胡天赐，王瑞利，蒋呈祥，白涛，胡林，王晓丽*，郭雷风,2*

数据论文

2022年内蒙古无人机马铃薯图像数据集

胡天赐1，王瑞利3，蒋呈祥1，白涛1，胡林2,4，王晓丽2,4*，郭雷风1,2*

1. 新疆农业大学计算机与信息工程学院，乌鲁木齐 830052；2. 中国农业科学院农业信息研究所，北京 100081；3. 内蒙古科学技术研究院，呼和浩特 010010；4. 国家农业科学数据中心，北京 100081

马铃薯是世界第四大粮食作物，规模化种植是其高产量的基础性保障。随着数字农业的发展，马铃薯的规模化种植方式也日益趋向自动化与智能化。无人机是作物植保和生长监测的重要工具，无人机光谱数据在作物识别、作物生长状况分析等方面发挥重要的作用。为探究光谱数据及图像数据在马铃薯生长中所发挥的作用，文章利用无人机遥感获取不同高度的多光谱影像，并对地面的马铃薯叶片数据进行采集，经过人工检查和整理构建了论文数据集。数据采集地点位于内蒙古呼伦贝尔两块成熟期种薯试验田，采集时间为2022年8月13日、16日和18日，期间共完成了3次不同空间分辨率的光谱数据及图像数据采集。本文数据集的光谱数据完整，叶片数据清晰，可为马铃薯作物识别、种植面积估测以及成熟期期间不同日期的马铃薯相关植被指数变化等研究提供数据支撑。

无人机；马铃薯；多光谱；可见光图像；内蒙古

数据库(集)基本信息汇总表

数据库(集)名称2022年内蒙古无人机马铃薯多光谱与可见光图像数据集 数据作者及分工胡天赐，数据的整理汇总与论文撰写；王瑞利，数据的整理；蒋呈祥，数据采集；白涛，数据核准；胡林，总体方案设计与组织实施；王晓丽，数据整理和论文撰写指导；郭雷风，论文架构设计与论文撰写指导，提供论文项目基金支持 通信作者及邮箱郭雷风，E-mail: guoleifeng@caas.cn 数据时间范围2022年8月 数据量39G 数据格式*.jpg、*.tif 数据服务系统网址DOI:10.12205/A0007.20220923.12.is.2483CSTR:17058.11.A0007.20220923.12.is.2483 基金项目内蒙古自治区科技计划项目(2021GG0341)，国家科技创新2030重大项目(2021ZD0110901) 数据库(集)组成数据集由两部分组成，第一部分主要由无人机图像数据组成，第二部分主要由手持设备拍摄地面叶片数据组成。数据集内数据采集区域均位于内蒙古自治区呼伦贝尔市海拉尔区哈克镇谢尔塔拉小镇的马铃薯种薯试验田。试验田分为1号试验田和2号试验田，其中1号试验田大小为40 m*40 m，2号试验田大小为50 m*50 m，分别于8月13日、8月16日和8月18日拍摄，拍摄高度为10 m、5 m和1 m左右，获得多光谱(红、绿、蓝、红边、近红外、RGB)图像数据集38.5G，其中RGB图像1889张，多光谱图像9445张。手持设备叶片数据分别于8月13、8月18进行拍摄，图像数据集104张，大小为438MB

1 引言

马铃薯作为世界第四大粮食作物，在粮食安全和社会发展中具有不可替代的作用[1]。中国是世界上马铃薯产量最高的地区，随着国内大型农机的普及，以及近年来计算机技术的快速发展和智慧农业等新型农业生产模式的发展，包括使用机器学习和深度学习实现马铃薯叶片病害识别、利用遥感技术进行马铃薯病害及养分分析等技术手段，马铃薯产业得到了快速发展。刘鑫[2]等使用马铃薯多光谱数据对叶片晚疫病进行分类识别，对多光谱成像技术在马铃薯病害检测方向进行研究说明。党满意[3]等使用机器学习方法对马铃薯的晚疫病叶片进行了快速检测，根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同，提取叶片表面的特征参数，建立相关模型对叶片进行识别评价。陈鹏[4]等利用无人机多光谱影像估算作物叶绿素含量。杨海波[5]等采用马铃薯光谱指数对马铃薯植株氮含量进行估测。王来刚[6]等使用多光谱数据探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例，使用玉米作为实验对象，使用无人机多光谱数据对玉米的光合有效辐射吸收比例进行估算预测。刘杨[7-8]采用高光谱及不同分辨率下的无人机数码影像，获取株高及植被覆盖度进行马铃薯生物量估测，该研究为马铃薯长势快速检测提供参考。

从文献来看，目前学者对马铃薯的研究多聚焦于图像数据与多光谱影像，使用图像能够非接触式对作物当前情况做出判断，使用模型来代替人工加快的判断速度更有助于智慧农业信息技术的发展，但对于原始数据集或基础预处理后的数据集共享较少，为提升技术方法或算法模型的适用性和鲁棒性，文章作者在有关项目的支持下，通过采集、整合数据，建立了一个既能够完成光谱数据分析还能够为深度学习建模提供训练和测试样本的马铃薯图像数据集。此次公开的数据集包含5个波段(分别为红、绿、蓝、红边、近红外)和RGB图片的马铃薯多光谱图像资源以及地面叶片的图像数据，可供在马铃薯产业智能化建设方向研究的研究者使用，以推进智慧农业技术发展。

2 数据采集与处理方法

文章中的马铃薯无人机数据图像数据的采集平台为大疆精灵四多光谱版无人机。影像传感器为6个1/2.9英寸CMOS(Complementary Metal Oxide Semiconductor)，包括1个用于可见光成像的彩色传感器和5个用于多光谱成像的单色传感器，其中单个传感器有效像素208万(总像素212万)。滤光片尺寸分别为蓝色波段：450 nm±16 nm；绿色波段：560 nm±16 nm；红色波段：650 nm±16 nm；红边波段：730 nm±16 nm；近红外波段：840 nm±26 nm。照片最大分辨率1600×1300像素，照片格式为JPEG(可见光成像)和TIFF(多光谱成像)。多光谱图像数据采集，主要用于植被长势监测、NDVI(归一化植被指数)计算等方面。

数据采集时，拍摄方式主要为自然光照条件下云台垂直90度进行拍摄。无人机数据采集区域主要针对马铃薯种薯地其中两块试验田，1号试验田长40 m宽40 m面积共计1600 m2，2号试验田长50 m宽50 m，面积共计2500 m2。拍摄高度分别为10 m、5 m和1 m，拍摄模式设置为自动。其中1 m的照片为人工操控无人机悬停拍摄，5 m和10 m采用二维合成地图进行航线规划拍摄，可采用大疆智图、Pix4D等拼图软件进行图片合成。

3 数据样本描述

数据采集区域为我国内蒙古自治区呼伦贝尔市谢尔塔拉镇马铃薯种薯田，经度为120.006562，纬度为49.322723。该地包括1号试验田和2号试验田两个地块。其中，1号试验田面积为2500 m2，2号试验田面积为1600 m2。目标马铃薯品种为“麦肯一号”。无人机数据集包括大疆精灵四多光谱版无人机采集的多光谱图像和RGB图像，每个日期采集到的图像数据对应一个文件夹，具体命名为“时间+地块名”；每个地块文件夹包含“多光谱图像数据集”和“可见光RGB图像数据集”，针对不同的飞行高度进行划分，并根据其类别分别放置在不同的文件夹内，命名方式为“日期+地块名+高度”。数据采集时间为2022年8月13日、16日和18日上午10点左右。地面叶片数据主要通过手持设备进行数据采集，其数据采集时间为2022年8月13—16日，数据采集的范围主要以带有斑块的叶片图片为主。

3.1 RGB数据集

RGB数据采用大疆精灵四多光谱版的二维地图功能进行航线规划拍摄，航线飞行参数设置航向重叠率80%、旁向重叠率75%，拍照设置为等时间间隔拍照，间隔时间为1s，可进行图片合成，文件以航线文件为基准，每个地块的数据单独放在一个文件夹内，以10 m、5 m和1 m的高度进行区分，数据集中RGB图片共1889张，共计1.7GB，单张图片命名规则按照“拍摄时间+地块编号+飞行高度+序号”的方式进行命名，部分样本示例如图1所示。

图1 RGB部分样本数据

3.2 多光谱数据集

多光谱数据集是根据每次的航线工程进行分类，文件格式为*.tif，多光谱图片有5个光谱波段，分别为红、绿、蓝、红边和近红外，每个航线的多光谱数据放在一个文件夹内，数据集共拍摄多光谱图片9445张，共计36.8GB，单张图片命名规则为“拍摄时间+地块编号+飞行高度+序号”。部分样本示例如图2所示。

图2 多光谱部分样本数据

3.3 地面叶片数据集

马铃薯地面叶片数据集放置于独立的文件夹内，文件格式为*.jpg，集内数据是带有斑块的叶片图片。图像是由苹果12自带相机进行拍摄采集。在采集作物图像时，主要是在露天或大棚的自然光照条件下，拍摄角度使光路尽量垂直于作物器官所在平面，并利用侧面光保证作物器官受光均匀，所拍摄的作物器官占据画面的中央主要位置。数据集共拍摄图片104张，共计438 MB，部分样本示例如图3所示。

4 数据质量控制与验证

作者们采取了多种措施进行数据质量控制，包括在马铃薯种薯地采集数据，保证了数据来源的可靠性；运用大疆精灵四多光谱版无人机严格按照采集标准进行数据采集，使用标准的多光谱镜头采集数据，能够确保数据的规范性；数据采集后使用人工核准的方法对数据进行筛选清理，对拍摄对象错误、拍摄模糊不清等不符合要求的照片进行清除，保证数据的可靠性。

图3 地面拍摄的叶片数据

5 数据价值与使用建议

多光谱数据可对不同日期的影像计算相关指数，由于没有地面理化参数等数据，通过相关指数数值变化可以确定马铃薯生长的一个相对情况指标；根据光谱图像计算得出地块的植被覆盖度，根据光谱地块边界点的坐标算出整个地块区域的面积，然后根据地块面积与植被覆盖度估算出马铃薯的种植面积；数据采集时间在马铃薯成长周期中的节点为成熟期，可对比成熟期不同日期的植被指数变化情况；可建立马铃薯成熟期的无人机图像数据集，为未来对马铃薯物候检测可以提供数据支撑。

地面叶片数据以及RGB图像数据可以进行图像处理，对马铃薯作物进行识别；可以用来处理不同分辨率的情况下对马铃薯叶片的分割和检测，可根据斑块叶片来进行无人机影像数据下马铃薯斑块叶片的检测。

数据作者分工职责

胡天赐(1997—)，男，河南省驻马店人，在读硕士，研究方向：主要从事农业信息化相关工作，本研究主要工作：数据的整理汇总与论文撰写。

王瑞利(1981—)，男，内蒙古托克托县人，博士，研究员，研究方向：主要从事草地碳循环与农牧业信息化的研究，本研究主要工作：数据的整理。

蒋呈祥(1998—)，男，安徽省安庆人，在读硕士，研究方向：主要从事农业信息化相关工作，本研究主要工作：数据采集。

白涛(1979—)，男，甘肃省兰州人，硕士，研究方向：主要从事数据库技术、信息检索等研究相关工作，本研究主要工作：数据核准。

胡林(1967—)，男，内蒙古商都县人，博士，研究员，研究方向为科学数据管理。主要承担工作：总体方案设计与组织实施。

王晓丽(1982—)，女，河北省石家庄人，博士，助理研究员，研究方向：主要从事科学数据管理相关研究，本研究主要工作：数据整理和论文撰写指导。

郭雷风(1985—)，男，河北省邢台人，博士，副研究员，研究方向：信息技术农业应用相关研究，本研究主要工作：论文架构设计与论文撰写指导，提供论文项目基金支持。

[1] 谢从华. 马铃薯产业的现状与发展[J]. 华中农业大学学报(社会科学版), 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] 刘鑫, 冯洁, 杨舒明. 马铃薯叶片晚疫病的多光谱分类识别[J]. 光学仪器, 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] 党满意, 孟庆魁, 谷芳, 等. 基于机器视觉的马铃薯晚疫病快速识别[J]. 农业工程学报, 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] 陈鹏, 冯海宽, 李长春, 等. 无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量[J]. 农业工程学报, 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] 杨海波, 李渊, 尹航, 等. 基于新组合光谱指数的马铃薯植株氮含量遥感估测[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] 王来刚, 贺佳, 郑国清, 郭燕, 张彦, 张红利. 基于无人机多光谱遥感的玉米FPAR估算[J]. 农业机械学报, 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] 刘杨, 冯海宽, 黄珏, 等. 基于无人机数码影像的马铃薯生物量估算[J]. 农业工程学报, 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] 刘杨, 冯海宽, 孙乾, 等. 不同分辨率无人机数码影像的马铃薯地上生物量估算研究[J]. 光谱学与光谱分析, 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.

引用数据

[1] 胡天赐, 王瑞利, 蒋呈祥, 等. 2022年内蒙古无人机马铃薯图像数据集[DB/OL]. 国家农业科学数据中心. 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

胡天赐,王瑞利,蒋呈祥,等. 2022年内蒙古无人机马铃薯图像数据集[J]. 农业大数据学报, 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

内蒙古自治区科技计划项目(2021GG0341)，国家科技创新2030重大项目(2021ZD0110901)，国家重点研发计划(2022YFF0712100)，中国农业科学院院级基本科研业务费(Y2022LM20)

第一作者胡天赐，男，在读硕士，研究方向：农业信息化方向；E-mail：1272341570@qq.com。通信作者王晓丽，女，博士，研究方向：科学数据管理与农业信息化，E-mail：wangxiaoli@caas.cn。通信作者郭雷风，男，博士，研究方向：信息技术农业应用相关研究；E-mail：guoleifeng@caas.cn。