Agricultural Computer Vision Dataset Survey

这是一个精选的45个高质量RGB图像数据集的集合，专注于农业计算机视觉，特别是自然田野场景。数据集包括杂草检测、疾病识别和作物监测等任务，适用于各种农业计算机视觉任务。

This is a curated collection of 45 high-quality RGB image datasets specializing in agricultural computer vision, with a particular focus on natural field scenarios. The datasets within this collection encompass tasks including weed detection, disease identification and crop monitoring, and are suitable for a wide range of agricultural computer vision tasks.

原始信息汇总

农业计算机视觉数据集调查

概述

该仓库包含一个精心挑选的高质量RGB图像数据集列表，专门用于农业中的计算机视觉，特别是自然田间场景。这些数据集是作为我们的研究论文“农业中计算机视觉数据集调查：高质量RGB图像数据集目录”（Heider et al., 2025）的一部分收集的。

数据集选择标准

• 领域一致性：自然田间场景（田地或牧场上的植物在自然光下拍摄）
• 高质量的地面真实数据，具有大量注释
• 一致的图像质量（分辨率、最小运动模糊、适当的光照）
• 原始数据集（无网络抓取或重复使用的图像）

涵盖的任务

• 杂草检测和分类（29个数据集）
• 疾病和害虫检测（9个数据集）
• 幼苗和作物检测（6个数据集）
• 植物生长阶段检测
• 表型分析
• 各种检测和计数任务

数据集列表

标签	年份	作者	植物（英文）	植物（拉丁文）	植物/叶/果实	任务	注释类型	公共评论	图像数量	论文链接	数据集链接
AmsinckiaInChickpeas [We24b]	2023	Plant, Brad	作物: 鹰嘴豆; 杂草: Ansinckia	作物: Cicer arietinum; 杂草: Ansinckia	整株植物	杂草检测	边界框		124	https://weed-ai.sydney.edu.au/datasets/21675efe-9d25-4096-be76-3a541475efd4	https://weed-ai.sydney.edu.au/datasets/21675efe-9d25-4096-be76-3a541475efd4
AnnualRyegrassAndTurnipweedInWheat [We24c]	2021	Coleman, Guy	作物: 小麦; 杂草: 一年生黑麦草, 萝卜草;	作物: Triticum aestivum; 杂草: Lolium rigidum, Rapistrum rugosum;	整株植物	杂草检测	边界框		27	https://weed-ai.sydney.edu.au/datasets/5158bbe5-6030-48ad-8214-b68ff8118c22	https://weed-ai.sydney.edu.au/datasets/5158bbe5-6030-48ad-8214-b68ff8118c22
ASDID [BSH22]	2022	Bevers, Noah; Sikora, Edward J.; Hardy, Nate B.	作物: 大豆;	作物: Glycine max;	叶	疾病检测	图像类别	疾病类型和缺乏症如细菌性枯萎病, 尾孢叶枯病, 蛙眼叶斑病, 霜霉病, 大豆锈病, 靶斑病, 钾缺乏症, 健康植物	9981	https://www.sciencedirect.com/science/article/pii/S0168169922007578	https://datadryad.org/stash/dataset/doi:10.5061/dryad.41ns1rnj3
BeanLeafDataset [Ma20]	2020	Makerere AI Lab	作物: 豆;	作物: Phaseolus;	叶	疾病识别	图像类别	角斑病和豆锈病	1200+	https://github.com/AI-Lab-Makerere/ibean	https://huggingface.co/datasets/AI-Lab-Makerere/beans
BroadleafWeedsInCommonCouch [We24d]	2022	Coleman, Guy	作物: 普通草坪; 杂草: 阔叶杂草;	作物: Elymus repens.; 杂草: Conyza spp.;	整株植物	杂草检测	边界框		78	https://weed-ai.sydney.edu.au/datasets/8b14a44b-bc7f-4b92-9bc0-224a2a2c4e22	https://weed-ai.sydney.edu.au/datasets/8b14a44b-bc7f-4b92-9bc0-224a2a2c4e22
BrownlowHillFireweed [We24k]	2022	Coleman, Guy	作物: 牧场; 杂草: 火草;	作物: 各种Poaceae; 杂草: Senecio madagascariensis;	整株植物	杂草检测	边界框		20	https://weed-ai.sydney.edu.au/datasets/24b34712-c31b-4efc-9790-406d1f14d840	https://weed-ai.sydney.edu.au/datasets/24b34712-c31b-4efc-9790-406d1f14d840
CobbityWheat [We24e]	2021	Coleman, Guy	作物: 小麦; 杂草: 野萝卜, 萝卜草;	作物: Triticum aestivum; 杂草: Raphanus Raphanistrum, Rapistrum rugosum;	整株植物	杂草检测	边界框		39	https://weed-ai.sydney.edu.au/datasets/3c363da3-6274-45e4-a0ce-b307cb0f89cc	https://weed-ai.sydney.edu.au/datasets/3c363da3-6274-45e4-a0ce-b307cb0f89cc
CornLeafInfection [Ac20]	2020	Acharya, Ramkrishna.	作物: 玉米;	作物: Zea mays;	叶	疾病检测	边界框		2225	https://www.kaggle.com/datasets/qramkrishna/corn-leaf-infection-dataset	https://www.kaggle.com/datasets/qramkrishna/corn-leaf-infection-dataset
CottonWeedDet3 [RLW23]	2023	Rahman, Abdur; Lu, Yuzhen; Wang, Haifeng	作物: 棉花; 杂草: 各种;	作物: Gossypium; 杂草: 各种;	叶	杂草检测	边界框		848	https://www.sciencedirect.com/science/article/pii/S2772375522000910	https://www.kaggle.com/datasets/yuzhenlu/cottonweeddet3
CottonWeedID15 [Ch23]	2023	Chen et al.	作物: 棉花; 杂草: 牵牛花, 地毯草, 帕尔默苋菜, 水麻, 马齿苋, 莎草, 马齿苋, 斑点刺苋, 刀豆, 狗尾草, 刺苋, 豚草, 狗尾草, 猪草, 刺苋;	作物: Gossypium; 杂草: Mollugo verticillata, Amaranthus palmeri, Amaranthus tuberculatus, Portulaca oleracea, Cyperus spp., Eclipta prostrata, Euphorbia maculata, Senna obtusifolia, Eleusine indica, Sida spinosa, Ambrosia artemisiifolia, Digitaria spp., Coronopus didymus, Anoda cristata;	叶	杂草识别	图像类别		5187	https://www.sciencedirect.com/science/article/abs/pii/S0168169922004082?via%3Dihub	https://www.kaggle.com/datasets/yuzhenlu/cottonweedid15
DeepSeedling [Ji19]	2019	Jian et al.	作物: 棉花; 杂草: 双子叶, 单子叶, 各种;	作物: Gossypium hirsutum; 杂草: 双子叶, 单子叶, 各种;	幼苗	幼苗检测, 幼苗计数	边界框		5610	https://doi.org/10.1186/s13007-019-0528-3	https://figshare.com/s/616956f8633c17ceae9b
DeepWeeds [Ol19]	2019	Olsen et al.	杂草: 中国苹果, 蛇草, 马缨丹, 刺槐, 西米草, 斑叶草, 橡胶藤, 金合欢;	杂草: Ziziphus mauritiana, Stachytarpheta spp., Lantana camara, Vachellia nilotica, Chromolaena odorata, Parthenium hysterophorus, Cryptostegia grandiflora, Parkinsonia aculeata;	叶	杂草检测	图像类别		17509	https://www.nature.com/articles/s41598-018-38343-3	https://github.com/AlexOlsen/DeepWeeds
DPA [RRG20]	2020	Riehle, Daniel; Reiser, David; Griepentrog, Hans W.	作物: 玉米, 甜菜;	作物: Zea mays, Beta vulgaris;	叶, 果实, 整株植物	植物分类	分割掩码		200	https://www.sciencedirect.com/science/article/pii/S0168169919314346	https://github.com/hohenheimdr/DPA
EarlyCropWeed [Es20]	2020	Espejo-Garcia et al.	作物: 番茄, 棉花; 杂草: 黑夜草, 绒毛叶;	作物: Solanum lycopersicum, Gossypium hirsutum; 杂草: Solanum nigrum, Abutilon theophrasti;	叶	杂草检测	图像类别		504	https://www.sciencedirect.com/science/article/pii/S0168169919319854	https://github.com/AUAgroup/early-crop-weed
GlobalWheatHeadDetection [Da21]	2021	David et al.	作物: 小麦;	作物: Triticum aestivum;	果实, 小麦穗	植物检测	边界框		6422	https://openreview.net/forum?id=fEoYkscKoS	https://zenodo.org/records/5092309
ImageWeeds [Ra23c]	2023	Rai et al.	杂草: 科奇亚, 普通豚草, 马草, 红根苋菜, 水麻;	杂草: Bassia scoparia, Ambrosia artemisiifolia, Erigeron canadensis, Amaranthus retroflexus, Amaranthus tuberculatus;	整株植物	杂草识别	边界框		3975	https://www.sciencedirect.com/science/article/pii/S2352340923007709	https://data.mendeley.com/datasets/8kjcztbjz2/2
LucasVision [Yo23]	2023	Yordanov et al.	作物: 普通小麦, 硬粒小麦, 大麦, 黑麦, 燕麦, 玉米, 马铃薯, 甜菜, 向日葵, 油菜/芜菁油菜, 大豆, 临时草地;	作物: Triticum aestivum, Triticum durum, Hordeum vulgare, Secale cereale, Avena sativa, Zea mays, Solanum tuberosum, Beta vulgaris, Helianthus annuus, Brassica napus, Glycine max;	地面覆盖作物	植物识别	图像类别	15,876张高质量标注图像	16946	https://arxiv.org/abs/2305.04994v1	https://jeodpp.jrc.ec.europa.eu/ftp/jrc-opendata/DRLL/LUCASvision/
MaizeDiseaseSymptoms [Wi18]	2018	Wiesner-Hanks et al.	作物: 玉米;	作物: Zea mays;	叶	疾病检测	其他（多段线）	病变注释（病变数量用线条标记）	18222	https://doi.org/10.1186/s13104-018-3548-6	https://osf.io/p67rz/?view_only=
MaizeWeedDataset [Ol22]	2022	Olaniyi et al.	作物: 玉米; 杂草: 各种;	作物: Zea mays; 杂草: 各种;	整株植物	杂草检测, 植物识别, 杂草识别	边界框	500张标注图像, 36,874张总图像（18,187张来自旱季, 18,187张来自雨季, 500张标注图像）	500	https://data.mendeley.com/datasets/jjbfcckrsp/1	https://data.mendeley.com/datasets/jjbfcckrsp/1
MFWD [Ge24]	2024	Genze et al.	作物: 玉米, 高粱; 杂草: 各种;	作物: Sorghum bicolor, Zea mays;	整株植物	杂草检测	图像类别, 边界框, 分割掩码		94321	https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10805845/	https://github.com/grimmlab/MFWD
NarrabriChickpea [We24f]	2021	Coleman, Guy	作物: 鹰嘴豆; 杂草: 菊科, 十字花科, 硬黑麦草, 非禾本科, 禾本科;	作物: Cicer arietinum; 杂草: Asteraceae, Brassicaceae, Lolium Rigidum, Non-Poaceae, Poaceae;	整株植物	杂草检测	边界框		31	https://weed-ai.sydney.edu.au/datasets/839a5f35-9c7b-4df3-92f4-d0fc15120920	https://weed-ai.sydney.edu.au/datasets/839a5f35-9c7b-4df3-92f4-d0fc15120920
NarrabriWheat [We24a]	2021	Coleman, Guy	作物: 小麦; 杂草: 一年生黑麦草, 萝卜草, 普通苦苣菜;	作物: Triticum aestivum; 杂草: Lolium rigidum, Rapistrum rugosum, Sonchus oleraceu;	整株植物	杂草检测	边界框		184	https://weed-ai.sydney.edu.au/datasets/dc322d80-be00-49cf-822c-9e9b40e37425	https://weed-ai.sydney.edu.au/datasets/dc322d80-be00-49cf

搜集汇总

数据集介绍

构建方式

该数据集的构建基于对农业计算机视觉领域中高质量RGB图像数据集的系统性调研。研究团队精心挑选了45个符合特定标准的自然田间场景数据集，这些标准包括领域一致性、高质量的地面真实数据、一致的图像质量和原始数据来源。每个数据集都经过严格筛选，确保其适用于农业计算机视觉任务，如杂草检测与分类、病害与害虫检测、幼苗与作物检测等。

特点

该数据集的显著特点在于其高质量和多样性。所有数据集均来自自然田间场景，确保了数据的实际应用价值。图像质量高，无运动模糊，光照充足，且具有丰富的注释信息，包括边界框、图像类别和分割掩码等。此外，数据集涵盖了多种农业计算机视觉任务，为研究人员提供了广泛的应用场景。

使用方法

使用该数据集时，用户可以通过访问GitHub仓库获取详细的数据集列表和相关信息。每个数据集都提供了访问链接、图像数量、分辨率、注释类型和引用细节。用户可以根据研究需求选择合适的数据集，并参考提供的引用信息进行学术引用。此外，数据集欢迎社区贡献，用户可以通过提交拉取请求来添加符合标准的新数据集。

背景与挑战

背景概述

农业计算机视觉数据集调查（Agricultural Computer Vision Dataset Survey）是由Heider等人于2025年创建的，旨在为农业领域的计算机视觉研究提供高质量的RGB图像数据集。该数据集的构建基于自然田野场景，涵盖了多种农业计算机视觉任务，如杂草检测与分类、病害与害虫检测、幼苗与作物检测等。主要研究人员包括Heider、Gunreben、Zürner和Schieck，他们通过精心筛选和标注，确保了数据集的高质量和领域一致性。这一数据集的发布对推动农业领域的计算机视觉研究具有重要意义，为研究人员提供了丰富的资源和基准。

当前挑战

农业计算机视觉数据集的构建面临多重挑战。首先，确保数据集的领域一致性，即自然田野场景下的高质量图像采集，是一个复杂的过程。其次，数据集的标注工作需要大量的人力和时间，尤其是在处理多样化的农业任务时，如杂草检测、病害识别等。此外，数据集的多样性和覆盖范围也是一个挑战，需要涵盖不同作物、不同生长阶段以及不同环境条件下的图像。最后，数据集的更新和维护也是一个持续的挑战，以确保其能够反映农业领域的最新研究需求和技术进展。

常用场景

经典使用场景

在农业计算机视觉领域，Agricultural Computer Vision Dataset Survey数据集被广泛应用于自然田野场景的高质量RGB图像分析。该数据集涵盖了多种农业计算机视觉任务，如杂草检测与分类、病害与害虫检测、幼苗与作物检测等。通过这些图像数据，研究人员能够开发和验证各种计算机视觉算法，从而提高农业生产的自动化和智能化水平。

实际应用

在实际应用中，Agricultural Computer Vision Dataset Survey数据集被广泛用于农业自动化系统的设计与优化。例如，在精准农业中，该数据集的图像数据可用于开发自动化的杂草识别与清除系统，从而减少化学农药的使用，提高农作物的产量和质量。此外，数据集中的病害检测图像也可用于构建智能化的病害预警系统，帮助农民及时采取防治措施，减少经济损失。

衍生相关工作

Agricultural Computer Vision Dataset Survey数据集的发布，催生了一系列相关的经典研究工作。例如，基于该数据集的研究成果，许多学者开发了高效的杂草检测算法，并在实际农业生产中得到了应用。此外，数据集中的病害检测图像也促进了作物病害识别技术的进步，推动了农业智能化的发展。这些研究成果不仅在学术界产生了广泛的影响，也为农业生产的现代化提供了技术支持。