Voxel51/GrowliFlower

GrowliFlower是一个地理参考的、基于图像的无人机时间序列数据集，涵盖德国科隆附近两个监测的花椰菜田（田1，2020年，0.39公顷；田2，2021年，0.60公顷），使用47.4 MP索尼A7rIII RGB相机和MicaSense 5通道多光谱相机拍摄。此FiftyOne数据集将源发布的三个任务特定子集整合为一个分组数据集：独立图像补丁上的像素级植物/叶子/茎实例分割、具有真实测量性状（高度、直径、BBCH生长阶段、收获状态）的表型植物生长时间序列，以及具有配对前/后脱叶捕获的脱叶植物时间序列，以暴露花椰菜头部。GrowliFlower is a georeferenced, image-based drone time-series dataset covering two monitored cauliflower fields near Cologne, Germany (Field 1, 2020, 0.39 hectares; Field 2, 2021, 0.60 hectares), captured using a 47.4 MP Sony A7rIII RGB camera and a MicaSense 5-channel multispectral camera. This FiftyOne dataset integrates three source-released task-specific subsets into a grouped dataset: pixel-level plant/leaf/stem instance segmentation on independent image patches, phenotypic plant growth time series with ground-truth measured traits including height, diameter, BBCH growth stage, and harvest status, as well as defoliated plant time series with paired pre- and post-defoliation captures to expose cauliflower heads.

搜集汇总

数据集介绍

构建方式

GrowliFlower数据集源自德国科隆附近两处商业花椰菜田的无人机航拍影像，融合了RGB与多光谱传感器数据。其构建过程始于对24866个样本的精细分组，通过FiftyOne框架整合了原始版本中三个任务专属子集，包括像素级实例分割、带实测性状的生长时间序列及去叶处理前后的配对捕获。样本以“组”为基本单元，每个组代表一株植物在某一次采集日期的影像，其中“pre”切片为去叶前状态，“post”切片仅在去叶日出现。标签与实测数据通过解析原始PNG掩膜和Excel工作表，结合UTM坐标与仿射变换进行对齐与提取，确保了不同字段间的一致性与完整性。

特点

该数据集的核心特色在于其多模态与多任务的融合设计。它同时支持实例分割、目标检测、关键点回归以及性状回归等任务，为农业表型分析提供了统一的数据平台。通过“plant_id”字段可追踪单株植物的完整生长轨迹，而“defoliation”任务的配对切片则揭示了外部叶片与内部花球之间的关联。数据集中保留了因正交镶嵌图数据缺口导致的低覆盖率样本，以反映真实采集中的挑战。此外，所有实测性状字段以字符串形式存储，避免了因混合数值与自由文本导致的信息丢失，体现了对数据原始性的尊重。

使用方法

使用GrowliFlower数据集需先安装FiftyOne库，随后通过`fo.load_from_hub("Voxel51/GrowliFlower")`即可一键加载。加载后的数据集以分组形式呈现，用户可通过`task`字段筛选特定任务样本，或利用预定义的保存视图快速访问分割、生长与去叶子集。FiftyOne的交互式界面支持直观浏览、标注可视化与统计分析，便于开展模型训练前的数据探索。例如，可基于`plant_id`提取单株时间序列进行生长曲线拟合，或利用`defoliation_pairs`视图训练去除叶片遮挡后的花球检测模型。数据集已按源子集划分训练、验证与测试标签，可直接用于监督学习流程。

背景与挑战

背景概述

GrowliFlower数据集由德国波恩大学、于利希研究中心的Jana Kierdorf等研究人员于2022年创建，专注于利用高分辨率无人机RGB和多光谱影像分析花椰菜的作物生长动态与表型性状。该数据集覆盖德国科隆附近两块商业农田，包含24,866个样本，整合了像素级分割、表型时间序列与去叶配对影像三大任务，旨在解决花椰菜产量预测中头状花序被叶片完全遮蔽的难题。作为首个提供地理配准时间序列与实测性状（如株高、直径、BBCH发育阶段）的开源农业视觉数据集，它为机器学习驱动的作物生长建模与精准农业研究提供了重要基准，对植物表型组学与农业自动化领域产生了显著推动作用。

当前挑战

GrowliFlower数据集面临的核心领域挑战是花椰菜收获部位（花球）被叶片完全包裹，导致从外部冠层图像直接估测产量与品质成为农业视觉中一项经典难题，传统方法难以精准建模。在构建过程中，研究者需应对多重技术难题：包括不同年份和传感器生成的原始正射影像存在16位与8位深度不一致问题，需逐图进行1-99百分位对比度拉伸以避免采样噪声；部分无人机飞行日出现数据空洞，覆盖度低于1.0的样本保留后需小心区分真实缺失与处理错误；以及田间实测表格在不同年份使用不同列名（如“Ø Head”与“Ø Flower”），需要通过语义解析而非固定列位置实现正确关联。

常用场景

经典使用场景

在精准农业与植物表型分析领域，GrowliFlower数据集凭借其独特的无人机遥感时序影像与地面实测表型数据的联合结构，成为研究花椰菜生长动态和产量预测的标杆资源。该数据集最经典的使用场景是融合实例分割、目标检测与生长轨迹回归的多任务学习范式。研究者可同时利用分割任务样本中的像素级叶片、茎秆掩膜，以及参考任务样本中连续15个生长时间点的实测株高、直径和BBCH生育期数据，构建端到端的作物生长状态感知模型。其成对去叶样本（defoliation任务）则专门用于解决花椰菜花球被叶片完全遮挡这一核心难题，通过前后对照影像探究外部冠层结构与内部花球发育之间的映射关系。这种多模态、多时序、多任务的数据组织形式，为开发兼顾形态分析与产量估算的农业视觉智能系统提供了不可替代的实验平台。

实际应用

在实际产业场景中，GrowliFlower数据集直接赋能智慧农场的精准管理决策系统。基于其分割任务训练的模型可部署于无人机或田间机器人，实现花椰菜种植区内每株植物的叶片展开度、茎秆倾角等形态参数的自动化提取，替代传统耗时的目测与人工测量流程。参考任务中的生长时序数据支持构建动态生长曲线预测器，农场管理者得以提前两周以上预判收获窗口，优化采收人力与冷链物流调度。尤其可贵的是去叶配对样本的实践价值：当模型学会从去叶前的冠层图像推断花球尺寸后，种植者可实施非破坏性抽样检测，显著降低因剥开叶片检验带来的机械损伤风险与作物损耗。此外，该数据集的字段记录方式（如覆盖率指标和缺失值标记）为工业级部署中处理影像拼接瑕疵、光照变异等实际问题提供了鲁棒的误差分析框架，加速了农业AI系统从实验室原型向田间落地进程。

衍生相关工作

GrowliFlower发布后迅速催生了一系列具有影响力的衍生研究。在方法创新层面，基于其分割标注训练的花椰菜茎秆关键点检测模型，被后续工作改造为通用作物骨架拓扑提取网络，应用于番茄、大豆等作物的枝干结构重建。在表型分析方面，研究者利用该数据集的配对影像构建了条件生成对抗网络（cGAN），成功模拟不同去叶程度下的花球暴露效果，从而生成更多样化的训练数据用于弱监督表型回归。在跨学科融合领域，GrowliFlower与田间气象数据相结合的工作首次提出了时空注意力机制驱动的生长状态预测框架，将视觉特征与时序环境因子联合编码，实现了对极端天气事件下花椰菜生长迟滞现象的早期预警。此外，该数据集的FiftyOne格式版本被多个农业AI基准测试平台采纳为标准评估集，其多任务分组的组织范式也启发了后续针对玉米冠层和葡萄簇状花序的类似分层数据集构建策略。