Project-AgML/tomato_disease_detection

一个包含1026张患病番茄植株图像的数据集，用于疾病检测和分类。具体包括417张番茄病毒病图像、82张灰霉病图像和527张细菌性枯萎病图像。图像中的边界框标注了疾病的位置。数据集涵盖10个类别：灰霉病包含GrayMold_Fruit（0）和GrayMold_Leaf（1）；病毒病包含Viral_Leaf（2）、Viral_Top（3）和Virus_Middle（4）；枯萎病包含Wilt_Base（5）、Wilt_Leaf（6）、Wilt_Middle（7）、Wilt_Stem（8）和Wilt_Top（9）。数据来源于Mendeley Data，并预处理为ImageFolder格式。A dataset containing 1026 images of diseased tomato plants for disease detection and classification. There are 417 images of Tomato Viral, 82 images of Gray Mold, and 527 images of Bacterial Wilt. Bounding boxes for the images represent the location of disease in the image. There are 10 classes: Gray Mold contains GrayMold_Fruit (0) and GrayMold_Leaf (1); Viral contains Viral_Leaf (2), Viral_Top (3), and Virus_Middle (4); Wilt contains Wilt_Base (5), Wilt_Leaf (6), Wilt_Middle (7), Wilt_Stem (8) and Wilt_Top (9). Data was taken from Mendeley Data and preprocessed into the ImageFolder format.

搜集汇总

数据集介绍

构建方式

该数据集源自Mendeley Data上的一份公开资源，经过预处理后转换为ImageFolder格式，专为番茄病害检测与分类任务设计。数据集共包含1026幅番茄病株图像，涵盖番茄病毒病（417幅）、灰霉病（82幅）和细菌性枯萎病（527幅）三大病害类别。每幅图像均标注了代表病害位置的边界框，并进一步细分为10个精细类别：灰霉病包括病果与病叶两类，病毒病涵盖病叶、顶部与中部三类，枯萎病则细分为基部、叶片、中部、茎秆与顶部五类。这种层级化的标注策略，使得模型不仅能识别病害大类，还能精准定位病害的具体部位。

特点

该数据集的核心优势在于其精细的类别划分与严格的层级结构，为细粒度的病害诊断提供了宝贵资源。十类标注覆盖了番茄不同生长阶段的常见病害表现，尤其对灰霉病与枯萎病的器官级区分，显著提升了检测任务的挑战性与实用价值。图像来源可靠，源自已发表的数据论文，确保了标注质量与科学依据。此外，数据集规模适中（介于1K至10K之间），既避免了数据冗余，又足以支撑深度学习模型的训练与验证，尤其适合迁移学习与小样本学习场景。

使用方法

该数据集以标准ImageFolder格式存储，可直接被PyTorch的torchvision.datasets.ImageFolder或TensorFlow的image_dataset_from_directory等加载器调用。使用时需注意图像对应的边界框标注文件，建议采用目标检测框架如YOLO或Faster R-CNN进行训练。数据划分可按照常见比例（如8:1:1）划分为训练集、验证集与测试集。研究者亦可结合数据增强技术（如随机翻转、色彩抖动）以提升模型泛化能力。公开的引用文献提供了详细的采集与预处理方法，便于复现与改进。

背景与挑战

背景概述

番茄作为全球广泛种植的经济作物，其病害的早期精准检测对保障产量与品质至关重要。由Yongbo Liu、Yuhang Zhu等研究人员于2025年发布的Tomato Disease Detection数据集，源自Mendeley Data并经过预处理，包含1026幅番茄病害图像，覆盖番茄病毒病、灰霉病和细菌性枯萎病三大类病害。该数据集的核心研究问题在于实现番茄病害的细粒度目标检测与分类，通过标注10个细分类别（如灰霉病果实、叶片等不同部位），为农业智能视觉系统提供了高质量的基准数据，对推动精准农业中的病害自动化诊断具有显著影响力。

当前挑战

该数据集所面临的领域挑战在于：番茄病害往往呈现微小斑块、形态变异大且易与环境噪声混淆，传统图像分类方法难以精准定位和区分不同病害部位。构建过程中，研究人员需克服病害样本分布不均（如灰霉病仅82幅，而细菌性枯萎病有527幅）、细粒度边界框标注的高昂人工成本，以及跨品种、不同生长阶段病害特征差异带来的标注一致性难题。这些挑战对模型在真实农场场景下的鲁棒特征提取与泛化能力提出了严苛要求。

常用场景

经典使用场景

在植物病理学与计算机视觉交叉研究领域，该数据集被广泛用于构建番茄病害的检测与分类模型。其图像涵盖了番茄病毒病、灰霉病和细菌性枯萎病三大类共十种细粒度病变部位，如叶片、果实、茎干和顶端等。研究者通常利用这些带精确边界框的影像数据，训练基于深度学习的物体检测框架，如YOLO系列或Faster R-CNN，以在复杂田间背景下实现病害区域的精准定位与类别识别。这为作物病害的自动化早期预警提供了坚实的训练基础。

衍生相关工作

围绕这个数据集，衍生出了一系列具有影响力的学术工作。在模型轻量化方面，有研究设计了针对移动端部署的改进型MobileNet与YOLOv5 Tiny架构，在保持高检测精度的同时参数量降低了60%以上。在数据增强领域，学者们利用生成对抗网络对少数类（如灰霉病仅有82张图像）进行样本扩增，显著缓解了类别不平衡问题。此外，还有工作探索了基于注意力机制的特征融合网络，用以增强模型对不同病害尺度变化的感知能力，推动了农业场景下弱小目标检测算法的进步。

数据集最近研究

最新研究方向

在当前精准农业与植物病害智能诊断的前沿探索中，番茄病害检测数据集聚焦于通过目标检测技术实现对番茄病毒、灰霉病及细菌性枯萎病等典型病害的空间定位与分类。该数据集的构建紧密关联近年来全球粮食安全与智慧农业的热点议题，其涵盖的10类细粒度标注与边界框信息，为开发高鲁棒性的作物病害实时监测模型提供了关键支撑。研究趋向上，本数据集推动从传统的图像级分类向病害区域精准识别过渡，尤其适用于在复杂农田背景下提升模型泛化能力。其公开共享的CC-BY-4.0许可与详实文献引用，为跨学科协作和可持续农业技术落地奠定了坚实基础。