soybean and maize fields datasets

我们提供了在UIUC附近收集的大豆和玉米田的数据集。大豆数据使用iPad Pro上的Polycam捕获，玉米数据通过无人机上的高分辨率相机捕获，文件大小更大。

We present a dataset collected from soybean and corn fields near UIUC. The soybean data was captured using Polycam on an iPad Pro, while the corn data was acquired with a high-resolution camera mounted on an unmanned aerial vehicle (UAV) and has a larger file size.

原始信息汇总

CropCraft 数据集概述

数据集基本信息

• 数据集名称：CropCraft
• 核心目标：从图像中完成对作物植物的完整结构表征，创建农田的3D数字孪生。
• 相关论文：CropCraft: Complete Structural Characterization of Crop Plants From Images
• 会议：International Conference on 3D Vision (3DV) 2026 (Oral)
• 论文链接：https://arxiv.org/abs/2411.09693
• 项目主页：https://ajzhai.github.io/CropCraft/

数据集内容与获取

• 数据格式：场景数据（多视角图像 + 相机参数）需为Nerfstudio格式。
• 提供的数据集：
  1. 大豆田数据
     • 采集设备：使用iPad Pro上的Polycam应用采集。
     • 文件大小：0.9 GB。
     • 下载链接：https://uofi.box.com/shared/static/mtgt440bolnq9hqvn6xis4crbuxikcux.zip
  2. 玉米田数据
     • 采集设备：使用搭载高分辨率相机的无人机采集。
     • 文件大小：71 GB。
     • 下载链接：https://uofi.app.box.com/shared/static/drv88sd6w32eig4ju0c2xbapbnfsop41.zip
• 数据位置：数据需下载并解压至 ./data 目录下。两个数据文件包含相同的真实值 field_measurements，只需保存一份。

数据处理流程

方法包含多个需按顺序执行的步骤，每个步骤由独立脚本处理，默认输出目录为 ./work_dirs/。

1. 训练NeRF模型 bash python train_nerf.py --data_dir ./data/soybean --scene_name 20230801_S1

2. 对齐行并渲染深度 bash python align_and_render.py --scene_name 20230801_S1

3. 拟合程序化形态模型 bash python fit_soybean_o3d.py --scene_name 20230801_S1

4. 可视化3D模型 bash python visualize.py --scene_name 20230801_S1

5. 评估性能指标 bash python evaluate.py --scene_name 20230801_S1

   可视化与评估脚本可按任意顺序执行。

依赖环境

• Python版本：3.8
• 关键依赖：
  • PyTorch (2.0.1+cu118)
  • torchvision (0.15.2+cu118)
  • CUDA Toolkit (11.8.0)
  • tiny-cuda-nn
  • Nerfstudio（需从项目内目录安装）
  • 其他依赖见 requirements.txt

引用

如需引用本工作，请使用以下BibTeX条目： bibtex @inproceedings{zhai2026cropcraft, title={CropCraft: Complete Structural Characterization of Crop Plants From Images}, author={Zhai, Albert J and Wang, Xinlei and Li, Kaiyuan and Jiang, Zhao and Zhou, Junxiong and Wang, Sheng and Jin, Zhenong and Guan, Kaiyu and Wang, Shenlong}, booktitle={International Conference on 3D Vision (3DV)}, year={2026} }

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，三维数字孪生技术为作物结构解析提供了全新视角。Soybean and Maize Fields Datasets的构建依托于多视角图像采集与先进的三维重建流程。该数据集分别通过iPad Pro搭载的Polycam应用与配备高分辨率相机的无人机系统，在伊利诺伊大学香槟分校附近的农田中，采集了 soybean 与 maize 两种作物的多视角图像序列及对应的相机参数。数据随后被转换为NeRFstudio标准格式，为后续的神经辐射场训练与三维重建奠定了坚实基础。

特点

该数据集的核心特征体现在其高质量、多模态与结构化标注上。数据集不仅提供了覆盖不同生长阶段的大豆与玉米田的原始图像，还包含了精确的相机位姿信息，确保了三维重建的空间准确性。尤为突出的是，数据集附带了实地测量的真实结构参数，为验证重建模型的几何与形态精度提供了可靠基准。数据规模的差异化设计——大豆数据体积紧凑，玉米数据则因航拍高分辨率而体量庞大——满足了不同计算环境与研究深度的需求，展现了良好的实用性与扩展性。

使用方法

基于该数据集的研究与应用遵循一套清晰、模块化的技术流程。使用者首先需配置包含NeRFstudio的特定Python环境，并将下载的数据置于指定目录。研究流程始于利用`train_nerf.py`脚本从多视角图像训练神经辐射场模型，以学习场景的隐式三维表示。随后，通过`align_and_render.py`等脚本进行作物行的对齐、深度图渲染，并进一步拟合程序化植物形态模型。最终，用户可通过可视化脚本检视生成的三维数字孪生，并利用评估脚本量化模型在几何与结构参数上的重建性能，从而完成从原始图像到完整结构表征的端到端分析。

背景与挑战

背景概述

在精准农业与计算植物表型学领域，三维数字化建模技术正成为解析作物生长动态与结构特征的关键工具。由伊利诺伊大学厄巴纳-香槟分校（UIUC）研究人员Albert J. Zhai等人于2026年提出的CropCraft项目，旨在通过多视角图像构建大豆与玉米田间的完整三维数字孪生模型。该数据集依托于神经辐射场（NeRF）与程序化形态建模方法，致力于解决从二维视觉数据中精确重建作物三维几何与拓扑结构的核心科学问题，为农业自动化监测、产量预测及表型分析提供了高保真的数据基础，推动了计算机视觉与农业科学的交叉融合。

当前挑战

该数据集所针对的作物三维重建任务面临多重挑战：在领域层面，作物植株形态复杂、叶片交错与遮挡严重，且田间环境光照多变，导致从图像中恢复精细拓扑结构与几何细节极为困难；同时，不同作物品种（如大豆与玉米）的结构差异要求模型具备强大的泛化与适应能力。在构建过程中，数据采集面临规模与精度的平衡难题——无人机采集的玉米数据量高达71GB，处理与存储成本高昂；而移动设备采集的大豆数据则需克服分辨率与视角覆盖的局限。此外，将多源异构数据统一至NeRF框架并进行精确的相机标定与场景对齐，亦是技术实现上的关键瓶颈。

常用场景

经典使用场景

在农业信息学领域，精准获取作物三维结构对于理解植物生长动态至关重要。该数据集通过多视角图像与相机参数，为大豆和玉米田提供了高保真的三维数字化表征。其经典使用场景在于训练神经辐射场（NeRF）模型，从二维图像中重建出作物冠层的三维几何与纹理信息，进而支持植物表型分析、生物量估算等研究。

解决学术问题

该数据集有效解决了农业视觉计算中作物三维结构重建的难题。传统方法依赖昂贵传感器或手动测量，难以大规模应用。通过提供真实农田场景的多视角图像数据，它使研究者能够开发基于学习的算法，实现从图像到三维数字孪生的自动转换，推动了植物形态学量化、生长模型优化等学术问题的进展，为精准农业提供了数据基础。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作。例如，结合神经辐射场与程序化形态学模型，实现了作物结构的精细化拟合；基于深度渲染的行对齐算法，提升了田间作物行的检测精度。这些工作不仅扩展了三维重建在农业领域的应用边界，也为后续研究如作物胁迫识别、产量预测等提供了可复现的基准与方法参考。