【导读】
在智慧农业全面加速的时代背景下,单一维度的监测手段已无法满足精细化管理的需求。农户不再只关注"有没有虫害",而是更关注"虫在哪、田块处于什么状态、该怎么处理"。因此,一个强大的农业视觉系统,必须同时具备虫害检测与稻田场景识别的能力。
本文将介绍两个面向农业AI实战的高质量数据集:
- 一个聚焦水稻虫害分割检测,帮助系统精准识别田间微小虫体;
- 一个面向稻田实例分割,实现农田状态全景理解。
两个数据集均采集自真实田间环境,标注精细,格式通用,已全面集成至 Coovally AI 平台,支持一键训练与部署,助力农业AI项目快速落地。
水稻虫害检测数据集
在我国农业种植体系中,虫害防控始终是粮食安全的核心任务。尤其是在大田种植管理中,高密度、低成本的虫害监测方案成为业界刚需。

- 图像数量
共计 1997 张高分辨率实拍图像,覆盖水稻多个生长周期。
- 标签类别
覆盖 4 类常见虫害目标:
- 稻飞虱(Brown Planthopper)
- 稻纵卷叶螟(Rice Leaf Folder)
- 稻螟蛉(Rice Stem Borer)
- 其他虫害(Others)
- 场景特点
图像拍摄于真实农田,虫体普遍较小,背景复杂,具备极高检测挑战性。图像涵盖多天气、多光照、多虫龄状态,具备极强泛化性。
- 标注格式
YOLO / COCO 双格式,支持 YOLOv8、RT-DETR、Faster R-CNN 等模型直接调用。
- 应用方向
- 病虫害监测预警
- 智能农药喷洒系统
- 无人机植保任务

稻田场景分割数据集
除了虫害检测,农田场景的识别与分类也同样重要。通过识别田块的种植状态,可实现精准施肥、自动播种、农机路径规划等多项智能任务。

- 图像数量
共计 937 张航拍图像,来源于多个农业基地和种植时段。
- 标签类别
4类田块类型像素级标注:
- Rice-field:已种植水稻的田块
- Empty-field:空闲或已翻耕的田块
- Flooded-field:已灌水、准备插秧的田块
- Harvesting-field:已完成收割的田块
- 场景特点
图像拍摄于农田不同发展阶段,包含顺光/逆光、不同种植模式、不同地块结构等,具备强鲁棒性。
- 标注格式
采用 COCO Segmentation 标注,可用于训练 DeepLabv3、SegFormer、Mask2Former 等语义分割模型。
- 应用方向
- 农田地块识别与分类
- 播种/收割路径规划
- 无人农机导航系统
- 农业遥感图像解译任务

结语:双任务协同,让农业AI真正落地
虫害检测解决的是"哪里出了问题";田块分割解答的是"作物现在什么状态"。这两个任务结合,才能构建一个真正具备感知、分析、决策能力的智慧农业系统。
如果你正在开发农业视觉算法、农业无人机任务系统或农业数据平台,上述两个数据集将是你最值得参考和使用的资源。