全球稻作多类分割数据集（RiceSEG）：用于稻作分割算法开发与基准测试的综合且多样的高分辨率RGB标注图像

开发基于计算机视觉的稻作表型技术对于实现精准田间管理和加速育种至关重要，从而不断推动稻作生产。 在表型任务中，区分图像组件是对植物在器官尺度上进行生长发育特征化的关键前提，这使我们能够更深入地了解生态生理过程。然而，由于稻作器官的细小结构以及枝叶内复杂的照明条件，这一任务仍然高度具有挑战性，这凸显了需要高质量训练数据集的需求。由于缺乏大规模、具代表性的稻作田野图像集合以及标注工作量大，这类数据集稀缺。为此，我们建立了首个综合性多类稻作语义分割数据集，即RiceSEG。我们从中国、日本、印度、菲律宾和坦桑尼亚五大稻作生产国Gather nearly 50,000幅高分辨率、地面拍摄的图像，涵盖超过6,000个品种的全部生长阶段。从这些原始图像中，选取了3,078个具有代表性的样本，并标注为六个类别（背景、绿色植被、枯黄植被、穗、杂草和水生杂草），组成RiceSEG数据集。值得注意的是，来自中国的子数据集涵盖从东北到南方的所有主要品种和稻作生长环境。我们使用最新的卷积神经网络和基于Transformer的语义分割模型作为基准。虽然这些模型在分割背景和绿色植被方面表现相当不错，但在花期阶段面临挑战，因为此时枝叶结构更为复杂，涉及多个类别。这些发现凸显了该数据集对于开发针对稻作及其他作物的专门化分割模型的重要性。