2. 农业识别数据工程实战

在农业视觉识别项目中，模型效果的上限往往在数据阶段就已经被决定。作物、病害、虫害三类目标在形态、尺度、光照和背景上差异极大：作物叶片可能大面积重叠，病斑可能只占叶片面积的百分之几，害虫则可能只有十几像素。如果采集与标注环节缺乏统一规范，后续无论怎样调参都难以弥补。本节围绕一条可落地的数据工程链路展开：采集规范、标注工具与格式、增强策略、数据集划分、质量检查。

一、采集规范：先定义“拍什么、怎么拍”

采集前应先明确目标类别体系。以番茄为例，可划分为健康叶片、早疫病、晚疫病、叶霉病，以及蚜虫、白粉虱等虫害类别。类别定义要给出可判别的视觉特征，例如“早疫病表现为同心轮纹状褐色病斑，边缘带黄晕”，避免“病叶”这类模糊标签导致标注员各自理解不同。

拍摄环节建议固定一组可控参数并记录在采集表中：设备型号、拍摄距离、光照条件（自然光/补光灯）、拍摄角度（俯拍、45°侧拍）、背景（田间原位/白色背景板）。同一类别应覆盖至少三种光照（顺光、逆光、阴天散射）与两个生育期，避免模型学到“背景即类别”的捷径特征。单类别原始图像建议不少于 300～500 张，虫害等小目标类别应适当增加，并保证每张图中目标数量与分布多样。

文件命名应携带元信息，便于追溯与分层划分，例如：

tomato_early_blight_field_A_20240612_1030_001.jpg
作物_类别_地块_日期_时间_序号.jpg

二、标注工具与格式选择

农业图像标注以矩形框检测和实例分割为主。常用工具包括 LabelImg（Pascal VOC/COCO 输出）、Labelme（JSON 多边形）、CVAT（支持多人协作与视频抽帧）、Roboflow（在线管理与增强）。选择依据是任务类型与后续训练框架：仅做检测可用 YOLO 格式的 txt（每行 class cx cy w h，坐标为归一化值）；需要精细病斑轮廓时用 Labelme 多边形并转换为 COCO 的 segmentation 字段。

标注规范要写清边界规则：框应紧贴目标可见边缘，叶片被遮挡超过 50% 时不标，虫害按虫体整体外接框标注，病斑按病斑区域而非整片叶标注。多人标注时先做 20 张的试标校准，统一后再批量推进。

三、数据增强策略：模拟田间真实变化

增强的目的不是堆数量，而是覆盖采集阶段难以穷举的分布。推荐组合：随机水平/垂直翻转、±15° 旋转、亮度与对比度扰动（±20%）、HSV 色调轻微偏移、随机缩放裁剪（0.6～1.0）、运动模糊与高斯噪声（模拟手持抖动与低光）。对于小目标虫害，慎用大幅缩放裁剪，否则目标可能被裁掉；可采用马赛克增强提升小目标出现频率。增强仅在训练集上进行，验证集与测试集保持原始分布，否则评估结果会失真。

四、数据集划分：分层与防泄漏

常见比例为训练 70%、验证 15%、测试 15%。关键不是比例本身，而是划分方式。若同一地块、同一植株的连续拍摄帧被随机打散到训练集和测试集，模型会因“见过同一片叶子”而虚高。正确做法是按地块或拍摄批次分层抽样：先按类别与地块分组，再在组内随机分配，确保测试集来自训练时未见过的地块。划分完成后应输出统计表，核对每类在三个子集中的实例数比例是否接近。

五、质量检查：用数据说话

质量检查建议形成固定动作：一是类别分布统计，若某类实例数不足总数的 5%，需补采或采用过采样；二是标注框贴合度抽检，随机抽取 10% 图像人工复核，记录框偏移、漏标、错类数量；三是重复与近似重复检测，可用感知哈希剔除连拍冗余；四是划分泄漏检查，比对训练集与测试集的文件哈希与地块编号。检查结果应形成一份可填写的记录表，例如：

完成以上五步后，数据集才具备进入模型训练与 ONNX 导出的资格。数据工程的严谨程度，直接决定了后续部署阶段模型在真实田间的泛化表现。