SemanticSugarBeets

SemanticSugarBeets数据集是由奥地利技术研究所创建的一个高质量注释数据集。该数据集包含不同处理阶段的甜菜图像及其标注，旨在用于检测、语义分割以及存储后甜菜的重量估计。数据集涵盖了收割、储存等不同阶段的近3000个甜菜实例，图像采用全帧索尼A7S相机拍摄，分辨率为4240x2384像素。数据集注释包括甜菜、损伤、土壤粘附、顶切、叶子和背景等多个类别的手动绘制多边形轮廓。该数据集广泛应用于自动化视觉检测，以评估甜菜的储存质量。

The SemanticSugarBeets dataset is a high-quality annotated dataset developed by the Austrian Institute of Technology. This dataset contains sugar beet images and their corresponding annotations across different processing stages, and is intended for applications including object detection, semantic segmentation, and post-storage sugar beet weight estimation. The dataset covers nearly 3000 sugar beet instances across various stages including harvesting and storage. The images were captured using a full-frame Sony A7S camera with a resolution of 4240×2384 pixels. The dataset annotations consist of manually drawn polygonal contours for multiple categories including sugar beets, damage, soil adhesion, topping, leaves, and background. This dataset is widely used in automated visual inspection for evaluating the storage quality of sugar beets.

原始信息汇总

SemanticSugarBeets数据集概述

数据集基本信息

• 名称：SemanticSugarBeets
• 用途：用于检查甜菜的收获和储存特性的多任务框架和数据集

数据集状态

• 当前状态：即将发布（Coming soon!）

许可信息

• 许可证类型：Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License
• 许可证链接：http://creativecommons.org/licenses/by-nc-sa/4.0/

引用信息

如果使用该数据集或框架进行研究，请使用以下BibTeX条目引用： BibTeX @InProceedings{Croonen_2025_CVPRW, author = {Croonen, Gerardus and Trondl, Andreas and Simon, Julia and Steininger, Daniel}, title = {SemanticSugarBeets: A Multi-Task Framework and Dataset for Inspecting Harvest and Storage Characteristics of Sugar Beets}, booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW)}, month = {June}, year = {2025} }

相关资源

• 数据集详情页面：https://github.com/semanticsugarbeets/semanticsugarbeets

搜集汇总

数据集介绍

构建方式

在农业智能检测领域，糖用甜菜的自动化视觉检测对保障其储存质量具有重要意义。SemanticSugarBeets数据集通过为期两年的系统性采集，在五个不同地点分十次拍摄会期获取了超过5,000张高分辨率图像。采用索尼A7S全画幅相机以4240×2384像素分辨率拍摄，每幅图像包含2-5个甜菜样本，并辅以标尺等参照物进行绝对尺度标定。数据集特别关注三个加工阶段（采样、收获和储存）的甜菜表型特征，通过专业标注工具Scalabel对七类语义标签（健康甜菜、损伤、切口、叶片、土壤附着、腐烂和背景）进行多边形轮廓标注，最终形成包含953张精选图像、近3,000个标注实例的高质量数据集。

使用方法

该数据集支持多任务学习框架的应用：第一阶段采用YOLO11模型实现甜菜实例分割和参照物检测，检测精度达到mAP50-95 98.8；第二阶段通过U-Net架构结合EfficientNet编码器进行细粒度语义分割，最佳模型mIoU达64.0。使用时应遵循70/15/15的标准数据划分，并确保同一甜菜的不同侧面图像归入相同子集。对于质量评估任务，可基于参照物检测结果将像素面积转换为绝对尺寸，进而结合预计算的单位面积质量参数（g/mm²）估算甜菜质量。该框架已证明能有效处理不同环境条件下的甜菜表型变异，为农业自动化检测系统开发提供了可靠基准。

背景与挑战

背景概述

SemanticSugarBeets数据集由AIT奥地利技术研究院的视觉、自动化与控制中心团队于2025年发布，旨在通过计算机视觉技术解决甜菜收获后存储过程中的糖分损失问题。该数据集包含超过5,000张高分辨率RGB图像，涵盖采样、收获和存储三个处理阶段的甜菜样本，并提供了精细的语义分割标注，包括健康组织、损伤区域、切割面、植被残留、土壤附着及腐烂部位等七种类别。作为首个针对采后甜菜质量检测的大规模数据集，其创新性地将实例分割与细粒度语义分割相结合，为农业食品工业的自动化质量监控提供了重要基准，推动了精准农业中计算机视觉技术的应用发展。

当前挑战

该数据集面临的挑战主要体现在两个方面：在领域问题层面，需解决甜菜表面损伤与腐烂区域的小样本识别难题，因其仅占图像极小比例导致严重的类别不平衡；同时，不同存储阶段甜菜表观特征的显著差异（如潮湿土壤与干燥表面的光学特性变化）对模型的泛化能力提出严峻考验。在构建过程中，团队需克服自然光照条件的高度可变性，包括户外直射光与室内人工光源的混合场景；此外，土壤附着物与腐烂区域在视觉上的相似性，以及机械损伤与切割面的形态学重叠，都极大增加了标注的歧义性与质量控制难度。

常用场景

经典使用场景

SemanticSugarBeets数据集在农业智能检测领域具有重要应用价值，尤其在甜菜收割后及存储期间的自动化视觉检测方面表现突出。该数据集通过高分辨率RGB图像和多任务标注框架，支持甜菜的检测、语义分割和质量评估。其经典使用场景包括甜菜损伤检测、土壤附着分析以及过量植被识别，为农业生产中的质量控制提供了可靠的数据支持。

解决学术问题

SemanticSugarBeets数据集解决了农业视觉检测中的多个关键学术问题。首先，它填补了甜菜收割后及存储期间高质量标注数据的空白，为相关研究提供了基准。其次，数据集通过精细的语义标注（如损伤、腐烂、土壤附着等），支持了多任务学习框架的开发，提升了模型在复杂环境下的鲁棒性。此外，数据集还推动了甜菜质量评估的自动化研究，为减少糖分损失提供了技术基础。

实际应用

在实际应用中，SemanticSugarBeets数据集为甜菜生产的多个环节提供了技术支持。例如，在收割阶段，基于数据集的模型可以实时调整收割高度，优化甜菜顶部切割质量。在存储阶段，通过检测甜菜的腐烂和土壤附着情况，可以优先处理质量下降的批次，减少糖分损失。此外，数据集还可用于工厂端的土壤和植被量化，降低生产成本。

数据集最近研究

最新研究方向

近年来，SemanticSugarBeets数据集在农业视觉检测领域引起了广泛关注，特别是在甜菜收获和储存特性的自动化检测方面。该数据集结合了高质量的多任务标注和两阶段检测方法，为甜菜的质量评估提供了新的研究视角。前沿研究主要集中在利用深度学习模型进行甜菜的检测、语义分割和质量估计，特别是在处理甜菜损伤、腐烂、土壤附着和过量植被等细粒度分类任务上的性能优化。此外，该数据集还被用于研究不同环境条件下甜菜外观变化的适应性，为农业生产中的实时质量控制和储存优化提供了重要支持。这些研究不仅推动了农业视觉检测技术的发展，也为相关领域的自动化解决方案提供了可靠的数据基础。

相关研究论文

• SemanticSugarBeets: A Multi-Task Framework and Dataset for Inspecting Harvest and Storage Characteristics of Sugar Beets

  奥地利技术研究所视觉自动化与控制中心 · 2025年