as-cle-bert/banana-disease-classification

香蕉病害识别数据集是一个用于香蕉病害检测和分类研究的图像集合。该数据集共包含777张图片，其中700张用于训练，77张用于测试。数据集涵盖了六种香蕉病害和一种健康香蕉叶的类别，每个类别包含100张训练图片和11张测试图片，确保类别分布的平衡。数据集来源于Kaggle平台，为研究人员、开发者和爱好者提供了香蕉病害检测和分类的宝贵资源。

原始信息汇总

数据集概述

数据集名称

Banana Disease Recognition Dataset

数据集内容

• 图像数量: 总计777张图像，其中训练集700张，测试集77张。
• 类别分布: 包含7个类别，每个类别有100张训练图像和11张测试图像。
• 类别详情:
  • 0: banana_healthy_leaf
  • 1: black_sigatoka
  • 2: bract_mosaic_virus
  • 3: insect_pest
  • 4: moko_disease
  • 5: panama_disease
  • 6: yellow_sigatoka

数据集结构

• 训练集: 700个样本，总大小30097455字节。
• 测试集: 77个样本，总大小3085091字节。
• 下载大小: 33186711字节。
• 数据集总大小: 33182546字节。

数据集配置

• 默认配置:
  • 训练数据路径: data/train-*
  • 测试数据路径: data/test-*

许可证

cc-by-4.0

搜集汇总

数据集介绍

构建方式

在农业病害识别领域，香蕉病害分类数据集的构建遵循了系统化的数据采集与标注流程。该数据集源自Kaggle平台，共包含777张图像，涵盖六类香蕉病害及一类健康叶片。数据采集过程确保了每类样本的均衡性，训练集与测试集分别包含700张和77张图像，每类均分配100张训练图像和11张测试图像。图像经过标准化处理，统一存储为数字格式，并附有精确的病害类别标签，为机器学习模型提供了结构化的训练基础。

特点

该数据集的核心特征在于其针对香蕉病害的全面覆盖与精细分类。图像内容聚焦于香蕉叶片的视觉表征，涵盖了黑叶斑病、黄叶斑病、苞片花叶病毒、虫害、健康叶片、莫科病和巴拿马病等七种类别。数据分布均衡，每类样本数量一致，有效避免了类别不平衡对模型训练的干扰。图像质量清晰，病害特征显著，为视觉识别任务提供了高区分度的视觉模式。数据集采用CC-BY-4.0许可协议，促进了学术与工业界的开放协作。

使用方法

该数据集适用于计算机视觉与农业信息学的交叉研究，主要应用于病害自动识别模型的开发与评估。研究人员可通过加载图像数据与对应标签，构建监督学习框架，训练卷积神经网络等深度学习模型。数据集已划分为标准训练集与测试集，支持模型性能的客观验证。典型应用场景包括病害分类、严重度评估及早期预警系统开发。使用时可结合数据增强技术提升模型泛化能力，并参考引用的学术文献确保方法科学性。

背景与挑战

背景概述

香蕉作为全球重要的粮食作物和经济作物，其病害防控对农业可持续发展和粮食安全具有深远影响。由as-cle-bert团队发布的香蕉病害分类数据集，于2023年由Md Mafiul Hasan Matin Mafi等研究人员构建，旨在通过计算机视觉技术辅助香蕉病害的精准识别。该数据集涵盖了黑条叶斑病、黄条叶斑病、苞片花叶病毒、虫害、健康叶片、莫科病和巴拿马病等七类图像，共计777张样本，为植物病理学与人工智能交叉领域的研究提供了关键数据支撑。其创建推动了农业智能化诊断工具的发展，有助于减少病害导致的产量损失，并促进生态友好型农业实践。

当前挑战

该数据集致力于解决香蕉病害自动分类这一核心问题，其挑战在于病害视觉特征的高度相似性，例如黑条叶斑病与黄条叶斑病的细微差异，以及环境光照、叶片姿态变化对图像识别造成的干扰。构建过程中，数据采集面临田间环境复杂、病害样本稀缺且标注依赖专业植物病理学知识等困难，同时需确保七类样本的平衡分布以提升模型泛化能力。此外，图像数量有限可能制约深度学习模型的训练效果，需通过数据增强或迁移学习策略加以弥补。

常用场景

经典使用场景

在农业病害识别领域，该数据集为香蕉叶片病害的自动分类提供了标准化的视觉基准。研究者通常利用其标注清晰的图像，训练卷积神经网络等深度学习模型，以区分健康叶片与六种常见病害，如黑叶斑病、黄叶斑病和巴拿马病等。这一过程不仅验证了模型在有限样本下的泛化能力，还为植物病理学的数字化诊断奠定了实验基础。

衍生相关工作

基于该数据集，多项经典研究相继涌现，例如结合注意力机制的病害分类网络、融合多光谱数据的增强识别框架，以及针对田间复杂背景的鲁棒性检测算法。这些工作不仅拓展了数据集的学术价值，还促进了农业视觉任务与通用计算机视觉技术的交叉融合，为后续作物病害数据集的构建与标准化提供了重要参考。

数据集最近研究

最新研究方向

在农业智能与植物病理学交叉领域，香蕉病害识别数据集正推动计算机视觉技术的前沿探索。当前研究聚焦于轻量化卷积神经网络与Transformer架构的融合，旨在提升模型在复杂田间环境下的鲁棒性与实时诊断效率。随着全球气候变化加剧病害传播，该数据集成为开发边缘计算设备与无人机巡检系统的关键基准，助力精准农业实现早期预警与可持续管理。相关成果不仅优化了资源分配策略，还为热带作物保护提供了可扩展的数字化解决方案，深刻影响着粮食安全与生态平衡的科技实践。