2026-10-12T11:35:51Z https://www.scidb.cn/oai

10.57760/sciencedb.agriculture.00224 2025-09-15T18:24:51Z

2025-09-15 Deep Learning Training Dataset for Binocular Stereo Images of Dynamic Targets in Cattle Farms doi:10.57760/sciencedb.agriculture.00224 en 该数据集以“养牛场的动态双目立体图像”为中心，旨在支持基于深度学习的对象检测、行为识别和场景理解任务。数据收集过程是使用 Stereolabs 的 ZED2i 双目立体视觉相机完成的。该数据于 2024 年 7 月在北京市昌平区北京农机试验站的奶牛场采集。在现场的实际运营中，饲养了 450 头荷斯坦奶牛，具有很强的代表性。为逼真还原养牛场场景，提高模型的泛化能力，采集人员驱使牛群在养殖区自由移动，并以每秒 30 帧的频率录制高分辨率双目视频，模拟智能巡检设备的工作模式。采集高度控制在 0.8-1 米，确保视频图像准确覆盖奶牛和行人的典型活动状态。原始视频通过 Zed SDK 解码为静态图像序列，并与时间戳同步，提取成对的左视图和右视图图像，并以 JPEG 格式保存。随后，进行质量控制和图像筛选，包括模糊检测、亮度异常去除和对比度增强，以确保每组图像具有良好的视觉清晰度和结构完整性。为了进一步扩展样本多样性，数据集使用 Albusions 增强库进行了五轮图像增强，涵盖水平翻转、亮度和对比度扰动、小角度旋转和高斯模糊等策略。所有增强图像都严格保持时间戳和命名结构的一致性，以保持双目图像配对的空间和语义一致性。最终数据集由 1102 对原始图像组成，这些图像经过增强以形成 5500 多对双目图像样本。该图像覆盖了早晨、中午、傍晚等不同时间段，涵盖了晴天、阴天等不同气象条件，记录了犊牛、种牛、成年奶牛、干奶牛等饲喂阶段的自然行为。目标的数量也具有多样性，包括单类、单目标和多类和目标的混合场景。图像往往伴随着遮挡、逆光、阴影等复杂的环境因素，真实地反映了水产养殖场景中的视觉感知挑战。该数据集结构清晰，分为训练集、验证集和测试集。每个子集都包含两个子文件夹 left 和 right，分别存储成对的图像。在图像命名中保留时间戳和视点标识，以便于时间同步和空间校准。数据无标签，可根据研究需求灵活标注，适配主流标注工具和深度学习框架，以及无监督任务和伪标签生成。该数据集不仅具有良好的数据质量和多样性，而且为未来智能牧场图像感知系统的发展提供了坚实的基础。 Dynamic targets in cattle farms; Binocular stereo vision; Typical scenes; Intelligent farming; Deep learning Sun Wei Kong Fantao PUBLIC https://creativecommons.org/licenses/by/4.0/ dataset http://www.doi.org/10.11922/11-6035.nasdc.2025.0053.zh Science Data Bank