Aphid Cluster Detection and Segmentation in Sorghum Fields

本数据集名为‘Aphid Cluster Detection and Segmentation in Sorghum Fields’，由多伦多都会大学和堪萨斯州立大学的研究团队开发，专注于高粱田中蚜虫集群的检测与分割。数据集包含54,742张从实际高粱田中采集的高分辨率图像，这些图像经过精心标注，以包含蚜虫集群。数据集涵盖多种视角、光照条件和不同尺度，适用于实际应用。创建过程中，研究团队使用了配备三个GoPro相机的成像装置，从不同高度捕捉图像，确保数据集能反映蚜虫在自然环境中的多样性。该数据集主要应用于农业领域，旨在通过精确喷洒减少农药使用，提高作物产量，解决蚜虫引起的农业损失问题。

This dataset, named 'Aphid Cluster Detection and Segmentation in Sorghum Fields', was developed by research teams from Toronto Metropolitan University and Kansas State University, focusing on the detection and segmentation of aphid clusters in sorghum fields. The dataset contains 54,742 high-resolution images collected from real sorghum fields, which have been meticulously annotated to include aphid clusters. It covers diverse perspectives, lighting conditions and varying scales, making it suitable for real-world applications. During the development process, the research team utilized an imaging rig equipped with three GoPro cameras to capture images at different heights, ensuring that the dataset reflects the natural diversity of aphid populations in their native habitats. This dataset is primarily applied in the agricultural sector, with the goal of reducing pesticide usage through precision spraying, boosting crop yields, and mitigating agricultural losses caused by aphid infestations.

搜集汇总

数据集介绍

构建方式

在农业害虫智能监测领域，精准识别蚜虫集群对于实现靶向施药至关重要。该数据集的构建始于在高粱田间实际环境中，利用配备三台GoPro相机的成像装置，从不同高度和视角采集高分辨率图像。原始图像经过人工筛选，剔除无蚜虫样本，保留5447张图像。针对蚜虫聚集特性，定义六只及以上紧密相邻的个体为一个集群，并采用多尺度分块策略，将图像按三种比例（0.132、0.263、0.525倍原尺寸）划分为带有10%重叠的图块，最终生成包含54,742个多尺度图像块的数据集，确保了在不同缩放级别和复杂田间条件下的代表性。

特点

该数据集的核心特点在于其多尺度性与真实场景的全面覆盖。图像块来源于不同相机高度（顶部、中部、底部），囊括了多样化的光照条件、视角变化以及复杂的作物冠层背景，极大增强了模型在真实环境中的泛化能力。数据标注聚焦于蚜虫集群级别的语义分割掩码与检测框，而非单个昆虫，更贴合实际虫害评估的经济阈值需求。与现有蚜虫数据集相比，其规模显著更大，且专门针对集群检测与分割任务设计，为模型提供了学习不同分辨率下特征表征的丰富素材。

使用方法

该数据集主要用于训练和评估实时目标检测与语义分割模型，以推动田间自主虫害管理系统的开发。在使用时，研究人员可依据任务需求，将图像块统一缩放至1024×1024像素并进行标准化。针对分割任务中前景与背景像素的严重不平衡，建议计算并应用类别权重。数据集支持十折交叉验证，以确保评估的统计稳健性。通过在该数据集上训练如RT-DETR、Fast-SCNN等轻量级模型，可实现蚜虫集群的快速定位与分割，其输出的掩码面积或检测框覆盖范围为判断虫害严重程度、触发精准施药决策提供了直接的空间信息依据。

背景与挑战

背景概述

在精准农业与计算机视觉交叉领域，蚜虫作为全球小麦、高粱等主要作物的关键害虫，其集群侵染不仅直接导致作物减产，还成为植物病毒传播的常见媒介。传统农药喷洒方式效率低下且对环境与健康构成显著威胁，因此开发能够实时定位并选择性处理虫害的智能自主系统成为迫切需求。2024年，由多伦多都会大学、堪萨斯大学及堪萨斯州立大学等机构的研究团队联合创建了“高粱田蚜虫集群检测与分割数据集”，该数据集聚焦于解决自然田间环境下蚜虫集群的精准定位问题，旨在通过大规模、多尺度的图像数据，推动轻量化实时模型在虫害智能管理中的应用，为可持续农业实践提供关键技术支撑。

当前挑战

该数据集致力于应对农业虫害智能检测中的核心挑战：在复杂田间环境下实现微小且与环境高度融合的蚜虫集群的准确识别与分割。具体而言，领域问题的挑战体现在蚜虫个体尺寸微小、集群形态多变、易与作物背景混淆，以及光照、视角和作物冠层结构的多变性导致的检测难度。在数据集构建过程中，研究团队面临多重挑战：需从真实高粱田采集高分辨率图像，并设计多尺度分块策略以增强模型对不同缩放比例的鲁棒性；同时，注释工作需精确界定“集群”阈值（如六只以上密集蚜虫），并处理显著类别不平衡问题（蚜虫集群仅占图像极小比例），此外还需确保数据在多视角、多光照条件下的多样性与代表性，以支撑模型在真实场景中的泛化能力。

常用场景

经典使用场景

在精准农业领域，蚜虫集群检测与分割数据集为计算机视觉模型提供了关键的训练与评估资源。该数据集通过多尺度图像采集，涵盖了高粱田间不同视角、光照条件及缩放范围下的蚜虫集群真实分布，其经典使用场景在于支持实时语义分割与目标检测模型的开发与优化。研究人员利用该数据集训练如Fast-SCNN和RT-DETR等轻量级网络，旨在实现田间环境下蚜虫集群的快速定位与精确分割，为自动化虫害监测系统奠定数据基础。

衍生相关工作

基于该数据集，多项经典研究工作得以衍生，包括对实时语义分割模型（如Fast-SCNN、BiSeNet系列）与目标检测模型（如RT-DETR、YOLOv7）的系统性性能比较。这些研究不仅验证了多尺度数据在提升模型鲁棒性方面的优势，还进一步探讨了语义分割在虫害程度评估中相较于目标检测的优越性。相关成果为后续农业害虫检测领域的模型优化、数据集构建以及实际部署提供了重要参考与基准。

数据集最近研究

最新研究方向

在精准农业与计算机视觉交叉领域，蚜虫集群检测与分割数据集正推动着智能植保系统的前沿探索。该数据集聚焦于高粱田间的蚜虫集群识别，通过多尺度图像采集与精细标注，为实时语义分割与目标检测模型提供了丰富的训练资源。当前研究热点集中于轻量化实时模型的优化与部署，旨在实现田间自主机器人的精准施药。实验表明，Fast-SCNN在语义分割任务中以80.46%的平均精度与91.66 FPS的速度表现卓越，而RT-DETR在目标检测中达到61.63%的平均精度，两者均展现出在复杂田间环境下的鲁棒性。这一进展不仅减少了农药滥用，也为可持续农业管理提供了关键技术支撑，标志着农业害虫智能监测向实用化迈进的重要一步。

相关研究论文

• A New Dataset and Comparative Study for Aphid Cluster Detection and Segmentation in Sorghum Fields

  多伦多都会大学 · 2024年