數據驅動的農業深度學習方法計量分析

摘要：隨著人工智能、計算機視覺、深度學習等科學技術在農業領域的發展與應用，數據驅動的農業深度學習模型成為農業科學的新型研究范式，農業數據集是深度學習模型訓練的基礎，高質量、大規模、多樣性的數據集能夠有效提升模型性能，從而助力深度學習在智慧農業領域的應用。為幫助相關領域研究者更好地了解數據對于深度學習的驅動力，充分發揮深度學習在農業領域的應用，本文通過計量分析的方法，總結農業數據集的類型、規模、來源等基本特質，根據深度學習方法將其劃分為目標檢測、圖像分割、圖像識別等4個類別，根據應用領域將其劃分為視覺導航、特征識別、無損檢測等7個類別。結果顯示，數據集類型以圖像數據為主，圖像的數據量主要集中在50—1 500張范圍內，由于農業數據采集的特殊性，數據集大部分由個人構建，部分來自公開數據集，主要利用數據集開展特征識別。在未來，隨著模型的規模越來越大，對于數據集的要求也不斷升級，因此需要持續構建大規模、分布均衡、標注準確的數據集。本文通過強調數據對深度學習模型的驅動力及重要性，為數據推動深度學習農業應用提供理論依據。

關鍵詞：數字農業；深度學習；數據集；計量分析

1 "引言

1949年，機器學習誕生于赫布理論。隨著21世紀大數據時代的到來，人們對于數據的收集和掌控能力逐漸提升，以海量數據為支撐的深度學習應運而生。深度學習是一個前沿的數據分析和圖像處理工具，最早在2006年由Geoffrey Hinton和他的學生提出[1]，作為機器學習的一個分支，深度學習以人工神經網絡為架構，通過大規模矩陣運算開展高效處理圖像、目標檢測、圖像分類、精準預測等工作，其在圖像識別領域的應用對于計算機視覺來說是一次技術革新[2]，相較于傳統機器視覺方法，深度學習的優勢在于處理數據量大、處理速度快且圖像識別精度高[3]。

當今世界面臨勞動力短缺、自然資源匱乏、耕地水平退化、極端天氣等多重壓力，農業生產效率落后于世界人口的增長速度，保護糧食安全迫在眉睫。機器人、無人機、傳感器等現代科技裝備激勵著農業數據學家和農藝家們開發新的工具和程序，人工智能由此被廣泛地應用在智慧農業領域[4]。深度學習基于圖像分類能夠提高農作物的產量與質量，在農業領域主要應用于作物產量預測、植物脅迫檢測、雜草和害蟲檢測、災害監測以及智慧農場[5]。深度學習通過多層神經網絡結構，提取出農業數據的特征，為農業生產者提供精準的決策方案，改變勞動密集型的農業生產方式，提高農業生產效率，拉動農業經濟增長，解決糧食安全問題，成為發展可持續高效農業的重要工具[6]。

深度學習模型準確率高、邏輯能力強、可適用性強等特點，都是建立在龐大的數據集基礎上才可以實現[7]，例如Imagenet數據庫包含了一千多萬張圖像，對深度學習模型的訓練有強大的推動能力。數據集是深度學習模型訓練的基礎，數據集的數據量、數據復雜性、數據質量對于深度學習模型的訓練和性能至關重要，一定參數量是訓練機器人開展視覺分析的前提，大量可訓練數據能充分發揮深度學習模型的特征提取和圖像分析能力[8]，數據的復雜性能夠為深度學習模型提供更多的可能性，高質量、標注完整的數據集能夠提高模型的性能[9]。因此，對于深度學習模型訓練來說，規模大、質量高、標注完整的數據集能夠保障模型的質量、提高其泛化能力及魯棒性[10]。在現代農業領域中，農業數據的獲取方式不斷更新進步，通過手機、相機、Go Por、傳感器、無人機、網絡爬蟲、巡檢機器人等方式采集數據，為深度學習模型訓練提供了大量的參數量，進一步促進了深度學習在農業圖像識別領域的發展。

在利用深度學習算法識別農作物、蟲害、畜禽、農田及地物的過程中，都是以數據作為支撐進行相關研究。因此，本文抽取了近三年深度學習應用在農業領域的257篇論文進行調查分析，從數據集類型、數據量、數據集來源、深度學習方法、數據集應用領域5個方面對文獻進行計量分析，總結農業數據集的特征，強調數據在深度學習中的重要性，幫助相關研究者更好地理解數據對于深度學習模型的驅動力，充分發揮深度學習在農業領域的應用效果。

2 "數據集分析

數據集是深度學習模型訓練的基礎，數據集的規模、質量、標準、完整度對于模型的性能、魯棒性、精準性來說都至關重要。本文檢索了2020—2023年發布的深度學習應用于農業領域的論文，并計量分析了文獻中的數據集情況，下面從數據集類型、數據量、數據集來源三個方面對數據集進行綜合分析。

2.1 "數據集類型

深度學習被應用到各行各業，從整體來說，數據集類型包括圖像數據、遙感數據、視頻數據、音頻數據、數值數據等。根據257篇論文的統計分析，大部分農業數據集類型為圖像數據、遙感數據、其他數據等，尤其以圖像數據為主要類型，如圖1所示，圖像數據占比78.23%，遙感數據占比15.73%，其他數據占比6.05%。究其原因，目前深度學習方法主要針對圖像、遙感及視頻數據，而對于數值數據、序列數據等的應用較少。通過分析數據集類型，篩選出248個類型明確的數據集。

如表1所示，圖像數據占比78.23%，論文數量為194篇，其主要分布為畜禽、作物、水果、病蟲害、昆蟲、花朵、雜草、農田火源、農田障礙物。其中以作物圖像為主，有80篇，其次是病蟲害圖像，有53篇，再次是畜禽和水果圖像，分別有20和25篇，最后，以昆蟲、花朵、雜草、農田火源、農田障礙物圖像為數據集的論文較少。遙感數據占比15.73%，論文數量為39篇，其中，耕地和作物的遙感圖像較多，分別有16和19篇，以河流和設施農業遙感圖像為數據集的論文較少。其他數據占比6.05%，論文數量為15篇，其中，以氣象數據為數據集的論文最多，有7篇，以農產品數據、視頻、音頻、光譜圖像、蛋白質質譜數據為數據集的文章較少。

2.2 "數據量

深度學習在各個領域的成功應用，離不開大規模的數據集，模型的訓練需要大量的數據，深度學習模型在數據量基礎上才能有效提取數據中的特征，數據量過少，模型難以獲取數據特征，導致模型訓練時誤差率不能較好收斂，質量較差。數據集的規模不僅能決定模型的精度與準確率，并且一定規模的數據量可較好避免模型的過擬合發生，達到較強的模型泛化能力和魯棒性。

如圖2所示，在統計分析的文獻中，圖像數據的數據量集中在500—1500張范圍內，共57篇，數據量在1 500—3 000張范圍內的論文有40篇，其次是數據量在0—200張、200—500張、3 000—5 000張的文章，分別有19篇、24篇、23篇，數據量在5 000—10 000張、10 000—15 000張、20 000張以上的文章較少，分別有8篇、10篇、11篇，數據量在15 000—20 000張范圍內的文章最少，僅有2篇。相對于人臉、車輛、交通等非農業數據集，農業數據集的規模偏小，數據數量較少。例如SMFRD人臉數據庫包括50萬張人臉圖像[11]，這是因為農業數據的人工耗費大、采集難度大、場景較復雜、作物生長具有季節性，所以整體來說農業的數據量較少。

遙感圖像以景為單位，空間較大，每景可達8GB以上，遠遠大于普通圖像大小，遙感圖像主要分布在1—25景范圍內，如馬永健等基于GF-1遙感影像對荒漠區耕地進行分類提取[12]、宋曉倩等利用6景遙感圖像對葡萄種植信息進行提取[13]、袁盼麗等利用22景多時相遙感影像監測寒旱區土地利用及變化情況[14]。

2.3 "數據集來源

從深度學習模型應用場景來看，農業模型的應用場景主要為大田、設施、室內、山坡、高原等，場景類型各異、環境復雜、作物生育期較長，數據采集難度相對較大；從農業采集對象來看，包括作物、水果、畜禽、蟲害等；從農業數據獲取方式來看，主要包括遙感衛星、無人機、智能手機、相機、攝像頭、傳感器、專用儀器設備等，獲取方式多樣，數據類型各異。根據以上三點，構建數據集不僅需要耗費大量人力物力，且周期長、后期處理難度大。因此，數據集既由個人構建，又來源于公開數據集，或者兩者相結合形成新的數據集。

將數據集來源劃分為個人構建、公開數據集、網絡、衛星遙感數據以及其他數據，如圖3所示，數據集主要由個人構建，占比66.67%，來源于公開數據集的占比11.7%，來源于網絡的占比7.8%。這是由于通用性強、數據量大、數據類型齊全的公開數據集較少，研究者們通常根據課題需求自建數據集。

如表2所示，個人構建的數據集最多，占比66.67%，使用頻率188次，采集方式為手機、相機、攝像頭、無人機等。其中，大部分使用手機和相機采集數據，使用頻率分別為60和65次，少部分使用攝像頭、無人機、光譜成像設備、圖像采集系統采集數據，使用頻率分別為11、17、11、16次，誘蟲燈、孢子囊捕捉設備、錄音設備及傳感器的使用頻率最低。

其次是公開數據集，占比11.7%，使用頻率33次，具體包括GWHD、PlantVilllage、Imagenet等多個公開數據集，這些數據集具有較高的準確性、完整性及可靠性。大部分論文的數據來源于 PlantVillage，使用頻率12次，少部分來源于Ai Challenger2，使用頻率4次。

再次是衛星遙感數據，占比10.99%，使用頻率

31次，具體包括中國資源衛星應用中心、GEE平臺、WHU-RS19等。其中，中國資源衛星應用中心的使用頻率最高，達20次，其次是LandSat-8衛星遙感圖像和Google Earth。

來源于網絡的較少，占比7.8%，使用頻率22次。其中，主要通過網絡爬蟲獲取數據，使用頻率11次，其次是通過搜索引擎獲取數據，數據集來源于氣象數據網和農業網站的論文較少。

來源于其他數據的最少，使用頻率8次，具體包括國家統計局、高校、研究所、國家級和省級農業數據、氣象站、DIA 質譜數據集，這類數據具有明確的用途和目的，多用于資源管理、氣象預測以及課題研究，具有一定的權威性和研究目的性[15]。

3 "模型方法

深度學習作為一種重要的人工智能模型方法，具備多層神經網絡結構，通過模擬人腦神經元的工作機制，對海量數據進行特征提取，具有強大的學習和表達能力，廣泛應用于計算機視覺、自然語言處理等領域。在農業領域與傳統農業結合創新出智能模型方法，常被應用于農業領域的目標檢測、圖像分割、圖像識別、評估等場景，成為農業育種、生產、管理的科學工具[16]。其中，目標檢測是基于計算機視覺、深度學習、圖像處理等多種學科交叉的一種方法，常用于作物品種、病蟲害、動植物表型等的識別與檢測[17]；圖像分割是計算機視覺領域的重要部分，通過從輸入層中提取出有意義并連貫的區域，以完成作物植株、莖稈、葉片、種子等分割任務[18]。

如圖4所示，在統計分析的深度學習方法中，目標檢測占比34.83%，圖像識別占比32.96%，圖像分割占比28.84%，預測占比3.37%，目標檢測、圖像分割、圖像識別三者所占的比例相當，可見在深度學習在農業領域中的應用主要集中于這三個方面。

如表3所示，目標檢測占比最高達到34.83%，使用頻率93次，包括YOLO v5、SSD、Resnet50等目標檢測模型。其中，YOLO v5的使用頻率最高，達23次，其次是YOLO v3，使用頻率20次，再次是YOLO v4，使用頻率14次，EfficientDet、SSD、Center Net等16種目標檢測模型的使用頻率較低，共36次。

圖像識別占比略低于目標檢測為32.96%，使用頻率88次，包括卷積神經網絡CNN、DenseNet、VGG16等。其中，卷積神經網絡CNN的使用頻率最高，達40次，其次是殘差神經網絡ResNet，使用頻率14次，

再次是VGG16和DenseNet，使用頻率分別為9次和7次，BM-DCNN、FCN、TCN等14種圖像識別算法的使用頻率較少，共18次。

圖像分割占比28.84%，使用頻率77次，包括U-Net、DeepLabv3+等。其中，Faster R-CNN語義分割模型的使用頻率最高，達19次，其次是U-Net語義分割模型，使用頻率16次，再次是MobileNetV3、DeepLabv3+、Mask R-CNN，使用頻率分別為9次、7次、6次，UPerNet、MSSN、Easy DL等13種圖像分割模型的使用頻率較少，共16次。

LSTM預測模型占比3.37%，使用頻率9次。LSTM模型是一種特殊的循環神經網絡模型[19]，能夠充分利用已知信息來預測未來信息，相較于其他模型，LSTM預測時間序列的性能更強，其在農業中常被應用于耕地面積預測、農作物種植面積預測、設施農業占地預測等[20]。

4 "主要應用領域的統計分析

根據田鵬菲的論文[21]，本文將數據集的應用領域劃分為視覺導航、無損檢測、目標精準定位、田間管理、特征識別、信息采集、其他領域。如圖5所示，數據集主要應用于特征識別，占比47.67%，其次是無損檢測，占比21.71%，再次是信息采集和目標精準定位，分別占比13.95%和10.47%，應用于視覺導航、田間管理和其他領域的占比較少。

如表4所示，大部分應用于特征識別，占比47.67%，共123篇。其中，主要應用于作物病蟲害識別檢測，有57篇，其次是作物整株、芽苗、稻穗、種子、生育期等的識別以及農作物、農田地物遙感圖像識別，兩者各25篇，再次是動物個體身份、聲音、行為等的識別，有16篇。

其次是無損檢測，占比21.71%，共56篇。其中，主要應用于農產品分類分級，有25篇，其次是農產品質量問題檢測，有10篇，應用于作物體內成分檢測、作物病害分級、昆蟲數量和種類檢測、農產品數量檢測的論文較少，分別有8篇、6篇、4篇、3篇。

再次是應用于信息采集的占比13.95%，共36篇。其中，主要應用于耕地信息提取與監測，有16篇，其次是作物表型信息獲取，有13篇，再次是農產品經濟指標評估，有6篇，應用于農田技術指標采集的論文較少，只有1篇。

應用于目標精準定位的占比10.47%，共27篇。其中，主要應用于采摘機械作業，有23篇，其他的應用于雜草精準定位。

應用于田間管理的較少，共7篇，主要應用于精準灌溉，少部分應用于農田環境監測以及土壤健康管理；應用于視覺導航的論文較少，共5篇，具體包括路徑規劃和規避障礙物；應用于其他領域的最少，共4篇，具體應用方式包括農田災害預警、精準飼養以及河流識別。

綜上，在應用領域的大類中，特征識別是主要應用領域。在各個領域的細分應用中，主要應用于作物病蟲害識別檢測、農產品分類分級、耕地信息提取與監測、采摘機械作業、精準灌溉。

5 "結論與展望

基于科學的設備、強大的算法以及大規模的數據

集，深度學習在許多領域的應用都十分突出，將深度學習應用于農業領域能夠提升農作物識別精度、預防農業病蟲害、提高農業生產效率，從而助力數字農業發展。在數據驅動的時代背景下，研究者們不僅僅關注模型本身，更加意識到數據對于模型訓練的重要性[22]。數據集是深度學習模型訓練的基礎，深度學習算法的實際應用效果取決于科學合理、規模適當、分布均衡、標注準確的數據集，數據集的質量對于提高模型的魯棒性和準確性至關重要[23]。

為了強調數據對于深度學習的驅動力與重要性，促進相關領域研究者更加重視數據集的作用，本文通過檢索2020—2023年深度學習應用在農業領域的論文，并計量分析數據集，得出以下結論：（1）數據集類型以圖像數據為主，并且以作物和病蟲害圖像為主，目前深度學習算法主要針對圖像、遙感及視頻數據，而對于數值數據、序列數據等的應用較少；（2）由于農業數據的采集難度大、費時費力、農業場景較復雜、作物生長具有季節性，所以整體來說農業的數據量較少，主要集中在500—1500范圍內；（3）構建數據集需要耗費大量人力物力、周期長、后期處理難度大，并且通用性強、數據量大、標注齊全的公開數據集較少，因此為了滿足研究需求，數據集主要由個人構建，大部分使用手機和相機采集，PlantVillage是主要的公開數據集來源，此外，數據集還來源于網絡、衛星遙感數據等其他來源；（4）主要利用目標檢測、圖像分割、圖像識別三種深度學習方法進行農業場景的視覺檢測，YOLO v5、U-Net語義分割模型、卷積神經網絡CNN的使用頻率較高；（5）數據集主要應用領域劃分為視覺導航、無損檢測、目標精準定位、田間管理、特征識別、信息采集以及其他領域七大類，其中，特征識別是主要應用領域，其次是無損檢測、信息采集和目標精準定位，在各個領域的細分應用中，主要應用于作物病蟲害識別檢測、農產品分類分級、采摘機械作業、精準灌溉、耕地信息提取與監測等。

深度學習模型只有在大量數據的支撐下才能適應更多的應用場景，例如，2022年11月發布的ChatGPT，作為人工智能技術驅動的自然語言處理工具，同樣也需要大量、豐富、可獲取的語言數據[24]。科技驅動著農業朝著智能化方向轉變，農業生產方式從傳統的手工農業、到農業機械化、再到智能農業、再發展到智慧農業，農業數據的采集方式也朝著多樣化、精準化方向發展，從而推動著小規模、零散的數據轉變為大規模、完整的數據集，與此同時深度學習模型在大規模數據集的訓練下，也從小規模、低質量發展到大規模、高性能、標準完整的模型。數據驅動著深度學習模型迭代進步的同時，高質量的模型也越來越需要數據集具備大規模、高質量的特質，以符合深度學習等人工智能技術快速發展下的應用需求[25]。在未來，計算機視覺領域中大模型的開發和訓練，依舊離不開海量的圖像數據，因此，需要挖掘數據集與算法模型之間的關聯，探究數據量、標注方法、數據類型與模型性能的相關性，并將數據集從圖像數據擴增至文字、音頻、視頻等多模態數據，以充分發揮數據集對于深度學習模型的驅動力，提升模型在復雜場景下的實際應用效果[26]。

參考文獻

[1] 詹騏源.機器學習的發展史及應用前景[J].科技傳播， 2018， 10（21）： 138-139.

[2] 徐清華，鄭譽煌，戴冰燕.基于深度殘差網絡的水果圖像分類算法研究[J].工業控制計算機，2020，33（12）：37-38+40.

[3] 彭順正，黃筑斌，岳延濱等.基于深度學習的油菜籽粒圖像分割方法初探[J].農技服務，2020，37（10）：37-39.

[4] LIU Y， LIU S， XU J， et al. Forest pest identification based on a new dataset and convolutional neural network model with enhancement strategy[J/OL]. Computers and Electronics in Agriculture， 2022， 192：106625. https：//doi.org/10.1016/j.compag.2021.106625.

[5] ATTRI I， AWASTHI L K， SHARMA T P， et al. A review of deep learning techniques used in agriculture[J/OL]，Ecological Informatics， 2023，77：102217. https：//doi.org/10.1016/j.ecoinf.2023.102217.

[6] ZHU Y， ABDALLA A， TANG Z. et al. Improving rice nitrogen stress diagnosis by denoising strips in hyperspectral images via deep learning[J]. Biosystems Engineering， 2022， 219：165-176. https：//doi. org/10.1016/j.biosystemseng.2022.05.001.

[7] XUAN G， GAO C， SHAO Y， et al. Apple detection in natural environment using deep learning algorithms[J]. IEEE Access， 2020， 216772– 216780. https：//doi.org/ 10.1109/ACCESS.2020.3040423.

[8] 孫燁，董春雨.復雜性視閾下的當代人工智能發展——以深度學習為例[J].系統科學學報，2023，31（4）：13-22.

[9] 趙亞楠，鄧寒冰，劉婷，等.基于弱監督學習的玉米苗期植株圖像實例分割方法[J].農業工程學報，2022，38（19）：143-152.

[10] 蘇令濤，李瑞澤，張功磊，等.基于深度學習的農作物病蟲害識別研究[J].數學建模及其應用，2022，11（4）：1-12.

[11] 張慶輝，張媛，張夢雅.有遮擋人臉識別進展綜述[J].計算機應用研究，2023，40（8）：2250-2257+2273.

[12] 馬永建，汪傳建，趙慶展，等.基于GF-1遙感影像的荒漠區耕地分類與提取方法[J].石河子大學學報（自然科學版），2021，39（3）：383-390.

[13] 宋曉倩，張學藝，張春梅，等.基于深度遷移學習的釀酒葡萄種植信息提取[J].江蘇農業學報，2020，36（3）：689-693.

[14] 袁盼麗，汪傳建，趙慶展，等.基于深度學習的寒旱區多時序影像土地利用及變化監測——以新疆莫索灣墾區為例[J].干旱區地理，2021， 44（6）：1717-1728.

[15] 馮權瀧，陳泊安，李國慶，等.遙感影像樣本數據集研究綜述[J].遙感學報，2022，26（4）：589-605.

[16] 田地.采用遺傳算法優化的深度學習模型在育種中的實踐[J].分子植物育種，2024，22（1）：286-291.

[17] 尉震行.目標識別算法綜述[J].中國設備工程，2019，（1）：94-97.

[18] 黃雯珂，滕飛，王子丹，等.基于深度學習的圖像分割綜述[J].計算機科學，2024，51（2）：107-116.

[19] 向雁，侯艷林，姜文來，等.LSTM模型在耕地面積預測領域的構建與應用[J].科技導報，2021，39（9）：100-108.

[20] CORTEZ B， CARRERA B， KIM Y J， et al. An architecture for emergency event prediction using LSTM recurrent neural networks[J]. Expert Systems with Applications， 2018， 97： 315-324. https：//doi.org/ 10. 1016/j.eswa.2017.12.037

[21] 田鵬菲，王皞陽.機器視覺技術在我國農業領域內的應用分析[J].江蘇農業科學，2023，51（14）：13-21.

[22] 黃凱奇，任偉強，譚鐵牛.圖像物體分類與檢測算法綜述[J]. 計算機學報，2014，37（6）： 1225-1240.

[23] HORAK K， SABLATNIG R. Deep learning concepts and datasets for image recognition： overview 2019[C]//Proceedings Volume 11179， Eleventh International Conference on Digital Image Processing （ICDIP 2019）， 2019：111791S. https：//doi.org/10.1117/12.2539806

[24] 孫書魁，范菁，孫中強，等.基于深度學習的圖像數據增強研究綜述[J/OL].計算機科學，1-23[2023-12-07].

[25] ARSENOVIC M， KARANOVIC M， SLADOJEVIC S， et al. Solving current limitations of deep learning based approaches for plant disease detection[J]. Symmetry， 2019， 11（7）： ID 939.

[26] 管博倫，張立平，朱靜波，等.農業病蟲害圖像數據集現狀及高質量構建綜述[J].智慧農業，2023，5（3）：17-34.

引用格式：李佳樂，張建華，王健，周國民.數據驅動的農業深度學習方法計量分析[J].農業大數據學報， 2024，6（3）： 400-411.DOI： 10.19788/j.issn.2096- 6369.000023.

CITATION： LI JiaLe， ZHANG JianHua， WANG Jian， ZHOU GuoMin. Metrological Analysis of Data-driven Deep Learning Methods for Agriculture[J]. Journal of Agricultural Big Data，2024，6（3）： 400-411. DOI： 10.19788/j.issn.2096-6369.000023.

Metrological Analysis of Data-driven Deep Learning Methods for Agriculture

LI JiaLe1，2，3， ZHANG JianHua1，2，3， WANG Jian1，2，3， ZHOU GuoMin1，2，3*

1. Agricultural Information Institute of Chinese Academy of Agricultural Sciences， Beijing 10081， China; 2. National Agriculture Science Data Center， Beijing 10081， China; 3. Hainan National Breeding and Multiplication Institute at Sanya， Chinese Academy of Agricultural Sciences， Sanya 572024， Hainan， China

Abstract： With the development and application of artificial intelligence， computer vision， deep learning and other science and technology in the field of agriculture， the data-driven deep learning model for agriculture has become a new research paradigm for agricultural information extraction， and agricultural datasets are the basis for deep learning model training， and high-quality， large-scale， and diverse datasets can effectively improve the model performance， thus boosting the application of deep learning in the field of smart agriculture. To help researchers in related fields better understand the driving force of data for deep learning and give full play to the application of deep learning in the field of agriculture， this paper analyzes the datasets through metrology and summarizes the basic qualities of agricultural datasets such as type， scale， and source， which are divided into four categories according to the deep learning methods， such as target detection， image segmentation， and image recognition， and into seven categories according to the application areas， such as visual navigation， feature recognition， non-destructive testing and other 7 categories. The results show that the type of dataset is dominated by image data， and the data volume of images is concentrated in the range of 500 to 1500， and due to the specificity of agricultural data collection， most of the dataset is constructed by individuals and some of them are from public datasets， and the dataset is mainly utilized to carry out feature recognition. In the future， as the scale of the model becomes larger and larger， the requirements for the dataset are also upgraded， and it is necessary to continuously construct large-scale， balanced distribution， and accurately labeled datasets.In this paper， we provide a theoretical basis for data to promote deep learning agricultural applications by emphasizing the driving force and the importance of data to the deep learning model.

Keywords： Digital agriculture; deep learning; datasets; metrological analysis