CitDet

CitDet数据集是由美国农业部农业研究服务局亚热带昆虫与园艺研究部门创建，旨在通过高分辨率图像和高质量边界框标注推动柑橘类水果检测技术的发展。该数据集包含579张高分辨率图像，总计超过32,000个边界框标注，用于识别树上和地面的柑橘水果位置，有助于产量估计和黄龙病影响的评估。数据集的创建过程涉及在受黄龙病严重影响地区捕获柑橘树图像，并对水果进行精确标注。CitDet数据集主要应用于农业自动化领域，解决柑橘类水果检测和产量估计问题，支持自动化采摘等任务。

The CitDet dataset was developed by the Subtropical Insects and Horticulture Research Unit, Agricultural Research Service, United States Department of Agriculture (USDA). Its core objective is to advance citrus fruit detection technologies through high-resolution images and high-quality bounding box annotations. The dataset consists of 579 high-resolution images, totaling more than 32,000 bounding box annotations, which are utilized to locate citrus fruits on both trees and the ground, thereby supporting yield estimation and the evaluation of Huanglongbing (HLB) impacts. The dataset was constructed by capturing images of citrus trees in areas severely afflicted by Huanglongbing and carrying out precise annotations of the fruits. The CitDet dataset is primarily applied in the domain of agricultural automation, addressing challenges in citrus fruit detection and yield estimation, and enabling tasks such as automated harvesting.

搜集汇总

数据集介绍

构建方式

在农业自动化领域，柑橘果实检测对于产量估算与病害监测至关重要。CitDet数据集的构建始于2021年10月至2022年10月，在美国农业部农业研究服务局位于佛罗里达州皮尔斯堡的亚热带昆虫与园艺研究单位果园内进行图像采集。研究团队采用安卓平板设备上的Field Book应用，以纵向肖像模式直接对准目标树木中心拍摄，确保模拟地面机器人穿行树行间的成像视角。共获取579张高分辨率图像，涵盖超过50个不同柑橘品种，并在不同成熟阶段、光照条件及树木阴阳面进行拍摄以增强多样性。图像标注借助Roboflow工具完成，对前景中所有可见果实无论遮挡与否均标注边界框，同时区分树上果实与落地果实两类标签，最终生成超过32,000个高质量标注实例。数据集按80%训练集与20%测试集划分，测试集特别涵盖多样品种、果实形态及光照场景，确保评估的全面性。

特点

CitDet数据集在农业视觉感知领域展现出独特价值。其核心特点在于首次公开收录受黄龙病影响的柑橘树图像，为病害环境下的检测研究提供关键数据基础。数据集中所有图像均保持2448×3264高分辨率，能够清晰呈现果实细节与复杂枝叶结构。标注体系创新性地将果实区分为树上与落地两类，直接支持产量估算与病害导致的落果分析。相较于现有数据集，CitDet专注于小目标检测挑战，超过90%的标注实例面积小于图像面积的10%，平均尺寸仅50×50像素，高度模拟真实果园中果实密集、遮挡严重的情境。此外，数据集涵盖不同成熟度果实的颜色变异、多样树种及全年采集的照明变化，为模型鲁棒性训练提供丰富场景。

使用方法

该数据集主要应用于计算机视觉领域的果实检测算法开发与评估。研究人员可基于训练集图像及边界框标注，训练深度学习目标检测模型如YOLO系列、Faster R-CNN或Transformer架构，重点优化小目标识别与密集遮挡场景下的性能。测试集用于客观比较不同算法在平均精度等指标上的表现，特别是树上与落地果实的分类准确性。实际应用中，训练完成的模型可直接用于果园环境下的果实检测、计数及产量估算任务，通过单张图像分析实现非侵入式监测。对于黄龙病研究，模型输出的落地果实数据可作为病害影响的量化指标。数据集提供的基线性能基准与图像分块处理方案，为算法改进提供明确方向，尤其在提升小目标检测精度与复杂背景泛化能力方面具有指导意义。

背景与挑战

背景概述

在农业自动化领域，果树果实检测与产量估算是实现精准农业与机器人采收的核心技术。2024年，由德克萨斯大学阿灵顿分校、北卡罗来纳州立大学与美国农业部农业研究服务局联合团队创建的CitDet数据集应运而生，旨在解决柑橘黄龙病影响下的果园果实检测难题。该数据集采集于2021年至2022年佛罗里达州受黄龙病严重影响的柑橘园，包含579张高分辨率图像及超过32,000个标注实例，创新性地区分了树上果实与落地果实。其核心研究问题聚焦于复杂果园环境下小目标、高遮挡柑橘的鲁棒性检测，并为黄龙病导致的落果现象提供量化分析依据，推动了农业视觉感知与病害监测研究的深入发展。

当前挑战

CitDet数据集所应对的领域挑战主要体现于复杂果园环境下的柑橘检测任务。果实目标通常呈现小尺寸特性，平均仅占图像面积的0.1%，且受枝叶遮挡、光照变化及果实重叠影响显著，导致特征提取与定位困难。黄龙病引发的果实变色、畸形等病理特征进一步增加了检测模型的判别复杂度。在数据集构建层面，高分辨率图像中大量小实例的精细标注耗费巨大人力，单张图像标注耗时可达半小时；同时，为准确区分树上与落地果实以支持产量估算，需要建立严谨的标注规范与质量控制流程。这些挑战共同构成了该领域算法研发与性能评估的重要基准。

常用场景

经典使用场景

在农业自动化与计算机视觉交叉领域，CitDet数据集为柑橘果实检测提供了标准化基准。该数据集通过高分辨率图像捕捉受黄龙病影响的柑橘树，并标注树上与落地果实，为深度学习模型在复杂果园环境中的训练与评估奠定了坚实基础。其经典应用场景集中于利用YOLOv7、Faster R-CNN等先进目标检测算法，实现果实的高精度定位与计数，从而推动自动化收获与产量估算技术的演进。

实际应用

在实际农业生产中，CitDet数据集支撑了多项关键技术的落地。基于该数据集训练的检测模型可直接应用于果园巡检机器人，实现柑橘果实的实时监测与产量测绘。通过结合无人机或地面移动平台，系统能够评估黄龙病对果树的影响程度，为病害管理提供数据支持。此外，检测结果还可用于自动化采摘机械的视觉引导，优化收获路径规划，从而降低劳动力成本并提升作业效率。

衍生相关工作

CitDet数据集的发布催生了一系列围绕柑橘检测的衍生研究。例如，学者们基于该数据集优化了YOLO系列算法的锚框设计，以适应果园中小目标密集分布的特性。同时，结合Transformer架构的视觉模型如DETR与YOLOS也在该数据集上得到验证，推动了检测框架的多样化发展。在应用层面，研究团队进一步将检测输出与多光谱数据、树冠形态分析相结合，开发出更为精准的产量预测模型与表型筛选工具，拓展了智慧农业的研究边界。