Fruits-360

一个高质量的水果图像数据集，包含74种水果，共计49606张图片。数据集分为训练集、测试集和多水果集，每张图片大小为100x100像素。

A high-quality fruit image dataset comprising 74 different types of fruits, totaling 49,606 images. The dataset is divided into training sets, test sets, and multi-fruit sets, with each image sized at 100x100 pixels.

原始信息汇总

数据集概述

数据集名称

Fruits-360

版本

2018.06.18.0

包含的水果种类

• Apples (不同品种: Golden, Golden-Red, Granny Smith, Red, Red Delicious)
• Apricot
• Avocado
• Avocado ripe
• Banana (Yellow, Red)
• Cactus fruit
• Cantaloupe (2种)
• Carambula
• Cherry (不同品种, Rainier)
• Cherry Wax (Yellow, Red, Black)
• Clementine
• Cocos
• Dates
• Granadilla
• Grape (Pink, White, White2)
• Grapefruit (Pink, White)
• Guava
• Huckleberry
• Kiwi
• Kaki
• Kumsquats
• Lemon (normal, Meyer)
• Lime
• Lychee
• Mandarine
• Mango
• Maracuja
• Melon Piel de Sapo
• Mulberry
• Nectarine
• Orange
• Papaya
• Passion fruit
• Peach
• Pepino
• Pear (不同品种, Abate, Monster, Williams)
• Physalis (normal, with Husk)
• Pineapple (normal, Mini)
• Pitahaya Red
• Plum
• Pomegranate
• Quince
• Rambutan
• Raspberry
• Salak
• Strawberry (normal, Wedge)
• Tamarillo
• Tangelo

数据集属性

• 总图像数: 49606
• 训练集大小: 37101 图像 (每图像一水果)
• 测试集大小: 12460 图像 (每图像一水果)
• 多水果集大小: 45 图像 (每图像多于一水果或水果类)
• 类别数: 74 (水果)
• 图像大小: 100x100 像素
• 文件名格式: image_index_100.jpg 或 r_image_index_100.jpg 或 r2_image_index_100.jpg (其中 "r" 表示水果旋转，"r2" 表示水果沿第三轴旋转)

数据集结构

• Training 和 Test 文件夹: 包含用于训练和测试的图像
• test-multiple_fruits 文件夹: 包含多水果图像，适用于真实世界检测测试
• src/image_classification 文件夹: 包含用于训练神经网络的Python代码，使用TensorFlow库
• src/utils 文件夹: 包含用于从背景中提取水果的C++代码
• papers 文件夹: 包含与数据集相关的研究论文

许可证

MIT License

创建方法

使用Logitech C920摄像头拍摄，背景为白色纸张，通过特定算法从非均匀背景中提取水果图像。

搜集汇总

数据集介绍

构建方式

Fruits-360数据集的构建基于对多种水果的高质量图像捕捉。通过将水果放置在低转速电机轴上并录制短时视频，随后使用Logitech C920摄像头进行拍摄。图像背景采用白色纸张，但由于光线条件变化导致背景不均匀，研究团队开发了一种专用的算法来从背景中提取水果。该算法属于漫水填充类型，通过标记图像边缘像素并逐步扩展至邻近像素，最终分离出水果图像。

特点

该数据集包含49606张水果图像，涵盖了74种不同水果及其品种，图像尺寸统一为100x100像素。数据集分为训练集、测试集以及多水果测试集，提供了单果及多果场景的识别挑战。每种水果的变种均视为不同类别，增加了数据集的多样性。此外，数据集还包含了相关的神经网络训练代码以及水果提取的C++工具。

使用方法

用户可以通过GitHub仓库直接获取该数据集及其相关代码。数据集的使用包括训练和测试神经网络以进行水果识别。用户需要遵循MIT许可证的规定，可以在不受限制的条件下使用、复制、修改、合并、发布、分发和/或销售软件。引用此数据集的研究成果时，应遵循提供的数据集引用格式。

背景与挑战

背景概述

Fruits-360数据集，创建于2018年6月18日，由Horea Muresan与Mihai Oltean共同研发。该数据集旨在解决水果图像识别问题，包含49606张水果图片，涵盖74种不同水果及其变种。每张图片尺寸为100x100像素，数据集分为训练集、测试集以及多水果测试集，为深度学习模型训练提供了丰富的资源。Fruits-360数据集的构建对水果识别研究领域贡献显著，推动了图像识别技术的发展。

当前挑战

该数据集在构建过程中，研究人员遇到了多方面的挑战。首先，由于拍摄环境中的光照条件多变，导致背景不均匀，因此需编写特定的算法从背景中提取水果。其次，不同水果种类及其变种的数量和识别准确性对模型训练提出了挑战。此外，数据集的构建还需考虑如何处理图片中部分被遮挡的水果，这对于实际应用中的水果检测具有重要意义。

常用场景

经典使用场景

Fruits-360数据集是一组包含多种水果的高质量图像集合，广泛应用于图像识别和分类领域。其经典使用场景在于，通过对 fruit 类别的图像进行深度学习模型的训练，可以有效识别出不同种类和品种的水果，为图像识别技术在水果分类中的应用提供了丰富的训练资源。

实际应用

在实际应用中，Fruits-360数据集可被用于开发智能水果识别系统，例如在超市自助结账系统中自动识别和分类水果，或者在农业领域，辅助果农进行水果品种的筛选和质量检测。

衍生相关工作

基于Fruits-360数据集，研究者们衍生出了诸多相关工作，包括但不限于改进水果识别算法、探索图像分割技术在水果识别中的应用，以及结合时间序列分析对水果成熟度进行预测等，这些研究为图像识别技术在农业和食品行业的应用提供了理论和实践基础。