MMCBE

MMCBE数据集，由澳大利亚联邦科学与工业研究组织创建，是首个多模态作物生物量估算数据集。该数据集包含216组多视角无人机图像和LiDAR点云，以及手工标注的地面真实数据。创建过程中，数据收集自澳大利亚的干旱棉花田，通过无人机和LiDAR技术进行。MMCBE数据集主要应用于作物生物量预测，同时探索了3D作物重建和新型视角合成等计算机视觉任务，旨在解决高分辨率作物生物量估算的挑战。

The MMCBE dataset, created by the Commonwealth Scientific and Industrial Research Organisation (CSIRO) of Australia, is the first multimodal crop biomass estimation dataset. It comprises 216 sets of multi-view UAV images, LiDAR point clouds, and manually annotated ground-truth data. Data for the dataset was collected from arid cotton fields across Australia via UAV and LiDAR technologies during its construction. Primarily applied to crop biomass prediction, the MMCBE dataset is also utilized to explore computer vision tasks such as 3D crop reconstruction and novel view synthesis, aiming to address the challenges of high-resolution crop biomass estimation.

搜集汇总

数据集介绍

构建方式

在精准农业领域，作物生物量的高效估测对育种与农学研究至关重要。MMCBE数据集的构建依托于无人机平台，在澳大利亚的旱地棉田实验区进行系统性采集。研究团队采用DJI M300无人机搭载P1相机与LiDAR传感器，在作物生长周期内的九个关键物候期，以12米飞行高度每周进行扫描，同步获取多视角航拍图像与LiDAR点云。地面真值通过破坏性采样获得，即在每个样方切割1平方米地上植株，经烘干称重记录干物质质量，最终形成包含216组样本的多模态数据对，涵盖多视角图像、点云及手工标注的生物量值。

特点

作为作物生物量估测领域首个公开的多模态数据集，MMCBE的突出特点体现在其数据构成的多样性与采集场景的挑战性。数据集同时包含LiDAR点云与多视角航拍图像，突破了以往单一模态数据的局限；其采集距离达12至30米，相较于近地平台数据，更贴近大田实际应用场景，但亦引入了前景背景几何对比度低、作物结构重复纹理显著、侧向信息缺失等难点。此外，数据集覆盖作物完整生长周期，生物量真值跨度广泛，为模型训练提供了时序动态信息，而无人机前向视角与自然风扰导致的姿态误差，进一步增加了数据在三维重建与渲染任务中的复杂性。

使用方法

MMCBE数据集主要服务于作物生物量预测任务，同时拓展至三维重建与新视角合成等计算机视觉领域。在生物量估测方面，研究者可利用LiDAR点云或多视角图像经运动恢复结构算法生成的伪点云，输入至PointNet、DGCNN、BioNet等先进模型进行训练与评估，通过均方根误差、平均绝对误差等指标量化性能。对于三维重建任务，数据集中多视角图像可应用于COLMAP、NeuS等算法，测试其在重复纹理与低对比度场景下的重建鲁棒性。此外，基于神经辐射场的方法可用于新视角渲染，探索无人机航拍轨迹优化。数据集已公开于GitHub平台，为后续研究提供了基准测试与创新起点。

背景与挑战

背景概述

在精准农业与作物表型研究领域，作物生物量的准确量化是评估植物生长状况与生产力的关键指标，对育种项目与农艺决策具有深远意义。然而，传统基于破坏性采样的测量方法存在劳动密集、不可扩展等局限，难以满足现代农业对高效、无损监测的需求。为此，澳大利亚联邦科学与工业研究组织（CSIRO）与澳大利亚国立大学的研究团队于2024年推出了首个多模态作物生物量估计数据集MMCBE。该数据集整合了216组多视角无人机图像、激光雷达点云及手工标注的真实生物量数据，旨在为基于计算机视觉的生物量预测方法建立基准，推动低成本、可扩展的农业技术创新，并为三维作物重建等衍生研究方向提供数据支撑。

当前挑战

MMCBE数据集致力于解决作物生物量估计这一领域核心问题，其挑战主要体现在两方面：在领域问题层面，作物生物量的高精度预测需克服植株形态复杂、冠层自遮挡以及生长环境动态变化等因素带来的干扰，传统基于高度或点密度的代理模型往往难以捕捉精细的三维结构特征；在数据集构建层面，采用无人机平台在约12至30米距离采集数据，面临前景与背景几何对比度低、作物纹理重复性强、侧向结构信息缺失以及自然风扰导致相机位姿估计偏差等难题，这些因素共同增加了数据标注、三维重建与模型泛化的复杂性。

常用场景

经典使用场景

在精准农业与作物表型分析领域，MMCBE数据集为基于多模态遥感数据的作物生物量估算提供了基准平台。该数据集整合了无人机多视角图像与LiDAR点云，并辅以手工标注的地面真实生物量数据，使得研究人员能够系统评估传统回归模型与深度学习算法在复杂农田环境中的预测性能。通过模拟真实农业监测场景，MMCBE支持从二维视觉特征到三维几何结构的跨模态融合研究，为开发高精度、非破坏性的生物量动态监测方法奠定了数据基础。

实际应用

在实际农业管理中，MMCBE数据集为智慧农场与育种项目提供了技术验证平台。其多模态数据可支撑无人机巡检系统的开发，实现作物生长状态的实时监测与产量预估。例如，基于该数据集训练的模型能够辅助农艺师优化灌溉、施肥策略，减少资源浪费；同时，数据集涵盖的作物全生长周期数据有助于培育高生物量品种，提升农田生产效益。此外，数据集衍生的三维重建技术可用于农田数字化建模，为自动化农机导航与精准作业提供环境感知支持。

衍生相关工作

围绕MMCBE数据集，学术界已衍生出多项经典研究工作。在生物量估算方向，研究团队以该数据集为基准，对比了3DVI、BioNet、PointNet++与DGCNN等方法的性能，推动了注意力机制与图神经网络在点云回归中的创新应用。同时，数据集的多视角特性激发了三维重建领域的新探索，如基于COLMAP的传统运动恢复结构方法、神经辐射场（NeRF）在农田场景中的适应性改进，以及DUSt3R等无标定三维重建算法的性能验证。这些工作不仅拓展了数据集的用途，也为农业计算机视觉提供了跨任务研究方法论。