The landscape of computer vision datasets in smart agriculture: trends, taxonomies, challenges, and future directions

方法

PRISMA系统综述，检索Scientific Data与Data in Bri

发现

数据集存在采样偏差、作物与区域覆盖不足、标注不一致及互操作性差等问题。

机会点

可构建标准化农业视觉基准与可扩展标注框架，提升模型泛化与可复现性。

摘要 现代农业日益受到以数据为中心和人工智能（AI）赋能方法的驱动，以提高生产力、资源效率和决策精准度。在此背景下，计算机视觉数据集已成为实现自动化农业分析的关键资源。本研究采用PRISMA引导的系统综述方法，对农业计算机视觉数据集进行了大规模、以数据为中心的综述。通过对同行评审数据期刊《Scientific Data》和《Data in Brief》进行系统检索（检索截止日期为2026年1月31日），共识别出2308条记录，经去重和基于预设纳入与排除标准的资格筛选后，保留253篇合格的数据集出版物。我们从多个维度系统分析了数据集格局，包括视觉任务、标注策略、采集环境、传感模态和地理分布。此外，我们提出了一种统一的多维分类体系，基于任务导向、语义内容和设计特征对数据集进行组织，从而实现结构化比较和有针对性的数据集选择。我们的分析识别出若干关键局限，包括采样偏差、作物和区域代表性不足、标注实践不一致以及互操作性有限，这些问题共同阻碍了可重复性和模型泛化。此外，数据集可获取性方面的挑战以及标准化基准框架的缺失限制了有效的知识迁移。最后，我们概述了未来研究的关键方向，强调标准化数据集设计、可扩展标注框架和稳健评估协议，以支持开发可靠且具有泛化能力的农业AI系统。