SoyCotton-Leafs

本研究团队构建了一个名为'SoyCotton-Leafs'的数据集，该数据集由圣保罗大学圣卡洛斯工程学院机械工程系研发。数据集包含640张高分辨率图像，每张图像均经过精确标注，包含7,221个大豆叶片和5,190个棉花叶片的边界框和分割掩模。这些图像覆盖了不同的生长阶段、光照条件和杂草压力，旨在为深度学习模型提供处理复杂田间场景的能力。该数据集可应用于选择性除草剂喷洒、害虫监测等领域，以促进大豆-棉花管理的数据驱动策略。

This research team constructed a dataset named 'SoyCotton-Leafs', which was developed by the Department of Mechanical Engineering, São Carlos School of Engineering, University of São Paulo. This dataset contains 640 high-resolution images, each accurately annotated with bounding boxes and segmentation masks for 7,221 soybean leaves and 5,190 cotton leaves. These images cover diverse growth stages, lighting conditions, and weed pressures, aiming to equip deep learning models with the capability to handle complex field scenarios. This dataset can be applied in fields such as selective herbicide spraying and pest monitoring, to facilitate data-driven strategies for soybean-cotton management.

搜集汇总

数据集介绍

构建方式

SoyCotton-Leafs数据集的构建始于在巴西圣保罗的一个商业农场进行的为期十周的数据收集工作。研究人员使用多部智能手机相机，从早上到傍晚在不同的光照条件下，以近垂直视角拍摄了大约70张照片，共收集了700张照片。经过自动化的质量控制程序，剔除了60张低质量或近重复的样本，最终保留了640张高清晰度的照片。这些照片覆盖了大豆和棉花的多个生长阶段，包括从萌芽到成熟的不同阶段，以及不同程度的杂草压力和光照变化。每个图像都在叶实例级别进行了标注，包括7,221个大豆叶和5,190个棉花叶，这些叶片都通过边界框和分割掩码进行了标注，以捕捉重叠的叶子、小叶尺寸和形态学相似性。

特点

SoyCotton-Leafs数据集的特点在于其真实性和多样性。数据集包含来自不同生长阶段、光照条件和杂草压力的图像，为深度学习模型提供了在户外非受控场景下的鲁棒性。每个图像都在叶实例级别进行了详细的标注，包括大豆和棉花叶，即使在部分遮挡或重叠的叶子的情况下，也进行了标注。这种多模态的标注格式支持对象检测和语义分割任务，使得数据集适用于更高级的应用，如选择性除草剂喷洒和害虫监测。

使用方法

SoyCotton-Leafs数据集的使用方法包括以下几个步骤：首先，用户可以从提供的链接下载数据集，该数据集遵循CC_BY_4.0许可协议。数据集包含一个名为SoyCotton的顶级文件夹，该文件夹包含两个子文件夹：images和annotations。images文件夹包含所有用于数据集的RGB图像，每个文件以PNG格式保存，分辨率为1600×1200像素。annotations文件夹包含一个名为coco.json的文件，该文件遵循标准的COCO格式，并为大豆和棉花叶提供边界框和实例分割标签。用户可以利用与COCO兼容的库或工具包来解析、可视化和修改这些标注。

背景与挑战

背景概述

SoyCotton-Leafs数据集是在巴西圣保罗大学工程系机械工程部门的研究人员 Thiago H. Segreto 等人于2025年创建的。该数据集旨在解决大豆和棉花等主要农作物面临的杂草问题，这些杂草对可持续管理构成了挑战。数据集包含640张高分辨率图像，涵盖了多个生长阶段、杂草压力和光照变化，每张图像都标注了7,221片大豆叶和5,190片棉花叶，通过边界框和分割掩码进行标注，以捕捉重叠的叶子、小叶子大小和形态学相似性。该数据集为选择性除草剂喷雾和害虫监测等先进应用提供了支持，并有助于制定更强大、数据驱动的策略来管理大豆和棉花。

当前挑战

SoyCotton-Leafs数据集面临的挑战包括：1) 领域问题：如何有效地控制志愿者植物和杂草，以减少对大豆和棉花等主要农作物的竞争和病虫害的影响；2) 构建过程中的挑战：收集包含不同生长阶段、杂草压力和光照变化的图像，并对其进行精确标注，以支持叶级检测和分割任务。

常用场景

经典使用场景

SoyCotton-Leafs数据集广泛应用于大豆和棉花的叶级检测与分割任务。该数据集包含640张高分辨率图像，覆盖了多种生长阶段、杂草压力和光照变化，每张图像都标注了7,221个大豆叶和5,190个棉花叶，以边界框和分割掩码的形式呈现，捕捉了重叠的树叶、小叶尺寸和形态学相似性。使用YOLOv11模型进行验证，展示了在准确识别和分割重叠树叶方面的卓越性能。

实际应用

SoyCotton-Leafs数据集的实际应用场景包括但不限于：1) 定位大豆或棉花叶的位置，以实现目标除草剂喷洒；2) 通过相对简单的计算过滤器区分活性作物和周围杂草；3) 提取精确的形态学特征，用于表型分析或疾病监测。这些应用有助于提高农业生产效率，减少化学农药的使用，保护环境。

衍生相关工作

SoyCotton-Leafs数据集衍生了多个相关研究工作，如基于深度学习的大豆和棉花叶检测与分割模型，以及利用该数据集进行作物表型分析和疾病监测的研究。此外，该数据集还促进了选择性除草剂喷洒和害虫监测等先进农业技术的开发和应用。