A time-resolved image-environment dataset for tatsoi growth monitoring and intelligent phytoprotection benchmarking

方法

128株重复成像3456张图，配Labelme标注与物联网环境气象数据及标准划分

发现

YOLOv8n检测mAP50-95达0.887，Swin-T融合环境特征宏F1达0.819。

机会点

可延伸至多模态时序表型预测、病虫害早期预警及跨品种跨季节泛化基准构建。

基于图像的作物监测现已广泛应用于可持续植物生产，但将视觉冠层外观与同步局部环境测量相结合的公开发数据集仍然稀缺。因此，模型难以在田间变异条件下进行评估，而这些模型必须在田间变异条件下运行，包括植物生长、微气候、土壤条件、病虫害压力、光照和采集日期的变化。我们提出了一个时间分辨的塌菜（Brassica campestris L. ssp. chinensis var. rosularis Tsen）图像-环境数据集，采集于2025年11月12日至2026年2月28日的冬季栽培期间。该数据集包含来自128株重复成像植株的3456幅植株级图像，覆盖27个采集日期。每幅图像均关联塌菜冠层的Labelme多边形标注、衍生的边界框和分割掩膜、植株身份、采集日期、七个表型或状态标签，以及同步的田间太阳能杀虫灯物联网（SIL-IoT）记录。基线分析中使用的传感器衍生元数据包括空气温度和湿度、光照、降雨状态记录、设备级害虫信号计数、土壤湿度和温度、风速及风向。这些元数据以最近传感器读数和采集前1小时、6小时和24小时聚合值的形式提供。提供了标准化的随机、时间和植株留出划分，以支持可重复评估。基线基准测试表明，该资源可复用于冠层检测、冠层分割和图像-环境性状识别。在植株留出划分下，YOLOv8n达到框mAP50–95为0.887，RetinaNet-R50在torchvision检测器中达到框mAP50–95为0.826，融合环境特征的Swin-T在植株级性状上达到平均宏F1为0.819。该数据集为多模态作物表型分析、田间条件视觉基准测试和智能植物保护研究提供了可复用的资源。