CitrusFarm

CitrusFarm数据集由加州大学河滨分校创建，是一个多模态传感器数据集，专为柑橘园的定位、映射和作物监测设计。该数据集包含7个序列，覆盖3个柑橘园，总运行时间为1.7小时，总距离7.5公里，数据量达1.3TB。数据集提供包括立体RGB图像、单色、近红外和热图像以及多种导航传感器数据。创建过程涉及使用Clearpath Jackal机器人收集数据，并通过精确的传感器校准确保数据质量。该数据集主要应用于农业机器人系统的自主导航、地图构建和作物监测，同时也支持机器人技术和计算机视觉领域的多种研究任务，如场景理解、对象检测和多模态学习。

The CitrusFarm dataset was developed by the University of California, Riverside. It is a multimodal sensor dataset specifically designed for localization, mapping and crop monitoring in citrus orchards. The dataset comprises 7 sequences spanning 3 citrus orchards, with a total runtime of 1.7 hours, a total traversed distance of 7.5 kilometers, and a total data volume of 1.3 TB. It provides diverse modalities including stereo RGB images, monochromatic, near-infrared and thermal images, alongside various navigation sensor data. Data collection was performed using a Clearpath Jackal robot, and strict sensor calibration was implemented to guarantee data quality. This dataset is primarily utilized for autonomous navigation, mapping and crop monitoring in agricultural robotic systems, and also supports a wide range of research tasks in robotics and computer vision, such as scene understanding, object detection and multimodal learning.

搜集汇总

数据集介绍

构建方式

在精准农业领域，数据采集的全面性与系统性对于推动农业机器人自主化至关重要。CitrusFarm数据集的构建依托于Clearpath Jackal轮式移动机器人平台，该平台集成了单目相机、立体RGB相机、红-绿-近红外多光谱相机、热成像相机、三维激光雷达、惯性测量单元、轮式里程计以及高精度实时动态差分全球导航卫星系统等多种传感器。数据采集于加州大学河滨分校农业实验站的三个柑橘园，涵盖了不同树种、生长阶段、种植模式及光照条件下的七条序列，总运行时长达1.7小时，覆盖距离7.5公里，数据规模达1.3TB。所有传感器均经过严格的内外参标定，确保了多模态数据在时空上的一致性，并以机器人操作系统数据包格式存储，便于后续处理与分析。

特点

该数据集的核心特点在于其丰富的多模态感知能力，共提供九种传感模态，包括单目灰度图像、立体RGB图像及其深度信息、近红外与热成像图像，以及激光雷达点云、惯性测量单元数据、轮式里程计和高精度实时动态差分全球导航卫星系统定位真值。这种多源数据融合为农业环境中的机器人定位、建图与作物监测任务提供了前所未有的信息维度。数据集不仅覆盖了稀疏、半密集与密集等多种种植模式，还捕捉了不同日间光照条件的变化，从而增强了其在复杂农业场景中的泛化能力与实用性。

使用方法

为支持广泛的机器人学与计算机视觉研究，该数据集以机器人操作系统数据包格式发布，用户可通过回放机制按时间戳同步多模态数据流。数据集仓库提供了Python脚本，可将数据包转换为图像、点云及传感器读数的结构化文件，便于直接用于算法开发与评估。研究者可利用其进行传感器融合、跨模态学习、视觉定位与语义建图等任务，特别是在计算归一化植被指数等农业专用指标方面，近红外与热成像数据为作物健康监测提供了关键支持。数据集还包含完整的标定参数与原始数据，确保了实验的可复现性与扩展性。

背景与挑战

背景概述

在精准农业领域，作物监测作为核心环节，能够为种植者提供植物生长、水分胁迫及健康状况等关键信息，从而优化灌溉、病虫害防治与采收决策。然而，传统监测方法依赖人工，面临时空扩展性差、效率低下等挑战。为推进农业环境自主机器人系统的发展，加州大学河滨分校的研究团队于2023年夏季发布了CitrusFarm数据集。该数据集通过轮式移动机器人在柑橘园中采集，涵盖七条序列，包含单色、立体RGB、深度、近红外与热成像等多光谱图像，以及轮式里程计、激光雷达、惯性测量单元和实时动态全球导航卫星系统等多种导航传感器数据，总数据量达1.3TB。其核心研究问题在于解决农业环境中同时具备多光谱图像与导航数据的公共数据集稀缺问题，旨在支持定位、建图与作物监测等任务，为机器人学与计算机视觉领域的多模态研究提供重要资源。

当前挑战

CitrusFarm数据集致力于解决农业机器人领域的两大挑战：在领域问题层面，农业环境通常结构复杂且动态变化，机器人需在非结构化场景中实现精准定位与建图，同时利用多光谱数据完成作物健康监测，这对传感器的融合与算法的鲁棒性提出了较高要求。在构建过程中，研究团队面临多传感器校准的复杂性，例如热成像相机在标定时因温度均匀难以识别棋盘格图案，需通过户外阳光照射与热隔离措施优化；此外，数据采集需覆盖不同树种、生长阶段、种植模式及光照条件，以增强数据集的多样性与代表性，确保其在多变农业场景中的适用性。

常用场景

经典使用场景

在精准农业领域，CitrusFarm数据集为柑橘果园环境中的自主机器人系统开发提供了关键支持。该数据集通过整合立体RGB图像、深度信息、近红外与热成像等多光谱数据，结合激光雷达、惯性测量单元及高精度GPS-RTK导航传感器，构建了丰富的多模态感知框架。其经典应用场景聚焦于果园内的定位与建图任务，机器人可利用该数据集在复杂非结构化农田环境中实现厘米级精度的实时定位，并生成融合多光谱信息的详细环境地图，为后续作物监测与自动化作业奠定基础。

衍生相关工作

围绕CitrusFarm数据集，学术界衍生出一系列聚焦农业机器人感知与决策的经典研究工作。例如，基于其多模态数据开发的融合定位框架，提升了在枝叶遮挡与光照变化下的导航鲁棒性；利用热成像与可见光图像的跨模态学习模型，实现了作物胁迫的早期检测。此外，该数据集还促进了长期环境建图算法的研究，支持果园生长周期的动态建模。这些工作不仅扩展了数据集的学术价值，也为农业机器人系统的实际部署提供了算法基础与验证标准。

数据集最近研究

最新研究方向

在精准农业与农业机器人领域，CitrusFarm数据集凭借其多模态传感特性，正推动着前沿研究向深度融合与智能分析方向发展。该数据集整合了立体RGB、深度、近红外及热成像等多种视觉模态，并辅以激光雷达、惯性测量单元及高精度GNSS-RTK导航数据，为复杂果园环境下的自主机器人系统开发提供了丰富资源。当前研究热点聚焦于多模态传感器融合算法，旨在提升机器人在非结构化农田中的定位与建图精度，同时结合光谱信息实现作物健康状况的实时监测与评估。此外，数据集支持机器学习在场景理解、目标检测及分割等计算机视觉任务中的应用，促进了跨模态学习技术在农业自动化中的创新实践，对推动可持续农业发展具有重要科学价值。

相关研究论文

• Multimodal Dataset for Localization, Mapping and Crop Monitoring in Citrus Tree Farms

  加州大学河滨分校 · 2023年