detached-leaf dataset 和 attached-leaf dataset

该数据集包括两种类型的叶片图像：一种是脱离植株的单叶图像，另一种是植株上的叶片图像。脱离植株的叶片图像用于收集不同距离下的图像和地面真实面积，而植株上的叶片图像用于改善针对实际应用场景的分割效果。数据集由悉尼科技大学Hawkesbury环境研究所收集，通过RGBD相机捕捉，并使用CVAT工具进行注释。

This dataset includes two types of leaf images: single-leaf images detached from plants, and leaf images on intact growing plants. The detached single-leaf images are used to collect images under different distances and their corresponding ground-truth leaf areas, while the leaf images on intact plants are employed to improve the segmentation performance for real-world application scenarios. This dataset was collected by the Hawkesbury Institute for the Environment, University of Technology Sydney, captured with an RGBD camera, and annotated using the CVAT tool.

搜集汇总

数据集介绍

构建方式

该数据集的构建基于两种不同的叶片图像采集方式：一种是脱离植株的单个叶片（detached-leaf），另一种是附着在植株上的叶片（attached-leaf）。脱离叶片的图像通过固定高度的RGBD相机在不同距离下拍摄，模拟叶片在植株上的自然状态，并使用Li-3100C叶片面积仪测量其真实面积。附着叶片的图像则从玻璃温室中的辣椒植株上采集，涵盖了不同生长阶段的叶片，并通过CVAT工具进行标注，确保叶片可见度超过90%。数据集以COCO格式存储，包含RGB和深度通道信息，并通过5折交叉验证进行模型训练与测试。

特点

该数据集的特点在于其多样性和实用性。脱离叶片数据集提供了精确的叶片面积测量，适用于模型训练和验证；而附着叶片数据集则模拟了真实场景中的复杂背景和叶片重叠情况，增强了模型的鲁棒性。此外，数据集结合了RGB和深度信息，能够更准确地估计叶片面积，避免了传统3D重建的耗时和资源消耗。数据集的多样性和高质量标注使其成为深度学习模型开发和测试的理想选择。

使用方法

该数据集主要用于开发深度学习模型，特别是基于RGBD图像的叶片分割和面积估计任务。研究人员可以使用脱离叶片数据集进行模型训练，并通过附着叶片数据集验证模型在真实场景中的表现。数据集支持多种深度学习框架，如Mask R-CNN和YOLO，并可通过修改数据加载和增强过程来适应RGBD输入。此外，数据集还可用于比较传统图像处理方法和深度学习方法的性能，评估模型在不同距离和复杂背景下的表现。通过5折交叉验证，研究人员可以确保模型的泛化能力，并在未见过的数据上进行最终测试。

背景与挑战

背景概述

detached-leaf dataset 和 attached-leaf dataset 是由 Namal Jayasuriya、Yi Guo、Wen Hu 和 Oula Ghannoum 等研究人员于2025年创建的，旨在通过深度学习模型直接估计单叶面积，而无需耗时且资源密集的三维重建。该数据集的核心研究问题是通过RGBD图像实现单叶面积的精确估计，特别是在真实世界场景中。这一研究对农业生产力监测、作物生长评估以及新品种培育具有重要意义，尤其是在垂直农业系统中，传统方法因叶片重叠和冠层异质性而难以有效应用。该数据集通过结合分离叶片和附着叶片的图像，推动了深度学习在植物表型分析中的应用。

当前挑战

该数据集面临的主要挑战包括：1) 在复杂背景下，叶片的分割和面积估计精度受到深度噪声的干扰，尤其是在叶片重叠和冠层异质性较强的情况下；2) 数据集的构建过程中，深度图像的噪声处理、叶片分割的准确性以及模型对RGBD数据的适应性是关键技术难题。此外，模型在真实场景中的泛化能力仍需进一步提升，特别是在处理不同光照条件、叶片角度和距离变化时，模型的鲁棒性和精度仍需优化。

常用场景

经典使用场景

detached-leaf dataset 和 attached-leaf dataset 主要用于深度学习模型的开发与测试，特别是在植物叶片面积估计的研究中。通过结合RGBD图像数据，这些数据集能够支持模型在不进行复杂3D重建的情况下，直接对单叶面积进行估计。经典的使用场景包括在温室环境中，利用移动相机拍摄的RGBD图像进行叶片分割与面积估计，从而为作物生长监测提供精确的数据支持。

实际应用

在实际应用中，detached-leaf dataset 和 attached-leaf dataset 被广泛用于温室作物的生长监测与育种研究。通过深度学习模型，研究者能够快速、准确地估计单叶面积，进而评估作物的光合效率、生长速率以及抗逆性。此外，该数据集还可用于垂直农业系统中，帮助监测多层叶片的重叠生长情况，为精准农业提供数据支持。

衍生相关工作

基于该数据集，研究者提出了多种深度学习模型，如改进的Mask R-CNN架构，用于叶片分割与面积估计。这些模型通过引入双骨干网络设计，分别处理RGB和深度信息，显著提升了叶片面积估计的精度。此外，该数据集还推动了相关领域的研究，如基于深度学习的植物表型分析、作物生长监测以及精准农业技术的开发。