2022年內蒙古無人機馬鈴薯圖像數據集

胡天賜，王瑞利，蔣呈祥，白濤，胡林，王曉麗*，郭雷風,2*

數據論文

2022年內蒙古無人機馬鈴薯圖像數據集

胡天賜1，王瑞利3，蔣呈祥1，白濤1，胡林2,4，王曉麗2,4*，郭雷風1,2*

1. 新疆農業大學計算機與信息工程學院，烏魯木齊 830052；2. 中國農業科學院農業信息研究所，北京 100081；3. 內蒙古科學技術研究院，呼和浩特 010010；4. 國家農業科學數據中心，北京 100081

馬鈴薯是世界第四大糧食作物，規模化種植是其高產量的基礎性保障。隨著數字農業的發展，馬鈴薯的規模化種植方式也日益趨向自動化與智能化。無人機是作物植保和生長監測的重要工具，無人機光譜數據在作物識別、作物生長狀況分析等方面發揮重要的作用。為探究光譜數據及圖像數據在馬鈴薯生長中所發揮的作用，文章利用無人機遙感獲取不同高度的多光譜影像，并對地面的馬鈴薯葉片數據進行采集，經過人工檢查和整理構建了論文數據集。數據采集地點位于內蒙古呼倫貝爾兩塊成熟期種薯試驗田，采集時間為2022年8月13日、16日和18日，期間共完成了3次不同空間分辨率的光譜數據及圖像數據采集。本文數據集的光譜數據完整，葉片數據清晰，可為馬鈴薯作物識別、種植面積估測以及成熟期期間不同日期的馬鈴薯相關植被指數變化等研究提供數據支撐。

無人機；馬鈴薯；多光譜；可見光圖像；內蒙古

數據庫(集)基本信息匯總表

數據庫(集)名稱2022年內蒙古無人機馬鈴薯多光譜與可見光圖像數據集 數據作者及分工胡天賜，數據的整理匯總與論文撰寫；王瑞利，數據的整理；蔣呈祥，數據采集；白濤，數據核準；胡林，總體方案設計與組織實施；王曉麗，數據整理和論文撰寫指導；郭雷風，論文架構設計與論文撰寫指導，提供論文項目基金支持 通信作者及郵箱郭雷風，E-mail: guoleifeng@caas.cn 數據時間范圍2022年8月 數據量39G 數據格式*.jpg、*.tif 數據服務系統網址DOI:10.12205/A0007.20220923.12.is.2483CSTR:17058.11.A0007.20220923.12.is.2483 基金項目內蒙古自治區科技計劃項目(2021GG0341)，國家科技創新2030重大項目(2021ZD0110901) 數據庫(集)組成數據集由兩部分組成，第一部分主要由無人機圖像數據組成，第二部分主要由手持設備拍攝地面葉片數據組成。數據集內數據采集區域均位于內蒙古自治區呼倫貝爾市海拉爾區哈克鎮謝爾塔拉小鎮的馬鈴薯種薯試驗田。試驗田分為1號試驗田和2號試驗田，其中1號試驗田大小為40 m*40 m，2號試驗田大小為50 m*50 m，分別于8月13日、8月16日和8月18日拍攝，拍攝高度為10 m、5 m和1 m左右，獲得多光譜(紅、綠、藍、紅邊、近紅外、RGB)圖像數據集38.5G，其中RGB圖像1889張，多光譜圖像9445張。手持設備葉片數據分別于8月13、8月18進行拍攝，圖像數據集104張，大小為438MB

1 引言

馬鈴薯作為世界第四大糧食作物，在糧食安全和社會發展中具有不可替代的作用[1]。中國是世界上馬鈴薯產量最高的地區，隨著國內大型農機的普及，以及近年來計算機技術的快速發展和智慧農業等新型農業生產模式的發展，包括使用機器學習和深度學習實現馬鈴薯葉片病害識別、利用遙感技術進行馬鈴薯病害及養分分析等技術手段，馬鈴薯產業得到了快速發展。劉鑫[2]等使用馬鈴薯多光譜數據對葉片晚疫病進行分類識別，對多光譜成像技術在馬鈴薯病害檢測方向進行研究說明。黨滿意[3]等使用機器學習方法對馬鈴薯的晚疫病葉片進行了快速檢測，根據馬鈴薯葉片上晚疫病斑的顏色、紋理和形狀特征參數的不同，提取葉片表面的特征參數，建立相關模型對葉片進行識別評價。陳鵬[4]等利用無人機多光譜影像估算作物葉綠素含量。楊海波[5]等采用馬鈴薯光譜指數對馬鈴薯植株氮含量進行估測。王來剛[6]等使用多光譜數據探究無人機多光譜遙感影像估算作物光合有效輻射吸收比例，使用玉米作為實驗對象，使用無人機多光譜數據對玉米的光合有效輻射吸收比例進行估算預測。劉楊[7-8]采用高光譜及不同分辨率下的無人機數碼影像，獲取株高及植被覆蓋度進行馬鈴薯生物量估測，該研究為馬鈴薯長勢快速檢測提供參考。

從文獻來看，目前學者對馬鈴薯的研究多聚焦于圖像數據與多光譜影像，使用圖像能夠非接觸式對作物當前情況做出判斷，使用模型來代替人工加快的判斷速度更有助于智慧農業信息技術的發展，但對于原始數據集或基礎預處理后的數據集共享較少，為提升技術方法或算法模型的適用性和魯棒性，文章作者在有關項目的支持下，通過采集、整合數據，建立了一個既能夠完成光譜數據分析還能夠為深度學習建模提供訓練和測試樣本的馬鈴薯圖像數據集。此次公開的數據集包含5個波段(分別為紅、綠、藍、紅邊、近紅外)和RGB圖片的馬鈴薯多光譜圖像資源以及地面葉片的圖像數據，可供在馬鈴薯產業智能化建設方向研究的研究者使用，以推進智慧農業技術發展。

2 數據采集與處理方法

文章中的馬鈴薯無人機數據圖像數據的采集平臺為大疆精靈四多光譜版無人機。影像傳感器為6個1/2.9英寸CMOS(Complementary Metal Oxide Semiconductor)，包括1個用于可見光成像的彩色傳感器和5個用于多光譜成像的單色傳感器，其中單個傳感器有效像素208萬(總像素212萬)。濾光片尺寸分別為藍色波段：450 nm±16 nm；綠色波段：560 nm±16 nm；紅色波段：650 nm±16 nm；紅邊波段：730 nm±16 nm；近紅外波段：840 nm±26 nm。照片最大分辨率1600×1300像素，照片格式為JPEG(可見光成像)和TIFF(多光譜成像)。多光譜圖像數據采集，主要用于植被長勢監測、NDVI(歸一化植被指數)計算等方面。

數據采集時，拍攝方式主要為自然光照條件下云臺垂直90度進行拍攝。無人機數據采集區域主要針對馬鈴薯種薯地其中兩塊試驗田，1號試驗田長40 m寬40 m面積共計1600 m2，2號試驗田長50 m寬50 m，面積共計2500 m2。拍攝高度分別為10 m、5 m和1 m，拍攝模式設置為自動。其中1 m的照片為人工操控無人機懸停拍攝，5 m和10 m采用二維合成地圖進行航線規劃拍攝，可采用大疆智圖、Pix4D等拼圖軟件進行圖片合成。

3 數據樣本描述

數據采集區域為我國內蒙古自治區呼倫貝爾市謝爾塔拉鎮馬鈴薯種薯田，經度為120.006562，緯度為49.322723。該地包括1號試驗田和2號試驗田兩個地塊。其中，1號試驗田面積為2500 m2，2號試驗田面積為1600 m2。目標馬鈴薯品種為“麥肯一號”。無人機數據集包括大疆精靈四多光譜版無人機采集的多光譜圖像和RGB圖像，每個日期采集到的圖像數據對應一個文件夾，具體命名為“時間+地塊名”；每個地塊文件夾包含“多光譜圖像數據集”和“可見光RGB圖像數據集”，針對不同的飛行高度進行劃分，并根據其類別分別放置在不同的文件夾內，命名方式為“日期+地塊名+高度”。數據采集時間為2022年8月13日、16日和18日上午10點左右。地面葉片數據主要通過手持設備進行數據采集，其數據采集時間為2022年8月13—16日，數據采集的范圍主要以帶有斑塊的葉片圖片為主。

3.1 RGB數據集

RGB數據采用大疆精靈四多光譜版的二維地圖功能進行航線規劃拍攝，航線飛行參數設置航向重疊率80%、旁向重疊率75%，拍照設置為等時間間隔拍照，間隔時間為1s，可進行圖片合成，文件以航線文件為基準，每個地塊的數據單獨放在一個文件夾內，以10 m、5 m和1 m的高度進行區分，數據集中RGB圖片共1889張，共計1.7GB，單張圖片命名規則按照“拍攝時間+地塊編號+飛行高度+序號”的方式進行命名，部分樣本示例如圖1所示。

圖1 RGB部分樣本數據

3.2 多光譜數據集

多光譜數據集是根據每次的航線工程進行分類，文件格式為*.tif，多光譜圖片有5個光譜波段，分別為紅、綠、藍、紅邊和近紅外，每個航線的多光譜數據放在一個文件夾內，數據集共拍攝多光譜圖片9445張，共計36.8GB，單張圖片命名規則為“拍攝時間+地塊編號+飛行高度+序號”。部分樣本示例如圖2所示。

圖2 多光譜部分樣本數據

3.3 地面葉片數據集

馬鈴薯地面葉片數據集放置于獨立的文件夾內，文件格式為*.jpg，集內數據是帶有斑塊的葉片圖片。圖像是由蘋果12自帶相機進行拍攝采集。在采集作物圖像時，主要是在露天或大棚的自然光照條件下，拍攝角度使光路盡量垂直于作物器官所在平面，并利用側面光保證作物器官受光均勻，所拍攝的作物器官占據畫面的中央主要位置。數據集共拍攝圖片104張，共計438 MB，部分樣本示例如圖3所示。

4 數據質量控制與驗證

作者們采取了多種措施進行數據質量控制，包括在馬鈴薯種薯地采集數據，保證了數據來源的可靠性；運用大疆精靈四多光譜版無人機嚴格按照采集標準進行數據采集，使用標準的多光譜鏡頭采集數據，能夠確保數據的規范性；數據采集后使用人工核準的方法對數據進行篩選清理，對拍攝對象錯誤、拍攝模糊不清等不符合要求的照片進行清除，保證數據的可靠性。

圖3 地面拍攝的葉片數據

5 數據價值與使用建議

多光譜數據可對不同日期的影像計算相關指數，由于沒有地面理化參數等數據，通過相關指數數值變化可以確定馬鈴薯生長的一個相對情況指標；根據光譜圖像計算得出地塊的植被覆蓋度，根據光譜地塊邊界點的坐標算出整個地塊區域的面積，然后根據地塊面積與植被覆蓋度估算出馬鈴薯的種植面積；數據采集時間在馬鈴薯成長周期中的節點為成熟期，可對比成熟期不同日期的植被指數變化情況；可建立馬鈴薯成熟期的無人機圖像數據集，為未來對馬鈴薯物候檢測可以提供數據支撐。

地面葉片數據以及RGB圖像數據可以進行圖像處理，對馬鈴薯作物進行識別；可以用來處理不同分辨率的情況下對馬鈴薯葉片的分割和檢測，可根據斑塊葉片來進行無人機影像數據下馬鈴薯斑塊葉片的檢測。

數據作者分工職責

胡天賜(1997—)，男，河南省駐馬店人，在讀碩士，研究方向：主要從事農業信息化相關工作，本研究主要工作：數據的整理匯總與論文撰寫。

王瑞利(1981—)，男，內蒙古托克托縣人，博士，研究員，研究方向：主要從事草地碳循環與農牧業信息化的研究，本研究主要工作：數據的整理。

蔣呈祥(1998—)，男，安徽省安慶人，在讀碩士，研究方向：主要從事農業信息化相關工作，本研究主要工作：數據采集。

白濤(1979—)，男，甘肅省蘭州人，碩士，研究方向：主要從事數據庫技術、信息檢索等研究相關工作，本研究主要工作：數據核準。

胡林(1967—)，男，內蒙古商都縣人，博士，研究員，研究方向為科學數據管理。主要承擔工作：總體方案設計與組織實施。

王曉麗(1982—)，女，河北省石家莊人，博士，助理研究員，研究方向：主要從事科學數據管理相關研究，本研究主要工作：數據整理和論文撰寫指導。

郭雷風(1985—)，男，河北省邢臺人，博士，副研究員，研究方向：信息技術農業應用相關研究，本研究主要工作：論文架構設計與論文撰寫指導，提供論文項目基金支持。

[1] 謝從華. 馬鈴薯產業的現狀與發展[J]. 華中農業大學學報(社會科學版), 2012(1): 1-4.

Xie C H. Current situation and development of potato industry [J]. Journal of Huazhong Agricultural University (Social Science Edition), 2012(1): 1-4.

[2] 劉鑫, 馮潔, 楊舒明. 馬鈴薯葉片晚疫病的多光譜分類識別[J]. 光學儀器, 2017, 39(1): 11-17.

Liu X, Feng J, Yang S M. Multispectral classification and identification of potato leaf blight[J]. Optical Instruments, 2017, 39(1): 11-17.

[3] 黨滿意, 孟慶魁, 谷芳, 等. 基于機器視覺的馬鈴薯晚疫病快速識別[J]. 農業工程學報, 2020, 36(2): 193-200.

Dang M Y, Meng Q K, Gu F, et al. Rapid identification of potato late blight based on machine vision[J]. Journal of Agricultural Engineering, 2020, 36(2): 193-200.

[4] 陳鵬, 馮海寬, 李長春, 等. 無人機影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量[J]. 農業工程學報, 2019, 35(11): 63-74.

Chen P, Feng H K, Li C C, et al. Estimation of chlorophyll content in potato leaves by fusion of spectrum and texture information from UAV images[J]. Journal of Agricultural Engineering, 2019, 35(11): 63-74.

[5] 楊海波, 李淵, 尹航, 等. 基于新組合光譜指數的馬鈴薯植株氮含量遙感估測[J]. 土壤, 2022, 54(2): 385-395.

Yang H B, Li Y, Yin H, et al. Remote sensing estimation of nitrogen content in potato plants based on a new combined spectral index[J]. Soil, 2022, 54(2): 385-395.

[6] 王來剛, 賀佳, 鄭國清, 郭燕, 張彥, 張紅利. 基于無人機多光譜遙感的玉米FPAR估算[J]. 農業機械學報, 2022, 53(10): 202-210.

Wang L G, He J, Zheng G Q, et al. UAV-based multispectral remote sensing for FPAR estimation of maize[J]. Journal of Agricultural Machinery, 2022, 53(10): 202-210.

[7] 劉楊, 馮海寬, 黃玨, 等. 基于無人機數碼影像的馬鈴薯生物量估算[J]. 農業工程學報, 2020, 36(23): 181-192.

Liu Y, Feng H K, Huang J, et al. Potato biomass estimation based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(23): 181-192.

[8] 劉楊, 馮海寬, 孫乾, 等. 不同分辨率無人機數碼影像的馬鈴薯地上生物量估算研究[J]. 光譜學與光譜分析, 2021, 41 (5): 1470-1476.

Liu Y, Feng H K, Sun Q, et al. Estimation of potato aboveground biomass based on UAV digital images with different resolutions[J]. Spectroscopy and Spectral Analysis, 2021, 41(5): 1470-1476.

引用數據

[1] 胡天賜, 王瑞利, 蔣呈祥, 等. 2022年內蒙古無人機馬鈴薯圖像數據集[DB/OL]. 國家農業科學數據中心. DOI: 10.12205/A0007. 20220923.12.is.2483.

Hu T C, Wang R L, Jiang C X, et al. 2022 Inner Mongolia UAV Potato Image Dataset[DB/OL]. National Agriculture Science Data Center. DOI: 10.12205/ A0007.20220923.12.is.2483.

2022 Inner Mongolia UAV Potato Image Dataset

HU Tianci1, WANG Ruili3, JIANG Chengxiang1, BAI Tao1, HU Lin2,4, WANG Xiaoli2,4*, GUO Leifeng1,2*

1. College of Computer and Information Engineering, Xinjiang Agricultural University, Urumqi 830052, China; 2. Agricultural Information Institute of Chinese Academy of Agricultural Sciences, Beijing 100081, China; 3. Inner Mongolia Academy of Science and Technology, Hohhot 010010, China; 4. National Agriculture Science Data Center, Beijing 100081, China

Potatoes are the fourth largest food crop in the world, and large-scale planting of potatoes is an important basis for ensuring high yields of potatoes. With the development of digital agriculture, the large-scale planting of potatoes also tends to be automated and intelligent. UAVs are an important tool in crop plant protection and growth monitoring. UAV spectral data play an important role in crop identification and crop growth status analysis. important. In order to explore the role of spectral data and image data in potato growth, this study conducted three different spatial resolution images on two mature seed potato experimental fields in Hulunbeier, Inner Mongolia, on August 13, 16 and 18, 2022. Spectral data and image data are collected. UAV remote sensing was used to obtain multi- spectral images at different heights, and the data of potato leaves on the ground were collected. After manual in- spection and sorting, this dataset was constructed. The spectral data of this dataset is complete and the leaf data is clear, which can provide data support for research on potato crop identification, planting area estimation, and potato-related vegetation index changes on different dates during the maturity period.

drone; potatoes; multispectral; visible light images; Inner Mongolia

胡天賜,王瑞利,蔣呈祥,等. 2022年內蒙古無人機馬鈴薯圖像數據集[J]. 農業大數據學報, 2023,5(1): 40-45.

HU Tianci,WANG Ruili,JIANG Chengxiang,et al.2022 Inner Mongolia UAV potato image dataset[J].Journal of Agricultural Big Data,2023,5(1): 40-45.

10.19788/j.issn.2096-6369.230112

2023-03-06

內蒙古自治區科技計劃項目(2021GG0341)，國家科技創新2030重大項目(2021ZD0110901)，國家重點研發計劃(2022YFF0712100)，中國農業科學院院級基本科研業務費(Y2022LM20)

第一作者胡天賜，男，在讀碩士，研究方向：農業信息化方向；E-mail：1272341570@qq.com。通信作者王曉麗，女，博士，研究方向：科學數據管理與農業信息化，E-mail：wangxiaoli@caas.cn。通信作者郭雷風，男，博士，研究方向：信息技術農業應用相關研究；E-mail：guoleifeng@caas.cn。