第一次农业革命发生在大约12，000年前，当时人类定居并开始种植农作物。从那以后，我们极大地改善了农业的艺术和科学，扩大了规模和产量，并在此过程中塑造了人类文明。一场新的、人工智能驱动的农业革命现在开始了吗？
人工智能系统已经在帮助农民进行土壤分析、种植、畜牧业、节水等。现在，来自伊利诺伊大学厄巴纳-香槟分校（UIUC）、Intelinair和俄勒冈大学的一组研究人员推出了Agriculture-Vision，这是一个用于农业模式分析的大型航空图像数据集。
精准实时的农田视觉模式识别具有巨大的经济价值。例如，用于检测田间条件的航拍图像语义分割可以帮助农民避免损失并在整个生长季节提高产量。然而，农业视觉模式识别的进展缓慢，特别是缺乏相关数据集。
开发用于农业模式分析的航空图像数据集的挑战之一是图像大小。用于检测航空农田图像的田间条件的语义分割需要“对具有极端注释稀疏性的超大尺寸图像进行推理”，研究人员在论文中解释说 农业视觉：用于农业模式分析的大型航空图像数据库.
研究人员从美国3432个农田收集了94986张航空图像。每张图像由RGB和近红外（NIR）通道组成，分辨率高达每像素10厘米。研究人员确定了九种最重要的场异常模式进行注释。由农学专家培训的五名注释员进行了标记，并由专家进行了审查以确保准确性。
研究小组在2107-19生长季节使用飞行器上的专用相机捕获了农田图像。未处理的农田图像具有非常大的图像尺寸（高达 33571 x 24351 像素），由于计算和内存要求高，使得端到端分割变得困难，因此研究人员以 512 x 512 像素的窗口大小裁剪了注释。
研究人员使用了一系列流行的对象语义分割模型来探索Agriculture-Vision数据集的可能应用。他们选择了DeepLab V3和DeepLab V3+进行比较评估，并引入了专门的基于FPN的模型。在实验中，基于FPN的模型优于通用对象语义分割模型。
尽管超大的航空农田图像带来了独特的挑战，但农业视觉数据集为研究界提供了一个利用丰富的数据资源探索该领域的机会。研究小组计划使用更多图像和附加模式（如热图像、土壤图和地形图）扩展数据集。
研究中引用的其他农业图像数据集，读者可能会感兴趣：
1、智飞农业数据集
2、用于评估基于计算机视觉的精准农业任务的作物/杂草田间图像数据集
3、DeepWeeds：用于深度学习的多类杂草物种图像数据集
论文《农业-视觉：用于农业模式分析的大型航空图像数据库》发表在arXiv上。
