farmerchat-image-samples

FarmerChat Crop Image Samples 是一个由 Digital Green 发布的农业图像数据集，源自 FarmerChat 农业咨询服务，该服务面向印度、埃塞俄比亚、肯尼亚和尼日利亚的小农用户。数据集包含 5,946 条记录（5,814 张不同照片，部分照片属于多个类别），涵盖 2025 年 8 月至 2026 年 7 月期间提交的作物照片。所有图像均经过服务自身图像质量门控和自动内容检查（确保为真实农业照片，排除模糊、剪贴画、AI生成图像等），并进行了个人数据（面部、证件、GPS位置等）自动筛查和文本脱敏。数据集包含 6 个类别，代表自动作物诊断流程的不同结果：multimodal_organic_text（附有农民原始文本，非快速回复模板）、low_confidence_diagnosis（低置信度诊断）、diagnosis_returned（识别出作物并给出具体病害/虫害诊断）、crop_identified_diagnosis_unresolved（识别出作物但健康状态未确定）、healthy_crop（识别出作物且评估为健康）、crop_unresolved（无法识别作物）。每张照片可能属于多个类别，在 metadata.csv 中以独立行记录。字段包括：file_name（图像相对路径）、image_id（稳定图像标识符）、category（类别）、country（国家）、month（提交年月）、crop（识别出的作物，标准化名称）、diagnosis（诊断结果，标准化名称）、query_present（是否附有农民文本）、farmer_query（原始语言农民问题，已脱敏）、farmer_query_en（英文翻译，已脱敏）。诊断和作物/健康标签来自自动化管道，未经专家验证。数据集适用于图像分类（如作物健康状态识别）和表格分类（如基于元数据的预测）任务，许可协议为 CC BY 4.0。FarmerChat Crop Image Samples is an agricultural image dataset published by Digital Green, sourced from the FarmerChat agricultural advisory service serving smallholder farmers in India, Ethiopia, Kenya, and Nigeria. The dataset contains 5,946 records (5,814 unique photos, some belonging to multiple categories) covering crop photos submitted from August 2025 to July 2026. All images have passed service image quality gates and automatic content checks (ensuring real agricultural photos, excluding blurry, clip art, AI-generated images, etc.), and have undergone automatic screening of personal data (faces, IDs, GPS locations, etc.) and text desensitization. The dataset includes 6 categories representing different outcomes of the automated crop diagnosis pipeline: multimodal_organic_text, low_confidence_diagnosis, diagnosis_returned, crop_identified_diagnosis_unresolved, healthy_crop, crop_unresolved. Each photo may belong to multiple categories, recorded as separate rows in metadata.csv. Fields include: file_name, image_id, category, country, month, crop, diagnosis, query_present, farmer_query, farmer_query_en. Diagnoses and crop/health labels come from an automated pipeline without expert validation. The dataset is suitable for image classification and tabular classification tasks. License: CC BY 4.0.

原始信息汇总

FarmerChat Crop Image Samples 数据集详情

数据集概述

FarmerChat Crop Image Samples 是由 Digital Green 发布的一个农业图像样本数据集，来源于面向印度、埃塞俄比亚、肯尼亚和尼日利亚小农户的农业咨询服务 FarmerChat。该数据集包含 6,096 条记录（涉及 5,964 张独立照片，部分照片属于多个类别），涵盖 7 个类别，代表自动化作物诊断流程的不同结果。照片提交时间跨度为 2025年8月至2026年7月。

数据筛选流程

数据集中的每张照片均经过两道独立筛选：

1. 服务自身的图像质量门控：拒绝模糊、光线不佳、构图不当或未检测到植物的提交。仅包含该门控运行期间的提交。livestock 类别为例外，因门控默认寻找植物主体，故此类照片依据第二道筛选纳入。
2. 自动化内容检查：使用视觉语言模型审查每张图片，仅保留真正属于农业范畴、是合理的诊断提交（而非偶然或离题内容）、且为原始拍摄照片（非截图、模板图、库存图或 AI 生成图）的图片。对于 livestock 类别，依赖模型对照片的确认来判断是否实际显示动物。

经过筛选，排除了农民发送的截屏、文档照片、宠物、食物、AI 生成图片等离题内容，确保数据集仅包含真实的农作物和牲畜照片。

类别明细

类别	记录数	含义
multimodal_organic_text	999	照片附有农民手写文本（非重复快捷回复模板）
low_confidence_diagnosis	995	返回了诊断结果，但模型置信度较低
diagnosis_returned	991	识别出作物并返回具体的病虫害诊断
crop_identified_diagnosis_unresolved	991	识别出作物但未确定健康状况
healthy_crop	987	识别出作物且评估为健康
crop_unresolved	983	照片中无法识别出作物
livestock	150	照片显示的是动物而非作物

同一张图片可属于多个类别，每个类别成员身份在 metadata.csv 中为独立行，共享相同 file_name。livestock 行的 crop 和 diagnosis 字段为 not_applicable 或 no_crop_detected，且 farmer_query / farmer_query_en 多为空白。

数据列说明

列名	描述
file_name	图像文件的相对路径
image_id	每张图片的稳定标识符
category	上述类别之一
country	提交来源国家
month	照片提交的年月（YYYY-MM格式）
crop	照片中识别的作物（如已解析），已标准化为统一名称
diagnosis	识别出的诊断结果（如已解析），已标准化，非原始标签
query_present	农民是否随照片发送了文本
farmer_query	农民的原始语言问题（已进行 PII 脱敏）
farmer_query_en	同一问题的英文翻译（已进行 PII 脱敏）

个人数据保护

所有照片均经过自动筛查（人脸、个人文件、GPS 位置叠加等），被标记的内容已排除。农民文本中的姓名、电话号码、电子邮箱和物理地址均已替换为 [REDACTED]。但自动筛查不能完全消除残留个人内容的风险，部分照片可能带有相机水印或时间戳。

局限性

• 诊断结果和作物/健康标签来自自动化流程，并非经过验证的专家标签。
• 步骤2中的内容检查本身是自动化模型判断，可能存在双向错误。

许可与联系

• 许可协议：CC BY 4.0
• 联系邮箱：[e-mail]
• 加载方式：可通过 Hugging Face datasets 库使用 load_dataset("DigiGreen/farmerchat-image-samples", split="train") 加载，或直接读取 metadata.csv 并根据 file_name 列访问 images/ 文件夹中的图像。

搜集汇总

数据集介绍

构建方式

FarmerChat Crop Image Samples 数据集源自Digital Green所运营的农业咨询服务，汇聚了印度、埃塞俄比亚、肯尼亚及尼日利亚的小农提交的农作物与牲畜图像。数据集构建历经双重筛选：首先，通过服务自身的图像质量门槛，剔除模糊、光照不佳、构图不当及未检测到植物的图像；其次，利用视觉语言模型进行内容审查，确保图像真实反映农业场景，排除截图、模板图形或AI生成图像。每张图像经个人数据自动筛查，移除含人脸、个人文件或GPS定位等敏感信息，并对其附带的农艺文本进行PII脱敏处理。最终，数据集涵盖7个类别，共6,096条记录，每条记录对应图像在某种类别下的归属，部分图像因多标签归属而出现多次。

使用方法

该数据集可便捷加载使用，用户可通过HuggingFace的load_dataset函数直接获取训练集，亦可直接下载metadata.csv文件，依据file_name列指向的路径读取images文件夹中的图像。数据集主要面向图像分类与表格分类任务，适用于农业病虫害识别、作物健康评估及多语言农艺文本分析等研究。用户可依据category字段进行子集划分，或结合country、month等列进行时空维度筛选。鉴于诊断为自动化流水线产物，非专家标注，使用时需注意其局限性。同时，数据集遵循CC BY 4.0许可，可自由用于非商业及商业目的，但需注明出处。

背景与挑战

背景概述

FarmerChat图像样本数据集由Digital Green机构于2025年发布，旨在推动人工智能在农业病害诊断领域的应用。该数据集汇集了来自印度、埃塞俄比亚、肯尼亚和尼日利亚的小农户提交的作物与牲畜照片，共计6096条记录，覆盖7个类别，反映了自动化作物诊断流程的不同结果。其核心研究问题在于如何利用多模态视觉语言模型对非专业用户拍摄的农业图像进行有效分类与诊断，以应对低质量、复杂背景和多样化作物类型带来的挑战。该数据集不仅为农业视觉识别研究提供了真实世界样本，还促进了多语言、多文化背景下的农业智能服务发展，对全球精准农业和小农经济具有重要影响。

当前挑战

该数据集面临的挑战主要源于农业图像诊断的复杂性与数据构建的严谨性。在领域问题层面，作物病害识别需处理图像质量参差不齐、作物种类繁多、病虫害表现多样以及田间背景干扰等难题，尤其当用户为小农户时，拍摄设备和技术有限，加剧了诊断难度。在构建过程中，团队需严格筛选图像，排除模糊、光线不足、构图不当及无植物主体的作品，同时利用视觉语言模型进行内容审查，剔除截屏、非农业或AI生成图像，确保数据纯净。此外，个人隐私保护也是一大挑战，需自动检测并去除人脸、证件、位置信息等敏感内容，并对农户文本进行静默处理，降低残余个人信息风险。这些步骤在保证数据质量与合法性的同时，也增加了数据集的构建复杂性和成本。

常用场景

经典使用场景

FarmerChat图像样本数据集作为农业科技领域的宝贵资源，其经典应用场景聚焦于作物健康诊断与病虫害识别模型的开发与验证。该数据集采撷自印度、埃塞俄比亚、肯尼亚及尼日利亚的小农实地拍摄的农作物照片，经由自动化诊断管线的精细筛选，涵盖健康作物、确诊病虫害、低置信度诊断及未解析作物等多重类别。研究者可依托此数据集训练图像分类算法，以精准判别作物种类与健康状态，优化多模态农业咨询系统中的视觉理解模块，从而提升智能农业服务的响应精度与鲁棒性。

解决学术问题

该数据集直面农业人工智能领域的两大核心学术难题：小农场景下图像质量的非理想性与诊断标签的弱监督特性。其收录的图像经历了质量门控与内容校验双重筛滤，剔除了模糊、失焦及非农业内容，为研究噪声环境下鲁棒视觉特征提取提供了真实基准。同时，数据集中标注的诊断结果源自自动化管线而非专家人工，这促使学者探索模型不确定性估计、自监督学习及人机协同标注策略，以弥合算法输出与农学真值间的鸿沟，推动可信赖农业AI的学术前沿。

实际应用

在实际应用中，FarmerChat图像样本数据集直接支撑面向小农户的智能农业咨询服务。它赋能移动端应用实现即时作物病症识别，农民拍摄叶片或果实照片即可获得病虫害防治建议，大幅降低农业知识获取门槛。此外，该数据集支持多语言农情问答系统，结合农民提供的本土语言文本与图像，生成定制化农事指导。其跨国、多作物的分布特性亦助力构建区域性农业监测网络，为政府与非政府组织提供作物健康态势的量化洞察，优化资源分配与粮食安全策略。

数据集最近研究

最新研究方向

该数据集代表了农业科技前沿领域的一项创新性实践，其核心价值在于将多模态学习与农业诊断系统深度融合，为小农经济背景下的作物健康监测开辟了新的研究路径。研究焦点聚焦于利用视觉-语言模型对农民提交的田间照片进行自动化内容审核与分类，涵盖作物病虫害识别、健康评估及牲畜检测等多维度任务。通过多语言（英语、印地语、泰卢固语、阿姆哈拉语、奥罗莫语）标注与跨区域（印度、埃塞俄比亚、肯尼亚、尼日利亚）采样，该数据集为开发鲁棒的农业视觉问答系统提供了独特的训练资源。其严谨的双重筛选流程——图像质量门控与语义内容验证——确保了数据纯净性，同时通过自动化的个人隐私过滤机制，为农业数据共享设立了伦理基准。此数据集不仅推动了精准农业在资源受限环境下的落地，更预示着AI辅助农业咨询服务的范式转变，对提升全球粮食安全具有深远意义。