3. 农业视觉数据集构建与标注

轻量化模型在边缘端能不能真正落地，很大程度上不取决于网络结构有多精巧，而取决于数据集是否“像田里长出来的”。农业图像与通用数据集（如 ImageNet、COCO）的差异非常明显：光照跨越正午强光与阴天散射，背景是高度自相似的作物冠层，目标存在严重遮挡、尺度剧烈变化，且病虫害类别天然呈现长尾分布。本节围绕采集、类别体系、标注与质控、小样本长尾、增强适配五个环节展开，目标是产出一份可直接用于训练与验证的农业视觉数据集。

一、田间图像采集规范

采集阶段决定了数据分布的上限，后期标注和增强都无法弥补系统性偏差。建议按“场景—光照—尺度—时间”四个维度做分层采样，而不是走到哪拍到哪。以一个番茄病害识别任务为例，可设定如下采集矩阵：场景覆盖大棚、露地、育苗棚三类；光照覆盖晴天顺光、晴天逆光、阴天、傍晚弱光四档；拍摄距离覆盖 0.3 m（叶片特写）、1.0 m（单株）、2.5 m（行间冠层）三档；时间上避开正午 11:00–14:00 的过曝时段，或在该时段单独成组以便模型学会抗过曝。

硬件与参数方面，边缘部署模型通常输入 320×320 或 416×416，因此采集分辨率不必盲目追高，但需保证目标在原始图中占据足够像素。经验做法是：单叶病斑在原始图中短边不少于 60 像素，这样缩放到 320 输入时仍保留约 20 像素，处于可辨识下限。手机或工业相机均可，关键是固定白平衡与曝光策略，同一批次内不要频繁切换自动模式，否则会引入难以建模的色彩漂移。每类场景建议采集不少于 300 张原始图，并保留 10%–15% 作为完全独立的测试集，测试集应来自不同地块或不同日期，以检验跨域泛化。

二、类别体系设计

类别体系要同时服务“模型能学”和“业务能用”。常见错误是把类别切得过细（如把叶斑病按病斑形态分成十余个子类），导致每类样本不足、类间差异小于标注一致性；另一种错误是过粗（只分“健康/病害”），使模型无法支撑精准施药。推荐采用两级体系：一级为作物器官或任务大类（叶片、果实、茎秆），二级为具体状态（健康、早疫病、晚疫病、虫害孔洞等）。二级类别应满足“肉眼在 1 米内可稳定区分”这一可操作判据。

类别定义需写成文字规范，明确包含项与排除项。例如“虫害孔洞”定义为叶片上由咀嚼式口器造成的透光或不透光缺损，排除机械损伤与药害斑点；边界模糊的样本归入“其他/不确定”类，训练时可作为忽略区域处理。类别 ID 建议从 0 开始连续编号，并单独保留 0 号为背景，避免与检测框架的默认约定冲突。

三、标注工具与质量控制

检测任务常用 LabelImg、CVAT、Label Studio；分割任务可用 CVAT 的掩膜工具或 Labelme。农业场景建议优先使用支持“多边形+旋转框”的工具，因为叶片和果实朝向随机，水平框会引入大量背景。标注流程上，先由一人制定 20–30 张“黄金样本”作为基准，全体标注员对齐后再批量开工；每批抽取 10% 做双人交叉复核，计算一致率。

质量控制的核心指标是交并比（IoU）一致性与类别一致率。可设定：同一目标两次标注的框 IoU ≥ 0.75 视为一致；类别一致率低于 90% 时，回到类别规范重新培训而非直接返工。对分割掩膜，可用边界像素容差 3 像素作为宽松判据。下表给出一份可直接套用的抽检记录字段示例（数值为示例假设）：

四、小样本与长尾分布

农业数据的长尾极其典型：健康叶片成千上万，某些病害只有几十张。直接训练会让模型偏向头部类。工程上可组合三种手段：其一，重采样，对尾部类做过采样并配合强增强，头部类适度欠采样；其二，损失重加权，采用类别频率的倒数开方作为权重（比直接取倒数更稳定）；其三，把稀有类先合并到上位类训练，待特征稳定后再做细分类微调。划分数据时务必分层抽样，保证每个类别在训练/验证/测试中都有代表，尾部类至少保留 5–10 张进入测试集，否则评估结果没有统计意义。

五、面向农业场景的数据增强适配

增强不是越多越好，必须尊重农业图像的物理约束。水平翻转、随机缩放、亮度与对比度扰动是安全的基础项；色彩抖动幅度要克制，因为病斑颜色（黄化、褐变）本身就是判别依据，HSV 色相偏移建议控制在 ±10° 以内。随机裁剪要保证目标不被裁掉主体。以下是一段可直接参考的增强配置示例（基于常见检测框架的写法，参数为示例假设）：

train_aug:
  hflip: 0.5
  vflip: 0.0          # 叶片朝向有语义，慎用垂直翻转
  scale: [0.7, 1.3]
  hsv_h: 0.02         # 约 ±7°，保护病斑色相
  hsv_s: 0.3
  hsv_v: 0.4
  mosaic: 0.5         # 提升小目标与密集场景鲁棒性
  blur: 0.1           # 模拟田间轻微失焦
  motion_blur: 0.05   # 模拟手持抖动
  shadow: 0.2         # 模拟冠层阴影

需要特别提醒的是，不要使用会破坏类别语义的增强：例如对病斑区域做大角度旋转后叠加到健康叶片上，可能生成自然界不存在的病征形态，反而教坏模型；MixUp 在细粒度病害上也要谨慎，两张不同病害图混合后标签本身就不成立。增强策略应先在验证集上做小规模消融，观察 mAP 与尾部类召回的变化，再决定是否保留。

把上述环节串成闭环后，判断数据集是否“可用”的标准并不复杂：在独立测试集上，头部类与尾部类的召回差距是否在可接受范围（例如尾部类召回不低于头部类的 70%），以及跨地块测试时 mAP 下降是否小于 10 个百分点。若差距过大，优先回到采集分层与类别定义上找原因，而不是一味加大增强强度。数据集是边缘部署的第一道工程关口，它的质量直接决定了后续量化、剪枝和推理优化能走多远。