Dhan-Shomadhan

Dhan-Shomadhan数据集由达芙菲尔国际大学创建，包含1106张关于孟加拉国本地水稻叶病的图像。数据集涵盖五种主要病害：褐斑病、叶斑病、稻瘟病、稻瘟病和鞘枯病，图像背景分为田间背景和白色背景，以提高分类准确性。数据收集自达卡地区的水稻田，使用Vivo Y15手机相机拍摄。该数据集适用于水稻叶病分类、计算机视觉和模式识别中的病害检测，旨在帮助农民和研究人员识别和应对水稻病害，提高水稻生产效率。The Dhan-Shomadhan dataset was created by Daffodil International University, consisting of 1106 images of leaf diseases affecting native Bangladeshi rice plants. The dataset encompasses five major diseases: brown spot, leaf spot, rice blast, rice blast, and sheath blight. The images are available with two background types: field backgrounds and white backgrounds, designed to enhance classification accuracy. The data was collected from rice fields in the Dhaka region and captured using the camera of a Vivo Y15 smartphone. This dataset is applicable to rice leaf disease classification, disease detection tasks in computer vision and pattern recognition, and aims to assist farmers and researchers in identifying and managing rice diseases, thereby boosting rice production efficiency.

搜集汇总

数据集介绍

构建方式

在农业信息技术领域，精准识别水稻叶片病害对保障粮食安全至关重要。Dhan-Shomadhan数据集的构建遵循了系统化的采集流程，研究人员使用Vivo Y15三摄手机在孟加拉国达卡地区的稻田中直接拍摄图像，涵盖了褐斑病、叶鞘网斑病、稻瘟病、东格鲁病和纹枯病这五种主要病害。数据采集特别注重背景多样性，既包含田间自然背景下的叶片图像，也包含在室内白色背景上拍摄的样本，这种双背景设计旨在提升模型在不同环境下的泛化能力。图像采集过程考虑了多种环境变量，如雾蒙蒙的清晨、晴朗的正午、傍晚及雨后等不同时段与天气条件，以确保数据能够反映真实农业场景中的复杂光照与背景干扰。

特点

该数据集的显著特点在于其背景设计的创新性与病害覆盖的全面性。数据集共包含1106张图像，每张图像均标注了五种常见水稻病害，且每种病害均配有田间背景与白色背景两种版本，这种双背景结构为计算机视觉模型提供了跨场景验证的可能性。图像分辨率统一为1952×4160像素，确保了病害细节的清晰可辨。数据集中于孟加拉国本地水稻品种，反映了区域特异性病害形态，弥补了以往数据集中白色背景样本居多、缺乏田间实景图像的不足。这种结构不仅支持实验室内的精确分析，也适用于田间实时诊断，为农业病害识别研究提供了兼具学术价值与应用潜力的资源。

使用方法

该数据集主要应用于计算机视觉与模式识别领域，特别是水稻叶片病害的自动分类与检测任务。研究人员可借助深度学习框架（如卷积神经网络）对图像进行特征提取与模型训练，利用双背景数据增强模型的鲁棒性，使其既能适应实验室的标准化分析，也能应对田间复杂环境的挑战。在实际应用中，数据集可服务于农业专家系统开发，帮助农民通过移动设备快速识别病害并采取相应防治措施。此外，数据集还可用于病害传播规律研究、新型病毒检测探索以及跨生长阶段的病害威胁评估，为农业信息化与精准植保提供数据支撑。

背景与挑战

背景概述

在农业信息学领域，水稻作为全球主要粮食作物，其病害识别对保障粮食安全至关重要。Dhan-Shomadhan数据集由孟加拉国达卡国际大学的Md. Fahad Hossain团队于近年创建，专注于解决孟加拉国本地水稻叶片病害的自动分类问题。该数据集收录了1106张图像，涵盖褐斑病、叶鞘病、稻瘟病、东格鲁病和纹枯病五种主要病害，并创新性地提供了田间背景与白色背景两种环境下的样本。其核心研究目标在于通过计算机视觉技术，辅助农民与研究人员快速准确地识别病害，从而提升水稻病害管理的效率与精准性。该数据集的建立填补了孟加拉国地区结构化水稻病害数据资源的空白，为农业智能化诊断提供了关键支撑。

当前挑战

该数据集致力于解决水稻叶片病害自动分类与检测的领域挑战，具体包括病害视觉特征相似性高、田间环境复杂导致的识别干扰，以及模型在真实农业场景中的泛化能力不足等问题。在构建过程中，研究团队面临多重挑战：首先，数据采集需在多变自然环境（如雾晨、雨后、不同光照时段）下进行，确保图像质量与代表性；其次，病害样本的均衡性与清晰度要求严格，需筛选出足以区分特定病害的有效图像；此外，双背景设计虽提升了数据多样性，但也增加了标注一致性与预处理复杂度。这些挑战共同凸显了农业视觉数据集在实用性与科学性之间的平衡需求。

常用场景

经典使用场景

在农业信息学领域，水稻病害的精准识别是保障粮食安全的关键环节。Dhan-Shomadhan数据集通过包含田间背景与白色背景的双重图像变体，为计算机视觉模型提供了高度仿真的训练环境。该数据集最经典的应用场景在于支持深度学习算法进行水稻叶部病害的自动分类，研究者可利用卷积神经网络对褐斑病、叶鞘枯病等五种常见病害进行特征提取与模式识别，有效提升了病害诊断的自动化水平。

实际应用

该数据集的实际价值体现在智慧农业系统的落地部署中。农技人员可通过移动端应用程序调用基于该数据集训练的轻量化模型，实时扫描田间水稻叶片并获取病害诊断报告。这种技术模式不仅降低了传统人工巡检的时间成本，更通过早期病害预警机制帮助农民精准施药，减少农药滥用，为实现可持续农业管理提供了可靠的技术支撑。

衍生相关工作

以Dhan-Shomadhan为基础衍生的研究已形成系列成果。学者们通过引入注意力机制改进ResNet架构，实现了病害细微特征的增强识别；另有工作结合生成对抗网络对数据集进行扩增，提升了模型在光照变化条件下的稳定性。这些探索不仅推动了农作物病害检测技术的迭代，更为热带地区特色作物保护提供了可迁移的研究范式。