：
74.利用基于基础农业场景元素构建的农业场景模型库，并利用虚幻引擎平台，搭建
农业虚拟场景。
75.可选地，在上述技术方案中，采集构建模块210具体用于：
76.对农业虚拟场景中的光照强度、方向、色温以及天气情况进行调整，通过放置在农业虚拟场景中的摄像机组件进行图像采集。
77.可选地，在上述技术方案中，深度学习模型为yolov5模型。
78.上述关于本发明的一种农业目标检测数据集构建系统200中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种农业目标检测数据集构建方法的实施例中的各参数和步骤，在此不做赘述。
79.本发明实施例的一种存储介质，其特征在于，存储介质中存储有指令，当计算机读取指令时，使计算机执行上述任一项的一种农业目标检测数据集构建方法。
80.本发明实施例的一种电子设备，包括处理器和上述的存储介质，处理器执行存储介质中的指令，其中，电子设备可以选用电脑、手机等，相对应地，其程序为电脑软件或手机app等。
81.所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。
82.因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
83.可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram),只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
84.尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种农业目标检测数据集构建方法，其特征在于，包括：s1、对农业虚拟场景进行图像采集，得到多个虚拟场景图像，组成初始农业目标检测数据集；s2、将初始农业目标检测数据集和基于真实农业场景所构建的目标检测数据集按比例进行混合，得到训练数据集，基于所述训练数据集对第一模型进行训练，得到训练好的第一模型，基于真实农业场景所构建的目标检测数据集对第二模型进行训练，得到训练好的第二模型，所述第一模型和所述第二模型为网络结构相同的深度学习模型；s3、利用验证数据集对训练好的第一模型进行验证，得到第一验证结果，利用所述验证数据集对训练好的第二模型进行验证，得到第二验证结果；s4、当所述第二验证结果优于所述第一验证结果时，对所述农业虚拟场景进行优化，返回执行s1，直至符合预设条件时，执行s5，所述预设条件包括：所述第二验证结果不优于所述第一验证结果；s5、对当前的农业虚拟场景进行图像采集，得到多个目标虚拟场景图像，组成最终的农业目标检测数据集。2.根据权利要求1所述的一种农业目标检测数据集构建方法，其特征在于，还包括：返回执行s1时，按照预设步长，增加初始农业目标检测数据集在所述训练数据集中的占比；所述预设条件还包括：初始农业目标检测数据集在所述训练数据集中的占比超过预设占比阈值。3.根据权利要求1所述的一种农业目标检测数据集构建方法，其特征在于，所述农业虚拟场景的搭建过程包括：利用基于基础农业场景元素构建的农业场景模型库，并利用虚幻引擎平台，搭建所述农业虚拟场景。4.根据权利要求1所述的一种农业目标检测数据集构建方法，其特征在于，s1包括：对农业虚拟场景中的光照强度、方向、色温以及天气情况进行调整，通过放置在所述农业虚拟场景中的摄像机组件进行图像采集。5.根据权利要求1至4任一项所述的一种农业目标检测数据集构建方法，其特征在于，所述深度学习模型为yolov5模型。6.一种农业目标检测数据集构建系统，其特征在于，包括采集构建模块、训练模块、验证模块和优化模块；所述采集构建模块用于：对农业虚拟场景进行图像采集，得到多个虚拟场景图像，组成初始农业目标检测数据集；所述训练模块用于：将初始农业目标检测数据集和基于真实农业场景所构建的目标检测数据集按比例进行混合，得到训练数据集，基于所述训练数据集对第一模型进行训练，得到训练好的第一模型，基于真实农业场景所构建的目标检测数据集对第二模型进行训练，得到训练好的第二模型，所述第一模型和所述第二模型为网络结构相同的深度学习模型；所述验证模块用于：利用验证数据集对训练好的第一模型进行验证，得到第一验证结果，利用所述验证数据集对训练好的第二模型进行验证，得到第二验证结果；所述优化模块用于：当所述第二验证结果优于所述第一验证结果时，对所述农业虚拟
场景进行优化，调用所述采集构建模块、所述训练模块和所述验证模块，直至符合预设条件时，调用所述采集构建模块，使所述采集构建模块对当前的农业虚拟场景进行图像采集，得到多个目标虚拟场景图像，组成最终的农业目标检测数据集，所述预设条件包括：所述第二验证结果不优于所述第一验证结果。7.根据权利要求6所述的一种农业目标检测数据集构建系统，其特征在于，所述优化模块调用所述采集构建模块、所述训练模块和所述验证模块时，所述训练模块，按照预设步长，增加初始农业目标检测数据集在所述训练数据集中的占比；所述预设条件还包括：初始农业目标检测数据集在所述训练数据集中的占比超过预设占比阈值。8.根据权利要求7所述的一种农业目标检测数据集构建系统，其特征在于，还包括场景搭建模块，所述场景搭建模块用于：利用基于基础农业场景元素构建的农业场景模型库，并利用虚幻引擎平台，搭建所述农业虚拟场景。9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至5中任一项所述的一种农业目标检测数据集构建方法。10.一种电子设备，其特征在于，包括处理器和权利要求9所述的存储介质，所述处理器执行所述存储介质中的指令。

技术总结
本发明涉及农业数据集构建技术领域，尤其涉及一种农业目标检测数据集构建方法、系统和电子设备。方法包括：基于农业虚拟场景得到初始农业目标检测数据集；得到训练好的第一模型和训练好的第二模型，利用验证数据集对训练好的第一模型进行验证，得到第一验证结果，利用验证数据集对训练好的第二模型进行验证，得到第二验证结果；当第二验证结果优于第一验证结果时，对农业虚拟场景进行优化，直至符合预设条件时，对当前的农业虚拟场景进行图像采集，得到多个目标虚拟场景图像，组成最终的农业目标检测数据集。通过对农业虚拟场景的不断反馈优化，解决农业场景数据集中数据不足的问题，同时提高采集质量。同时提高采集质量。同时提高采集质量。


技术研发人员：任志伟 李邦国 陈圣 王辉 宋杨 刘跃华 徐乐程 高甜甜
受保护的技术使用者：潍柴雷沃智慧农业科技股份有限公司
技术研发日：2023.04.03
技术公布日：2023/7/22