基于条件合成数据集的农业图像中遮挡黄瓜非模态分割研究

这篇研究通过开发条件式合成数据集生成框架（Synthetic Dataset Generation Framework），创新性地解决了农业环境中因叶片遮挡导致的作物分割难题。采用γ校正（gamma correction）增强光照多样性，结合系统性叶片组成/位置/遮挡率调整，显著提升了模型在动态光照和复杂遮挡场景下的非模态分割（amodal segmentation）性能，为精准农业（precision farming）提供了可靠的技术支持。

　　

框架概览

图1展示了专为非模态分割任务设计的合成遮挡数据集生成框架。该框架以带有黄瓜和叶片边界框标注的数据集为输入，最终输出适用于非模态分割模型的遮挡优化训练数据集。生成流程包含两个核心阶段：(1) 数据预处理阶段执行多标签标注和个体目标分离；(2) 条件合成阶段通过参数化控制实现动态遮挡模拟。

结果与讨论

我们通过系列实验评估了黄瓜非模态分割框架在叶片局部遮挡场景下的有效性。3.1节详述了数据集划分和超参数配置；3.2节在提出的O²数据集上展示了非模态（amodal）与模态（modal）分割指标对比；3.3节验证了模型在动态遮挡条件下的泛化能力。

结论

本研究提出的自动合成遮挡数据集框架为非模态分割提供了创新解决方案，通过系统调节叶片尺寸、位置和重叠度来模拟真实农业场景。相较于传统方法，该框架在复杂光照和密集植被环境下展现出显著优势，为自动化收割系统提供了更可靠的视觉支持。

作者贡献声明

Jin-Ho Son：原始稿撰写、实验设计、概念化；Hojun Song：项目管理；Chae-yeong Song：可视化与方法论；Minse Ha：验证与软件实现；Dabin Kang：可视化；Yu-Shin Ha：论文修订与项目指导。

基金声明

本研究获得韩国国家研究基金会（NRF）BK21 FOUR项目资助。

利益冲突声明

作者声明不存在可能影响研究结果的财务或个人利益冲突。