PlantSeg

PlantSeg是一个大规模的植物疾病分割数据集，包含超过11,400张来自不同环境的115种不同植物疾病的图像，每张图像都标注了相应的疾病部分分割标签。据我们所知，PlantSeg是最大的包含野外图像的植物疾病分割数据集。该数据集使研究人员能够评估其图像分类方法，并为植物疾病分割算法的发展和基准测试提供了一个有效的基石。

PlantSeg is a large-scale plant disease segmentation dataset that encompasses over 11,400 images spanning 115 distinct plant diseases across diverse real-world environments. Every image in this dataset is paired with corresponding segmentation annotations for the diseased regions. To the best of our knowledge, PlantSeg is the largest plant disease segmentation dataset that consists of field-collected images. This dataset enables researchers to assess their image classification methodologies, while serving as a robust cornerstone for the development and benchmarking of plant disease segmentation algorithms.

原始信息汇总

PlantSeg: 大规模植物病害分割数据集

简介

PlantSeg 是一个大规模的植物病害分割数据集，包含超过 11,400 张来自不同环境的 115 种不同植物病害的图像，每张图像都标注了相应的病害部分分割标签。据我们所知，PlantSeg 是目前最大的包含野外图像的植物病害分割数据集。该数据集使研究人员能够评估其图像分类方法，并为植物病害分割算法的开发和基准测试提供了一个有效的基石。

数据集的构建过程

PlantSeg 数据集的构建过程包括三个主要步骤：图像采集、数据清洗和标注。在图像采集阶段，通过识别的关键词从各种互联网来源收集图像，并根据其类别进行存储。在数据清洗阶段，识别并移除错误的图像。在分割标注过程中，标注人员使用 LabelMe 对清洗后的图像进行标注，这些标注随后由专家审查并保存为 JSON 文件。

数据准备

1. 克隆仓库 bash git clone https://github.com/tqwei05/PlantSeg.git cd PlantSeg

2. 准备数据 PlantSeg 数据集可通过 Zenodo 访问。下载后，将 PlantSeg 数据集放置在 "data" 文件夹下。

3. 环境设置 按照 MMSegmentation 的指南构建环境。

运行

python sh run.sh

基线结果

方法	编码器	IOU	F1
DeepLabV3	ResNet50	17.24	37.95
DeepLabV3	ResNet101	20.72	40.63
DeepLabV3+	ResNet50	25.08	40.66
DeepLabV3+	ResNet101	27.18	42.29
SAN	ViT-B/16	34.79	50.19
SAN	ViT-L/14	36.91	52.81
SegNext	MSCAN-L	44.52	59.95

搜集汇总

数据集介绍

构建方式

在构建PlantSeg数据集的过程中，研究团队采用了系统化的三步法：图像采集、数据清洗和标注。首先，通过互联网资源，使用特定的关键词收集了大量植物病害图像，并根据其类别进行分类存储。随后，在数据清洗阶段，通过人工筛选和自动算法，剔除了不符合标准的图像，确保数据集的纯净性。最后，利用LabelMe工具对清洗后的图像进行病害部位的分割标注，并由专家进行审核，最终以JSON格式保存标注结果。

特点

PlantSeg数据集的显著特点在于其规模和多样性。该数据集包含了超过11,400张图像，涵盖了115种不同的植物病害，且这些图像均采集自自然环境，具有极高的真实性和代表性。此外，数据集的标注精细，每张图像都附有病害部位的分割标签，为深度学习模型的训练提供了高质量的数据基础。

使用方法

使用PlantSeg数据集进行研究时，首先需从Zenodo平台下载数据集，并将其放置在项目的'data'文件夹中。接着，按照MMSegmentation的安装指南配置运行环境。配置完成后，通过运行提供的脚本文件'run.sh'，即可启动数据集的处理和模型训练。数据集的标注文件以JSON格式提供，便于直接导入和使用。

背景与挑战

背景概述

植物病害的准确识别与分割在农业领域具有重要意义，尤其是在提高作物产量和质量方面。PlantSeg数据集由Wei等研究人员于2024年创建，是一个大规模的植物病害分割数据集，包含超过11,400张来自不同环境的图像，涵盖115种不同的植物病害。该数据集的创建旨在为植物病害分割算法的研究和评估提供一个坚实的基础，推动相关领域的发展。通过详细的图像采集、数据清洗和标注过程，PlantSeg数据集不仅提供了丰富的图像资源，还确保了标注的准确性和一致性，从而为研究人员提供了一个高质量的基准数据集。

当前挑战

尽管PlantSeg数据集在植物病害分割领域具有显著的影响力，但其构建过程中仍面临诸多挑战。首先，图像采集阶段需要从多种互联网资源中筛选和分类图像，这一过程既耗时又复杂。其次，数据清洗阶段需要识别并移除不正确的图像，确保数据集的质量。最后，标注过程需要使用LabelMe工具进行细致的病害区域标注，并由专家进行审核，以确保标注的准确性。此外，由于植物病害的多样性和复杂性，如何有效地训练和评估分割模型，以应对不同环境下的病害识别，仍是该领域面临的主要挑战。

常用场景

经典使用场景

在植物病理学领域，PlantSeg数据集的经典使用场景主要集中在植物病害分割任务上。该数据集包含了超过11,400张来自不同环境的植物病害图像，每张图像均标注了病害部分的分割标签。研究人员可以利用这些标注数据训练和评估植物病害分割模型，从而提高模型在实际应用中的准确性和鲁棒性。

解决学术问题

PlantSeg数据集解决了植物病害分割领域中数据稀缺和标注不一致的学术问题。通过提供大规模、多样化的标注数据，该数据集为研究人员提供了一个标准化的基准，有助于推动植物病害分割算法的发展和优化。此外，PlantSeg的引入也促进了跨学科研究，如计算机视觉与植物病理学的结合，为农业科技的进步提供了新的可能性。

衍生相关工作

PlantSeg数据集的发布催生了一系列相关研究工作。例如，基于该数据集的深度学习模型在植物病害分割任务中取得了显著的性能提升，推动了相关算法的发展。此外，PlantSeg还激发了跨学科研究，如结合遥感技术进行大范围作物健康监测，以及开发基于图像识别的智能农业解决方案。这些衍生工作不仅丰富了植物病害分割领域的研究内容，也为农业科技的实际应用提供了新的思路和方法。