AppleGrowthVision

AppleGrowthVision是一个大规模的数据集，用于苹果园的物候分析、果实检测和3D重建。该数据集由两个子集组成，第一个子集包括9,317张高分辨率立体图像，涵盖了一个完整生长周期中的六个经过农业验证的生长阶段；第二个子集由1,125张密集标注的图像组成，包含31,084个苹果标签。数据集提供了具有农业验证生长阶段的立体图像数据，使得精确的物候分析和3D重建成为可能。AppleGrowthVision填补了农业科学和计算机视觉之间的空白，通过开发稳健的模型，用于精确农业中的果实检测、生长建模和3D分析。

AppleGrowthVision is a large-scale dataset designed for phenological analysis, fruit detection, and 3D reconstruction in apple orchards. This dataset consists of two subsets: the first subset includes 9,317 high-resolution stereo images covering six agriculturally validated growth stages across an entire growing cycle; the second subset comprises 1,125 densely annotated images containing 31,084 apple labels. The dataset provides stereo image data paired with agriculturally validated growth stages, enabling accurate phenological analysis and 3D reconstruction. AppleGrowthVision bridges the gap between agricultural science and computer vision, facilitating the development of robust models for fruit detection, growth modeling, and 3D analysis in precision agriculture.

搜集汇总

数据集介绍

构建方式

AppleGrowthVision数据集的构建采用了多阶段、多角度的立体影像采集方法，通过在德国勃兰登堡和皮尔尼茨两个苹果园区的33棵Jonagold品种果树上部署双Canon EOS 550D相机的立体成像系统，历时两年完整记录了包括萌芽期至休眠期在内的六个BBCH标准物候阶段。数据采集涵盖行间双侧视角及环绕拍摄，并特别保留了风力干扰下的自然形变场景。标注过程创新性地结合了YOLOv8预训练模型的AI辅助标注与人工校验，针对BBCH 5-9关键结果期的31,084个苹果实例生成边界框标注，同时由萨克森州农业研究所专家对物候阶段进行专业验证。

使用方法

该数据集支持三种典型应用范式：在目标检测领域，其YOLO格式标注可直接接入Ultralytics训练框架，与MinneApple等现有数据集联合训练可显著提升模型泛化能力；物候分析任务中，研究者可利用BBCH阶段标签开发时序感知的分类模型，通过80-10-10的标准划分实现生长阶段预测；三维重建应用则需基于DISK特征提取和LightGlue匹配的定制流程，配合COLMAP软件利用立体校准先验完成大规模场景重建。为保障研究可复现性，数据集官网提供了采集位姿元数据、物候阶段对照表及手动计数的验证子集。

背景与挑战

背景概述

AppleGrowthVision数据集由Fraunhofer HHI和Fraunhofer IVI的研究团队于2025年发布，旨在解决精准农业中苹果园监测的计算机视觉挑战。该数据集包含两个子集：第一个子集包含9,317张高分辨率立体图像，覆盖了苹果树从萌芽到休眠的六个农业验证生长阶段；第二个子集包含1,125张密集标注的图像，共计31,084个苹果标签。数据集的核心研究问题是通过立体图像和多生长阶段标注，提升苹果检测、产量估计和3D重建的精度。AppleGrowthVision填补了现有数据集在生长阶段标注和立体图像方面的空白，显著提升了YOLOv8和Faster R-CNN等模型的性能，推动了农业科学与计算机视觉的交叉研究。

当前挑战

AppleGrowthVision数据集面临的挑战主要包括两个方面：领域问题的挑战和构建过程的挑战。在领域问题方面，苹果园环境的复杂性（如光照变化、天气条件和密集遮挡）对图像质量和模型鲁棒性提出了极高要求，现有模型在检测密集果实和区分生长阶段时仍存在精度不足的问题。在构建过程中，数据采集需克服自然环境干扰（如风力导致的树木变形），而标注工作则因果实密集和生长阶段多样性面临巨大的人工成本。此外，3D重建技术在大规模果园场景中的应用仍受限于特征匹配算法的适应性，传统方法如SIFT在复杂植被环境中表现不佳，需依赖定制化流程（如DISK特征和LightGlue）实现可行重建。

常用场景

经典使用场景

AppleGrowthVision数据集在农业计算机视觉领域具有广泛的应用价值，尤其适用于苹果园中的果实检测、生长阶段分析和三维重建任务。该数据集通过高分辨率立体图像和专家验证的BBCH生长阶段标注，为研究人员提供了丰富的多时相数据，支持从花芽发育到果实成熟的完整生长周期分析。在果实检测方面，数据集通过密集标注的苹果实例，为深度学习模型训练提供了高质量的真实场景数据。

解决学术问题

AppleGrowthVision数据集有效解决了农业计算机视觉领域的关键学术问题。首先，它填补了现有数据集中生长阶段标注缺失的空白，通过BBCH标准提供了科学验证的生长阶段分类。其次，数据集的立体图像特性支持精确的三维重建，克服了传统单目图像在深度估计上的局限性。此外，数据集覆盖不同环境条件下的苹果园场景，有助于提升模型在复杂光照和遮挡情况下的鲁棒性。这些特性使该数据集成为研究植物表型分析、产量预测和精准农业干预的重要基础资源。

实际应用

在实际应用层面，AppleGrowthVision数据集为精准农业技术的发展提供了重要支持。基于该数据集训练的模型可应用于果园自动化管理，包括精确的果实计数、成熟度评估和收获时间预测。立体视觉数据支持的三维重建技术可用于果树结构分析，优化修剪策略和机械化采摘路径规划。此外，生长阶段分类模型可辅助农业决策，如精准施肥和病虫害防治的时间确定，从而提升果园管理效率和果实品质。

数据集最近研究

最新研究方向

随着精准农业技术的快速发展，AppleGrowthVision数据集为苹果园监测领域带来了突破性进展。该数据集通过提供覆盖完整物候周期的高分辨率立体图像和农业专家验证的BBCH生长阶段标注，显著提升了果实检测和三维重建的精度。当前研究热点集中在利用该数据集优化YOLOv8和Faster R-CNN等目标检测模型，其中结合多数据集训练使F1分数提升达31.06%。同时，基于VGG16、ResNet152等架构的BBCH物候阶段分类模型实现了超过95%的准确率，为农事决策提供了可靠支持。在三维重建方向，数据集创新的立体视觉采集方案仅需18张图像即可完成单棵树建模，大幅提升了果园数字孪生效率。这些进展不仅解决了传统方法在复杂果园环境中的适应性难题，更为自动化采收、精准施药等智慧农业应用奠定了关键技术基础。

相关研究论文

• AppleGrowthVision: A large-scale stereo dataset for phenological analysis, fruit detection, and 3D reconstruction in apple orchards

  Fraunhofer HHI · 2025年