hyperspectral-plant-virus

这是一个针对甜菜病毒分类的数据集，包含97张甜菜植物的超高分辨率图像，每张图像都有注释以指示特定病毒感染的存在。共有146个注释，涵盖了以下类别：甜菜褪绿病毒（BChV）、甜菜轻微黄化病毒（BMYV）、甜菜黄化病毒（BYV）以及未接种的健康植物。部分图像包括白色参考目标以帮助光谱校准。数据集存在类别不平衡的问题。

原始信息汇总

Super Beet Virus Classification Dataset 概述

数据集基本信息

• 许可证: MIT
• 语言: 英语 (en)
• 数据规模: 小于1K样本 (n<1K)

数据访问

• 可通过 Living Optics Cloud Portal 获取数据集

数据集内容

• 图像数量: 97张高分辨率甜菜植物图像
• 标注数量: 146个标注实例
• 类别分布:
  • Beet Chlorosis Virus (BChV): 24实例
  • Beet Mild Yellowing Virus (BMYV): 16实例
  • Beet Yellows Virus (BYV): 24实例
  • Uninoculated (健康植物): 30实例
• 注意事项: 存在类别不平衡问题

病毒描述

1. Beet Chlorosis Virus (BChV)

   • 类型: 黄症病毒属
   • 症状: 叶脉间黄化
   • 传播方式: 蚜虫传播
   • 影响: 可导致显著减产

2. Beet Mild Yellowing Virus (BMYV)

   • 类型: 黄症病毒属
   • 症状: 轻度黄化
   • 传播方式: 蚜虫传播
   • 影响: 降低甜菜含糖量

3. Beet Yellows Virus (BYV)

   • 类型: 长线形病毒属
   • 症状: 严重黄化和坏死
   • 影响: 对甜菜作物最具破坏性的病毒之一

相关资源

• Virus Yellows - Bayer Crop Science UK
• Disease control: Learn about Virus Yellows - NFU
• Beet yellows virus - Wikipedia

数据获取说明

• 原始数据需通过申请获取

搜集汇总

数据集介绍

构建方式

在农业病害监测领域，高光谱成像技术为植物病毒检测提供了创新解决方案。该数据集通过专业设备采集了97幅甜菜植株的高分辨率图像，涵盖三种典型病毒（BChV、BMYV、BYV）及健康植株样本，共计146个精确标注实例。标注过程严格遵循植株间距标准，部分图像包含用于光谱校准的白色参照物，确保了数据的科学性和可追溯性。

特点

作为植物病理学研究的重要资源，该数据集呈现出显著的多维特征优势。其核心价值在于同时整合了高光谱图像的空间分辨率与光谱信息，能够捕捉病毒侵染导致的细微光谱特征变化。数据涵盖三种典型甜菜病毒及健康对照，虽存在类别不均衡现象，但完整呈现了田间实际发病分布情况。每个样本均附带精确的病毒类型标注，为建立光谱特征与病害类型的映射关系提供了坚实基础。

使用方法

该数据集为农业智能监测领域的研究者提供了标准化实验平台。使用者可通过Living Optics云平台获取原始数据，建议采用深度学习框架处理高维光谱特征。针对类别不均衡问题，可采用过采样或加权损失函数等策略优化模型性能。数据中的白色参照物可用于光谱反射率校准，确保不同设备采集数据的一致性。研究者可基于该数据集开发病毒早期诊断模型，或探索不同病毒类型的光谱特征差异机制。

背景与挑战

背景概述

高光谱植物病毒数据集（hyperspectral-plant-virus）由LivingOptics机构构建，专注于通过高光谱成像技术监测甜菜作物健康状况。该数据集发布于现代精准农业与植物病理学交叉研究蓬勃发展的背景下，旨在解决甜菜黄化病毒复合体（包括BChV、BMYV和BYV三种典型病原）的早期识别难题。研究人员采用非破坏性高光谱采集手段，获取了97幅包含146个标注实例的甜菜植株图像，涵盖健康与染病植株的光谱特征差异，为开发基于机器学习的植物病害诊断模型提供了重要基准数据。

当前挑战

该数据集面临的核心挑战体现在两个维度：在科学层面，甜菜黄化病毒在光谱特征上存在高度相似性，导致多分类任务中类间可分性降低；不同病毒株引发的症状易受环境因素干扰，增加了特征提取的复杂度。在数据构建层面，样本量有限（n<1K）且存在类别不平衡问题，其中BMYV样本仅16例，可能影响模型泛化能力；高光谱数据的多维特性（包含空间与光谱双重信息）对标注一致性和数据处理流程提出了更高要求。田间采集时光照条件变化与叶片遮挡现象，进一步增加了数据预处理的难度。

常用场景

经典使用场景

在农业病害监测领域，hyperspectral-plant-virus数据集为甜菜病毒分类研究提供了关键数据支持。该数据集通过高光谱成像技术捕捉甜菜叶片的光谱特征，结合机器学习算法，实现了对甜菜黄化病毒、甜菜轻度黄化病毒和甜菜褪绿病毒的高精度分类。研究人员利用该数据集建立了病毒光谱特征库，为田间病害早期诊断提供了可靠的技术手段。

衍生相关工作

基于该数据集的研究催生了多项创新成果，包括基于卷积神经网络的病毒分类算法、轻量化田间检测模型等。相关研究发表在《Plant Disease》等权威期刊，推动了农业光谱分析技术的发展。部分衍生工作进一步扩展了数据集应用范围，将其用于其他作物病害的跨域迁移学习研究。

数据集最近研究

最新研究方向

随着高光谱成像技术在农业病害检测领域的深入应用，hyperspectral-plant-virus数据集为甜菜病毒早期诊断研究提供了重要支撑。当前研究聚焦于多模态数据融合与轻量化模型开发，通过结合高光谱特征与深度学习算法，实现对BChV、BMYV和BYV三种病毒的高精度分类。在精准农业背景下，该数据集正推动基于边缘计算的田间实时监测系统研发，其标注数据的稀缺性也催生了半监督学习在植物病理学中的创新应用。全球气候变化导致的病毒传播加剧，使得该数据集在构建抗病品种筛选模型方面展现出独特价值。