1. 课程导入与农业图像数据全景

欢迎进入《农业图像数据采集与标注实务》。在正式动手架设相机、编写标注规则之前，我们需要先建立一张"全景地图"：这门课要解决什么问题，农业图像数据在真实生产中扮演什么角色，以及从田间拍摄到可训练数据集之间，究竟要经过哪些环节。只有把整体工作流看清楚，后续每一节的采集参数、标注规范、质量控制才有落脚点。

一、为什么农业需要"图像数据"

农业生产的对象是活体，状态随时间、光照、水肥、病虫害不断变化。传统人工巡田依赖经验，采样点少、主观性强、难以复现。图像数据把田间的视觉信息固化为可存储、可回传、可计算的像素矩阵，使"看得见"变成"算得出"。在作物监测中，多时相图像可以提取冠层覆盖度、叶色指数，判断长势与胁迫；在病虫害诊断中，叶片病斑的形态、颜色、分布是重要判据，图像让远程专家与算法同时介入；在产量预估中，花、果、穗的计数与尺寸测量直接支撑估产模型。三类场景对图像的要求并不相同：长势监测看重时间一致性与辐射一致性，病虫害诊断看重病斑细节与清晰度，产量预估看重目标完整性与尺度标定。理解这种差异，是采集方案设计的第一步。

二、从田间到数据集：整体工作流框架

农业图像数据工程可以概括为一条"采集—整理—标注—质检—交付"的链路，但每个环节都有农业特有的约束。采集环节要确定平台（手持、无人机、固定塔架、车载）、传感器（可见光、多光谱、热红外）、成像条件（时段、天气、高度、重叠率）与元数据记录方式；整理环节要做去重、模糊剔除、按地块与生育期归档；标注环节要依据任务类型选择分类、检测、分割或关键点标注，并制定可执行的标注规范；质检环节要抽样复核一致性，计算标注一致性指标；交付环节要形成图像、标签、元数据三者对应的数据集版本。

这张图刻意把"应用场景"放在最上方，是因为场景决定任务类型，任务类型决定标注形式，标注形式又反过来约束采集条件。很多初学者先买设备再想用途，结果拍回来的图像分辨率不够看虫眼，或者没有记录生育期导致标签无法解释，返工成本极高。正确的顺序是自上而下：先明确要支撑哪类应用，再倒推采集与标注方案。

三、课程目标与学习路径

本课程的目标不是培养"会按快门的人"，而是培养能独立设计并交付一份可用农业图像数据集的人。具体包括四项能力：其一，能根据任务需求选择平台、传感器与成像参数；其二，能制定可执行的标注规范并组织标注作业；其三，能建立质量控制与验收方法；其四，能理解数据集的局限并正确描述其适用范围。

学习路径按"认知—采集—标注—质检—综合"推进。前期建立场景与工作流认知；中期进入采集实操，重点掌握曝光、白平衡、重叠率、地面分辨率等参数的实际影响；随后进入标注环节，从分类到检测再到分割逐步加深；最后以质检与一个完整的小型数据集项目收束。每一节都会给出可操作的参数示例与判断依据，示例数据均标注为教学假设，便于你在自己的田块上复现与调整。

四、一个贯穿全课的教学示例

为使抽象流程可落地，全课以一个假设场景贯穿：某水稻种植区需构建用于"稻叶病害识别"的图像数据集。假设采用消费级无人机在距冠层 3 米高度、阴天上午 9 至 10 点拍摄，可见光相机 2000 万像素，航向重叠率 75%、旁向重叠率 65%，每小区拍摄 40 张并记录品种、生育期、施药情况。按此假设，单张图像地面覆盖约 4 米×3 米，地面分辨率约 1.5 毫米/像素，足以分辨典型病斑。标注任务定为叶片级检测框加病害类别，规范中明确"病斑面积小于 2 毫米×2 毫米不标"等边界条件。这些数字是教学假设，实际作业需依据相机参数与田块条件重新计算。

五、常见误区提醒

• 只重数量不重一致性：不同天气、不同高度混拍，模型学到的是光照差异而非病害特征。
• 标注规范滞后：先标后定规则，导致同类病斑在不同标注员手中标准不一，返工量巨大。
• 元数据缺失：没有地块、生育期、采集时间，标签无法解释，数据集难以复用。
• 忽视负样本：只拍病叶不拍健康叶与背景，模型在田间容易误检。

把这张全景图记在心里，接下来每一节的具体操作都会落在图中的某个格子里。当你知道自己正在做的是"采集层的成像条件控制"还是"标注层的边界条件定义"，学习就会从记步骤变成建体系。