2. 农作物病虫害图像数据采集
在YOLO农作物病虫害识别项目中，模型精度的上限往往在数据采集阶段就已经被决定。一个在实验室干净背景下训练出的检测器，放到真实田间面对逆光、叶片遮挡、露水反光和复杂背景时，mAP可能下降十几个百分点。本节围绕三个相互关联的问题展开：田间拍摄要遵守哪些规范才能保证图像可用；面对不同作物、不同病害、不同环境，样本应该如何分层采集；以及在采集和流转过程中，哪些数据伦理与隐私问题必须提前处理。
一、田间拍摄规范：让每一张图都具备可训练性
拍摄规范的核心不是“拍得好看”，而是“拍得一致且信息完整”。建议在项目启动前固定一套采集参数，并在整个采集周期内保持不变，否则不同批次图像之间的分布差异会变成模型学习的噪声。
首先是光照与时间窗口。晴天强烈直射光容易在叶片表面形成高光饱和区，病斑细节被“洗白”；而正午顶光会在叶片下方产生硬阴影。实践中建议选择上午9点前或下午4点后的侧光时段，阴天散射光其实是最理想的采集条件。若必须在强光下作业，可用白色反光板或柔光布做简单遮挡，避免使用闪光灯直打，因为闪光灯会造成中心过曝和背景骤暗，与真实推理场景不符。
其次是拍摄距离与角度。以水稻稻瘟病为例，建议采用“三距离”拍摄法：约30厘米拍摄单叶特写，用于病斑形态识别；约80厘米拍摄单株，用于病斑在植株上的分布；约1.5米拍摄田块局部，用于群体发病态势。角度上保持镜头与叶面大致垂直或呈45度俯角，避免极端斜拍导致病斑被压缩变形。同一病株应至少从正面、侧面各拍一张，减少单一视角偏差。
第三是设备参数的一致性。手机拍摄时应关闭自动美颜、HDR和AI场景增强，锁定对焦与曝光；使用相机时固定光圈与白平衡，建议光圈f/5.6～f/8保证景深，ISO尽量不超过800以控制噪点。分辨率不低于1920×1080，若后续需要检测微小病斑，建议4000×3000以上。每张图像应保留原始文件，不要在现场做裁剪或压缩。
第四是元数据记录。文件名建议采用“作物_病害_地点编号_日期_序号”的规则，例如“水稻_稻瘟病_A03_20240612_0017.jpg”。同时用表格记录拍摄时间、天气、光照条件、生育期、拍摄距离、设备型号和采集人，这些信息在后续划分数据集和排查标注争议时非常关键。
二、多场景样本采集策略：覆盖真实世界的分布
YOLO模型学到的是数据分布，因此采集策略的本质是“让训练集分布逼近部署场景分布”。建议从四个维度做分层采样。
病害维度：每种目标病害需覆盖健康、初期、中期、后期四个阶段，且病斑数量、面积、颜色深浅要有梯度。仅采集典型重症样本会导致模型对早期病斑不敏感，而早期恰恰是防治的关键窗口。
环境维度：同一病害应在晴天、阴天、雨后、露水未干等条件下分别采集；背景需包含裸土、杂草、地膜、田埂、相邻作物等真实干扰物。建议每个病害类别至少覆盖3种以上背景类型。
视角与遮挡维度：包含俯拍、平视、逆光、部分遮挡（叶片交叠、茎秆遮挡）、运动模糊等困难样本。困难样本占比建议控制在总样本的15%～25%，过低则模型鲁棒性不足，过高则早期训练难以收敛。
地域与品种维度：若项目面向多地区推广，应纳入不同品种、不同种植密度、不同生育期的样本。例如同是小麦条锈病，不同品种的叶形和病斑表现存在差异，跨品种泛化能力需要在采集阶段就埋下伏笔。
一个可参考的采集配额示例：假设目标检测5类病害，每类计划采集800张，则按“健康200、初期200、中期250、后期150”分配，其中困难样本约160张，背景干扰样本不少于80张。该配额为示例性规划，实际应根据田间发病情况动态调整，发病轻的年份可适当增加健康与初期样本比例。
三、数据伦理与隐私：采集阶段就要处理的风险
农业图像看似“只是叶子和土地”，但实际拍摄中很容易带入可识别信息。田块全景可能拍到农户住宅、门牌号、车辆牌照；访谈式采集可能录到人脸和声音；合作社提供的产量与地块信息属于经营敏感数据。这些内容一旦进入训练集并被共享或开源，可能给农户带来骚扰、压价或保险歧视等风险。
建议在采集前完成三件事。第一，准备一份简短的知情说明，向农户说明图像用途、保存期限和共享范围，取得口头同意并记录在采集表中；若数据将公开发布，应取得书面授权。第二，制定脱敏规则：对人脸、车牌、门牌等区域在入库前做模糊或裁剪处理，田块坐标信息在对外发布时做偏移或聚合。第三，明确数据访问权限，原始图像仅项目组内可读，标注外包人员只接触脱敏后的副本，并签署保密协议。
此外，还要注意样本的代表性与公平性。如果只采集大户、平整地块的样本，模型对小农户、山地梯田的表现会明显下降，这本质上是一种“数据偏见”。在采集计划中应有意识地纳入不同经营规模、不同地形条件的田块，并在数据说明文档中记录覆盖范围与已知缺口，便于后续评估模型适用边界。
把拍摄规范、分层采样和伦理约束放在同一个采集方案里执行，得到的才是一份“可训练、可泛化、可合规使用”的数据集。规范保证单张图像的质量下限，分层策略决定模型面对真实田间的适应能力，而伦理与隐私处理则决定这份数据能否被长期、合法地使用和共享。