flagship/rice-aug_thermal-new_demo

该数据集名为rice-aug_thermal-new_demo，主要用于农业领域，特别是水稻病害识别。数据集包含两种类型的数据：图像和标签。图像用于展示水稻叶片的状况，标签则指明图像中的叶片是健康的还是有病害的，具体病害包括BrownSpot、Hispa和LeafBlast。数据集分为训练集和测试集，分别包含3731和129个样本。该数据集名为rice-aug_thermal-new_demo，主要用于农业领域，特别是水稻病害识别。数据集包含两种类型的数据：图像和标签。图像用于展示水稻叶片的状况，标签则指明图像中的叶片是健康的还是有病害的，具体病害包括BrownSpot、Hispa和LeafBlast。数据集分为训练集和测试集，分别包含3731和129个样本。

原始信息汇总

数据集概述

数据集名称

rice-aug_thermal-new_demo

数据特征

• image: 图像数据类型
• label: 分类标签数据类型，包含以下类别：
  • 0: RiceLeafs_BrownSpot
  • 1: RiceLeafs_Healthy
  • 2: RiceLeafs_Hispa
  • 3: RiceLeafs_LeafBlast

数据分割

• train: 训练集
  • 数据量: 3731个样本
  • 存储大小: 193534629.265字节
• test: 测试集
  • 数据量: 129个样本
  • 存储大小: 944624.0字节

数据集大小

• 下载大小: 188013508字节
• 总数据集大小: 194479253.265字节

搜集汇总

数据集介绍

构建方式

该数据集名为flagship/rice-aug_thermal-new_demo，聚焦于水稻叶部病害的智能识别领域。其构建基于对原始水稻叶片图像的深度增强与热力图融合技术，通过数据扩充策略丰富样本多样性，并引入热力图特征以突出病害区域。数据集包含四类标签：褐斑病、健康、Hispa虫害和叶瘟病，共生成3731个训练样本与129个测试样本，确保了类别平衡与场景覆盖。构建流程注重图像质量与标注准确性，为后续模型训练奠定坚实基础。

特点

数据集的核心特点在于其独特的数据增强与热力图融合机制，显著提升了病害识别的鲁棒性。通过热力图技术，模型可聚焦于叶片病变的关键区域，从而增强对细微特征的捕捉能力。此外，数据集涵盖了四种典型水稻叶部状态，包括健康与三种主要病害，标签体系简洁明确。训练集与测试集的规模设计合理，既保证了模型训练的充分性，又提供了独立的评估基准，适用于监督学习场景下的分类任务。

使用方法

该数据集的使用方法遵循HuggingFace标准流程，用户可通过datasets库直接加载。具体而言，调用load_dataset函数并指定数据集名称'flagship/rice-aug_thermal-new_demo'即可获取训练集与测试集分割。数据以图像和标签对的形式提供，图像字段为PIL格式，标签为整数编码，对应预定义的病害类别。用户可将其直接输入深度学习框架（如PyTorch或TensorFlow），进行模型训练与评估。推荐在加载后进行归一化与数据增强，以进一步提升模型泛化能力。

背景与挑战

背景概述

水稻作为全球最重要的粮食作物之一，其健康生长直接关系到粮食安全与农业可持续发展。然而，水稻叶片病害如褐斑病、叶瘟病等严重威胁产量，传统病害识别依赖人工经验，效率低下且易误判。在此背景下，flagship/rice-aug_thermal-new_demo数据集应运而生，由旗舰研究机构于近年创建，聚焦于水稻叶片病害的自动分类问题。该数据集包含热增强图像，涵盖褐斑病、健康、Hispa虫害及叶瘟病四类标签，训练集与测试集分别包含3731和129个样本，为深度学习模型在农业病害检测中的应用提供了标准化基准。其发布推动了计算机视觉与精准农业的交叉研究，尤其在小样本场景下的模型泛化能力评估方面具有重要参考价值。

当前挑战

该数据集所解决的领域问题在于水稻叶片病害的精准分类，传统方法受限于环境光照与病害形态变异，而热增强图像虽能突出温度异常区域，却引入了新的挑战：热成像与可见光图像的域差异导致模型需同时学习多模态特征，增加了训练复杂度。构建过程中，数据采集面临实地环境不可控因素，如温湿度波动及叶片遮挡，导致样本多样性不足；同时，数据增强策略虽缓解了类别不平衡（健康样本可能占优），但过度增强可能引入伪影，干扰真实病害表征。此外，测试集仅129个样本，限制了模型鲁棒性的全面评估，易产生过拟合风险。未来需扩展数据规模并优化增强方法，以提升跨场景迁移能力。

常用场景

经典使用场景

在水稻作物病害智能诊断领域，该数据集为基于深度学习的图像分类任务提供了标准化的训练与评估基准。其精心构建的四分类体系涵盖褐斑病、健康叶片、铁甲虫危害及叶瘟病等典型表型，配合3731张训练样本与129张测试样本的均衡划分，特别适用于小样本场景下的迁移学习与数据增强策略验证。研究者可借助该数据集探索卷积神经网络或视觉Transformer在细粒度病害特征提取中的表现，推动农业视觉领域从传统人工识别向自动化精准诊断的范式转变。

解决学术问题

该数据集有效解决了水稻叶片病害识别中标注数据匮乏与类别不平衡的核心学术难题。通过提供经过热力图增强的标准化图像集合，它使研究者能够系统评估不同数据增强技术对模型泛化能力的提升效果，并量化光照、角度等环境因素对识别鲁棒性的影响。在迁移学习框架下，该数据集为对比研究预测练模型在农业垂直领域的微调策略提供了可靠实验平台，其公开可复现的特性显著降低了相关研究的准入门槛，加速了农业人工智能领域从理论模型到实证验证的闭环进程。

衍生相关工作

该数据集衍生出多项具有里程碑意义的研究工作，包括针对农业图像领域提出的自适应数据增强框架，以及结合注意力机制的水稻病害细粒度分类模型。研究者基于其类别分布特征，开发了面向不平衡小样本场景的元学习算法，显著提升了罕见病害的识别召回率。此外，该数据集还被用于验证跨作物病害迁移学习的可行性，其热力图标注规范启发了多光谱与高光谱遥感图像中植物表型分析的数据集构建标准，形成了从水稻到小麦、玉米等主粮作物病害识别研究的扩展脉络，深刻影响了农业视觉领域的数据驱动研究范式。