BonnBeetClouds3D

BonnBeetClouds3D数据集由波恩大学创建，专注于甜菜植物的器官级表型分析。该数据集包含48种甜菜品种的高分辨率点云数据，通过无人机从多个角度捕获图像并进行光束法平差处理生成。数据集不仅提供了植物和叶片的详细点级标签，还包括由专家进行的表型性状测量，如叶片长度和宽度。此数据集适用于开发自动化表型分析方法，以及相关领域的研究，如表面重建和点云语义解释。

The BonnBeetClouds3D dataset was created by the University of Bonn, focusing on organ-level phenotyping of sugar beet plants. This dataset provides high-resolution point cloud data for 48 sugar beet cultivars, generated from images captured from multiple angles using unmanned aerial vehicles (UAVs) and processed via bundle adjustment. In addition to detailed point-level annotations for plants and leaves, the dataset also includes phenotypic trait measurements conducted by experts, such as leaf length and width. This dataset is suitable for developing automated phenotyping analysis methods, as well as research in related fields such as surface reconstruction and point cloud semantic interpretation.

搜集汇总

数据集介绍

构建方式

在精准农业与植物表型分析领域，三维点云数据为器官级几何特征提取提供了关键信息。BonnBeetClouds3D数据集的构建依托于无人机平台，搭载高分辨率PhaseOne iXM-100相机，在约21米飞行高度以45°、90°和135°多视角采集重叠图像。通过光束法平差计算相机相对位姿，进而生成密集的光度点云，完整捕捉田间甜菜植株的三维几何结构。数据标注采用人工精细化处理，由多位标注者交叉校验，确保每个植株、叶片实例及关键点（叶尖、叶基、叶角）的标注准确性，并融合德国联邦植物品种局提供的实测表型性状数据，形成多层级标注体系。

特点

该数据集的核心特点在于其真实性与多样性。数据来源于真实育种试验田，涵盖48个甜菜品种，呈现丰富的形态与外观变异，为模型泛化提供了坚实基础。点云数据包含坐标、法向量、颜色通道及多层次标签信息，如叶片与植株实例ID、关键点标识，并附有专家测量的叶片长度、宽度等表型性状参考值。这种结构不仅支持实例分割与关键点检测等中间任务，更可直接用于下游表型参数自动提取，填补了农业领域细粒度三维感知数据稀缺的空白。

使用方法

为便于深度学习模型训练，数据集被划分为训练集、验证集与测试集，并以1立方米为尺度分割为点云补丁，采用PLY格式存储。使用者可基于坐标、颜色与法向量特征，开发点云分割、关键点定位或表型参数回归算法。标注数据仅开放训练与验证部分，测试集用于公平评估模型性能。配套的CSV文件提供每块试验地的实测性状数据，支持算法结果与真实测量值的直接比对，推动自动化表型分析方法的迭代与优化。

背景与挑战

背景概述

在农业智能化转型的浪潮中，植物表型分析作为连接基因型与环境互作的关键桥梁，其自动化需求日益凸显。BonnBeetClouds3D数据集由波恩大学、德国联邦植物品种局等机构于2023年联合创建，旨在通过无人机采集的高分辨率图像构建光点云，实现对甜菜植株器官级几何结构的精细解析。该数据集聚焦于解决田间条件下作物形态参数自动提取的核心科学问题，涵盖48个甜菜品种的多视角真实数据，不仅提供了点云级别的植株与叶片实例分割标签，还整合了专家测量的叶片长度、宽度等表型性状真值，为计算机视觉与农业机器人领域的算法研发提供了至关重要的三维基准数据，推动了精准农业与智能育种的技术演进。

当前挑战

该数据集致力于解决田间环境下作物器官级表型自动解析的挑战，其核心在于从复杂三维点云中实现叶片实例分割、关键点检测及形态参数反演，这对算法的几何感知与噪声鲁棒性提出了极高要求。在构建过程中，研究团队面临多重困难：首先，田间植株密集种植导致的严重遮挡与光照变化，使得点云重建与标注的完整性难以保障；其次，甜菜叶片形态多样且结构细微，人工标注需要极高的专业精度与一致性；此外，海量高分辨率图像的光点云生成涉及巨大的计算开销，而将专家测量的性状真值与点云数据精准对齐亦是一项繁琐的跨模态整合任务。

常用场景

经典使用场景

在精准农业与植物表型分析领域，BonnBeetClouds3D数据集为基于三维点云的器官级表型研究提供了关键数据支撑。该数据集通过无人机采集的高分辨率多视角图像，经光束法平差生成密集点云，精确捕捉了田间环境下甜菜植株的几何结构。其典型应用场景集中于开发自动化表型分析算法，例如利用点云数据进行叶片实例分割、关键点检测以及形态参数提取，从而实现对植株器官的精细几何解析。

解决学术问题

该数据集有效应对了农业计算机视觉中真实世界细粒度感知数据稀缺的挑战。通过提供包含48个品种、具有丰富形态与外观多样性的标注点云，它支持研究三维点云在复杂田间环境下的语义理解与实例分割问题。数据集不仅包含器官级标注，还提供了由专家测量的叶片长度、宽度等表型性状参考值，使得研究工作能够直接从分割、关键点检测延伸至下游性状估算任务，推动了自动化表型分析方法的可重复性与客观性评估。

衍生相关工作

该数据集的发布促进了农业机器人与计算机视觉领域的多项经典研究。在三维点云处理方面，它启发了针对植物器官实例分割、点云补全与表面重建的算法创新；在表型分析任务中，衍生出基于点云的关键点检测与形态参数回归方法。此外，数据集提供的多品种真实田间数据，为弥合合成数据与真实场景之间的域差距提供了基准，推动了如Pheno4D等实验室数据集向田间环境的拓展研究，并在相关工作中被用于评估点云分割网络在复杂遮挡与光照变化下的鲁棒性。