GrowliFlower

GrowliFlower数据集是由波恩大学地理与地理信息研究所遥感组创建的，用于分析花椰菜生长的图像时间序列数据集。该数据集包含2020年和2021年采集的两个监测花椰菜田的RGB和多光谱正射影像，共有约14,000个单独植物坐标。数据集用户可以提取显示单个植物的完整和不完整时间序列图像块。此外，数据集还包含740株植物的表型特征，包括发育阶段以及植物和花椰菜大小。数据集旨在促进农业自动化发展中机器学习方法的开发和评估，特别关注花椰菜生长和发育分析以及表型特征的推导。

The GrowliFlower dataset was developed by the Remote Sensing Group of the Institute of Geography and Geoinformation at the University of Bonn as an image time-series dataset for cauliflower growth analysis. It contains RGB and multispectral orthophotos of two monitored cauliflower fields collected in 2020 and 2021, with a total of approximately 14,000 individual plant coordinates. Dataset users can extract complete and incomplete time-series image patches depicting individual plants. Additionally, the dataset includes phenotypic traits for 740 plants, covering developmental stage, plant size and cauliflower size. This dataset aims to facilitate the development and evaluation of machine learning methods for advancing agricultural automation, with particular emphasis on cauliflower growth and development analysis as well as the derivation of phenotypic traits.

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，GrowliFlower数据集的构建体现了多模态遥感技术与实地测量的深度融合。该数据集通过无人机平台系统采集了2020年与2021年两个花椰菜田块的RGB与多光谱正射影像，覆盖从种植到收获的完整生长周期。数据采集过程严格遵循科学规范，每周在稳定光照条件下进行航拍，并同步记录地理参考控制点坐标以实现精确地理配准。通过手动标注与坐标提取，从正射影像中衍生出约14,000株独立植物的坐标信息，并配套采集了740株植物的表型性状实地测量数据，包括发育阶段、植株与花球尺寸等关键参数。

使用方法

该数据集的设计支持多层次的研究应用。使用者可通过提供的植物ID与地理坐标，从正射影像中裁剪出个体植物的图像斑块，构建完整或不完整的时间序列以分析生长动态。实例分割子集可直接用于训练深度学习模型进行植株与叶片级别的分割任务。结合去叶子集，研究者能够探索基于外部影像特征的花球尺寸估计算法。多光谱数据则为植被指数计算与生理状态反演提供了可能。数据集附带的基准结果与建议的数据划分方案，为机器学习方法在农业遥感中的性能比较与模型开发提供了标准化起点。

背景与挑战

背景概述

GrowliFlower数据集由德国波恩大学与于利希研究中心等机构于2022年联合构建，旨在通过无人机获取的高时空分辨率图像时间序列，深入探究花椰菜生长过程中的表型特征动态变化。该数据集聚焦于农业自动化与精准管理中的核心科学问题，即如何利用遥感技术与机器学习方法，实现对作物生长状态的连续监测与表型参数的无损提取。其涵盖RGB与多光谱正射影像、单株植物坐标及精细化标注数据，为植物生长分析、实例分割等计算机视觉任务提供了珍贵资源，显著推动了农业遥感与表型组学领域的交叉研究进展。

当前挑战

GrowliFlower数据集致力于解决农业遥感中花椰菜生长监测与表型解析的复杂挑战，包括在自然田间环境下应对植物形态多样性、叶片遮挡以及光照变化等因素对图像分析的干扰。在数据构建过程中，研究团队面临多重技术难题：需确保无人机在多变气象条件下的稳定飞行与影像采集，实现高精度地理配准以追踪单株植物的时空轨迹，并克服植物冠层闭合导致的坐标漂移问题。此外，人工标注叶片与植株实例分割掩膜需应对密集植被的视觉重叠，而田间杂草干扰与数据缺失时段进一步增加了构建完整时间序列的复杂性。

常用场景

经典使用场景

在精准农业与植物表型组学领域，GrowliFlower数据集为花椰菜生长动态的时序分析提供了经典范例。该数据集通过无人机获取的高分辨率RGB与多光谱正射影像序列，结合约14,000株单株植物的地理坐标与表型性状测量数据，构建了覆盖完整生育期的个体植株图像时间序列。研究者可基于此开展植株与叶片实例分割、发育阶段分类、花球尺寸估算等计算机视觉任务，尤其适用于探究田间环境下花椰菜形态建成的时空异质性。

解决学术问题

该数据集有效应对了农业遥感与植物表型研究中长期存在的若干挑战。其通过提供地理配准的时序影像与精细标注，解决了田间作物生长监测中数据时空连续性不足、单株分离困难、表型性状获取依赖人工测量等瓶颈问题。数据集包含的落叶前后图像对，为突破叶片遮挡下花球无损检测的技术难题提供了关键数据支撑，推动了基于机器学习的隐蔽性农艺性状提取方法的发展。

实际应用

在实际农业生产中，GrowliFlower数据集支持了花椰菜智能管理的多个应用场景。基于其时序影像与实例分割标注，可开发自动化生长监测系统，实现植株计数、叶面积动态估算与杂草识别。花球尺寸预测模型有助于优化采收窗口判断，减少人工巡检成本。多光谱数据进一步支持养分胁迫与病害早期诊断，为变量灌溉与精准施药决策提供依据，最终提升田间管理的效率与可持续性。

数据集最近研究

最新研究方向

在精准农业与植物表型组学领域，GrowliFlower数据集正推动基于无人机时序影像的作物生长分析研究迈向纵深。当前前沿探索聚焦于利用其高分辨率RGB与多光谱正射影像，结合实例分割标注，开发能够解析花椰菜个体发育动态的深度学习模型。研究热点包括通过条件生成对抗网络预测植株生长轨迹，以及运用Mask R-CNN等架构实现叶片与植株实例的精准分割，以自动化提取冠层结构参数。这些进展对于实现花椰菜头尺寸的无损估测、优化采收窗口预测具有重要意义，为应对气候变化下的作物异质性管理提供了数据驱动的解决方案，显著促进了农业自动化与智慧农艺决策系统的融合发展。

相关研究论文

• GrowliFlower: An image time series dataset for GROWth analysis of cauLIFLOWER

  波恩大学地理与地理信息研究所遥感组 · 2022年