WeedSense

WeedSense数据集是一个针对杂草分析的多任务学习数据集，包含16种杂草在11周生长周期内的像素级标注、高度测量和生长阶段标签。该数据集由美国南伊利诺伊大学卡本代尔分校的研究人员创建，旨在解决农业中杂草管理的关键挑战。数据集包含了从萌芽到开花阶段的全面生长周期，为杂草识别、生长阶段分类和植物高度估计提供了丰富的数据支持。

原始信息汇总

WeedSense数据集概述

数据集基本信息

• 标题：WeedSense: Multi-Task Learning for Weed Segmentation, Height Estimation, and Growth Stage Classification
• arXiv标识符：arXiv:2508.14486v1
• 提交日期：2025年8月20日
• 研究领域：计算机视觉与模式识别（cs.CV）

数据集内容

• 数据描述：包含16种杂草物种在11周生长周期内的数据
• 标注类型：
  • 像素级注释
  • 高度测量数据
  • 时间标签

技术特点

• 多任务学习架构：同时执行语义分割、高度估计和生长阶段分类
• 模型架构：
  • 双路径编码器（集成通用倒置瓶颈块）
  • 多任务分叉解码器（基于变压器的特征融合）
• 性能指标：
  • 分割任务mIoU：89.78%
  • 高度估计MAE：1.67厘米
  • 生长阶段分类准确率：99.99%
  • 推理速度：160 FPS（实时）
• 效率优势：
  • 比顺序单任务执行快3倍
  • 参数量减少32.4%

相关资源

• 项目页面：https://arxiv.org/abs/2508.14486v1
• PDF文档：https://arxiv.org/pdf/2508.14486v1
• 会议信息：已提交并被ICCVW 2025接受发表

搜集汇总

数据集介绍

构建方式

在精准农业需求日益增长的背景下，WeedSense数据集的构建采用了系统化的温室控制环境采集策略。研究团队于2024年春季至夏季在美国中西部温室环境中，使用iPhone 15 Pro Max设备以1440×1920分辨率每周拍摄16种杂草物种的360度视频序列，覆盖从萌芽到开花共11周完整生长周期。通过时序降采样（每2帧提取1帧）和空间下采样（720×960像素）预处理后，采用SAM2-Hiera-L模型生成像素级分割掩码并辅以人工校正，同时结合每周人工测量的植株高度数据和基于拍摄日期标注的生长周标签，最终形成包含120,341帧图像的多任务数据集。

使用方法

数据集采用严格的学术划分标准，按帧级别分为训练集（80%）、验证集（10%）和测试集（10%），并确保每个子集中物种分布的平衡性。研究者可通过加载RGB图像与对应的三元标注（分割掩码、高度值、生长周标签）进行多任务模型训练，特别适用于评估模型在语义分割（17类别包括背景）、高度回归（厘米级精度）和时序生长分类（11周区间）的联合性能。数据集的时序特性使其能够支持生长模式分析任务，包括不同物种的生长曲线拟合和形态演变研究。

背景与挑战

背景概述

杂草管理作为农业生产的核心挑战，直接影响作物产量并消耗大量防控资源。2025年由南伊利诺伊大学Carbondale分校的研究团队推出的WeedSense数据集，通过采集16种杂草在11周完整生长周期内的高分辨率图像序列，首次实现了像素级语义分割、高度回归和生长阶段分类的多任务协同分析。该数据集在可控温室环境中构建，涵盖从萌芽到开花期的形态演变过程，为精准农业中的杂草智能监测提供了关键数据支撑，推动了多任务学习在农业视觉领域的应用范式转变。

当前挑战

该数据集需解决杂草形态多样性、生长阶段连续性及尺度差异等多重挑战：不同物种高度范围从0.2厘米至155厘米，周生长速率差异达12.36厘米，要求模型具备跨尺度特征捕捉能力；生长阶段分类需结合BBCH物候标准建立周级时间序列标注体系，解决传统方法对时序依赖性建模不足的问题。数据构建过程中，需通过半自动标注系统处理12万帧图像，并协调视频采集角度一致性、光照稳定性与物种生长异常（如个别样本中途死亡）带来的标注复杂性，确保多模态标注（像素级掩码、高度测量、时间标签）的时空对齐精度。

常用场景

经典使用场景

在精准农业研究中，WeedSense数据集被广泛用于多任务学习框架的验证与优化，其核心应用场景包括杂草语义分割、高度回归和生长阶段分类的联合建模。该数据集通过11周完整生长周期的标注数据，支持模型在复杂农业环境中同时处理形态识别与生长状态分析任务，为自动化杂草管理系统提供关键数据支撑。

解决学术问题

该数据集解决了传统杂草研究中单任务模型效率低下、标注成本高昂的问题，通过提供像素级分割掩码、厘米级高度测量和周级生长标签，支持多任务联合学习范式的开发。其意义在于突破了单一视觉任务在农业场景中的局限性，为作物-杂草竞争机制研究、除草时机优化提供了数据基础，推动了农业计算机视觉向多维感知方向发展。

实际应用

在实际农业场景中，该数据集支撑了智能除草机器人的视觉系统开发，通过实时识别杂草物种、估算生物量并判断生长阶段，实现精准变量施药。其应用显著减少除草剂使用量达54%，同时支持温室自动化管理系统的生长监测模块，为可持续农业提供技术保障。

数据集最近研究

最新研究方向

随着精准农业技术的快速发展，WeedSense数据集在杂草智能监测领域催生了多任务学习架构的创新研究。该数据集通过整合16种杂草物种长达11周生长周期的高精度标注数据，为同时实现语义分割、高度估计和生长阶段分类提供了前所未有的多模态基准。当前研究聚焦于基于Transformer的特征融合机制与双路径编码器的协同优化，显著提升了模型在复杂农田环境中的泛化能力。相关成果正推动实时杂草管理系统向轻量化、高精度方向发展，为减少除草剂使用量和实现可持续农业管理提供了关键技术支撑。

相关研究论文

• WeedSense: Multi-Task Learning for Weed Segmentation, Height Estimation, and Growth Stage Classification

  美国南伊利诺伊大学卡本代尔分校 · 2025年