WildBe

WildBe是第一个使用无人机在芬兰森林和泥炭地中捕捉野生浆果的图像数据集，包括新的浆果品种，如越橘、云莓、越桔和乌饭树莓，这些图像在严重的光照变化和杂乱环境中拍摄。

WildBe is the first image dataset of wild berries collected via unmanned aerial vehicles (UAVs) in Finnish forests and peatlands. It encompasses novel berry varieties including lingonberry, cloudberry, blueberry, and bilberry, with all imagery captured under extreme lighting fluctuations and in cluttered natural settings.

搜集汇总

数据集介绍

构建方式

在芬兰森林与泥炭地的复杂环境中，WildBe数据集的构建依托于无人机航拍技术，系统性地采集了野生浆果的图像数据。研究团队于2023年7月在伊洛曼齐森林区域，利用多种无人机设备（包括DJI Mavic系列、Mini 2及定制化Scout v2）搭载高分辨率相机进行数据捕获。原始图像经过精心筛选与裁剪，转化为3,516张尺寸统一的图像，并在此基础上进行了精细的人工标注，共计标注了18,468个边界框，覆盖越橘、云莓、岩高兰和越桔四种浆果类别，确保了数据在物种多样性、光照条件及环境复杂度方面的代表性。

特点

WildBe数据集在农业计算机视觉领域展现出独特价值，其核心特点在于捕获了自然栖息地中野生浆果的真实分布状态。数据集涵盖了芬兰森林冠层下及泥炭地中四种典型浆果，图像中包含了显著的光照变化、复杂背景干扰（如树枝、地衣、岩石）以及浆果成熟度的多样性，这些要素共同构成了极具挑战性的检测场景。此外，数据集提供了丰富的元数据，包括地理坐标、拍摄时间及设备信息，为跨区域、跨传感器的模型泛化研究奠定了坚实基础。

使用方法

该数据集主要应用于目标检测算法的开发与评估，支持单类别浆果定位与多类别浆果识别双重任务。研究者可将数据集划分为训练、验证与测试子集，利用Faster R-CNN、YOLOv8等主流检测器进行模型训练。通过设计跨区域、跨相机的迁移学习实验，能够深入探究模型在异构环境中的适应能力。同时，数据集可与CRAID等其他浆果图像库进行交叉验证，以评估算法的领域泛化性能，为自动化浆果采摘系统的优化提供关键数据支撑。

背景与挑战

背景概述

WildBe数据集由Fondazione Bruno Kessler等机构于2023年创建，旨在推动无人机辅助野生浆果采摘的自动化研究。该数据集聚焦于芬兰森林与泥炭地环境，首次通过无人机采集了越橘、云莓、岩高兰和越橘等多种野生浆果图像，共包含3,516张图像及18,468个标注边界框。其核心研究问题在于解决复杂自然场景下的浆果检测与分类，为精准农业和可持续采摘提供数据支撑，对计算机视觉与农业技术交叉领域具有重要推动作用。

当前挑战

WildBe数据集面临的挑战主要体现在两方面：在领域问题层面，浆果检测需应对森林冠层下光照剧烈变化、枝叶遮挡导致的浆果部分可见、以及杂乱背景引发的误检问题，同时浆果尺寸微小（5-20毫米）对检测算法分辨率提出极高要求；在构建过程中，数据采集需克服无人机在密集植被中飞行的稳定性难题，并需通过手动标注区分颜色形态相似的浆果类别（如越橘与岩高兰），标注成本高昂且依赖专业知识。

常用场景

经典使用场景

在精准农业与森林资源监测领域，WildBe数据集为无人机视觉系统在复杂自然环境下的小目标检测提供了关键基准。该数据集通过无人机在芬兰森林与泥炭地采集的野生浆果图像，涵盖了越橘、云莓、岩高兰和越橘等多种浆果类别，其图像在强烈光照变化和杂乱背景中捕获，为开发鲁棒的浆果检测算法创造了理想条件。研究者常利用WildBe评估和优化如Faster R-CNN、YOLOv8等目标检测模型在密集植被遮挡、光照不均及小尺寸目标识别上的性能，推动自动化浆果识别技术的发展。

实际应用

在实际农业与生态管理中，WildBe数据集支撑的检测技术可直接应用于野生浆果资源的智能采收与监测。搭载视觉系统的无人机可利用训练后的模型实时定位浆果密集区域，辅助采收人员优化路径规划，减少体力消耗与时间成本。此外，该技术可用于浆果生长状态评估、产量预测及生态系统健康监测，为可持续林业管理和精准农业实践提供数据驱动的决策支持。

衍生相关工作

基于WildBe数据集，研究者已开展多项经典工作，涵盖跨区域迁移学习、跨传感器泛化及跨数据集适应性分析。例如，研究团队利用WildBe评估了GLIP、DINO等先进检测器在不同森林区域和相机类型下的性能衰减，揭示了环境异质性对模型泛化的影响。这些工作进一步推动了域自适应、小目标检测及农业视觉系统鲁棒性优化等方向的发展，为后续如CRAID等农业数据集的交叉验证提供了方法论参照。