植物叶片病害疾病数据集

数据集中有39种不同类别的植物叶子和背景图像，包含61,486张图像。使用了六种不同的增强技术来增加数据集大小，包括图像翻转、伽马校正、噪声注入、PCA颜色增强、旋转和缩放。

This dataset consists of 61,486 images spanning 39 distinct categories of plant leaves and background imagery. Six distinct data augmentation techniques were utilized to increase the dataset's size, including image flipping, gamma correction, noise injection, PCA color augmentation, rotation, and scaling.

原始信息汇总

植物叶片病害疾病数据集概述

数据集基本信息

• 数据集名称：YOLO识别植物叶片疾病数据集
• 图像总数：61,486 张
• 类别数量：39 类
• 数据增强技术：图像翻转、伽马校正、噪声注入、PCA 颜色增强、旋转和缩放

数据集类别列表

1. 苹果疥痂病
2. 苹果黑腐病
3. 苹果雪松锈病
4. 苹果健康病
5. 无叶背景病
6. 蓝莓健康病
7. 樱桃白粉病
8. 樱桃健康病
9. 玉米灰叶病
10. 玉米普通锈病
11. 玉米北叶枯病
12. 玉米健康病
13. 葡萄黑腐病
14. 葡萄黑麻疹
15. 葡萄叶枯
16. 葡萄健康病
17. 橙黄龙病
18. 桃子细菌性斑点病
19. 桃子健康病
20. 胡椒细菌性斑点病
21. 胡椒健康病
22. 马铃薯早疫病
23. 马铃薯健康病
24. 马铃薯晚疫病
25. 树莓健康病
26. 大豆健康病
27. 南瓜白粉病
28. 草莓健康病
29. 草莓叶焦病
30. 番茄细菌性斑点病
31. 番茄早疫病
32. 番茄健康病
33. 番茄晚疫病
34. 番茄叶霉病
35. 番茄叶斑病

数据集组织与训练要求

• 数据格式：YOLO格式

• 目录结构：

  dataset/ ├── images/ │ ├── train/ │ ├── val/ ├── labels/ │ ├── train/ │ ├── val/ data.yaml

• 数据配置文件 (data.yaml)：需包含训练集路径、验证集路径、类别数量 (nc: 39) 及所有类别名称列表。

模型训练与评估

• 推荐框架：YOLOv5
• 典型训练参数：
  • 输入图像尺寸：640x640 像素
  • 批次大小：16
  • 训练轮次：100
• 评估指标：精确率、召回率、F1分数、平均精度均值 (mAP)、交并比 (IoU)、准确率、损失函数、速度 (FPS)。

搜集汇总

数据集介绍

构建方式

在农业病害智能识别领域，数据集的构建质量直接影响模型的泛化能力。该植物叶片病害疾病数据集通过系统采集苹果、樱桃、玉米等十余种作物的叶片图像，涵盖健康与病害状态，原始图像规模达61,486张。为增强数据多样性，研究团队应用了六种数据增强技术，包括图像翻转、伽马校正、噪声注入、PCA颜色增强、旋转及缩放，有效扩充了样本容量并提升了模型对光照、角度等环境变化的鲁棒性。数据标注严格遵循YOLO格式，确保边界框与类别信息的准确性，为后续目标检测任务奠定了坚实基础。

特点

本数据集的核心特点在于其广泛的类别覆盖与精细的病害表征。数据集包含39个类别，不仅囊括了苹果黑腐病、番茄晚疫病等多种常见作物病害，还专门设置了健康叶片与无叶背景类别，为模型区分病害与正常状态提供了关键对比样本。图像内容聚焦于叶片局部特征，病害症状呈现清晰，便于模型学习细微的病理变化。此外，数据集经过多维度增强处理，在保持病理特征不变的前提下，引入了丰富的视觉变异，从而有效缓解了过拟合风险，提升了模型在复杂田间环境下的识别稳定性。

使用方法

为便于研究者快速开展基于深度学习的病害检测工作，数据集已预先转换为YOLO格式。使用者需按照标准目录结构组织图像与标签文件，并配置包含路径与类别信息的data.yaml文件。依托YOLOv5等框架，可通过命令行或脚本启动训练流程，灵活调整图像尺寸、批次大小与训练轮次等超参数。训练完成后，利用验证集可计算mAP、精确率、召回率等关键指标以评估模型性能。最终，加载最优权重即可对新采集的叶片图像进行自动化病害识别与定位，为农业生产的早期预警与精准防控提供技术支持。

背景与挑战

背景概述

植物叶片病害疾病数据集作为农业计算机视觉领域的重要资源，其构建旨在应对全球范围内作物病害智能诊断的迫切需求。该数据集由研究团队于近年开发，整合了苹果、樱桃、玉米、桃子、大豆、南瓜、草莓及番茄等多种作物的叶片图像，涵盖39个类别，包括健康与病害状态，总计提供超过六万张样本。通过引入图像翻转、伽马校正、噪声注入等六种增强技术，数据集有效扩充了样本多样性，为基于深度学习的目标检测模型如YOLOv5提供了高质量的训练基础。该数据集的发布显著推动了植物病理学与人工智能的交叉研究，助力实现精准农业中的自动化病害监测与早期预警。

当前挑战

该数据集致力于解决植物叶片病害自动检测与分类的核心挑战，其难点在于病害形态的多样性与类间相似性，例如不同作物间的锈病或斑点病在视觉特征上易产生混淆，导致模型区分度不足。构建过程中，数据采集面临自然环境光照变化、叶片姿态差异及背景干扰等实际问题，需通过多角度拍摄与标准化预处理来保障图像质量。此外，类别不平衡现象突出，部分罕见病害样本稀缺，虽采用数据增强策略以缓解分布偏斜，但仍对模型的泛化能力构成考验。如何在高相似度类别间提升检测精度，并适应田间复杂环境下的实时应用，是该数据集持续演进的关键课题。

常用场景

经典使用场景

在农业智能监测领域，植物叶片病害疾病数据集常被用于训练深度学习模型，以实现对多种农作物叶片病害的自动化识别与分类。该数据集包含超过六万张图像，涵盖苹果、樱桃、玉米、桃子等作物的39种病害类别，通过图像翻转、伽马校正等增强技术提升数据多样性。研究人员通常利用YOLOv5等目标检测框架，将数据集划分为训练集与验证集，构建端到端的病害检测系统，从而在复杂田间环境下精准定位并识别病害区域，为后续防治决策提供视觉依据。

实际应用

在实际农业生产中，该数据集支撑的病害识别系统已部署于移动端与无人机平台，实现田间实时监测。农民或农业技术人员可通过拍摄叶片图像，快速获取病害诊断结果，及时采取防治措施，减少化学农药滥用与经济损失。此外，系统还可整合至农业物联网，与气象、土壤数据协同分析，构建病害预警网络，提升作物管理的精细化水平，为可持续农业发展提供技术赋能。

衍生相关工作

围绕该数据集，学术界衍生了一系列经典研究工作。例如，基于YOLOv5的改进模型如YOLOv7与YOLOv8，通过引入注意力机制与跨尺度特征融合，进一步提升了病害检测的准确率；同时，结合Transformer架构的视觉模型也在该数据集上验证了其长距离依赖捕获能力。此外，部分研究聚焦于轻量化部署，利用知识蒸馏与神经网络剪枝技术优化模型效率，使其适用于资源受限的边缘设备，推动了农业人工智能技术的实用化进程。