CamelinaWeed

CamelinaWeed是一个基于无人机采集的RGB和多光谱数据集，用于希腊亚麻荞（Camelina sativa）田间的作物监测、杂草检测和农田分析。数据集包含由农业专家标注的RGB图像（多边形标注）、原始RGB图像、多光谱图像和正射影像产品，支持计算机视觉、精准农业和杂草检测研究。CamelinaWeed is a UAV-collected RGB and multispectral dataset intended for crop monitoring, weed detection and farmland analysis in Camelina sativa fields in Greece. The dataset includes RGB images annotated by agricultural experts with polygon-level annotations, raw RGB images, multispectral images and orthophoto products, which supports research in computer vision, precision agriculture and weed detection.

原始信息汇总

数据集概述：CamelinaWeed

CamelinaWeed 是一个用于精准农业研究的无人机（UAV）数据集，专注于亚麻荠（Camelina sativa）田间的杂草与作物监测。该数据集由农业专家采用多边形方式对杂草进行标注，包含高分辨率RGB和多光谱图像。

数据集核心信息

项目	描述
主题	计算机科学
具体领域	计算机视觉、精准农业、杂草检测
数据类型	RGB图像、标注掩码
数据来源	希腊塞萨洛尼基（Thessaloniki）和哈尔基迪基（Chalkidiki）的三个农业田块，采集于2025年夏季和2025-2026年冬季
数据格式	标注RGB图像: JPEG；原始未标注RGB图像: JPEG；多边形标注: JSON；正射影像: GeoTIFF；原始未标注多光谱图像: 多波段TIFF
数据访问	Zenodo: https://doi.org/10.5281/zenodo.20148697 <br> GitHub: https://github.com/aura-laboratory/A-UAV-Dataset-for-Crop-Monitoring-Weed-Mapping-and-Field-Analysis-in-Camelina-sativa

数据采集平台与参数

• 无人机平台:
  • DJI Phantom 4 Pro: RGB相机，1英寸CMOS，2000万有效像素
  • DJI Mavic 3M: RGB相机（4/3 CMOS，2000万有效像素）及多光谱相机（5个有效波段：绿、红、红边、近红外，1/2.8英寸CMOS，500万有效像素）
• 采集参数:
  • 飞行高度: 2米、3米、5米、10米（杂草检测）；20米（正射影像生成）
  • 飞行速度: 3米/秒
  • GSD (地面采样距离): 杂草检测数据为0.08-0.27厘米/像素；正射影像数据为0.5厘米/像素
  • 重叠率 (用于正射影像): 航向重叠85%，旁向重叠70%

数据组成

数据集主要分为两类：

1. 正射影像生成数据：用于生成整块田地的正射影像产品。

季节	地点	采集设置	图像数量	正射影像
2025-2026冬季	塞萨洛尼基	Mavic 3M飞行于20米高度 RGB	227	✓
2025-2026冬季	塞萨洛尼基	Mavic 3M飞行于20米高度 MS	908	✓
2025-2026冬季	哈尔基迪基	Mavic 3M飞行于20米高度 RGB	1351	✓
2025-2026冬季	哈尔基迪基	Mavic 3M飞行于20米高度 MS	5404	✓

2. 杂草检测数据：根据可见杂草情况分类的图像集。

季节	地点	采集设置	含杂草图像	无杂草图像
2025夏季	塞萨洛尼基	Phantom飞行于5米高度	34	32
2025夏季	塞萨洛尼基	Phantom飞行于10米高度	297	46
2025-2026冬季	塞萨洛尼基	Phantom飞行于3米高度	17	32
2025-2026冬季	塞萨洛尼基	Mavic 3M飞行1于2米高度	627	215
2025-2026冬季	塞萨洛尼基	Mavic 3M飞行1于2米高度 MS	—	842
2025-2026冬季	塞萨洛尼基	Mavic 3M飞行2于2米高度	47	193
2025-2026冬季	塞萨洛尼基	Mavic 3M飞行2于2米高度 MS	—	240
2025-2026冬季	哈尔基迪基	Phantom飞行于3米高度	43	159
2025-2026冬季	哈尔基迪基	Phantom飞行于5米高度	55	144

数据标注

• 标注格式: COCO格式的JSON文件，包含多边形（Polygon）边界。
• 杂草类别: 阔叶杂草和窄叶杂草。
• 验证: 数据经过人类农业专家标注。

数据集结构（示例）

CamelinaWeed/ ├── Summer 2025/ │ └── Thessaloniki/ │ ├── Phantom Flight at 5 m Altitude/ │ │ ├── Annotated/ │ │ │ ├── images/ │ │ │ └── annotations.json │ │ └── Unannotated/ │ │ └── images/ │ └── ... │ └── Winter 2025-2026/ ├── Thessaloniki/ │ ├── Phantom Flight at 3 m Altitude/ │ │ ├── Annotated/ │ │ │ ├── images/ │ │ │ └── annotations.json │ │ └── Unannotated/ │ │ └── images/ │ ├── ... │ ├── Orthomosaic_RGB.tif │ └── Orthomosaic_MS.tif │ └── Chalkidiki/ └── ...

基准评估

使用RT-DETR-L模型在768×768像素的图像块上对杂草进行检测，训练200个epoch后得到的性能指标如下：

指标	值
精确率 (Precision)	0.895
召回率 (Recall)	0.842
F1分数	0.870
mAP@50	0.892
mAP@50-95	0.704
推理速度	9.8 毫秒/图像

搜集汇总

数据集介绍

构建方式

在精准农业与计算机视觉交叉领域，杂草的精准识别与监测一直是研究热点。CamelinaWeed数据集正是为应对这一挑战而构建的，它聚焦于油料作物亚麻荠（Camelina sativa）田间的杂草与作物监测。该数据集的构建依托于无人机遥感平台，采用了DJI Phantom 4 Pro和DJI Mavic 3M两种飞行器，分别在希腊塞萨洛尼基和哈尔基季基的多个农业地块进行数据采集。飞行高度涵盖了2米、3米、5米、10米和20米等多种层级，以确保获取不同空间分辨率的影像。数据采集分为两个阶段：夏季（2025年）和冬季（2025–2026年），共获取了3023张经过精细多边形标注的RGB图像以及大量原始RGB、多光谱影像和数字正射影像图（DOM）。多光谱数据包含了绿、红、红边和近红外四个波段，为多模态分析提供了基础。所有杂草注释均由经验丰富的农学专家手工绘制，确保了标注的高精度与专业性。

使用方法

为了降低使用门槛并促进研究社区的广泛应用，CamelinaWeed数据集配套提供了完善的工具脚本与详细文档。用户可直接从Zenodo平台下载完整数据文件，并在GitHub仓库中获取数据集说明及处理工具。数据集的标注信息以COCO格式JSON文件存储，用户可通过仓库中的visualize_annotations.py脚本对多边形标注进行可视化预览或导出，便于快速检查样本质量。对于需要使用YOLO系列模型的用户，prepare_dataset.py脚本可将COCO标注格式一键转换为YOLO支持的检测或分割格式，同时自动生成训练集、验证集和测试集划分以及data.yaml配置文件。该脚本支持递归处理所有标注文件夹，极大简化了多任务、多模态数据的批量准备工作。通过这些规范化工具，研究者能够快速投入到模型训练与评估环节，专注于杂草检测、作物监测等核心研究任务。

背景与挑战

背景概述

精准农业的迅猛发展对高分辨率遥感数据的需求与日俱增，CamelinaWeed数据集应运而生，由希腊相关研究机构于2025至2026年期间创建。该数据集聚焦于一种新兴油料作物——亚麻荠（Camelina sativa）田间的杂草与作物监测，核心研究问题在于如何利用无人机搭载的RGB与多光谱传感器，在真实农业场景下实现杂草的精准识别与定位。研究人员在希腊塞萨洛尼基和哈尔基迪基的多个农田，通过不同飞行高度（2米至10米）和多种无人机平台（如DJI Phantom 4 Pro与DJI Mavic 3M）获取影像，并由农学专家以多边形形式精心标注杂草区域。这一数据集为计算机视觉与精准农业交叉领域提供了宝贵的基准资源，对推动低空遥感下的杂草检测算法发展具有显著影响力。

当前挑战

该数据集所解决的领域问题首要是杂草检测与作物监测的精确性挑战，尤其面对杂草与作物形态相似、生长阶段多变以及光照条件复杂等现实农业环境带来的困难。在构建过程中，研究团队遭遇了多重挑战：不同飞行高度带来的空间分辨率差异（GSD从0.08至0.27厘米/像素不等），要求标注能适应多尺度特征；多光谱与RGB影像的配准与融合需要精确的几何校正；此外，在田间实际采集时，需协调无人机航线、确保重叠率（前向85%、旁向70%）以生成高质量正射影像，同时兼顾低空飞行下的安全与数据完整性。标注工作本身也极具挑战，杂草的边界界定依赖于农学专家对植物形态的深厚知识，且标注一致性在不同地块和季节间需严格把控。

常用场景

经典使用场景

在精准农业与计算机视觉交叉领域，CamelinaWeed数据集为无人机遥感影像中的杂草检测与作物监测提供了高质量的标注基准。该数据集涵盖RGB与多光谱两种成像模态，包含由农学专家以多边形精细标注的杂草类别（阔叶与窄叶杂草），适用于训练和评估基于深度学习的语义分割、目标检测与实例分割模型。其经典使用场景包括：在无人机低空采集的高分辨率影像上，利用RT-DETR、YOLO等主流检测框架，构建杂草自动识别与定位系统，实现作物与杂草的精准区分。多飞行高度（2–10米）与多季节（夏季、冬季）的采集设计，赋予了模型应对尺度变化与物候差异的泛化能力，使其成为开发鲁棒田间视觉智能系统的理想数据基石。

解决学术问题

该数据集直面农田杂草自动化监测中的核心学术瓶颈：缺乏高分辨率、多光谱、由农学专家严格标注的真实田野数据集。现有杂草数据集多局限于单一成像模态或低分辨率场景，难以支撑跨尺度、跨季节的模型泛化研究。CamelinaWeed通过提供3023张专家多边形标注的RGB图像、配套的多光谱影像及正射镶嵌产品，系统性地解决了杂草检测中标注精度不足、数据模态单一、场景覆盖有限等关键难题。其意义在于首次在亚麻荠这一新兴油料作物上构建了公开可复用的基准测试平台，推动了精准农业中弱监督学习、域自适应与小样本学习等前沿方向的发展。该数据集的发布填补了多模态杂草识别领域的数据空白，为验证算法在实际农业环境中的鲁棒性提供了权威参考标准。

实际应用

在实际农业场景中，CamelinaWeed数据集驱动的模型可部署于无人机田间巡检系统，实现对杂草时空分布的实时感知与精准定位。其典型应用包括：结合正射镶嵌影像生成杂草密度热力图，指导变量喷洒除草剂作业，从而降低化学品使用量并减少环境负担；利用多光谱波段（绿、红、红边、近红外）估算作物健康指数（如NDVI），同步监测杂草胁迫与营养状况。此外，该数据集支持跨田块与跨季节迁移，适用于大规模农田的自动化巡查方案，提升农业管理效率。其低空高分辨率采集策略（GSD低至0.08厘米/像素）甚至可捕捉单株杂草细节，为机器人除草系统提供视觉感知基准。这些应用共同推动了精准农业从理论模型向农场级智能决策系统的实质性转化。

数据集最近研究

最新研究方向

在精准农业与计算机视觉的交叉领域，杂草的自动检测与精准管理正成为应对粮食安全挑战的关键技术突破口。CamelinaWeed数据集针对亚麻荠这一新兴油料作物，首次提供了由农业专家精细标注的多时相、多光谱无人机影像，其研究前沿聚焦于开发能够适应复杂田间环境的高精度实时目标检测模型。基于该数据集，研究者利用RT-DETR-L等先进架构开展了杂草分类与定位的基线评估，在细化阔叶与窄叶杂草的区分上取得了优异的性能指标，这为后续在低空、高分辨率条件下实现作物与杂草的语义分割、以及通过多光谱信息增强模型对杂草表型的判别能力奠定了重要基础。该数据集的开放共享，有力推动了农业遥感领域从传统图像处理向深度学习驱动、可泛化智能感知范式的跃迁，加速了面向精准喷施和可持续田间管理的实际应用落地。