MinneApple

MinneApple数据集由明尼苏达大学计算机科学与工程系创建，旨在推进果园环境中水果检测、分割和计数的技术。该数据集包含1000张高分辨率图像，涵盖多种苹果品种和不同生长阶段，共有超过41,000个标注对象实例。数据集通过多边形掩码为每个对象实例进行标注，以支持精确的对象检测、定位和分割。此外，还提供了基于补丁的密集水果计数数据。MinneApple数据集的应用领域主要集中在农业自动化，特别是苹果园的精准农业管理，如资源优化和收获决策支持。The MinneApple dataset, developed by the Department of Computer Science and Engineering at the University of Minnesota, is designed to advance technologies for fruit detection, segmentation and counting in orchard environments. It contains 1,000 high-resolution images spanning multiple apple cultivars and diverse growth stages, with a total of over 41,000 annotated object instances. Each individual object instance is annotated using polygonal masks to support precise object detection, localization and segmentation. Additionally, patch-based dense fruit counting data is provided. The primary application domains of the MinneApple dataset focus on agricultural automation, particularly precision agricultural management in apple orchards, such as resource optimization and harvest decision support.

搜集汇总

数据集介绍

构建方式

MinneApple数据集由明尼苏达大学园艺研究中心于2015至2016年间采集，使用三星Galaxy S4手机沿果树行缓慢移动拍摄视频，从中提取高分辨率图像。检测与分割子集包含17个不同数据子集，其中10个用于训练（670张图像，分辨率1280×720像素），7个用于测试（331张图像），涵盖不同苹果品种、成熟阶段和光照条件。图像中前景苹果实例采用多边形标注，每个对象实例均以精细掩膜标记。计数子集则从视频中提取图像块，人工标注每个块内的苹果数量，训练集含13000个正样本和4500个负样本，测试集含2874个图像块。

特点

该数据集包含1000张图像中超过41,000个标注实例，每张图像平均含41.2个对象，数量从1到120不等，远高于通用数据集。对象尺寸极小，平均仅40×40像素，占图像面积的0.17%，对检测算法构成严峻挑战。训练与测试数据取自不同年份和树行，确保独立性，避免过拟合。数据集包含多种苹果颜色、光照条件及遮挡情况，真实反映果园环境的复杂性与多样性，为小目标检测与计数研究提供了高难度基准。

使用方法

数据集提供检测、分割和计数三个任务。检测任务可基于多边形标注生成边界框，使用Faster R-CNN、Mask R-CNN等模型评估，评价指标包括平均精度（AP@0.5:0.05:0.95）及按对象尺寸分层的AP。分割任务可使用UNet等语义分割网络，以交并比（IoU）和像素精度为指标。计数任务提供图像块及其对应的真实计数值，适合基于卷积神经网络或高斯混合模型的回归或分类方法。研究人员可通过项目网站下载数据，并提交结果至CodaLab挑战平台进行公平比较。

背景与挑战

背景概述

在农业自动化领域，精准的果实检测、分割与计数是实现资源优化和智能采收的关键技术。然而，由于果园环境复杂多变，现有研究多依赖各自采集的小规模数据集，缺乏统一基准，导致算法性能难以横向比较。为此，明尼苏达大学Nicolai Häni、Pravakar Roy与Volkan Isler团队于2019年提出了MinneApple数据集，旨在填补这一空白。该数据集包含1000张高分辨率果园图像，标注了超过41,000个苹果实例，涵盖17个不同树行、多个品种与不同生长阶段，并提供了基于多边形的精确实例分割掩膜。通过公开数据集并举办CodaLab挑战赛，MinneApple为果实检测、分割与计数研究提供了标准化评估平台，有力推动了精准农业领域的发展。

当前挑战

MinneApple数据集所解决的领域挑战聚焦于果园环境下小目标物体的检测与分割难题。具体而言，果实目标尺寸微小（平均仅40×40像素，占图像面积0.17%）、图像中实例密集（单张图像可达120个）、以及严重的遮挡现象（枝叶、果实相互遮挡）构成主要技术瓶颈。在构建过程中，团队面临多重实践挑战：首先，数据采集需应对多变光照条件（晴天与荫蔽侧）、不同苹果品种及成熟度的表观差异；其次，标注工作极其繁重，每张图像需耗时30分钟，标注者需经严格培训与多轮审核，确保多边形掩膜的精确性；此外，计数数据集中的图像块分辨率低、体积大，需双人独立标注并仲裁差异，以保证计数标签的可靠性。

常用场景

经典使用场景

在农业自动化与精准农业的蓬勃发展中，果园环境下的果实检测、分割与计数构成了核心技术挑战。MinneApple数据集应运而生，为苹果检测与分割任务提供了大规模、高分辨率的基准图像资源。其经典使用场景聚焦于基于深度学习的果实实例分割与边界框检测，研究者可借助该数据集的精细多边形标注，在复杂光照、果实遮挡及密集簇生等恶劣条件下训练和评估模型，从而推动计算机视觉技术在非结构化农业场景中的落地应用。

实际应用

MinneApple的实际应用场景紧密围绕现代果园的智能化管理需求。在产量预估方面，利用该数据集训练出的模型可对果树上的苹果进行实时检测与计数，从而为农场主提供精准的采收规划与资源配置依据。在自动化采摘领域，数据集中的实例分割标注为机器人视觉系统提供了关键训练素材，使其能够在枝叶遮挡与果实重叠的复杂环境中准确定位并抓取成熟果实。此外，该数据还支撑着基于图像序列的果实追踪与双面树行融合技术，最终实现从单帧检测到整园产量映射的完整自动化流程。

衍生相关工作

基于MinneApple数据集，学术界涌现了一系列具有影响力的衍生工作。在检测方面，研究者以Faster RCNN、Mask RCNN及Tiled Faster RCNN为基线，系统分析了小目标检测在果园环境中的性能瓶颈，并推动了特征金字塔网络与注意力机制在密集小目标场景下的改进。在计数任务中，基于ResNet50的卷积神经网络被用于补丁级果实计数，其性能显著超越传统高斯混合模型，并衍生出对低分辨率与跨品种果实计数的鲁棒性研究。此外，结合该数据集的追踪与双面注册方法，后续工作进一步实现了高达97.8%的产量估计精度，为精准农业中的多模态感知与决策优化提供了重要范式。